Publicação
Exploração de séries temporais em processos de previsão de vendas
| Resumo: | Na maior parte das empresas do mundo o seu objetivo final é gerar lucro. Existindo diversas formas de atingir esse objetivo, as vendas de produto, quer sejam físicos ou intelectuais, continuam a ser a maior fonte de rendimento mesmo num mundo em constante mudança. Desta forma, é importante para os agentes de decisão das empresas conseguirem controlar os valores das suas vendas, para assim perceberem a “saúde” da sua empresa e a definirem os próximos passos. Uma das técnicas de suporte à tomada de decisão que os agentes de decisão têm ao seu dispor é a previsão de vendas. As vendas podem ser vistas como uma série temporal em que se agregam os valores e números de itens vendidos num determinado período de tempo. Desta forma, é possível utilizar técnicas de Data Mining com capacidade para processar séries temporais de modo a realizar previsão de vendas. Usualmente, para cada empresa, é necessário adaptar os algoritmos de Data Mining à sua realidade de forma a ser possível a previsão de vendas, levando assim a processos morosos de adaptação de algoritmos e que acarretam elevados custos. O objetivo deste projeto passa, por utilizar apenas um algoritmo de Data Mining que, sem parametrização alguma, consiga obter a melhor previsão de vendas possível para quatro empresas com diferentes características. Assim, serão explorados os resultados que os modelos ARIMA, ARTXP, ARXTP + ARIMA, NN e SVM conseguem obter na realização de previsões tendo em conta as características das empresas. Também será considerada a combinação da utilização de variáveis internas e externas às empresas, juntamente com os seus valores mensais de vendas. No final, são apresentados resultados que permitem identificar o algoritmo de SVM como um algoritmo com boa capacidade de generalização no qual é possível obter resultados com baixa margem de erro na análise global às quatro previsões. |
|---|---|
| Autores principais: | Borges, Hélder Daniel |
| Assunto: | Data mining Previsão de vendas Séries temporais Variáveis internas Variáveis externas EPAM SVM ARIMA NN ARTXP Sales forecast Time series Internal variables External variables MAPE |
| Ano: | 2015 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Universidade do Minho |
| Idioma: | português |
| Origem: | RepositóriUM - Universidade do Minho |
| Resumo: | Na maior parte das empresas do mundo o seu objetivo final é gerar lucro. Existindo diversas formas de atingir esse objetivo, as vendas de produto, quer sejam físicos ou intelectuais, continuam a ser a maior fonte de rendimento mesmo num mundo em constante mudança. Desta forma, é importante para os agentes de decisão das empresas conseguirem controlar os valores das suas vendas, para assim perceberem a “saúde” da sua empresa e a definirem os próximos passos. Uma das técnicas de suporte à tomada de decisão que os agentes de decisão têm ao seu dispor é a previsão de vendas. As vendas podem ser vistas como uma série temporal em que se agregam os valores e números de itens vendidos num determinado período de tempo. Desta forma, é possível utilizar técnicas de Data Mining com capacidade para processar séries temporais de modo a realizar previsão de vendas. Usualmente, para cada empresa, é necessário adaptar os algoritmos de Data Mining à sua realidade de forma a ser possível a previsão de vendas, levando assim a processos morosos de adaptação de algoritmos e que acarretam elevados custos. O objetivo deste projeto passa, por utilizar apenas um algoritmo de Data Mining que, sem parametrização alguma, consiga obter a melhor previsão de vendas possível para quatro empresas com diferentes características. Assim, serão explorados os resultados que os modelos ARIMA, ARTXP, ARXTP + ARIMA, NN e SVM conseguem obter na realização de previsões tendo em conta as características das empresas. Também será considerada a combinação da utilização de variáveis internas e externas às empresas, juntamente com os seus valores mensais de vendas. No final, são apresentados resultados que permitem identificar o algoritmo de SVM como um algoritmo com boa capacidade de generalização no qual é possível obter resultados com baixa margem de erro na análise global às quatro previsões. |
|---|