Aplicação de redes neurais artificiais à previsão de vendas de máquinas agrícolas: um estudo de caso junto a AGCO do Brasil Ltda.

Abstract

A previsão de vendas para implementas agrícolas é, reconhecidamente, complexa devido as mais diversas variáveis que podem afetar um modelo. Além disso, diferentes modelos de implementas requerem diferentes modelos de previsão. Sendo a empresa AGCO do Brasil Ltda. líder de vendas neste segmento, optou-se por realizar previsões para o modelo de trator MF 275, da marca Massey Ferguson, líder de vendas, além disto outro fator motivacional para esta escolha, foi a facilidade de obtenção de informações necessárias, fornecidas pela empresa. Para a análise da série de vendas, obtida junto a Associação Nacional dos Fabricantes de Veículos Automotores (ANFAVEA), foram desenvolvidos modelos de redes neurais artificiais (RNA). Dentre os modelos de RNA construídos, o melhor é o modelo que considera apenas as vendas do mês anterior e que possui 3 neurônios na camada oculta. Ao comparar este modelo final com o que a empresa utiliza é possível observar que o modelo proposto mostrou-se melhor quanto aos erros de previsão. O modelo final apresentado se destaca, também, porque não depende de variáveis externas. O modelo utiliza apenas a própria série para as previsões.

The sales prediction to agricultura! equipment is, admittedly, complex thanks to a variety of variables that can affect a model. Moreover, different models of agricultura! equipment need different prediction models. The reason to choose the AGCO do Brasil Ltda. company and the MF 275 tractor, of the Massey Ferguson trademark, to predict is due to its leadership in sales and the easiness to obtain the information needed, supplied by the company. To the analysis of the sales series, that was obtained with the Associação Nacional dos Fabricantes de Veículos Automotores (ANFAVEA), some Artificial Neural Network (ANN) models were developed. Among the ANN models built, the best model is the model that considers only the sales of the previous month and had only 3 neurons on the hidden layer. By comparing this final model with the model that the company uses, it's possible to observe that the proposed model appeared better as for the prediction errors. The final model presented stands out, too, because it doesn't depend on externai variables. The model only uses the sales series to forecast.