Sistemática de seleção de variáveis para classificação de produtos em categorias de modelos de reposição

Abstract

Empresas integradas a cadeias de suprimento constantemente buscam iniciativas para melhorar o desempenho global da cadeia, principalmente no que concerne ao fornecimento de produtos e gerenciamento dos canais diretos e indiretos de distribuição. O VMI (Vendor Managed Inventory) auxilia as empresas a melhor gerenciar e balancear o estoque ao longo da cadeia. Para o bom funcionamento do VMI, é necessário que parâmetros e modelos de cálculo alinhem-se às características dos produtos e locais de reposição, normalmente descritos por elevado número de variáveis. Este artigo propõe uma sistemática de seleção de variáveis para classificação de produtos em modelos de reposição. Para tanto, utiliza a Análise dos Componentes Principais (ACP) em conjunto com as ferramentas de classificação k-Nearest Neighbor (KNN) e Análise Discriminante Linear (ADL). Ao ser aplicado em um estudo prático do setor de consultoria em Supply Chain, o método proposto alcançou uma acurácia de classificação de 90% ao reter 55% das variáveis originais.

Companies integrated in supply chains seek initiatives to improve the overall performance of their chains. Vendor Managed Inventory (VMI) enables better results when it comes to managing and balancing stocks along the chain. For that matter, VMI frameworks must rely on well-defined parameters and algorithms aimed at allocating products to replenishment local characteristics. This paper presents a method to classify products in replenishment categories based on Principal Component Analysis (PCA) along with two classification algorithms: k-Nearest Neighbor (KNN) and Linear Discriminant Analysis (LDA). The model seeks to identify the most relevant variables for assigning products to the most appropriate replenishment model. When applied to a real situation, the proposed method yielded 90% classification accuracy, retaining 55% of the original variables on average.