Integração de ferramentas de clusterização e modelos quantitativos de previsão de demanda : uma aplicação no setor alimentício

Abstract

A competição acirrada nos mercados e a demanda dos clientes por maior agilidade nos serviços de entrega e qualidade nos produtos têm pressionado as empresas na busca de diferenciais competitivos. Vários estudos e investimentos têm sido direcionados ao aprimoramento da gestão de produção visando maximizar as receitas e reduzir os seus custos operacionais. Neste sentido, a adequada utilização de técnicas de previsão de demanda pode ajudar as empresas a aumentarem sua previsibilidade sobre eventos futuros. Tal entendimento é fundamental em setores alimentícios, onde a eficiente gestão de insumos perecíveis não só repercute em termos financeiros, mas também na saúde do cliente. Este estudo tem como intuito utilizar ferramentas de agregação de dados históricos de demanda e de agrupamento de produtos com características similares para aumentar a precisão de modelos de previsão de demanda. Para tanto, inicialmente propõe uma análise de clusterização para agrupar produtos similares com base em variáveis que descrevem seus comportamentos e características. A ideia é reduzir o volume de modelagens quando comparado à avaliação dos produtos isolados. Na sequência, estrutura-se um método de agregação dos dados históricos de demanda de produtos inseridos no mesmo cluster previamente à modelagem de previsão. Com a agregação, objetiva-se reduzir ruídos da série e aumentar a aderência dos modelos aos dados. Por fim, realiza-se a desagregação das predições. As proposições são ilustradas em dados reais de uma pizzaria do ABC Paulista, e potenciais implicações gerenciais são apresentadas.

The fierce competition on the market and a growing customer demand for quality and prompt delivery of goods have been urging businesses to seek out solutions in order to maintain a competitive edge. Several studies and investments aim at the improvement of production management to maximize revenues and reduce operational costs. In this regard, the correct application of demand forecasting techniques can support companies and improve the predictability of future events. This understanding is fundamental in the food sector, where an efficient management of perishable goods not only impacts the financial results of companies, but also the health of the clients. This study is intended to use tools to aggregate historical data and group products in order to increase the predictability of demand forecasting models. Therefore, it initially proposes a clustering analysis to group similar products based on variables that describe their behaviors and characteristics. The idea is to reduce the volume of modeling when it is compared with the evaluation of isolated products. Then, a method is structured to aggregate the historical data of product demand inside the clusters previously to forecasting modeling. The objective of the aggregation is to reduce any series deviations and increase the model adherence to the data. Lastly, disaggregation predictions are made. The propositions in the study illustrate real data of a pizza parlor in the country side of Sao Paulo and present potential managerial implications.