Motivações e métodos de previsão de demanda aplicados a eventos

Abstract

Com a popularização do entretenimento, os eventos têm se tornado uma área de interesse crescente. Nesse contexto, a previsão de público é uma atividade importante para fins de planejamento e gestão do evento. Para compreender as motivações que conduzem ao comparecimento, esta dissertação, através de uma revisão sistemática da literatura, propõe-se a responder a duas questões de pesquisa: (i) quais são os fatores e motivações que interferem na decisão de participar de eventos; (ii) quais métodos de previsão podem ser utilizados para estimar o público em eventos. A partir de 56 artigos selecionados na literatura, foram identificados 47 fatores motivacionais relacionados ao comparecimento a eventos, organizados em 9 dimensões. Além disso, foram observados 24 métodos para prever e classificar a participação em eventos. Entre esses métodos, o mais utilizado foi a Regressão Logística e a Regressão Linear, geralmente associados à aplicação de Machine Learning em bases de dados obtidas através de redes sociais. Posteriormente, os fatores identificados foram organizados e apresentados em um framework que pode auxiliar os organizadores a prever o público em diferentes tipos eventos. O framework foi avaliado em duas simulações de eventos reais por uma profissional da área, onde foi possível avaliar a sua aplicabilidade e adaptabilidade. Por fim, essa dissertação aprofunda os conhecimentos de previsão de público com o uso de nove métodos de Machine Learning para a previsão de público total e pagante em jogos de futebol, proporcionando comparação de desempenho e identificação dos melhores modelos. Dados de jogos reais foram coletados em parceria com uma organização de futebol brasileira. Métodos de ensemble baseados em árvore de decisão foram avaliados e também redes neurais artificiais (ANN), modelo linear (LM) e K-Nearest Neighbors (KNN). Os resultados indicaram que os métodos de ensemble baseados em árvore de decisão são totalmente capazes de capturar os padrões de comportamento em relação ao comparecimento às partidas. Os modelos XGB e GBM foram os de melhor desempenho, apresentando os menores erros.

With the popularization of entertainment, events have become an area of growing interest. In this context, audience prediction is an important part of event planning and management. To understand the motivations that lead to attendance, this dissertation, through a systematic review of the literature, answers the following two research questions: (i) what are the motivational factors that interfere in the decision to participate in events and (ii) which forecasting methods can be used to estimate the audience at events. From 56 articles selected in the literature, 47 motivational factors related to attendance at events were identified, organized into 9 dimensions. In addition, 24 differnte methods were used to predict or classify participation in events. Among these methods, the most used was Logistic Regression and Linear Regression, generally associated with the application of Machine Learning in databases obtained through social networks. Subsequently, the identified factors were organized and presented in a framework that can help organizers to predict the public at different types of events. The framework was evaluated through two simulations of real events by a professional, where it was possible to evaluate its applicability and adaptability. Finally, this dissertation expends the knowledge of audience prediction with the use of nine Machine Learning algorithms for predicting the total and paying audience in football games, providing performance comparison and identification of best models. Real game data was collected in partnership with a Brazilian football team. Ensemble methods based on decision trees were evaluated and also artificial neural networks (ANN), linear model (LM) and K-Nearest Neighbors (KNN). The results indicated that the decision tree-based ensemble methods are fully capable of capturing behavior patterns in relation to attendance. The XGB and GBM models were the best performing, presenting the smallest forecasting errors.