Mostrar registro simples

dc.contributor.advisorBandeira, Denise Lindstrompt_BR
dc.contributor.authorSantos, Grace Lissarassa dospt_BR
dc.date.accessioned2012-11-22T01:41:12Zpt_BR
dc.date.issued2010pt_BR
dc.identifier.urihttp://hdl.handle.net/10183/61251pt_BR
dc.description.abstractAtualmente, a previsão de demanda é uma atividade crítica e, ao mesmo tempo, essencial no contexto instável em que as empresas atuam. Sendo assim, uma previsão eficaz é sinônimo de decisões mais assertivas e seguras para seus tomadores de decisão. O presente trabalho tem por finalidade realizar uma análise comparativa e identificar, entre dois métodos quantitativos selecionados, aquele que gera o menor erro de previsão de demanda para os produtos de transmissão e distribuição de energia da empresa em questão. Com o intuito de selecionar um modelo sistemático prático, simples e, acima de tudo, mais assertivo, ou seja, um possível substituto para o modelo subjetivo atualmente empregado pela empresa, optou-se por contrapor as previsões obtidas por meio dos métodos de decomposição clássica e redes neurais artificiais. A amostra utilizada na modelagem contempla 72 observações mensais do resultado de vendas, combinada com duas variáveis independentes selecionadas após investigação, as quais são aplicadas somente no modelo de inteligência artificial. Os resultados obtidos pela aplicação da técnica de redes neurais artificiais mostraram uma precisão superior à técnica de decomposição clássica, o que sinaliza que tal método pode servir como uma boa ferramenta para a geração de previsões e auxílio no planejamento e tomada de decisões da empresa.pt_BR
dc.description.abstractNowadays, demand forecast is a critical issue, whereas it is also essential information on the unstable context organizations do business. Therefore, an efficient forecast means more accurate and safer decisions to be made. This study aims at comparing and identifying, between two quantitative methods, the one that leads to minor forecasting errors for transmission and distribution equipment. It also aims to select a practical, simple, and, above all, more accurate systematic model, in other words, a tool that is going to likely replace the subjective method of forecasting currently used by the company, thus it has been decided to confront classical decomposition and artificial neural networks methods. The sample used contains 72 monthly observations of sales, combined with carefully selected numeric independent variables, which in this case are only applicable to the artificial intelligence method. Artificial neural networks resulted to be more accurate than classical decomposition, which means that this method can be used as a good predictive tool, supporting company planners and decision makers.en
dc.format.mimetypeapplication/pdf
dc.language.isoporpt_BR
dc.rightsOpen Accessen
dc.subjectPrevisão de demandapt_BR
dc.subjectClassical decompositionen
dc.subjectErroren
dc.subjectRedes neuraispt_BR
dc.subjectMethoden
dc.subjectForecasten
dc.subjectNeural networksen
dc.titleAnálise de métodos de previsão de demanda para empresa fabricante de produtos de transmissão e distribuição de energiapt_BR
dc.typeTrabalho de conclusão de graduaçãopt_BR
dc.identifier.nrb000753504pt_BR
dc.degree.grantorUniversidade Federal do Rio Grande do Sulpt_BR
dc.degree.departmentEscola de Administraçãopt_BR
dc.degree.localPorto Alegre, BR-RSpt_BR
dc.degree.date2010/1pt_BR
dc.degree.graduationAdministraçãopt_BR
dc.degree.levelgraduaçãopt_BR


Thumbnail
   

Este item está licenciado na Creative Commons License

Mostrar registro simples