Modelo de previsão de demanda de Unidade de Manutenção de Estoque (SKU) irritante para varejista americano de peças automotivas
DOI:
https://doi.org/10.33448/rsd-v13i9.46809Palavras-chave:
Aprendizado de máquina; Modelagem preditiva; Previsão de demanda; Tratamento de outliers; Skus incômodos; Gerenciamento de estoque.Resumo
O problema atual enfrentado pelo cliente envolveu vendas perdidas e aumento nos custos de manutenção para estoque restante. Ambos os problemas têm um impacto direto nos lucros econômicos da empresa e, portanto, são de importância premente para a empresa. Esta pesquisa visa construir uma previsão de demanda precisa para um grupo de SKUs que têm desempenho anormalmente baixo em certas lojas em comparação com a maioria. Usamos dados históricos de vendas em nosso projeto para entender melhor os padrões de vendas que podem nos dar uma ideia de vendas futuras. Por meio deste estudo, identificamos SKUs anômalos com base na detecção de outliers e na compreensão da significância estatística de cada preditor de entrada. Definimos limites em vendas por valor de loja para classificar cada SKU como "incômodo", ou seja, com desempenho inferior em algumas lojas e desempenho superior em outras, ou não. Além disso, tentamos prever a demanda por esses SKUs incômodos para melhorar o gerenciamento de estoque e os relatórios de vendas da empresa. Exploramos e aplicamos modelos de previsão, incluindo regressão linear, floresta aleatória e lasso. Isso não apenas reduzirá os custos de manutenção e evitará perdas de vendas, mas também agilizará a cadeia de suprimentos, pois dá ao cliente uma melhor compreensão das peças que precisam ser fornecidas a cada loja.
Referências
Chen, I.-F., & Lu, C.-J. (2016). Sales forecasting by combining clustering and machine-learning techniques for computer retailing. The Natural Computing Applications Forum.
Croston, J. D. (1972). Forecasting and stock control for intermittent demands. Journal of the Operational Research Society, 23(3). https://doi.org/10.1057/jors.1972.50
Dhinakaran, A. (2022) Shelf engine’s CEO on disruptive innovation without disruptive adoption and the AI-driven future of grocery retail. Forbes. https://www.forbes.com/sites/aparnadhinakaran/2022/01/27/shelf-engines-ceo-on-disruptive-innovation-without-disruptive-adoption-and-the-ai-driven-future-of-grocery-retail
Grand View Research (2019) U.S. automotive aftermarket size, share & trends analysis report by replacement part, by distribution channel (retailers, wholesalers), by service channel, by certification, and segments forecasts, 2019 – 2025. https://www.grandviewresearch.com/industry-analysis/us-automotive-aftermarket
Guo, Z.X., Wong, W.K., & Li, M. (2013) A multivariate intelligent decision-making model for retail sales forecasting,Decision Support Systems,Volume 55, Issue 1,2013,Pages 247-255, ISSN 0167-9236, https://doi.org/10.1016/j.dss.2013.01.026.
Gutierrez, R. S., Solis, A. O., & Mukhopadhyay, S. (2008) Lumpy demand forecasting using neural networks. International Journal of Production Economics, 111(2). https://doi.org/10.1016/j.ijpe.2007.01.007
Hastie, T. J., & Tibshirani, R. J. (1986) Generalized Additive models. Statistical Science, 1(3), 297–318. https://pdodds.w3.uvm.edu/files/papers/others/1986/hastie1986a.pdf
Hirche, M., Farris, P. W., Greenacre, L., Quan, Y., & Wei, S. (2021) Predicting under and overperforming skus within the distribution–market share relationship. Journal of Retailing, 97(4). https://doi.org/10.1016/j.jretai.2021.04.002
Hohberg, M., Peter, P., & Kneib, T. (2018). Generalized additive models for location, scale and shape for program evaluation: A guide to practice. Working Paper. https://arxiv.org/pdf/1806.09386
Insider Studios & Salesforce. (2021) How to drive predictable revenue with more accurate sales forecasting. Business Insider. https://www.businessinsider.com/sc/how-to-improve-sales-forecasting-2021-11
Kandananond, K. (2012) A comparison of various forecasting methods for autocorrelated time series. International Journal of Engineering Business Management, 4, 4.
Kurawarwala, A. A., & Matsuo, H. (1996) Forecasting and inventory management of short life-cycle products. Operations Research, 44(1). https://doi.org/10.1287/opre.44.1.131
Li, C., & Lim, A. (2018) A greedy aggregation–decomposition method for intermittent demand forecasting in fashion retailing. European Journal of Operational Research, 269(3). https://doi.org/10.1016/j.ejor.2018.02.029
Lolli, F. et al., (2019) Machine learning for multi-criteria inventory classification applied to intermittent demand, Prod. Plan. Control 30 (1) 76–89, http://dx.doi.org/10.1080/09537287.2018.1525506.
Mukhopadhyay, S., Solis, A. O., & Gutierrez, R. S. (2012) The accuracy of non‐traditional versus traditional methods of forecasting lumpy demand. Journal of Forecasting, 31(8). https://doi.org/10.1002/for.1242
Qiwei, H. et al. (2018) OR in spare parts management: A review, European J. Oper. Res. 266 (2) 395–414, http://dx.doi.org/10.1016/j.ejor.2017.07.058.
Roda, I. (2014), et al., A review of multi-criteria classification of spare parts: From literature analysis to industrial evidences, J. Manuf. Technol. Manag. 25 (4) 528–549, http://dx.doi.org/10.1108/JMTM-04-2013-0038.
Snyder, R. (2002). Forecasting sales of slow and fast moving inventories. European Journal of Operational Research, 140(3). https://doi.org/10.1016/S0377-2217(01)00231-4
Tsoumakas, G. (2018). A survey of machine learning techniques for food sales prediction. Artificial Intelligence Review, 52(1), 441-447.
Vieira, S. et al., (2015). A demand classification scheme for spare part inventory model subject to stochastic demand and lead time, Prod. Plan. Control 26 (16) 1318–1331, http://dx.doi.org/10.1080/09537287.2015.1033497
Williams, T. M. (1984). Stock control with sporadic and slow-moving demand. Journal of the Operational Research Society, 35 (10). https://doi.org/10.1057/jors.1984.185
Zhang, X., & Zeng, J. (2017), Joint optimization of condition-based opportunistic maintenance and spare parts provisioning policy in multiunit systems, European J. Oper. Res. 262 (2) 479–498, http://dx.doi.org/10.1016/j. ejor.2017.03.019.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2024 Lucero Isabel Izquierdo Munoz; Jose Manuel San Martin Galindo
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
