[pt] Tendo em vista mudanças significativas no varejo causadas pelo crescimento de compras online no Brasil, este estudo tem como objetivo facilitar um relevante lead time e um forte grau de assertividade na previsão de demanda do Omnichannel de uma empresa do setor. Com a crescente relevância do Omnichannel, é importante compreender as necessidades dos consumidores tradicionais e digitais, integrar suas experiências e oferecer múltiplos canais de compra. Nesse contexto, a previsão de demanda é crucial para apoiar as decisões estratégicas, táticas e operacionais da organização. A utilização de séries temporais hierárquicas auxilia na precisão das previsões e, portanto, na tomada de decisões, permitindo gerar estimativas coerentes ao longo dos múltiplos níveis hierárquicos. Dessa forma, neste estudo, combinando as metodologias de previsão de séries temporais ETS, ARIMA e SARIMAX, com métodos de reconciliação Bottom-up, Top-down, MinTrace Combinação Ótima (OLS) e MinTrace WLS Struct, doze modelos foram gerados. Baseado nas principais abordagens de séries temporais hierárquicas, com uma sequência de sete passos, os modelos foram comparados, por meio de métricas de avaliação de desempenho, para identificar qual deles melhor se encaixa na série trabalhada. Ao final do estudo, o modelo SARIMAX com Bottom-up se mostrou a combinação mais adequada para a série em análise. A abordagem alcançou um MAPE de 22 por cento no nível mais agregado da hierarquia, reduzindo em cinco pontos percentuais o MAPE original da empresa, além de apresentar a melhor colocação na combinação das métricas comparativamente. / [en] In light of recent changes in retail caused by the growth of online shopping in Brazil, this study aims to enable a substantial lead time and a high degree of accuracy of the Omnichannel demand forecast for a retail company. As Omnichannel success continues to expand, it becomes increasingly important tounderstand the needs of both traditional and digital consumers, integrate their experiences and offer multiple purchase channels. In this context, demand forecasting is crucial for identifying market trends, growth opportunities, potentialstrategies and supporting strategic, tactical and operational decisions. The use of Hierarchical Time Series improves forecasts accuracy and, therefore, assists in decision-making, allowing the development of consistent estimations acrossmultiple hierarchical levels. Thus, this study combines the time series forecast generation methodologies ETS, ARIMA and SARIMAX, with Bottom-up, Top-down, MinTrace Optimal Combination (OLS) and MinTrace WLS Struct reconciliation methods, resulting in the generation of twelve models. Based on the main theories of Hierarchical Time Series and following a 7-steps sequence, the models were compared using performance evaluation metrics to identify the best fit for the investigated series. The research concludes that the SARIMAX model,together with the Bottom-up strategy, proves to be the most appropriate composition for the Hierarchical Time Series under analysis, as it demonstrates the best performance across the evaluation metrics, reaching a MAPE of 22 percent at the most aggregated level of the hierarchy and reducing the original company forecasting MAPE by five percentage points.

Within demand forecasting, and specifically within the field of e-commerce, the provided data often contains erratic behaviours which are difficult to explain. This induces contradictions to the common assumptions within classical approaches for time series analysis. Yet, classical and naive approaches are still commonly used. Machine learning could be used to alleviate such problems. This thesis evaluates four models together with Swedish fin-tech company QLIRO AB. More specifically, a MLR (Multiple Linear Regression) model, a classic Box-Jenkins model (SARIMAX), an XGBoost model, and a LSTM-network (Long Short-Term Memory). The provided data consists of aggregated total daily reservations by e-merchants within the Nordic market from 2014. Some data pre processing was required and a smoothed version of the data set was created for comparison. Each model was constructed according to their specific requirements but with similar feature engineering. Evaluation was then made on a monthly level with a forecast horizon of 30 days during 2021. The results shows that both the MLR and the XGBoost provides the most consistent results together with perks for being easy to use. After these two, the LSTM-network showed the best results for November and December on the original data set but worst overall. Yet it had good performance on the smoothed data set and was then comparable to the first two. The SARIMAX was the worst performing of all the models considered in this thesis and was not as easy to implement. / Inom efterfrågeprognoser, och specifikt inom området e-handel, innehåller den tillhandahållna informationen ofta oberäkneliga beteenden som är svåra att förklara. Detta motsäger vanliga antaganden inom tidsserier som används för de mer klassiska tillvägagångssätten. Ändå är klassiska och naiva metoder fortfarande vanliga. Maskininlärning skulle kunna användas för att lindra sådana problem. Detta examensarbete utvärderar fyra modeller tillsammans med det svenska fintechföretaget QLIRO AB. Mer specifikt en MLR-modell (Multiple Linear Regression), en klassisk Box-Jenkins-modell (SARIMAX), en XGBoost-modell och ett LSTM-nätverk (Long Short-Term Memory). Den tillhandahållna informationen består av aggregerade dagliga reservationer från e-handlare inom den nordiska marknaden från 2014. Viss dataförbehandling krävdes och en utjämnad version av datamängden skapades för jämförelse. Varje modell konstruerades enligt deras specifika krav men med liknande \textit{feature engineering}. Utvärderingen gjordes sedan på månadsnivå med en prognoshorisont på 30 dagar under 2021. Resultaten visar att både MLR och XGBoost ger de mest pålitliga resultaten tillsammans med fördelar som att vara lätta att använda. Efter dessa visar LSTM-nätverket de bästa resultaten för november och december på den ursprungliga datamängden men sämst totalt sett. Ändå visar den god prestanda på den utjämnade datamängden och var sedan jämförbar med de två första modellerna. SARIMAX var den sämst presterande av alla jämförda modeller och inte lika lätt att implementera.

In the last 10 years, no significant increase in the peak electricity consumption of the region of Stockholm has been observed, despite new customers being connected to the grid. But, as urbanization continues and with electrification being a decisive step of decarbonization pathways, more growth is expected in the future. However, the Swedish Transmission System Operator (TSO), Svenska Kraftnat, can only supply a limited power to Stockholm region. Distribution System Operators (DSOs) such as Vattenfall Eldistribution, which operates two thirds Stockholm region's distribution grid, need to find solutions to satisfy an increasing demand with a limited power supply. In these times, forecasting the worst-case scenarios, i.e., the highest possible loads, becomes a critical question. In Sweden, peak loads are usually triggered by the coldest temperatures, but the recent winters have been mild: this brings uncertainty about a possible underlying temperature adjusted growth that would be masked by relatively warm winters. Answering the question 'What would be the highest loads in 2022 with -20°C in Stockholm region ?' could help Vattenfall Eldistribution estimating the flexibility needed nowadays and designing the future grid with the necessary grid reinforcements. This master thesis uses a data-driven approach based on eleven years of hourly data on the period 2010-2021 to investigate the temperature sensitivity of aggregated electricity load in Stockholm region. First, an exploratory analysis aims at quantifying how large the growth has been in the past ten years and at understanding how and when peak loads occur. The insights obtained help design two innovative regression techniques that investigate the evolution of the loads across years and provide first estimates of peak loads. Then, a Seasonal Autoregressive Integrated Moving Average with eXogenous regressors (SARIMAX) process is used to model a full winter of load as a function of temperatures. This third method provides new and more reliable estimates of peak loads in 2022 at e.g. -20°C. Eventually, the SARIMAX estimates are kept and a synthesis of the global outlooks of the three methods and possible extensions of the SARIMAX method is presented in a final section. The results conclude on a significant increase in the load levels in southern Stockholm ('Stockholm Sodra') between 2010 and 2015 and stable evolution onwards, while the electric consumption in Northern Stockholm remained stable during the period 2010-2021. During a very cold winter, the electricity demand is expected to exceed the subscription levels during about 300h in Stockholm Sodra and 200h in Stockholm Norra. However, this will be a rare occurrence, which suggests that short-term solutions could be privileged rather than costly grid extension work. Many questions arise, and the capability of local heat & power production and electricity prices signals to regulate today's demand are yet to investigate. Additional work exploring future demand scenarios at a smaller scale could also be contemplated. / Under den senaste årtionden har Stockholms toppkonsumtion av el inte ökat markant trots nya elkunder som ansluter till elnätet. Med en snabb urbanisering, är ökad elektrifiering en huvudlösning för att uppnå ett fossilfritt samhälle och denna trend förväntas fortsätta under kommande årtionden. Samtidigt börjar den svenska transmissionsnätoperatören (TSO) Svenska kraftnät få problem med att leverera elkraft till Stockholmsregionen, på grund av en begränsad överföringskapacitet. Därför måste lokala eldistributörer (DSO), liksom Vattenfall Eldistribution, som är Sveriges största DSO med systemansvar för distributionssystem, undersöka nya lösningar för att uppfylla den ökande efterfrågan på el. Det blir dessutom mycket viktigt att identifiera de värsta tänkbara scenario, som att göra prognos av högsta möjliga elförbrukning. Stockholm konsumerar exempelvis mest el när det är som kallast – men de senaste vintrarna har varit milda jämfört med till exempel vintrarna 2010 – 2011 eller 2012 – 2013 då temperaturer i Stockholmsregion mättes till under -20°C grader för flera dagar i sträck. Detta resulterar i en relevant frågeställning: ” Vad skulle Stockholms elkonsumtion vid -20°C bli 2021 eller 2022?”. Att kvantitativt kunna besvara denna fråga skulle hjälpa Vattenfall med att designa framtidens elnät samt se till att det finns rätt mängd flexibilitet i reserv i nuvarande Stockholm Flex elmarknad. Detta examensarbete utgår från att kvantitativt analysera denna frågeställning. Utgångsläget är ett datadrivet tillvägagångssätt baserat på tio års tidseriedata för att undersöka temperaturkänsligheten för det aggregerade elbehovet i Stockholmsregionen, och dra slutsatser om dess utveckling genom åren. I första hand, utförs en explorativ analys för att förstå när och hur toppbelastning kan hända. Då hjälper dessa insikter till att utforma två innovativa regressionsmetoder för att undersöka utvecklingen av elförbrukning under det senaste decenniet och uppskatta värdet på toppbelastningen. Därefter används ett säsongmässigt autoregressivt integrerat rörligt genomsnitt med exogena faktorer (SARIMAX) för att modellera en vinter som en funktion av temperaturerna. Denna tredje metod behandlar nya och mer tillförlitliga beräkningar av toppbelastning värden i 2022 på -20°C. Huvudslutsatser från examensarbetet är att elförbrukningen skulle öka i området Stockholm Södra speciellt mellan 2010 och 2015, medan elförbrukningen skulle vara stabil under hela perioden i området Stockholm Norra. Det finns en risk för att under ett antal timmar vid riktigt kall vinter, ha ett elbehov högre än Vattenfall Eldistributions summa av abonnemang. Dock är det väldigt låg sannolikhet att detta händer, vilket innebär att det förmodligen finns andra sätt att hantera denna efterfråga på el än att öka överföringskapaciteten i elnätet. Examensarbetet resulterar i flera frågor. Exempelvis att utreda möjligheter i att utnyttja lokala el och värmekraftverk och använda elprissignaler. Ytterligare arbete kan också undersöka scenarier av den framtida elförbrukning i en mindre skala.

No description available.

The interest in modeling non-maturing deposits has skyrocketed ever since thefinancial crisis 2008. Not only from a regulatory and legislative perspective,but also from an investment and funding perspective.Modeling of non-maturing deposits is a very broad subject. In this thesis someof the topics within the subject are investigated, where the greatest focus inon the modeling of the deposit volumes. The main objective is to providethe bank with an analysis of the majority of the topics that needs to be cov-ered when modeling non-maturing deposits. This includes short-rate model-ing using Vasicek’s model, deposit rate modeling using a regression approachand a method proposed by Jarrow and Van Deventer, volume modeling usingSARIMA, SARIMAX and a general additive model, a static replicating port-folio based on Maes and Timmerman’s to model the behaviour of the depositaccounts and finally a liquidity risk model that was suggested by Kalkbrenerand Willing. All of these models have been applied on three different accounttypes: private transaction accounts, savings accounts and corporate savingsaccounts.The results are that, due to the current market, the static replicating portfoliodoes not achieve the desired results. Furthermore, the best volume model forthe data provided is a SARIMA model, meaning the effect of the exogenousvariables are seemingly already embedded in the lagged volume. Finally, theliquidity risk results are plausible and thus deemed satisfactory. / Intresset för att modellera inlåningsvolymer utan en kontrakterad förfallodaghar ökat markant sedan finanskrisen 2008. Inte bara sett utifrån ett perspek-tiv att uppfylla krav som ställs av tillsynsmyndigheter, men också sett utifrånbankens investerings-och finansieringsperspektiv.Målet med det här arbetet är att förse banken med en analys av majoritetenav de olika områdena som man behöver ta hänsyn till när man ska model-lera inlåningar utan förfallodatum, men med ett fokus på volymmodellering.I den här rapporten modelleras räntor (kortränta och kontoränta), kontovoly-merna, kontobeteendet samt likviditetsrisken. Detta görs med hjälp av Vasicekför korträntan, en regressionsmetod samt en metod som föreslagits av Jarrowoch Van Deventer för kontoräntan, SARIMA, SARIMAX och en generell ad-ditiv regressionsmetod för volymerna, en statisk replikeringsportfölj baseradpå Maes och Timmermans modell för att imitera kontona och slutligen så mo-delleras likviditetsrisken med ett ramverk som föreslagits av Kalkbrener ochWilling. Alla dessa nämnda modeller appliceras, där det är möjligt, på de treolika kontotyperna: privatkonton, sparkonton samt företagssparkonto.Resultatet är att räntemodelleringen samt replikeringsportföljen inte ger ade-kvata resultat på grund av den rådande marknaden. Vidare så ger en SARIMA-modell den bästa prediktionen, vilket gör att slutsatsen är att andra exogenavariabler redan är inneslutna i den fördröjda volymvariabeln. Avslutningsvisså ger likviditetsmodellen tillfredsställande resultat och antas vara rimlig.