Submitted by Maicon Juliano Schmidt (maicons) on 2015-05-20T13:25:28Z
No. of bitstreams: 1
2014 - Timoteo Andre Stuker.pdf: 2292716 bytes, checksum: 2f422b087fcce44075984f39efd5f016 (MD5) / Made available in DSpace on 2015-05-20T13:25:28Z (GMT). No. of bitstreams: 1
2014 - Timoteo Andre Stuker.pdf: 2292716 bytes, checksum: 2f422b087fcce44075984f39efd5f016 (MD5)
Previous issue date: 2014-09-12 / Nenhuma / Para produtos de moda, a demanda é de difícil previsão por modelos lineares ou polinomiais e o ciclo de vida dos produtos é curto. Os varejistas são obrigados a tomarem as decisões de sortimento de produtos e quantidades de compra e estoques bem antes da época da venda, quando apenas informações limitadas e imprecisas estão disponíveis. As decisões são tomadas basicamente confiando em dados qualitativos e questões subjetivas. Os erros na previsão da demanda associados a esse modelo de tomada de decisão se aproxima de 50%. No entanto, as previsões de demanda podem ser melhoradas atualizando as previsões com base nas vendas iniciais. Nesse contexto, o objetivo do presente trabalho é propor um modelo de previsão de demanda baseado no aprendizado com as vendas iniciais para uma cadeia de suprimentos de um varejista de calçados. O modelo foi aplicado em uma rede de varejo calçadista brasileira, na coleção de Verão 2013/2014. O modelo de previsão de demanda foi proposto em duas etapas: (i) a primeira que utilizou dados históricos de vendas agregados por subgrupo de produtos, por loja; e (ii) a segunda que utilizou dados das vendas iniciais para desagregar a previsão por subgrupo na previsão por produtos e cores. Para gerar a previsão de longo prazo foi utilizado o modelo logístico. A Razão de Incremento Semanal (RIS), que é a previsão de vendas semanal por subgrupo dividida pela quantidade de produtos vendidos, foi utilizada como dados de entrada para decompor a previsão em produtos e cores. Além dessa informação, são entradas a quantidade vendida na primeira semana e a quantidade de produtos em estoque. A partir da modificação do cálculo da cobertura de estoques para incluir o RIS, tem-se a previsão de demanda atualizada. A previsão também considera a demanda de substituição e a quebra de grade. Os resultados encontrados demonstraram que o modelo de previsão de demanda atualizado com os dados de vendas obteve desempenho superior ao modelo de previsão original. O modelo de previsão de longo prazo se mostrou adequado para dois dos três subgrupos de produtos analisados. As métricas para medição do desempenho preditivo do modelo utilizadas foram o APE (absloute percentual errors ou erro percentual absoluto) e o MAPE* (média absoluta percentual dos erros ajustada). Foram considerados dois horizontes de previsão, seis e oito semanas. O desempenho do modelo conforme a métrica APE para seis semanas de horizonte de previsão foi de 55,199 para o modelo e de 207,511 para o modelo de previsão original. Já para oito semanas de horizonte de previsão foi de 51,232 para o modelo e de 93,212 para o modelo de previsão original. Conforme a métrica MAPE* para seis semanas de horizonte de previsão, o modelo apresentou resultados de 87,598 e o modelo de previsão original apresentou 239,777. E para oito semanas de horizonte de previsão o resultado foi de 88,454 para o modelo e de 167,515 para o modelo de previsão original. Como o modelo foi aplicado somente a um caso, o mesmo não pode ser considerado como validado. Não se pode esperar que os mesmos resultados sejam encontrados em casos diferentes. / For fashion products, the demand is very unpredictable and life cycle of products is short. Retailers are required to make decisions in the assortment and quantities of purchases and inventory a long time before the time of sale, when only limited and inaccurate information is available. Decisions are made relying primarily on qualitative data and subjective issues. Errors in demand forecast associated with this model of decision-making can approach 50%. However, demand forecasts can be improved by updating the predictions based on early sales. In this context, the aim of this work is to propose a demand forecast model based on learning with early sales for a footwear retailer supply chain. The model was applied in a Brazilian footwear retailer in the 2013/2014 Summer Collection. The demand forecasting model was proposed in two stages: (i) the first stage that used historical data aggregated by subgroup, considering product sales per store; and (ii) the second stage that used data from early sales to disaggregate the demand forecast into products and colors. To generate long-term forecast the logistic model was used. The Weekly Increment Proportion (WIP), which is the weekly demand forecast per subgroup divided by the number of products sold, was used as input data to decompose the demand forecast into products and colors. In addition to this information, the other entries are the quantity sold in the first week and the quantity of products in stock. Modifying the inventory turnover calculation to include WIP, we have the updated demand forecast. The forecast also considers the substitution demand and broken grade. The results demonstrated that the demand forecast model based on learning with early sales obtained higher results than original demand forecast model. The long-term forecast model was adequate for two of the three product subgroups analyzed. The metrics for measuring the predictive performance of the model used were APE (absolute percentual errors) and the MAPE* (adjusted mean absolute percentage error). Two forecast horizons were considered, six and eight weeks. The model performance according to the metric APE forecasting six weeks was 55,199 for the model and 207,511 for the original model prediction. Forecasting eight weeks it was 51,232 for the model and 93.212 for the original model prediction. According to the metric MAPE* forecasting six weeks, the model presented a result of 87.598 and the original model presented 239.777. And forecasting eight weeks the result was 88.454 for the model and 167.515 for the original model prediction. As the model was applied to only one case, it cannot be considered validated. The same results are not expected in different cases.
Identifer | oai:union.ndltd.org:IBICT/oai:www.repositorio.jesuita.org.br:UNISINOS/3585 |
Date | 12 September 2014 |
Creators | Stüker, Timóteo André |
Contributors | http://lattes.cnpq.br/0203545749226007, Sellitto, Miguel Afonso |
Publisher | Universidade do Vale do Rio dos Sinos, Programa de Pós-Graduação em Engenharia de Produção e Sistemas, Unisinos, Brasil, Escola Politécnica |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | Portuguese |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
Source | reponame:Repositório Institucional da UNISINOS, instname:Universidade do Vale do Rio dos Sinos, instacron:UNISINOS |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0404 seconds