Made available in DSpace on 2016-12-23T14:33:44Z (GMT). No. of bitstreams: 1
otaviomassashi.pdf: 3633720 bytes, checksum: f857b73bee4606874bc9931445ec5225 (MD5)
Previous issue date: 2010-08-20 / This paper presents a methodology for forecasting demand parts based on Artificial Neural Networks (ANN). To validate it, we performed a comparative study on a reference work in the literature, which is based on exponential smoothing and moving average methods. The products are grouped into 10 categories according to proximity, resulting on 72 monthly observations. The forecasts generated were qualitatively classified according the criterion of lower mean absolute percentage error (MAPE), and the ANN model showed potential capability on 70% of instances considered, with respect to the best models treated by the author, and effective capability on 60%of the total. Qualitatively, the only two instances that showed the best ratings on a scale of four classes have been implemented with the neural networks based model. This methodology was then applied to a case study about a company of national operation in the auto parts market, with stock of more than 11,500 different products. In this application, a new approach to temporal grouping was proposed, different of the weekly and monthly format, plus the unbundling of products in categories in order to avoid the influences arising out of this type of aggregation and solve the problems caused by intermittent daily demand. Data of demand were collected from January 2007 to July 2009, totaling 122 values in temporal clustering defined as "fourth of month." The sample selection for this case study, conducted by Pareto classification, showed that just over 12% of total products were responsible for more than 80% of monthly volume sold by the company. Among other steps, this paper proposed the treatment of outliers of the time series through the transformation of the instances, the analysis of autocorrelation of the original and transformed series, and analysis qualitative results of the forecasts. It was observed that the methodology based on ANNs outperformed qualitatively the most of the results of reference methods literature, both the comparative approach as in the case study / Este trabalho apresenta uma metodologia para previsão de demanda de autopeças por meio de Redes Neurais Artificiais (RNA). Para validá-la, foi realizado um estudo comparativo com um trabalho de referência da literatura, que é baseado em métodos de suavização exponencial e de médias móveis. Os produtos, agrupados em 10 categorias de acordo com a proximidade espacial, totalizaram 72 observações mensais. As previsões geradas foram classificadas qualitativamente seguindo o critério de menor erro percentual absoluto médio (MAPE), e o modelo RNA se mostrou potencialmente superior em 70% das instâncias consideradas, frente aos melhores modelos tratados pelo autor, e efetivamente superior em 60% do total. As duas únicas instâncias que apresentaram o melhor erro MAPE foram implementadas com o modelo baseado em redes neurais. Esta metodologia foi então aplicada a um estudo de caso em uma empresa de atuação nacional no mercado de autopeças, com estoque composto por mais de 11.500 tipos diferentes de produtos. Nesta aplicação, foi proposta uma nova abordagem de agrupamento temporal, que difere das formas semanal e mensal, além do não agrupamento dos produtos em categorias, e cujo objetivo é evitar as influências advindas deste tipo de agregação e de solucionar os problemas causados pela demanda diária intermitente. Foram coletados dados de demanda no período de janeiro de 2007 a julho de 2009, totalizando 122 valores em agrupamento temporal definido como quarto de mês . A seleção da amostra deste estudo de caso, realizado através da classificação de Pareto, mostrou que pouco mais de 12% do total de produtos eram responsáveis por mais de 80% do volume mensal movimentado pela empresa. Dentre outros passos, este trabalho propôs o tratamento de outliers das séries através da transformação das instâncias, a análise de autocorrelação das séries originais e transformadas, e análise qualitativa dos resultados das previsões. Observou-se que a metodologia baseada em RNAs superou qualitativamente a maior parte dos resultados dos métodos de referência da literatura, tanto na abordagem comparativa quanto no estudo de caso
| Identifer | oai:union.ndltd.org:IBICT/oai:dspace2.ufes.br:10/6402 |
| Date | 20 August 2010 |
| Creators | Mine, Otávio Massashi |
| Contributors | Oliveira, Elias Silva de, Gonçalves, Claudine Santos Badue, Brito Neto, Christóvão Thiago de, Pagliarussi, Marcelo Sanches, Freitas, Fábio Daros de |
| Publisher | Universidade Federal do Espírito Santo, Programa de Pós-Graduação em Informática, UFES, BR, Ciência da Computação |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | text |
| Source | reponame:Repositório Institucional da UFES, instname:Universidade Federal do Espírito Santo, instacron:UFES |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0018 seconds