O Controlador Lógico Programável (CLP) e a Eletrônica

UNIVERSIDADE FEDERAL DE OURO PRETO

ESCOLA DE MINAS

DEPARTAMENTO DE ENGENHARIA DE PRODUÇÃO

PREVISÃO DE VENDAS COM REDES NEURAIS

BÁRBARA MOREIRA INÁCIO CARDOSO

TALES OLIVEIRA AQUIINO

OURO PRETO – MG

2021

---

Índice

1.        Introdução        3

2.        Referencial Teórico        4

2.1.        Redes Neurais        4

2.2.        Previsão de Demanda        5

2.3.        Séries Temporais        6

3.        Estudo de Caso        7

4.        Resultados e Recomendações        7

5.        Conclusão        8

6.        Referências Bibliográficas        8

---

1. Introdução

A previsão de vendas pode-se tornar um grande diferencial estratégico para inovar e se manter no mercado. Segundo Kuo e Xue (1998) e Armstrong (2006) ela é eficaz na redução de custos de produção e na determinação do preço de venda do produto. Gerar estimativas, projetar demandas e prevenir comportamentos sazonais de maneira ágil e precisa, pode significar o sucesso de um projeto ou de uma organização.

Porém, tal previsão é baseada em eventos passados, sendo assim, é necessário um banco de dados históricos dos acontecimentos. Além disso, tem que se dispor de ferramentas e técnicas para transformar esses dados em informações que auxiliará na tomada de decisão.  As técnicas de mineração de dados incluem métodos de inteligência artificial (sistemas especialistas, lógica fuzzy, árvores de decisão, métodos de indução de regras, redes neurais, entre outras) (GARGANO & RAGGAD, 1999).

Este trabalho avalia o uso de redes neurais aplicadas à previsão de vendas no setor agrícola. A previsão avaliou-se o mercado de café nos últimos anos e com esse banco de dados pode-se prevê a demanda futura. Redes Neurais Artificiais (RNA) são estruturas flexíveis comumente utilizados para prever o comportamento de um conjunto de dados que não pode ser tratado pelas técnicas convencionais. Segundo Favero & Zoucas (2016) elas que têm sido aplicadas em uma grande variedade de problemas de previsão com alto grau de acuracidade, sendo sua principal vantagem à habilidade de modelar sistemas não lineares.

A previsão de séries de tempo usando Redes Neurais Artificiais tem sido muito atrativa, uma vez que seus caminhos são representados internamente pela rede e o paralelismo natural inerente à sua arquitetura cria a possibilidade de melhoria da performance comparado com modelos tradicionais (BRAGA, CARVALHO e LUDERMIR, 2007).

No mercado atual que as empresas se encontram inseridas, onde as mudanças são constantes, principalmente na volatividade de vendas e nos novos mercados e concorrentes que surgem todos os dias, é imprescindível que as empresas estejam aptas a aproveitar as oportunidades que essas técnicas têm a oferecer. A necessidade de uma previsão de demanda que possa satisfazer seus clientes sem que venha a se ter estoques obsoletos ou causar a falta do produto no mercado é a constante problemática enfrentada pelas empresas da área.  

O trabalho está estruturado da seguinte forma: primeiramente um embasamento teórico com os métodos empregados. Em seguida foi realizado um estudo de simulação, com um respectivo levantamento de resultados, os quais foram discutindo e ressaltados os pontos consideráveis positivos para as técnicas aplicadas, bem como as vantagens e desvantagens.

Finalmente, foram feitas considerações finais acerca das divergências encontradas entre a teoria abordada e os métodos utilizados, propondo futuras propostas a serem aplicadas.

1. Referencial Teórico

Inicialmente foi realizada uma pesquisa bibliográfica, que, segundo Demo (1996), é aquela elaborada a partir de material já publicado, a respeito de conceitos relacionados ao tema em questão, desde o próprio conceito de estoque aos vários conceitos de métodos, técnicas e análise de estoques. O objetivo desta pesquisa exploratória foi fornecer dados já produzidos por vários autores em relação ao assunto abordado, ressaltando também as críticas que os autores fazem ao uso das diversas técnicas de gestão utilizadas. A pesquisa se baseou em levantamento teórico das principais referências literárias a respeito da gestão de estoque, sua importância, seus tipos, seus problemas e seus modelos de gestão.

1.  Redes Neurais

As redes neurais artificiais são modelos inteligentes que utilizam em suas estruturas o neurônio lógico, buscando simular o processamento de informação do cérebro humano através de uma rede de diversos neurônios artificiais interligados, que se unem por meio de conexões sinápticas. De uma forma simplificada, uma rede neural artificial pode ser vista como um grafo onde os nós são os neurônios e as ligações fazem a função das sinapses (DUARTE, 2003).

Elas se baseiam em uma modelagem matemática do processo de aprendizado em neurônios, e podem ser aplicadas em aprendizado supervisionado e não-supervisionado. As redes neurais artificiais se diferenciam pela sua arquitetura e pela forma como os pesos associados às conexões são ajustados durante o processo de aprendizado (SOUZA, 2018).

[pic 1]

Fig 1: Ilustração de uma rede neural.

A arquitetura de uma rede neural restringe o tipo de problema no qual a rede poderá ser utilizada, e é definida pelo número de camadas (camada única ou múltiplas camadas), pelo número de nós em cada camada, pelo tipo de conexão entre os nós (feedforward ou feedback) e por sua forma de atuação (DUARTE, 2003).

Dentre a classificação das redes neurais podemos citar o ARIMA e LSTM. O ARIMA é um modelo estatístico que assume que os valores de uma série temporal são altamente dependentes, onde cada valor pode ser explicado pelos valores que os antecedem (PELLEGRINI, 2000). O LSTM é um modelo de RNN que possui como principal característica a capacidade de memorizar valores passados a fim de otimizar a compreensão dos valores futuros (HOCHREITER; SCHMIDHUBER, 1997). Ao contrário do ARIMA, LSTM’s são capazes de lidar com conjuntos de dados não lineares.