Ensaios sobre previsão de vendas no varejo de moda

Abstract

A previsão de vendas no varejo de moda é essencial no gerenciamento de negócios, afetando significativamente toda a cadeia de abastecimento, e pode ser vista como a informação básica para que outras atividades de planejamento possam ser desenvolvidas dentro das organizações que exercem esta atividade comercial. Uma série de ineficiências são provocadas por uma previsão com baixo nível de precisão, tais como: aumento dos níveis de estoques, números maiores de remarcações, menores margens financeiras e um efeito chicote maior. O objetivo deste trabalho foi verificar os aspectos relevantes ligados ao processo de previsão de vendas no curto prazo para produtos básicos, com foco maior em métodos de aprendizagem de máquina. Desta forma, esta pesquisa buscou responder os seguintes questionamentos: a aplicação de tratamentos sazonais nos dados contribui para gerar previsões mais precisas? O uso de tratamentos de seleção de variáveis, considerado o amplo universo de variáveis disponíveis, contribui para reduzir o erro das estimativas geradas? Quais variáveis foram mais relevantes para gerar as previsões calculadas? Qual o método de previsão é o mais preciso? (Tendo em vista uma ampla gama de métodos testados, contemplando métodos estatísticos, de inteligência computacional e ensembles.) Por fim, qual método de previsão de vendas deve ser adotado pelo setor em foco, considerando a análise AHP realizada? Com base no estudo das quatro categorias de produtos mais relevantes para o Lojão do Brás, considerando as vendas semanais do período de 2007 a 2019 e tendo como foco a previsão de curto prazo da próxima semana , constatou-se que: não houve uma unanimidade sobre a efetividade da aplicação de tratamentos sazonais; o uso de tratamentos de seleção de variáveis permitiu obter previsões 13% mais precisas; as variáveis exógenas contempladas no estudo foram pouco relevantes; o método de previsão de vendas com melhor nível de acurácia para o setor de varejo de moda foi o XGBOOST com tratamento sazonal por ajuste de curva e com tratamento de seleção de variáveis RFA. Por fim, com base na análise AHP realizada, que considerou vários critérios e não somente o aspecto da precisão, a recomendação final como melhor modelo de previsão de venda para o setor em questão foi o método Naive ajustado, apesar da superioridade do XGBOOST no critério de acurácia.