The availability of data and the increased processing power of computers have made it easier to make decisions based on data, specially with Artificial Intelligence. One area where AI is widely applicable in companies is Supply Chain Management, particularly in demand forecasting. This paper aims to forecast sales for a company in the Cosmetic, Fragrance, and Toiletry market. Data from 2019 to 2023 were used from two different sales channel. To predict the demand, three Gradient Boosting algorithms (CatBoost, LightGBM, and XGBoost) were compared, and forecasts were made for three different time horizons (next period, five and ten periods ahead). After the experiments, LightGBM showed more stability compared to the other models.
1 July 2024 in Brazilian Journal of Production Engineering
A disseminação da tomada de decisão baseada em dados tem sido impulsionada pela abundância de informações e pelo aumento da capacidade de processamento computacional. Para apoiar esse processo decisório, é viável extrair conhecimento e realizar previsões por meio da Ciência de Dados. Dentro da Gestão da Cadeia de Abastecimento, um desafio comum é fazer a previsão de demanda utilizando dados históricos. Prever o volume de vendas de uma empresa é complexo. Superestimar a demanda leva a desperdícios de estoque, enquanto subestimar causa ruptura. Neste estudo de caso, será feita a previsão de demanda de longo prazo (30 semanas) para dois canais de vendas diferentes de uma empresa do segmento da indústria e do varejo do mercado de Higiene Pessoal, Perfumaria e Cosméticos. Foi utilizado o algoritmo Prophet. Após implementada a metodologia, os resultados mostraram que a semana 30 apresentou um WAPE de 4% e 5% para os canais Loja e Venda Direta, respectivamente. Ao analisar o erro na trigésima semana para as três categorias de produtos mais comercializados, observou-se que o maior erro registrado foi de 9,36%. Esse resultado sugere que a metodologia empregada alcançou desempenho satisfatório.