Previsão de demanda na gestão de cadeia de suprimentos: uma análise comparativa de modelos de séries temporais

Abstract

A previsão de demanda é uma atividade essencial para a gestão eficaz da cadeia de suprimentos. Através da previsão da demanda futura, as empresas podem otimizar o gerenciamento de estoques, planejar a produção e distribuição de produtos, e tomar decisões estratégicas mais acertadas. Nos últimos anos, a aplicação de Inteligência Artificial (IA), e em particular, de modelos de séries temporais, tem revolucionado a forma como as organizações abordam a previsão de demanda. Sistemas de aprendizado de máquina e algoritmos avançados permitem lidar com grandes volumes de dados, proporcionando insights valiosos para aprimorar as estratégias de suprimento. Este estudo tem como objetivo avaliar o desempenho dos modelos de séries temporais na previsão de demanda na gestão da cadeia de suprimentos. Para isso, será realizada uma comparação entre diferentes modelos, incluindo modelos tradicionais, como os Modelos Exponenciais, os modelos ARIMA e a Média Móvel Simples, e modelos mais avançados, como o Prophet, o XGBoost, o N-HiTS, o FourTheta e o TiDE. Além deles, também será utilizado um modelo para demandas intermitentes, o Croston. Os modelos serão treinados utilizando o Optuna para otimização dos hiperparâmetros e avaliados utilizando técnicas de validação cruzada, como aJanela de Expansão, e métricas de desempenho adequadas para séries temporais, como a Média Ponderada Geral (OWA) baseada no Erro Percentual Absoluto Médio Simétrico (sMAPE) e no Erro Logarítmico Quadrático Médio (RMSLE). Os resultados desse estudo fornecerão insights valiosos para as organizações na escolha dos modelos de previsão de demanda mais adequados para suas necessidades específicas.

Demand forecasting is an essential activity for effective supply chain management. By predicting future demand, companies can optimize inventory management, plan production and distribution, and make more accurate strategic decisions. In recent years, the application of Artificial Intelligence (AI), particularly time series models, has revolutionized how organizations approach demand forecasting. Machine learning systems and advanced algorithms enable handling large volumes of data, providing valuable insights to enhance supply chain strategies. This study aims to evaluate the performance of time series models in demand forecasting for supply chain management. To this end, a comparison will be made between different models, including traditional ones such asExponential Models, ARIMA models, and Simple Moving Average, and more advanced models such as XGBoost, N-HiTS, FourTheta, and TiDE. Additionally, a model for intermittent demand, Croston, will also be used. The models will be trained using Optuna for hyperparameter optimization and evaluated using cross- validation techniques, such as the Expanding Window, and performance metrics suitable for time series, such as the Overall Weighted Average (OWA) based on the Symmetric Mean Absolute Percentage Error (sMAPE) and the Root Mean Squared Logarithmic Error (RMSLE). The results of this study will provide valuable insights for organizations in selecting the most suitable demand forecasting models for their specific needs.