Proposta de um roadmap de utilização de machine learning para previsão de demanda de bens de consumo

Abstract

Pesquisas de mercado mostram grande interesse das empresas em utilizar Machine Learning (ML) para melhorar a acurácia das previsões de demanda, especialmente no setor de bens de consumo em que o ciclo de vida dos produtos é curto, obtendo benefícios como melhor equilíbrio de estoques, redução de ruptura (falta de produtos nos pontos de venda) e redução de perdas por data de validade. Porém, cerca de metade das empresas pesquisadas ainda não tem projetos concluídos nem em andamento, pretendendo iniciar nos próximos anos, sendo uma das principais dificuldades a falta de direcionamento adequado de como implementar soluções de previsão de demanda com ML. Nota-se no mercado e na academia inúmeros trabalhos direcionando sistemas de gestão empresarial (ERP) e relativamente poucos estudos acerca de sistemas analíticos e ML. O objetivo deste trabalho é propor um roadmap para implementação de ML aplicado à previsão de demanda de bens de consumo em um sistema produtivo, que facilite a adoção e antecipe a realização de benefícios. A metodologia Design Science Research Method (DSRM) foi utilizada para elaborar, demonstrar e avaliar o roadmap em um caso real junto a uma empresa cliente de um provedor de sistemas de ML situada no Estado de São Paulo. Os resultados do estudo mostram que o roadmap proposto atingiu os objetivos esperados, facilitando a implementação ao servir de orientação aos envolvidos, reduzindo riscos de baixa qualidade e não atingimento das metas de negócio pela inclusão de controles de qualidade e de prova de conceito, promovendo a utilização efetiva da solução implementada ao engajar líderes e representantes das áreas de negócio. Este estudo contribui com as empresas de bens de consumo para adoção bem sucedida de ML aplicado à gestão de demanda e com a literatura acadêmica pela extensão do conhecimento da ciência de dados ao apresentar um roadmap para implementação do ML na previsão de demanda de bens de consumo.

Market research shows that companies are very interested in using Machine Learning (ML) to improve its demand forecasts accuracy, especially in the consumer goods sector where the products life cycle is short, obtaining benefits such as better inventories balance, stockouts reduction in points of sale and reduction of losses by expiration date. However, about half of the companies surveyed still do not have completed or even ongoing projects, intending to start in the coming years. One of the main difficulties is the lack of adequate guidance on how to implement demand forecasting solutions with ML. There are countless studies in the market and in the academy directing business management systems (ERP) and relatively few studies about analytical and ML systems. The objective of this work is to propose a roadmap for ML implementation applied to demand forecast for consumer goods in a productive system, which facilitates the adoption and anticipates the benefits realization. The Design Science Research Method (DSRM) methodology was used to develop, demonstrate, and evaluate the roadmap in a real case with a client company of an ML systems provider located in the state of São Paulo. The results of the study show that the proposed roadmap achieved the expected objectives, facilitating implementation by serving as guidance to those involved, reducing risks of low quality and not reaching business goals by including quality controls and proof of concept, promoting the effective use of the implemented solution by engaging leaders and representatives of the business areas. This study contributes to consumer goods companies for successful adoption of ML applied to demand management and to the academy by extending the data science knowledge by presenting a roadmap for implementing ML in consumer goods demand forecasting.