Академический Документы
Профессиональный Документы
Культура Документы
1
Centro Paula Souza – elcio.tarallo@cpspos.sp.gov.br
2
Centro Paula Souza – getulio@akabane.adm.br
547
1. Introdução
2. Referencial Teórico
Chui et al. (2018) apresenta uma visão geral das técnicas analíticas para
resolução de problemas de negócios, destacando as técnicas de Deep Learning
baseadas em Artificial Neural Networks (Figura 1). Segundo os autores, estas
técnicas avançadas de Machine Learning, consideradas de Inteligência Artificial,
representam mais de 40% do valor potencial que todas as técnicas analíticas
poderiam prover. Um exemplo de aplicação é a previsão de demanda de vendas
de um produto, com base em número de vendas anteriores, sentimento do
consumidor e clima, utilizando Feed Forward Neural Networks.
548
Figura 1 – Visão geral de técnicas analíticas utilizadas em negócios.
Técnicas avançadas
Transfer learning
Reinforcement learning
Deep learning neural networks
(e.g., Feed forward neural networks, Convolutional
Alta NNs, Recurrent NNs, Generative Adversarial Ns)
Técnicas tradicionais
549
3. Método
4. Resultados e Discussão
Tema Linguagem de consulta Scopus Arti- Linguagem de consulta Web of Science Arti-
gos gos
Machine TITLE-ABS-KEY ( "machine learning" OR “learning machine” ) AND DOCTYPE ( ar OR re ) 33925 TÓPICO:("machine learning" or "learning machine") 49914
Learning AND PUBYEAR > 2009 AND PUBYEAR < 2018 Tempo estipulado: 2010-2017.Índices: SCI-EXPANDED, SSCI, A&HCI, CPCI-S, CPCI-SSH, ESCI.
Bens de ( TITLE-ABS-KEY ( "machine learning" OR "learning machine" ) AND TITLE-ABS-KEY ( 1085 TÓPICO:("machine learning" or "learning machine") AND TÓPICO: (product or goods) 4961
Consumo product OR goods ) AND DOCTYPE ( ar OR re ) AND PUBYEAR > 2009 AND PUBYEAR Tempo estipulado: 2010-2017.Índices: SCI-EXPANDED, SSCI, A&HCI, CPCI-S, CPCI-SSH, ESCI.
< 2018 )
Previsão TITLE-ABS-KEY ( "machine learning" OR "learning machine" ) AND TITLE-ABS-KEY ( 352 1779
TÓPICO:("machine learning" or "learning machine") AND TÓPICO: (product or goods) AND
de product OR goods ) AND TITLE-ABS-KEY ( demand OR forecast OR forecasting OR
TÓPICO: (demand or forecast or forecasting or predicting or prediction)
Demanda predicting OR prediction ) AND DOCTYPE ( ar OR re ) AND PUBYEAR > 2009 AND
Tempo estipulado: 2010-2017.Índices: SCI-EXPANDED, SSCI, A&HCI, CPCI-S, CPCI-SSH, ESCI.
PUBYEAR < 2018
Previsão ( TITLE-ABS-KEY ( "machine learning" OR "learning machine" ) AND TITLE-ABS-KEY ( 25 TÓPICO:("machine learning" or "learning machine") AND TÓPICO: (product or goods) AND 36
de product OR goods ) AND TITLE-ABS-KEY ( "sales forecasting" OR "demand forecasting" TÓPICO: ("sales forecasting" or "demand forecasting" OR "demand prediction" or
Vendas OR "demand prediction" OR "forecasting of demand" OR "sales prediction" OR "sales "forecasting of demand" or "sales prediction" or "sales promotion" or "products sales" or
promotion" OR "products sales" OR "product's demand" OR "purchase decisions" ) AND "product's demand" or "purchase decisions")
DOCTYPE ( ar OR re ) AND PUBYEAR > 2009 AND PUBYEAR < 2018 ) Tempo estipulado: 2010-2017.Índices: SCI-EXPANDED, SSCI, A&HCI, CPCI-S, CPCI-SSH, ESCI.
Fora do ( TITLE-ABS-KEY ( "consumer review” OR “customer review” OR “online review” OR 17 TÓPICO:("consumer review” or “customer review” or “online review” or “product review” 13
escopo “product review” OR “sentiment analysis” OR “word of mouth” OR “recommender system” or “sentiment analysis” or “word of mouth” or “recommender system” or “collaborative
OR “collaborative filtering” OR passenger OR temperature OR “electric power” OR oil OR filtering” or passenger or temperature or “electric power” or oil or “context
“context understanding” ) AND DOCTYPE ( ar OR re ) AND PUBYEAR > 2009 AND understanding”) Tempo estipulado: 2010-2017.Índices: SCI-EXPANDED, SSCI, A&HCI, CPCI-S,
PUBYEAR < 2018 ) CPCI-SSH, ESCI.
Obs: 8 artigos selecionados foram excluídos Obs: 12 artigos selecionados foram excluídos e 11 duplicados
Fonte: Autor
550
A pesquisa para Machine Learning apresenta expressivo crescimento
anual, mais de 20%, tanto na base Scopus quanto na Web of Science (Figura 2).
Figura 3 – Produção total de 2010 a 2017 sobre Machine Learning por país.
551
A pesquisa sobre Machine Learning para previsão de demanda de bens
de consumo resultou em trinta artigos, com produção crescente até 2012,
queda em 2013, retomando o crescimento de 2014 a 2017 (Figura 5).
Ano Quanti
dade
2010 0
2011 2
2012 5
2013 2
2014 4
2015 5
2016 6
2017 6
Total 30
Entre os autores dos trinta artigos selecionados há dez autores com mais
de uma publicação (Figura 6).
Quantida
Autor
de
GUO ZX 2
LI M 2
LIU N 2
NG SF 2
REN SY 2
WONG WK 2
YU Y 2
CHOI TM 3
HUI CL 3
LU CJ 4
552
Quadro 2 – Artigos selecionados na pesquisa bibliométrica.
continuação
Cita-
Seq. Ano Autores Título
ções
11 2016 Pinho, JM; Oliveira, JM; Ramos, P Sales Forecasting in Retail Industry Based on Dynamic Regression Models
12 2016 1 Fujimaki R., Muraoka Y., Ito S., Yabe A. From prediction to decision making - Predictive optimization technology
13 2015 1 Ochiai K. Predictive analytics solution for fresh food demand using heterogeneous mixture learning
technology
14 2015 4 Wang Y., Chattaraman V., Kim H., Predicting Purchase Decisions Based on Spatio-Temporal Functional MRI Features Using Machine
Deshpande G. Learning
15 2015 Wu J., Zheng S. Forecasting for fast fashion products based on web search data by using OS-ELM algorithm
16 2015 1 Islek, I; Oguducu, SG A Retail Demand Forecasting Model Based on Data Mining Techniques
17 2015 1 Ponce, H; Miralles-Pechuan, L; Artificial Hydrocarbon Networks for Online Sales Prediction
Martinez-Villasenor, MD
18 2014 16 Lee H., Kim S.G., Park H.-W., Kang P. Pre-launch new product demand forecasting using the Bass model: A statistical and machine
learning-based approach
19 2014 28 Lu, CJ Sales forecasting of computer products based on variable selection scheme and support vector
regression
20 2014 28 Choi, TM; Hui, CL; Liu, N; Ng, SF; Yu, Y Fast fashion sales forecasting with limited data and time
21 2014 Lu, CJ; Chang, CC A Hybrid Sales Forecasting Scheme by Combining Independent Component Analysis with K-Means
Clustering and Support Vector Regression
22 2013 19 Guo Z.X., Wong W.K., Li M. A multivariate intelligent decision-making model for retail sales forecasting
23 2013 2 Liu, N; Ren, SY; Choi, TM; Hui, CL; Ng, SF Sales Forecasting for Fashion Retailing Service Industry: A Review
24 2012 19 Lu C.-J., Shao Y.E. Forecasting computer products sales by integrating ensemble empirical mode decomposition and
extreme learning machine
25 2012 Guo, ZX; Li, M; Wong, WK; Guo, X Intelligent multivariate sales forecasting using wrapper approach and neural networks
26 2012 7 Lu, CJ; Shao, YJE Forecasting Computer Products Sales by Integrating Ensemble Empirical Mode Decomposition
and Extreme Learning Machine
27 2012 2 Soguero-Ruiz C., Gimeno-Blanes F.-J., On the differential benchmarking of promotional efficiency with machine learning modelling (II):
Mora-Jiménez I., Martínez-Ruiz M.P., Practical applications
Rojo-Álvarez J.-L.
28 2012 5 Kandananond K. A comparison of various forecasting methods for autocorrelated time series
29 2011 41 Yu Y., Choi T.-M., Hui C.-L. An intelligent fast sales forecasting model for fashion products
30 2011 39 Chen F.L., Ou T.Y. Sales forecasting system based on Gray extreme learning machine with Taguchi method in retail
industry
Fonte: Autor
553
Quadro 3 – Benefícios do Machine Learning para previsão de demanda.
continuação
Se Tipo de Desafios do Técnicas de Machine
Foco do artigo Benefícios Variáveis relevantes
q. Negócio Negócio Learning (ML)
7 Previsão de demanda Loja online de Previsão de Aumento da receita Regression Tree (previsão de Histórico de vendas, estoque
moda demanda e em 9,7% (decisões demanda) e técnicas de inicial, eventos de marca,
precificação de de preço otimização de preços estrutura hierárquica e
produtos nunca multiproduto em atributos de produto
vendidos (maioria) base dia)
8 Identificar classes de Varejo de Prever quais Redução de perdas Kernel Machines e Dados de vendas, catálogos
produtos de moda em moda produtos terão (write off) e abordagem probabilística
termos de vendas altas vendas aumento de receita (robusta para Outliers)
9 Seleção de métodos Indústria de Obter previsões Melhoria dos Artificial Neural Network Pedidos Antecipados dos
para melhorar a moda mais precisas a volumes de (ANN), Extreme Learning varejistas (antes da
previsão de demanda de tempo de tomar produção & MAchine (ELM), Evolutionary produção), Pedidos durante
produtos de moda / decisões de Redução de falta ou Neural Network (ENN), o período de vendas
sazonais produção & falta de de excedente de combinação com Fuzzy Logic
histórico de vendas estoques
10 Construir um modelo de Lojas de Varejo Melhor previsão de Precisão de Deep Learning Dados diários de vendas de
previsão de vendas para vendas e previsão de vendas três anos dos pontos de
lojas de varejo usando gerenciamento das de 86% (melhor que venda
Deep Learning lojas anterior)
11 Comparar modelo de Varejo Dificuldade para Melhor previsão de Modelo de Regressão Dados de vendas de 3,5 anos
Regressão Dinâmica x previsão de vendas vendas Dinâmica de lojas de varejo
modelo puro de Séries em função das considerando
Temporais promoções promoções
12 Combinação de Varejo de Melhorar Melhores previsões, Heterogeneous Mixture Histórico de vendas em loja
predição com bebidas confiabilidade de aumento de vendas Learning Technology
otimização de preços predições e tomada em 16% (estimado)
de decisões
13 Previsão de demanda Mercearias Redução do custo Automação de Heterogeneous Mixture Desempenho de vendas por
altamente precisa para com produtos de descarte de pedidos, otimização Learning Technology período, produtos
alimentos frescos de curta produtos não de estoques nas descartados, produtos
validade vendidos lojas, redução de faltantes, clima e campanhas
perda de alimentos
14 Modelo de Diversos Planejamento em Decisões com base Recursive Cluster Elimination Dados espaço-temporais de
Neuromarketing, pela (prever função das decisões na predição das based Support Vector Imagens de produtos
previsão de decisões de decisões de de compra do decisões de compra Machine (RCE-SVM) (Ressonância magnética
compra a partir de compra de consumidor dos clientes com funcional-fMRI), sinais
imagens clientes) 71% de acurácia cerebrais, decisões
15 Modelo de predição Varejo de Demanda Maior acurácia que Extreme Learning Machine Histórico de vendas, dados
com base em histórico moda Fast altamente volátil e modelos estatísticos (ELM) da internet (consumidores,
de vendas e dados de Fashion ciclo de vida muito tradicionais e tendências)
pesquisa na internet curto de produtos prever o ponto de
(Web search data) inflexão na
tendência popular
16 Metodologia para Varejo (com Previsão de Aumento Algoritmo Bayesian Network Tamanho da Região,
previsão de demanda depósitos de demanda de vários considerável do armazém, quantidade de
considerando vários produtos produtos e vários desempenho e clientes, tipo de produto
produtos e depósitos distribuídos depósitos acurácia das
regionalmente) previsões
17 Comparar técnicas Vendas de Alta dinâmica e Potencial de melhor Artificial Hydrocarbon Histórico de vendas online
tradicionais de Machine varejo online competição de previsão de vendas Networks (AHN) -
Learning com Artificial mercado aprendizado supervisionado
Hydrocarbon Networks
(AHN)
18 Previsão de demanda TV 3D Previsão de Acurácia da Multiple Linear Regression, K Dados de atributos de
pré-lançamento demanda para previsão de Nearest Neighbor Regression, produto e difusão de
novos produtos demanda Artificial Neural Networks, produto
Support Vector Regression,
Classification and Regression
Tree, Gaussian Process
Regression
19 Melhorar precisão da Varejo de Produtos altamente Melhorar eficácia Multivariable Adaptive Dados de vendas semanais e
previsão de vendas produtos de substituíveis com do gerenciamento Regression Splines (MARS) e indicadores técnicos de
computação mudanças drásticas de vendas Support Vector Regression mercado de ações
de demanda (SVR)
20 Algoritmo inteligente de Varejo de Pouco tempo para Previsão de Extreme Learning Machine Dados de venda reais e
previsão moda (vendas tomada de decisões demanda para (ELM) e Grey Model (GM) artificiais
rápidas) e previsões, dados modelo de moda
limitados rápida (fast fashion)
21 Modelo híbrido de Venda de Confiabilidade da Modelo de previsão Independent Component Dados de venda
previsão de vendas produtos de TI previsão de vendas melhor que os Analysis (ICA), K-Means
anteriores Clustering e Support Vector
Regression (SVR)
22 Previsão de venda com Varejo Previsão de vendas Previsão de Multivariate Intelligent Histórico de preço de venda,
multivariáveis baseado mais precisas reabastecimento Decision-Making Model estilo, material, estratégia de
em vendas antecipadas precisa melhorando (MID), Harmony Search- promoção, quantidade
a eficiência da Wrapper-Based Variable comprada,
cadeia de Selection (HWVS) e data de saída, vida útil,
suprimentos Multivariate Intelligent volume inicial de vendas,
Forecaster (MIF) clima, índice econômico
23 Revisão da literatura Varejo de Previsão de vendas Gestão apropriada Artificial NN (ANN) , Fuzzy, Dados de vendas,
sobre previsão de moda de produtos de de estoques Evolutionary NN (ENN), características de produtos,
vendas de varejo de muita volatilidade e Extreme Learning Machine tendências de moda
moda curto ciclo de vida (ELM), Extended ELM (EELM)
24 Previsão de vendas Venda de Demanda incerta, Acurácia, economia, Ensemble Empirical Model Dados de vendas dos
produtos de rápida competitividade, Decomposition (EEMD) e produtos
computação obsolescência. relacionamento Extreme Learning Machine
canal e satisfação (ELM)
de clientes
continua
554
Quadro 3 – Benefícios do Machine Learning para previsão de demanda.
continuação
Se Tipo de Desafios do Técnicas de Machine
Foco do artigo Benefícios Variáveis relevantes
q. Negócio Negócio Learning (ML)
25 Modelo de decisão Varejo Previsão de vendas Previsões Harmony Search-Wrapper- Vendas antecipadas, volumes
inteligente multivariada com base em superiores com based Variable Selection de venda de produtos
(MID) para previsão de vendas antecipadas Extreme Learning (HWVS) com Extreme
vendas Machine (ELM) Learning Machine (ELM)
26 Modelo híbrido para Venda de Acurácia na Superou outros Ensemble Empirical Model Dados de venda de produtos
previsão de vendas produtos de previsão de vendas quatro modelos de Decomposition (EEMD) e
computação previsão de vendas Extreme Learning Machine
de computadores (ELM)
27 Modelo de estimativa Leite e Cerveja Estimar vendas em Maior k-Nearest Neighbours, Dados de vendas, mudanças
de vendas promocionais ambiente complexo previsibilidade de General Regression Neural de preço, características de
utilizando técnicas de de atividades promoções Networks, Multilayer promoções
ML para produto promocionais (eficiência Perceptron (MLP), e Support
sazonal (cerveja) e não simultâneas e promocional) Vector Machines (SVM)
sazonal (leite) concorrentes
28 Combinação de técnicas Empresa de Dificuldade na Maior qualidade de Artificial Neural Network Demanda atual de seis
tradicionais e de produtos de previsão - estrutura previsão de vendas (ANN) e Support Vector produtos diferentes
Machine Learning para consumo complexa de (SVM melhor que Machine (SVM)
previsão de demanda produtos ANN e ARIMA)
29 Previsão de vendas Varejo de Grande variedade Previsão mais Extreme Learning Machine Volume de vendas, cores,
rápidas (fast sales) moda e Loja de produtos (SKUs) rápida (ELM) tamanho, preço
online de e necessidade de
moda previsão rápida
30 Integrar técnicas de Varejo Melhorar acurácia Melhora na acurácia Gray relation analysis (GRA) e Dados de vendas reais
Machine Learning com o da previsão de da previsão de Extreme Learning Machine
método Taguchi para vendas: satisfação vendas (ELM) ou GELM
previsão de vendas dos clientes, reduzir
destruição de
produtos, aumentar
receita e planejar a
produção.
Fonte: Autor
5. Considerações finais
555
Uma análise do Quadro 3 poderá sugerir novos temas de pesquisa sobre
os benefícios do Machine Learning para previsão de demanda, como para um
setor de negócios específico, produto, variáveis chave ou principais técnicas.
Temas adjacentes, excluídos do escopo desse trabalho, também poderão ser
objeto de estudo: análise de sentimentos internet, impacto na demanda por
avaliações de produtos, sugestão online de produtos com base no perfil do
consumidor e precificação em tempo real em sítios de comércio eletrônico.
Referências
CHOI, TM.; HUI, CL.; LIU, N.; NG, SF.; YU, Y. Fast fashion sales forecasting with
limited data and time. Decision Support Systems, v. 59, n. 1, p. 84-92, 2014.
CHUI M.; MANYIKA J.; MIREMADI M.; HENKE N.; CHUNG R.C.; NEL P.; MALHOTRA
S. Notes From The Ai Frontier: Insights From Hundreds Of Use Cases. Mckinsey
Global Institute, 2018.
DA SILVA, I.D.; MOURA, M.D.C.; DIDIER LINS, I.; LÓPEZ DROGUETT, E.; BRAGA,
E. Non-Stationary Demand Forecasting Based on Empirical Mode Decomposition and
Support Vector Machines. IEEE Latin America Transactions, 15 (9), art. no. 8015086,
p. 1785-1792, 2017.
FERREIRA K.J.; LEE B.H.A.; SIMCHI-LEVI D. Analytics for an online retailer: Demand
forecasting and price optimization. Institute for Operations Research and the
Management Sciences, v. 18, n. 1, p. 69-88, 2016.
GUO, Z.X.; WONG, W.K.; LI, M. A multivariate intelligent decision-making model for
retail sales forecasting. Decision Support Systems, v. 55, n. 1, p. 247-255, 2013.
LEE, T.-S.; LU, C.-J.; CHENG, T.-F. Hotel sales forecasting based on variable
selection techniques and extreme learning machine. Journal of Quality, 24 (6), p. 411,
2017.
LU, C.-J. Sales forecasting of computer products based on variable selection scheme
and support vector regression. Neurocomputing, n. 128, p. 491-499, 2014.
LU, C.-J.; SHAO, Y.E. Forecasting computer products sales by integrating ensemble
empirical mode decomposition and extreme learning machine. Mathematical Problems
in Engineering, art. no. 831201, 2012.
OCHIAI, K. Predictive analytics solution for fresh food demand using heterogeneous
mixture learning technology. NEC Technical Journal, v.10, n.1, p. 83-86, 2015.
YU Y.; CHOI T.-M.; HUI C.-L. An intelligent fast sales forecasting model for fashion
products. Expert Systems with Applications, v. 38, n. 6, p. 7373-7379, 2011.
556