Exploração de séries temporais em processos de previsão de vendas

Abstract

Na maior parte das empresas do mundo o seu objetivo final é gerar lucro. Existindo diversas formas de atingir esse objetivo, as vendas de produto, quer sejam físicos ou intelectuais, continuam a ser a maior fonte de rendimento mesmo num mundo em constante mudança. Desta forma, é importante para os agentes de decisão das empresas conseguirem controlar os valores das suas vendas, para assim perceberem a “saúde” da sua empresa e a definirem os próximos passos. Uma das técnicas de suporte à tomada de decisão que os agentes de decisão têm ao seu dispor é a previsão de vendas. As vendas podem ser vistas como uma série temporal em que se agregam os valores e números de itens vendidos num determinado período de tempo. Desta forma, é possível utilizar técnicas de Data Mining com capacidade para processar séries temporais de modo a realizar previsão de vendas. Usualmente, para cada empresa, é necessário adaptar os algoritmos de Data Mining à sua realidade de forma a ser possível a previsão de vendas, levando assim a processos morosos de adaptação de algoritmos e que acarretam elevados custos. O objetivo deste projeto passa, por utilizar apenas um algoritmo de Data Mining que, sem parametrização alguma, consiga obter a melhor previsão de vendas possível para quatro empresas com diferentes características. Assim, serão explorados os resultados que os modelos ARIMA, ARTXP, ARXTP + ARIMA, NN e SVM conseguem obter na realização de previsões tendo em conta as características das empresas. Também será considerada a combinação da utilização de variáveis internas e externas às empresas, juntamente com os seus valores mensais de vendas. No final, são apresentados resultados que permitem identificar o algoritmo de SVM como um algoritmo com boa capacidade de generalização no qual é possível obter resultados com baixa margem de erro na análise global às quatro previsões.

For most of the world enterprises, the final goal is profit. With a vast variety of ways to accomplish this goal, no matter if it is a sale of a physical product or an intellectual one, one of the best ways to achieve it is through sales. This way, is important for managers to know how enterprise sales are going for decision making purposes. One of the most common techniques used by decision makers is sales forecast. Sales can be seen as a time series of sales value which happen s at the same instant of time. This let us use Data Mining techniques with capability to process time series to generate sales forecasts. Usually for each enterprise it is needed to create a Data Mining model adapted to those enterprise characteristics, leading to long processes of algorithms adaptation and big resources waste. This thesis focuses on searching for an algorithm with capability to generalize and make good sales forecast over different enterprise without any model adaptation. Different Data Mining models will be explored mainly ARIMA, ERXTP, ARIMA + ARTP, NN and SVM models to find which one can obtain better forecast performance (smaller error value). Will also be considered the combination of internal and external variables along with sales values to help at the forecast process. At the end results will be shown proving that the SVM algorithm have a good generalization capability which allow him to get results with a low error of forecasting at sales forecast for all the enterprises.