Data mining e machine learning: aplicação em reaproveitamento de stock

Abstract

O desenvolvimento da tecnologia de informação gerou uma elevada quantidade de dados. Com este progresso, torna-se fulcral fornecer suporte ao agente de decisão através de análises estruturadas e em tempo real. Assim, instaura-se a necessidade de recorrer a técnicas de análise de dados que, a um nível estratégico, possibilitem estabelecer metas empresariais adequadas, e a nível operacional, auxiliem nas atividades funcionais da organização. No quotidiano industrial, uma gestão de stock ineficiente e desajustada da realidade pode induzir a empresa em custos extraordinários. A presente dissertação aborda esta problemática para o universo de produção de bicicletas em Portugal pela Decathlon. Onde, o objetivo crucial incide na implementação de um sistema de apoio à decisão capaz de estabelecer padrões entre os dados e aprender de forma automática a analisar e associar diferentes tipos de componentes de uma bicicleta, de modo a usufruir do stock excedentário. A metodologia implementada, com vista a obtenção do objetivo principal, inicialmente, recai sobre a implementação de métodos de Machine Learning que permitem transformar dados brutos em informação. Neste caso, a análise remete à tipologia de aprendizagem supervisionada para dados multiclasse e culmina no desenvolvimento de uma ferramenta de apoio ao agente de decisão. De modo a averiguar o melhor modelo mais indicado para responder à presente problemática foram implementados três modelos, Decision Tree, Random Forest, Artificial Neural Network. O modelo em rede apresenta, de forma geral, melhores resultados para os cenários desenvolvidos em comparação com os restantes modelos. Assim, a classificação dos componentes por tipologia incorre numa precisão de, aproximadamente, 95%. Relativamente, à previsão de consumo médio do stock excedentário é de aproximadamente 85% num horizonte temporal de 5 anos.

The development of information technology has generated a high amount of data, making it crucial to provide support to the decision agent through structured analysis in real-time. Thus, the need to implement data storage and analysis systems to support decision-making is required. At a strategic level, these systems can establish appropriate business goals, and at an operational level, they can assist the organization's functional activities. In everyday industrial life, inefficient stock management and misadjusted to reality can induce the company in extraordinary costs. This dissertation addresses this issue for the universe of bicycle production in Portugal by Decathlon. Where the crucial objective is the implementation of a system capable of establishing patterns between data and learning automatically to analyze and associate different types of components of a bicycle to take advantage of excess stock. The methodology implemented, to obtain the main objective, initially falls on the implementation of Machine Learning methods that allow transforming raw data into information. In this case, the analysis refers to the supervised learning typology for multiclass data and culminates in the development of a decision support tool. To find the best model to respond to the present problem, three models were implemented, Decision Tree, Random Forest, Artificial Neural Network. The network model presents better results, in general, for the different scenarios compared to the other models. Thus, the classification of components by typology incurs an accuracy of approximately 95%. Relatively, the forecast of the average consumption of the surplus stock is approximately 85% in a time horizon of 5 years.