Previsões da procura numa empresa do setor têxtil e do vestuário

Abstract

A indústria têxtil e do vestuário é caracterizada, maioritariamente, pela volatilidade da sua procura, os curtos ciclos de vida dos produtos, a grande variedade de produtos com dados históricos de vendas limitados e por um processo de transformação até ao produto final composto por diferentes estágios, envolvendo diversas empresas distanciadas geograficamente. Destas características advêm a complexidade e a grande importância associadas às previsões da procura para empresas que se encontram inseridas neste tipo de indústria, estando o seu desempenho organizacional fortemente dependente da precisão destas previsões. O presente projeto de dissertação foi desenvolvido numa empresa inserida na têxtil-vestuário, Linhas, S.A., cuja atividade principal passa pela fabricação de linhas de costura. A previsão da procura tem vindo a ser baseada em modelos de previsão desadequados, o que se tem traduzindo em ineficiências para a empresa. Neste sentido, definiu-se como principal objetivo a estimação de modelos de previsão da procura mais indicados para os diferentes artigos produzidos pela Linhas, S.A.. Ao longo do projeto foram aplicados diferentes modelos de previsão da procura às dez séries alvo de análise. Pelos resultados obtidos na aplicação destes modelos, não foi possível definir apenas um modelo que melhor se comportasse para todos os casos. Em particular, dependendo da família e subfamília em estudo, obtiveram-se em alguns casos melhores resultados com modelos estatísticos e em outros com modelos de inteligência artificial. Dos modelos estatísticos aplicados, destaca-se o comportamento do modelo de alisamento exponencial Holt-Winters aditivo para 50% das séries. Por outro lado, salienta-se o comportamento do modelo de alisamento exponencial simples para 10% das séries, assim como do sNaïve. Além disso, a aplicação do modelo Extreme Learning Machines, modelo de inteligência artificial, obteve um melhor comportamento para 30% das séries em análise. Neste seguimento, conclui-se que em 70% das séries os modelos de previsão estatísticos são os mais bem-comportados, podendo este comportamento ser justificado, maioritariamente, pela consideração apenas das variáveis vendas e tempo para o estudo.

The textile and clothing industry is mainly characterized by the volatility of its demand, the short product life cycles, the wide variety of products with limited historical sales data and by a multiple stage transformation process, involving several geographically distant companies, till the final product is obtained. From these characteristics, come the complexity and the great importance associated with demand forecasts for companies that are inserted in this type of industry, as their organizational performance is strongly dependent on the accuracy of these forecasts. The present dissertation project was developed in a company inserted in the textile-clothing industry, Linhas, S.A., whose main activity is the manufacture of sewing threads. Demand forecasting has been based on inadequate forecasting models, which has resulted in inefficiencies for the company. In this sense, the main objective was defined to estimate the most suitable demand forecast models for the different articles produced by Linhas, S.A.. Throughout the project, different demand forecast models were applied to the ten series targeted for analysis. Due to the results obtained in the application of these models, it was not possible to define only one model that would behave best for all cases. In particular, depending on the family and subfamily under study, better results were obtained in some cases with statistical models and in others with artificial intelligence models. Of the applied statistical models, the behaviour of the additive Holt-Winters exponential smoothing model for 50% of the series stands out. On the other hand, the behaviour of the simple exponential smoothing model for 10% of the series, as well as sNaïve, is highlighted. In addition, the application of the Extreme Learning Machines model, an artificial intelligence model, obtained a better behaviour for 30% of the series under analysis. In this follow-up, it is concluded that in 70% of the series the statistical forecast models are the best behaved, and this behaviour can be justified, mainly, by the consideration of only the sales and time variables for the study.