Previsão de demanda hierárquica em uma fabricante de máquinas agrícolas

Abstract

Resumo: Esta dissertação propõe uma abordagem hierárquica para a previsão de demanda em uma fábrica de máquinas agrícolas. A previsão ocorre em três níveis interdependentes: família de máquinas, modelos de máquinas e opcionais. Inicialmente, são realizadas previsões para nove famílias de produtos, empregando cinco métodos distintos: Média Móvel Simples, Suavização Exponencial Simples, Holt-Winters, ARIMA e Perceptron Multicamadas. A melhor previsão para a família, determinada pelo Root Mean Square Error (RMSE), é então utilizada como entrada para prever os modelos de máquinas, juntamente com as séries temporais correspondentes, utilizando o método Perceptron Multicamadas. Essa previsão é, por sua vez, empregada como entrada no terceiro nível, para os opcionais, junto com as séries temporais respectivas, novamente utilizando o Perceptron Multicamadas. Os resultados em cada nível são avaliados através da métrica RMSE e comparados com as previsões da empresa. No primeiro nível, o modelo superou a empresa em sete das nove famílias, com uma média de redução de erro de 29%. No segundo nível, o modelo apresentou melhoria em seis famílias, com uma média de 7%. No terceiro nível, o modelo superou a empresa em oito famílias, com uma média de redução de RMSE de 19%.

Abstract: This study introduces a step-by-step approach for forecasting demand in an agricultural machinery factory. The forecasting process unfolds across three interconnected levels: machinery family, machine models, and optional features. Initially, predictions are made for nine product families using five distinct methods: Simple Moving Average, Simple Exponential Smoothing, Holt-Winters, ARIMA, and Multilayer Perceptron. The best product families forecast, determined by the Root Mean Square Error (RMSE), is then used as input to forecast machine models, alongside their corresponding time series, employing the Multilayer Perceptron method. This prediction is subsequently utilized as input for the third level, optional features, along with their respective time series, again using the Multilayer Perceptron. Results at each level are evaluated using the RMSE metric and compared against the company's forecasts. At the first level, the method outperformed the company in seven out of nine families, with an average error reduction of 29%. In the second level, the method showed improvement in six families, with an average of 7%. Finally, at the third level, the method surpassed the company in eight families, with an average RMSE reduction of 19%.