Uma aplicação de machine learning na previsão de vendas no segmento de varejo

Abstract

O presente trabalho tem por objetivo desenvolver um protótipo de solução computacional, baseado em aprendizado de máquina, capaz de prever a receita com a venda de produtos no segmento varejista brasileiro. A metodologia usada foi DSRM, definida como um processo de resolução de problemas que permite aos pesquisadores adquirir conhecimento e compreensão de um domínio de problema e a sua solução por meio da criação e aplicação de artefatos. Esta pesquisa propôs um novo método multidisciplinar para realização de experimentos em Inteligência Computacional, cujo qual foi implementado por meio de algumas bibliotecas disponíveis na linguagem Python. Seis algoritmos de inteligência computacional com base em regressão linear e cinco conjuntos de dados representando o histórico de vendas de diferentes produtos foram usados nesse sentido. Diferentes modificações críticas foram propostas e testadas em várias fases do método publicado anteriormente por Tsiliki, e os resultados obtidos foram relevantes. Pelos resultados apresentados, fica evidenciado que não existe um algoritmo melhor do que outro, ou seja, o comportamento dos dados e a correlação entre suas variáveis irá influenciar diretamente na obtenção do melhor modelo para um produto específico. Desta forma o protótipo de solução computacional resultante desta pesquisa é útil e relevante pois indica ao pesquisador qual o melhor o modelo para cada tipo de produto. Linha de Pesquisa: Sistemas de Informação e Tecnologias Digitais. Projeto de Pesquisa: Tecnologias Digitais em Sistemas Produtivos.

This work aims to develop a prototype computational solution, based on machine learning, capable of predicting revenue from the sale of products in the Brazilian retail segment. The methodology used was DSRM, defined as a problem-solving process that allows researchers to acquire knowledge and understanding of a problem domain and its solution through the creation and application of artifacts. This research proposed a new multidisciplinary method for carrying out experiments in Computational Intelligence, which was implemented through some libraries available in the Python language. Six computational intelligence algorithms based on linear regression and five datasets representing the sales history of different products were used in this regard. Different critical modifications were proposed and tested in several phases of the previously published method by Tsiliki, and the obtained results were relevant. From the results presented, it is evident that there is no better algorithm than another, that is, the behaviour of the data and the correlation between its variables will directly influence the obtaining of the best model for a specific product. Thus, the prototype computational solution resulting from this research is useful and relevant as it indicates to the researcher which model is best for each type of product. Line of Research: Information Systems and Digital Technologies. Research Project: Digital Technologies in Productive Systems.