Diário Departamento 1-Drugstore Diário Departamento 2-Perecíveis
6.4.2 Produto: REFR COCA-COLA RETORNÁVEL
O produto REFR COCA-COLA RETORNÁVEL é considerado um chamariz, a falta dele no estoque provoca perdas em vendas segundo os responsáveis pelo SuperX. Porém apresenta margens de lucro muito baixas, ocupa muito espaço nas gondolas e estoques.
A analise das tabelas30,31e32mostram que os modelos ensemble Blending, possuem uma melhor performance quando analisada a métrica RMSE.
Tabela 30 – RMSE - REFR COCA-COLA RETORNÁVEL (periodicidade:mensal)
Fonte: Elaborado pelo autor
Tabela 31 – RMSE - REFR COCA-COLA RETORNÁVEL (periodicidade:semanal)
Fonte: Elaborado pelo autor
Tabela 32 – RMSE - REFR COCA-COLA RETORNÁVEL (periodicidade:diária)
Fonte: Elaborado pelo autor
A analise das métricas obtidas nos diferentes períodos processados, mostram que nos modelos híbridos os algoritmos com melhores resultados são:
a) Mensal: OLS (Ordinal Least Squere), SVM Linear e Rando Forest; b) Semanal: OLS (Ordinal Least Squere), SVM Linear e Rando Forest; c) Diário: OLS (Ordinal Least Squere), SVM Linear e KNN.
A analise dos gráfico exibidos nas Figura70,71e 72, mostram o comportamento do RMSE no cenário ensemble Blending.
108 Capítulo 6. Aprendizado de Máquina
Figura 70 – RMSE Previsão de demanda - REFR COCA-COLA RETORNÁVEL (periodicidade:mensal)
Fonte: Elaborado pelo autor
Figura 71 – RMSE Previsão de demanda - REFR COCA-COLA RETORNÁVEL (periodicidade:semanal)
Fonte: Elaborado pelo autor
Figura 72 – RMSE Previsão de demanda - REFR COCA-COLA RETORNÁVEL (periodicidade:diária)
6.4. Previsão de demanda 109
O APE (Absolute Percentage Error) para os melhores modelos utilizando blending é exibido nos gráficos abaixo:
Figura 73 – (%) de desvio absoluto da Previsão de demanda - REFR COCA-COLA RETORNÁVEL (periodicidade:mensal)
Fonte: Elaborado pelo autor
Figura 74 – (%) de desvio absoluto da Previsão de demanda - REFR COCA-COLA RETORNÁVEL (periodicidade:semanal)
Fonte: Elaborado pelo autor
Figura 75 – (%) de desvio absoluto da Previsão de demanda - REFR COCA-COLA RETORNÁVEL (periodicidade:diária)
110 Capítulo 6. Aprendizado de Máquina
6.4.3
Produto: MUSSARELA
A alta demanda do produto MUSSARELA em alguns períodos foi explicada pelos res- ponsáveis do SuperX como sendo resultado de um período de vendas promocionais, normalmente ele possui uma demanda uniforme associada a venda de produtos matinais.
A analise das tabelas33,34e35mostram que para o produto Mussarela a classificação dos modelos ensemble Blending, como possuidores de uma melhor performance quanta analisada a métrica RMSE.
Tabela 33 – RMSE - MUSSARELA (periodicidade:mensal)
Fonte: Elaborado pelo autor
Tabela 34 – RMSE - MUSSARELA (periodicidade:semanal)
Fonte: Elaborado pelo autor
Tabela 35 – RMSE - MUSSARELA (periodicidade:diária)
Fonte: Elaborado pelo autor
No cenário ensemble Blending os melhores algoritmos por dimensão temporal são:
a) Mensal: OLS (Ordinal Least Squere), SVM Linear e Rando Forest; b) Semanal: OLS (Ordinal Least Squere), SVM Linear e Rando Forest;
c) Diário: OLS (Ordinal Least Squere), SVM Linear e KNN.
A analise dos gráfico exibidos nas Figura76,77e78, mostram o comportamento dos valores do RMSE para os melhores modelos do cenário ensemble Blending.
6.4. Previsão de demanda 111
Figura 76 – RMSE Previsão de demanda - MUSSARELA (periodicidade:mensal)
Fonte: Elaborado pelo autor
Figura 77 – RMSE Previsão de demanda - MUSSARELA (periodicidade:semanal)
Fonte: Elaborado pelo autor
Figura 78 – RMSE Previsão de demanda - MUSSARELA (periodicidade:diária)
112 Capítulo 6. Aprendizado de Máquina
O APE (Absolute Percentage Error) para os melhores modelos utilizando blending é exibido nos gráficos abaixo:
Figura 79 – (%) de desvio absoluto da Previsão de demanda - MUSSARELA (periodicidade:mensal)
Fonte: Elaborado pelo autor
Figura 80 – (%) de desvio absoluto da Previsão de demanda - MUSSARELA (periodicidade:semanal)
Fonte: Elaborado pelo autor
Figura 81 – (%) de desvio absoluto da Previsão de demanda - MUSSARELA (periodicidade:diária)
6.5. Previsão de preço 113
6.5
Previsão de preço
Uma ferramenta de previsão de preço fornece ao administrador elementos para identificar oportunidades de ganhos com a formação de estoques especulativos, permitindo ao administrador capturar oportunidades de elevação de margem em produtos que têm um comportamento de preços sazonal. Ela ajuda a estabelecer pontos de alerta quando os preços praticados estão muito distantes do preços previstos.
6.5.1
Produto: FRANGO FILET
Em termos de faturamento é o 5oproduto em valor de vendas, porém não tem um bom acompanhamento quanto a precificação, o valor de venda é estabelecido em função do preço de compra.
A analise das tabelas36 e37 que contém o RMSE obtido com o processamento dos dados nas periodicidades mensal e semanal permite identificar que a semelhança da previsão de demanda o cenário ensemble Blending apresenta os algoritmos com melhor performance na métrica RMSE.
Tabela 36 – RMSE - Previsão de preço - FRANGO FILET (periodicidade:mensal)
Fonte: Elaborado pelo autor
Tabela 37 – RMSE - Previsão de preço - FRANGO FILET (periodicidade:semanal)
Fonte: Elaborado pelo autor
Dos quadros acima extrai-se que os melhores algoritmos são:
a) Mensal: OLS (Ordinal Least Squere), SVM Linear e Rando Forest;
b) Semanal: OLS (Ordinal Least Squere), SVM Linear e Rando Forest;
A analise dos gráfico exibidos nas Figura82e83, mostram o comportamento da métrica RMSE para o cenário ensemble Blending.
114 Capítulo 6. Aprendizado de Máquina
Figura 82 – RMSE Previsão de preço - FRANGO FILET (periodicidade:mensal)
Fonte: Elaborado pelo autor
Figura 83 – RMSE Previsão de preço - FRANGO FILET (periodicidade:semanal)
6.5. Previsão de preço 115
O APE (Absolute Percentage Error) para os melhores modelos utilizando blending é exibido nos gráficos abaixo:
Figura 84 – (%) de desvio absoluto da Previsão de preço - FRANGO FILET (periodicidade:mensal)
Fonte: Elaborado pelo autor
Figura 85 – (%) de desvio absoluto da Previsão de preço - FRANGO FILET (periodicidade:semanal)
116 Capítulo 6. Aprendizado de Máquina
6.5.2
Produto: BATATA LAVADA
Em termos de faturamento é o 22oproduto em valor de vendas, a precificação deste produto também é estabelecida em função do preço de compra. A analise das tabelas38e39que contém o RMSE obtido com o processamento dos dados nas periodicidades mensal e semanal identifica o cenário ensemble Blending como gerador de melhores resultados.
Tabela 38 – RMSE - Previsão de preço - BATATA LAVADA (periodicidade:mensal)
Fonte: Elaborado pelo autor
Tabela 39 – RMSE - Previsão de preço - BATATA LAVADA (periodicidade:semanal)
Fonte: Elaborado pelo autor
Os algoritmos com melhor resultado no cenário ensemble Blending são:
a) Mensal: OLS (Ordinal Least Squere), SVM Linear e Rando Forest;
b) Semanal: OLS (Ordinal Least Squere), SVM Linear e Rando Forest;
A analise dos gráfico exibidos nas Figura86e87, mostram o comportamento da métrica RMSE para o cenário ensemble Blending.
Figura 86 – RMSE Previsão de preço - BATATA LAVADA (periodicidade:mensal)
6.5. Previsão de preço 117
Figura 87 – RMSE Previsão de preço - BATATA LAVADA (periodicidade:semanal)
Fonte: Elaborado pelo autor
O APE (Absolute Percentage Error) para os melhores modelos utilizando blending é exibido nos gráficos abaixo:
Figura 88 – (%) de desvio absoluto da Previsão de preço - BATATA LAVADA (periodicidade:mensal)
Fonte: Elaborado pelo autor
Figura 89 – (%) de desvio absoluto da Previsão de preço - BATATA LAVADA (periodicidade:semanal)
118 Capítulo 6. Aprendizado de Máquina
6.5.3
Produto: BANANA NANICA
Em termos de faturamento é o 39oproduto em valor de vendas, e como os demais produtos analisados existe uma deficiência gerencial na atividade de precificação. A analise das tabelas40
e41permite identificar que o comportamento do produto BANANA NANICA é semelhante aos demais, repetindo uma melhor performance para o cenário ensemble Blending.
Tabela 40 – RMSE - Previsão de preço - BANANA NANICA (periodicidade:mensal)
Fonte: Elaborado pelo autor
Tabela 41 – RMSE - Previsão de preço - BANANA NANICA (periodicidade:semanal)
Fonte: Elaborado pelo autor
Os algoritmos com melhor resultado no cenário ensemble Blending são:
a) Mensal: OLS (Ordinal Least Squere), SVM Linear e Rando Forest;
b) Semanal: OLS (Ordinal Least Squere), SVM Linear e Rando Forest;
A analise dos gráfico exibidos nas Figura90e91, mostram o comportamento da metrica RMSE para para os melhores algoritmos no cenário ensemble Blending.
Figura 90 – RMSE Previsão de preço - BANANA NANICA (periodicidade:mensal)
6.5. Previsão de preço 119
Figura 91 – RMSE Previsão de preço - BANANA NANICA (periodicidade:semanal)
Fonte: Elaborado pelo autor
O APE (Absolute Percentage Error) para os melhores modelos utilizando blending é exibido nos gráficos abaixo:
Figura 92 – (%) de desvio absoluto da Previsão de preço - BANANA NANICA (periodicidade:mensal)
Fonte: Elaborado pelo autor
Figura 93 – (%) de desvio absoluto da Previsão de preço - BANANA NANICA (periodicidade:semanal)
120 Capítulo 6. Aprendizado de Máquina
6.6
Observações
O uso do motor de modelos permite explorar os melhores algoritmos para uma determi- nada configuração do problema. A dimensão temporal (diaria, semanal, mensal, etc.), a dimensão do produto (grau de agregação das informações, loja, departamento, seção, produto, etc.) e o objetivo do modelo (predição de valor de venda, quantidade a ser vendida, ou preço de venda) tem impactsm de maneira diversa em cada um dos algoritmos.
O uso do ensemble mostrou ser extremamente eficaz em melhorar os resultados da métrica de avaliação dos modelos, ficando claro que o método do ensemble que apresenta os melhores resultados é determinado pela configuração do problema.
Fica caracterizado que o algoritmo MLP (Multi-layer perceptron) possui a pior perfor- mance de forma consistente em relação aos demais algoritmos.
Para a atividades de desenvolvimento do motor de modelos foram codificados os seguintes programas:
Tabela 42 – Lista de artefatos codigo f onte − AnaliseMultivariada
Programa Descrição resumida
P040_CalculaFrequencia_V1 Executa o pré-processamento dos dados.
P041_DefineAtributos_V1 Cálculo da correlação e regressão linear dos dados.
P042_ResumirDados_V1 Cálculo dos diversos métodos de componenetes principais. P043_SeriesTemporais_V1 Análise de agrupamento.
P044_AvaliaModelos_V1 Cálculo dos diversos métodos de componenetes principais. P045_ProcessarModelos_V1 Análise de agrupamento.
121
CAPÍTULO