Rede neural com conhecimento especializado para previsão de demanda intermitente

Abstract

A exatidão da previsão de demanda é essencial para um controle de estoque eficaz, visto que erros na previsão podem resultar em estoques excessivos ou na falta de material. Dentro dos tipos de previsão de demanda, destaca-se a intermitente, em que ocorre diversas demandas nulas. Os métodos de previsão mais utilizados para esse tipo de demanda se baseiam apenas no histórico da demanda, ignorando a sua causa. Dessa forma, este trabalho documenta a implementação de uma rede neural artificial com conhecimento especialista para demanda intermitente em uma empresa de manutenção, reparo e revisão. A pesquisa seguiu as cinco primeiras etapas da metodologia do CRISP-DM: Entendimento do Negócio, Entendimento dos Dados, Preparação dos Dados, Modelagem e Avaliação. As informações consideradas importantes para o comportamento da demanda foram convertidas em variáveis para a rede neural. Para avaliar o desempenho da rede neural proposta, esta foi comparada a onze métodos de previsão em relação a três medidas de exatidão. E para avaliar o impacto da rede no controle de estoque, foi desenvolvido um simulador de estoque a partir das informações da empresa. Os resultados mostraram que as redes neurais apresentam os menores erros absolutos na previsão de demanda e que tendem a subdimensionar a previsão. Essa tendência de subdimensionamento resulta em níveis de serviços e estoque médios menores e em custos de estoque maiores.