Exploração de Séries Temporais em Processos de Previsão de Vendas

Hélder Borges, Orlando Belo

Resumo


Em qualquer meio empresarial as vendas são uma das áreas de atividade mais críticas. A utilização de técnicas de apoio a decisão para aumentar o volume de vendas é algo a que os agentes de decisão das empresas recorrem frequentemente. A previsão de vendas é uma dessas técnicas, talvez mesmo uma das mais utilizadas. Os dados das vendas de uma empresa podem ser vistos como séries temporais, o que torna possível a aplicação de técnicas de mineração de dados em cenários típicos de previsão. Usualmente, os modelos   de previsão são desenvolvidos especificamente para cada empresa em particular, requerendo a elaboração de modelos e aplicação de técnicas de mineração que acompanhem e satisfaçam tanto os seus requisitos operacionais como de suporte à decisão. Este artigo foca-se na exploração de modelos de mineração de dados baseados nos algoritmos ARIMA e ARTXP num cenário específico de vendas empresarial. Os resultados que foram obtidos permitem concluir que é possível realizar uma previsão de vendas com um erro percentual absoluto médio aceitável, para uma situação em que se prefira a redução dos custos de adaptação de modelos em relação à melhoria do desempenho da previsão através de modelos específicos.


Texto Completo:

PDF (English)

Referências


Bose, I., Mahapatra, R. K., Business Data Mining – A Machine Learning Prespective, Information & Management, Volume: 39 Issue: 3 pp.211-225, 2001.

Box, G., Jenkins, G., Time Series Analysis, Forecasting and ControlHolden-Day, San Francisco, CA (1970)

Box, G., Jenkins, G., Andreinsel, G., Time Series Analysis: Forecasting and Control, Wiley, 4 edition, 2008.

Chereb, D., Does Data Mining Improves Business Forecasting?, The 18th International Symposium on Forecasting, Edinburgh, Scotland, 1998.

Demuth, H & Beale, M, 2004, Neural Network Toolbox for Use with

MATLAB,. The mathworks inc.,Natick, MA.

Geurts, P., Pattern extraction for time series classification, In Proceedings of the 5th European Conference on Principles of Data Mining and Knowledge Discovery (PKDD '01), Luc De Raedt and Arno

Siebes (Eds.). Springer-Verlag, London, UK, UK, 115-127, 2001.

Keogh, E., Kasetty, S., On the need for time series data mining benchmarks: a survey and empirical demonstration. In Proceedings of the eighth ACM SIGKDD international conference on Knowledge discovery and data mining (KDD '02). ACM, New York, NY, USA, 102-111, 2002

Lewis,P.. Ray, B. e Stevens, J. 1994. Modeling time series by using mars. In Timeseries prediction, pages 297-318. AddisonWesley, New York, 1994.

Lin MI, Groves WA, Freivalds A, Lee EG, Harper M., Comparison of artificial neural network (ANN) and partial least squares (PLS) regression models for predicting respiratory ventilation: an exploratory study, Eur J Appl Physiol, 112(5):1603-11, 2012.

Makridakis, S., Wheelwright, S., Hyndman, R., Forecasting: Methods and Applications, John Wiley & Sons Inc., 1998.

Meek, C., Chickering, D., Heckerman, D.,, “Autoregressive Tree Models for Time-Series Analysis,” Proc. Second SIAM Int'l Conf. Data Mining (SDM '02), 2002.

Ratanamahatana, C., Lin, J., Gunopulos, D., Keogh, E., Vlachos, M., Das, G., Mining Time Series Data, Data Mining and KNowledge

Discovery Handbook, pp 1049-1077, 2010.

SQL Server 2013. Microsoft SQL Server Analysis Services [online] Disponível em: http://www.microsoft.com/en-us/sqlserver/solutions-technologies/business- intelligence/analysis.aspx [Acedido em 18 de Junho de 2013].

Shatkay, H. Zdonik, S., Approximate Queries and Representations for Large Data Sequences.

Proc. of the Int. Conf. on Data Engineering (ICDE), pp. 536-545, 1996.

Song, H., LI, G., Tourism demand modelling and forecasting – A review of recent research, Tourism Management 29, no. 2, 203-220, 2008.

Tsaih, R., Hsu, Y., Lai, C., Forecasting S&P 500 stock index futures with a hybrid AI system, Decision Support Syst., 23, pp. 161–174, 1998.

Valipour, M., Banihabib, M. E., & Behbahani, S. M. R., Comparison of the ARMA, ARIMA, and the autoregressive artificial neural network models in forecasting the monthly inflow of Dez dam reservoir. Journal of Hydrology, 2012.




DOI: http://dx.doi.org/10.18803/capsi.v13.%25p

Apontamentos

  • Não há apontamentos.