Previsão de demanda através da utilização de ferramentas de inteligência artificial

Página do item simplificado
dc.contributor.advisorLima, Fabiopt_BR
dc.contributor.advisorLatteshttp://lattes.cnpq.br/9412702090741354pt_BR
dc.contributor.advisorOrcidhttps://orcid.org/0000-0002-5500-3191pt_BR
dc.contributor.authorFaccin, Gabriel Lucas
dc.contributor.authorCitta, Ignacio
dc.contributor.authorAntonio, Leonardo Formenti
dc.contributor.authorda Silva, Marcella Monteiro
dc.date.accessioned2021-06-29T18:57:21Z
dc.date.available2021-06-29T18:57:21Z
dc.date.issued2020-06-17
dc.description.abstractCom o intuito de buscar cada vez mais vantagens competitivas frente ao mercado, as organizações vêm buscando ferramentas gerenciais, e até mesmo mudanças em seus processos, para otimizar suas produções. A projeção de demanda, por exemplo, é uma das ferramentas utilizadas para diminuir o estoque excessivo e, consequentemente, diminuir o capital de giro imobilizado. No entanto, as previsões estão sujeitas a erros e é de extrema importância escolher o método mais adequado de acordo com as características dos dados da organização. Para a realização do presente trabalho, será utilizada uma base de dados com variados SKUs (Stock Keeping Units) de uma empresa paulista de componentes eletrônicos. Diversos métodos são tradicionalmente utilizados para a projeção como por exemplo: Séries temporais, ARIMA, SARIMA, Suavização Exponencial Simples, Holt Winter, Croston, etc e, recentemente, métodos baseados em aprendizagem de máquina têm ganhado força também através da utilização das redes neurais. Este trabalho utiliza as técnicas mencionadas acima com o intuito de verificar qual modelo mais adequado para a projeção de demanda dos componentes eletrônicos da empresa estudada.pt_BR
dc.description.abstractWith the purpose of achieving more and more competitive vantages in order to satisfy a growing market, organizations have been looking to management tools and even considering changes in their processes in order to optimize production. One of these tools is the demand forecasting, which is utilized to reduce the overstock and consequently decreasing the fixed working capital. However, these forecasts are vulnerable to errors and it is extremely important that the most suitable method is chosen according to the characteristics of the organization data. To carry out the present work, a database containing several SKUs (Stock Keeping Units) of an electronic components companybased in Mogi Mirim. Various methods are traditionally utilized for the projection, such as time series, ARIMA, SARIMA, Simple exponential smoothing, Holt Winter, Croston, etc and more recently, methods based on machine learning have been gaining strength throught the utilization of neural networks. The present work utilizes the techniques mentioned above with thepurpose of asserting which model is most suitable for the demand forecastingof the electronic components company studied.en
dc.description.sponsorshipNão houve.pt_BR
dc.format.extent90pt_BR
dc.identifier.urihttps://repositorio.fei.edu.br/handle/FEI/3247
dc.language.isopt_BRpt_BR
dc.rightsAbertopt_BR
dc.subjectPrevisão de demandapt_BR
dc.subjectInteligência artificialpt_BR
dc.subjectDemand Forecastingpt_BR
dc.subjectArtificial Intelligencept_BR
dc.subjectDeep Learningpt_BR
dc.titlePrevisão de demanda através da utilização de ferramentas de inteligência artificialpt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
fei.date.entrega2020pt_BR
Arquivos
Pacote Original
Agora exibindo 1 - 3 de 3
Imagem de Miniatura
Nome:
TCC_PREVISAO DE DEMANDA ATRAVÉS DA UTILIZAÇÃO DE FERRAMENTAS DE INTELIGÊNCIA ARTIFICIAL.pdf
Tamanho:
1.44 MB
Formato:
Adobe Portable Document Format
Descrição:
Texto completo
Baixar
Nenhuma Miniatura disponível
Nome:
FICHA DE AVALIAÇÃO DE TCC.pdf
Tamanho:
190.8 KB
Formato:
Adobe Portable Document Format
Descrição:
FICHA DE AVALIAÇÃO
Baixar
Nenhuma Miniatura disponível
Nome:
Autorização - Biblioteca.pdf
Tamanho:
122.44 KB
Formato:
Adobe Portable Document Format
Descrição:
AUTORIZAÇÃO PARA PUBLICAÇÃO
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar
Coleções
Trabalhos de Conclusão de Curso