Uma estrutura baseada em aprendizado de máquina para prever vendas de novos produtos com ciclos de vida curtos utilizando redes neurais profundas

A previsão de demanda está se tornando cada vez mais importante à medida que as empresas lançam novos produtos com ciclos de vida curtos com mais frequência. Este artigo fornece uma estrutura baseada em técnicas de ponta que permite que as empresas usem métodos quantitativos para prever vendas de produtos recém-lançados e de curta duração que sejam semelhantes a produtos anteriores, quando há disponibilidade limitada de dados históricos de vendas para o novo produto. Além de explorar dados históricos por meio de agrupamento de séries temporais, realizamos uma ampliação de dados para gerar dados de vendas suficientes e consideramos dois métodos de atribuição de clusters quantitativos. Aplicamos um método estatístico tradicional (ARIMAX) e três métodos de aprendizado de máquina baseados em redes neurais profundas (DNNs) – memória de longo e curto prazo, unidades recorrentes com porta e redes neurais convolucionais. Usando dois grandes conjuntos de dados, investigamos o desempenho comparativo dos métodos de previsão e, para o maior conjunto de dados, mostramos que o agrupamento geralmente resulta em erros de previsão substancialmente menores. Nossa principal descoberta empírica é que o ARIMAX simples supera consideravelmente as DNNs mais avançadas, com erros absolutos médios até 21%–24% menores. No entanto, ao adicionar ruído branco gaussiano em nossa análise de robustez, encontramos que o desempenho do ARIMAX se deteriora dramaticamente, enquanto os DNNs considerados demonstram desempenho robusto. Nossos resultados fornecem insights para praticantes sobre quando usar métodos avançados de aprendizado profundo e quando usar métodos tradicionais.