Sales forecast using meta-learning model as complementary to lean 4.0

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorBonamigo, Andrei-
Autor(es): dc.contributorhttp://lattes.cnpq.br/2076807729240444-
Autor(es): dc.contributorSabbadini, Francisco Santos-
Autor(es): dc.contributorhttp://lattes.cnpq.br/5738538687200129-
Autor(es): dc.contributorTortorella, Guilherme Luz-
Autor(es): dc.contributorhttp://lattes.cnpq.br/5104953457585951-
Autor(es): dc.contributorFerenhof, Helio Aisenberg-
Autor(es): dc.contributorhttp://lattes.cnpq.br/3922785222271134-
Autor(es): dc.contributorhttp://lattes.cnpq.br/0275515395424307-
Autor(es): dc.creatorLeo, Cicero Gomes-
Data de aceite: dc.date.accessioned2024-07-11T18:44:31Z-
Data de disponibilização: dc.date.available2024-07-11T18:44:31Z-
Data de envio: dc.date.issued2024-03-05-
Data de envio: dc.date.issued2024-03-05-
Fonte completa do material: dc.identifierhttp://app.uff.br/riuff/handle/1/32594-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/776603-
Descrição: dc.descriptionThe discoveries about Lean 4.0 are far from exhausted, but only some studies still empirically expose the application of meta-learning models in this context. Therefore, this study aims to recognize the complementarity between prediction models based on meta-learning algorithms and Lean 4.0 and empirically evaluate their performance. For this purpose, a systematic literature review was conducted using the Systematic Search Flow (SSF) method, recognizing the strengths and weaknesses of meta-learning models in relation to complementarity with Lean 4.0. It was possible to identify that companies more committed to Lean are more likely to implement Industry 4.0 technologies, just as greater engagement from senior leadership increases the chance of success in implementing such technologies. The FFORMA model (Feature-based FORecast Model Averaging) was selected based on previously established criteria and applied to data from a company in the metallurgical segment in Southeast Brazil. Time series augmentation using autoregressive Gaussian mixture (MAR) models were used to train the meta-learning model, aiming to improve the model learning experience and, therefore, improve forecasting performance. The results related to the model's prediction error performance showed that the combined prediction was inferior compared to the individual prediction methods used in the combination. Out of the 19-time series, the combined model performed well in only two-time series. However, applying the meta-learning model proved interesting when a financial analysis of the impact on the inventory was conducted. Significant opportunities for reducing excesses by up to 94% of the inventory were observed, in addition to the relationship with the strengths and weaknesses in the literature review. This research aims to provide a solution for organizations with problems associated with sales forecasting, pricing strategy, storage space allocation, inventory management, distribution, and replacement plans in the metallurgical sector. They need sales forecasting as an integral part of the decisionmaking process and contribute as a theoretical reference related to Lean 4.0 and meta-learning models.-
Descrição: dc.descriptionAs descobertas sobre o Lean 4.0 estão longe de se esgotarem, mas ainda existem poucos estudos que exponham empiricamente a aplicação de modelos de meta-aprendizagem neste tipo de contexto. Portanto, o objetivo deste estudo é reconhecer a complementaridade entre modelos de previsão baseados em algoritmos de meta-aprendizagem e Lean 4.0, e avaliar empiricamente seu desempenho. Para tanto, foi realizada uma revisão sistemática da literatura utilizando o método Systematic Search Flow (SSF), resultando no reconhecimento dos pontos fortes e fracos dos modelos de meta-aprendizagem em relação à complementaridade com o Lean 4.0. Foi possível identificar que empresas mais comprometidas com o Lean têm maiores chances de implementar as tecnologias da Indústria 4.0, assim como um maior engajamento da alta liderança aumenta a chance de sucesso na implementação de tais tecnologias. O modelo FFORMA (Feature-based FORecast Model Averaging) foi selecionado com base em critérios previamente estabelecidos e aplicado nos dados de uma empresa do segmento metalúrgico do Sudeste do Brasil. O aumento de séries temporais utilizando modelos de mistura gaussiana autorregressiva (MAR) foi utilizado para treinar o modelo de meta-aprendizagem, visando melhorar a experiência de aprendizagem do modelo e, portanto, melhorar o desempenho da previsão. Os resultados encontrados relacionados ao desempenho do erro de previsão do modelo mostraram que a previsão combinada foi inferior quando comparada aos métodos de previsão individuais utilizados na combinação de previsão. Das 19 séries temporais, o modelo combinado teve um bom desempenho em apenas 2 séries temporais. Contudo, a aplicação do modelo de meta-aprendizagem revelou-se interessante quando foi realizada uma análise financeira do impacto no inventário. Foram observadas oportunidades significativas de redução de excessos em até 94% do estoque, além da relação com os pontos fortes e fracos encontrados na revisão de literatura. Esta pesquisa pretende fornecer uma solução para organizações que apresentam problemas associados à previsão de vendas no setor metalúrgico, à estratégia de preços, à alocação de espaço de armazenamento, à gestão de inventário, à planos de distribuição e reposição. E que necessitam da previsão de vendas como parte integrante do processo de tomada de decisão, além de contribuir como referencial teórico relacionado ao Lean 4.0 e modelos de meta-aprendizagem.-
Descrição: dc.description89 p.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languageen-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectFFORMA-
Palavras-chave: dc.subjectLean 4.0-
Palavras-chave: dc.subjectMeta-learning-
Palavras-chave: dc.subjectForecast-
Palavras-chave: dc.subjectIndustria 4.0-
Palavras-chave: dc.subjectMeta- aprendizagem-
Palavras-chave: dc.subjectMétodo de previsão-
Palavras-chave: dc.subjectAlgoritmo-
Palavras-chave: dc.subjectProdução intelectual-
Palavras-chave: dc.subjectFFORMA-
Palavras-chave: dc.subjectLean 4.0-
Palavras-chave: dc.subjectMeta-aprendizado-
Palavras-chave: dc.subjectPrevisão-
Título: dc.titleSales forecast using meta-learning model as complementary to lean 4.0-
Tipo de arquivo: dc.typeDissertação-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.