Previsão de vendas de peças de substituição para otimização da gestão de stock

Abstract

Este projeto tem como intuito prever o número de vendas de peças de substituição, associadas a equipamentos de termotecnologia, das próximas três semanas para a empresa Bosch Termotecnologia-Aveiro. Desta forma, a Bosch pode otimizar o planeamento de produção e stocks garantindo a satisfação do cliente final. A nossa abordagem ao problema consiste no estudo das séries temporais de vendas destas peças de substituição, construindo modelos matemáticos capazes de captar os padrões existentes nos dados. Os modelos utilizados cobrem um largo espetro de metodologias, por forma a acomodar diferentes tipos de séries temporais. Concretamente, utilizámos metodologias clássicas como o Autoregressive integrated moving average (ARIMA) e Holt-Winters, mas também métodos de aprendizagem supervisionada como o Support vector regression (SVR) e Extreme gradient boosting (XGBoost) e ainda modelos de redes neuronais, nomeadamente Multilayer perceptron (MLP), Convolutional neural network (CNN) e Long short-term memory (LSTM).

This project aims to forecast the number of sales of spare parts, linked to thermotechnology equipment, in the next three weeks for the company Bosch Thermotechnology-Aveiro. In this way, Bosch can optimize production planning, reducing production and storage costs. Our approach to the problem consists of studying the sales time series of these spare parts, in order to build mathematical models capable of capturing the patterns underlying in the data. The models used cover a wide spectrum of methodologies, with the purpose of fitting different types of time series. Specifically, we used classical methodologies such as ARIMA and Holt-Winters, but also supervised learning methods such as SVR and XGBoost and also deep learning approaches, namely MLP, CNN and LSTM.