Melhoria de um processo de previsão de volumes vendidos de combustível Prio

Abstract

Este projeto teve como principal objetivo a melhoria do processo de previsão de vendas nas bombas de combustível na Prio Energy, com base em estudos de tráfego e captação. Como objetivos específicos: estudaram-se os fatores com capacidade de previsão nas vendas referidas, definiram-se novas categorias para as variáveis utilizadas na previsão e agruparam-se postos com base na sua similaridade. Após uma análise exploratória de dados inicial, que permitiu uma caraterização das variáveis utilizadas, foram usados modelos de Regressão Simples, Múltipla, Logística, Árvores de Regressão (com recurso à linguagem R) e Análise de Clusters. Os dados referem-se a cerca de 90 (dos seus 258) postos de combustível, no ano de 2019, tendo sido analisados, entre outros, os fatores que influenciam o volume de vendas, comparando-se as variáveis utilizadas então pela empresa (R²=63%) e o novo conjunto de variáveis proposto (R²=77%), que revela um ganho na explicação do modelo de regressão utilizado. Também se determinaram, para a variável dependente volume de vendas, melhores categorias que as atuais (com mais capacidade preditiva, valores de R² mais elevados) para variáveis independentes como: densidade populacional, poder de compra, distância à via arterial e número de postos com desconto a menos de 10Km. Foi ainda proposta uma nova classificação dos postos e caraterizado o perfil dos respetivos clusters, verificando-se uma classificação correta de aproximadamente 88% dos postos. Como trabalho futuro sugere-se a utilização desta metodologia numa rede de postos mais alargada da empresa, melhorando, a nível geral, a previsão de vendas.

The main objective of this project was to improve the sales forecasting process at Prio Energy’s fuel pumps, based on traffic and capture studies. As specific objectives: the factors with predictive capacity in the referred sales were studied, new categories were defined for the variables used in the forecast and fuel pumps were grouped based on their similarity. After an initial exploratory data analysis, which allowed a characterization of the variables used, Simple, Multiple, Logistics, Regression Trees (using the R language) and Cluster Analysis models were used. The data refer to about 90 (of its 258) gas stations, in the year 2019, having analyzed, among others, the factors influencing sales volume, comparing the variables used by the company at the time (R²=63%) and the new set of variables proposed (R²=77%), which reveals a gain in the explanation of the regression model used. It was also determined, for the dependent variable sales volume, better categories than the current ones (with more predictive capacity, higher R² values) for independent variables such as: population density, purchasing power, distance to the arterial route and number of service stations with discount near than 10Km. A new classification of the gas stations was also proposed and the profile of the respective clusters was characterized, with a correct classification of approximately 88% of the gas stations. As future work, we suggest the use of this methodology in a wider network of the fuel pumps in the company, improving, in general, the sales forecast.