Services on Demand
Journal
Article
Indicators
- Cited by SciELO
- Access statistics
Related links
- Similars in SciELO
Share
RIDE. Revista Iberoamericana para la Investigación y el Desarrollo Educativo
On-line version ISSN 2007-7467
Abstract
FIERRO TORRES, César Ángel; CASTILLO PEREZ, Velia Herminia and TORRES SAUCEDO, Claudia Irene. Análise comparativa de modelos tradicionais e modernos de previsão de demanda: abordagens e características. RIDE. Rev. Iberoam. Investig. Desarro. Educ [online]. 2022, vol.12, n.24, e048. Epub July 25, 2022. ISSN 2007-7467. https://doi.org/10.23913/ride.v12i24.1203.
Na estatística inferencial, a previsão é um processo matemático pelo qual é feita uma estimativa do valor futuro de uma ou mais variáveis, como a demanda. O objetivo do presente trabalho de pesquisa documental foi definir a classificação dos principais tipos de previsões. Além disso, propor alguns dos modelos mais representativos atualmente utilizados para serem implementados por pequenas e médias empresas, aqueles que, com base na literatura consultada, possuem maior potencial para alcançar uma previsão de demanda bem-sucedida. Constatou-se que as previsões podem ser univariadas ou multivariadas; no entanto, para encontrar as alternativas que implicam no menor custo para a empresa para o processamento dos dados, foram considerados apenas modelos de previsão de séries temporais univariadas, uma vez que requerem apenas os dados históricos de vendas da empresa. Os modelos de previsão de séries temporais foram classificados em três abordagens: 1) estatística ou tradicional, sendo recomendado o modelo de Holt-Winters ou suavização exponencial tripla e o modelo integrado de médias móveis autorregressivas (Arima), 2) aprendizado de máquina, dos quais a floresta aleatória e o modelo de rede neural recorrente de grande memória de curto prazo (LSTM), 3) híbridos, dos quais foram sugeridos o modelo Arima-LSTM e o modelo Facebook Prophet.
Keywords : inferência estatística; inteligência artificial; previsão; séries temporais.