Demand forecasting of fast moving consumer goods based on modeling of time series and deep learning methods
| Autor: | Valbuena Godoy, José Nicolás |
|---|---|
| Přispěvatelé: | Franco Triana, Hugo, Arias, Roberto |
| Jazyk: | angličtina |
| Rok vydání: | 2022 |
| Předmět: | |
| Zdroj: | Expeditio: repositorio UTadeo Universidad de Bogotá Jorge Tadeo Lozano instacron:Universidad de Bogotá Jorge Tadeo Lozano |
| Popis: | Demand forecasting has played an important role in organizations' ability to meet future customer requirements. In this way, current research is focused on the construction of models that reduce the margin of error in forecasting. However, most Colombian companies use classical models to project their demands, ignoring models based on Machine Learning and Deep Learning. This paper presents a comparison between the performance of a set of demand projection models for a group of Fast Moving Consumer Goods (FMCG) of the Cerescos S.A.S. company. Specifically, the demand data set for the company's goods and a set of macroeconomic variables for Colombia from 2015 to 2018, were used to forecast the demand for the first 21 weeks of 2019. After researching similar studies and analyzing FMCG demand behavior and time series, the forecasting models were chosen. Thus, Multiple Linear Regression, SARIMA-MLR and Recurrent Neural Networks (RNN) models are evaluated for each of the study goods based on 2019 actual data, using MSE, MAD, CFE, TS and MAPE as forecast error measures. According to the results, the RNN models with double LSTM layers present the highest forecasting performance for the 4 studied goods compared to the other models. Also, for inventory purposes, the use of the model with time series learning and multivariate learning is recommended. Finally, the performance of the models and their potential use for the forecasting of goods in Colombian companies is discussed. #Modelado 1 recurso en línea (archivo de texto) La previsión de la demanda ha desempeñado un papel importante en la capacidad de las organizaciones para satisfacer las necesidades futuras de los clientes. De esta manera, la investigación actual se centra en la construcción de modelos que reduzcan el margen de error en la previsión. Sin embargo, la mayoría de las empresas colombianas utilizan modelos clásicos para proyectar sus demandas, ignorando los modelos basados en Machine Learning y Deep Learning. En este trabajo presenta una comparación entre el desempeño de un conjunto de modelos de proyección de demanda para un grupo de Productos de Consumo de alta Rotación (Fast Moving Consumer Goods -FMCG) de la empresa Cerescos S.A.S. Específicamente, se utilizó el conjunto de datos de demanda de los bienes de la empresa y un conjunto de variables macroeconómicas para Colombia desde 2015 a 2018, para pronosticar la demanda de las primeras 21 semanas de 2019. Después de investigar estudios similares y analizar el comportamiento de la demanda de bienes de consumo y las series de tiempo, se eligieron los modelos de pronóstico. Así, se evalúan los modelos de Regresión Lineal Múltiple, SARIMA-MLR y Redes Neuronales Recurrentes para cada uno de los bienes de estudio con base en los datos reales de 2019, utilizando como medidas de error de pronóstico el MSE, MAD, CFE, TS y MAPE. Según los resultados, los modelos de Redes Neuronales Recurrentes con doble capa LSTM presentan el mayor rendimiento de previsión para los 4 bienes estudiados en comparación con los otros modelos. De igual manera, para los inventarios, se recomienda el uso de modelos de Redes Neuronales Recurrentes con aprendizaje de series temporales y aprendizaje multivariante. Finalmente, se discute el desempeño de los modelos y su potencial uso para el pronóstico de mercancías en empresas colombianas. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|