[en] E-COMMERCE SALES FORECASTING USING STATISTICAL MODELS AND MACHINE LEARNING METHOD

[pt] PREVISÃO DE VENDAS DO E-COMMERCE USANDO MODELOS ESTATÍSTICOS E METODOS DE MACHINE LEARNING

[pt] JOAO PEDRO JESUS DE ABREU MARTINEZ

[pt] SKU

[pt] APRENDIZADO DE MAQUINA

[pt] MODELO ESTATISTICO

[pt] PREVISAO DE VENDAS

[pt] E-COMMERCE

[en] SKU

[en] MACHINE LEARNING

[en] STATISTICAL MODEL

[en] SALES FORCASTING

[en] E-COMMERCE

[pt] Neste projeto investigou-se a acurácia preditiva de modelos estatísticos e métodos de machine learning aplicados a cinco séries temporais horárias de quantidade vendida, provenientes de um e-commerce varejista. Os modelos selecionados foram regressão dinamica estimada por mínimos quadrados ordinários (MQO), Lasso e AdaLasso, além do método random forest. A acurácia preditiva foi investigada nos horizontes de previsão de 1 a 12 horas a frente, utilizando as métricas MAE e RMSE. Os resultados apontaram os modelos da família Lasso como aqueles de melhor desempenho conforme a métrica MAE. No caso do RMSE, verificou-se os melhores resultados associados ao modelo de regressão dinâmica que incorpora termos auto regressivos da quantidade vendida e variáveis dummy (RegrDin(3)). A implementação ao computacional dos modelos foi realizada utilizando as ˜ linguagens de programação Python e R.

[en] In this project, the predictive accuracy of statistical models and machine learning methods applied to five hourly time series of sales quantity from a retail e-commerce was investigated. The selected models included dynamic regression estimated by ordinary least squares (OLS), Lasso, and AdaLasso, in addition to the random forest method. Predictive accuracy was assessed for forecast horizons ranging from 1 to 12 hours ahead, using the MAE and RMSE metrics. The results indicated that models from the Lasso family exhibited superior performance according to the MAE metric. Regarding RMSE, the best results were associated with the dynamic regression model that incorporates autoregressive terms of the sales quantity and dummy variables (RegrDin(3)). The computational implementation of the models was carried out using the programming languages Python and R.

CRISTIANO AUGUSTO COELHO FERNANDES

2024-03-19

[pt] TEXTO

application/pdf

PORTUGUÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=66253@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=66253@2

https://doi.org/10.17771/PUCRio.acad.66253