[pt] DESENVOLVIMENTO DE UM SISTEMA DE PREVISÃO DE DEMANDA MULTI ITEM BASEADO EM MACHINE LEARNING E ANÁLISE MULTICRITÉRIO NO CONTEXTO DO PCP 4.0: UMA ABORDAGEM SOB A ÓTICA DA OIPT

[en] DEVELOPMENT OF A MULTI-ITEM DEMAND FORECASTING SYSTEM BASED ON MACHINE LEARNING AND MULTICRITERIA ANALYSIS IN THE CONTEXT OF PCP 4.0: AN OIPT BASED APPROACH

[pt] JOAO LUIS RACT DE ALMEIDA PEREIRA

[pt] PREVISAO DE DEMANDA

[pt] ANALISE MULTICRITERIO

[pt] SISTEMA DE APOIO A DECISAO

[pt] INTELIGENCIA ARTIFICIAL

[en] DEMAND FORECAST

[en] MULTICRITERIA ANALYZES

[en] DECISION SUPPORT SYSTEM

[en] ARTIFICIAL INTELLIGENCE

[pt] A previsão de demanda ocupa papel central na gestão da cadeia de suprimentos e no Planejamento e Controle da Produção (PCP), especialmente em ambientes marcados por alta incerteza, volatilidade e complexidade, como aqueles associados à Indústria 4.0 e ao PCP 4.0. Neste contexto, modelos estatísticos clássicos, embora amplamente utilizados, mostram limitações para lidar com múltiplos padrões sazonais, relações não lineares e grande volume de dados e variáveis exógenas. Amparado pela Teoria do Processamento de Informação Organizacional (OIPT), este trabalho parte da premissa de que a seleção de modelos de previsão deve estar alinhada ao nível de incerteza da demanda e à capacidade de processamento de informação da organização, buscando um fit entre complexidade da tarefa e sofisticação analítica da ferramenta. Por meio da metodologia de Design Science Research, é desenvolvido um artefato computacional sob a forma de um Sistema de Apoio à Decisão (SAD) que integra: (i) um pipeline de previsão de demanda multi–item, combinando modelos estatísticos e de Machine Learning; e (ii) um módulo de avaliação multicritério que considera simultaneamente métricas de acurácia, viés, estabilidade e desempenho computacional. O artefato é aplicado a dados reais extraídos do ERP de uma empresa industrial, conduzindo uma competição de modelos em múltiplas séries temporais no nível de SKU. Os resultados evidenciam que não existe um modelo dominante universal; ao contrário, diferentes algoritmos apresentam melhor desempenho em subconjuntos específicos de itens, reforçando a lógica contingencial da OIPT. A avaliação multicritério permite adaptar a recomendação de modelos a diferentes prioridades organizacionais (por exemplo, foco máximo em acurácia, equilíbrio entre acurácia e custo computacional ou busca por maior robustez e estabilidade), oferecendo ao gestor uma ferramenta prática para seleção de modelos alinhada à estratégia da empresa. O estudo contribui teoricamente ao operacionalizar a OIPT no contexto da previsão de demanda e, do ponto de vista prático, ao disponibilizar um protótipo de SAD que pode ser incorporado aos processos de SeOP e PCP 4.0, apoiando uma tomada de decisão mais informada, ágil e aderente às exigências de cadeias de suprimentos complexas e digitais.

[en] Demand forecasting plays a central role in supply chain management and Production Planning and Control (PPC), especially in environments characterized by high uncertainty, volatility, and complexity, such as those associated with Industry 4.0 and PPC 4.0. In this context, traditional statistical models, although widely used, exhibit important limitations when dealing withmultiple seasonal patterns, nonlinear relationships, and large volumes of data and exogenous variables. Grounded in Organizational Information Processing Theory (OIPT), this study assumes that the selection of forecasting models must be aligned with both the level of demand uncertainty and the organization s information processing capacity, seeking a fit between task complexity and analytical sophistication. Using the Design Science Research methodology, a computational artefact is developed in the form of a Decision Support System (DSS) that integrates: (i) a multi-item demand forecasting pipeline combining statistical and Machine Learning models; and (ii) a multicriteria evaluation module that simultaneously accounts for accuracy, bias, stability, and computational performance. The artefact is applied to real data extracted from the ERP system of an industrial company, enabling a model competition across multiple time series at the SKU level. The results show that there is no universallydominant model; instead, different algorithms perform best for specific subsets of items,reinforcing OIPT s contingency logic. The multicriteria assessment makes it possible to adapt model recommendations to distinct organizational priorities (e.g., maximum focus on accuracy, balance between accuracy and computational cost, or emphasis on robustness and stability), providing managers with a practical tool for model selection aligned with the firm s strategy.This study contributes to theory by operationalizing OIPT in the context of demand forecastingand, from a practical standpoint, by delivering a DSS prototype that can be embedded intoSeOP and PPC 4.0 processes, supporting more informed, agile, and strategy consistentdecision-making in complex and digital supply chains.

RODRIGO GOYANNES GUSMAO CAIADO

2026-01-17

[pt] TEXTO

application/pdf

PORTUGUÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=75031@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=75031@2

https://doi.org/10.17771/PUCRio.acad.75031