Explorando a Inteligência Artificial na gestão de estoques em armazéns (2023)
- Authors:
- Autor USP: FAVARO, CARLOS EDUARDO - ICMC
- Unidade: ICMC
- Subjects: ANÁLISE DE DADOS; INTELIGÊNCIA ARTIFICIAL; APRENDIZADO COMPUTACIONAL; SAZONALIDADE
- Keywords: Previsão
- Language: Português
- Abstract: Na gestão de estoque em armazéns, a eficácia é crucial para o sucesso das operações na cadeia logística. Tradicionalmente, métodos como a Curva ABC e cálculos de estoque mínimo têm sido utilizados, mas enfrentam limitações diante dos desafios complexos que as empresas enfrentam. Nesse contexto, este estudo busca explorar e analisar abordagens de aprendizado de máquina como uma solução inovadora. Os métodos tradicionais, embora úteis, não conseguem lidar eficazmente com padrões sazonais e previsões de movimentação de estoque ao longo do tempo. Uma lacuna identificada, é a falta de soluções contem porâneas eficaz para lidar com as complexidades da gestão de estoque em armazéns, especialmente no que diz respeito à observância de sazonalidades e variações na movi mentação de produtos. Nesse estudo foi aplicado técnicas avançadas de análise de dados, incluindo a modelagem de séries temporais, para identificar padrões sazonais e realizar previsões futuras agregando na classificação de produtos nas movimentações de estoque. Para isso, foram utilizadas redes neurais recorrentes (RNN), com foco em técnicas de modelo LSTM, em comparação com o método SARIMA. A intenção é avaliar a eficiência desses modelos na gestão de estoque. Os experimento foram executados para três produtos de um conjunto de dados de um sistema de WMS com alto registro de atividades para criar séries temporais e, em seguida, foi aplicado os modelos de previsão mencionados. Para garantir o desempenho dos modelos foi aplicado as métricas RMSE, R2 Score, MAE e MAPE. Os resultados deste estudo revelaram a eficácia das abordagens de aprendizado de máquina, em particular a utilização de redes neurais recorrentes, na gestão de estoque em armazéns. Isso possibilitou a capacidade de lidar com sazonalidades e variações de movimentação, fornecendo informações valiosaspara a tomada de decisões e aprimorando a eficiência operacional. A combinação de abordagens tradicionais com a ciência de dados e inteligência artificial, nesse caso em particular por aprendizado de máquina é promissora para otimizar a gestão de estoque e a eficiência operacional em toda a cadeia logística. Este estudo pode abrir caminho para desenvolvimentos futuros nessa área, melhorando a capacidade das empresas de se adaptarem às demandas em constante mudança do mercado.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2023
-
ABNT
FAVARO, Carlos Eduardo. Explorando a Inteligência Artificial na gestão de estoques em armazéns. 2023. Trabalho de Conclusão de Curso (MBA) – Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos, 2023. Disponível em: https://bdta.abcd.usp.br/directbitstream/f2a83aa8-c7cc-4301-9148-985d8bc47f59/Carlos_Eduardo_Favaro.pdf. Acesso em: 19 maio 2025. -
APA
Favaro, C. E. (2023). Explorando a Inteligência Artificial na gestão de estoques em armazéns (Trabalho de Conclusão de Curso (MBA). Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos. Recuperado de https://bdta.abcd.usp.br/directbitstream/f2a83aa8-c7cc-4301-9148-985d8bc47f59/Carlos_Eduardo_Favaro.pdf -
NLM
Favaro CE. Explorando a Inteligência Artificial na gestão de estoques em armazéns [Internet]. 2023 ;[citado 2025 maio 19 ] Available from: https://bdta.abcd.usp.br/directbitstream/f2a83aa8-c7cc-4301-9148-985d8bc47f59/Carlos_Eduardo_Favaro.pdf -
Vancouver
Favaro CE. Explorando a Inteligência Artificial na gestão de estoques em armazéns [Internet]. 2023 ;[citado 2025 maio 19 ] Available from: https://bdta.abcd.usp.br/directbitstream/f2a83aa8-c7cc-4301-9148-985d8bc47f59/Carlos_Eduardo_Favaro.pdf
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
Carlos_Eduardo_Favaro.pdf | Direct link |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
