Tema da Tese: Contribuições para a estimação de stocks de segurança: Exploração de modelos de aprendizagem automática para previsão da procura em cadeias de abastecimento

Autor: João Nuno Costa Gonçalves

Orientadores:  Maria Sameiro Faria Brandão Soares Carvalho

Data: 28/04/2021

Programa Doutoral: Programa Doutoral em Engenharia Industrial e de Sistemas

Abstract: 

Em gestão da cadeia de abastecimento (GCA), o dimensionamento de stocks de segurança (SS) é uma estratégia central para absorver incertezas ao nível da oferta e procura por um determinado produto, mantendo o nível de serviço ao cliente. A quantidade necessária de SS é altamente influenciada pela capacidade de prever a procura com precisão. Várias técnicas para previsão da procura têm sido progressivamente desenvolvidas, porém a obtenção de previsões precisas continua a ser um desafio nas teorias clássica e moderna de GCA. Neste contexto, os modelos de aprendizagem automática ganharam popularidade dada a sua flexibilidade e elevada tolerância ao erro. São, contudo, necessárias mais atividades de investigação para uma melhor compreensão dos benefícios preditivos, financeiros e operacionais que as partes integrantes da CA podem obter por via da adoção de abordagens de aprendizagem automática, face a técnicas estatísticas convencionais de previsão.

         A linha de investigação desta tese passa pelo desenvolvimento de abordagens de aprendizagem automática, com aplicabilidade prática, com vista à melhoria do processos de previsão da procura. Contrariamente à prática comum, abordamos este objetivo com particular enfoque na parte a montante da cadeia, naturalmente sujeita a amplificações da procura oriundas das dimensões a jusante. As contribuições da investigação encontram-se concretizadas em três partes.             Primeiro, realizou-se uma revisão sistemática sobre os modelos e métodos de investigação operacional estudados para tratar do problema de dimensionamento de SS. Esta ação permitiu identificar lacunas existentes na literatura corrente, bem como discutir as direções e tendências de investigação que motivam a realização desta tese. Segundo, investigou-se uma abordagem combinada de aprendizagem automática não supervisionada de forma a identificar produtos com perfis de inventário de risco em cadeias com múltiplos produtos e fornecedores. Em particular, estudou-se a combinação de uma técnica de redução da dimensionalidade de dados com um algoritmo de agrupamento baseado em erros quadráticos de forma a extrair conhecimento sobre padrões de risco que coexistem em múltiplos subgrupos de produtos. Os resultados e observações decorrentes facilitaram o processo de seleção de potenciais objetos de estudo para otimização dos processos de previsão. Finalmente, desenvolveu-se uma abordagem multivariada de aprendizagem automática supervisionada para previsão da procura ao longo do ciclo de vida de produtos. O modelo proposto tira partido de diferentes indicadores em avanço das variações da procura. Quando comparado com métodos de previsão tradicionais, o modelo proposto resulta numa melhoria quer nos níveis de precisão estatística, quer nos principais indicadores de desempenho logístico. Por sua vez, a abordagem proposta permitiu a obtenção de estimativas mais precisas para a variância dos erros de previsão e, portanto, SS mais económicos e eficientes