Criação de um modelo de previsão de demanda para produção de bicicletas da empresa Groove

Abstract

O trabalho apresenta o estudo de uma empresa que produz e vende bicicletas, chamada Groove. A empresa vende bicicletas dos modelos mountain bike, urbana, infantil e para estrada e lançou no início de 2023 sua linha própria de bicicletas elétricas. Este trabalho teve como objetivo propor um modelo de previsão de demanda adequado aos modelos de bicicletas da Groove no intuito de aumentar a assertividade do método atual, analisando cinco modelos de previsão de demanda como Média Móvel Simples, Média Móvel Ponderada, Média Móvel por suavização exponencial Simples, Suavização Exponencial com Tendência e Regressão Linear Simples. Foi utilizado os dados históricos de venda da empresa de janeiro de 2021 até julho de 2023 e foi levado em consideração para realizar as previsões de demandas os 14 submodelos de bicicletas mais vendidos. Após realizar a análise a partir dos métodos citados acima, os modelos de previsão de demanda que apresentaram os menores erros foram o da Regressão Linear Simples para as bicicletas Urban, Bicicleta 20, Hype 15, Hype 50, Indiev24, Indie 10, Ska 30 e Ska 90.1; Média Móvel Simples de 6 meses para as bicicletas 16, Ska 50 e Riff 70 e Média Móvel Ponderada de 3 meses para as bicicletas My Bike 16, Hype 10 e My Bike 20, o que resultou em um erro, em média, aproximadamente 6 vezes menor em comparação ao erro do método utilizado anteriormente da empresa, que era apenas realizar a média de vendas.

This paper presents the study of a company called Groove, which produces and sells bicycles. The company sells mountain bikes, urban, children’s and road models and launched its own line of electric bicycles early in 2023. The paper aims to propose a demand forecast model suitable for Groove’s bicycle models in order to increase the assertiveness of the current method, by analyzing five demand forecast models such as Simple Moving Average, Weighted Moving Average, Simple Exponential Smoothing Moving Average, Exponential Smoothing with Trend and Simple Linear Regression. The company's historical sales data from January 2021 to July 2023 were used and were considered to calculate demands from the 14 best-selling bicycle submodels. After carrying out an analysis using the methods mentioned above, the demand forecast model that presented the smallest errors were Simple Linear Regression for the bicycles Urban, Bicicleta 20, Hype 15, Hype 50, Indiev24, Indie 10, Ska 30 and Ska 90.1; Simple Moving Average of 6 months for bike 16, Ska 50 and Riff 70 and Weighted Moving Average of 3 months for My Bike 16, Hype 10 e My Bike 20, which resulted in an error, on average, approximately 6 times smaller compared to the error of the company's previously used method, that was calculated by the historical sales average.