Uso de aprendizagem de máquina para classificação de itens do portfólio de uma rede de supermercados

Abstract

A gestão de suprimentos constitui uma área de pesquisa do contexto organizacional que tem como principal atribuição disponibilizar recursos externos à empresa, possuindo como variáveis de decisão o que comprar, de quem comprar e sob quais condições mercadológicas e de relacionamento comprar. Nesse contexto, o objetivo da presente pesquisa consistiu em implementar e avaliar modelos de aprendizagem de máquina de classificação para a reprodução das classes de itens do portfólio de uma rede varejista de supermercados quanto à função estratégica que desempenham, de modo a assegurar que a decisão da empresa sobre quais itens comprar atenda à exigência de manter seu portfólio constante em termos da quantidade de SKUs pertencente a cada classe. Para isso, lançou-se mão do processo de extração de conhecimento de base de dados (KDD) delineado por Fayyad, Piatetsky-Shapiro e Smyth (1996), executando-se o passo de mineração de dados via tarefa de classificação e obtendo-se como resultados um destaque para os modelos RF, KNN e DT, em detrimentos aos SVM e ANN, assim como da técnica de seleção de variáveis de entrada Sequential Feature Selector, SFS, em detrimento às baseadas em feature importance, permutation importance, f classification e mutual info classification, bem como do método SHAP para interpretação local e global de modelo. Nesse sentido, a conclusão da pesquisa foi a aplicabilidade de modelos menos complexos para a reprodução de classes no contexto da gestão de portfólio de suprimentos, aliada à técnica de seleção SFS e ao método SHAP para interpretação dos resultados. Por fim, as contribuições da pesquisa foram, sob a perspectiva acadêmica, a colaboração para o preenchimento da lacuna científica sobre gestão de suprimentos apoiada por aprendizagem de máquina e, sob a perspectiva prática, o desenvolvimento de um mecanismo embrionário de classificação automatizada de SKUs capaz de dar replicabilidade, escalabilidade e dinamicidade à classificação, além da construção de uma base de dados com disponibilidade de informações antes desconhecidas pela organização e que podem servir como subsídio para que entenda a representatividade de seus fornecedores e a dependência que possui com relação aos mesmos e tenha condições de melhor delinear as práticas que permeiam seus relacionamentos.

Supply management is an area of research applied to the organizational context whose main attribution is to make resources external to the company available, having as decision variables what to buy, from whom to buy and under what market and relationship conditions to buy. In this context, the objective of the present research was to implement and evaluate classification machine learning models for the reproduction of the classes of items in the portfolio of a supermarket retail company regarding the strategic function they perform, in order to ensure that the decision of the company on which items to buy meets its requirement to keep its portfolio constant in terms of the number of SKUs belonging to each class. For this, the process of knowledge discovery in databases (KDD) outlined by Fayyad, Piatetsky-Shapiro and Smyth (1996) was used, executing the data mining step through the classification task and obtaining as results a highlight for the RF, KNN and DT models, in detriment to the SVM and ANN, for the technique of selection of input variables Sequential Feature Selector, SFS, in detriment to those based on feature importance, permutation importance, f classification and mutual info classification, as well the SHAP method for local and global model interpretation. In this sense, the conclusion of the research was the applicability of less complex models for the reproduction of classes in the context of supply portfolio management, combined with the technique for feature selection SFS and the SHAP method for interpreting the results. Finally, the research contributions were, from the academic perspective, the collaboration to fill the scientific gap on supply management supported by machine learning and, from the practical perspective, the development of an embryonic mechanism of automated classification of SKUs capable of giving replicability, scalability and dynamics to the classification, in addition to building a database with availability of information previously unknown to the company and which can serve as a subsidy to understand the representativeness of its suppliers and the dependence that has in relation to them and is able to better outline the relationship management.