Show simple item record

dc.contributor.advisorBrei, Vinícius Andradept_BR
dc.contributor.authorSilveira Netto, Carla Freitaspt_BR
dc.date.accessioned2019-10-04T03:47:47Zpt_BR
dc.date.issued2019pt_BR
dc.identifier.urihttp://hdl.handle.net/10183/200085pt_BR
dc.description.abstractThis PhD dissertation is a collection of four papers that aim to explore, in the marketing field, the research on hierarchical and grouped time-series reconciliation approaches. Those approaches are necessary when different departments of an organization have different needs regarding forecast aggregations. This work focuses, besides reconciliation approaches, on time-series forecasting methods, and on the importance of geographical information to better forecast and plan marketing strategies. The first paper is theoretical and argues on the importance to marketing of having accurate forecasts. It explores the current state of marketing research on modelling in general, and on forecast specifically. It covers the classifications of methods, datasets explored on current research, the basic model studied, and existing gaps. The paper concludes that marketing focuses on explanation, living a gap on accuracy evidence and on the applicability of the models proposed. The second paper explores those gaps by applying two current topics of discussion on forecasting time-series literature: machine learning techniques and ensemble models. These methods are easy to implement and are reported in the literature to improve accuracy. The paper proposes an adaptation to portfolio optimization to calculate the weights of an ensemble based on each base model's accuracy and the covariance matrix of such accuracies. The proposed approach outperforms all 15 base models and the equal weights benchmark. The paper also provides evidence that, if single models are compared, statistical methods have better accuracy than the machine learning methods applied. The third paper uses a statistical method to forecast time-series (i.e. sales) combined with different structure and criteria of aggregation. The aim of the paper is to compare different criteria based on marketing mix variables. The empirical application presented in the paper indicates whether product category, channel type or region (geographic location) works best alone or combined. It also gives evidence of the importance of geographical considerations to improve forecast accuracy. The last paper furthers explore this finding by proposing a new reconciliation approach that distributes an aggregate forecast to lower levels of disaggregation using a gravitational model. This paper also contributes to the literature by comparing statistical, machine learning and deep learning methods (LSTM). All papers presented in this dissertation use open-source tools, combining proprietary data that is natural to the process of every organization and publicly available data. The focus is on methods and tools that are generalizable to all types of goods, can be easily applied by any organization, with relatively low investment. The contributions of the PhD dissertation are (1) to compare statistical, machine learning and deep learning methods to forecast sales on single and ensemble models; (2) to provide evidence on the criteria and structure of aggregation that improves forecast accuracy the most; and (3) to offer a new approach to distribute an aggregate forecast to new geographical regions when no historical data is available.en
dc.description.abstractA presente tese de doutorado é uma coleção de quatro artigos científicos desenvolvidos com o objetivo de explorar, dentro da área de marketing, a pesquisa sobre reconciliação de previsão de séries temporais com estrutura hierárquica ou agrupada. Reconciliação de previsões é necessária quando diferentes áreas de uma organização necessitam de previsões em diferentes níveis de agregação. O presente conjunto de estudos foca, além da reconciliação de previsões, em métodos de previsão de series temporais e na importância de informações geográficas para melhor prever e planejar estratégias de marketing. O primeiro artigo apresentado é uma revisão da literatura atual em modelagem de marketing, focando nos estudos sobre previsão. O artigo argumenta sobre a importância para o marketing em ter previsões, nas diferentes classificações dos métodos, nos tipos de dados usados, no modelo básico estudado e nos potenciais para estudos futuros. O artigo conclui que marketing precisa de estudos que evidenciem acurácia e sejam fáceis de implementar na prática. O segundo artigo procurar preencher essas lacunas aplicando técnicas de machine learning e ensemble. Essas técnicas são discutidas atualmente na teoria sobre previsão de séries temporais por prometerem facilidade de aplicação e melhoria em acurácia. O artigo propõe uma adaptação da otimização de portfólio como estratégia para calcular os pesos dos diferentes modelos que compõe um ensemble. A proposta do artigo tem melhor acurácia, no teste realizado, que os 15 modelos únicos (estatísticos e de machine learning) e o ensemble usando pesos iguais para todos os modelos. O artigo contribui também para a discussão sobre machine learning para previsão de séries temporais, demonstrando, nesse caso, a superioridade dos modelos estatísticos. O terceiro artigo usa um método estatístico combinado com diferentes estruturas e critérios de agregação para prever séries temporais (vendas). O objetivo do artigo é comparar diferentes critérios baseados em variáveis de marketing. A aplicação empírica dá indícios de que informações sobre a localização das vendas aumenta a acurácia das previsões. O último artigo explora esse achado ao propor uma estratégia alternativa de reconciliação de previsões. Essa estratégia distribui uma previsão feita em um nível agregado para níveis desagregados usando um modelo gravitacional. O artigo também contribui para a literatura ao comparar métodos estatísticos e de machine learning com long short-term memory (LSTM), um método de deep learning. Todos os artigos usam ferramentas open-source e combinam dados públicos com dados proprietários que resultam naturalmente dos processos de qualquer organização. O foco dos estudos são métodos e ferramentas generalizáveis para todos os segmentos que possam ser facilmente implementados por qualquer empresa, com relativamente baixos investimentos. As contribuições dessa tese de doutorado são (1) comparar métodos estatísticos, de machine learning e deep learning para prever vendas em modelos únicos e combinados (ensemble); (2) prover evidências sobre os critérios e estruturas de agregação que melhoram a acurácia das previsões; e (3) oferecer uma nova estratégia para distribuir uma previsão agregada em novas regiões geográficas quando dados históricos não estão disponíveis.pt_BR
dc.format.mimetypeapplication/pdfpt_BR
dc.language.isoengpt_BR
dc.rightsOpen Accessen
dc.subjectTime-series forecastingen
dc.subjectPrevisão de vendaspt_BR
dc.subjectSeries temporaispt_BR
dc.subjectGravitational modelsen
dc.subjectMarketingpt_BR
dc.subjectReconciliation approachesen
dc.subjectMétodos estatísticospt_BR
dc.subjectDeep learningen
dc.titleForecast reconciliation : methods, structures, criteria, and a new approach with spatial datapt_BR
dc.typeTesept_BR
dc.identifier.nrb001101547pt_BR
dc.degree.grantorUniversidade Federal do Rio Grande do Sulpt_BR
dc.degree.departmentEscola de Administraçãopt_BR
dc.degree.programPrograma de Pós-Graduação em Administraçãopt_BR
dc.degree.localPorto Alegre, BR-RSpt_BR
dc.degree.date2019pt_BR
dc.degree.leveldoutoradopt_BR


Files in this item

Thumbnail
   

This item is licensed under a Creative Commons License

Show simple item record