Ana Clara Chaves Sousa
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Ana Clara Chaves Sousa has a total of 11 co-authors. Here are the top co-authors by number of shared publications:
- Telmo M. Silva Filho
University of Bristol
3 shared publications - Thais Gaudencio Do Rêgo
Federal University of Paraíba
3 shared publications - Yuri Malheiros
Federal University of Paraíba
2 shared publications - Cecília Silva
Research Centre for Territory, Transports and Environment (CITTA), Faculty of Engineering of the University of Porto, Porto, Portugal
1 shared publication Felipe Honorato de Sousa
Universidade Federal da Paraíba
1 shared publicationItamar de Paiva Rocha Filho
Universidade Federal da Paraíba
1 shared publication
Latest Publications
- Open Access
- 1 July 2024
- Published by Universidade Federal do Espirito Santo in Brazilian Journal of Production Engineering
- Vol. 10 (3) , 372-383
Previsão de demanda de longo prazo aplicada a uma empresa do varejo de cosméticos utilizando o Prophet
A disseminação da tomada de decisão baseada em dados tem sido impulsionada pela abundância de informações e pelo aumento da capacidade de processamento computacional. Para apoiar esse processo decisório, é viável extrair conhecimento e realizar previsões por meio da Ciência de Dados. Dentro da Gestão da Cadeia de Abastecimento, um desafio comum é fazer a previsão de demanda utilizando dados históricos. Prever o volume de vendas de uma empresa é complexo. Superestimar a demanda leva a desperdícios de estoque, enquanto subestimar causa ruptura. Neste estudo de caso, será feita a previsão de demanda de longo prazo (30 semanas) para dois canais de vendas diferentes de uma empresa do segmento da indústria e do varejo do mercado de Higiene Pessoal, Perfumaria e Cosméticos. Foi utilizado o algoritmo Prophet. Após implementada a metodologia, os resultados mostraram que a semana 30 apresentou um WAPE de 4% e 5% para os canais Loja e Venda Direta, respectivamente. Ao analisar o erro na trigésima semana para as três categorias de produtos mais comercializados, observou-se que o maior erro registrado foi de 9,36%. Esse resultado sugere que a metodologia empregada alcançou desempenho satisfatório.
- 1 July 2024
- Published by Universidade Federal do Espirito Santo in Brazilian Journal of Production Engineering
- Vol. 10 (3) , 372-383
Open AccessPrevisão de demanda de longo prazo aplicada a uma empresa do varejo de cosméticos utilizando o Prophet
A disseminação da tomada de decisão baseada em dados tem sido impulsionada pela abundância de informações e pelo aumento da capacidade de processamento computacional. Para apoiar esse processo decisório, é viável extrair conhecimento e realizar previsões por meio da Ciência de Dados. Dentro da Gestão da Cadeia de Abastecimento, um desafio comum é fazer a previsão de demanda utilizando dados históricos. Prever o volume de vendas de uma empresa é complexo. Superestimar a demanda leva a desperdícios de estoque, enquanto subestimar causa ruptura. Neste estudo de caso, será feita a previsão de demanda de longo prazo (30 semanas) para dois canais de vendas diferentes de uma empresa do segmento da indústria e do varejo do mercado de Higiene Pessoal, Perfumaria e Cosméticos. Foi utilizado o algoritmo Prophet. Após implementada a metodologia, os resultados mostraram que a semana 30 apresentou um WAPE de 4% e 5% para os canais Loja e Venda Direta, respectivamente. Ao analisar o erro na trigésima semana para as três categorias de produtos mais comercializados, observou-se que o maior erro registrado foi de 9,36%. Esse resultado sugere que a metodologia empregada alcançou desempenho satisfatório.
- Open Access
- 25 September 2023
- Published by Sociedade Brasileira de Computação
- p. 596-609
Comparing Gradient Boosting Algorithms to Forecast Sales in Retail
The availability of data and the increased processing power of computers have made it easier to make decisions based on data, specially with Artificial Intelligence. One area where AI is widely applicable in companies is Supply Chain Management, particularly in demand forecasting. This paper aims to forecast sales for a company in the Cosmetic, Fragrance, and Toiletry market. Data from 2019 to 2023 were used from two different sales channel. To predict the demand, three Gradient Boosting algorithms (CatBoost, LightGBM, and XGBoost) were compared, and forecasts were made for three different time horizons (next period, five and ten periods ahead). After the experiments, LightGBM showed more stability compared to the other models.
- 25 September 2023
- Published by Sociedade Brasileira de Computação
- p. 596-609
Open AccessComparing Gradient Boosting Algorithms to Forecast Sales in Retail
The availability of data and the increased processing power of computers have made it easier to make decisions based on data, specially with Artificial Intelligence. One area where AI is widely applicable in companies is Supply Chain Management, particularly in demand forecasting. This paper aims to forecast sales for a company in the Cosmetic, Fragrance, and Toiletry market. Data from 2019 to 2023 were used from two different sales channel. To predict the demand, three Gradient Boosting algorithms (CatBoost, LightGBM, and XGBoost) were compared, and forecasts were made for three different time horizons (next period, five and ten periods ahead). After the experiments, LightGBM showed more stability compared to the other models.
- 28 November 2021
- Published by Springer Nature
- p. 254-264
Iris-CV: Classifying Iris Flowers Is Not as Easy as You Thought
- 28 November 2021
- Published by Springer Nature
- p. 254-264
Iris-CV: Classifying Iris Flowers Is Not as Easy as You Thought