Potenciar a gestão de lojas de retalho através de previsões de tráfego com técnicas de machine learning

Abstract

A presente dissertação pretende fornecer duas ferramentas ligadas ao tráfego de lojas de retalho físico, que possam auxiliar as equipas da gestão da rede MEO. A primeira, uma previsão de valores mensais de tráfego para um horizonte temporal de vinte e quatro meses, e a segunda, uma previsão de valores horários de tráfego para uma semana. Este é um caso de escassa investigação, facto descrito na Revisão de Literatura. Começou por se recolher dados mensais de dez lojas, selecionadas através de análise cluster, e dados horários de uma das maiores lojas da rede MEO. Foram também utilizadas as condições climatéricas, eventos externos e feriados, de forma a entender melhor o fluxo de clientes. Com a utilização de vários modelos foi possível chegar a um vasto leque de abordagens, experimentadas e avaliadas face ao que existia como ferramenta na rede MEO. As previsões mensais produzidas para as lojas obtiveram resultados positivos, entre os 5,640% e 20,504% de MAPE, e a previsão mensal para a rede agregada obteve 4,489% de MAPE para 2023, sendo agora aplicada na prática na empresa. No tráfego horário, o melhor modelo alcançado seguiu uma abordagem ensemble, com ExpSmoothing, XGBoost e LSTM, produzindo previsões com 11,493 de MAE, que constituem uma melhoria de 35,7%, face à ferramenta usada pela equipa de gestão. Com estes testes comprovou-se que o modelo ensemble apresenta vantagens face à utilização individual dos modelos e que as duas ferramentas conseguiram melhorar os inputs disponíveis às equipas de gestão da rede de lojas MEO.

This dissertation aims to provide two tools linked to physical retail store traffic that can help MEO network management teams. The first is a forecast of monthly traffic for a time horizon of twenty-four months, and the second is a forecast of hourly traffic for one week. This is a case with little research, as described in the Literature Review. The first step was to collect monthly data from ten stores, selected through cluster analysis, and hourly data from one of the largest stores in the MEO network. Weather conditions, external events and public holidays were also used to better understand the flow of customers. By experimenting with multiple models, it was possible to come up with a wide range of approaches, which were tested and evaluated against what existed as a tool in the MEO network. The monthly forecasts produced for the stores obtained positive results, ranging from 5.640% to 20.504% MAPE, and the monthly forecast for the aggregate network obtained 4.489% MAPE for 2023, and is now being applied at the company. In hourly traffic, the best model achieved followed an ensemble approach, with ExpSmoothing, XGBoost and LSTM, producing forecasts with 11.493 MAPE, which is a 35.7% improvement on the tool used by the management team. These tests proved that the ensemble model has advantages over using the models individually and that the two tools managed to improve the inputs delivered to the MEO network management teams.