Dinâmica na aula presencial

Apresentação com fotos da dinâmica realizada em aula sobre como comparar modelos matemáticos

Lote econômico

Inventory Management for Retail — Deterministic Demand | Samir Saci

https://medium.com/towards-data-science/inventory-management-for-retail-deterministic-demand-311682c02518

Inventory Management for Retail — Stochastic Demand | Samir Saci

https://medium.com/towards-data-science/inventory-management-for-retail-periodic-review-policy-4399330ce8b0

Product Segmentation for Retail with Python| Samir Saci

https://medium.com/towards-data-science/product-segmentation-for-retail-with-python-c85cc0930f9a

ABC analysis for a better commercial strategy | Alexandra Augusti

https://www.dinmo.com/customer-segmentation/abc-analysis/

ABC-XYZ Inventory Classification with Python | Ulas Yilmaz

https://medium.com/@ulas_yilmaz/abc-xyz-inventory-classification-with-python-50ebee552fe4

Sinopse: A análise ABC-XYZ é um método sólido para planejamento de estoque e demanda. É um guia para priorizar produtos/SKUs com base na classificação de 2 níveis: Classificação ABC: O princípio de Pareto sugere que “80% dos resultados são produzidos por 20% das causas“. Como também se aplica ao gerenciamento de estoque, um pequeno número de produtos gera maior valor/receita, enquanto o grande número restante de SKUs gera apenas uma pequena quantidade de valor/receita. A classificação ABC, na mesma lógica, pode ser adotada para praticamente qualquer negócio com produtos. Ao diferenciar SKUs em % de receita como este, permitirá que as empresas se concentrem em produtos corretos com melhor nível de serviço. Um ponto de partida simples seriam níveis de estoque de segurança diferenciados com base na classe ABC do produto. 2. Classificação XYZ: Porém, a análise ABC apenas não é abrangente quando pensamos na complexidade da cadeia de suprimentos. É por isso que a classe XYZ também é levada em consideração. A análise XYZ classifica os SKUs com base na volatilidade de demanda/consumo. Os itens da classe X apresentam menor incerteza, enquanto os itens da classe Z apresentam a maior incerteza, o que significa os mais difíceis de gerenciar. Ao combinar duas classificações, obtemos uma melhor compreensão da combinação de valor e incerteza dos itens. Por exemplo, um SKU com classe CZ nos diz que o item tem baixo valor/receita gerada e também é difícil de gerenciar. Portanto, a questão é: vale a pena gerenciar esse SKU? Ou a empresa deveria abandonar esse SKU?

Create GPTs to Automate Supply Chain Analytics | Samir Saci

https://s-saci95.medium.com/create-gpts-to-automate-supply-chain-analytics-5b44dec8e0f8

Sinopse: The Supply Chain Analyst” é um ChatGPT “GPT” personalizado que realiza análises de Pareto e ABC usando dados de vendas.

Machine Learning for Retail Demand Forecasting | Samir Saci

https://medium.com/towards-data-science/machine-learning-for-store-demand-forecasting-and-inventory-optimization-part-1-xgboost-vs-9952d8303b48

Sinopse: Para a maioria dos varejistas, os sistemas de planejamento de demanda adotam uma abordagem fixa e baseada em regras para previsão e gerenciamento de pedidos de reposição. Isso funciona bem o suficiente para categorias de produtos estáveis ​​e previsíveis, mas pode mostrar seus limites com uma demanda instável impactada por fatores externos. No post é implementado um modelo para prever a demanda para lojas de varejo usando aprendizado de máquina com Python. Esta abordagem usa o conjunto de dados M5 Competition Walmart.

Material de apoio: Código Python que combina Lote econômico e aprendizado de máquina | Anibal Azevedo

Link: https://colab.research.google.com/drive/1X4P8uvmTHdAWUOWwVXg-OmfgknVXmp41?usp=sharing

Artigos científicos acerca de modelos matemáticos de lote econômico

• Economic Order Quantity: A State-of-the-Art in the Era of Uncertain Supply Chains

• Economic order quantity model for growing items with imperfect quality

• An Economic Order Quantity Stochastic Dynamic Optimization Model in a Logistic 4.0 Environment