PREVISÃO DE FATURAMENTO NO VAREJO BRASILEIRO UTILIZANDO-SE DE UM MODELO DE REDES NEURAIS ARTIFICIAIS

PREVISÃO DE FATURAMENTO NO VAREJO BRASILEIRO UTILIZANDO-SE DE UM MODELO DE REDES NEURAIS ARTIFICIAIS Marcelo Botelho da Costa Moraes Faculdade de Economia, Administração e Contabilidade Universidade de São Paulo Av dos Bandeirantes, 3900 CEP 14040-900 Ribeirão Preto SP Marcelo Seido Nagano Faculdade de Economia, Administração e Contabilidade Universidade de São Paulo Av dos Bandeirantes, 3900 CEP 14040-900 Ribeirão Preto SP Edgard Monforte Merlo Faculdade de Economia, Administração e Contabilidade Universidade de São Paulo Av dos Bandeirantes, 3900 CEP 14040-900 Ribeirão Preto SP Abstract Artificial Neural Network (ANN) is one of the most utilized tools for pattern recognition and prediction in business ANN demonstrates good results in several business applications In this paper, a new application was developed to predict revenue in the Brazilian retail market utilizing five different variables: gross income, check out numbers, sales area, store number and employee number Multi-layer perceptron (MLP) model with backpropagation algorithm combination was the most popular method used Revenue is very important to determine the strategic planning and determine company performance The results obtained were very good, showing a lower divergence between the desired responses and the obtained Thus, ANN has proved great capacity to correlate input variables to determine the output with a low error Keywords: Neural Networks, Forecasting, Retail 1 Introdução Segundo Levy & Weitz (2000), vareista é um negociante que vende produtos e serviços de uso pessoal e familiar aos consumidores, é o último negociante de um canal de distribuição que liga fabricantes a consumidores, entretanto os vareistas direcionam seus esforços para satisfazer as necessidades dos consumidores finais De acordo com Berman & Evans (1998), além de satisfazer os consumidores, os vareistas têm adicionalmente três obetivos O primeiro obetivo está relacionado a vendas, quanto maior a venda maior o market share, estabilidade e crescimento do vareista O segundo obetivo é a lucratividade e o terceiro é a imagem, posicionamento, que envolve criar e manter uma imagem apropriada para o tipo de negócio em questão Levy & Weitz (2000) afirmam que para ser bem sucedido o vareista deve focar seu gerenciamento para atender a necessidade de seu público alvo mais eficientemente que seus concorrentes, um bom meio de se fazer isso é através de produtos diferenciados ou exclusivos Essa afirmação é especialmente importante para o segmento de supermercados, onde a concorrência tem se acentuado com a chegada dos grandes grupos internacionais ENEGEP 2002 ABEPRO 1

O movimento de concentração do segmento de vareo introduz um aspecto interessante a ser observado que é o desenvolvimento de uma vantagem competitiva sustentável que conforme Porter (1999) pode ocorrer através de três estratégias básicas: a busca de um custo mais baixo que a concorrência, o oferecimento de um produto diferenciado e finalmente uma estratégia de enfoque, onde selecionada uma parcela do mercado esta é atendida com custos muitos baixos ou diferenciação acentuada dos produtos O problema colocado por vários autores é que além da obtenção da vantagem competitiva sua mensuração é de difícil execução, posto que uma série de variáveis devem ser observadas Neste sentido, de acordo com Buzzell e Gale (1987) não há dúvidas de que a participação no mercado e o retorno sobre o investimento estão fortemente relacionados As empresas que gozam de fortes posições competitivas nos mercados de seus produtos principais tendem a ser altamente rentáveis E sugere alguns fatores de posição competitiva e estratégia como: Participação no mercado, qualidade de produtos e serviços, pesquisa e desenvolvimento, marketing, valor agregado ao produto e vendas, ativo imobilizado, produtividade inclusive da mão de obra, avaliação e taxas de utilização dos estoques Normalmente estas variáveis são de difícil observação e mensuração, pois existem problemas de coleta e confiabilidade dos dados disponíveis O estudo realizado pretende demonstrar a potencialidade do mecanismo de redes neurais como ferramenta de previsão de desempenho futuro das empresas de vareo do segmento de supermercados no Brasil 2 Redes Neurais Artificiais As Redes Neurais Artificiais tiveram suas origens em 1911 com o trabalho de Ramón y Caál que introduziram a idéia do neurônio como sendo a unidade básica de processamento do cérebro humano e a rede neural como um conunto de diversos neurônios conectados formando a mente humana (HAYKIN, 1994) Mais tarde, McCulloch e Pitts modelaram matematicamente o funcionamento desses neurônios e seus relacionamentos em rede, criando as bases da neurocomputação e das Redes Neurais Artificiais RNA s (HERTZ et al, 1991) Apesar da modelagem teórica, o desenvolvimento das RNA s não ocorreu de forma continua devido a problemas operacionais, pois nesta época ainda não haviam sido criados computadores com tamanho poder de processamento, além da falta de difusão e compreensão sobre o funcionamento das redes neurais biológicas 21 O Neurônio Artificial O modelo, baseado na neuroanatomia, simula artificialmente as conexões entre os neurônios, dispostos em uma rede, onde cada unidade computacional (neurônio) recebe uma série de entradas e as combina, gerando uma nova entrada a uma série de neurônios posteriores até a saída final da rede, que deve ser a resposta final ao problema Desenvolvido em 1943 por McCulloch e Pitts o perceptron é um modelo matemático do funcionamento de um neurônio biológico Assim, o neurônio pode ser definido pelo seguinte modelo (figura 1): ENEGEP 2002 ABEPRO 2

Sinais de entrada Pesos e Conexões X 1 X 2 X 3 X n w 1 w 2 w 3 w n Σ T Figura 1 Modelo de um neurônio artificial Função Transferência Função Soma(s ) y Saída Cada neurônio () é numerado e indexado, numa analogia ao neurônio biológico apresenta diversas entradas (dendritos), potencializadas pelos respectivos pesos w (conexões sinápticas) e com a função soma simulando a captação do estímulo recebidos, acumulando de maneira ponderada os sinais recebidos pelo neurônio em s : s = n i= 1 x w A partir do valor da soma ponderada, a função de transferência (T) utiliza-se de um limiar θ para determinar a saída y : 1 s θ y = f ( s ) = 0 s < θ Onde a saída y é determinada pela função f(s ), normalmente uma função sigmóide, como por exemplo, a função logística (HAYKIN, 1994) Assim, a saída gerada pelo neurônio será 1 se a soma ponderada for superior ou igual a θ e 0 se inferior Onde pode-se comparar θ ao limiar de ativação presente nos neurônios biológicos O potencial de ação de um neurônio biológico acontece ou não, dependendo da grandeza do estímulo que é aplicado a ele O limiar é definido como o valor mínimo do potencial de membrana em que vai ocorrer o potencial de ação Todos os valores de potencial de membrana inferiores ao valor necessário para a produção de um potencial de ação são ditos subliminares Caso um estímulo não consiga deslocar o potencial de membrana até o valor limiar, a resposta parcial, subliminar, desaparece No neurônio artificial, temos uma situação semelhante, cuo limiar de disparo é operado pela função de transferência 22 Estrutura da Rede As RNA s são formadas por inúmeros neurônios diferentes dispostos de maneiras a proporcionar um melhor desempenho ao obetivo da rede A disposição dos neurônios em diferentes camadas e a variação entre suas conexões de entradas e saídas formam a arquitetura, ou estrutura da rede Entre as diversas estruturas existentes optou-se pelo uso das redes MLP (Multi Layer Perceptron) propostas pro McCulloch e Pitts e feedforward, redes onde os sinais fluem das unidades de entrada para as unidades de saída, em direção sempre adiante (FAUSETT, 1994) i i ENEGEP 2002 ABEPRO 3

Pesos Neurônios de Saída Entradas Saídas Neurônios Escondidos Figura 2 Estrutura de RNA feedforward de duas camadas As redes feedforward são caracterizadas pela organização dos neurônios em camadas, na sua forma mais simples a rede proeta os sinais de entrada diretamente para a camada de neurônios de saída, sendo esta camada simultaneamente de entrada e saída, pois a entrada não é considerada uma camada por não apresentar nenhuma forma de processamento As redes multicamadas apresentam duas ou mais camadas (Figura 2) e se diferenciam por apresentarem camadas extras de neurônios A função destes neurônios é intervir entre a entrada externa e a saída da rede Pela adição de uma ou mais camadas ocultas, a rede se torna apta a extrair relações de alta categoria, proporcionando uma perspectiva generalizada à rede (HAYKIN, 1994) 23 Treinamento da Rede O aprendizado é um processo pelo qual parâmetros livres de uma rede neural são adaptados através de um contínuo processo de estimulo pelo ambiente em que a rede se encontra O tipo de aprendizado é determinado pela maneira como os parâmetros, ou pesos das conexões, são atualizados (HAYKIN, 1994) Um dos mais utilizados algoritmos de aprendizado é o backpropagation (retro propagação), onde os pesos das conexões entre os neurônios são atualizados no sentido de minimizar o erro: ek = d k yk O erro (e k ) é calculado pela subtração do valor esperado (y k ) do valor obtido (d k ) e a atualização dos pesos flui de maneira inversa, através da equação (backpropagation): wk = η ek x Em que a variação do peso da conexão w entre os neurônios e k é o resultado, η é uma constante positiva que determina a taxa de aprendizagem, e a taxa de erro e x o valor de entrada do neurônio subseqüente, todos em determinado tempo (n) 24 Aplicações das RNA s Na área de negócios as aplicações das redes neurais são recentes, na década de 80, principalmente se comparadas aos primeiros estudos em neuroanotomia, que datam da década de 50 Dentre as principais aplicações desenvolvidas em redes neurais e suas publicações nas principais revistas científicas da área, pode-se encontrar a maior utilização das redes neurais em seis áreas: Finanças, Contabilidade/Auditoria, Recursos Humanos, Marketing/Distribuição, Sistemas de Informações, Produção/Operações e Outras (MORAES & NAGANO, 2001) As redes neurais artificiais apresentam como seu grande atributo a detecção de padrões não lineares por meio do aprendizado, incluindo dados históricos (YAO et al, ENEGEP 2002 ABEPRO 4

2000) Assim, suas principais aplicações estão relacionadas à caracterização/análise e previsões, baseadas em séries temporais de determinados padrões de ocorrências que auxiliam a rede na resolução do problema obetivo As respostas geradas pelas previsões realizadas pelas RNA s geralmente apresentam melhores resultados em comparação a métodos de previsão tradicionais, tais como métodos de regressão linear, as RNA s podem ser utilizadas como alternativas a estes métodos para incrementar sua precisão em previsões (SHI et al, 1999) 3 Experimentação Redes neurais têm sido demonstradas como uma ferramenta promissora para previsão de séries temporais financeiras, tendo como principais fatores de desempenho a metodologia de seu desenvolvimento (WALCZAK, 2001) Para a realização da previsão do faturamento de supermercados utilizou-se como base de dados as informações contidas no ranking anual dos 300 maiores supermercados da Associação Brasileira de Supermercados (ABRAS), existentes para os anos de 1991 até 2000 Devido à ocorrência de mudanças de moedas foram utilizados os dados a partir de 1994 Para a utilização de um modelo de redes neurais para estes sete anos foram encontradas 31 ocorrências de supermercados que compuseram a lista da ABRAS de 1994 a 2000 simultaneamente Dentro das informações disponíveis foram selecionadas: Faturamento Bruto: valor expresso em reais (R$) para cada ano; Número de Check-Outs: número de caixas existentes em toda a rede de determinado supermercado; Área de Vendas: área total destinada a vendas correspondente a toda a rede; Número de Loas: número total de loas em funcionamento da rede; Número de Funcionários: o número total de funcionários contratados pela rede Para um modelo de previsão como este são necessárias entradas da rede que são dados do passado e a saída, que é o valor previsto (ZHANG et al, 2001) Neste caso o período estabelecido é anual, com seis valores referentes a 1994, 1995, 1996, 1997, 1998 e 1999 para a previsão do faturamento no ano de 2000 Uma das decisões mais críticas, principalmente em casos de previsão, é determinar a arquitetura apropriada, o número de camadas, os neurônios em cada camada e as conexões entre estes neurônios Para tanto foram desenvolvidas 31 redes diferentes, uma para cada supermercado Por uma questão metodológica de padronização e comparação dos resultados o mesmo modelo foi utilizado para todas as ocorrências: Camada de Saída Sinais de Entrada Saída Camada Oculta Camada de Entrada Figura 3 RNA desenvolvida para Previsão de Faturamento de Supermercados ENEGEP 2002 ABEPRO 5

A estrutura utilizada no modelo (Figura 3) se baseia no modelo MLP (Multi Layer Perceptron) e feedforward, conforme apresentada anteriormente, é composta da entrada de dados, além de duas camadas, com três neurônios na camada oculta e um único neurônio na camada de saída, que corresponde ao valor de faturamento previsto O número de camadas e neurônios possui fundamental importância para o reconhecimento do padrão dos dados, fica claro que sem uma camada oculta, um simples perceptron com uma saída linear se torna equivalente a modelos estatísticos lineares preditivos (ZHANG et al, 1998) Redes com duas camadas (oculta e de saída) são capazes de prover mais vantagens para a maior parte dos problemas, não se tornando necessárias camadas adicionais Para o treinamento, deve-se ressaltar que não existe um algoritmo corrente disponível para garantir uma solução global ótima ou que resolva um problema de otimização não linear em tempo razoável, por isso optou-se pelo algoritmo backpropagation essencialmente baseado no método do gradiente descendente que é um dos mais utilizados Os resultados obtidos na previsão do faturamento dos supermercados estão demonstrados nas seguintes tabelas: Supermercado Erro Relativo FATUR (Obtido) T FATUR (Esperado) (Absoluto) % Erro Relativo A ANGELONI & CIA LTDA 409700000 483400000-73730000 15,25 ABC ALIMENTOS A BAIXO CUSTO LTDA 51690000 57460000-5767317 10,04 A DAHER & CIA LTDA 37270000 41900000-4630927 11,05 CABRINI BERETTA & CIA LTDA 32130000 36100000-3968023 10,99 CARREFOUR COM IND LTDA 8104000000 9520000000-1416000000 14,87 CARVALHO & FERNANDES LTDA 144700000 151700000-6983878 4,60 CATRICALA & CIA LTDA 35020000 38060000-3043545 8,00 CENTRAL COM IMP LTDA 46790000 45840000 948598 2,07 CIA APOLO DE SUPERMERCADOS 23250000 25370000-2121395 8,36 COMPANHIA BRASILEIRA DE DISTRIBUIÇÃO 9572000000 9550000000 21870000 0,23 CIA ZAFFARI COMÉRCIO E INDÚSTRIA 743300000 754600000-11300000 1,50 COMERCIAL CESA S/A 61010000 67290000-6282916 9,34 COMERCIAL TATIANA S/A 58200000 69520000-11320000 16,28 COFESA COMERCIAL FERREIRA SANTOS S/A 95620000 99550000-3933340 3,95 CEREALISTA MARANHÃO LTDA 26390000 31640000-5245370 16,58 CS AVENIDA COM IMP LTDA 112100000 99720000 12360000 12,39 CS PRINCIPAL LTDA 28000000 27020000 984034 3,64 DE CARLI S/A SUPERMERCADOS 18540000 18360000 175271 0,95 G BARBOSA & CIA LTDA 573900000 629000000-55090000 8,76 INDUSTRIAL MOAGEIRA LTDA 18230000 18980000-745709 3,93 IRMÃOS BOA LTDA 20570000 26830000-6263243 23,34 IRMÃOS RUSSI LTDA 195800000 241500000-45690000 18,92 JAD ZOGHEIB & CIA LTDA 84440000 98870000-14430000 14,59 J MARTINS SUPERMERC PLANALTO LTDA 32530000 38650000-6122932 15,84 KUSMA & CIA LTDA 25020000 30110000-5094159 16,92 L C BONATO E CIA LTDA 18420000 18430000-12436 0,07 LEMBRASUL SUPERMERCADOS LTDA 82520000 74100000 8422810 11,37 LOJAS POPULARES LTDA 37740000 44370000-6632236 14,95 LUIZ TONIN & CIA LTDA 44550000 61320000-16770000 27,35 TISCHLER & CIA LTDA 40650000 42700000-2051865 4,81 SUPERMERCADO RISPOLI LTDA 43980000 35870000 8108069 22,60 Erro Médio Relativo (%) 10,76 Tabela 1 Resultados das RNA s para previsão de faturamento ENEGEP 2002 ABEPRO 6

Deve-se ressaltar que o percentual de erro apresentado na tabela não corresponde ao erro de treinamento da rede, mas ao teste de previsão referente ao ano 2000 Além disso, o número de épocas de treinamento foi consideravelmente pequeno bem como a taxa de aprendizado (learning rate), para não comprometer a rede com o viés do overfitting (um supertreinamento) Como cada supermercado possui sua própria rede é possível que novas topologias ou diferentes algoritmos de treinamento possam melhorar o desempenho, minimizando o erro Assim, cada supermercado possui a sua própria relação entre as variáveis que podem determinar o faturamento Para medir o desempenho da rede foram determinados os percentuais de erro relativo: FATUR T FATUR % ERRO = T FATUR A partir desse resultado pode-se observar que algumas redes obtiveram resultados significativos, como por exemplo, a rede do supermercado COMPANHIA BRASILEIRA DE DISTRIBUIÇÃO com um erro relativo de 0,23%, e outras não tão significantes, como foi o caso da rede do supermercado LUIZ TONI & CIA LTDA que apresentou o maior erro relativo, de 27,35% Uma segunda análise refere-se à tabela abaixo que mostra a capacidade de previsibilidade do modelo desenvolvido com a baixa faixa de erro associada Faixa de Erro (%) Número de Supermercados 0-5 10 5-10 4 10-15 8 15-20 6 Acima de 20 3 Tabela 2 Faixa de erro de previsão do modelo Apesar da variação dos percentuais de erro das diversas redes neurais desenvolvidas a média dos erros foi de 10,76%, podendo ser considerada aceitável como resultado global do experimento 4 Considerações Finais Redes neurais artificiais são modelos não-interpretáveis Seu conhecimento é codificado em pesos e associado com as conexões da rede Desvendar as relações de uma rede neural é praticamente inviável, a extração de regras do modelo tem sido pesquisada e se demonstram como uma possível forma de transformar o processo de decisão mais transparente Apesar disso, os modelos de redes neurais se mostram válidos a utilização em problemas não estruturados Neste trabalho, com a sua utilização em previsão de faturamento de supermercados o modelo mostra-se apto, com uma média de erro relativo de aproximadamente 10%, sendo considerada satisfatória O estudo desenvolvido demonstrou ser um eficiente modelo de previsão de faturamento nas redes vareistas Esta afirmação é ainda mais relevante se considerarmos que no período analisado ocorreram grandes mudanças no cenário competitivo do vareo brasileiro e o percentual de erro ainda assim foi reduzido Assim, o modelo pode auxiliar tanto as cadeias vareistas como ao mercado na previsão do faturamento anual de cada rede de supermercados, audando no planeamento estratégico da empresa e na análise de seu desempenho ENEGEP 2002 ABEPRO 7

Bibliografia BERMAN, B, EVANS, J R Retail Management: a strategic approach USA: Prentice- Hall, 1998 BUZZEL, R D, GALE, B T Tha PIMS Principles Linking Strategy to Performance Macmillan, Inc, 1987 FAUSETT, L Fundamentals of Neural Networks: architetures, algorithms, and applications USA: Prentice-Hall, 1994 HAYKIN, S Neural Networks: a comprehensive foundation USA: Prentice-Hall, 1994 HERTZ, J, KROGH, A and PALMER, RG Introduction to the Theory of Neural Computation USA: Addison-Wesley Publishing Company, 1991 LEVY M, WEITZ, B A Adminsitração de Vareo São Paulo: Atlas, 2000 MORAES, M B C e NAGANO, M S Redes Neurais Artificiais em Negócios: conceitos e aplicações São Paulo: 1 o Seminário USP de Contabilidade, 2001, p 1-16 PORTER, M E Competição On Competition: Estratégias Competitivas essenciais Rio de Janeiro: Campus, 1999 SHI, S H, XU, L D and BA, L Improving the accuracy of nonlinear combined forecasting using neural networks USA: Expert System with Applications, 1999, Vol 16 p 49-54 WALCZAK, S An Empirical Analysis of Data Requirements for Financial Forecasting with Neural Networks USA: Journal of Managements System, 2001, Vol 17 p 203-222 YAO, J, LI, Y and TAN, C L Option price forecasting using neural networks USA: OMEGA The International Journal of Management Science, 2000, Vol 28 p 455-466 ZHANG, G, PATUWO, B E and HU, M Y Forecasting with artificial neural networks: The state of art USA: International Journal of Forecasting, 1998, Vol 14 p 35-62 ZHANG, G P, PATUWO, B E and HU, M Y A simulation study of artificial neural networks for nonlinear time-series forecasting USA: Computers & Operations Research, 2001, Vol 28, p 381-396 ENEGEP 2002 ABEPRO 8