Featured Video

Description

Github: https://github.com/erikyryan/ambev-hackathon
Mockup: https://youtu.be/rds9m4Q3kOQ

Título: A aplicação de mineração de dados com técnicas de previsão de séries temporais para a otimização de vendas cruzadas.

 

Autor(es): Renata Gonçalves Curty; Jucenir da Silva Serafim; Laci Mary Barbosa Manhães; Sérgio Manuel Serra da Cruz; Raimundo J. Macário Costa; Jorge Zavaleta; Geraldo Zimbrão; Valter Afonso Viera; Deividi Pires; Ronie Galeano; Luciana Gomes Castanheira; Heikki Mannila; Pedro César Tebaldi Gomes; Alyne Pessoa; Bo Peng; Haiyan Song; Geoffrey I. Crouch; Pedro Alberto Morettin; Clélia Maria de Castro Toloi;  Davy Antonio da Silva; Maria Eliana dos Santos; Daniel Fonseca Costa; Matheus Lima Medeiros; Matheus Valeriano da Silva; Diego Milnitz; Jamur Johnas Marchi; Robert Wayne Samohyl; Patrícia Schrippe; Ana Maria Weiss Iarczewski; Sara Rodrigues dos Santos; Silvana Ligia Vincenzi Bortolotti; Fernando de Jesus Moreira Junior; Ana Paula de Sousa.


 

Resumo: O presente trabalho tem como objetivo explorar a técnicas de vendas cruzadas, a mineração de dados e a previsão. A venda cruzada é uma ferramenta utilizada para persuadir o usuário a comprar produtos relacionados a sua compra primordial, ou seja, ao se escolher um produto na mesma página aparece as seções de “Clientes que compraram este item também compraram” ou “Compraram juntos com frequência”, fazendo com que assim o cliente compre mais itens semelhantes como que já comprou. Além da técnica de indução a compra, observou-se , a relação entre as ferramentas de análise de dados, mineração de dados, e modelos de séries temporais, o método Holt-Winter, que será usado para previsão da quantidade de compras a ser efetuadas no espaço de tempo, para assim os fornecedores terem a possibilidade de uma fabricação de acordo com os valores estimados. Por fim, para o sistema de recomendação, utiliza-se o algoritmo Apriori, o qual mapeia a frequência de saída dos produtos  juntos, ou seja, quantas vezes o produto A foi adquirido na mesma compra que o produto B, com o intuito de tornar mais fácil a visualização dessas combinações para os fornecedores assim estimular uma compra conjunta, a venda cruzada.


Palavras-chave: Vendas cruzadas; Mineração de dados; Holt-Winters; Apriori; compras; sistema de recomendação.


Abstract:  This article aims to explore the cross-selling technique combine with data mining and Holt-Winters, to be implemented in the virtual market. Cross-selling is an appliance used to persuade the user to buy products related to their primary purchase, in other words, when choosing a product and on the same page it appears as “Customers who bought this item also bought” or “Bought together often”, thus making the customer buy more items similar to what he has already purchased. In addition to the purchase induction technique, a relationship was observed between data analysis tools, data mining, and time series models, the Holt-Winter method, which will be used to forecast the amount of purchases to be made in time, so that suppliers have the possibility of manufacturing according to the estimated values. Finally, for the recommendation system, the Apriori algorithm is used, which maps the output frequency of the products together, that is, how many times product A was purchased in the same purchase as product B, in order to make It is easier to build these companies for suppliers, thus encouraging joint buying, cross-selling.

 

Keywords: Cross-selling; Data Mining; Holt-Winters; Apriori; recommendation system; purchases.

 


Introdução: Na sociedade atual, a busca por reinvenção para os meios digitais e a busca por prever o próximo passo do cliente vem sendo imprescindível para o crescimento de um negócio, visando a busca por ganhos. Desse modo, a utilização técnicas de convenção de cliente, destacando entre elas a venda cruzada, isto é, o site oferece ao usuário produtos semelhantes a sua compra, aumentado o seu potencial de vendas e seus desempenho de lucro (PESSOA,2020).

Outrossim, um ponto relevante nessa narrativa, é como esses dados são coletados, interpretados e mostrados ao usuário. De acordo com Curty, as organizações e a ciência de modo geral dependem diretamente de dados, sendo assim, perceptível o papel desses enquanto insumos essenciais para o processo de tomada de decisão. Atualmente, a aplicação das técnicas de mineração de dados é facilitada devido a existência de ferramentas que dispõem de recursos de análise dessas informações e implementam algoritmos específicos (MANHÃES,2011). 


Ademais, Conforme Vieira (2013), a data mining , ou mineração de dados, relacionada com a venda cruzada está associada positivamente com a lucratividade. Pode ser quando certos clientes possuem comportamentos adversos e são persistentes, o envolvimento com a compra exibe uma espiral descendente de relacionamento do tipo não rentável, com as perdas aumentando cada vez mais, dados altos níveis de cross selling. Para Castanheira (2008), um dos principais problemas em coletar dados é descobrir onde encontrá-los. Porém, há uma crescente relacionada à obtenção de informações para as autoridades na tomada de decisão.

Além disso, com o intuito de estimular mais o desempenho positivo das empresas, utiliza-se uma técnica de  Holt-Winters, a qual opera com uma série de dados pré-coletados para aferir um padrão numérico em um determinado espaço de tempo, acarretando uma melhor interpretação das transações (CÉSAR,2019).Com isso, a junção de estratégias operacionais,  Holt-Winters, data mining e vendas cruzadas, proporcionam uma maior segurança para as empresas.

Com a observação e identificação dos padrões que podem vir a se repetir. Conforme Lodi, uma atitude frente aos riscos, comum entre as empresas jovens, tendem a ser mais ambiciosas visando o lucro e o crescimento. Desse modo, buscar uma estimativa do que o cliente pode vir a comprar de novo e preparar de forma individual para ele, tende a aumentar a receita da empresa e gerar uma certa previsibilidade, mesmo com margem de erro.

À face do exposto, este trabalho tem como ideia principal, relacionar as técnicas de Holt-Winters, data mining e vendas cruzadas, e apresentar um algoritmo de tal solução que seja implementado. Desse modo, tornando a ter um maior desempenho relacionado às estimativas temporais, baseando-se em valores periódicos registrados anteriormente, gerando uma estimativa mais precisa para a realização das vendas cruzadas e um possível aumento na receita para a empresa. Com isso, buscando tomar decisões visando a obtenção de lucro a médio e a longo prazo.

Como também, o grande volume de informações, permite a recomendação para cada usuário. Assim, sistemas de recomendações buscam filtrar as informações por meio de práticas de mineração de dados e filtrar as informações necessárias(MOTTA,2011). Portanto, a aplicação do modelo Holt-Winters, juntamente com um sistema de recomendações, permite que o negócio tenha uma noção sobre o volume de produção e permite que o cliente tenha produtos personalizados, conforme o que ele já compra, e sugestões baseando-se no que ele já consome, que venham a ser do seu interesse.


Metodologia: O trabalho usa da mineração de dados para identificar padrões nas informações e para o tratamento e em seguida a aplicação das informações em um modelo estatístico, Holt-Winter, para então aplicar na geração de sugestões para o cliente.


2.1 Mineração de dados: Primeiramente, antes da aplicação em modelos matemáticos, é necessário um pré processamento dos dados, ou seja, avaliar as variáveis necessárias para evitar o carregamento desnecessário de informações. Dessa forma, é feito o processo de Data Wrangling, o qual estudamos as variáveis, presentes nos documentos disponibilizados.

Além de entende-se como cada uma interfere no cotidiano da empresa e do atacadista, organiza-se e efetiva a limpeza de dados desnecessários para a solução proposta, após esses procedimentos é necessário a criação de um estratégia de como cada dado será utilizado para não perder seu valor, e assim ser validado, para então, depois, a sua utilização no processo seguinte do algoritmo envolvendo as previsões temporais.

Para o algoritmo que está sendo desenvolvido escolheu se utilizar as seguintes variáveis: data da compra(Doc. Date), quantidade de unidades compradas(Order qty), o identificador do produto(Material) e o identificador do atacadista(Ship-to nu), contudo com a produção do algoritmo, pode se ver necessário mais algumas informações.

 

2.2 Métodos estatísticos: Ademais, para tratar diferentes informações de cunho quantitativo, como Peng (2014) afirma, que os principais métodos de previsão quantitativa que podem auxiliar o processo empresarial se enquadram em três categorias: (1) Modelos de séries temporais; (2) Modelos econométricos e; (3) Inteligência Artificial (IA). Por se tratar de dados sazonais, estabeleceu-se que se trataria de um modelo de séries temporais.

Os métodos de séries temporais projetam a partir de dados anteriores às séries futuras. A capacidade de prever o futuro com base em dados do passado é uma ferramenta fundamental para apoiar a tomada de decisão individual e organizacional (SCHRIPPE,2015). Porém, o fato de projetar o cenário futuro, não implica em uma maior precisão. Pois, não há um direcionamento para melhoria dos setores que necessitam para que haja um desempenho superior.

Desse modo, o método de Holt-Winters é uma técnica determinística de previsão, que não exige condições, como assumir distribuição normal, para os dados serem manipulados (SCHRIPPE,2015). De acordo com Morettin e Toloi (1987), esse modelo possui procedimentos baseados em três equações com constantes de alisamento diferentes, sendo associados a cada uma das componentes do padrão da série, nível, tendência e sazonalidade.

O modelo Holt-Winters é apropriado para séries que apresentam tendência linear e movimentos sazonais. Os dois métodos de Holt-Winters que combinam com as técnicas de séries temporais são o Multiplicativo e Aditivo, os quais são explicados, em seguida (CAIADO,2006). Portanto, usando dados de periódicos anteriores, de escolhas feitas pelos clientes, gerar possíveis escolhas para o período futuro, no mesmo intervalo de tempo de dados obtidos anteriormente.

Ademais, para tratar diferentes informações de cunho quantitativo, como Peng (2014) afirma, que os principais métodos de previsão quantitativa que podem auxiliar o processo empresarial se enquadram em três categorias: (1) Modelos de séries temporais; (2) Modelos econométricos e; (3) Inteligência Artificial (IA). Por se tratar de dados sazonais, estabeleceu-se que se trataria de um modelo de séries temporais.

 

Os métodos de séries temporais projetam a partir de dados anteriores às séries futuras. A capacidade de prever o futuro com base em dados do passado é uma ferramenta fundamental para apoiar a tomada de decisão individual e organizacional (SCHRIPPE,2015). Porém, o fato de projetar o cenário futuro, não implica em uma maior precisão. Pois, não há um direcionamento para melhoria dos setores que necessitam para que haja um desempenho superior. 


Desse modo, o método de Holt-Winters é uma técnica determinística de previsão, que não exige condições, como assumir distribuição normal, para os dados serem manipulados (SCHRIPPE,2015). De acordo com Morettin e Toloi (1987), esse modelo possui procedimentos baseados em três equações com constantes de alisamento diferentes, sendo associados a cada uma das componentes do padrão da série, nível, tendência e sazonalidade.


O modelo Holt-Winters é apropriado para séries que apresentam tendência linear e movimentos sazonais. Os dois métodos de Holt-Winters que combinam com as técnicas de séries temporais são o Multiplicativo e Aditivo, os quais são explicados, em seguida (CAIADO,2006). Portanto, usando dados de periódicos anteriores, de escolhas feitas pelos clientes, gerar possíveis escolhas para o período futuro, no mesmo intervalo de tempo de dados obtidos anteriormente.


Para se aplicar o modelo de Holt-Winters para o caso da sazonalidade multiplicativa será apresentada, pelas equações: 



Na qual, α(t) e b(t) representam a atualização do nível e do declive, respectivamente, Stₜo índice sazonal e α , 𝛽  e γ  são as constantes de alisamento. A responsável pela previsão a n passos, assume a expressão:




Desse modo, relacionado ao componente de tendência, essa continua tendo uma formulação aditiva (SILVA,2016). Assim, o modelo tem a capacidade de incorporar tanto tendência linear quanto o efeito sazonal.


Logo, para da inicio a aplicação do algoritmo de Holt-Winters. É necessário a obtenção dos valores iniciais de a(t), b(t) e S. Assim, inicialmente, calcula-se a média das primeiras s observações.


Para a obtenção do declive inicial, é conforme a expressão:


Dessa forma, o método Holt Winter permite que torna-se possível a construção de um negócio que visa, a estimativa de períodos específicos para cada cliente e uma visão geral para possíveis ofertas personalizadas para determinados públicos da empresa, podendo aumentar o potencial de lucro da empresa(LODI). 


2.3 Sistema de Recomendação: cross-selling: O sistema de recomendação tem como princípio fornecer sugestões ao usuário de itens que complementam a sua ação, no caso das compras, produtos semelhantes ao que o cliente já consome ou está comprando no momento. Além de auxiliar o cliente com o excesso de informações , pois essa técnica faz uma filtragem e apresenta na tela somente as que serão relevantes para aquele momento.Tendo, principalmente, duas arquiteturas básicas, uma baseada no conteúdo, a qual a similaridades dos itens que será usada para a recomendação,ou seja, itens com a mesmas características serão recomendados para aquele cliente, e a outra uma filtragem colaborativa, essa por sua vez foca na relação cliente-objeto, juntando uma coleção de perfil e traçando uma recomendação para eles a partir de um mesmo item.(BONIN,2018).

2.3.1 regras de associação:Regras de associações consistem em padrões  que ocorrem com determinada combinação de itens, sendo, tipicamente, aplicada nas análise de transações de compra, market basket analysis, com base em um banco  de dados que armazena os produtos e os seus compradores(GONÇALVES,2006). Para esses cálculos são adotados algumas variáveis sendo(COSTA,2019),


I.comprimento = quantidade de um conjunto de itens


II. Support (suporte) = porcentagem das transações do comprimento do banco de dados


III. Confidence (Confiança) = representa as transações comuns entre o conjunto de itens

IV. Lift (Levantamento) =  indica a chance de um produto ser comprado juntamente a outro produto.


V. Conviction (Convicção) = a medida de erro da Regra de associação

Com isso duas suposições aparecem,

1.Se Conf(x  y) = 1, o resultado do Conviction é definido como infinito

2.Se Supp(y) = 1, o resultado do Conviction é 0, ou seja, essa transação sempre será certa 


2.3.2 Confiança e Suporte: Para um análise de regras de associação em um conjunto de dados é necessário reaver todas as normas que contêm suporte e confiança maiores ou iguais, respectivamente a um suporte mínimo (SupMin) e uma confiança mínima 

(ConfMin), tornando o suporte e confiança medidas de interesse sendo assim o processo de data  mining separado em duas etapas(GONÇALVES,2006):

  1. Delimitar todos os conjuntos de itens com suporte  maior ou  igual a SupMin. Denominados de conjuntos frequentes

  2. E para cada conjunto frequentes delimitados gera regras de associação com confiança maior ou igual ConfMin


 2.3.3 APRIORI: É um algoritmo que implementa as regras de associação  e calcula o support de todas as combinações de itens e extrair os subconjuntos mais frequentes, tendo como base os seguintes passos(GONÇALVES,2006),

  1. criado e interpretado  uma tabela que expressa a frequência de cada item

  2. definindo o support threshold, ou seja o mínimo de vezes que o produto deve aparece para ser considerado significantes nas transações 

  3. análise a partir do support threshold e traçando as combinações e as suas respectivas repetições 

  4. Por último analise se agora as combinações e suas repetições para três produtos e  aplica se o support threshold novamente para garantir que nenhum item irá sobrar.

    Como a base desses processos é uma regra de associação, foi definido valores para os parâmetros confidence e support, sendo eles iguais a 0.5 e a 0.2, respectivamente. Para finalizar, o resultado desse algoritmo é uma árvore em que cada folha corresponde a uma regra de associação da combinação dos produtos, proporcionando aos fornecedores uma experiência interativa e visual, sobre os pedidos dos seus atacadistas.


2.4 Aplicação no dia a dia : A aplicação em questão tem como objetivo facilitar  o dia a dia dos fornecedores por meio do método Holt Winter, prevendo o resultado estimado da quantidade de consumo dos seus atacadista, essa resolução foi pensada para que a produção de mercadoria não ultrapasse, e assim não ocasione uma perda de investimento. E outra metodologia utilizada, foi o sistema de recomendação, por intermédio do algoritmo Apriori, já esse tem como intuito mapear o consumo  do usuário e assim expressar um padrão de vendas com produtos combinados, ou seja, assim a fornecedores tem uma lista dos produtos que mais saem em conjunto, resultando uma melhor análise dos produtos e dos interesses dos seus atacadistas.




3. RESULTADOS ESPERADOS:Baseado em revisão bibliográfica, pode-se concluir que na maioria dos casos analisados o modelo de previsão, Holt-Winters, apresenta uma adaptabilidade boa em relação ao problema apresentado, mesmo tendo valores fora do padrão, conseguiu-se obter uma boa assertividade aumentando as vendas e consequentemente aumentando a receita para a empresa(MEDEIROS,2020).


Além disso, conforme Hanke (2001), o método de Holt-Winters, é mais indicado quando se está trabalhando com dados sazonais, sem necessariamente estacioná-los, e com os quais se pretende realizar previsões de curto prazo. Porém, em alguns casos pode apresentar problemas visuais dificultando a identificação entre a diferença entre os valores previstos e observados na coleção de dados que se analisa(MILLNITZ,2011). 


Ademais,  uma sugestão realizada por Samohyl(2008), para o problema acima, na área de previsão a discrepância entre o valor previsto e o observado é uma excelente medida de qualidade dos valores previstos. Assim, se mostrando um modelo com uma maior assertividade para as vendas cruzadas, tornando possível aumentar a receita da empresa que o saiba utilizá-lo. Além disso, com o que foi mostrado na metodologia, pode-se concluir que o modelo demonstra ser ideal para séries que tem tanto um efeito de tendência aditivo, bem como um efeito sazonal aditivo superposto(SILVA,2016).


Um trabalho realizado pelo Schrippe(2015), na qual, aplicou-se o modelo Holt-Winters para a previsão dos lucros, na empresa Natura, o resultado obtido gerou dados trimestrais, com a aplicação de dados de 2008 a 2018, havendo um Erro Médio(EM) inferior a -4%. Além disso,  o Quadrado Médio, sendo usado para medir a variação total dos dados, que acima de 650. Obtendo o seguinte lucro líquido:




Lucro líquido da empresa Natura dividido em 24 trimestres (SCHRIPPE,2015).


Com isso, o autor observou que há uma tendência dos períodos mais recentes terem maiores valores, a sazonalidade mensal iniciando com queda de vendas nos primeiros trimestres e se mantendo em alta nos últimos trimestres dos anos. Conforme os dados obtidos, pôde-se concluir que baseado nos eventos sazonais, que o modelo Holt-Winters foi o apropriado para efetuar as previsões.

    Desse modo, pode-se aplicar a ideia de vendas cruzadas, efetuadas pelos clientes, observando as tendências e combinações feitas pelo mesmo, identificar possíveis combinações, que pode ser usado para aumentar o lucro para a empresa, por meio de promoções que favoreçam o negócio e o consumidor. Porém, como explica Lopes(2019), o método é capaz de gerar previsões de curto prazo.


4.DISCUSSÕES: Tendo em ciência os resultados apresentados por Luciana, sobre a mineração de dados e sua imensa importância para se encontrar correlações em um conjunto de dados, ajudando na hora de encontrarmos um padrão de consumo, que pode ir se repetindo em uma série temporal(CASTANHEIRA,2008).

Ocasionalmente os padrões de consumo dos cliente pode varia conforme a época do ano ou situação financeira que se encontram, tendo um mapeamento dos padrões de consumo dos clientes e de como eles variam com o passar do tempo, podemos descartar decisões heurística e começar a tomar decisões a parti da análise de dados.

Além disso as decisões não devem ser seguidas à risca, entretanto devem ser analisadas pelo gestor ou superior responsável, tornando assim não numa regra, mas numa poderosa ferramenta na tomada de decisões.

Com o presente modelo, pode-se montar um planejamento para esses meses, tanto de aquisição de matéria prima, processo produtivo e até uma expectativa de receita para o financeiro, alinhamento este que a empresa tem como objetivo(MEDEIROS,2020).


 

5. CONSIDERAÇÕES FINAIS


        Com base no levantamento de informações obtidas com o estudos das três técnicas descritas nos textos anteriores, vendas cruzadas, mineração de dados e Holt-Winters, conclui se que a mesclagem entre essas ferramentas se faz necessária no contexto atual brasileiro, visto que o aumento das transições tem se dado principalmente de forma virtual, ou como conhecido o e-commerce. Dessa forma, o mercado antes conhecido com anúncios em forma de papel ou até oralmente, já não tem a mesma utilidade, sendo assim fundamental a criação de mecanismo para evitar o decaimento do desempenho das empresas.

Neste trabalho evidenciamos que os três métodos adotados juntos, garantem a empresa um saldo positivo no final do mês, pois a venda cruzadas oferece um aumento em cada negociação, e com a mineração de dados essas vendas podem ser personalizadas para cada cliente, acarretando uma transição mais certa.

E por fim, o teorema de Holt-Winters, trás às empresas uma certa segurança com a previsão de números referente aos custos e vendas. Sendo assim, todas as questões levantadas nessa pesquisa foram devidamente respondidas e explicadas ao longo do texto.

      


Referências: CURTY, Renata Gonçalves; DA SILVA SERAFIM, Jucenir. A formação em ciência de dados: uma análise preliminar do panorama estadunidense. Informação & Informação, v. 21, n. 2, p. 307-331, 2016. Disponível em: https://www.uel.br/revistas/uel/index.php/informacao/article/view/27945/20195 . Acesso em: 29 de setembro de 2021


MANHÃES, Laci Mary Barbosa et al. Previsão de estudantes com risco de evasão utilizando técnicas de mineração de dados. In: Brazilian symposium on computers in education (simpósio brasileiro de informática na educação-sbie). 2012. Disponível em: Previsão de Estudantes com Risco de Evasão Utilizando Técnicas de Mineração de Dados | Manhães | Brazilian Symposium on Computers in Education (Simpósio Brasileiro de Informática na Educação - SBIE) (br-ie.org) . Acesso em: 29 de setembro de 2021


VIEIRA, Valter Afonso; PIRES, Deividi; GALEANO, Ronie. Determinantes do desempenho empresarial e das vendas cruzadas no varejo. Revista de Administração de Empresas, v. 53, p. 565-579, 2013. Disponível em: https://www.scielo.br/j/rae/a/hPQ9xfKQ3sN5qN9KPg4g8Zt/?format=pdf&lang=pt. Acesso em: 29 de setembro de 2021.


CASTANHEIRA, Luciana Gomes. Aplicação de técnicas de mineração de dados em problemas de classificação de padrões. 2008. Disponível em: https://repositorio.ufmg.br/bitstream/1843/BUOS-8CDFQK/1/luciana_gomes_castanheira.pdf . Acesso em: 30 de setembro de 2021


MANNILA, Heikki. Data mining: machine learning, statistics, and databases. In: Proceedings of 8th International Conference on Scientific and Statistical Data Base Management. IEEE, 1996. p. 2-9. Disponível em: https://ieeexplore.ieee.org/abstract/document/505910 . Acesso em: 28 de setembro de 2021.


GOMMES, Pedro. Holt-Winters: O QUE É O ALGORITMO HOLT-WINTERS E COMO FUNCIONA?. 2019. Disponível em: https://www.opservices.com.br/holt-winters/ . Acesso em: 28 de setembro de 2021.


PESSOA, Alyne. O que é vendas cruzadas no e-commerce. 2020. Disponível em:

https://expertsender.com.br/blog/o-que-e-venda-cruzada-no-e-commerce/#:~:text=A%20venda%20 cruzada%20é%20uma,ao%20que%20 ele%20já%20 comprou.&textO%20 objetivo%20de%20 negócios%20 dessa,não%20 conhecer%20os%20produtos%20 adicionais. Acesso em: 28 de setembro de 2021.


PENG, B.; SONG, H.; CROUCH, G. I. A meta-analysis of international tourism demand forecasting and implications for practice. Tourism Management, v. 45, p. 181-193. Dec., 2014. Disponível em: https://www.sciencedirect.com/science/article/abs/pii/S0261517714000806 . Acesso em: 27 de setembro 2021


MORETTIN, Pedro Alberto; TOLOI, Clélia Maria de Castro. Previsão de séries temporais. 2. ed. São Paulo: Atual, 1987.


SILVA, Davy Antonio da; SANTOS, Maria Eliana dos; COSTA, Daniel Fonseca. A utilização do modelo Holt-Winters na elaboração de um orçamento de resultado de uma cooperativa de crédito rural. Revista de Contabilidade do Mestrado em Ciências Contábeis da UERJ, v. 21, n. 1, 2016. Disponível em: http://www.atena.org.br/revista/ojs-2.2.3-08/index.php/UERJ/article/viewArticle/2881. Acesso em: 27 de setembro de 2021.


MEDEIROS, Matheus Lima; DA SILVA, Matheus Valeriano. Disponível em: https://www.proceedings.blucher.com.br/article-details/aplicao-do-mtodo-de-holt-winters-para-previso-de-estoque-intermedirio-em-uma-metalrgica-35169.  Acesso em: 27 de setembro de 2021.


MILNITZ, Diego; MARCHI, Jamur Johnas; SAMOHYL, Robert Wayne. Previsão da demanda: uma aplicação do método Holt-Winters em uma indústria têxtil de grande porte. Encontro Nacional de Engenharia de Produção-ENEGEP, 2011. Disponível em: http://www.abepro.org.br/biblioteca/enegep2011_tn_sto_135_856_18148.pdf. Acesso em: 28 de setembro de 2021. 


SAMOHYL, R. W.; SOUZA, G.; MIRANDA, R. Métodos Simplificados de Previsão Empresarial, Editora Ciência Moderna do Rio de Janeiro, 2008. Disponível em: https://d1wqtxts1xzle7.cloudfront.net/30985301/Robert_Wayne_Samohyl_-_Slides_da_Palestra_em_06-06-with-cover-page-v2.pdf?Expires=1633045642&Signature=gL2~VRHE2klaa939WBur9RbQk7SouggnTAv~-8qoBDLBEw~BqXeTrvT7a8AGjyfbg4Gryzaav6v5JFPJKElW38gUEGxkgyCp9TCktySXt-fBqdKpVyqqJ~Hg4b4kE4rIJO3ggTsqrK53VDwUYHoiqBGsg95o6RIWbqGeJoa~lRcXBbxqZpE94h56QWa59Xe9SCbodXqxZ~rgeK1Di2u57ZgQYxunJQzmQ4QNs3T2k1QLSYEzBnnog7scTU8CzyKwVzr96sCjMvEJy6wUZ8lD2LzvdLV9hnJPc5S9DKU7Czw3S2yOlLPmd3XQ03LpUf6IJOQk6QWalZPXQFcvBNeSfA__&Key-Pair-Id=APKAJLOHF5GGSLRBV4ZA. Acesso em: 27 de setembro de 2021. 


SCHRIPPE, Patrícia et al. Estratégia empresarial para a Natura: Análise de correlação e previsão dos lucros por meio do modelo Holt-Winters. Revista Reuna, v. 20, n. 4, p. 05-26, 2015. Disponível em: https://revistas.una.br/reuna/article/view/645. Acesso em: 28 de setembro de 2021.


DE SOUSA, Ana Paula. Análise comparativa da previsão de séries temporais através da modelagem Holt Winters e arima para preço do etanol em Goiás. 2011. Disponível em: http://www.abepro.org.br/biblioteca/enegep2011_TN_STO_140_888_18808.pdf. Acessado em: 29 de setembro de 2021.


MOTTA, C. L. R. et al. Sistemas de recomendação. Pimentel, M.; Fuks, H.“Sistemas colaborativos”. Rio de Janeiro: Elsevier, 2011. Disponivel em: https://www.researchgate.net/profile/Jonice-Oliveira/publication/328228374_Sistemas_de_Recomendacao/links/5bbf9ec5a6fdcc2c91f6ac1a/Sistemas-de-Recomendacao.pdf Acesso em: 16 de outubro de 2021


LOPES, Gustavo Picoli. Previsão de vendas em alta frequência do varejo brasileiro: um estudo comparativo entre modelos tradicionais e redes neurais artificiais. 2019. Tese de Doutorado. Disponivel em: http://bibliotecadigital.fgv.br/dspace;/bitstream/handle/10438/27707/Dissertação_Gustavo_Lopes_v_final.pdf Acessado em: 16 de outubro de 2021.


GONÇALVES,  Eduardo Corrêa. Regras de Associação e suas Medidas de Interesse Objetivas e Subjetivas. 2006. Disponível em: https://www.researchgate.net/publication/301504294_Regras_de_Associacao_e_suas_Medidas_de_Interesse_Objetivas_e_Subjetivas . Acessado: 28 de outubro de 2021.


DOS SANTOS, Vinicius. Como funciona o algoritmo Apriori. 2018. Disponível em: Como funciona o algoritmo Apriori » Computer Science Master .Acessado: 28 de outubro de 2021.