Projeto RH 4.0 FeD Forecast e Dimensionamento Automático para equipas de Retalho (Projeto n.º 39719)

[Audio] Este vídeo apresenta o projeto RH 4.0 Fed, forecast e dimensionamento automático para equipas de retalho, que teve a colaboração da Sisqual workforce management e da universidade de Aveiro. O projeto foi cofinanciado pelo programa Compete 2020, pelo programa Portugal 2020 e pela União Europeia através do fundo europeu de desenvolvimento regional..

[Audio] A gestão da força de trabalho de uma empresa é uma tarefa complexa que envolve várias áreas. Desde a previsão de necessidades, o planeamento, e a otimização de processos, até à gestão das operações do dia-a-dia e de salários..

[Audio] Esta gestão é importante uma vez que contribui para a melhoria da qualidade de serviço e das condições de trabalho, aumenta a eficiência e a otimização de recursos e promove a sustentabilidade..

[Audio] No entanto, a previsão de necessidades e o planeamento são tarefas que nalguns casos podem ser complexas ou podem produzir resultados que não são ótimos, devido a circunstâncias e fatores externos que envolvem algum nível de incerteza..

[Audio] Temos assistido ao aparecimento e crescente utilização de novas tecnologias, em particular, a utilização de modelos de aprendizagem automática, em várias áreas da atividade humana. Por exemplo, no desenvolvimento de veículos inteligentes, nas redes sociais, no processamento de linguagem natural, em sistemas de recomendação e motores de pesquisa, na medicina, na cyber segurança e em métodos de previsão..

[Audio] Neste projeto, estudámos e desenvolvemos métodos de aprendizagem automática para prever o fluxo de clientes e o dimensionamento de equipas de lojas de retalho a partir de dados históricos. O objetivo é desenvolver ferramentas que a Sisqual pode integrar no seu software para disponibilizar um serviço de maior qualidade aos seus clientes, tirando partido destas tecnologias emergentes..

[Audio] Relativamente à previsão do fluxo de clientes. Dados históricos são usados para treinar modelos de aprendizagem automática que são depois usados para fazer previsões do fluxo de clientes. Relativamente à previsão do dimensionamento (tamanho de equipas). A partir de previsões do fluxo de clientes, modelos de aprendizagem automática são treinados e posteriormente usados para prever o dimensionamento de equipas..

[Audio] Previsão do fluxo de clientes. Trabalho realizado..

[Audio] Durante este projeto, estudámos as caraterísticas dos dados históricos, que podem ter um impacto negativo na qualidade das previsões e avaliámos e desenvolvemos técnicas de pré-processamento para melhorar a qualidade dos dados. Estudámos e avaliámos a utilização de diferentes estratégias de previsão e estudámos, desenvolvemos e avaliámos diferentes modelos de aprendizagem automática para fazer a previsão do fluxo de clientes..

[Audio] Realizámos várias experiencias, culminando numa comparação de vários modelos, envolvendo dados de várias lojas. Os resultados experimentais demonstram que vários modelos superaram a performance do modelo base sugerido na literatura e o modelo com melhores resultados é uma combinação dos resultados obtidos pelos 5 melhores modelos..

[Audio] Verificámos que no caso dos modelos com melhores resultados a curva de previsão está próxima do valor real. Também se verificaram situações em que os modelos não foram capazes de aprender..

[Audio] Previsão do dimensionamento. Trabalho realizado..

[Audio] Não foi possível fazer a previsão do dimensionamento como tinha sido pensado no início do projeto. Assim, adotámos duas estratégias. Fazemos a previsão do dimensionamento diretamente e fazemos a previsão do dimensionamento e do fluxo de clientes simultaneamente. No último caso, o modelo aprende as duas coisas ao mesmo tempo. Nos testes que foram realizados, verificámos que em média os modelos considerados não foram capazes de superar o modelo de benchmark..

[Audio] Em média, o modelo que se aproxima mais do modelo de benchmark é o que aprende a prever o fluxo de clientes e o dimensionamento, simultaneamente..

[Audio] Se observarmos loja a loja, verificamos que nalgumas lojas este modelo tem uma performance superior à do modelo de benchmark. Isto é uma indicação que embora em média os modelos estudados não superem o modelo de benchmark, podem ter melhor performance em determinados casos. Assim, podem também ser considerados e ajudar a obter melhores resultados nalguns casos. Nas 52 lojas consideradas, esta situação verificou-se em 18 delas..

[Audio] Quando consideramos um desvio, no caso do modelo que aprende o fluxo de clientes e o dimensionamento simultaneamente, verificamos que a previsão do modelo depois de arredondada usando a função round, em média, é igual ao valor real aproximadamente 78% das vezes, é menor e maior por uma unidade aproximadamente 7% e 12% das vezes, respetivamente, e é menor e maior por mais do que uma unidade aproximadamente 2% e 1% das vezes, respetivamente..

[Audio] Todas as fases da componente experimental foram importantes para decidir que modelos integrar com o software da Sisqual..

[Audio] Para realizar esta integração, foi desenvolvido um backend que disponibiliza um conjunto de serviços que permitem treinar modelos de previsão e usar modelos treinados previamente para obter previsões acerca do fluxo de clientes e do tamanho de equipas de lojas de retalho. A comunicação com o backend e os serviços que disponibiliza é estabelecida usando o protocolo HTTPS, mensagens JSON e uma API REST. O backend foi implementado usando tecnologias open-source..

[Audio] A arquitetura do backend é independente do sistema do cliente, permite disponibilizar o backend usando várias alternativas, por exemplo, num servidor físico ou num container, e permite a utilização de canais de comunicação segura para assegurar a segurança e a privacidade dos dados dos clientes..

[Audio] Também desenvolvemos um frontend para testar as funcionalidades do backend..

[Audio] Passamos agora à apresentação de três casos de utilização e interação com o backend desenvolvido usando o frontend de teste..

[Audio] Caso 1. Previsão do fluxo de clientes.. Caso 1 Previsão do Fluxo de Clientes.

[Audio] Para fazer a previsão do fluxo de clientes, primeiro o cliente tem de treinar um modelo de previsão. Para realizar esta tarefa, o cliente escolhe um tipo de modelo apropriado e define a informação usada durante a fase de treino. A seguir, envia o pedido ao backend. O backend informa o cliente que foi criada uma tarefa. O cliente pode verificar o estado das suas tarefas e consultar a lista de modelos já treinados. Quando o modelo estiver pronto, o cliente pode usar o modelo para obter um forecast..

[Audio] Caso 2. Previsão do tamanho de equipas.. Caso 2 Previsão do Tamanho de Equipas.

[Audio] Para fazer a previsão do tamanho de equipas, o cliente procede de forma idêntica ao primeiro caso..

[Audio] Caso 3. Previsão do fluxo de clientes e do tamanho de equipas..

27.

[Audio] Neste vídeo podemos observar a forma como um cliente pode usar o backend para fazer a previsão simultânea do fluxo de clientes e do tamanho de equipas (dimensionamento). Primeiro o cliente tem de treinar um modelo de previsão. Para realizar esta tarefa, o cliente escolhe um tipo de modelo apropriado e define a informação usada durante a fase de treino. A seguir, envia o pedido ao backend. O backend informa o cliente que foi criada uma tarefa. Quando o modelo estiver pronto, o cliente pode usar o modelo para obter um forecast..

[Audio] Passamos agora a apresentar a comparação de resultados obtidos por um Método da SISQUAL e pelos Modelos Disponibilizados pelo Backend..

[Audio] Analisando os resultados obtidos pelos métodos para prever o fluxo de clientes podemos verificar que no caso de algumas lojas alguns dos métodos disponibilizados pelo backend superam os resultados obtidos pelo método da SISQUAL e o método que combina o resultado dos melhores métodos tende a obter melhores resultados..

[Audio] Efetuando a mesma experiência para a previsão do tamanho de equipas, verificamos que no caso de algumas lojas, os modelos disponibilizados pelo backend superam o método da SISQUAL, como mostrado na figura..

[Audio] Prever o fluxo de clientes e o tamanho de equipas é importante para as empresas, por exemplo, para assegurar a qualidade de serviço e garantir a sustentabilidade do negócio. Neste projeto, estudámos, desenvolvemos e avaliámos a utilização de modelos de aprendizagem automática para realizar estas previsões e desenvolvemos métodos de pré-processamento com o objetivo de melhorar a qualidade dos dados usados durante a fase de treino. As várias experiências que foram realizadas, mostraram que estes métodos são capazes de gerar resultados que adicionam valor aos métodos usados pela SISQUAL. Neste sentido, desenvolvemos um backend que integra alguns destes modelos com o software WFM da SISQUAL..

[Audio] Obrigado.. Cofinanciado vx»r: CSMPETE Fund O Europeu.