Projeção de receitas (forecast) de uma empresa de tecnologia logística utilizando técnicas de machine learning
| dc.contributor.advisor | Vallim Filho, Arnaldo Rabello de Aguiar | |
| dc.contributor.author | Romboli, Denise Souza | |
| dc.date.accessioned | 2025-05-20T15:19:43Z | |
| dc.date.available | 2025-05-20T15:19:43Z | |
| dc.date.issued | 2025-03-12 | |
| dc.description.abstract | Considerando um cenário de constantes mudanças nos negócios e da necessidade de se antecipar informações e decisões, esta pesquisa busca propor um modelo para projeção de receitas (forecast) de uma empresa de tecnologia logística, utilizando técnicas de machine learning (ML). A metodologia realizada no estudo é intervencionista e inclui a coleta e análise de dados quantitativos do banco de dados da empresa que recebe a intervenção, por meio de uma ferramenta computacional, seguida da aplicação de diferentes técnicas de ML para a projeção de receitas. As projeções foram analisadas e comparadas por meio de indicadores selecionados. Em termos de implicações práticas espera-se melhorar a acurácia das previsões financeiras, facilitando a tomada de decisões estratégicas e operacionais na empresa estudada e em outras empresas que possam replicar o modelo. As contribuições técnicas do estudo estão principalmente no desenvolvimento de um Processo Técnico - framework detalhado que apresenta as etapas para utilizar o ML para projeções de receitas. Todo esse método é consolidado de forma detalhada com o objetivo de mostrar como o estudo deve ser aplicado na empresa da intervenção e em outros locais que queiram replicá-lo. Como resultado, os objetivos do estudo foram atingidos e foram obtidos modelos de excelente acurácia para a projeção por ML, demonstrando grande melhoria frente a métodos tradicionais como ARIMA, e trazendo a análise das possibilidades de uso de diferentes modelos, como Deep Learning, de melhor acurácia, mas demandante de maior capacidade computacional em contrapartida de modelo de excelente acurácia, como o Gradient Boosted Trees - GBT, pouco abaixo do Deep Learning, porém ainda satisfatório e que demanda menor capacidade computacional. | |
| dc.description.sponsorship | CNPQ - Conselho Nacional de Desenvolvimento Científico e Tecnológico | |
| dc.identifier.uri | https://dspace.mackenzie.br/handle/10899/40841 | |
| dc.language.iso | pt_BR | |
| dc.publisher | Universidade Presbiteriana Mackenzie | |
| dc.publisher.country | Brasil | |
| dc.publisher.initials | UPM | |
| dc.subject | projeção de receitas | |
| dc.subject | machine learning | |
| dc.subject | contabilidade de gestão estratégica | |
| dc.title | Projeção de receitas (forecast) de uma empresa de tecnologia logística utilizando técnicas de machine learning | |
| dc.type | Dissertação | |
| local.contributor.advisorLattes | http://lattes.cnpq.br/2511892257148568 | |
| local.contributor.advisorOrcid | https://orcid.org/0000-0003-4100-4975 | |
| local.contributor.authorLattes | http://lattes.cnpq.br/1443453160264634 | |
| local.contributor.board1 | Mendonça Neto , Octavio Ribeiro de | |
| local.contributor.board1Lattes | http://lattes.cnpq.br/6833517372823578 | |
| local.contributor.board1Orcid | https://orcid.org/0000-0002-6123-6733 | |
| local.contributor.board2 | Saramelli, Alexandre | |
| local.contributor.board2Lattes | http://lattes.cnpq.br/3785750027455127 | |
| local.description.abstracten | Considering a scenario of constant changes in business and the need to anticipate information and decisions, this research seeks to propose a model for forecasting revenues of a logistics technology company, using machine learning (ML) techniques. The methodology proposed in the study is interventionist and includes the collection and analysis of quantitative data from the database of the company that will receive the intervention, using a computational tool, followed by the application of different ML techniques to project revenue. Projections will be analyzed and compared using selected indicators. In terms of practical implications, it is expected to improve the accuracy of financial forecasts, facilitating strategic and operational decision-making in the company studied and in other companies that can replicate the model. The technical contributions of this study primarily lie in the development of a Technical Process, a detailed framework that outlines the steps for using Machine Learning (ML) in revenue forecasting. This method is thoroughly structured to demonstrate how the study should be applied within the intervention company and in other organizations that wish to replicate it. As a result, the study's objectives have been achieved and highly accurate ML models were achieved, highlighting significant improvements compared to traditional methods such as ARIMA. The study also explores the potential applications of different models, such as Deep Learning, which offers superior accuracy but requires greater computational capacity. In contrast, the Gradient Boosted Trees (GBT) model provides excellent accuracy, slightly lower than Deep Learning but still satisfactory, while demanding less computational power. | |
| local.keywords | revenue projection | |
| local.keywords | machine learning | |
| local.keywords | strategic management accounting | |
| local.publisher.department | Centro de Ciências Sociais e Aplicadas (CCSA) | |
| local.publisher.program | Controladoria e Finanças Empresariais | |
| local.subject.cnpq | CNPQ::CIENCIAS SOCIAIS APLICADAS::ECONOMIA |