Resumo

Neste contexto o presente artigo propõe um estudo da fusão de ambas tecnologias provindas da indústria 4.0, das quais podem possibilitar uma análise preditiva de demanda, por meio de um modelo que considera os fatores econômicos, financeiros e de mercado para utilização estratégica nas indústrias.

As empresas buscam, frequentemente, fidelizar seus clientes, aumentar sua receita e, consequentemente, seus lucros. Uma estratégia para atingir maior lucratividade é a realização de uma previsão de demanda com boa acurácia. Atualmente, empresas realizam à previsão de demanda a partir de uma série de dados históricos para a geração de períodos futuros. Embora a evolução no método desse processo, a realização de uma previsão de demanda assertiva é o objetivo das indústrias, pois ao realizar essa estratégia de previsão de maneira errônea pode ocasionar diversos impactos como excesso ou a falta de estoque, além de afetar áreas como, por exemplo, produção, transporte, armazenagem, logística e venda, impactando diretamente a lucratividade da empresa.

Neste tópico, será apresentada a metodologia utilizada no presente artigo, com o intuito de atender aos objetivos propostos neste estudo e com base na fundamentação teórica, através de uma vasta e ampla pesquisa em artigos, matérias jornalísticas e textos científicos nacionais e internacionais voltadas às áreas de estratégia, indústria 4.0, cadeia de suprimentos, métodos de previsão de demanda, Big Data e Machine Learning. O artigo constituiu-se em um estudo de natureza quantitativa de característica exploratória, tornando-se possível realizar uma análise preditiva do tema.

Com a possibilidade de analisar o mercado em tempo real e a suas provisões, o Machine Learning pode fornecer previsões que são até 50% mais precisas que a maneira convencional utilizada pelas empresas atualmente. O aumento da acurácia do forecast possibilita a minimização de investimentos com inventário, sendo eles, custo de alocação do espaço e a manutenção indevida do mesmo.

O Machine Learning, juntamente com o Big Data, permite criar previsões para praticamente todos os setores e cenários possíveis, incluindo varejo, logística, finanças, performance de publicidade, entre outros. Ao utilizar o Machine Learning, a ferramenta pode trabalhar com quaisquer dados históricos de séries temporais e usar uma grande biblioteca de algoritmos integrados para determinar automaticamente o melhor ajuste para seu tipo de previsão particular. (Amazon, 2019)

Satisfação e fidelização dos clientes.

In this context the present article proposes a study of the fusion of both technologies from industry 4.0, which can enable a predictive analysis of demand, through a model that considers the economic, financial and market factors for strategic use in industries.

Companies often seek to build customer loyalty, increase their revenue and thus their profits. One strategy to achieve greater profitability is to make a demand forecast with good accuracy. Currently, companies forecast demand from a series of historical data for the generation of future periods. Although the evolution of the method of this process, making an assertive demand forecasting is the objective of the industries, because to perform this forecasting strategy erroneously can cause various impacts such as excess or lack of stock, and affect areas such as, for example, production, transportation, warehousing, logistics and sale, directly impacting the company's profitability.

In this topic, the methodology used in this article will be presented, in order to meet the objectives proposed in this study and based on the theoretical basis, through a vast and extensive research in articles, journalistic articles and national and international scientific texts focused on the areas. Strategy, Industry 4.0, Supply Chain, Demand Forecasting Methods, Big Data, and Machine Learning. The article was a quantitative study of exploratory nature, making it possible to perform a predictive analysis of the theme.

With the ability to analyze the market in real time and its provisions, Machine Learning can provide forecasts that are up to 50% more accurate than the conventional way companies use today. The increase in forecast accuracy allows for the minimization of inventory investments, such as space allocation cost and improper maintenance.

Machine Learning, along with Big Data, allows you to create forecasts for virtually every possible industry and scenario, including retail, logistics, finance, advertising performance, and more. Using Machine Learning, the tool can work with any historical time series data and use a large library of integrated algorithms to automatically determine the best fit for your particular forecast type. (Amazon, 2019)

Customer Satisfaction and Loyalty