Make your own free website on Tripod.com
       
       
            

Aplicação de Redes Neurais Artificiais para Previsão de Vendas do Sistema de Informação do Jogo de Empresas Virtual

Alexander Roberto Valdameri

Mestrando do programa de Pós-Graduação em Engenharia da Produção /UFSC/EPS

Maurício Capobianco Lopes, Msc Eng.

IProfessor do Departamento de Sistemas e Computação /FURB/DSC

Pedro Paulo Hugo Wilhelm, Dr. Eng

Professor do Departamento de Economia /FURB/CCSA

Abstract

The present study aims at adding resources of artificial intelligence, especially the Neural Networks, to the System of Information of Virtual Business Game. The System of Information of Virtual Business Game has helped trainees dealing with Business Game solve daily common problems in their enterprises. In these situations there occur many problems presenting no structured logic, that is to say, the problems do not follow any sequence of steps/opetarions leading to their solution, or besides. Although their causal factors and results are well know, both knowledge and mastery of the laws and regulations which rule the cause and effect relation are hardly known, thus justifying the utilization of neural networks.

1. CONTEXTUALIZAÇÃO

Em uma empresa, o número elevado de informações requer controle e ação bastante amplos. Isto tem levado equipes de pesquisa a desenvolver sistemas computacionais no sentido de oferecer, ao administrador, informações corretas e rápidas no seu processo decisório: os Sistemas de Informação. Segundo Alter (ALTER, 1992), os Sistemas de Informação são uma combinação de técnicas, informações, pessoas e tecnologia da informação; organizadas para atingir os objetivos em uma organização.

No sentido de desenvolver e validar Sistemas de Informação, existem os Jogos de Empresas (JE), os quais podem fornecer subsídios importantes. Estes permitem simular atividades estruturalmente ligadas às empresas, criando situações que envolvem a solução de problemas inerentes ao desenvolvimento empresarial (LOPES, 1996).

Contudo, a forma que têm sido aplicados atualmente, os JE enfatizam principalmente questões operacionais, dando pouca ênfase à análise de decisão a nível tático e estratégico. Isso se dá pelo fato da inexistência quase que total de sistemas de apoio que auxiliem os participantes na condução do seu processo decisório.

Neste sentido, Sistemas de Informação vem evoluindo, integrando-se às técnicas de Inteligência Artificial (IA) (WILHELM ,1995). Segundo Levine (LEVINE, 1989), a IA é o estudo de como fazer os computadores realizarem tarefas que, no momento, as pessoas fazem melhor. Dentro da IA, uma das áreas de pesquisa que mais tem se desenvolvido são as Redes Neurais Artificiais (RNA)(WILHELM, 1997).

As RNA são uma tecnologia computacional que procuram imitar as habilidades do sistema nervoso biológico, simulando o funcionamento dos neurônios. Segundo Loesch (LOESCH, 1996), as RNA constituem uma tecnologia computacional emergente, que tem uma diversidade de aplicações, atingindo várias áreas como reconhecimento de padrões, otimização, entre outras.

O presente trabalho procurará realizar a integração entre RNA e o JE Virtual. O Protótipo a ser desenvolvido tem como objetivo proporcionar ao usuário uma ferramenta que se adeqüe aos traços característicos de sua tomada de decisão.

2. O PROBLEMA

Uma das principais deficiências encontradas em programas de ensino baseados em JE tem sido a falta de mecanismos para auxiliar no processo decisório. Em suas aplicações, os JE dão muita ênfase ao jogo e pouco, ou quase nada, aos usuários (WILHELM, 1997). Assim, os usuários eram obrigados a fazer cálculos complicados e demorados ao invés de se preocupar com a abrangência do processo decisório, e suas questões táticas e estratégicas.

Os JE simulam uma situação que permite um grupo de pessoas assumir um empreendimento empresarial no qual o processo decisório é a principal atividade. Cada equipe forma uma empresa que compõe um mercado competitivo e cada membro da equipe ocupa uma função de gestão de um setor da empresa. O principal desafio é decidir sobre a utilização dos recursos de capital, financeiros e humanos da empresa no sentido de otimizar os resultados (VALDAMERI , 1996).

O cenário da simulação do JE descreve um empresa que está operando em condições normais, isto é, com suas atividades estáveis, podendo produzir três tipos de produtos (A, B e C) a partir de dois tipos de matéria-prima (I e II). Internamente as principais atividades e controles envolvem o fluxo de produção, estoques e finanças. Externamente existem relações com fornecedores, bancos, governo e consultores. A conjuntura inflacionária pode ser estável (baixa inflação) ou instável (alta inflação). Neste último caso existem intervenções governamentais através de planos de estabilização econômica.

Além deste contexto decisório específico, existe uma ampla gama de problemas gerenciais indiretos a serem exercidos, como por exemplo:

  • controlar o fluxo de caixa através do contas a pagar e a receber;
  • participar de leilões para exportação de produtos;
  • contratar pesquisas sobre o mercado do produto e realizar a interpretação dos dados;
  • enfrentar situações novas ou inesperadas como greves;
  • interrupção no fornecimento de matérias primas e mudanças na condução da política econômica do governo.

Neste sentido, um dos problemas mais importantes é a definição dos valores monetários finais dos produtos, ou seja, o valor ideal para a comercialização, onde influenciam uma série de variáveis, constituindo a política de mercado da empresa.

3. A SOLUÇÃO

Conforme o objetivo inicialmente proposto para este trabalho, um modelo de RNA foi desenvolvido e aplicado à área de mercado do Sistema de Informação do JE Virtual. Um dos problemas mais comuns encontrados nas aplicações de JE Virtual diz respeito a previsão de vendas, a partir da política de mercado da empresa. Durante a utilização do sistema o jogador deve definir sua política de mercado (preço, desconto, prazo, juros, propaganda e sazonalidade). No entanto, antes de submeter esta política ao mercado, o jogador deve fazer uma previsão de vendas, para poder dimensionar sua produção e seu fluxo de caixa. Durante a aplicação do jogo, notou-se uma grande dificuldade dos participantes em estabelecer estes valores de previsão de vendas pois o único parâmetro disponível é o histórico da empresa.

Neste sentido, vislumbrou-se grande aplicabilidade de um módulo neural junto ao jogo, afim de contornar esta dificuldade. Esta constatação deu-se em virtude da aplicabilidade das RNA em trabalhos de classificação de padrões. Assim, como passo inicial, propôs-se fazer várias simulações no simulador Neural Works 1.0 (VALDAMERI, 1996). Com os resultados obtidos, optou-se pela implementação do modelo de rede Feedforward, com aprendizado Backpropagation. A escolha deste modelo, deu-se principalmente pela grande capacidade de generalização e na sua rápida operacionalização.

O modelo Feedforward com aprendizado Backpropagation, surgiu por meados da década de 80 e constitui, segundo pesquisadores, a mais difundida e largamente usada entre todas arquiteturas e modelos de RNA conhecidas (FAUSETT, 1994).

Figura 1 - RNA artificial distribuída em multi-camadas

Na figura 1, pode-se observar, graficamente, a organização do modelo Feedforward. Os Elementos de Processamento (EP) das camadas ocultas dão ao modelo a capacidade de abstração e generalização, ou seja, é capaz de classificar um padrão complexo mesmo quando este não pertenceu ao conjunto de treinamento.

Uma aplicação modelada nesta arquitetura, necessita de padrões de entrada e saída, para a qual a rede converge e se estabiliza, constituindo o que se denomina treinamento ou aprendizado da rede. Este modelo utiliza-se de aprendizado supervisionado, ou seja, a cada padrão de entrada está associado a uma saída desejada. Neste caso, implementou-se uma RNA que pudesse auxiliar o usuário na previsão de vendas, definindo-se como variáveis de entrada o preço, desconto, prazo, juros, propaganda e sazonalidade, e como saída, os valores de venda à vista e a prazo, conforme representado na figura 2.

Figura 2 - Modelo de RNA proposta para a área de mercado

O algoritmo de aprendizagem do modelo Feedforward com aprendizado Backpropagation consiste de dois momentos perfeitamente distintos: em primeiro lugar, quando um padrão de entrada é apresentado à rede, o fluxo é alimentado para a frente, isto é, propagado adiante até a camada de saída. Após, a saída obtida é comparada com a saída desejada e, em caso de erro, isto é, se a saída desejada não corresponder à obtida dentro de uma determinada precisão estabelecida, é feita uma correção nos pesos das conexões sinápticas, ajustando-se os pesos na direção oposta, isto é, da camada de saída até a camada de entrada. Esta operação pode ser repetida quantas vezes forem necessárias, de acordo com a parametrização do modelo.

4. RESULTADOS

Inicialmente foram gerados 64 pares de treinamento, os quais foram normalizados para serem, posteriormente, apresentados à RNA. Trabalhou-se com uma taxa de erro em torno de 0.01, e uma taxa de aprendizagem iniciando em 0.99 com redução gradativa ao longo das iterações. Para que a rede fizesse a correlação entre os dados de entrada e saída, foi necessário submeter a rede a aproximadamente 2 milhões de iterações. Mesmo assim, mostrou-se necessário implementar um processo denominado de Têmpera Simulada (TS).

A TS é uma técnica de pesquisa que tem sido aplicada a diversos problemas de otimização (AARTS, 1990). O princípio para o uso desta técnica é a adição de um componente aleatório ao processo de decisão de cada neurônio. Este processo provoca perturbações no valor estabelecido para taxa de aprendizagem ao longo do treinamento, a fim de evitar que a estagnação do modelo em pontos mínimos locais.

Com a utilização da TS pôde-se otimizar o processo de treinamento do modelo, uma vez que sua utilização reduziu o número de iterações necessárias para atingir a taxa de erro desejada.

Na tabela 1 são apresentados os resultados obtidos nos testes do modelo de RNA para o protótipo. Observa-se, em cada célula das duas primeiras colunas, a existência de dois valores, representando o cofator do preço a vista (S1) e do preço a prazo (S2), respectivamente. A terceira coluna apresenta um erro médio encontrado entre o resultado real em relação ao alcançado na utilização da RNA.

JE Virtual

Rede Neural

Erro*

S1 0.2000

S2 0.4262

S1 0.22956

S2 0.45671

14.8 %

7.2 %

S1 0.8160

S2 0.6691

S1 0.76141

S2 0.52610

6.7 %

21.3 %

S1 0.2740

S2 0.3370

S1 0.29656

S2 0.29807

8.2 %

11.5 %

S1 0.5950

S2 0.6538

S1 0.56046

S2 0.59019

5.8 %

9.7 %

S1 0.3810

S2 0.3771

S1 0.31427

S2 0.34786

17.5 %

7.8 %

S1 0.2900

S2 0.3487

S1 0.28750

S2 0.37847

0.1 %

0.5 %

S1 0.8360

S2 0.6742

S1 0.83891

S2 0.66732

0.3 %

0.1 %

* Erro médio entre a Rede Neural e o JE Virtual

Tabela 1 - Tabela de resultados obtidos do modelo

Pode-se observar na tabela 1, um erro médio em torno de 7.96 %, o que representa uma margem pequena, satisfazendo as necessidades do modelo.

5. CONSIDERAÇÕES FINAIS

As aplicações dos JE Virtual proporcionaram diversas situações, onde, os participantes (usuários) encontraram-se em situações complexas, necessitando de algum apoio inteligente à tomada de decisão. Partindo deste princípio, a incorporação de recursos de Inteligência Artificial, em especial as RNA, vieram de encontro às necessidades dos Sistemas de Informação, pois podem proporcionar aos participantes dos treinamentos baseados em JE, o tratamento e resolução de problemas mais complexos e menos estruturados, que são mais comuns no cotidiano empresarial.

Os resultados obtidos com a RNA desenvolvida podem ser considerados satisfatórios, uma vez que o erro médio obtido com os testes ficou em torno de 7,96 %, o que representa uma taxa baixa em tratar-se de previsão de vendas (WILHELM, 1997). Contudo, pode-se atingir resultados melhores, submetendo a rede a um número maior de padrões de treinamento.

Para trabalhos posteriores, prevê-se a utilização dos recursos desenvolvidos em outros segmentos da gestão empresarial, tais como produção, banco, investimentos e outros.

Referências Bibliográficas

AARTS, Emile; KORST, Jan. Simulated Annealing and Boltzmann Machines : a stochastic approach to combinatória optimization ans neural computing. Great Britain : John Wiley and Sons Ltd, 1990.

ALTER, Steven. Information systems : a management perspective. Massachussets: Addison-Wesley, 1992.

FAUSETT, L. V.. Fundamentals of Neural Networks. Prentice Hall International Editions, 1994.

LEVINE, Robert I. Inteligência artificial e sistemas especialistas. São Paulo : McGraw-Hill, 1989.

LOESCH, Claudio; SARI, Solange Teresinha. Redes neurais artificiais : fundamentos e modelos. Blumenau: FURB, 1996.

LOPES, Maurício Capobianco; VALDAMERI, Alexander Roberto et al. Um sistema de informação aplicado ao jogo de empresas virtual. V Seminário de Computação. Blumenau, 1996.

VALDAMERI, Alexander Roberto; LOPES, Maurício Capobianco. Protótipo de de um sistema de informação utilizando jogos de empresas. II Seminário Integrado de Iniciação Científica. Chapecó, 1996.

WILHELM, Pedro Paulo Hugo; LOPES, Maurício Capobianco, et al. Sistema inteligente de apoio à decisão. Revista De Negócios. Blumenau, v 1, n. 1, dez. 1995.

_________________________. Uma nova perspectiva de aproveitamento e uso dos jogos de empresas . Florianópolis, 1997. Tese (Doutorado em Engenharia de Produção) - Centro Tecnológico, UFSC.