Forecasting warranty failures without direct observation of the final-customer sale date at the lot levela two-stage machine-learning pipeline

Resumo

Esta dissertação desenvolve e avalia um fluxo preditivo de aprendizado de máquina em duas etapas para prever falhas sob garantia quando a data de venda ao consumidor final não é diretamente observada ao nível do lote de produção. A base consolidada contém 624 lotes e mais de 6 milhões de televisores produzidos entre janeiro de 2019 e outubro de 2024. Na primeira etapa, estima-se o perfil mensal de vendas/exposição de cada lote utilizando informações sobre o momento da compra registradas nos atendimentos de garantia, características técnicas e operacionais dos lotes e informações agregadas de faturamento ao canal comercial, denominadas Sell-In. Na segunda etapa, o perfil previsto de vendas/exposição é combinado com as características observáveis dos lotes para prever tanto a distribuição mensal quanto a carga total de falhas sob garantia ao longo do horizonte de análise. Os modelos foram avaliados em um conjunto externo de teste, mantido separado do treinamento, composto por 107 lotes de produção. O principal resultado é observado no alvo agregado de falhas. No modelo Extreme Gradient Boosting (XGBoost), a especificação que combina o perfil previsto da primeira etapa com variáveis-resumo derivadas desse perfil reduz a raiz do erro quadrático médio (RMSE, na sigla em inglês) de 0,019058 para 0,013362, uma redução relativa de 29,9%. A diferença pareada foi de −0,005697, com intervalo de confiança bootstrap de 95% entre −0,011000 e −0,000533, excluindo zero. Esse resultado indica que a incorporação de uma representação preditiva da exposição temporal antes da modelagem das falhas pode reduzir o erro da previsão agregada de garantia e fornecer um insumo inicial para a provisão de garantia e para futuras aplicações de planejamento de peças de reposição. O estudo não avalia diretamente a demanda por peças, as decisões de estoque ou os resultados econômicos. O alvo da primeira etapa é construído com base no momento da compra observado apenas entre as unidades incluídas nos registros de garantia e, portanto, deve ser interpretado como uma aproximação preditiva da exposição ao uso, e não como a verdadeira distribuição de vendas de cada lote. Os resultados estão limitados ao contexto industrial estudado e podem não se generalizar diretamente para lotes recém-produzidos ou com pouca informação.

Ficha do documento

Tipo

Dissertação

Ano

2026

Instituição

Fundação Getulio Vargas

Fonte

Repositório da FGV

Idioma

Inglês

Acesso

Acesso aberto

Identificador

oai:repositorio.fgv.br:10438/41480

Temas

EconomiaModelagem Econômica

Palavras-chave

Warranty forecastingIncomplete sale visibilitySales/exposure profileProduction lotMachine learningSpare-parts planningPrevisão de garantiaVisibilidade incompleta das vendasPerfil de vendas/exposiçãoLote de produçãoAprendizado de máquinaPlanejamento de peças de reposiçãoEconomiaAprendizado do computadorPrevisão de vendasControle de estoqueCiclo de vida do produto