Aprimoramento das previsões de demanda : uma abordagem integrada com Machine Learning e tratamento eficiente de dados.

Abstract

Na era globalizada atual, a crescente competitividade e a necessidade de redução de custos impulsionam a adoção de métodos precisos para previsão de demanda. Neste trabalho, foram aplicadas técnicas avançadas de machine learning a dados transacionais do varejo online, visando aprimorar a acurácia das previsões e auxiliar na gestão de estoques. Para tanto, foram avaliados modelos baseados em árvores de decisão – Decision Tree, Random Forest e XGBoost – bem como um modelo de rede neural do tipo Long Short-Term Memory (LSTM). O pré-processamento envolveu a normalização dos dados, tratamento de valores faltantes e identificação de outliers por meio dos métodos z-score e IQR. A validação dos modelos foi realizada utilizando a técnica TimeSeriesSplit, que preserva a ordem temporal dos dados. Os resultados demonstraram que, utilizando configurações padrão, o XGBoost apresentou melhores métricas (MAE = 4.24, RMSE = 5.88, MAPE = 2.26%), enquanto a otimização dos hiperparâmetros reduziu os erros tanto no Random Forest quanto no XGBoost (MAE ≈ 4.21, RMSE ≈ 5.83, MAPE ≈ 2.18%). Os modelos baseados em árvores demandaram tempo de treinamento entre 14 e 17 minutos, sendo significativamente mais eficientes que o modelo LSTM, que, apesar do tempo de treinamento elevado (aproximadamente 44 minutos), evidenciou consistência na captura de padrões temporais (MAE = 4.37, RMSE = 5.98, MAPE = 1.57%). Conclui-se que a combinação de um pré-processamento rigoroso com modelos avançados de machine learning resulta em ganhos expressivos na acurácia das previsões, proporcionando suporte robusto para decisões estratégicas e melhoria na eficiência operacional das empresas.