Análise comparativa entre modelos de séries temporais e machine learning para previsão de demanda no varejo: um estudo de caso.

Abstract

A gestão eficiente de estoques no setor varejista é um fator crítico para a competitividade, sendo diretamente dependente da acuracidade da previsão de demanda. O presente trabalho tem como objetivo realizar uma análise comparativa da performance de diferentes modelos de previsão, avaliando suas habilidades e limitações em um estudo de caso prático. A metodologia compara três abordagens em ordem crescente de complexidade: um modelo de baseline (Média Móvel), um modelo de suavização exponencial (Holt-Winters) e um modelo causal de Machine Learning. O modelo de Machine Learning, baseado em Regressão Linear Dinâmica, é enriquecido com um robusto conjunto de variáveis exógenas, incluindo dados climáticos (temperatura e precipitação), feriados, ciclos de pagamento e um sistema de classificação hierárquica (tiers) desenvolvido para quantificar o impacto de eventos esportivos e locais. A análise foi aplicada em uma empresa do setor varejista de João Monlevade, MG, avaliando dois produtos com perfis de demanda distintos: cerveja e arroz. Os resultados indicaram que a Regressão Linear Dinâmica apresentou o melhor desempenho geral entre os modelos avaliados, embora os erros ainda evidenciem a complexidade da previsão de demanda diária no varejo.