Sistema de apoio à decisão para planejamento de compras de laminados planos na indústria siderúrgica brasileira baseado em machine learning

Abstract

A cadeia de suprimentos da indústria siderúrgica brasileira, especialmente no segmento de laminados planos, enfrenta forte oscilação de demanda, elevada competição com importações e variações expressivas nos preços de insumos estratégicos. Esses fatores tornam complexa a tomada de decisão referente ao planejamento de produção e ao momento ideal de aquisição de matérias-primas. Nesse contexto, este trabalho propõe o desenvolvimento de um sistema de apoio à decisão baseado em técnicas de Machine Learning, aplicado especificamente à previsão de demanda e compras na cadeia de suprimentos de laminados planos produzidos por CSN, Usiminas, Gerdau e ArcelorMittal Brasil, bem como às importações oriundas de fontes estrangeiros. A pesquisa utiliza modelos de previsão de demanda para séries temporais multivariadas, com ênfase na arquitetura LSTM (Long Short-Term Memory), comparada com modelos de referência, como SARIMAX e XGBoost. A previsão resultante alimenta uma heurística de decisão que combina desvio-padronizado (z-score) dos preços dos insumos, projeções de demanda acumulada em diferentes horizontes (H) e cálculo automático de quantidades recomendadas para compra, considerando estoques e níveis de serviço. Além da avaliação estatística — RMSE, MAPE e sMAPE — o estudo incorpora uma análise econômica baseada em simulação de backtesting walk-forward, estimando economia potencial e custo de oportunidade associado ao momento da compra. Os resultados indicam que o modelo baseado em LSTM apresentou desempenho superior aos modelos de referência, com maior capacidade de capturar padrões sazonais e não lineares das séries temporais analisadas. A aplicação da heurística de decisão demonstrou potencial de redução do custo médio de aquisição de insumos ao identificar momentos mais favoráveis de compra, quando comparada a estratégias convencionais. Dessa forma, o estudo contribui ao integrar previsão de demanda e tomada de decisão em um único framework, promovendo maior previsibilidade, redução da exposição à volatilidade e apoio à competitividade da siderurgia brasileira diante do aumento das importações de laminados planos.

The Brazilian steel industry supply chain, particularly in the flat-rolled products segment, faces significant demand volatility, intense competition from imports, and substantial fluctuations in the prices of key raw materials. These conditions make production planning and procurement timing increasingly complex. In this context, this study proposes the development of a machine-learning-based decision support system tailored to the supply chain of flat-rolled steel products manufactured by CSN, Usiminas, Gerdau, ArcelorMittal Brasil, as well as imports from foreign producers such as Ternium (Techint)he research applies multivariate time-series forecasting models, with emphasis on the Long Short-Term Memory (LSTM) architecture, and compares its performance with benchmark models such as SARIMAX and XGBoost. Forecast results feed a decision heuristic combining price deviations measured through z- scores, accumulated demand projections over multiple horizons (H), and automatic computation of recommended purchasing quantities based on inventory levels and target service levels. Beyond statistical metrics — RMSE, MAPE, and sMAPE — the study includes an economic evaluation through walk-forward backtesting, estimating potential savings and opportunity costs associated with different procurement strategies. The findings aim to support more robust supply planning strategies, enhance predictability, reduce exposure to market volatility, and strengthen the competitiveness of the Brazilian steel industry amid the growth of flat-rolled product imports. The study also documents data availability limitations and presents practical recommendations and directions for future research, including price forecasting extensions and integration with hedging systems.