Aplicação de Redes Neurais e Aprendizado de Máquina na Previsão de Demanda no Varejo

Abstract

A previsão de demanda no varejo é prejudicada pela incapacidade dos métodos estatísticos tradicionais, como a Média Móvel Simples, Suavização Exponencial e ARIMA, de capturar não-linearidades, sazonalidades sobrepostas e demanda intermitente. Este trabalho propõe e valida um Ensemble heterogêneo que combina uma Rede Neural Recorrente (Long Short- Term Memory – LSTM) e o algoritmo XGBoost como modelos base, consolidados por um meta-modelo de Regressão Ridge. A LSTM captura dependências temporais de longo prazo, enquanto o XGBoost modela a sensibilidade da demanda a variáveis tabulares de preço, custo e calendário. Aplicado a cinco anos de histórico diário (2021–2025) de dez produtos de vestuário (22,4% de registros com vendas positivas), o ensemble reduziu o MAPE de 17,84% para 5,20% e o RMSE de 11,23 para 2,16, uma redução de 89% no erro absoluto médio frente ao melhor benchmark tradicional. O método SHAP identificou o Lucro Normalizado, a Média Móvel de 7 Dias e o Dia da Semana como principais determinantes preditivos. Um módulo prescritivo converte as previsões em sugestões de compra, considerando o regime tributário da empresa.