Aprendizado supervisionado de máquina como apoio na previsão de demanda aplicado numa indústria de confecção

Abstract

A previsão de demanda representa um dos principais desafios no Planejamento, Programação e Controle da Produção (PPCP), especialmente na indústria de confecção, caracterizada por elevada variedade de produtos, ciclos curtos de coleção e forte influência de sazonalidade. Tradicionalmente, esse processo depende de análises manuais e do julgamento de especialistas, o que pode resultar em decisões subjetivas e inconsistências no planejamento produtivo. Diante desse contexto, o presente trabalho teve como objetivo aplicar técnicas de aprendizado de máquina supervisionado para apoiar a previsão de demanda em uma empresa de confecção, utilizando dados reais compostos por aproximadamente dez mil registros históricos de duas coleções, abrangendo dois mil SKUs, incluindo informações de vendas, estoque disponível e ordens de produção. A pesquisa caracterizou-se como aplicada, de abordagem quantitativa e natureza experimental. O modelo proposto utilizou uma rede neural do tipo Perceptron Multicamadas (MLPRegressor), sendo avaliado por meio das métricas MAE, RMSE e R², com validação holdout (80/20). Os resultados demonstraram que a aplicação do aprendizado de máquina possibilitou automatizar a análise de demanda, reduzir a dependência de avaliações subjetivas e melhorar a consistência das previsões, apresentando desempenho superior ao processo manual tradicional. Observou-se também redução no tempo de análise e maior padronização das decisões no PPCP. O estudo evidenciou que a integração entre técnicas de aprendizado de máquina e processos tradicionais do PPCP constitui uma alternativa viável para a modernização analítica da indústria de confecção.

Abstract: Demand forecasting represents one of the main challenges in Production Planning, Scheduling, and Control (PPCP), especially in the construction industry, characterized by a high variety of products, short collection cycles, and a strong influence of seasonality. Traditionally, this process depends on manual analysis and expert judgment, which can result in subjective decisions and inconsistencies in production planning. In this context, this work aimed to apply supervised machine learning techniques to support demand forecasting in a manufacturing company, using real data composed of approximately ten thousand historical records from two collections, encompassing two thousand SKUs, including sales information, available stock, and production orders. The research was characterized as applied, with a quantitative approach and experimental nature. The proposed model used a Multilayer Perceptron (MLPRegressor) neural network, evaluated using MAE, RMSE, and R² metrics, with holdout validation (80/20). The results revealed that the application of machine learning made it possible to automate demand analysis, reduce dependence on subjective assessments, and improve the consistency of inferences, showing superior performance to the traditional manual process. I also observed a reduction in analysis time and greater standardization of decisions in PPCP. The study showed that the integration between machine learning techniques and traditional PPCP processes constitutes a viable alternative for the analytical modernization of the manufacturing industry.