|
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. |
