Comparando modelos clássicos de séries temporais e aprendizagem de máquina para previsão de demanda na indústria de bebidas.

Abstract

Devido ao crescimento da competitividade no mercado, a previsão de demanda tornou-se uma ferramenta fundamental como forma de gerenciamento da produção e identificação de novas oportunidades para a empresa. A alta demanda e mudança nas necessidades do consumidor fazem com que o setor de bebidas setor esteja cada vez mais empenhado na busca por uma maior eficiência e pela satisfação do cliente. Neste contexto, um dos objetivos da análise de séries temporais é o de realizar previsões a partir de dados históricos e, a partir disso, ter a possibilidade de tomar as decisões necessárias com maior segurança. Com o início da pandemia de COVID-19, o mercado sofreu inúmeras mudanças e as necessidades do consumidor mudaram, afetando diretamente as vendas de bebidas. Neste trabalho, modelos clássicos de séries temporais – Holt-Winters e ARIMA – e de aprendizagem de máquina – support vector machine – foram utilizados para realizar previsões de demanda a partir de séries de dados históricos do volume de bebidas de um centro de distribuição direta de bebidas. Os dados utilizados são de janeiro de 2018 até dezembro de 2021 e foram estratificados em nove séries – volume total de bebidas vendido pela operação, por tipo de bebida (cerveja e NAB) e em seis canais de vendas. Os modelos foram comparados a partir das previsões realizadas para até 15 passos (meses) à frente utilizando as métricas de erro RMSE e MAPE, apresentando assim dois modelos com melhores desempenhos: ARIMA e SVM. Ao final, constatou-se que não há um modelo que seja o mais indicado para ser usado em todas as séries – os três modelos obtiveram bom desempenho em pelo menos uma delas –, visto que suas performances variaram de acordo com a série analisada.