Previsão de demanda utilizando machine learning em uma loja de esportes de pequeno porte

Abstract

No âmbito empresarial, a gestão de estoques representa um dos principais pilares e de maior influência nos resultados. Uma empresa que possui um controle de estoque bem organizado, tende a apresentar uma maior vantagem competitiva e a administrar melhor seus custos. Um dos principais fatores da administração de estoques é a previsão de demanda, sendo este o tema deste estudo. O objetivo foi implementar e avaliar modelos de Machine Learning para previsão de demanda em uma loja de esportes de pequeno porte, com base em seus dados históricos de vendas e variáveis sazonais, visando maior precisão e eficiência na gestão de estoques. Neste contexto, investigou-se a aplicação de técnicas de ML em um setor marcado por sazonalidade acentuada e recursos limitados. Para o desenvolvimento deste trabalho, realizou-se inicialmente a revisão da literatura para definição dos conceitos teóricos relacionados ao tema. Foi realizado o levantamento dos dados de vendas extraídos do software de gerenciamento da loja. Os dados foram explorados e testou - se em qual algoritmo de ML foi mais adequado. Para avaliação e escolha dos modelos, a partir de uma análise comparativa entre eles, considerou -se o desempenho preditivo, facilidade de interpretação e implementação e os resultados das previsões de cada um em diferentes cenários. Os resultados demonstraram a superioridade da Regressão Linear na maioria dos casos, desafiando a noção de que modelos complexos são mais eficazes, e revelaram que a adoção de abordagens quantitativas baseadas em ML pode gerar recomendações operacionais acionáveis, otimizando os níveis de estoque e reduzindo incertezas na gestão do pequeno varejo esportivo.

In the business context, inventory management represents one of the main pillars and has the greatest influence on results. A company that has a well-organized inventory control tends to have a greater competitive advantage and manage its costs better. One of the main factors in inventory management is demand forecasting, which is the subject of this study. The objective was to implement and evaluate Machine Learning models for demand forecasting in a small sports store, based on its historical sales data and seasonal variables, aiming for greater accuracy and efficiency in inventory management. In this context, the application of ML techniques in a sector marked by pronounced seasonality and limited resources was investigated. For the development of this work, a literature review was initially carried out to define the theoretical concepts related to the topic. Sales data extracted from the store's management software were collected. The data were explored and the most suitable ML algorithm was tested. For the evaluation and selection of models, based on a comparative analysis between them, predictive performance, ease of interpretation and implementation, and the results of each model's predictions in different scenarios were considered. The results demonstrated the superiority of Linear Regression in most cases, challenging the notion that complex models are more effective, and revealed that the adoption of quantitative approaches based on ML can generate actionable operational recommendations, optimizing inventory levels and reducing uncertainties in the management of small sporting goods retailers.