APLICAÇÃO DE ALGORITMOS DE APRENDIZADO DE MÁQUINA NA PREVISÃO DE VENDAS DIÁRIAS DE UMA INDÚSTRIA CERVEJEIRA BRASILEIRA
DOI:
https://doi.org/10.56238/arev8n2-064Palavras-chave:
Previsão de Demanda, Aprendizado de Máquina, Séries Temporais, Indústria CervejeiraResumo
A previsão de vendas constitui um elemento estratégico para a indústria cervejeira, setor caracterizado por elevada sazonalidade e variações significativas associadas a fins de semana, feriados e eventos festivos. Modelos estatísticos tradicionais, embora amplamente utilizados, apresentam limitações na captura de relações não lineares e padrões complexos presentes em séries temporais de demanda. Diante desse contexto, o presente estudo objetiva avaliar a aplicação de algoritmos de aprendizado de máquina na previsão de vendas diárias de uma indústria cervejeira brasileira. Para tanto, utilizou-se um conjunto de dados históricos de vendas diárias referente ao período de maio de 2024 a maio de 2025, adotando-se uma divisão temporal, na qual os dados de 2024 foram empregados para treinamento dos modelos e os de 2025 para teste. Procedeu-se à engenharia de atributos temporais, incluindo variáveis de calendário, indicadores de feriados, defasagens e estatísticas móveis. Foram avaliados quatro algoritmos baseados em árvores de decisão: Decision Tree, Random Forest, XGBoost e LightGBM, utilizando como métricas de desempenho o coeficiente de determinação (R²), o erro absoluto médio (MAE) e a raiz do erro quadrático médio (RMSE). Os resultados evidenciam que os modelos de ensemble superam significativamente a árvore de decisão isolada, com destaque para o XGBoost, que apresentou melhor desempenho preditivo, explicando aproximadamente 89,9% da variância das vendas diárias. Conclui-se que a aplicação de algoritmos de aprendizado de máquina, aliada à engenharia de atributos temporais, constitui uma abordagem eficaz para a previsão de demanda no setor cervejeiro, oferecendo subsídios relevantes para o planejamento de produção, estoques e logística.
Downloads
Referências
ALVES, Ricardo Marques; SILVA, Luiz Fernando. Padrões temporais no consumo de bebidas alcoólicas no Brasil. Revista de Saúde Pública, São Paulo, v. 57, p. 17, 2023. Disponível em: https://www.scielosp.org/article/rsp/2023.v57/17/pt/. Acesso em: [26/01/2026].
BANDARA, Kasun; BERGMEIR, Christoph; SMITH, Rob J. Forecasting across time series databases using recurrent neural networks on groups of similar series: A clustering approach. Expert Systems with Applications, v. 140, 112896, 2020.Disponível em: https://www.sciencedirect.com/science/article/abs/pii/S0957417419306128. Acesso em: [26/01/2026].
BERGMEIR, Christoph; BENÍTEZ, José Manuel. On the use of cross-validation for time series predictor evaluation. Information Sciences, v. 191, p. 192–213, 2012.
BOX, George E. P.; JENKINS, Gwilym M.; REINSEL, Gregory C. Time series analysis: forecasting and control. 5. ed. Hoboken: Wiley, 2015.
BREIMAN, Leo. Random forests. Machine Learning, v. 45, n. 1, p. 5–32, 2001. Disponível em: https://link.springer.com/article/10.1023/A:1010933404324. Acesso em: 26 jan. 2026.
CHEN, Tianqi; GUESTRIN, Carlos. XGBoost: A scalable tree boosting system. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM, 2016. p. 785–794.
DE OLIVEIRA DIAS, Murillo; FALCONI, Davi. The evolution of craft beer industry in Brazil. Journal of Economics and Business, v. 1, n. 4, p. 618-626, 2018.
MAKRIDAKIS, Spyros; BAKAS, Nikolas. Forecasting and uncertainty: A survey. Risk and Decision Analysis, v. 6, n. 1, p. 37–64, 2016.
HASTIE, Trevor; TIBSHIRANI, Robert; FRIEDMAN, Jerome. The elements of statistical learning: data mining, inference, and prediction. 2. ed. New York: Springer, 2009.
HYNDMAN, Rob J.; ATHANASOPOULOS, George. Forecasting: principles and practice. 2. ed. Melbourne: OTexts, 2018.
KE, Guolin; MENG, Qi; FINLEY, Thomas; WANG, Taifeng; CHEN, Wei; MA, Weidong; YE, Qiwei; LIU, Tie-Yan. LightGBM: A highly efficient gradient boosting decision tree. In: Advances in Neural Information Processing Systems. Red Hook: Curran Associates, 2017. p. 3146–3154.
LIU, Yanli; WANG, Yourong; ZHANG, Jian. New machine learning algorithm: Random Forest. In: LIU, Bing; MA, Min; CHANG, Jie (eds.). Information Computing and Applications. Lecture Notes in Computer Science, v. 7473. Berlin, Heidelberg: Springer, 2012. p. 246–252. Disponível em: https://doi.org/10.1007/978-3-642-34062-8_32. Acesso em: [26/01/2026].
