Previsão de demanda : uma abordagem integrada com inteligência artificial
Carregando...
Data de Submissão
Data de Defesa
2025-11-17
Edição
Autores
Orientadores
Coorientadores
Corso, Leandro Luís
Editores
Título da Revista
ISSN da Revista
Título de Volume
Editor
Descrição
A previsão de demanda constitui um elemento essencial para o planejamento estratégico das organizações, especialmente em setores complexos e altamente competitivos, como o metalmecânico. Nesse contexto, métodos tradicionais de previsão frequentemente apresentam limitações diante de cenários caracterizados por elevada variabilidade, múltiplas variáveis explicativas e relações não lineares. Diante desse desafio, este estudo teve como objetivo desenvolver um modelo preditivo de demanda baseado no algoritmo Random Forest (RF), aplicado a uma empresa multinacional do setor metal-mecânico, com o propósito de aprimorar a acurácia das previsões e apoiar a tomada de decisão com base em dados históricos e variáveis macroeconômicas. O desempenho do modelo foi comparado a métodos tradicionais, incluindo média móvel, suavização exponencial e SARIMA, por meio das métricas MAE, RMSE e MAPE. Os resultados indicaram que o modelo baseado em RF apresentou desempenho superior em quatro das doze famílias analisadas em 2022 e em outras quatro famílias em 2023, considerando simultaneamente as três métricas de avaliação. Os achados evidenciam a capacidade do modelo em capturar padrões complexos e relações não lineares, especialmente em séries com maior variabilidade e influência de fatores externos. Entretanto, a aplicação do modelo apresenta limitações relevantes, como a dependência de dados externos, a necessidade de reprocessamento contínuo e a menor interpretabilidade em comparação a modelos tradicionais. Como contribuição, o estudo demonstra o potencial de técnicas de Machine Learning na previsão de demanda em contextos industriais complexos, ao mesmo tempo em que reforça a necessidade de seleção adequada de modelos conforme as características das séries temporais analisadas. [resumo fornecido pelo autor]
Resumo
Demand forecasting is a fundamental element in organizational strategic planning, particularly in complex and highly competitive sectors such as the metal-mechanical industry. In such contexts, traditional forecasting methods often face limitations when dealing with high variability, multiple explanatory variables, and non-linear relationships. In this context, this study aimed to develop a predictive demand model based on the Random Forest (RF) algorithm, applied to a multinational company in the metal-mechanical sector, with the objective of improving forecast accuracy and supporting decision-making based on historical and macroeconomic data. The model's performance was compared with traditional methods, including moving average, exponential smoothing, and SARIMA, using MAE, RMSE, and MAPE as evaluation metrics. The results indicated that the RF-based model outperformed conventional approaches in four out of twelve product families in 2022 and in another four families in 2023, considering all three-evaluation metrics simultaneously. The findings highlight the model?s ability to capture complex patterns and non-linear relationships, especially in series with higher variability and stronger influence from external factors. However, the practical application of the model presents relevant challenges, including dependence on external data, the need for continuous retraining, and lower interpretability compared to traditional approaches. This study contributes by demonstrating the potential of Machine Learning techniques for demand forecasting in complex industrial environments, while reinforcing the importance of selecting appropriate models according to the characteristics of each time series. [resumo fornecido pelo autor]
Palavras-chave
Administração da produção, Planejamento da produção, Inteligência artificial, Aprendizado do computador, Previsão, Indústrias metalúrgicas, Análise de séries temporais, Processo decisório, Production management, Production planning, Artificial intelligence, Machine learning, Forecasting, Metalworking industries, Time-series analysis, Decision making
Citação
Dal' Bosco, Marcos de Oliveira