APLICAÇÃO DE ALGORITMOS DE APRENDIZADO DE MÁQUINA NA PREVISÃO DE VENDAS DIÁRIAS DE UMA INDÚSTRIA CERVEJEIRA BRASILEIRA

Resumo

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.

DOI: https://doi.org/10.56238/sevened2026.008-124