GEALI · MACHINE LEARNING

Previsão de demanda com ML

ESTUDO APLICADO

Um modelo que prevê a venda de Queijo Minas Frescal e transforma essa previsão em um plano de produção para os próximos sete dias, com um dashboard que explica a decisão para quem não é técnico.

O problema

Quem produz alimento perecível decide todo dia quanto fabricar, e erra para os dois lados: produzir demais gera queijo parado correndo contra a validade, produzir de menos gera cliente que chegou e não levou. A capacidade é de 120 kg por dia e o estoque precisa se manter entre 50 kg de segurança e 500 kg de limite, um intervalo estreito para decidir no olho.

A abordagem

Modelei a demanda a partir de cinco variáveis conhecidas antes do dia acontecer: dia da semana, feriado, temperatura, preço do leite e a média dos sete dias anteriores. Treinei uma Regressão Linear e um Random Forest para poder comparar, mantendo a ordem do tempo na separação entre treino e teste, porque embaralhar as datas produziria uma métrica boa e um modelo inútil.

O resultado

O Random Forest ficou com R² de 0,86 e erro médio de 5,4 kg por dia, contra 0,71 e 8,9 kg da regressão linear. A diferença aparece justamente nos dias fora da curva, feriados e picos de calor, que são os que mais doem no estoque. Menos erro significa menos estoque de segurança para atender o mesmo cliente.

O que os dados revelaram

A importância das variáveis foi a parte mais útil para o negócio: o dia da semana sozinho explica 42% do comportamento, seguido pela média recente (24%) e por feriados (16%). Na prática, isso diz que boa parte do planejamento pode começar pelo calendário, sem tecnologia nenhuma, e o modelo entra para afinar o que a regra simples não pega.

Do modelo à decisão

Um modelo que ninguém entende não vira decisão, vira slide. Por isso construí um dashboard com histórico de demanda e estoque, comparação entre os modelos, importância das variáveis e o plano dos próximos sete dias. Ele tem um controle de produção que permite ajustar a quantidade de cada dia e ver na hora o efeito sobre o estoque projetado, sinalizando quando a produção passa da capacidade ou quando o estoque entra em zona de risco.

Limite atual e próximos passos

Os 180 dias usados são simulados a partir dos padrões que o negócio já conhece. Isso sustenta o raciocínio e a apresentação, mas não substitui histórico real. Os números mostram que a abordagem funciona sobre esse comportamento, não que o modelo esteja validado na operação. O próximo passo é rodar com vendas reais e tratar um detalhe que o dado simulado esconde: quando o produto acaba, a venda registrada é zero, mas a demanda não era.