Análise de séries temporais : comparação entre modelos preditivos em uma microcervejaria do Rio Grande do Sul

Abstract

A previsão de demanda é essencial para empresas, sobretudo em mercados com intensa concorrência e sazonalidade marcante, como o das microcervejarias. Em ambientes como este, antecipar-se às tendências e compreender os padrões de consumo torna-se uma vantagem competitiva inestimável. Este estudo aborda tais desafios, objetivando a identificação do método mais eficiente para realizar previsões de demanda. Em modelos quantitativos de séries temporais, foi utilizado o ARIMA, assim como foram utilizadas técnicas avançadas de inteligência artificial, destacando-se os modelos de Redes Neurais Recorrentes (RNNs) com Memória de Longo Prazo (LSTM) e XG Boost. A partir de dados históricos fornecidos por uma microcervejaria, foi criada a série temporal de demanda da empresa que, posteriormente, foi analisada e utilizada para desenvolver um modelo de previsão, utilizando a biblioteca Pycaret. As métricas MAPE, MASE e MAE avaliaram a precisão das previsões. O modelo ARIMA, tradicionalmente conhecido por sua eficácia em análises de séries temporais, obteve os melhores resultados em todas as métricas de acurácia, alcançando um MAPE de 10,72%. Conclui-se que o ARIMA é o modelo com os melhores resultados de acurácia, representando uma opção para as microcervejarias realizarem a previsão de demanda. Ao adotar essa abordagem, as empresas podem obter vantagens competitivas significativas em seu planejamento.

Demand forecasting is essential for companies, especially in markets with intense competition and pronounced seasonality, such as the craft brewery sector. In environments like this, anticipating trends and understanding consumption patterns becomes an invaluable competitive advantage. This study addresses such challenges, aiming to identify the most efficient method for demand forecasting. In quantitative time series models, ARIMA was used, as well as advanced artificial intelligence techniques, notably the Recurrent Neural Network (RNN) models with Long Short-Term Memory (LSTM) and XG Boost. Based on historical data provided by a craft brewery, a company's demand time series was established, which was later analyzed and used to develop a forecasting model using the Pycaret library. The MAPE, MASE, and MAE metrics evaluated the accuracy of the forecasts. The ARIMA model, traditionally known for its efficacy in time series analyses, achieved the best results in all accuracy metrics, reaching a MAPE of 10.72%. It is concluded that ARIMA is the model with the best accuracy results, representing an option for craft breweries to forecast demand. By adopting this approach, companies can gain significant competitive advantages in their planning.