Previsão da procura com Machine Learning para um e-Commerce mais sustentável

Abstract

A volatilidade do mercado de retalho, acentuada por mudanças recentes no comportamento do consumidor e instabilidades globais, exige uma gestão de inventário cada vez mais precisa. Esta dissertação propõe uma abordagem integrada de Ciência de Dados para a previsão da procura e otimização logística, utilizando o dataset “Online Retail II”. A metodologia seguiu um fluxo rigoroso de preparação de dados, resultando na criação de dois sub-datasets estratégicos: um para a previsão de vendas e outro para a análise de sustentabilidade. Foram implementados e comparados modelos estatísticos e de aprendizagem automática, com o Extreme Gradient Boost (XGBoost) a demonstrar uma performance superior através do ajuste seletivo de hiperparâmetros, permitindo um equilíbrio entre a complexidade do modelo e a precisão da previsão. Os resultados das previsões foram integrados num modelo de simulação no software AnyLogic, permitindo avaliar o impacto das decisões de inventário (ponto de encomenda) nos custos operacionais e na pegada de carbono (𝐶𝑂2). O estudo conclui que a integração de modelos de Inteligência Artificial (IA) com ferramentas de simulação permite não só reduzir ruturas de stock, mas também quantificar os trade-offs entre eficiência financeira e sustentabilidade ambiental, oferecendo uma vantagem competitiva no setor do e-Commerce.

The volatility of the retail market, heightened by recent shifts in consumer behavior and global instabilities, demands increasingly precise inventory management. This dissertation proposes an integrated Data Science approach for demand forecasting and logistics optimization, utilizing the 'Online Retail II' dataset. The methodology followed a rigorous data preparation pipeline, resulting in the creation of two strategic sub-datasets: one for sales forecasting and another for sustainability analysis. Statistical and machine learning models were implemented and compared, with Extreme Gradient Boosting (XGBoost) demonstrating superior performance through selective hyperparameter tuning, enabling a balance between model complexity and predictive accuracy. The forecasting results were integrated into a simulation model using AnyLogic software, allowing for the assessment of inventory decisions (reorder point) on operational costs and carbon footprint (𝐶𝑂2). The study concludes that the integration of Artificial Intelligence (AI) models with simulation tools not only reduces stockouts but also quantifies the trade-offs between financial efficiency and environmental sustainability, providing a competitive advantage in the e-commerce sector.