Publication
Modelação preditiva baseada em algoritmos de ia para previsão de vendas no retalho
| datacite.subject.fos | Engenharia e Tecnologia | |
| datacite.subject.sdg | 09:Indústria, Inovação e Infraestruturas | |
| dc.contributor.advisor | Ferreira, Carlos Manuel Abreu Gomes | |
| dc.contributor.author | SILVA, PEDRO ALEXANDRE LOPES | |
| dc.date.accessioned | 2025-09-10T10:58:03Z | |
| dc.date.available | 2025-09-10T10:58:03Z | |
| dc.date.issued | 2025-07-29 | |
| dc.description.abstract | O lançamento de artigos sem histórico de vendas aumenta o risco operacional no retalho. Esta investigação propõe uma estrutura preditiva que estima a procura inicial de novos produtos a partir de 3 278 907 transações reais (2022-2024) cobrindo 14 422 SKUs, 120 lojas e dois segmentos de cliente. Seguindo o ciclo CRISP-DM, procedeu-se à limpeza dos dados, análise exploratória e engenharia de variáveis, antes de comparar quatro algoritmos — XGBoost, LightGBM, LSTM e Transformer — em cenários global e por família de produtos, avaliados com MAE, RMSE, MAPE e R². Os resultados revelam dois patamares distintos: os modelos de árvores de gradiente (XGBoost ≈ LightGBM) registam erros médios substancialmente menores e R² positivos, ao passo que as redes neuronais sequenciais (LSTM, Transformer) apresentam elevada variabilidade e R² negativos em várias famílias. O XGBoost treinado globalmente demonstra o menor RMSE ponderado e o melhor equilíbrio viés-variância, sendo recomendado como motor de previsão único para toda a gama de artigos. Esta solução simplifica a operação, mantém precisão elevada e foi integrada num protótipo de dashboard web para validação em contexto real. Conclui-se que um modelo único, alimentado pela diversidade de SKUs e lojas, generaliza padrões de procura com eficácia, oferecendo uma ferramenta prática para apoiar decisões ao nível do portefólio e de planeamento comercial e operacional. | por |
| dc.description.abstract | Introducing retail items with no sales history entails significant demand uncertainty. This study develops a predictive framework that leverages 3,278,907 real transactions (2022–2024) spanning 14,422 SKUs, 120 stores and two customer segments. Adhering to the CRISP-DM methodology, the workflow comprises data cleansing, exploratory analysis, feature engineering and the assessment of four algorithms — XGBoost, LightGBM, LSTM and Transformer— under global and family-specific settings using MAE, RMSE, MAPE and R². Findings disclose two performance tiers: gradient-boosted trees (XGBoost ≈ LightGBM) achieve markedly lower errors and positive R², whereas sequence models (LSTM, Transformer) struggle with variance and often yield negative R². The globally trained XGBoost secures the lowest weighted RMSE and the best bias-variance trade-off and is thus recommended as a single forecasting engine for the entire product range. A web-based dashboard prototype demonstrates real-time deployment and business applicability. The study concludes that a unified model, trained across heterogeneous SKUs and outlets, can generalize demand patterns effectively, delivering high accuracy with reduced operational complexity for assortment and inventory planning. | eng |
| dc.identifier.tid | 203996046 | |
| dc.identifier.uri | http://hdl.handle.net/10400.22/30448 | |
| dc.language.iso | por | |
| dc.rights.uri | N/A | |
| dc.subject | sales forecasting | |
| dc.subject | new products | |
| dc.subject | XGBoost | |
| dc.subject | retail | |
| dc.subject | machine learning | |
| dc.subject | artificial intelligence | |
| dc.subject | Inteligência artificial | |
| dc.subject | Novos produtos no retalho | |
| dc.subject | Previsão de vendas | |
| dc.title | Modelação preditiva baseada em algoritmos de ia para previsão de vendas no retalho | por |
| dc.title.alternative | Ai-based predictive modeling for sales forecasting in retail | eng |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| thesis.degree.name | Mestrado em Engenharia e Gestão Industrial |