LOGÍSTICA E TRANSPORTE: PREVISÃO DA DEMANDA DE FRETE UTILIZANDO SARIMA E XGBOOST
DOI:
https://doi.org/10.36674/mythos.v18i1.1066Palavras-chave:
Comércio eletrônico, Aprendizado de máquina, Sazonalidade, Dados de pedidos de vendas, Sistemas de apoio à decisãoResumo
A previsão precisa da demanda de frete é essencial para otimizar o planejamento logístico e apoiar a tomada de decisão em cadeias de suprimentos do comércio eletrônico. Este estudo compara o desempenho de duas abordagens de previsão — o modelo Sazonal Autorregressivo Integrado de Médias Móveis (SARIMA) e o Extreme Gradient Boosting (XGBoost) — para estimar a demanda diária de frete medida pelo peso transportado. A pesquisa seguiu a metodologia CRISP-DM utilizando o conjunto de dados público Brazilian E-commerce Dataset by Olist. Após o pré-processamento dos dados, análise exploratória, testes de estacionariedade e engenharia de atributos, foram desenvolvidos e avaliados múltiplos modelos SARIMA e XGBoost por meio de divisão cronológica entre treinamento e teste, validação cruzada e Erro Percentual Absoluto Médio (MAPE). Os modelos SARIMA empregaram diferenciação sazonal e transformações Box-Cox, enquanto os modelos XGBoost incorporaram variáveis de calendário, médias móveis e desvios-padrão móveis. Os resultados demonstram que a engenharia de atributos melhorou significativamente o desempenho preditivo. O melhor modelo XGBoost obteve MAPE de 3%, superando expressivamente o melhor modelo SARIMA. Os achados evidenciam que técnicas de aprendizado de máquina associadas à engenharia de atributos temporais constituem uma alternativa robusta para previsão da demanda de frete em operações de comércio eletrônico, contribuindo para o planejamento do transporte, a alocação de recursos e a eficiência operacional.
Referências
Bruce, P., & Bruce, A. (2019). Estatística prática para cientistas de dados: 50 conceitos essenciais. Alta Books.
Brunheroto, P. H., Pepino, A. L. G., et al. (2022). Data analytics in fleet operations: A systematic literature review and workflow proposal. Procedia CIRP, 107, 1192–1197. https://doi.org/10.1016/j.procir.2022.05.130
Chapman, P., Clinton, J., Kerber, R., et al. (2000). CRISP-DM 1.0: Step-by-step data mining guide. SPSS.
Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 785–794). ACM. https://doi.org/10.1145/2939672.2939785
Fávero, L. P., & Belfiore, P. (2017). Manual de análise de dados. Elsevier.
Haque, M. S., Amin, M. S., & Miah, J. (2023). Retail demand forecasting: A comparative study for multivariate time series. arXiv preprint arXiv:2308.11939. https://arxiv.org/abs/2308.11939
Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Prin ciples and practice (3rd ed.). OTexts. https://otexts.com/fpp3/
Jahin, M. A., Shahriar, A., & Al Amin, M. (2024). MCDFN: Supply chain demand forecasting via an explainable multi-channel data fusion network model integrating CNN, LSTM, and GRU. arXiv preprint arXiv:2405.15598. https://arxiv.org/abs/2405.15598
McKinney, W. (2022). Python para análise de dados. Novatec.
Morettin, P. A., & Bussab, W. O. (2016). Estatística básica (8ª ed.). Saraiva.
Nagel, M., & dos Santos, C. P. (2017). A relação entre a satisfação com o gerenciamento de reclamações e as intenções de recompra: Detectando influências moderadoras em retail. Brazilian Business Review, 14(5). https://doi.org/10.15728/bbr.2017.14.5.4
Novack, R. A., Gibson, B., Coyle, J. J., & Suzuki, Y. (2020). Transportation: A global supply chain perspective (9th ed.). Cengage Learning.
Olist, & Sionek, A. (2018). Brazilian e-commerce public dataset by Olist [Data set]. Kaggle. https://doi.org/10.34740/KAGGLE/DSV/195341
Pavlyshenko, B. M. (2019). Machine-learning models for sales time series forecasting. Data, 4(1), 15. https://doi.org/10.3390/data4010015
Prim, A. L., & de Freitas, K. A. (2020). Frete barato e entrega atrasada: O dilema do nível de serviço versus custos. Revista de Administração Contemporânea, 24(6), 618–631. https://doi.org/10.1590/19827849rac2020190226
Pankratz, A. (1983). Forecasting with univariate Box-Jenkins models: Concepts and cases. John Wiley & Sons.
Saha, P., Gudhenia, N., Mitra, R., et al. (2022). Demand forecasting of a multinational retail company using deep learning frameworks. IFAC-PapersOnLine. https://doi.org/10.1016/j.ifacol.2022.09.425 Shumway, R. H., & Stoffer, D. S. (2011). Time series analysis and its applications (3rd ed.). Springer.
VanderPlas, J. (2016). Python data science handbook. O’Reilly Media. https://jakevdp.github.io/PythonDataScienceHandbook/
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2026 Eduardo Modesto de Melo, Fabricio Pelloso Piurcosky
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
A partir de janeiro de 2024, os autores mantêm os direitos autorais relativos ao seu artigo e concedem à revista Mythos, da FEPESMIG, o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a licença Creative Commons Attribution 4.0 International (CC BY 4.0), conforme consta no documento PDF do artigo. Essa licença prevê que o artigo publicado pode ser compartilhado (permite copiar e redistribuir o material em qualquer meio ou formato) e adaptado (permite remixar, transformar e criar a partir do material para qualquer finalidade, inclusive comercial) por qualquer pessoa.
