Desenvolvimento de modelos híbridos aplicados ao supply chain: um estudo de caso na previsão de demanda veicular no Brasil (2025)
- Authors:
- Autor USP: CANOVA, ALESSANDRO - EP
- Unidade: EP
- Sigla do Departamento: PTR
- Subjects: APRENDIZADO COMPUTACIONAL; PREVISÃO DE VENDAS; CADEIA DE SUPRIMENTOS; MODELOS DE APRENDIZAGEM
- Language: Português
- Abstract: A previsão de demanda é uma atividade estratégica fundamental para montadoras de veículos dentro do planejamento da cadeia de suprimentos, orientando decisões cruciais em operações, gestão de infraestrutura, planejamento de recursos e compras. Nos últimos anos, especialmente entre 2015 e 2024, houve um crescente interesse pelo uso de modelos matemáticos para auxiliar na previsão de vendas, com ênfase em modelos de aprendizagem de máquina. Esta pesquisa tem como objetivo trazer o estado da arte na previsão de demanda, realizando uma análise de modelos híbridos aplicados a séries temporais para a previsão de vendas no setor automotivo brasileiro, considerando variáveis independentes como indicadores econômicos. São exploradas as características dos conjuntos de dados e as variações dos modelos de aprendizagem. A pesquisa aplica um modelo híbrido de SARIMAX (Média Móvel Integrada Autorregressiva com variáveis independentes e Sazonalidade) com XGBOOST (Aprimoramento Extremo por Gradientes), avaliando sua eficácia e o impacto das variáveis independentes nas previsões. Utilizando dados públicos, as simulações foram conduzidas sem a necessidade de permissões especiais, permitindo uma análise comparativa entre previsões modeladas e dados reais. Os resultados evidenciam que o modelo híbrido XGBOOST–SARIMAX apresentou o melhor desempenho entre todas as abordagens testadas. O modelo alcançou os menores valores de erro, como MSE = 1,53×10⁸, MAE = 1,03×10⁴, RMSE = 12.376,41 e MAPE = 5,59%, além do maior coeficiente de determinação (R² = 0,68) e acurácia de 94,41%. Esses resultados indicam significativa melhoria em relação ao modelo SARIMAX (MAPE = 6,10%; R² = 0,60) e ao modelo XGBOOST (MAPE = 5,89%; R² = 0,64), demonstrando que a combinação sequencial entre técnicasestatísticas e de aprendizado de máquina potencializa a captura de padrões lineares e não lineares. A principal contribuição desta pesquisa é ressaltar o potencial dos modelos híbridos para o planejamento de vendas, destacando sua relevância como uma abordagem promissora para futuras pesquisas teóricas e práticas, com implicações significativas para profissionais em diversos setores econômicos.
- Imprenta:
- Data da defesa: 03.10.2025
-
ABNT
CANOVA, Alessandro. Desenvolvimento de modelos híbridos aplicados ao supply chain: um estudo de caso na previsão de demanda veicular no Brasil. 2025. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2025. Disponível em: https://www.teses.usp.br/teses/disponiveis/3/3148/tde-17032026-142030/pt-br.php. Acesso em: 07 abr. 2026. -
APA
Canova, A. (2025). Desenvolvimento de modelos híbridos aplicados ao supply chain: um estudo de caso na previsão de demanda veicular no Brasil (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/3/3148/tde-17032026-142030/pt-br.php -
NLM
Canova A. Desenvolvimento de modelos híbridos aplicados ao supply chain: um estudo de caso na previsão de demanda veicular no Brasil [Internet]. 2025 ;[citado 2026 abr. 07 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3148/tde-17032026-142030/pt-br.php -
Vancouver
Canova A. Desenvolvimento de modelos híbridos aplicados ao supply chain: um estudo de caso na previsão de demanda veicular no Brasil [Internet]. 2025 ;[citado 2026 abr. 07 ] Available from: https://www.teses.usp.br/teses/disponiveis/3/3148/tde-17032026-142030/pt-br.php
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
