02 de outubro de 2026
Modelagem preditiva para gestão de estoques: aumento de produtividade e eficiência em um centro de distribuição alimentício
Modelagem Preditiva para Gestão de Estoques: Aumento de Produtividade e Eficiência em um Centro de Distribuição Alimentício
Felipe Augusto Toscani Figueiredo; Dora Yovana Barrios Leal
DOI: 10.22167/2675-6528-202602897
Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.
Resumo
A gestão eficiente das operações logísticas em centros de distribuição é fundamental para a competitividade, especialmente em atividades intensivas em mão de obra, que impactam custos operacionais e o nível de serviço. O estudo objetivou desenvolver e avaliar diferentes modelos de previsão de demanda para otimizar a gestão de estoque e recursos em um centro de distribuição alimentício. Para isso, utilizaram-se dados históricos de movimentação de um sistema WMS, aplicando-se modelos de regressão linear, suavização exponencial de Holt-Winters e o algoritmo LightGBM. Os resultados indicaram que modelos tradicionais apresentaram limitações na captura da dinâmica da demanda, com desempenho inferior ao LightGBM. O algoritmo de aprendizado de máquina demonstrou desempenho superior, especialmente após a incorporação de maior granularidade dos dados e variáveis temporais, o que permitiu maior aderência à dinâmica da demanda. A aplicação do modelo resultou em uma redução de 36,38% no deslocamento para o pallet picking e de 31,98% para o case picking, totalizando uma redução global de 33,64%. Concluiu-se que a utilização de modelos preditivos contribuiu para a melhoria da eficiência operacional, permitindo melhor alocação de recursos e organização dos itens no processo de separação de pedidos.
Palavras-chave: Aprendizado de máquina; Classificação ABC; Eficiência operacional; Logística; Previsão de demanda.
1. Introdução
A cadeia logística compreende todas as etapas que conectam a produção ao consumidor final, envolvendo fornecedores, indústrias, distribuidores e pontos de venda. A gestão eficiente desse processo constitui um pilar estratégico para as organizações, pois garante eficiência e competitividade em um mercado cada vez mais dinâmico e exigente (Cabral et al., 2023). Dentro das cadeias de suprimentos modernas, os centros de distribuição assumem papel essencial ao armazenar, organizar e movimentar os produtos, funcionando como um elo intermediário entre a produção e a entrega ao cliente (Finco et al., 2023; Tulli, 2023). Nesses locais, destacam-se quatro atividades principais: o recebimento, a armazenagem, a separação de pedidos e a expedição (Amorim-Lopes et al., 2020).
Entre essas atividades, a operação de separação de pedidos, conhecida como picking, é amplamente reconhecida como a etapa mais trabalhosa e intensiva dentro das atividades de um armazém, especialmente em sistemas não automatizados do tipo picking fracionado. Este processo essencial para o atendimento de pedidos envolve a separação dos produtos conforme as quantidades e sequências solicitadas pelos clientes, muitas vezes exigindo que o operador se desloque até o local de armazenagem para coletar os materiais (Amorim-Lopes et al., 2020; Picoli et al., 2023). Apesar dos avanços tecnológicos na gestão de armazéns, muitas operações ainda enfrentam ineficiências decorrentes de layouts mal planejados, como longos percursos para os operadores, gargalos em áreas de maior fluxo, subutilização do espaço disponível e atrasos nas etapas de separação e expedição (Casella et al., 2023; Tulli, 2023). Tais fatores elevam os custos operacionais e aumentam o tempo de atendimento dos pedidos, podendo comprometer a satisfação dos clientes.
Os processos de armazém são frequentemente apoiados por um Warehouse Management System (WMS), ou Sistema de Gestão de Armazém, que gerencia fluxos físicos e de informação, tornando as operações mais ágeis e precisas. O WMS assegura que todas as transações físicas sejam registradas em banco de dados, garantindo a acuracidade do estoque e fornecendo informações essenciais para análises posteriores (Brochado, 2024; Zaman et al., 2023). Contudo, a dependência de alocações fixas de recursos e de médias históricas para o planejamento, sem uma visão dinâmica da demanda, frequentemente desconsidera a volatilidade inerente às operações, resultando em subutilização de recursos e menor eficiência no processo de picking.
Para otimizar a gestão de estoque e recursos, a utilização da Curva ABC é uma abordagem comum. Essa classificação estatística dos produtos baseia-se em sua importância relativa em termos de valor e volume, orientando a gestão do estoque e permitindo concentrar esforços e recursos nos produtos mais significativos, o que promove maior eficiência operacional (Santa Ana, 2021; Todeschini e Lélis, 2022; Tulli, 2023). Para auxiliar a classificação da curva ABC e trazer mais acuracidade à gestão do estoque, a previsão da demanda surge como um complemento essencial. Por meio da antecipação das necessidades de produtos, é possível alinhar a capacidade de atendimento às demandas dos clientes, reduzindo desperdícios, melhorando a acuracidade do estoque e aumentando o nível de serviço (Garcia e Fernandes, 2024).
A aplicação de diferentes métodos de análise, desde técnicas informais até modelos quantitativos de séries temporais e técnicas de inteligência artificial, pode aprimorar a previsão de demanda (Torres e Corso, 2021). Diante deste contexto, este trabalho teve como objetivo desenvolver e avaliar diferentes modelos para a previsão de demanda, a fim de selecionar aquele que proporcione as melhores estimativas para otimizar a gestão de estoque e recursos em um centro de distribuição alimentício, aumentando a eficiência da separação de pedidos.
2. Material e Métodos
O estudo adotou uma abordagem quantitativa e descritiva, de natureza aplicada, visando desenvolver e avaliar modelos preditivos para a gestão de estoque e recursos. A pesquisa foi realizada em um centro de distribuição alimentício 3PL, localizado no estado de São Paulo. O foco empírico recaiu sobre as movimentações de separação de pedidos (picking), nas modalidades pallet picking e case picking, registradas entre janeiro de 2023 e setembro de 2025.
A base de dados foi extraída do Warehouse Management System (WMS) da instituição, que registra todas as movimentações de picking por leituras de código de barras. O conjunto totalizou 2.024.472 registros, correspondentes a 67.705.531 caixas movimentadas, distribuídas entre 497 produtos de seis famílias. Uma base de cadastro de itens foi mesclada para vincular produtos às suas famílias, e informações sensíveis foram anonimizadas por códigos.
No processamento, as duplicidades foram removidas e apenas as ordens concluídas foram filtradas. As colunas de data e hora foram convertidas para o formato diário, permitindo a agregação da quantidade movimentada por dia, produto, família e tipo de picking. Criou-se a variável “visitas” para contabilizar o número de coletas. As variáveis explicativas incluíram data, hora, família, código de produto e tipo de picking, sendo a quantidade de caixas movimentadas a variável de resposta. As variáveis categóricas foram convertidas em representações numéricas utilizando One-Hot Encoding. O processamento foi realizado em Python, com Pandas, NumPy e Matplotlib.
Para a modelagem preditiva, a base de dados foi separada em conjuntos de treino (80% iniciais) e teste (20% mais recentes), respeitando a ordem temporal. Durante o treinamento, empregou-se a validação cruzada temporal (Time Series Cross-Validation) do Scikit-Learn (Pedregosa et al., 2011). A otimização dos hiperparâmetros foi realizada com o Randomized Search do Scikit-Learn (Géron, 2019), que seleciona aleatoriamente combinações de parâmetros a serem testadas. As análises de regressão linear foram conduzidas em Python, utilizando as bibliotecas statsmodels, scikit-learn, statstests e scipy.
A seleção dos modelos preditivos buscou contrastar métodos estatísticos tradicionais com algoritmos de aprendizado de máquina (Saraiva e Yoshizaki, 2024). Foram empregados a Regressão Linear Múltipla, o algoritmo LightGBM e o modelo de suavização exponencial de Holt-Winters. A Regressão Linear Múltipla serviu como base comparativa. O LightGBM, baseado em árvores de decisão e gradient boosting (Géron, 2019), incorporou variáveis de defasagem e marcadores temporais. O Holt-Winters (Kessous et al., 2024) decompôs a série em nível, tendência e sazonalidade, utilizando a versão aditiva do modelo.
Para avaliar o desempenho dos modelos, selecionaram-se o Coeficiente de Determinação (R²), o Erro Absoluto Médio (MAE) e a Raiz do Erro Quadrático Médio (RMSE) (Saraiva e Yoshizaki, 2024). Modelos com maior R² e menores valores de MAE e RMSE foram considerados mais precisos. Os modelos foram treinados com dados diários, preservando a granularidade, e a avaliação das previsões foi realizada após agregação mensal, para alinhamento com o planejamento de recursos logísticos.
Após a seleção do modelo com melhor acurácia, a Curva ABC foi elaborada com base na demanda prevista dos itens, considerando a participação percentual acumulada ordenada. A Classe A incluiu os 20% de maior frequência de saída; a Classe B, os subsequentes até 50%; e a Classe C, os 50% restantes. A Curva ABC foi elaborada separadamente para itens da família ‘FAM_02’ (área climatizada) e demais itens (área ambiente). Estimou-se a necessidade de colaboradores e o deslocamento médio entre posições de armazenagem, com distâncias predefinidas para transições entre classes.
Os resultados das previsões obtidas pelos modelos foram comparados a uma estimativa de referência. Essa estimativa considerou a manutenção do comportamento histórico recente, utilizando a média observada nos dois últimos meses como tendência esperada para o período futuro. Essa comparação permitiu avaliar o ganho de precisão e o impacto operacional proporcionado pelos modelos preditivos.
3. Resultados e Discussão
A análise da demanda mensal no centro de distribuição alimentício, abrangendo o período de 2023 a 2025, revelou padrões distintos de volume e estabilidade operacional. Observou-se que o ano de 2024 registrou o maior patamar de movimentação, com uma mediana de 1,52 milhão de caixas e um crescimento de 3,1% na média mensal em comparação ao ano anterior. Em contraste, 2023 apresentou a maior dispersão dos dados, indicando uma demanda mais instável e, consequentemente, de difícil previsibilidade para o planejamento de recursos. Já em 2025, houve uma maior concentração dos volumes, sugerindo uma operação mais estabilizada, embora com uma retração de 3,8% na média mensal, retornando aos níveis de 2023, com 1,43 milhão de caixas movimentadas.
Para verificar a significância estatística dessas variações anuais, aplicou-se uma análise de variância de um fator (ANOVA). Os resultados do teste (F = 0,65; p = 0,53) indicaram que não houve diferenças estatisticamente significativas entre as médias mensais anuais. Isso confirmou que, apesar das oscilações observadas entre os anos, o nível médio da demanda mensal permaneceu estatisticamente semelhante ao longo de todo o período analisado. Contudo, em contraste com a estabilidade anual, a análise da demanda em uma escala mensal revelou uma alta volatilidade no volume movimentado, com oscilações frequentes e sem um padrão sazonal evidente, o que aumenta a complexidade da previsão.
A demanda mensal variou entre aproximadamente 1,22 milhão e 1,66 milhão de caixas, resultando em uma amplitude de cerca de 438 mil caixas entre os meses de menor e maior movimentação. Essa variação de 35,8% entre os extremos confirma que a estabilidade média anual oculta oscilações mensais severas, exigindo alta flexibilidade da operação logística. Do ponto de vista logístico, essas variações são cruciais para o planejamento de recursos operacionais, pois alterações dessa magnitude no volume movimentado impactam diretamente a necessidade de mão de obra, a intensidade das visitas operacionais e o nível de deslocamento dentro do armazém.
A análise da produtividade por tipo de picking revelou um desbalanceamento entre o volume movimentado e o esforço operacional. O pallet picking, que envolve a movimentação de paletes completos, concentrou a maior parte da demanda total, representando 67,62% do volume. Por outro lado, o case picking, que se refere à separação manual de volumes fracionados, embora represente apenas 32,38% da demanda total, foi responsável pela vasta maioria do fluxo no armazém, gerando 76,52% das visitações às posições de estoque. Este cenário evidencia que a separação unitária é o principal direcionador da movimentação e da ocupação de mão de obra na operação.
A classificação dos itens por meio da Curva ABC foi elaborada com base na demanda prevista, considerando que, em um operador logístico 3PL, a importância dos produtos está mais ligada à sua movimentação e frequência de consumo do que ao valor monetário. Para a definição dos grupos, adotou-se o critério da participação percentual acumulada ordenada pela demanda: a Classe A foi composta pelos 20% dos itens com maior frequência de saída; a Classe B pelos itens subsequentes até o limite de 50% do total; e a Classe C pelos 50% restantes, com baixo valor agregado. A Curva ABC foi elaborada separadamente para os itens da família FAM_02, correspondentes à área climatizada, devido às restrições de armazenagem, e para os demais itens, armazenados em área ambiente. A família FAM_002 responde por aproximadamente 30% da demanda total, refletindo sua necessidade proporcional de posições na área climatizada.
A avaliação do desempenho dos modelos preditivos considerou o Coeficiente de Determinação (R²), o Erro Absoluto Médio (MAE) e a Raiz do Erro Quadrático Médio (RMSE), métricas consolidadas na literatura (Saraiva e Yoshizaki, 2024). O R² mede a proporção da variabilidade da variável dependente explicada pelo modelo, enquanto o MAE e o RMSE quantificam a magnitude dos erros. Modelos com maior R² e menores valores de MAE e RMSE são considerados mais precisos e com melhor desempenho preditivo, sendo essas métricas utilizadas de forma complementar na comparação entre as abordagens.
O modelo de regressão linear, embora globalmente significativo (Prob(F-statistic) = 0,00), apresentou um R² de 0,31, indicando uma capacidade limitada de explicar a variabilidade da demanda a nível diário. Além disso, diversos coeficientes individuais não foram estatisticamente significativos, sugerindo multicolinearidade, e os resíduos não aderiram à normalidade, mesmo após a transformação Box-Cox. Esses resultados indicam que, apesar de sua simplicidade e interpretabilidade, a regressão linear serviu principalmente como base comparativa para modelos mais complexos, conforme observado por Fávero e Belfiore (2024).
Os modelos iniciais do LightGBM, treinados em base mensal, apresentaram limitações na captura da dinâmica temporal sob alto nível de agregação. No entanto, com a utilização de dados mais detalhados, incorporando variáveis de marcação temporal (defasagem e média móvel) e granularidade diária, observou-se uma melhora expressiva no desempenho. O melhor resultado foi alcançado pelo LightGBM com dados diários, produtos (One Hot Encoding), lags e média móvel, atingindo um R² de 97,80%, MAE de 35.840 caixas e RMSE de 46.662 caixas. Esse comportamento reforça a importância do nível de agregação dos dados na acurácia preditiva, conforme discutido por Hyndman et al. (2011), e evidencia que a maior granularidade contribui para melhor captura de variações e redução dos efeitos de ruído na série.
O modelo de Holt-Winters, uma técnica de suavização exponencial sazonal, também foi avaliado. Na versão mensal, obteve um R² de 93,43%, MAE de 40.849,89 e RMSE de 67.929,57. Na versão diária, os resultados foram R² de 91,20%, MAE de 72.074,37 e RMSE de 79.854,12. Embora o Holt-Winters seja adequado para séries temporais com tendência e sazonalidade (Kessous et al., 2024), o LightGBM, com a incorporação de variáveis explicativas adicionais e a capacidade de capturar relações não lineares, demonstrou desempenho superior, alinhando-se a estudos que validam a robustez do aprendizado de máquina em contextos de alta volatilidade (Saraiva e Yoshizaki, 2024; Schmid et al., 2025).
A análise dos resíduos do modelo LightGBM, comparando a demanda real e as previsões, revelou padrões distintos para cada tipo de picking. No case picking, os resíduos foram predominantemente negativos, indicando uma tendência de superestimação sistemática da demanda. Já no pallet picking, os resíduos apresentaram maior variabilidade e alternância de sinal, sugerindo um ajuste mais equilibrado, porém com subestimação em períodos de pico, especialmente nos meses de maior demanda. Essa observação levou a um refinamento do modelo, considerando a hipótese de que os diferentes tipos de picking poderiam apresentar padrões de demanda distintos.
Diante dessa hipótese, um novo experimento foi realizado, mantendo as configurações do LightGBM, mas separando os dados em dois conjuntos distintos: um para case picking e outro para pallet picking, em substituição à utilização de One-Hot Encoding para o tipo de picking. Essa abordagem resultou em um aumento do R² mensal de 97,80% para 98,24%, representando um ganho de 0,44 ponto percentual. Adicionalmente, houve uma redução do MAE em 13,33% e do RMSE em 18,24%, indicando que a separação dos modelos contribuiu principalmente para reduzir erros de maior magnitude, associados aos períodos de maior variação da demanda, nos quais o modelo anterior apresentava maior dificuldade de ajuste.
A tradução dos resultados em termos de recursos humanos permitiu estimar a necessidade de mão de obra real versus a estimada pelo modelo. Para o cálculo, foram consideradas as produtividades médias de 135,59 caixas por operador por hora para o case picking e 872,69 caixas por operador por hora para o pallet picking, além de uma jornada semanal de 44 horas. As previsões do modelo final resultaram em uma diferença média de 0,87 operador no case picking e de apenas 0,06 operador no pallet picking em relação à necessidade real.
A variação positiva observada no case picking, que é o principal direcionador da movimentação no centro logístico, pode ser considerada adequada ao contexto operacional, pois uma margem de segurança na estimativa de recursos é preferível. No pallet picking, a pequena subestimação em agosto de 2025 teve menor impacto sobre o dimensionamento da mão de obra, uma vez que este processo não representa o principal gargalo operacional. Atualmente, o Centro Logístico opera com uma quantidade fixa de 21 separadores e 9 operadores de empilhadeira, baseada no cálculo da demanda histórica. Os resultados evidenciam que a demanda operacional não é constante, e um modelo preditivo oferece maior flexibilidade no dimensionamento das equipes.
A simulação das matrizes de validação cruzada entre as classificações ABC real, predita e histórica demonstrou que o modelo preditivo apresenta maior aderência à classificação real em comparação ao método histórico, tanto para o case picking quanto para o pallet picking. Em todas as classes, observou-se maior concentração na diagonal principal no cenário preditivo, indicando um aumento significativo da correspondência entre as curvas classificadas e a demanda real. No case picking, os percentuais de acerto nas classes A, B e C foram de 83,33%, 81,82% e 97,13%, respectivamente, superando os 75,00%, 69,70% e 96,31% do método histórico.
Para o pallet picking, os resultados de acerto foram de 100,00% para a classe A, 77,78% para a classe B e 98,19% para a classe C, em contraste com os 50,00%, 44,44% e 96,99% do método histórico. Esses dados reforçam a eficácia do modelo preditivo em otimizar a priorização dos itens e reduzir erros de classificação, o que é fundamental para uma gestão de estoque mais eficiente e para a alocação estratégica de recursos.
Com base na profundidade da rua no Centro Logístico, estimada em aproximadamente 190 metros, e na variação média de deslocamento entre as classes (47,5 m para A e B, 71,25 m para B e C, e 118,75 m para A e C), os resultados indicaram uma redução de 36,38% para o pallet picking e de 31,98% para o case picking no deslocamento relacionado às mudanças entre zonas no cenário baseado em previsão. Isso resultou em uma redução total estimada de 33,64% em comparação ao cenário histórico, evidenciando o potencial do modelo em aumentar a eficiência do processo de separação de pedidos.
A redução drástica no deslocamento reforça a tese de que abordagens baseadas em Inteligência Artificial superam os métodos tradicionais de organização de armazéns. O uso de algoritmos inteligentes para agrupar e alocar produtos não apenas reduz a distância de picking, mas também melhora a ergonomia operacional e a precisão da distribuição de itens, conforme apontado por Adamah e Linner (2024). Portanto, os ganhos de eficiência obtidos validam a transição para um modelo preditivo como estratégia fundamental para a redução de custos logísticos e a melhoria da produtividade.
Em síntese, a pesquisa demonstrou que a aplicação de modelos preditivos, especialmente o algoritmo LightGBM com granularidade diária e variáveis temporais, superou os métodos tradicionais na previsão de demanda em um centro de distribuição alimentício. A maior acurácia do modelo permitiu uma estimativa mais precisa da necessidade de mão de obra e uma classificação ABC mais aderente à realidade operacional, resultando em uma redução global de 33,64% no deslocamento para a separação de pedidos. Esses achados confirmam que a utilização de modelos preditivos, aliada à reorganização dos itens com base na demanda prevista, contribui significativamente para a melhoria da eficiência operacional e a otimização da gestão de recursos, respondendo diretamente ao objetivo do estudo.
4. Conclusão
O presente estudo objetivou desenvolver e avaliar modelos de previsão de demanda para otimizar a gestão de estoque e recursos em um centro de distribuição alimentício, visando aprimorar a eficiência da separação de pedidos. Verificou-se que, entre as abordagens testadas, o algoritmo LightGBM demonstrou desempenho superior na captura da dinâmica da demanda, especialmente após a incorporação de maior granularidade dos dados e variáveis temporais. Modelos tradicionais, como a regressão linear e a suavização exponencial de Holt-Winters, apresentaram limitações na acurácia preditiva. O refinamento do LightGBM, com a separação dos dados por tipo de picking, elevou o coeficiente de determinação (R²) para 98,24% e reduziu significativamente os erros médios, indicando uma aderência notável às variações da demanda.
A aplicação do modelo preditivo resultou em contribuições operacionais substanciais. Observou-se uma estimativa mais precisa da necessidade de mão de obra, com uma diferença média de 0,87 operador para o case picking e 0,06 operador para o pallet picking em relação à demanda real, permitindo maior flexibilidade no dimensionamento das equipes. Adicionalmente, a classificação ABC dos itens, baseada na demanda prevista, mostrou maior aderência à realidade operacional do que o método histórico, otimizando a priorização de produtos. Consequentemente, a reorganização dos itens no processo de separação de pedidos, guiada pelas previsões, gerou uma redução de 36,38% no deslocamento para o pallet picking e de 31,98% para o case picking, totalizando uma diminuição global de 33,64%. Estes achados validam a transição para modelos preditivos como uma estratégia fundamental para a melhoria da eficiência operacional e a redução de custos logísticos em centros de distribuição.
Referências Bibliográficas
Amorim-Lopes, M.; Guimarães, L., Alves, J.; Almada-Lobo, B. 2020. Improving picking performance at a large retailer warehouse by combining probabilistic simulation, optimization, and discrete-event simulation. International Transactions in Operational Research, 28 (2): 687-715.
Cabral, G.; Fracarolli, J. V.B; Netto, R. V.; Bassi, A. L. 2023. Gestão da cadeia logística e centros de distribuição como otimizar o tempo das entregas. Revista Eletrônica CREARE – Revista das Engenharias, Ciências e Tecnologias 6 (1): 1-15.
Casella, G.; Volpi,
Finco, S.; Ashta, G.; Persona, A.; Zennaro, I. 2023. Investigating different manual picking workstations for robotized and automated warehouse systems: Trade-offs between ergonomics and productivity aspects. Computers & Industrial Engineering 185: 1-16.
Picoli, M. A.; Moreira, R. S.; Ribeiro, A. F.; Araújo, D. L. A.; Lemos, F. K. 2023. Inovação na operação logística: adoção do picking com códigos de barras e rádio frequência na metalúrgica São Raphael. Revista da Micro e Pequena Empresa (RMPE) 17 (1): 133-147.
Tulli, S. K. C. 2023. Warehouse Layout Optimization: Techniques for Improved Order Fulfillment Efficiency. International Journal of Acta Informatica 2 (1): 138-168.
Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq
Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy
