Previsão de Sazonalidade no Agronegócio: Modelo de Machine Learning para Metas Comerciais

Cleverson Mickosz do Nascimento; Gisela Consolmagno Pelegrini

DOI: 10.22167/2675-6528-202602785

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

O agronegócio brasileiro enfrenta elevada incerteza na definição de metas comerciais e financeiras. O estudo objetivou desenvolver e avaliar um modelo preditivo capaz de antecipar padrões de sazonalidade das vendas no setor e transformar os resultados em informação gerencial para apoio ao planejamento. A pesquisa adotou natureza aplicada, abordagem quantitativa e caráter exploratório. Utilizaram-se aproximadamente 130 mil registros históricos de faturamento, referentes ao período de 2019 a 2024, extraídos de sistemas corporativos ERP e CRM, e organizados em frequência mensal. Compararam-se três algoritmos de machine learning: SARIMAX, Random Forest e XGBoost. A validação empregou divisão cronológica de 80% dos dados para treinamento e 20% para teste, avaliando o desempenho pelas métricas RMSE e MAPE. O XGBoost apresentou o menor erro entre os modelos, com RMSE de 0,028 na escala normalizada e MAPE de 7,9%, superando o Random Forest (RMSE de 0,041; MAPE de 10,6%) e o SARIMAX (RMSE de 0,065; MAPE de 14,8%). Os resultados foram integrados a dashboards interativos no Power BI, apoiando as áreas de planejamento financeiro e comercial. Os achados indicaram a viabilidade técnica da abordagem no contexto estudado, embora sua aplicação contínua exija governança de dados, monitoramento e validação temporal adicionais.

Palavras-chave: inteligência artificial; planejamento comercial; previsão de demanda; séries temporais; XGBoost.

1. Introdução

O agronegócio brasileiro representa um pilar essencial para a economia nacional, contribuindo significativamente para o Produto Interno Bruto (PIB) e para as exportações do país (Brasil, 2025; CEPEA/USP, 2025). Contudo, o setor é intrinsecamente suscetível a uma elevada incerteza, que decorre de fatores exógenos como as condições climáticas, a incidência de pragas e as oscilações de mercado. Essa volatilidade impõe desafios consideráveis ao planejamento estratégico e financeiro das empresas que atuam no agronegócio (Yoo; Oh, 2020).

Diante desse cenário, a aplicação de técnicas avançadas de inteligência artificial e aprendizado de máquina tem se mostrado promissora para mitigar tais incertezas. Estudos recentes indicam que essas abordagens podem aprimorar a previsibilidade nas projeções de vendas, mesmo em contextos caracterizados por forte variabilidade externa (Ensafi et al., 2022). Modelos de Machine Learning, em particular, têm demonstrado melhorias relevantes na acurácia da previsão de séries temporais em ambientes agrícolas, superando frequentemente os modelos estatísticos tradicionais (Paul et al., 2022).

Apesar dos avanços documentados na literatura sobre o uso de Machine Learning no agronegócio, ainda se observa uma lacuna significativa. A maioria dos estudos foca em culturas ou variáveis isoladas, ou se concentra na estimativa de produtividade e preços de commodities específicas. Há uma carência de abordagens que integrem múltiplas fontes de dados em um modelo preditivo voltado diretamente para a definição de metas comerciais. Além disso, as soluções de Machine Learning desenvolvidas muitas vezes permanecem isoladas e não são adequadamente incorporadas aos processos de decisão organizacional (Liakos et al., 2018).

Nesse contexto, torna-se evidente a necessidade de aperfeiçoar algoritmos de Machine Learning para que possam lidar de forma mais eficaz com os padrões sazonais complexos e característicos da agricultura (Al-Gunaid et al., 2019). A capacidade de capturar essas dinâmicas temporais é crucial para aprimorar a precisão das previsões de vendas em agroindústrias, fornecendo informações gerenciais mais robustas para o planejamento. Assim, a presente pesquisa justifica-se pela busca por um modelo preditivo que possa transformar dados históricos em insights acionáveis, apoiando a tomada de decisão no planejamento financeiro e comercial.

O objetivo deste trabalho é desenvolver e avaliar um modelo preditivo para antecipar a sazonalidade das vendas no agronegócio, com base em dados históricos de 2019 a 2024, abrangendo vendas internas e exportações. Para atingir esse objetivo, são comparados algoritmos de aprendizado supervisionado com diferentes características metodológicas e os resultados são integrados a dashboards interativos no Power BI. A aplicação busca apoiar as áreas de planejamento financeiro (Financial Planning & Analysis [FP&A]) e comercial na definição de metas mais assertivas e fundamentadas em dados.

2. Material e Métodos

A pesquisa foi delineada com natureza aplicada, abordagem quantitativa e caráter exploratório. A natureza aplicada visou desenvolver uma solução para o planejamento comercial e financeiro. A abordagem quantitativa permitiu a análise sistemática de padrões em séries históricas de vendas. O caráter exploratório decorreu da ausência de estudos prévios de Machine Learning para metas comerciais no agronegócio. As normas éticas do MBA USP/ESALQ foram seguidas, garantindo a confidencialidade dos dados e a não identificação da empresa.

Os dados utilizados consistiram em aproximadamente 130 mil registros históricos de faturamento, abrangendo vendas internas e exportações, coletados no período de 2019 a 2024. Esses dados foram extraídos de sistemas corporativos, especificamente do Enterprise Resource Planning (ERP) Microsoft Dynamics 365 e do Customer Relationship Management (CRM). A integração, via Azure Data Factory, consolidou os dados em um “Data Warehouse” estruturado em SQL, garantindo padronização e consistência. O “dataset” final, com sete atributos, incluiu data da ordem de venda, data da fatura, produto, cliente, vendedor, valor da transação e a cotação diária do dólar americano como exógena.

O tratamento dos dados envolveu etapas de limpeza, padronização e validação para assegurar a qualidade e integridade do conjunto. Os valores ausentes foram tratados por interpolação temporal, técnica que estimou os valores faltantes com base na tendência local da série, preservando padrões sazonais. Inconsistências de formatação foram corrigidas e registros duplicados removidos. As variáveis categóricas foram codificadas utilizando “one-hot encoding”, e os valores numéricos foram normalizados para o intervalo de 0 a 1 por meio da técnica Min-Max, visando otimizar a eficiência dos algoritmos de Machine Learning.

Para a engenharia de variáveis, foram criadas variáveis de defasagem temporal (“lags”) de 3 e 6 meses. O objetivo foi capturar dependências temporais e padrões sazonais recorrentes, característicos do agronegócio. A estrutura dos dados foi organizada em frequência mensal, permitindo a identificação de ciclos sazonais associados às safras agrícolas e ao calendário de exportações, fornecendo informações cruciais para a modelagem preditiva da sazonalidade das vendas.

Na etapa de modelagem, empregaram-se três algoritmos de Machine Learning com naturezas metodológicas distintas para comparar suas capacidades preditivas. O SARIMAX (Seasonal AutoRegressive Integrated Moving Average with eXogenous variables) foi selecionado como referência linear clássica para séries temporais sazonais, incorporando componentes autorregressivos, diferenciação, médias móveis, sazonalidade e variáveis exógenas (Kumar et al., 2022). O Random Forest, método de “bagging” baseado em árvores de decisão, combinou previsões de múltiplas árvores para capturar relações não lineares e interações complexas entre variáveis, útil para a heterogeneidade dos registros.

O terceiro algoritmo foi o XGBoost, uma abordagem de “gradient boosting”. Diferentemente do Random Forest, o XGBoost constrói árvores sequencialmente, buscando reduzir os erros residuais das etapas anteriores. Essa característica favoreceu a modelagem de relações não lineares complexas e estruturas heterogêneas, apresentando desempenho consistente em previsão de vendas agrícolas (Mohamed-Amine et al., 2024). A comparação entre os algoritmos permitiu avaliar qual paradigma se ajustava melhor à estrutura dos dados. O desenvolvimento dos modelos foi realizado em Python, utilizando as bibliotecas pandas e scikit-learn.

Para a validação dos modelos, o conjunto de dados foi dividido cronologicamente em 80% para treinamento e 20% para teste, preservando a estrutura temporal da série e evitando o uso de informações futuras. O desempenho preditivo foi avaliado por meio do Root Mean Square Error (RMSE), que penaliza erros de maior magnitude, e do Mean Absolute Percentage Error (MAPE), que expressa o erro em termos percentuais para interpretação gerencial. A abordagem de validação empregada, embora amplamente adotada, apresentou como limitação a ausência de múltiplas janelas de validação temporal, conforme apontado por Cerqueira et al. (2020).

O fluxo metodológico geral da pesquisa compreendeu a coleta e o processamento dos dados, a engenharia de variáveis, a modelagem com os algoritmos selecionados e a validação. Após a avaliação dos modelos, os resultados preditivos foram integrados a dashboards interativos no Power BI. Essa integração transformou as projeções em informação gerencial acessível, apoiando as áreas de planejamento financeiro e comercial na análise de metas por produto, cliente e vendedor, conforme o objetivo do estudo.

3. Resultados e Discussão

A análise dos dados históricos de faturamento, abrangendo o período de 2019 a 2024, revelou padrões recorrentes de sazonalidade nas vendas do agronegócio, tanto no mercado interno quanto nas exportações. Esses padrões são intrinsecamente ligados aos ciclos do calendário agrícola, como os períodos de safra e as janelas de exportação, e demonstram a forte dependência do setor em relação a fatores exógenos cíclicos, conforme discutido por Yoo e Oh (2020). A identificação desses ciclos é fundamental para aprimorar a precisão das projeções e, consequentemente, o planejamento estratégico e financeiro das empresas.

A representação visual desses padrões históricos, juntamente com a projeção para o ano de 2025, evidenciou picos sazonais consistentes ao longo dos anos analisados. Essa observação reforça a necessidade de modelos preditivos que sejam capazes de capturar e antecipar essas flutuações, fornecendo uma base mais sólida para a definição de metas comerciais. A série histórica observada e a projeção gerada pelo modelo XGBoost para o ano seguinte demonstraram uma aderência notável, indicando a capacidade do modelo em replicar e estender essas dinâmicas temporais.

No que concerne à avaliação comparativa dos modelos preditivos, o desempenho foi analisado no conjunto de teste, que correspondeu aos 20% finais da série temporal de dados. Os resultados demonstraram que o algoritmo XGBoost superou os demais modelos avaliados, apresentando os menores valores de erro. O Root Mean Square Error (RMSE) do XGBoost foi de 0,028 na escala normalizada dos dados, enquanto o Mean Absolute Percentage Error (MAPE) alcançou 7,9%, indicando uma alta acurácia preditiva para o contexto estudado.

Em comparação, o modelo Random Forest obteve um RMSE de 0,041 e um MAPE de 10,6%, e o SARIMAX registrou um RMSE de 0,065 e um MAPE de 14,8%. Essa diferença de desempenho é significativa, pois o MAPE de 7,9% obtido pelo XGBoost está abaixo do limiar de 10%, que é frequentemente classificado como indicativo de uma previsão precisa em estudos de séries temporais (Piekutowska et al., 2021). Esse resultado posiciona o modelo desenvolvido como uma ferramenta robusta para o planejamento comercial no agronegócio.

A superioridade do XGBoost neste estudo pode ser atribuída à natureza hierárquica e fragmentada do conjunto de dados utilizado. As variáveis como produto, cliente e vendedor não apresentavam uma distribuição uniforme em todos os registros, o que gerou uma estrutura de dados heterogênea. Algoritmos baseados em árvores de decisão com “boosting”, como o XGBoost, são particularmente eficazes em lidar com essa complexidade, ao contrário de modelos lineares como o SARIMAX, cuja adequação depende das características específicas dos dados e objetivos da análise (Arumugam e Natarajan, 2023).

Essa capacidade do XGBoost em capturar relações não lineares e interações complexas entre as variáveis é consistente com achados de Li et al. (2024), que demonstraram a eficácia de modelos baseados em XGBoost para prever flutuações em vendas agrícolas segmentadas em múltiplas categorias de produtos. A habilidade de processar estruturas de dados complexas com menor erro corrobora os resultados obtidos, reforçando a escolha do algoritmo para este cenário específico do agronegócio brasileiro.

Contudo, é importante notar que a literatura apresenta variações nos resultados de desempenho de algoritmos de Machine Learning em diferentes contextos. Mohamed-Amine et al. (2024), por exemplo, identificaram o Gradient Boosting Regressor como o modelo de melhor desempenho em um estudo de previsão de vendas de produtos fitossanitários em uma única região, onde o conjunto de dados era mais homogêneo. Essa divergência ressalta que a eficácia de um algoritmo é altamente dependente das características específicas do dataset e do problema em questão.

Ainda assim, a pesquisa de Elavarasan e Vincent (2020) corrobora a superioridade do XGBoost em contextos agrícolas com dados de múltiplas variáveis, o que se alinha com a complexidade do presente estudo, que abrange diversos produtos, clientes e vendedores distribuídos em diferentes mercados. A capacidade do XGBoost de construir árvores sequencialmente, buscando reduzir os erros residuais das etapas anteriores, permite uma modelagem mais precisa de relações não lineares e estruturas heterogêneas, justificando seu desempenho superior.

Como resultado aplicado da pesquisa, as previsões geradas pelo modelo XGBoost foram integradas a dashboards interativos desenvolvidos no software Power BI. Essa integração representa o componente de disponibilização gerencial do modelo, transformando os resultados preditivos em uma interface de consulta acessível. Os painéis permitem a visualização de séries históricas, a comparação entre vendas internas e exportações, e a análise detalhada das projeções por produto, cliente e vendedor, facilitando a interpretação gerencial.

Essa abordagem de integração aproxima o modelo preditivo das práticas de decisão organizacional no agronegócio, conforme destacado por Liakos et al. (2018) e Brugler et al. (2024), que enfatizam a importância de soluções de Machine Learning serem incorporadas aos processos de decisão. A disponibilização de informações em um formato intuitivo e interativo permite que as áreas de planejamento financeiro e comercial utilizem as projeções de forma eficaz para a definição de metas.

Do ponto de vista organizacional, o modelo desenvolvido contribui significativamente para a tomada de decisão, substituindo projeções baseadas em critérios subjetivos ou em médias históricas simples por estimativas fundamentadas em padrões identificados nos dados. No planejamento estratégico e comercial, a capacidade de antecipar picos e vales sazonais, que são comuns ao agronegócio, permite um dimensionamento mais preciso de estoques, uma alocação mais eficiente da força de vendas e uma calibração assertiva de metas por produto, cliente e vendedor, tudo com base em projeções quantitativas e dados históricos.

Em termos de ganhos operacionais, a adoção prática do modelo tende a reduzir o risco de superestimação ou subestimação da demanda, minimizando perdas decorrentes de excesso de produção ou de ruptura em períodos de alta demanda. Essa otimização contribui para a eficiência da cadeia de suprimentos e para a rentabilidade geral da empresa. A capacidade de prever com maior acurácia permite uma gestão mais proativa e menos reativa aos desafios do mercado.

No entanto, a implementação corporativa contínua do modelo apresenta algumas limitações que devem ser consideradas. Entre elas, destaca-se a necessidade de uma infraestrutura de dados integrada, que englobe sistemas como ERP, CRM e um Data Warehouse robusto, para garantir a consistência e a qualidade dos registros. Além disso, a manutenção e o retreinamento periódico do modelo exigem profissionais com competências em engenharia e ciências de dados, e uma governança de dados eficaz é crucial para assegurar a qualidade e a consistência dos registros ao longo do tempo.

Em síntese, o estudo demonstrou a viabilidade técnica de desenvolver e avaliar um modelo preditivo baseado em Machine Learning para antecipar a sazonalidade das vendas no agronegócio. A análise dos aproximadamente 130 mil registros históricos revelou padrões sazonais recorrentes, e o algoritmo XGBoost destacou-se com o melhor desempenho preditivo, com um MAPE de 7,9%, fornecendo uma base quantitativa robusta para o planejamento financeiro e comercial. A integração dos resultados em dashboards interativos no Power BI transformou as previsões em informação gerencial acionável, apoiando a definição de metas mais assertivas e mitigando incertezas no setor.

4. Conclusão

O presente estudo objetivou desenvolver e avaliar um modelo preditivo capaz de antecipar a sazonalidade das vendas no agronegócio, transformando os resultados em informação gerencial para apoio ao planejamento comercial e financeiro. Verificou-se a existência de padrões recorrentes de sazonalidade nas vendas do setor, tanto internas quanto de exportação, ao longo do período de 2019 a 2024, intrinsecamente ligados aos ciclos agrícolas. A comparação entre os algoritmos de machine learning SARIMAX, Random Forest e XGBoost demonstrou a superioridade do XGBoost, que apresentou o menor erro preditivo, com um MAPE de 7,9%. Esse desempenho é atribuído à sua capacidade de lidar com a natureza hierárquica e heterogênea dos dados, que incluíam múltiplos produtos, clientes e vendedores. A principal contribuição do trabalho reside na integração dessas previsões em dashboards interativos no Power BI, o que oferece às áreas de planejamento financeiro e comercial uma ferramenta robusta para a definição de metas mais assertivas e fundamentadas em dados, substituindo projeções subjetivas por estimativas quantitativas e otimizando a gestão de estoques e a alocação da força de vendas.

Contudo, a implementação contínua do modelo apresenta limitações, como a dependência de uma infraestrutura de dados integrada e a necessidade de profissionais especializados para sua manutenção e retreinamento periódico, além de uma governança de dados eficaz. A validação do modelo utilizou uma única divisão cronológica dos dados, o que pode influenciar a estimativa do erro real em diferentes períodos. Para estudos futuros, recomenda-se a aplicação de múltiplas janelas de validação temporal, a incorporação de variáveis climáticas e macroeconômicas adicionais, e a exploração de modelos híbridos que combinem abordagens lineares e não lineares. Em um contexto corporativo, é fundamental estabelecer um monitoramento contínuo do erro preditivo e ciclos de retreinamento para garantir a relevância e a acurácia do modelo ao longo do tempo.

Referências Bibliográficas

Al-Gunaid, M.A.; Shcherbakov, M.V.; Trubitsin, V.N.; Shumkin, A.M.; Dereguzov, K.Y. 2019. Analysis of a short-term time series of crop sales based on machine learning methods. In: Conference on Creativity in Intelligent Technologies and Data Science, 2019. Springer International Publishing. p. 189-200.

Arumugam, V.; Natarajan, V. 2023. Time series modeling and forecasting using autoregressive integrated moving average and seasonal autoregressive integrated moving average models. Instrumentation Mesure Métrologie 22(4): 1-8. Disponível em: https://doi.org/10.18280/i2m.220404.

Brasil. Ministério da Agricultura e Pecuária. 2025. Agronegócio brasileiro fecha 2025 com recorde em exportações de US$ 169 bilhões e superávit de US$ 149,07 bilhões. Disponível em: https://www.gov.br/agricultura/pt-br/assuntos/noticias/agronegocio-brasileiro-fecha-2025-com-recorde-em-exportacoes-de-us-169-bilhoes-e-superavit-de-us-149-07-bilhoes.

Brugler, S.; Gardezi, M.; Dadkhah, A.; Rizzo, D.M.; Zia, A.; Clay, S.A. 2024. Improving decision support systems with machine learning: identifying barriers to adoption. Agronomy Journal 116: 1229-1236. Disponível em: https://doi.org/10.1002/agj2.21432.

Centro de Estudos Avançados em Economia Aplicada [CEPEA/USP]. 2025. PIB do agronegócio brasileiro. Disponível em: https://www.cepea.org.br/br/pib-do-agronegocio-brasileiro.aspx.

Cerqueira, V.; Torgo, L.; Mozetič, I. 2020. Evaluating time series forecasting models: an empirical study on performance estimation methods. Machine Learning 109: 1997-2028. Disponível em: https://doi.org/10.1007/s10994-020-05910-7.

Elavarasan, D.; Vincent, D.R. 2020. Reinforced XGBoost machine learning model for sustainable intelligent agrarian applications. Journal of Intelligent & Fuzzy Systems 39(5): 7605-7620. Disponível em: https://doi.org/10.3233/JIFS-200862.

Ensafi, Y.; Amin, S.H.; Zhang, G.; Shah, B. 2022. Time-series forecasting of seasonal items sales using machine learning: a comparative analysis. International Journal of Information Management Data Insights 2(1): 100058. Disponível em: https://doi.org/10.1016/j.jjimei.2022.100058.

Kumar, N.P.; Bhaskar, S.; Srinidhi, S.P.; Shashank, D.; Karanam, S.G. 2022. Machine learning based predictive analytics for agriculture inventory management system. In: International Conference on Cognitive Computing and Information Processing, 4., 2022, Bengaluru. IEEE. p. 1-7. Disponível em: https://doi.org/10.1109/CCIP57447.2022.10058690.

Li, J.; Lin, B.; Wang, P.; Chen, Y.; Zeng, X.; Liu, X.; Chen, R. 2024. A hierarchical RF-XGBoost model for short-cycle agricultural product sales forecasting. Foods 13(18): 2936. Disponível em: https://doi.org/10.3390/foods13182936.

Liakos, K.G.; Busato, P.; Moshou, D.; Pearson, S.; Bochtis, D. 2018. Machine learning in agriculture: a review. Sensors 18(8): 2674. Disponível em: https://doi.org/10.3390/s18082674.

Mohamed-Amine, N.; Abdellatif, M.; Belaid, B. 2024. Artificial intelligence for forecasting sales of agricultural products: a case study of a Moroccan agrarian company. Journal of Open Innovation: Technology, Market, and Complexity 10(1): 100189. Disponível em: https://doi.org/10.1016/j.joitmc.2023.100189.

Paul, R.K.; Yeasin, M.; Kumar, P.; Kumar, P.; Balasubramanian, M.; Roy, H.S.; Paul, A.K.; Gupta, A. 2022. Machine learning techniques for forecasting agricultural prices: a case of brinjal in Odisha, India. PLOS ONE 17(7): e0270553. Disponível em: https://doi.org/10.1371/journal.pone.0270553.

Piekutowska, M.; Niedbała, G.; Piskier, T.; Lenartowicz, T.; Pilarski, K.; Wojciechowski, T.; Pilarska, A.A.; Czechowska-Kosacka, A. 2021. The application of multiple linear regression and artificial neural network models for yield prediction of very early potato cultivars before harvest. Agronomy 11(5): 885. Disponível em: https://doi.org/10.3390/agronomy11050885.

Yoo, T.-W.; Oh, I.-S. 2020. Time series forecasting of agricultural products’ sales volumes based on seasonal long short-term memory. Applied Sciences 10(22): 8169. Disponível em: https://doi.org/10.3390/app10228169.

Artigo oriundo de Trabalho de Conclusão de Curso de Especialização em Digital Business do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy