19 de fevereiro de 2026
Análise do agrupamento de produtos na previsão de vendas da cadeia alimentícia
Rodrigo Yassuda Yamashita – Orientador(a): Prof. Dr Gustavo Dantas Lobo
Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.
Esta pesquisa utilizou métodos de previsão de séries temporais de vendas para aprimorar o dimensionamento de linhas de produção na indústria de alimentos, investigando o impacto da granularidade dos dados no desempenho dos modelos. O estudo partiu da hipótese de que agrupar produtos similares poderia oferecer uma previsão mais robusta em comparação com a análise individual, desafiando a premissa de que maior detalhamento resulta em maior acurácia. A análise buscou quantificar o trade-off entre o ganho de desempenho preditivo e o custo computacional associado a diferentes níveis de agregação de dados, fornecendo um guia para gestores da cadeia de suprimentos.
A crescente pressão sobre a cadeia global de alimentos contextualiza esta investigação. Projeções da OCDE e da FAO indicam que a demanda por alimentos superará a oferta na próxima década (CNN, 2025). Nesse cenário, o Brasil é um ator fundamental, com exportações do agronegócio atingindo US$ 166,55 bilhões em 2023, 49% do total das exportações do país (Agência Gov, 2024). Esse protagonismo exige eficiência na gestão da cadeia de suprimentos; a previsão de demanda é uma ferramenta estratégica para a competitividade.
A cadeia de suprimentos de alimentos enfrenta desafios únicos que complexificam a previsão. A perecibilidade dos produtos impõe um tempo reduzido entre produção e consumo, minimizando a margem para erros. A sazonalidade, influenciada por fatores climáticos e culturais, adiciona outra camada de variabilidade. Além disso, a produção compulsória, especialmente no setor de proteína animal; o processamento de um animal gera um conjunto fixo de subprodutos (ex: duas asas e um peito por frango), desvincula parcialmente a oferta da demanda específica de cada item. A ineficiência nesta cadeia pode levar a perdas significativas, com o desperdício de alimentos concentrado na cadeia de suprimentos (Jagtap, 2019).
Diante dessa complexidade, a aplicação de métodos quantitativos para previsão de vendas é necessária para otimizar a alocação de recursos produtivos. A capacidade de antecipar flutuações de demanda permite que as empresas ajustem planos de produção, gerenciem estoques e evitem tanto a falta de produtos quanto o excesso, que leva ao desperdício. Estudos como o de Duarte (2024) já demonstraram o valor de modelos de séries temporais para prever vendas no setor alimentício regional, reforçando a relevância de aprofundar a compreensão sobre as melhores práticas de modelagem.
Este trabalho foca na questão metodológica central: qual o nível de agregação de dados ideal para a previsão de vendas voltada ao planejamento de capacidade? A investigação contrapõe a previsão de alta granularidade, analisando cada produto, com uma previsão agregada, que agrupa produtos da mesma linha de produção. A hipótese é que, para decisões estratégicas de capacidade, a previsão agregada pode ser computacionalmente mais barata e mais precisa, ao filtrar o “ruído” de produtos com vendas intermitentes e capturar de forma mais clara o sinal de demanda da categoria.
Para o estudo, utilizou-se uma base de dados real com 58 meses de vendas mensais de uma empresa de proteína animal. Foram excluídas as vendas internacionais devido à sua alta volatilidade decorrente de barreiras sanitárias e decisões políticas, fatores que não refletem o comportamento orgânico do consumo. O mercado nacional apresenta um ambiente mais estável, permitindo que as séries temporais capturem melhor os padrões de demanda. O escopo geográfico foi delimitado ao estado de São Paulo, por ser o mercado de maior volume para a empresa.
A análise concentrou-se na unidade de “alimentos processados”, como presuntos, linguiças e bacon. Essa escolha isolou o estudo das complexidades da produção compulsória. Nos alimentos processados, a empresa possui maior controle sobre o mix de produção, tornando a previsão de demanda um insumo direto para o planejamento. Foram definidos três grupos de produtos que espelham as linhas de produção dedicadas da empresa: “presuntos”, “linguiças frescais” e “bacon”. Essa abordagem garante que os resultados da previsão tenham aplicabilidade prática, pois a demanda agregada de cada grupo se traduz na necessidade de capacidade da linha correspondente.
Foram empregados três métodos de previsão de séries temporais: ARIMA (Médias Móveis Integradas e Autorregressivas), Suavização Exponencial de Holt-Winters Aditiva (ETS Aditivo) e Suavização Exponencial de Holt-Winters Multiplicativa (ETS Multiplicativo). O modelo ARIMA, conforme Ohyver (2018) e utilizado por Ahmar (2023), modela a série com base em sua autocorrelação. Os modelos ETS decompõem a série em erro, tendência e sazonalidade; o método aditivo é adequado para séries onde a sazonalidade não varia com o nível da série, enquanto o multiplicativo é para casos em que as flutuações sazonais são proporcionais ao nível da série. A implementação, como em Duarte (2024), foi realizada em Python 3, utilizando as bibliotecas pmarima e statsmodels para seleção automática de hiperparâmetros.
O desenho experimental dividiu a série de 58 meses em um conjunto de treino (54 meses) e um de teste (4 meses). Para cada produto individual e grupo agregado, os três modelos foram treinados para gerar previsões. O desempenho foi avaliado pelo Erro Percentual Absoluto Médio (MAPE). A comparação final se deu entre: (1) a previsão gerada pelo melhor modelo aplicado à série agregada do grupo; e (2) a previsão obtida pela soma das melhores previsões de cada produto individual dentro do grupo.
No grupo de “presuntos”, composto por 15 produtos, 9 deles possuíam séries históricas consistentes, representando 98,7% do volume de vendas. O “presunto 1”, produto principal, foi melhor previsto pelo modelo ETS multiplicativo, com um MAPE de 6,7%. Já o “presunto 2” teve o modelo ARIMA como o de melhor desempenho (MAPE de 22,4%), que acertou o volume acumulado no período de quatro meses. O caso do “presunto 3” expôs uma vulnerabilidade da análise granular: com histórico incompleto, sua forte tendência de crescimento levou o modelo ETS multiplicativo a gerar previsões com um MAPE de 485,3%. Em contraste, o modelo ETS aditivo alcançou um MAPE de 7,5%, mostrando-se mais robusto.
Ao comparar as abordagens para o grupo “presuntos”, a soma das previsões individuais (selecionando o melhor modelo para cada produto) resultou em um MAPE de 3,9%, marginalmente superior ao MAPE de 5,3% obtido pela previsão da série agregada. O erro acumulado no volume total também favoreceu a abordagem individual, com um desvio de -1,7% contra +1,9% da agregada. Contudo, essa pequena vantagem em acurácia foi obtida a um custo computacional significativamente maior. A abordagem granular exigiu a execução de 27 modelos (3 para cada um dos 9 produtos), enquanto a agregada necessitou de apenas 3, evidenciando um trade-off entre um ganho mínimo de precisão e um aumento de 9 vezes no esforço computacional.
A análise do grupo “linguiças frescais” apresentou um cenário diferente, que reforçou as desvantagens da abordagem granular em portfólios dinâmicos. Este grupo, com 24 produtos, exibiu alta rotatividade. Como resultado, 13,5% do volume de vendas correspondia a produtos sem dados históricos suficientes para uma modelagem robusta. O produto “frescal 1”, por exemplo, representava 12% do volume de vendas no período de teste, mas seu histórico inviabilizou a aplicação dos modelos ETS e ARIMA. Essa instabilidade contaminou a previsão agregada por soma, cujo melhor resultado foi um MAPE de 16,3%. Em contrapartida, a previsão realizada diretamente sobre a série agregada, que suaviza as flutuações, alcançou um desempenho superior, com um MAPE de 6,2% (ETS Aditivo). A análise do erro acumulado confirmou essa superioridade: a abordagem agregada subestimou as vendas em -3,2%, enquanto a por soma subestimou em -5,6%. Para este grupo, a granularidade foi prejudicial, e a agregação atuou como um filtro eficaz contra o ruído do ciclo de vida dos produtos.
O grupo “bacon”, com 21 produtos e dados históricos estáveis (99,9% do volume de produtos com séries válidas), apresentou resultados semelhantes aos do grupo “presuntos”. A abordagem granular, somando as melhores previsões, alcançou um MAPE de 7,6%, superando a abordagem agregada, cujo melhor modelo obteve um MAPE de 9,2%. O erro acumulado também foi menor na abordagem granular (-0,2%) em comparação com a agregada (-1,0%). Este resultado reforça o padrão de que, em portfólios estáveis, a análise detalhada pode levar a uma pequena melhoria na acurácia.
A discussão conjunta dos resultados permite extrair uma conclusão gerencial: a eficácia da previsão granular versus a agregada depende da dinâmica do portfólio de produtos. Para categorias com produtos de ciclo de vida longo e vendas estáveis, como presuntos e bacon, a previsão individual oferece um ganho de acurácia marginal, que deve ser ponderado frente ao aumento do custo computacional. Em contraste, para categorias com alta rotatividade de produtos, como as linguiças frescais, a abordagem granular se torna frágil. Nesses casos, a previsão agregada é significativamente mais robusta, estável e acurada, fornecendo um sinal mais confiável para o planejamento de capacidade.
Este estudo demonstrou empiricamente que a busca por maior granularidade na previsão de vendas não é uma panaceia. A pesquisa comparou sistematicamente as estratégias de previsão agregada e individual somada em três categorias de produtos. Os resultados indicam que, para decisões de dimensionamento de capacidade produtiva, a previsão agregada por grupo de produtos que compartilham uma mesma linha de produção é frequentemente a abordagem mais prudente. Ela oferece uma solução computacionalmente mais eficiente e, em cenários de alta rotatividade de portfólio, demonstrou ser mais acurada e robusta, filtrando o ruído de produtos individuais e capturando a tendência de demanda da categoria.
As implicações práticas para os gestores da cadeia de suprimentos são diretas: a escolha do nível de agregação para a previsão deve ser uma decisão estratégica, informada pelas características do portfólio. A análise sugere que um sistema híbrido pode ser ideal; previsões agregadas guiam o planejamento de capacidade, enquanto previsões individuais são utilizadas para a gestão de estoques de curto prazo de itens-chave. Futuras pesquisas poderiam expandir esta análise para outras regiões, outros grupos de produtos, ou explorar diferentes critérios de agregação, como canais de venda ou redes de clientes. Conclui-se que o objetivo foi atingido: demonstrou-se que a eficácia da previsão de vendas por agrupamento de produtos versus a análise individual é dependente da estabilidade do portfólio, com o agrupamento oferecendo uma alternativa mais robusta e computacionalmente eficiente em cenários de alta rotatividade de itens.
Referências:
Agencia Gov – Agricultura. Exportações do agronegócio fecham 2023 com US$ 166,55 bilhões em vendas. 2024. Disponível em: <https://agenciagov. ebc. com. br/noticias/202401/exportacoes-do-agronegocio-fecham-2023-com-us-166-55-bilhoes-em-vendas>. Acesso em: 20 mar. 2025.
Ahmar, A. S.; Singh, P. K.; Ruliana, R.; Pandey, A. K.; Gupta, S. Comparison of ARIMA, SutteARIMA, and Holt-Winters, and NNAR Models to Predict Food Grain in India. Forecasting 2023, 5, 138-152.
CNN Brasil, Demanda por alimentos deve crescer em maior ritmo que oferta na próxima década, segundo OCDE. 2025. Disponível em: <https://www. cnnbrasil. com. br/economia/macroeconomia/demanda-por-alimentos-deve-crescer-em-maior-ritmo-que-oferta-na-proxima-decada-segundo-ocde/>
DUARTE, Thomás Diogo Gomes et al. O uso de modelos de previsão de demanda em uma indústria do ramo alimentício do agreste alagoano. 2024.
H. Naik, K. Yashwanth, S. P and N. Jayapandian, “Machine Learning based Food Sales Prediction using Random Forest Regression,” 2022 6th International Conference on Electronics, Communication and Aerospace Technology, Coimbatore, India, 2022, pp. 998-1004
Jagtap, S.; Bhatt, C.; Thik, J.; Rahimifard, S. Monitoring potato waste in food manufacturing using image processing and internet of things approach. Sustainability 2019, 11, 3173.
M. Ohyver, H. Pudjihastuti, “Arima Model for Forecasting the Price of Medium Quality Rice to Anticipate Price Fluctuations”, 2018 Procedia Computer Science, Volume 135 pp 707-711
Resumo executivo oriundo de Trabalho de Conclusão de Curso de Especialização em Data Science e Analytics do MBA USP/Esalq
Saiba mais sobre o curso; clique aqui:
