12 de fevereiro de 2026
Modelo preditivo para otimização da demanda operacional em mudanças residenciais
Vitor Benigno Modes; Gian Carlo Decarli
Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.
O objetivo desta pesquisa foi desenvolver e validar um modelo preditivo de machine learning para estimar a demanda mensal por serviços de mudança residencial em Cincinnati e Columbus, Ohio. A partir das previsões, o estudo propôs melhorias operacionais baseadas na metodologia Lean Six Sigma para otimizar a alocação de recursos, reduzir desperdícios e aumentar a eficiência da empresa analisada. A investigação partiu da premissa de que a variabilidade na demanda, influenciada por fatores sazonais, climáticos e socioeconômicos, compromete o planejamento de equipes, gerando custos desnecessários e inconsistências no serviço. A integração de uma ferramenta de previsão com uma estrutura de melhoria contínua visa transformar dados em vantagem competitiva, permitindo uma gestão mais proativa.
O contexto da pesquisa é a região Centro-Oeste dos Estados Unidos, um hub logístico estratégico que conecta os principais eixos do país (STATE OF INDIANA, 2025). A região tem atraído investimentos significativos em tecnologia e logística, como os projetos da Intel e Amazon Web Services em Ohio, que somam dezenas de bilhões de dólares (NEW ALBANY SILICON HEARTLAND, 2024; AMAZON WEB SERVICES, 2023). Esse desenvolvimento impulsiona a migração e a demanda por serviços de mudança. Contudo, as empresas do setor enfrentam desafios como forte sazonalidade, flutuações econômicas e alta rotatividade do mercado de trabalho, criando um ambiente operacional volátil (MOVERSDEV, 2023; VERIFIED MOVERS, 2023).
Nesse cenário, a capacidade de antecipar a demanda é um diferencial estratégico. Modelos preditivos baseados em séries históricas e variáveis exógenas permitem decisões de planejamento mais precisas, superando estimativas intuitivas (Pereira et al., 2020). A eficácia das previsões se concretiza quando integrada a uma filosofia de gestão focada em eficiência. A sinergia entre ciência de dados e metodologias como Lean Six Sigma é poderosa: o pensamento Lean foca na eliminação de desperdícios, como tempo ocioso de equipes, enquanto o Six Sigma se concentra na redução da variabilidade dos processos para alcançar alta qualidade (SIX SIGMA COUNCIL, 2018).
A combinação dessas abordagens permite que uma empresa de mudanças estruture seus processos para responder às previsões de forma eficiente. Ao alinhar a capacidade operacional com a demanda prevista, é possível minimizar custos associados ao excesso de recursos em períodos de baixa atividade e à falta de capacidade durante os picos sazonais. A aplicação do ciclo DMAIC (Definir, Medir, Analisar, Melhorar e Controlar) sobre os insights gerados pelo modelo preditivo cria um sistema de gestão robusto; a análise de dados alimenta diretamente as iniciativas de melhoria (GEORGE et al., 2004).
Este estudo se propôs a construir essa ponte entre análise preditiva e excelência operacional em uma empresa real, denominada “Empresa A”. Apesar de sua longa história, seu setor de mudanças residenciais enfrentava os desafios de variabilidade e desalinhamento de recursos. O trabalho demonstrou como a aplicação prática de um algoritmo, em conjunto com uma análise operacional estruturada, pode otimizar o uso de mão de obra e equipamentos, melhorando a margem de lucro e a satisfação do cliente. A investigação validou a hipótese de que a sazonalidade e os padrões históricos são os preditores mais fortes da demanda, superando muitas variáveis socioeconômicas.
A metodologia quantitativa foi estruturada em três fases: levantamento e tratamento de dados, desenvolvimento do modelo preditivo e análise operacional. Os dados primários foram extraídos do CRM da “Empresa A”, uma companhia com faturamento anual de aproximadamente U$160 milhões e 650 funcionários. As informações internas, de uma base SQL, abrangeram o período de janeiro de 2018 a maio de 2025 e incluíram variáveis como data do serviço, peso do carregamento e quantidade de trabalhadores. Para enriquecer o modelo, foram coletados dados secundários de fontes como o U. S. Bureau of Labor Statistics, o U. S. Census Bureau e o National Centers for Environmental Information, fornecendo séries temporais de taxas de desemprego, permissões de construção, dados imobiliários e meteorológicos.
O tratamento dos dados utilizou Microsoft Excel, SQL e a linguagem Python. As variáveis foram processadas para garantir consistência e agregadas em uma granularidade mensal, adequada para capturar tendências sazonais. O desenvolvimento do modelo preditivo foi conduzido em três iterações com o algoritmo XGBoost Regressor, uma técnica de gradient boosting reconhecida por sua performance. A avaliação dos modelos foi realizada com base na Raiz do Erro Quadrático Médio (RMSE) e no Coeficiente de Determinação (R²).
A base de dados foi dividida cronologicamente em conjuntos de treino (80%) e teste (20%). Para otimizar o XGBoost, foi empregada uma busca em grade (GridSearchCV) para encontrar a melhor combinação de hiperparâmetros. A validação cruzada foi realizada com a técnica TimeSeriesSplit, que respeita a ordem temporal dos dados. Na terceira iteração, foram aplicadas técnicas de engenharia de features, como a criação de variáveis defasadas (lags) de 1, 3, 6 e 12 meses e janelas móveis (rolling windows) de 3, 6 e 12 meses, para incorporar a dependência temporal e a sazonalidade histórica no modelo.
A terceira fase do estudo consistiu na aplicação da metodologia Lean Six Sigma. Utilizando o ciclo DMAIC, os insights gerados pelo modelo foram usados para diagnosticar problemas de eficiência. A fase de “Analisar” foi embasada na comparação entre a demanda real (peso movimentado) e a alocação de recursos (número de colaboradores). A identificação de desalinhamentos sistemáticos permitiu quantificar o desperdício (muda) de ociosidade em períodos de baixa demanda e de sobrecarga em períodos de alta. As fases de “Melhorar” e “Controlar” foram estruturadas em torno da implementação do modelo como uma ferramenta de planejamento trimestral, permitindo um ajuste mais dinâmico das equipes.
Os resultados da modelagem evoluíram ao longo das três iterações. A primeira, com dados semanais, apresentou desempenho insatisfatório, com sinais de overfitting (R² de 10,11% no teste) e um RMSE de teste de 24.479. A granularidade semanal introduziu muito ruído, e as variáveis externas selecionadas não capturaram adequadamente os ciclos de demanda.
A segunda iteração representou um avanço substancial. A base de dados foi agregada mensalmente e novas variáveis externas foram adicionadas, como valores de aluguel e permissões de construção. Após ajustes nos hiperparâmetros do XGBoost, o modelo alcançou um R² de 91,61% no treino e 85,59% no teste, com um RMSE de teste de 240.762. A análise de importância das variáveis (Figura 2) e a análise SHAP (Figura 3) revelaram que as condições climáticas, especialmente as temperaturas, eram os fatores mais influentes, respondendo por 20% e 17% da previsibilidade, respectivamente, confirmando a forte natureza sazonal do negócio. Outras variáveis relevantes incluíram os valores de aluguel (correlação negativa) e as taxas de demissão (correlação positiva).
A terceira iteração produziu o modelo final e mais robusto. Ao incorporar variáveis defasadas (lags) e médias móveis (rolling windows), o modelo aprendeu diretamente com os padrões históricos. O resultado foi um R² de teste estável em 85,18%, mas o RMSE de teste foi reduzido em aproximadamente 25%, caindo para 181.199. Essa redução no erro médio de previsão representa um ganho de confiabilidade operacional. A análise de importância das variáveis (Figura 4) confirmou que a variável mais preditiva foi o lag de 12 meses (lag_12), responsável por 24% da capacidade explicativa, um claro sinal de sazonalidade anual. A temperatura máxima mensal (WeatherTempMAX) continuou como o segundo fator mais importante (22%). As variáveis socioeconômicas tiveram sua importância relativa diminuída. O modelo final oferece uma previsão mais confiável ao priorizar a sazonalidade intrínseca do negócio.
A partir desses resultados, a análise operacional via Lean Six Sigma revelou gargalos críticos. O gráfico de comparação entre o peso movimentado e o número de colaboradores alocados (Figura 7) expôs um claro desalinhamento. Durante os meses de baixa demanda (inverno), a quantidade de pessoal se mantinha alta, gerando ociosidade e custos. Inversamente, nos meses de pico (verão), a contratação não acompanhava o aumento da demanda, resultando em sobrecarga, horas extras e maior risco de acidentes. Este ciclo de desperdício foi identificado como o principal alvo para melhoria.
A implementação do modelo preditivo como ferramenta de planejamento permite uma gestão proativa. Com uma previsão trimestral da demanda, a empresa pode antecipar os picos e vales. Em antecipação a uma tendência de alta, o processo de recrutamento e treinamento pode ser iniciado com antecedência. Ao prever uma queda, a gestão pode planejar a realocação de colaboradores ou o desligamento de funcionários sazonais, otimizando a folha de pagamento.
O ciclo DMAIC fornece a estrutura para essa implementação. A fase de “Definir” focou no desalinhamento de recursos. A “Medir” quantificou o desperdício. A “Analisar” utilizou o modelo para identificar as causas-raiz (sazonalidade e clima). A “Melhorar” consiste na adoção do modelo para o planejamento de pessoal. A “Controlar” envolve a revisão contínua dos resultados previstos versus os reais, permitindo o ajuste do modelo e das estratégias operacionais para sustentar as melhorias.
Este trabalho demonstrou o desenvolvimento e a aplicação de um modelo preditivo para antecipar a demanda por serviços de mudanças, culminando em um modelo robusto com um R² de 85,18% e RMSE reduzido. A análise revelou que a sazonalidade anual e as condições climáticas são os fatores mais determinantes, superando variáveis socioeconômicas. A integração desses resultados com a metodologia Lean Six Sigma, através do ciclo DMAIC, permitiu propor soluções para os desperdícios decorrentes do desalinhamento entre capacidade e demanda. O uso do modelo como ferramenta de planejamento possibilita uma gestão de recursos mais eficiente, reduzindo custos com ociosidade e horas extras, e melhorando a qualidade do serviço.
A principal limitação identificada foi a indisponibilidade de dados históricos confiáveis em outras divisões da empresa, o que impediu a expansão imediata desta análise. No entanto, o sucesso do projeto no setor residencial serve como um estudo de caso para incentivar a melhoria da coleta de dados em toda a organização. Conclui-se que o objetivo foi atingido: demonstrou-se que a integração de modelos preditivos de machine learning com a metodologia Lean Six Sigma é eficaz para antecipar a demanda e otimizar a alocação de recursos no setor de mudanças residenciais.
Referências:
AMAZON WEB SERVICES. AWS continues to invest in Ohio. About Amazon, 2023.
GEORGE, M. L. et al. The Lean Six Sigma Pocket Toolbook: A Quick Reference Guide to 100 Tools for Improving Process Quality, Speed, and Complexity. McGraw-Hill, 2004.
INTERNAL REVENUE SERVICE (IRS). SOI Tax Stats – Migration Data 2021 –2022. 2025.
MOVERSDEV. Seasonal Trends in Moving: What You Need to Know. MoversDev Blog, 2023.
NEW ALBANY SILICON HEARTLAND. Project Background – Intel Ohio One. New Albany Economic Development, 2024.
ONTRUCK. Seasonal Demand Forecasting in Road Freight Transport. Ontruck Blog, 2023.
PEREIRA, S. M. et al. Machine Learning Demand Forecasting and Supply Chain Performance. International Journal of Production Research, 2020.
PROACTION INTERNATIONAL. Lean Six Sigma for Process Improvement: Principles and Steps. Blog Proaction, 2023.
REDFIN. Redfin Data Center. 2025.
SIX SIGMA COUNCIL. Six Sigma: A Complete Step-by-Step Guide. Six Sigma Council, 2018.
STATE OF INDIANA. Indiana State Motto. Indiana Historical Bureau. 2025.
UNITED STATES CENSUS BUREAU. Geographic Mobility: 1948 to Present. 2025.
UNITED STATES CENSUS BUREAU. New Residential Construction – Completions, Midwest (2017 –2025). 2025.
UNITED STATES CENSUS BUREAU. New Residential Sales – Midwest (2017 –2025). 2025.
UNITED STATES. Bureau of Labor Statistics. Consumer Price Index for All Urban Consumers (CPI-U): selected series and data tools. 2025.
UNITED STATES. Bureau of Labor Statistics. Home page. 2025.
UNITED STATES. Bureau of Labor Statistics. Job openings and labor turnover: openings, hires, and separations by region. 2025.
UNITED STATES. Bureau of Labor Statistics. Survey Output Servlet – customized data tools. 2025.
UNITED STATES. Federal Reserve Bank of St. Louis. Median Listing Price for All Homes. 2025.
UNITED STATES. Federal Reserve Bank of St. Louis. Total Active Listings of Homes for Sale. 2025.
UNITED STATES. National Centers for Environmental Information. Access Data Service API: User Documentation. 2025.
VERIFIED MOVERS. Managing Seasonal Demand in the Moving Industry: Strategies for Busy and Slow Seasons. Verified Movers, 2023.
WAN, Y.; ZHANG, L. Leveraging Machine Learning to Predict Residential Location Choice. Journal of Urban Management, 2024.
ZILLOW. Zillow Research Data. 2025.
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:
