Previsão de Demanda (varejo)

Contexto 2024 (1.065 lojas em todo Brasil):

• Média diária > 8.000 pedidos

• Sexta/Sábado: > 12.000 pedidos

• Domingo: > 4.000 pedidos

• Forte sazonalidade semanal, picos promocionais e efeitos regionais

Objetivo 2025: gerar previsões diárias (p50/p90) por SKU–loja–canal para suportar S&OP, reposição e logística em escala nacional.

Arquitetura & Dados

• Grão da previsão: data × loja × categoria × SKU (agregações por região/estado para reconciliação)

• Fontes principais

  • Pedidos/histórico de vendas 2023–2024

  • Calendário promocional (campanhas, BF, Natal, Volta às Aulas)

  • Preço/descontos, estoque/ruptura, exposição (banner, buy-box), SLA

  • Sazonais externas: feriados nacionais/estaduais/municipais, clima, calendário escolar

• Qualidade de dados

  • Tratamento de outliers (picos de campanha, rupturas)

  • Sinalização de promo/price change e stock-out para evitar viés de demanda

  • Imputação controlada para séries curtas/novos SKUs

Abordagem de Modelagem (Híbrida e Hierárquica)

1. Séries Temporais

   • SARIMAX/Prophet (tendência + sazonalidade semanal/fériados BR) por agregações estáveis (loja×categoria)

   • Croston/SBA para SKUs intermitentes (baixa rotação)

2. Modelos Baseados em Features

   • LightGBM/XGBoost com variáveis: lags/rolling stats, dia da semana, feriados, preço/elasticidade, indicadores de campanha, sinal de ruptura, clima, efeitos regionais

   • Uplift de promoção (dupla abordagem): modelo de promo uplift (árvores causais) + dummies calibradas por categoria

3. Ensemble & Reconciliação

   • Ensemble (pesos por janela de backtesting) entre série temporal e feature-based

   • Reconciliação hierárquica (MinT/Top-Down) para garantir que a soma SKU→loja→região→Brasil feche com o plano macro

4. Previsão Probabilística

   • Quantis p50/p90/p95 por SKU–loja para abastecimento e cobertura de serviço

Validação e Métricas

• Time Series CV (janelas rolantes mensais/semanais)

• Métricas alvo:

  • WMAPE (prioritária em varejo), MASE, RMSE

  • Bias (tendência de super/under-forecast)

  • Pinball Loss para quantis (qualidade do p90/p95)

• Cortes operacionais:

  • Macro BR (país), por região/UF, por loja, por categoria e SKU top-N (pareto)

Operação & Entregáveis

• Batch diário (D-1 para D+14 / D+30), com atualização intradiária em pico promocional

• Tamanhos de lote: 1.065 lojas × milhares de SKUs (Spark/Polars p/ escala)

• Saídas

  • Tabelas: forecast_daily_{p50,p90} com metadata (modelo, versão, erro histórico, flags)

  • Dashboard (Power BI): visão nacional→regional→loja→SKU, mapa de calor por semana, alerta de bias/WMAPE

  • API/arquivo para OMS/WMS/abastecimento

• Monitoramento em produção

  • WAPE diário por nível, Bias, drift de mix/estoque

  • Alarmes por desvio vs. realizado e rupturas impactando acurácia

Roadmap (4 sprints)

1. Fundação de dados: camadas bronze/prata (limpeza/outliers/ruptura), calendário BR e promo

2. MVP de previsão: modelos por categoria (SARIMAX/Prophet + LGBM), quantis p50/p90, WMAPE macro

3. Escala e reconciliação: hierarquia SKU–loja–região, ensemble + MinT, automação do batch

4. Promo & robustez: uplift de campanhas, cold-start (similaridade por atributos), monitoramento e tunagem de bias