<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Lucas Marchioro on Medium]]></title>
        <description><![CDATA[Stories by Lucas Marchioro on Medium]]></description>
        <link>https://medium.com/@lucas.marchioro?source=rss-6a21edc654c3------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*Zv3ErfYdC2HCwP-b7b_cdQ.jpeg</url>
            <title>Stories by Lucas Marchioro on Medium</title>
            <link>https://medium.com/@lucas.marchioro?source=rss-6a21edc654c3------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Thu, 19 Nov 2026 00:11:47 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@lucas.marchioro/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Desafios de se fazer previsão de demanda no varejo com Data Science — Case O Boticário]]></title>
            <link>https://medium.com/gbtech/desafios-de-se-fazer-previs%C3%A3o-de-demanda-no-varejo-com-data-science-case-o-botic%C3%A1rio-a26958036251?source=rss-6a21edc654c3------2</link>
            <guid isPermaLink="false">https://medium.com/p/a26958036251</guid>
            <category><![CDATA[demanda]]></category>
            <category><![CDATA[séries-temporais]]></category>
            <category><![CDATA[grupoboticario]]></category>
            <category><![CDATA[forecasting-models]]></category>
            <category><![CDATA[data]]></category>
            <dc:creator><![CDATA[Lucas Marchioro]]></dc:creator>
            <pubDate>Fri, 23 Jul 2021 19:28:25 GMT</pubDate>
            <atom:updated>2025-04-24T18:32:45.077Z</atom:updated>
            <content:encoded><![CDATA[<h3>Desafios de se fazer previsão de demanda no varejo com Data Science — Case O Boticário</h3><figure><img alt="Duas pessoas trabalhando em laptops e papeis, com o texto “Desafios de se fazer previsão de demanda no varejo com Data Science” e a logo do Grupo Boticário." src="https://cdn-images-1.medium.com/max/1024/1*Ao-V8a76QGgm7Epl68h0ww.png" /><figcaption><strong>Par de mãos fazendo anotações em folhas de papel com dois notebooks à frente | </strong>Foto de<a href="https://unsplash.com/@homajob?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText"> Scott Graham</a> na<a href="https://unsplash.com/pt-br/fotografias/5fNmWej4tAA?utm_source=unsplash&amp;utm_medium=referral&amp;utm_content=creditCopyText"> Unsplash</a></figcaption></figure><p>Pode-se dizer que a jornada <em>data-driven</em> dentro do Grupo Boticário evoluiu em conjunto com a maturidade em previsão de demanda de O Boticário, que é uma das marcas do grupo. Afinal, foi a partir de um projeto com este objetivo que nasceu a iniciativa de <em>data science</em> dentro do Grupo, ainda em 2016.</p><p>Neste artigo eu descrevo algumas dificuldades enfrentadas ao longo do tempo para a criação de um algoritmo que consiga fazer previsão de demanda, e eu já eu adianto: saber como atrelar os conceitos de série temporais e <em>machine learning </em>ao comportamento dos dados e as regras de negócio foi fundamental para as superarmos e criarmos um <em>forecast </em>de sucesso.</p><p><strong>1.</strong> <strong>Definindo a granularidade da previsão</strong></p><p>Quando falamos em previsão de demanda, podemos ter diferentes granularidades, como o tempo (ano, mês, dia etc.), o espaço (país, estado, cidade, loja), o portfólio (perfumes, perfumes masculinos, perfume A etc.). Cada uma destas dimensões trará ganhos e dificuldades diferentes. Por isso, definir bem a granularidade da sua previsão é o primeiro grande passo. Por exemplo, em um extremo mais amplo, podemos fazer uma previsão anual no nível macro de portfólio a fim de indicar tendências de vendas e apontar quando devemos construir uma nova fábrica e verificar a capacidade de expansão ou retração de oferta por parte de nossos fornecedores. Em contrapartida, em outro extremo mais granular, poderíamos fazer uma previsão de quanto venderemos de cada produto em cada loja diariamente, com o objetivo de deslocar o consultor especialista em cada item para a loja onde teremos maiores vendas.</p><p>Ambos os casos são previsões com objetivos diferentes e, por isso, possuem necessidades diferentes. Para uma previsão a nível total e ano, essa deve ser mais estável e responsiva a índices macroeconômicos, enquanto uma previsão a nível dia para uma loja, pode ter variáveis como a previsibilidade de chuva para aquele período. Um ponto importante é: quanto menor a granularidade, mais suscetível estaremos a <em>outliers</em> e imprevisibilidades, aumentando o erro do modelo. Da mesma forma, quanto mais nos afastamos na granularidade tempo, também mais imprevisível se torna nossa previsão, já que é muito mais fácil predizer quanto teremos de vendas totais no ano seguinte do que daqui 20 ou 30 anos.</p><p>No caso do Grupo Boticário, precisávamos elaborar uma previsão de demanda com o objetivo principal de produzirmos cada item de portfólio na quantidade e no momento adequado, para que não faltem produtos. Nesse caso, listamos nossos primeiros empecilhos:</p><p>a. <strong>Produtos sem histórico:</strong> como faremos previsão de demanda a nível de item se parte considerável do nosso portfólio possui menos de um ano de histórico?</p><p>b. <strong>Longa cadeia de suprimentos:</strong> a nossa cadeia de suprimentos é muito complexa. Dentre vários pontos, possuímos vários insumos importados, o que nos impede de reagir imediatamente. Ou seja, temos de prever vários períodos para frente.</p><p>c. <strong>Séries com intervalos irregulares:</strong> a estratégia de portfólio é definida por um calendário irregular construído pela área de marketing, o qual chamamos de ‘ciclo’. Os ciclos ditam os lançamentos e campanhas promocionais. Um ponto importantíssimo, crucial para a escolha do algoritmo conforme detalharemos adiante, é o fato de que os ciclos não se repetem ao longo dos anos. Podemos ter 15 ciclos em um ano, e 14, 15 ou qualquer outro valor em outro.</p><p><strong>2.</strong> <strong>A dificuldade em utilizar os modelos padrões de séries temporais</strong></p><p><a href="https://medium.com/analytics-vidhya/time-series-forecasting-with-sarima-holt-winters-and-prophet-d6539fbdebe6">Séries temporais possuem modelos matemáticos dentro da literatura que se adaptam muito bem a diversos problemas do tema</a>. Dentre eles, temos as médias móveis, Holt-Winters e até o SARIMAX, que aceita variáveis exógenas como entrada para sua previsão. Em abordagens mais modernas, vemos utilização de bibliotecas como o Prophet, uma biblioteca desenvolvida pelo Facebook com o objetivo de modelar problemas de séries temporais, e também o LSTM (Long-Short-Term-Memory), que é uma arquitetura de redes neurais recorrentes, utilizada originalmente para linguagem natural e que, por entender bem contextos, também vem sendo utilizada para tratar problemas temporais.</p><p>A técnica de médias móveis, a mais simples dentre as citadas acima, funciona muito bem para captar tendências, sejam elas de curto ou longo prazo. Basta aumentar ou diminuir o período de referência para avaliação da sua média. Para séries estáveis ou com clara tendência, como por exemplo algumas commodities ou o consumo total de energia elétrica de um país ao longo dos anos, as médias móveis podem servir para se ter um bom <em>forecast</em>, ou ao menos ditar a tendência. Mas, quando temos algumas situações como sazonalidades específicas, a média móvel pode enviesar os pontos seguintes, como no caso das vendas de cosméticos, que são muito sazonais e puxadas em períodos de datas comemorativas.</p><p>Holt-Winters, por sua vez, é uma das técnicas de previsão mais populares para séries temporais e altamente aplicável em inúmeras situações, pois — sem me estender no aspecto teórico — consegue captar a tendência por meio de suavização exponencial e identificar sazonalidade das séries. Antes de entendermos o problema a fundo e aplicarmos uma solução customizada, o modelo Holt-Winters era a metodologia utilizada para previsão de demanda por meio de uma ferramenta de prateleira. Ora, então porque mudamos, já que é um algoritmo tão completo? Dentre alguns outros motivos que serão abordados ao longo do texto, o principal deles é que, apesar de conseguir entender bem as sazonalidades e tendência de ciclo de vida dos nossos produtos, temos incrementos de vendas também ocasionados por campanhas de marketing — que não necessariamente ocorrem no mesmo período todos os anos — de forma que não caracterizam uma sazonalidade. Como este modelo não aceita variáveis exógenas, acabou por se tornar um empecilho à medida que evoluíamos a complexidade e quantidade de nossas campanhas de marketing.</p><figure><img alt="Exemplo no qual um modelo Holt-Winters se ajusta bem a série histórica– dataset de vendas retirado do Kaggle. No gráfico, temos uma série histórica bem comportada com um modelo Holt Winters ajustado a curva quase que de maneira sobreposta" src="https://cdn-images-1.medium.com/max/1024/1*Q62N-Ozw2yE4PVhdDNwQyw.png" /><figcaption>Exemplo no qual um modelo Holt-Winters se ajusta bem a série histórica– dataset de vendas retirado do Kaggle. Fonte dataset: <a href="https://www.kaggle.com/podsyp/time-series-starter-dataset">https://www.kaggle.com/podsyp/time-series-starter-dataset</a></figcaption></figure><figure><img alt="Exemplo no qual um modelo Holt Winters tem mais dificuldade de ajustar, uma série de um de nossos itens, muito afetado por variáveis exógenas (no caso, campanhas de marketing). No gráfico, a maior parte dos pontos está com uma marcação de evento exógeno" src="https://cdn-images-1.medium.com/max/1024/1*CzkXsTtDU-XtkejDemLaQA.png" /><figcaption>Exemplo no qual um modelo Holt-Winters tem mais dificuldade de ajustar uma série de um de nossos itens. Contexto muito afetado por variáveis exógenas (campanhas de marketing, neste exemplo). Fonte: autor.</figcaption></figure><p>Caso o problema fosse apenas as campanhas de marketing, poderíamos ter optado por um modelo SARIMAX <em>(Seasonal Autoregressive Integrated Moving Average with eXogenous regressors</em>), que similarmente ao Holt-Winters, utiliza do comportamento da própria série definindo sazonalidade e tendência para fazer o <em>forecast</em>, apesar de não possuir o fator de suavização exponencial. O SARIMAX agrega, porém, o ‘X’, que corresponde a fatores exógenos que contribuem para a previsão.</p><p>Contudo, possuímos alguns impeditivos para ajustar o SARIMAX as nossas curvas de demanda:</p><p>a. <strong>Intervalos irregulares:</strong> conforme descrito no tópico anterior, precisamos da nossa previsão no nível ciclo, que como eu já mencionei, é um período definido por marketing e que não se repete ao longo dos anos. Neste ponto, poderíamos optar por fazer uma previsão nível semana e depois agregar para o nível ciclo, porém, quanto menor o nível da previsão, maior tende a ser nosso erro, e ao agregar a previsão novamente, somaríamos erro com erro, gerando um resíduo maior do que caso fizéssemos a extrapolação já no nível necessário.</p><p>b. <strong>Ausência de autocorrelação na série:</strong> no modelo SARIMAX é parametrizável colocar quantos períodos de <em>lag </em>e quanto de média móvel temos para cada série. Porém, como sei quanto devo colocar de <em>lag </em>e média móvel? Para isso, devemos fazer uma <a href="https://towardsdatascience.com/significance-of-acf-and-pacf-plots-in-time-series-analysis-2fa11a5d10a8">análise de autocorrelação e autocorrelação parcial das séries</a> ou, ainda, se achar mais fácil, fazer um <em>grid-search </em>para entender com quais e quantos <em>lags </em>trarão a minimização do erro (as duas metodologias devem convergir). Para a nossa surpresa porém, na nossa avaliação de autocorrelação, entendemos que a maioria do nosso portfólio possuía ausência de autocorrelação e autocorrelação parcial em todos os momentos. Na prática, isso significa que não adianta tentarmos explicar a série apenas por ela mesma, pois os pontos anteriores da série não auxiliam no <em>forecast</em>.</p><p>c. <strong>Falta de histórico em parte do portfólio:</strong> um ponto crucial ainda não abordado, mas que fere todos os modelos de séries temporais até então consultados, é que parte de nosso portfólio não possui histórico suficiente para gerar uma previsão.</p><p>Além dos modelos clássicos abordados acima, poderíamos ainda ter optado por modelos mais modernos e robustos já citados, como o Prophet, do Facebook. Porém, este ainda esbarraria nos itens <em>a</em>, <em>b</em> e <em>c</em>. O LSTM também começa a perder sentido de uso quando suas séries possuem ausência total de autocorrelação.</p><figure><img alt="Autocorrelação de uma série temporal comum — mesmo exemplo aplicado para o exemplo do Holt-Winters. No gráfico, mostra-se vários momentos significativos de autocorrelação, tanto no ACF quanto PACF" src="https://cdn-images-1.medium.com/max/904/1*Re6TrPxGIB_2EsbQzPwiJQ.png" /><figcaption>Autocorrelação e autocorrelação parcial de uma série temporal comum — mesmo exemplo aplicado para o exemplo do Holt-Winters. Fonte dataset: <a href="https://www.kaggle.com/podsyp/time-series-starter-dataset">https://www.kaggle.com/podsyp/time-series-starter-dataset</a></figcaption></figure><figure><img alt="Gráfico de autocorrelação de um dos itens do Grupo Boticário. No gráfico, nenhum momento possui autocorrelação, seja no ACF ou no PACF" src="https://cdn-images-1.medium.com/max/904/1*SZpD9WTT7LWp0SM7tVoufw.png" /><figcaption>Autocorrelação e autocorrelação parcial da série do item do Grupo Boticário mencionado acima. A grande maioria do portfólio segue o mesmo comportamento. Fonte: autor.</figcaption></figure><p>Resumidamente, o gráfico do <em>dataset </em>de exemplo retirado do Kaggle apresenta que vários momentos possuem autocorrelação com algumas indicações de sazonalidade. Já no gráfico do nosso item, não possuímos nenhum momento em que a autocorrelação, parcial ou não, seja significativa.</p><p><strong>3.</strong> <strong>Como modelamos o problema</strong></p><p>Neste ponto, esbarramos no fato de Data Science ser uma ciência, e sendo assim, se baseia em hipóteses. Dessa forma, precisamos voltar alguns passos e, usufruindo de ferramentas de análise de dados, fazer as perguntas corretas, partindo para um <a href="https://medium.com/@christian.dobbert/what-is-eda-9039c0d1149d">EDA (<em>Exploration Data Analysis</em></a><em>).</em></p><figure><img alt="Imagem com vários gráficos afim de exemplificar uma análise exploratória de dados" src="https://cdn-images-1.medium.com/max/1000/1*tTvcyTbjYiN5maUZILRpTQ.png" /><figcaption><a href="https://cdn-images-1.medium.com/max/1000/1*tTvcyTbjYiN5maUZILRpTQ.png">https://cdn-images-1.medium.com/max/1000/1*tTvcyTbjYiN5maUZILRpTQ.png</a></figcaption></figure><h4>Talvez a principal pergunta para resolver o problema tenha sido: se as séries não são explicadas por elas mesmas através da autocorrelação, o que explica?</h4><p>Para isso, fizemos um estudo aprofundado e constante sobre o que afeta o comportamento das séries, com foco para nossas campanhas de marketing e como elas afetam nossos produtos, criando uma variável específica para cada tipo de mecânica que mova o ponteiro de forma diferente. Entendemos as elasticidades dos itens, para que variáveis como o percentual de desconto, não gerem valores irreais ao serem colocadas no modelo. Também buscamos entender nosso portfólio, respondendo perguntas como: O lançamento de um item novo afeta os já existentes? Quando um de nossos produtos está promocionado, o resto do portfólio é afetado? Existe alguma sazonalidade específica para alguns itens? E depois da sazonalidade, eles vendem menos? Para todas essas perguntas, investigamos a fundo o comportamento e geramos variáveis para aquelas que entendemos que mudavam de alguma maneira o resultado. Por fim, buscamos entender quais variáveis macroeconômicas afetavam nosso resultado, em qual granularidade e para quais canais de venda e produtos.</p><p>Ao responder algumas das perguntas citadas acima, percebemos que nosso portfólio reagia de maneira diferente a cada campanha, sazonalidade ou variação macroeconômica. Para suprir esse problema, criamos <em>clusters</em> que separam os itens que se comportam de maneira mais homogênea. Cada <em>cluster</em> entra no modelo com as variáveis criadas a partir dos estudos anteriores, e gera uma previsão individual para cada item.</p><p>“Mas e os itens novos e, consequentemente, sem histórico? Em qual <em>cluster</em> eles entram?<em>”</em> . Enfim, as perguntas nunca param. Os lançamentos inicialmente entram no <em>cluster </em>em que existe maior concentração daquele ‘perfil’ de produto. Para gerar uma previsão e resolver o problema dos lançamentos, entram no modelo - além das variáveis que mexem no resultado do item - variáveis de características do produto, como preço, categoria e marca.</p><p>Como todo processo científico, chega o momento em que o cientista precisa parar de gerar mais perguntas, mais hipóteses, e avaliar os seus resultados de pesquisa. As demais perguntas entram para o <em>backlog </em>e se tornam parte de um processo de melhoria continua da modelagem.</p><p>Quanto aos algoritmos, avaliamos um misto de interpretabilidade com acuracidade. No caso, para nossa modelagem de longo prazo (1 a 2 anos de previsão), entendemos que era melhor que o modelo fosse interpretável, pois passa por uma revisão de planejadores de demanda. Para este contexto, utilizamos o <a href="https://lightgbm.readthedocs.io/en/latest/"><em>lightgbm</em></a><em> </em>como o algoritmo selecionado. Já para o curto prazo (2 a 3 meses de previsão), o modelo necessita menos de interpretações, então utilizamos uma arquitetura de redes neurais como abordagem.</p><p><strong>4.</strong> <strong>Validação do modelo — Resultados Antes x Depois</strong></p><p>Como ponto de partida, temos a premissa que um bom modelo não é apenas o melhor resultado de uma métrica estatística, mas de uma combinação de fatores que irão desencadear a melhor forma de validar e calibrar o modelo:</p><ul><li><strong>Processo</strong>: em que momento o modelo será utilizado? Qual será sua forma de consumo? Qual é seu impacto para o negócio? Etc.</li><li><strong>Pessoas</strong>: como os usuários utilizarão os resultados do modelo? Se eles não fizerem uma análise qualitativa, quais serão os impactos? Etc.</li><li><strong>Sistemas</strong>: quando o modelo deve ser executado ou treinado? Qual o tempo máximo de execução? Etc.</li></ul><figure><img alt="Visualização gráfica de onde se encontra o ponto ótimo, como uma intersecção entre processo, tecnologia e pessoas" src="https://cdn-images-1.medium.com/max/616/1*-DlH_qvw68CuTciEDSBVPw.png" /><figcaption>Diagrama de Venn ilustrando como processo, tecnologia e pessoas se interligam <a href="https://i0.wp.com/www.euax.com.br/wp-content/uploads/2021/04/pilares-implantacao-de-sistemas.png?ssl=1">https://i0.wp.com/www.euax.com.br/wp-content/uploads/2021/04/pilares-implantacao-de-sistemas.png?ssl=1</a></figcaption></figure><p>Sendo assim, escolher métricas corretas é um dos principais fatores de sucesso para qualquer modelagem. No caso de previsão de demanda, é muito comum utilizar o WMAPE (Weighted Mean Avarage Percentage Error) como uma métrica de sucesso, pois avalia o erro médio ponderado por algum indicador que dê maior representatividade para determinados itens do portfólio. De fato, no Grupo Boticário, este é um indicador utilizado pelas áreas de gestão de demanda para acompanharem seus resultados. Porém, para modelagem estatística, avaliamos o MAPE (Mean Avarage Percentage Error), pois como temos um portfólio longo — mais de mil itens — nos preocupamos para que a maior parte das séries estejam com um erro aceitável, e os planejadores de demanda ficam encarregados no processo de revisarem as curvas dos principais itens da modelagem.</p><p>Também avaliamos o <em>bias</em>, ou viés da modelagem, pois é muito mais barato termos um viés pouco positivo, que causaria leve sobre-estoque, do que termos um viés negativo, o que na prática traria falta de produtos em nossas lojas e, consequentemente, perda de vendas. Por isso, criamos uma função customizada da minimização do erro, para que, enquanto o modelo esteja aprendendo, tenha uma penalização maior em erros negativos do que em erros positivos.</p><p>Ao longo dos anos, criamos previsões em diferentes níveis, olhando tanto para a visão de consumidor quanto de indústria, e conseguimos melhorar nosso indicador de MAPE em 30 pontos percentuais, quando olhamos para o longo prazo, e 50 pontos percentuais, para o curto prazo. Apesar de termos bons resultados de nossa modelagem, não deixamos de nos desafiar e testar novas bibliotecas, auto-ML e aplicações <em>built-in</em> sempre que temos a oportunidade. O que vem se provando, porém, é que entender as regras de negócio, adaptando para um bom <em>feature engineering</em> de forma contínua, é o que realmente tem feito a diferença e nos ajudado nesse desafio, que é fazer previsão de demanda em um gigante como o Grupo Boticário.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a26958036251" width="1" height="1" alt=""><hr><p><a href="https://medium.com/gbtech/desafios-de-se-fazer-previs%C3%A3o-de-demanda-no-varejo-com-data-science-case-o-botic%C3%A1rio-a26958036251">Desafios de se fazer previsão de demanda no varejo com Data Science — Case O Boticário</a> was originally published in <a href="https://medium.com/gbtech">tecnologia no Grupo Boticário</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>