Estoqueprev: sistema preditivo de demanda com aprendizado de máquina

Abstract

Este trabalho propõe o desenvolvimento de um sistema web integrado a um modelo de Machine Learning voltado a previsões de demanda de estoque para o setor varejista, abordando a necessidade da transformação digital reduzindo perdas com excesso ou indisponibilidade de produtos. O sistema permite o cadastro de categorias, produtos e movimentações de estoque por meio de inserção manual ou importação de arquivos. Utilizando esses dados históricos, é feito um treinamento de um modelo de Machine Learning para identificar padrões sazonais e gerar previsões futuras, exibidas em gráficos e tabelas com suas respectivas margens de erro. As previsões, assim que aceitas, poderão ser incorporadas à base de dados, promovendo o aprendizado contínuo do modelo. Como resultado, observou-se a viabilidade da integração entre sistemas web e algoritmos de previsão, oferecendo uma ferramenta eficaz para o gerenciamento de estoques. O estudo indica que tal integração tem o potencial de aumentar significativamente o processo de pedidos nas empresas do setor de varejo, trazendo as previsões para os pedidos, assim, com o objetivo de reduzir os desperdícios e auxiliar na tomada de decisões estratégicas no setor varejista.

This paper proposes the development of a web system integrated with a Machine Learning model aimed at forecasting stock demand in the retail sector, addressing the need for digital transformation to reduce losses caused by overstocking or product unavailability. The system allows for the registration of categories, products, and stock movements through manual input or file import. Using this historical data, a Machine Learning model is trained to identify seasonal patterns and generate future forecasts, which are displayed in charts and tables along with their respective error margins. Once accepted, the forecasts can be incorporated into the database, enabling the model's continuous learning. As a result, the integration between web systems and forecasting algorithms proved feasible, offering an effective tool for inventory management. This paper indicates that such integration has the potential to significantly enhance the ordering process in companies in the retail sector by bringing forecasts to orders, thus aiming to reduce waste and aid strategic decision-making in the retail sector.