Avaliação em Larga Escala de Modelos Clássicos e Modernos para Previsão de Demanda em Comércio Eletrônico

Previsões realizadas para o planejamento de demanda futura são cruciais para se ter um inventário disponível no lugar certo e no momento certo. Neste trabalho a previsão de demanda em larga escala, fruto de uma colaboração com a empresa de plataforma de comércio unificada VTEX, foi abordada através de técnicas clássicas e modernas de previsão de demanda na literatura. A partir de dados reais, séries temporais em diferentes escalas de tempo (dia, semana e mês) e diferentes segmentos (produto, categoria e conta) foram construídas e analisadas. O grande volume de dados trouxe diversos desafios computacionais: desde o tratamento dos dados brutos para geração das séries temporais, sendo necessária a utilização do motor de processamento distribuído Apache Spark; até o treinamento dos parâmetros dos modelos. Neste trabalho um pipeline para o ETL dos dados brutos foi desenvolvido na plataforma de serviços de computação em nuvem (AWS) utilizando tecnologias para processamento de dados em larga escala, assim como a criação de um framework para a comparação dos modelos. A caracterização das séries temporais mostrou uma grande diversidade mesmo em séries de uma mesma escala de tempo e segmento, com comportamento de cauda pesada em algumas estatísticas. Mostramos que a utilização de diferentes modelos para cada série temporal obteve melhores desempenhos, devido as diferentes características entre as séries. Se nos restringirmos a um único modelo para todas as séries temporais, o modelo baseado em uma rede neural probabilística recorrente e autoregressiva (DeepAR) obteve o melhor desempenho geral. A estratégia utilizando uma combinação de modelos obteve ganhos MAPE de até 80.6% sobre o melhor modelo no segmento de contas e escala de tempo mensal.