Eucatex aprimora previsões de demanda com inteligência artificial

Com a necessidade de aprimorar a previsibilidade de vendas e otimizar o planejamento estratégico, a Eucatex enfrentava desafios para realizar projeções assertivas de demanda. O processo tradicional apresentava um erro médio elevado de 19,5%, impactando diretamente a alocação de recursos e a eficiência da equipe comercial.

Para resolver esses desafios, a MadeinWeb desenvolveu uma solução de forecast baseada em machine learning, utilizando dados históricos de vendas para modelagem avançada e projeção de demanda com alta precisão.

A solução gera previsões mensais com horizonte de 2 meses para um portfólio de 1.843 itens.

A ingestão e preparação dos dados históricos de vendas foi automatizada com AWS Glue, com datasets governados armazenados em Amazon S3 e consultas analíticas via Amazon Athena.

O pipeline de ML é orquestrado por Amazon SageMaker Pipelines, com features gerenciadas no Amazon SageMaker Feature Store para garantir consistência entre treinamento e inferência.

O modelo final de produção é um XGBoost, selecionado entre 90 configurações testadas — incluindo modelos lineares, autoregressivos e redes neurais.

O treinamento é executado via Amazon SageMaker Training, com versionamento no SageMaker Model Registry e inferência batch recorrente via SageMaker Batch Transform, agendada pelo Amazon EventBridge.

O monitoramento de qualidade preditiva e drift utiliza Amazon SageMaker Model Monitor com alertas via Amazon CloudWatch.

As principais etapas do projeto incluíram:

• Mapeamento e ingestão de dados: coleta e automação das fontes de informação relevantes.

• Desenvolvimento de modelos preditivos: 100+ variáveis criadas e 90 modelos testados e validados.

• Dashboards interativos: criação de painéis para visualização de métricas e acompanhamento da performance.

• Otimizações contínuas: ajustes e aprimoramentos para maximizar a precisão e eficiência das previsões.