Comparação de métodos de IA para previsão de vendas em série temporal com sazonalidade : aplicação de arima, holt-winters exponential smoothing e xgboost

Abstract

Resumo: A previsão de vendas é uma parte crucial para um negócio de sucesso e este estudo tem como objetivo a comparação de dois métodos de inteligência artificial para identificar qual seria a mais adequada para o caso específico da base de dados que foi cedida para este estudo. Os métodos analisados foram: ARIMA (Auto Regressive Integrated Moving Average), Holt-Winters Exponential Smoothing e XGBoost(Extreme Gradient Boosting), utilizando as métricas Erro Quadrático Médio (RMSE) e Mean Absolute Percentage Error (MAPE) como formas de avaliação dos métodos. O estudo foi feito dentro do ambiente google colaboratory utilizando a linguagem Python e mostrou que é possivel utilizar esses três métodos para este caso, sendo a principal limitação a própria base de dados, que dificulta a utilização dos métodos e a interpretação dos resultados

Abstract: The sales forecast is a crucial part of a successful business, and this study aims to compare two artificial intelligence methods to identify which one would be most suitable for the specific case of the dataset provided for this study. The analyzed methods were: ARIMA (Auto Regressive Integrated Moving Average), Holt-Winters Exponential Smoothing and XGBoost(Extreme Gradient Boosting), using the metrics Root Mean Squared Error (RMSE) and Mean Absolute Percentage Error (MAPE) as evaluation criteria. The study was conducted within the Google Colaboratory environment using the Python language and demonstrated that it is possible to use these two methods for this case. The main limitation observed was the dataset itself, which hinders the application of the methods and the interpretation of results. Index Terms—Sales forecast, Holt-Winters Exponential Smoothing, XGBoost, Extreme Gradient Boosting, ARIMA