1. Repositório Institucional - Universidade Federal de Uberlândia
2. Instituto de Matemática e Estatística (IME)
3. TCC - Estatística

Tipo do documento:	Trabalho de Conclusão de Curso
Tipo de acesso:	Acesso Aberto
Título:	Previsão de vendas em marketplace com modelos multi-outputs: estudo de caso olist
Título(s) alternativo(s):	Sales forecasting in marketplaces with multi-output models: an olist case study
Autor(es):	Paiva, Gustavo Fellipe Fernandes
Primeiro orientador:	Silva, José Waldemar da
Primeiro membro da banca:	Araújo, Lúcio Borges de
Segundo membro da banca:	Pereira, Leandro Alves
Resumo:	O comércio eletrônico no Brasil tem apresentado um crescimento significativo nos últimos anos, impulsionado pela evolução tecnológica e pelas mudanças no comportamento do consumidor, com os consumidores optando cada vez mais por fazer compras online. Nesse contexto, o Olist, ecossistema que fornece soluções digitais para varejistas, torna-se um dos principais facilitadores para pequenos, médios e grandes comerciantes que desejam expandir seus negócios no ambiente digital. Olist fornece uma plataforma integrada que otimiza a gestão de vendas e permite a conexão com grandes mercados, aumentando assim a visibilidade e a receita do cliente.O objetivo deste trabalho é prever o volume semanal de vendas, ou seja, o número de itens vendidos por semana em diferentes produtos do catálogo da Olist, utilizando modelos de aprendizado de máquina e redes neurais. Foram comparados os seguintes algoritmos: modelo SARIMA, regressão ridge, Light Gradient Boosting Machine (LightGBM) e redes neurais recorrentes do tipo Long Short-Term Memory (LSTM).Os resultados demonstraram que a previsão de vendas em marketplaces é uma tarefa desafiadora devido à variabilidade e ao comportamento irregular das séries temporais. Nenhum modelo apresentou desempenho consistentemente superior em todos os produtos analisados. O LSTM, apesar de métricas relativamente baixas em alguns casos, mostrou limitações por gerar previsões estáticas, enquanto modelos como LightGBM e regressão ridge obtiveram melhor desempenho em determinados produtos, capturando padrões específicos de demanda. Essas evidências reforçam a complexidade do problema e a necessidade de metodologias mais avançadas para representar adequadamente a dinâmica das vendas.
Palavras-chave:	Aprendizado de máquina Redes neurais Previsão de vendas Comércio eletrônico Olist
Área(s) do CNPq:	CNPQ::CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA::ESTATISTICA
Idioma:	por
País:	Brasil
Editora:	Universidade Federal de Uberlândia
Referência:	PAIVA, Gustavo Fellipe Fernandes de. Previsão de vendas em marketplace com modelos multi-outputs: estudo de caso olist. 2025. 82 f. Trabalho de Conclusão de Curso (Graduação em Estatística) – Universidade Federal de Uberlândia, Uberlândia, 2025.
URI:	https://repositorio.ufu.br/handle/123456789/47877
Data de defesa:	29-Set-2025
Aparece nas coleções:	TCC - Estatística

Este item está licenciada sob uma Licença Creative Commons