1. Repositório Institucional - Universidade Federal de Uberlândia
  2. Instituto de Matemática e Estatística (IME)
  3. TCC - Estatística
Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/47877
Full metadata record
DC FieldValueLanguage
dc.creatorPaiva, Gustavo Fellipe Fernandes-
dc.date.accessioned2025-12-17T16:42:06Z-
dc.date.available2025-12-17T16:42:06Z-
dc.date.issued2025-09-29-
dc.identifier.citationPAIVA, 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.pt_BR
dc.identifier.urihttps://repositorio.ufu.br/handle/123456789/47877-
dc.languageporpt_BR
dc.publisherUniversidade Federal de Uberlândiapt_BR
dc.rightsAcesso Abertopt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
dc.subjectAprendizado de máquinapt_BR
dc.subjectRedes neuraispt_BR
dc.subjectPrevisão de vendaspt_BR
dc.subjectComércio eletrônicopt_BR
dc.subjectOlistpt_BR
dc.titlePrevisão de vendas em marketplace com modelos multi-outputs: estudo de caso olistpt_BR
dc.title.alternativeSales forecasting in marketplaces with multi-output models: an olist case studypt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dc.contributor.advisor1Silva, José Waldemar da-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/3076056770753848pt_BR
dc.contributor.referee1Araújo, Lúcio Borges de-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/1633451941969946pt_BR
dc.contributor.referee2Pereira, Leandro Alves-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/0760487233492775pt_BR
dc.description.degreenameTrabalho de Conclusão de Curso (Graduação)pt_BR
dc.description.resumoO 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.pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.courseEstatísticapt_BR
dc.sizeorduration82pt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA::ESTATISTICApt_BR
dc.embargo.termsEu, Gustavo Fellipe Fernandes de Paiva estou enviando o Termo de Autorização para publicação de minha Tese/Dissertação no Repositório UFU.pt_BR
Appears in Collections:TCC - Estatística

Files in This Item:
File Description SizeFormat 
PrevisaoVendasMarketplace (1).pdf9.57 MBAdobe PDFThumbnail
View/Open
Show simple item record


This item is licensed under a Creative Commons License Creative Commons