Ciência da Computação

Este trabalho apresenta a aplicação prática de técnicas de aprendizado de máquina para previsão de faturamento empresarial, buscando avaliar a precisão e a aplicabilidade de diferentes modelos no apoio à tomada de decisão estratégica. Foram conduzidos experimentos com quatro abordagens — XGBoost, Support Vector Machine (SVM), Multi-Layer Perceptron (MLP) e Temporal Fusion Transformer (TFT) — em diferentes granularidades temporais (diária, semanal e mensal), considerando ainda segmentações por família de produto e sazonalidade de clientes. Os dados utilizados foram extraídos do sistema ERP da organização, tratados e estruturados para garantir consistência e representatividade histórica. Os testes seguiram uma metodologia padronizada, com repetição de execuções, cálculo de médias e desvios-padrão para as métricas MAPE, MAE e RMSE, além da análise do coeficiente de variação (CV) do MAPE para medir a estabilidade entre execuções. Também foi avaliado o impacto da transformação logarítmica log1p sobre o desempenho dos modelos. Os resultados demonstraram que as previsões em frequência mensal apresentaram maior estabilidade e acurácia em comparação às previsões diárias e semanais, especialmente nos modelos XGBoost e TFT, que se destacaram pelo melhor equilíbrio entre erro e consistência. O XGBoost apresentou o menor MAPE médio (18,4%) no cenário mensal geral, seguido pelo TFT com desempenho semelhante e alta robustez. O SVM obteve bons resultados em conjuntos menores de dados, com MAPE de 15,2% no agregado mensal, enquanto o MLP apresentou maior variabilidade entre execuções, ainda que com desempenho competitivo em horizontes mais longos. O XGBoost foi o modelo com melhor desempenho geral, seguido por TFT e SVM, demonstrando o potencial do aprendizado de máquina como ferramenta prática e confiável para a inteligência analítica empresarial.