Pesquisa sobre Previsão de Demanda de Produtos Baseada em Random Forest e Séries Temporais ARIMA: Método de Previsão de Precisão para Ambientes com Dados Escassos

No campo do e-commerce, prever com precisão a demanda futura por produtos específicos é crucial para uma gestão eficiente de estoques e otimização da cadeia de suprimentos. Embora os métodos tradicionais de previsão de séries temporais tenham demonstrado confiabilidade na manipulação de dados ricos, eles são significativamente afetados por flutuações sazonais e eventos de mercado repentinhos. Isso é especialmente verdadeiro para produtos recém-lançados ou produtos de longa cauda com dados de vendas insuficientes, o que geralmente resulta em baixo desempenho, limitando a precisão e viabilidade dos modelos tradicionais em aplicações práticas. Para abordar essa questão, este artigo propõe uma estrutura inovadora de previsão baseada em dados históricos extensivos de vendas de plataformas de e-commerce. Essa estrutura emprega florestas aleatórias para explorar e aprender profundamente a partir dos dados históricos e utiliza o algoritmo de agrupamento K-Means e a distância euclidiana para identificar as tendências de características de vendas mais correspondentes para produtos-alvo com dados limitados. Além disso, fornece previsões precisas para esses produtos através do modelo de séries temporais ARIMA, oferecendo suporte robusto para uma maior otimização do modelo de previsão. Por fim, ao comparar com modelos tradicionais, a estrutura inovadora de previsão apresentada neste artigo demonstra uma melhoria significativa na precisão ao prever vendas de produtos com dados limitados, superando os desafios de previsão sob restrições de dados e provando completamente sua eficácia e inovação.