Uma aplicação eficaz de previsão de demanda com IA para a indústria de peças automotivas: um caso real da Turquia

Por que estimar a demanda por peças importa

Quando um carro quebra, os motoristas esperam que a peça certa esteja na prateleira. Para fabricantes e oficinas, manter peças suficientes sem lotar os depósitos é um malabarismo constante. Este estudo examina como o uso inteligente de inteligência artificial pode ajudar empresas da indústria de peças automotivas a prever demandas muito irregulares com mais precisão, poupando dinheiro e mantendo os clientes na estrada.

O desafio da demanda de parar e andar

Peças de reposição não são vendidas de forma contínua e uniforme. Muitos itens ficam meses sem pedidos e depois apresentam explosões súbitas de demanda. Os autores chamam esses padrões de demanda intermitente e irregular. Em muitos períodos a demanda é zero; quando aparecem pedidos, as quantidades podem variar fortemente. Ferramentas clássicas de previsão que funcionam bem para bens de consumo comuns têm dificuldade nesse cenário, frequentemente levando a prateleiras vazias ou a estoques caros e sem uso. Como peças de reposição são críticas para manter equipamentos funcionando, previsões ruins podem prejudicar a qualidade do serviço e aumentar custos.

De regras antigas a aprender com dados

Para enfrentar isso, os pesquisadores revisaram tanto métodos estatísticos consagrados quanto abordagens mais recentes baseadas em dados. Técnicas tradicionais conhecidas como métodos baseados em Croston foram projetadas especificamente para séries com muitos zeros, mas apresentam limitações quando a demanda se torna altamente errática. Métodos mais novos de aprendizado de máquina, como máquinas de vetores de suporte, florestas aleatórias e regressão linear, e métodos de aprendizado profundo como perceptrons multicamadas, redes neurais recorrentes e redes de memória de longo prazo (LSTM), podem aprender automaticamente padrões complexos a partir dos dados. No entanto, cada método tem seus pontos fortes e fracos, e nenhum modelo é o melhor em todas as situações.

Dados reais de um fabricante de peças

A equipe trabalhou com um fabricante turco que produz componentes de sistema de transmissão elétrica para veículos. Eles se concentraram em duas peças de alto valor que são especialmente difíceis de planejar: uma com demanda intermitente e outra com demanda fortemente irregular. Usando 51 meses de dados reais de vendas mensais, limparam e normalizaram os registros, depois classificaram os padrões de demanda com medidas padrão sobre com que frequência a demanda ocorre e quão variável ela é. Os dados foram divididos em conjuntos de treino e teste para que os modelos fossem avaliados em períodos não vistos, espelhando previsões no mundo real.

Deixar muitos modelos votarem em conjunto

Em vez de depender de uma única ferramenta de previsão, os autores construíram um empilhamento (stacking), que pode ser entendido como uma equipe de modelos cujas saídas são combinadas por um modelo simples de segundo nível. Primeiro, diversos modelos de aprendizado de máquina e de aprendizado profundo produziram previsões independentemente. Suas previsões foram então alimentadas em um modelo de regressão linear que aprendeu quanto confiar em cada um. Esse modelo empilhado foi comparado a métodos baseados em Croston e a cada método individual, usando medidas de erro que capturam falhas típicas e seu tamanho relativo à demanda média. Os pesquisadores também usaram resumos gráficos e testes estatísticos para verificar se as diferenças de desempenho eram relevantes e não fruto do acaso.

O que previsões mais inteligentes significam para os negócios

O modelo empilhado produziu consistentemente as previsões mais precisas e estáveis para demanda tanto intermitente quanto irregular. Métodos de aprendizado profundo isoladamente geralmente superaram abordagens tradicionais, mas combinar múltiplos métodos funcionou melhor de todos. Para a empresa parceira, isso significou menores estoques de segurança, menos itens obsoletos nas prateleiras e menor risco de não atender clientes no prazo. Em termos simples, o estudo mostra que usar uma mistura cuidadosamente projetada de modelos de IA pode transformar uma demanda irregular e de parar-e-andar em previsões suficientemente boas para suportar estoques mais enxutos e um serviço mais confiável.

Citação: Albayrak Ünal, Ö., Erkayman, B. & Usanmaz, B. An effective AI infused demand forecasting application for automotive spare parts industry: a real case from Turkey. Sci Rep 16, 15661 (2026). https://doi.org/10.1038/s41598-026-44461-0

Palavras-chave: demanda por peças, demanda intermitente, aprendizado em conjunto, cadeia de suprimentos automotiva, previsão de demanda