Modelo de previsão de demanda para um bar

Abstract

O setor de bares e restaurantes sofreu muito com a pandemia do COVID-19, forçando muitos estabelecimentos a se endividarem para se manterem abertos e em casos mais severos levando os mesmos a falência. Desde o começo da retomada, a busca pelo aumento do faturamento e das margens de lucro se fortaleceu, tendo como seu grande expoente o valor gasto com mercadorias, o principal custo nesse segmento. Este trabalho se propôs a construir um modelo de previsão de demanda para um bar em São Paulo, tendo como resultado o auxílio na compra de insumos e por consequência a redução de custos. Para isso, foram utilizados métodos de previsão de demanda como: média móvel simples, média móvel ponderada, média móvel com suavização exponencial simples e regressão linear. Com visitas presenciais ao estabelecimento, foi possível entender o processo completo de compras e colher dados para execução das previsões. Para isso, utilizou-se da linguagem de programação Python juntamente com SQL para a análise dos dados e automatização dos cálculos das previsões, permitindo uma conexão e obtenção de dados em tempo real. A partir de iterações pelos mais conhecidos métodos de previsão de demanda, foi exibido os resultados das previsões e seus erros, permitindo uma análise completa em um dashboard. Os produtos apresentaram erros de acordo com cada modelo de previsão adotado, permitindo a sua comparação e a seleção do método mais assertivo para cada produto estudado.

The bar and restaurant sector has suffered greatly from the COVID-19 pandemic, forcing many establishments to go into debt in order to remain open, and in more severe cases, leading to bankruptcy. Since the beginning of the recovery, there has been a strong focus on increasing revenue and profit margins, with de cost of good being the main expense in this segment. This work to build a demand forecasting model for a bar in São Paulo, with the goal of aiding in the purchase of goods and consequently reducing costs. Through in-person visits to the establishment, it was possible to understand the complete purchasing process and gather data for the execution of predictions. Python and SQL programming language were used to allow a real-time data connection and more computer power. By iterating through the most well-known demand forecasting methods, the model with lowest prediction error was selected for each product, providing vital information for the acquisition of the goods. The products exhibited errors according to each adopted forecasting model, allowing for their comparison and the selection of the most accurate method for each studied product.