O problema de previsão de demanda desagregada no varejo de bens de consumo consiste na previsão da demanda futura de cada produto vendido em cada loja de uma empresa varejista. A efetividade com que uma empresa varejista consegue posicionar seus estoques para atendimento da demanda dos consumidores depende diretamente da sua capacidade de realizar tais previsões. Previsões acima da demanda resultam em excessos e perdas de estoque e previsões abaixo resultam em rupturas de estoque e consumidores frustrados. Apesar dos avanços dos sistemas de gestão das empresas varejistas, esse ainda é um problema em aberto, visto que a ocorrência de rupturas e perdas ainda se mostra como um dos principais problemas do setor. Para realizar previsões de demanda é possível utilizar modelos convencionais de séries temporais. Porém, no caso do segmento varejistas alguns fatores dificultam sua aplicação: os consumidores são influenciados por datas especiais, sazonalidades e campanhas de marketing, a quantidade de modelos necessária é proporcional à multiplicação da quantidade de produtos e lojas e por último, existem problemas típicos na qualidade dos dados como por exemplo a ocorrência de rupturas e outliers de vendas. Por isso observa-se que na prática a demanda não é prevista de forma desagregada resultando em rupturas e excessos de estoque nas lojas das empresas varejistas de bens de consumo. Essa pesquisa propõe diferentes caracterizações para o referido problema e uma metodologia de construção de modelos de previsão que considera o cenário das empresas varejistas: alta disponibilidade de dados, necessidade de aplicação de limpezas e correção de dados de vendas e estoques, necessidade de baixa supervisão e intervenção humana na construção dos modelos e capacidade de capturar efeitos de marketing e de datas especiais. Dentro da metodologia, são empregados modelos de aprendizado computacional para construção dos modelos de previsão. A metodologia é validada numa aplicação prática considerando duas empresas varejistas nacionais e os resultados são comparados com técnicas convencionais de previsão de séries temporais.

The disaggregated demand forecasting problem in consumer goods retail consists in forecasting of future demand for each product sold in each store of a retailer. The effectiveness with which a retailer can place its inventories to meet consumer demand depends directly on its ability to make such forecasts. Forecasting above demand results in excess inventory and potencial losses, forecasting below demand results in stockouts and frustrated consumers. Despite advancements in retail companies management systems, this is still an open problem, as the occurrence of stockouts and losses is still one of the main problems in the sector.To perform demand forecasts it is possible to use conventional time series models. However, in the case of the retail segment some factors hinder its application: consumers are influenced by special dates, seasonality and marketing campaigns, the required number of models equals to the multiplication of the quantity of products and stores and lastly, there are typical data quality problems, such as stockouts and outliers. Therefore, it is observed that in practice demand is not forecasted in a disaggregated manner resulting in stockouts and losses in the stores of consumer goods retailers. This research proposes different characterizations for the aforementioned problem and a methodology for the construction of forecasting models considering the scenario of retail companies: high data availability, need for cleaning and correction of sales and inventory data, need for low supervision and human intervention in model building and the ability to capture marketing effects and special dates. Within the methodology, machine learning models are employed to construct the prediction models. The methodology is validated in a practical application considering two national retailers, and the results are compared with conventional time series forecasting techniques.