PREVISÃO HÍBRIDA DE DEMANDA NA INDÚSTRIA DA MODA COM PROPHET, TABPFN E FEATURES TEMPORAIS

Este estudo investiga a previsão de demanda no setor de moda fast fashion por meio de uma abordagem híbrida que combina os modelos Prophet e TabPFN, explorando variáveis temporais como lags, sazonalidades e feriados. Utilizando a metodologia CRISP-DM, foram analisados dados semanais de vendas e estoque de uma empresa varejista, com foco na categoria de maior volume. A modelagem considerou múltiplas abordagens, desde métodos de referência até técnicas
avançadas de aprendizado de máquina. A avaliação foi conduzida com métricas padronizadas (RMSE, MAE e MAPE), evidenciando o desempenho superior do TabPFN, com incorporação efetiva de features temporais geradas pelo treino do modelo Prophet, em relação aos demais modelos. Os resultados destacam o potencial de modelos híbridos, especialmente quando enriquecidos por atributos temporais, na captura da dinâmica complexa e volátil da demanda no varejo de moda.