Previsão de vendas no setor farmacêutico: Comparação de métodos estatísticos e de Machine Learning

Abstract

O presente estudo, enquadrado na área da análise preditiva, teve como objetivo desenvolver modelos de previsão de vendas para apoiar a decisão numa farmácia da rede REDE CLARO. A previsão de vendas é particularmente relevante no setor farmacêutico, marcado por elevada variabilidade da procura e pela necessidade de garantir disponibilidade contínua de medicamentos. Atualmente, o planeamento baseia-se num modelo determinístico simplificado, limitado na antecipação de padrões irregulares. Com base na metodologia CRISP-DM, foram desenvolvidos cinco modelos: dois de séries temporais (ETS e Prophet) e três de machine learning e deep learning (Random Forest, XGBoost e CNN-LSTM), aplicados às vendas dos cinco produtos mais vendidos entre Janeiro de 2023 e Julho de 2025. As previsões foram avaliadas pelas métricas MAE, RMSE e MAPE, complementadas por uma análise do impacto económico. Os resultados indicam que o desempenho dos modelos varia consoante o padrão de consumo. O Prophet destacou-se em séries sazonais, o ETS em produtos de consumo contínuo e o Random Forest em padrões irregulares. A agregação mensal reduziu substancialmente os erros face à granularidade diária, reforçando a adequação destas abordagens ao planeamento de encomendas. A conversão dos erros em termos monetários revelou impactos diários entre 3 € e 10 € por produto, traduzindo ganhos económicos relevantes. O estudo evidencia, assim, o potencial da análise preditiva na gestão farmacêutica, promovendo decisões mais informadas e eficientes. Para a REDE CLARO, os resultados confirmam a viabilidade de integrar ferramentas analíticas no apoio às encomendas, contribuindo para a modernização e digitalização da rede de farmácias.

This study, situated within the field of predictive analytics, aimed to develop sales forecasting models to support decision-making in a pharmacy belonging to the REDE CLARO network. Sales forecasting is particularly relevant in the community pharmacy sector, characterised by high demand variability and the need to ensure continuous medicine availability. Currently, planning relies on a simplified deterministic model with limited capacity to anticipate irregular consumption patterns. Following the CRISP-DM methodology, five predictive models were developed: two time series models (ETS and Prophet) and three based on machine learning and deep learning techniques (Random Forest, XGBoost, and CNN-LSTM). These models were applied to sales data for the five best-selling products between January 2023 and July 2025. Forecast accuracy was assessed using MAE, RMSE, and MAPE metrics, complemented by an analysis of the associated economic impact. The results showed that model performance varied according to product consumption patterns. Prophet performed best for seasonal series, ETS for continuous-demand products, and Random Forest for irregular and episodic patterns. Monthly aggregation significantly reduced errors compared to daily forecasts, reinforcing the suitability of these approaches for order planning. Converting prediction errors into monetary values revealed daily impacts ranging from €3 to €10 per product, representing meaningful economic benefits. Overall, the study demonstrates the potential of predictive analytics in pharmaceutical management, enabling more informed and efficient decision-making. For REDE CLARO, the findings confirm the feasibility of integrating analytical tools into order management processes, contributing to the network’s modernisation and digital transformation.