📊 statistics

On the retraining frequency of global models in retail demand forecasting

Este artigo demonstra que o retreinamento menos frequente de modelos de previsão globais através de diversas arquiteturas de aprendizado de máquina e aprendizado profundo mantém a precisão preditiva enquanto reduz significativamente os custos computacionais e o consumo de energia, oferecendo uma abordagem mais sustentável e eficiente para a previsão de demanda no varejo em larga escala.

Autores originais: Marco Zanotti

Publicado 2026-01-15

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Marco Zanotti

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você administra um supermercado enorme com milhares de produtos. Todos os dias, você precisa adivinhar quantas maçãs, escovas de dentes ou caixas de cereais as pessoas vão comprar para não ficar sem estoque ou desperdiçar dinheiro com produtos não vendidos. Para fazer isso, você usa um "Modelo Global" — um cérebro de computador superinteligente que aprende com o histórico de vendas de todos os seus produtos de uma só vez, em vez de tentar aprender uma regra separada para cada item.

Por muito tempo, o conselho padrão era: "Mantenha este cérebro de computador constantemente atualizado." Toda vez que uma nova venda acontece, você deve retreinar o modelo imediatamente para mantê-lo afiado. O artigo de Marco Zanotti desafia esse hábito. Ele pergunta: Nós realmente precisamos retreinar este modelo todos os dias, ou podemos deixá-lo descansar um pouco?

Aqui está a divisão de suas descobertas usando analogias simples:

1. O "Treinamento Constante" vs. o "Check-up Periódico"

Pense no modelo de previsão como um estudante estudando para um grande exame.

O Jeito Antigo (Retreinamento Contínuo): O estudante estuda um pouco a cada hora, todos os dias. Eles estão constantemente relendo o livro didático no momento em que uma nova página é impressa. Isso os mantém muito atualizados, mas é exaustivo, caro (em termos de tempo e energia) e eles podem sofrer um esgotamento.
O Jeito Novo (Retreinamento Periódico): O estudante estuda intensamente por uma semana e depois faz uma pausa. Eles só voltam ao livro didático uma vez por mês para atualizar suas notas com os capítulos mais recentes.

A Descoberta do Artigo: O estudo descobriu que o estudante que estuda uma vez por mês tem um desempenho tão bom quanto (ou às vezes até melhor) do que aquele que estuda toda hora no exame. O "Modelo Global" é inteligente o suficiente para aprender os padrões gerais da loja (como "as pessoas compram mais sorvete no verão") sem precisar ser reensinado todos os dias.

2. O Custo da Eficiência "Verde"

Retreinar esses modelos não é de graça. Isso requer um poder computacional massivo, que utiliza eletricidade e gera emissões de carbono (como dirigir um carro).

A Analogia: Imagine que o computador é uma máquina de fábrica gigante. Rodar ela 24 horas por dia, 7 dias por semana para retreinar o modelo todos os dias, custa uma fortuna em eletricidade.
O Resultado: Ao mudar de "atualizações diárias" para "atualizações mensais", o estudo descobriu que as empresas poderiam cortar seus custos computacionais em 75%. Se elas parassem de retreinar completamente e apenas usassem o modelo uma única vez, poderiam economizar 90% do custo.
A Ressalva: Para o tipo mais comum de previsão (adivinhar o número exato de itens vendidos), a precisão não caiu nada. O modelo permaneceu afiado mesmo enquanto "descansava".

3. Machine Learning vs. Deep Learning

O artigo testou dois tipos de "cérebros":

Modelos de Machine Learning: Estes são como trabalhadores eficientes e práticos. Eles são ótimos em seguir regras e padrões. O estudo descobriu que esses trabalhadores se beneficiam mais ao fazer pausas. À medida que os dados aumentam, esses modelos economizam mais dinheiro e energia quando são retreinados com menos frequência.
Modelos de Deep Learning: Estes são como artistas gênios que conseguem ver padrões complexos e ocultos. Eles são poderosos, mas exigem muita energia para rodar. Embora também economizem dinheiro quando são retreinados com menos frequência, eles não economizam tanto quanto os trabalhadores práticos e parecem atingir um "teto" onde fazer pausas mais longas não ajuda muito a economizar mais.

4. A "Rede de Segurança" (Previsão Probabilística)

Às vezes, você não quer apenas saber quantas maçãs serão vendidas; você quer saber o intervalo de possibilidades (por exemplo, "Venderemos entre 100 e 150 maçãs, mas talvez até 200"). Isso é chamado de previsão probabilística.

A Descoberta: Se você precisa dessas previsões de "rede de segurança", o modelo precisa ser atualizado um pouco mais frequentemente. No entanto, mesmo aqui, atualizá-lo uma vez a cada duas semanas costuma ser o suficiente. Você não precisa fazer isso diariamente.

A Conclusão

O artigo argumenta que a antiga regra de "mantenha sempre o modelo atualizado" está obsoleta e é um desperdício.

Para Previsões de Ponto (Números exatos): Você pode retreinar seu modelo uma vez por mês (ou até menos) e obter a mesma precisão que as atualizações diárias, economizando uma quantidade massiva de dinheiro e energia.
Para Estoque de Segurança (Intervalos): Você pode precisar atualizar o modelo a cada duas semanas, mas ainda assim muito menos do que diariamente.

Em resumo: Seu modelo de previsão global é como um atleta bem treinado. Ele não precisa correr um sprint a cada hora para manter a forma. Ele pode correr uma maratona, descansar por algumas semanas e ainda vencer a corrida. Ao deixá-lo descansar, as empresas podem economizar dinheiro e ajudar o meio ambiente sem perder sua vantagem na previsão de demanda.

Resumo Técnico: Sobre a Frequência de Retreinamento de Modelos Globais em Previsão de Demanda de Varejo

Definição do Problema

No domínio da previsão de demanda de varejo, as organizações enfrentam um compromisso crítico entre precisão de previsão, eficiência computacional e sustentabilidade. Embora os Modelos de Previsão Globais (GMs) — que ajustam um único modelo para todo um conjunto de dados de séries temporais (aprendizado cruzado) — tenham ganhado destaque por sua capacidade de aproveitar dinâmicas compartilhadas e reduzir a sobrecarga computacional em comparação aos Modelos Locais (LMs), o padrão da indústria frequentemente envolve o retreinamento contínuo de modelos. Essa prática assume que atualizações frequentes são necessárias para se adaptar a padrões em mudança. No entanto, o retreinamento contínuo acarreta custos computacionais substanciais, consumo de energia e emissões de carbono, particularmente para aplicações de grande escala envolvendo milhões de SKUs. O artigo investiga se esse retreinamento frequente é verdadeiramente necessário para manter o desempenho preditivo dos modelos globais ou se estratégias menos frequentes podem oferecer uma alternativa mais sustentável e econômica sem sacrificar a precisão.

Metodologia

O estudo emprega um design experimental rigoroso para avaliar o impacto da frequência de retreinamento nos modelos de previsão globais.

Conjuntos de Dados: A análise utiliza dois conjuntos de dados abrangentes de previsão de varejo:
- Competição M5: Dados de vendas diárias de 30.490 combinações de SKU-loja da Walmart (2011–2016).
- Desafio de Previsão VN1: Dados de vendas semanais de 15.053 produtos de 328 armazéns de 46 varejistas (2020–2024).
- Os experimentos focam no nível mais desagregado (SKU × Loja) para maximizar os benefícios potenciais da redução de retreinamento.
Modelos: Dez métodos distintos de previsão global foram avaliados, compreendendo:
- Aprendizado de Máquina (5 modelos): Regressão Linear (Pooled), Random Forest (RF), Extreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LGBM) e Categorical Boosting (CatBoost).
- Aprendizado Profundo (5 modelos): Multi-Layer Perceptron (MLP), Long Short-Term Memory (LSTM), Redes Convolucionais Temporais (TCN), Neural Basis Expansion Analysis for Time Series (NBEATS), NBEATS com variáveis exógenas (NBEATSx) e Neural Hierarchical Interpolation for Time Series (NHITS).
Cenários de Retreinamento: O estudo define uma janela de retreinamento $r$ (o número de novas observações antes do retreinamento). Os cenários variam de:
- Retreinamento Contínuo ( $r=1$ ou $r=7$ para dados diários): O benchmark para máxima precisão e custo.
- Retreinamento Periódico: Intervalos intermediários (ex: semanal, mensal).
- Sem Retreinamento ( $r=T$ ): O modelo é ajustado uma única vez no conjunto de treinamento inicial e usado para todo o horizonte de teste.
Estrutura de Avaliação:
- Validação: Avaliação de origem móvel com uma abordagem de janela expansiva para simular condições reais de negócios.
- Métricas:
  - Previsão de Ponto: Root Mean Squared Scaled Error (RMSSE).
  - Previsão Probabilística: Scaled Multi-Quantile Loss (SMQL) através de 14 quantis.
  - Eficiência: Tempo de Computação (CT) em segundos, diretamente correlacionado a modelos de preços de nuvem.
- Análise Estatística: Testes de Friedman-Nemenyi foram usados para verificar a significância estatística entre os cenários.

Principais Resultados

1. Precisão de Previsão vs. Frequência de Retreinamento

Previsão de Ponto: O estudo descobre que o retreinamento menos frequente não prejudica e, em alguns casos, melhora ligeiramente a precisão da previsão de ponto. Para ambos os conjuntos de dados M5 e VN1, os perfis de RMSSE permaneceram estáveis através das frequências de retreinamento. Mesmo no cenário de "sem retreinamento", a degradação do desempenho foi insignificante (menos de 5%).
Previsão Probabilística: Os resultados foram ligeiramente mais sutis. Para o conjunto de dados M5, a precisão (medida por SMQL) mostrou um leve declínio à medida que a frequência de retreinamento diminuía, embora a diferença tenha permanecido dentro de 5-6 pontos percentuais. Para o conjunto de dados VN1, observou-se uma relação quase convexa, onde cenários de retreinamento baixo inicialmente melhoraram o desempenho antes de deteriorar em intervalos mais altos.
Diferenças entre Modelos: Modelos de aprendizado de máquina geralmente mantiveram ou melhoraram a precisão com retreinamento menos frequente conforme a frequência dos dados aumentava, enquanto modelos de aprendizado profundo mostraram mais estabilidade, mas menos ganho marginal neste contexto específico.

2. Custo Computacional e Eficiência

Redução Exponencial: O Tempo de Computação (CT) diminui exponencialmente conforme o intervalo de retreinamento $r$ $r$ aumenta.
- Mover de um retreinamento contínuo para um retreinamento mensal reduziu o CT em aproximadamente 75%.
- O cenário de "sem retreinamento" reduziu o CT em até 90% em comparação ao baseline.
Implicações de Custo: Usando um cenário hipotético de um grande varejista (200.000 SKUs, 5.000 lojas), o estudo estima que o retreinamento contínuo custa aproximadamente \ $750.000 anualmente para dados diários. Mudar para uma estratégia de "sem retreinamento" poderia reduzir este valor para ~\text{\$ 250.000}, representando economias de mais de 60%. Para dados semanais, as economias chegaram a 90%.
Seleção de Modelo: Modelos de aprendizado de máquina combinados com estratégias de retreinamento menos frequentes provaram ser uma escolha ligeiramente melhor para redução de custo conforme a frequência dos dados aumentava, superando os modelos de aprendizado profundo em termos de ganhos de eficiência de custo.

3. Intervalos Ótimos de Retreinamento

A análise identificou frequências de retreinamento "ótimas" baseadas na precisão:

Previsão de Ponto: Os intervalos ótimos foram encontrados entre 3–4 semanas (aprox. 21 observações) para M5 e 8–10 semanas para VN1.
Previsão Probabilística: Os intervalos ótimos foram mais curtos (aprox. 2 semanas para M5, 4 semanas para VN1), sugerindo que a estimativa de incerteza pode exigir atualizações um pouco mais frequentes do que as estimativas de ponto.

Principais Contribuições

Estudo Empírico Abrangente: Este é o primeiro estudo a analisar sistematicamente a relação entre a frequência de retreinamento e a precisão de previsão em 10 diversos modelos globais (ML e DL) usando conjuntos de dados de varejo do mundo real, cobrindo tanto previsão de ponto quanto probabilística.
Quantificação de Trade-offs: O artigo quantifica o equilíbrio entre precisão e sustentabilidade, demonstrando que reduções significativas de custo computacional (até 90%) podem ser alcançadas com impacto negligível no desempenho preditivo.
Diretrizes Práticas: O estudo fornece recomendações acionáveis para profissionais, sugerindo que o retreinamento periódico (ex: mensal) oferece um equilíbrio superior entre precisão e custo em comparação com o paradigma convencional de retreinamento contínuo.

Significância e Alegações

O artigo desafia o senso comum de que o retreinamento frequente ou contínuo é essencial para manter o alto desempenho preditivo dos modelos de previsão globais. Os autores alegam que os modelos globais, ao aprenderem dinâmicas compartilhadas através de múltiplas séries temporais, são robustos o suficiente para permanecer eficazes sem atualizações constantes, particularmente em contextos com padrões de demanda relativamente estáveis.

A significância dessas descobertas reside em seu duplo impacto:

Econômico: As organizações podem alcançar economias financeiras substanciais ao otimizar os cronogramas de retreinamento sem comprometer a qualidade da previsão.
Ambiental: Ao reduzir a frequência do treinamento de modelos, as organizações podem diminuir significativamente o consumo de energia e as emissões de carbono, alinhando-se aos princípios de "Green AI".

O estudo conclui que a mudança do paradigma de retreinamento contínuo para uma abordagem periódica permite que as empresas otimizem seus pipelines de previsão, alcançando economias de custo relevantes enquanto garantem um alto desempenho preditivo. Os autores observam que, embora seus achados sejam robustos para a demanda estável do varejo, pesquisas futuras devem explorar estratégias de retreinamento adaptativas disparadas pela detecção de concept drift e estender essas análises para outros domínios e arquiteturas de modelos.