EventCast: Hybrid Demand Forecasting in E-Commerce with LLM-Based Event Knowledge

Resumo Técnico: EventCast

1. O Problema (Contexto e Desafios)

A previsão de demanda em e-commerce é fundamental para a gestão de estoque e logística, mas difere do varejo tradicional devido à sua natureza não estacionária e altamente influenciada por eventos. O artigo identifica três desafios principais:

• Padrões de Demanda Impulsionados por Eventos: Promoções relâmpago, feriados religiosos e campanhas de influenciadores criam picos ou quedas abruptas que padrões históricos de séries temporais não conseguem prever sozinhos.
• Extração de Conhecimento Não Estruturado: As informações sobre eventos futuros (promoções, incentivos de vendedores) costumam estar em bancos de dados operacionais em formato de texto não estruturado, contendo erros de digitação, abreviações e nuances culturais que métodos baseados em regras ou flags categóricas falham em capturar.
• Falta de Interpretabilidade: Modelos de "caixa-preta" não explicam por que uma previsão mudou, o que dificulta a confiança dos gestores de operações que precisam tomar decisões rápidas.

2. Metodologia (A Arquitetura EventCast)

O EventCast propõe uma abordagem de previsão híbrida que desacopla o raciocínio semântico da previsão numérica. Em vez de usar LLMs para prever números (o que gera imprecisão), o sistema utiliza o LLM apenas como um agente de raciocínio semântico.

A arquitetura baseia-se em um design de duas torres (dual-tower):

1. Torre de Conhecimento de Eventos (LLM-Based Reasoning):

   • Um banco de dados de especialistas (com calendários de campanhas, feriados e regras de incentivo) fornece o contexto.
   • Um LLM congelado (frozen) recebe prompts estruturados que questionam o contexto de uma data específica (ex: "É feriado?", "Existe frete grátis?", "Qual a intensidade da campanha?").
   • O LLM gera um raciocínio passo a passo e um resumo textual estruturado (ex: <result>Feriado nacional; Promoção nível 12; Frete grátis disponível</result>).
   • Esses resumos são convertidos em embeddings de texto aprendíveis.

2. Torre de Séries Temporais Históricas:

   • Processa as características multivariadas históricas (volume de vendas, dias da semana, etc.) usando um codificador de Multi-Head Self-Attention (Transformer) para capturar dependências temporais e entre variáveis.

3. Fusão e Previsão:

   • Os embeddings do evento e os da série histórica são alinhados em um espaço comum e fundidos.
   • O modelo utiliza uma decomposição final: uma cabeça prevê a tendência (trend) baseada no histórico e outra prevê o ajuste do evento (event-driven adjustment). A previsão final é uma combinação ponderada ($\lambda$) dessas duas componentes, garantindo interpretabilidade.

3. Principais Contribuições

• Desacoplamento de Raciocínio e Previsão: Ao usar o LLM apenas para extrair semântica e não para gerar números, o modelo evita os erros de precisão numérica típicos de LLMs e reduz drasticamente o custo computacional.
• Integração de Conhecimento do Mundo: O uso de LLMs permite capturar nuances culturais (ex: o impacto de Ramadan vs. Eid al-Fitr) e lidar com dados de entrada ruidosos ou inconsistentes sem necessidade de engenharia de atributos manual.
• Interpretabilidade Nativa: O sistema fornece rastros de raciocínio legíveis por humanos, permitindo que gestores entendam a causa raiz de uma mudança na previsão.
• Escalabilidade Industrial: O framework é modular, permitindo a substituição de LLMs ou componentes de previsão sem necessidade de retreinamento completo de todo o sistema.

4. Resultados

O modelo foi testado em cenários reais de e-commerce em 4 países e 160 regiões ao longo de 10 meses.

• Desempenho Geral: O EventCast superou todos os modelos de estado da arte (como PatchTST, iTransformer e ChronosX).
• Períodos de Eventos (O maior ganho): Durante períodos de alta volatilidade (promoções e feriados), o EventCast reduziu o erro MAE em até 57,0% e o MSE em até 83,3% em comparação com o melhor baseline industrial.
• Superioridade sobre LLMs como Forecasters: O estudo demonstrou que usar LLMs para prever números diretamente (como o Time-LLM) é ineficiente comparado ao uso do LLM como agente de conhecimento semântico para guiar um modelo numérico leve.

5. Significância

O trabalho representa uma mudança de paradigma na previsão de demanda industrial: em vez de tentar tornar os modelos numéricos mais complexos, o caminho mais eficaz é enriquecer o modelo com conhecimento semântico externo via LLMs. O EventCast prova ser uma solução prática, escalável e altamente precisa para ambientes de e-commerce dinâmicos, onde o conhecimento sobre o futuro (promoções e feriados) é a chave para vencer a incerteza.