Modelos de previsão de preço baseados em machine learning para veículos usados

Abstract

O mercado brasileiro de veículos seminovos enfrenta desafios na precificação devido à diversidade de fatores que influenciam o valor, como a rápida movimentação do mer- cado e as variações regionais, o que limita a eficácia de métodos tradicionais, como tabelas de preços, que não capturam a complexidade desse mercado. O objetivo deste trabalho foi desenvolver um modelo de previsão de preços para veículos automotores no Brasil utilizando técnicas de Machine Learning. A partir de dados coletados via web scraping da plataforma Webmotors, foram obtidas informações detalhadas sobre os anúncios e as características físicas dos veículos, como marca, modelo, quilome- tragem, ano de fabricação, entre outros. O processo metodológico incluiu etapas de limpeza de dados, remoção de outliers e feature engineering. Foram avaliados três modelos preditivos: Lasso Regression, Random Forest e XGBoost. Após a otimização dos hiperparâmetros, o modelo XGBoost (Otimizado) se destacou, apresentando um desempenho superior com um R2 de 0,95 e um MAPE de 7%. Esse modelo foi capaz de prever com alta precisão os preços dos veículos com base nos atributos coletados. Também trouxemos a aplicação para três diferentes veículos e comparamos o preço previsto pelo modelo com os anúncios de carros semelhantes. A conclusão do estudo ressaltou a eficácia do uso de Machine Learning para a precificação de veículos se- minovos, oferecendo maior transparência e precisão em comparação com métodos tradicionais.