Aplicação de modelos de regressão para estimar o volume de vendas e integração a um ambiente de automação de processos.

Abstract

Este trabalho apresenta o desenvolvimento de uma solução que integra algoritmos de regressão com automação robótica de processos (RPA) para otimizar a previsão de receita por cidade no setor têxtil. Foram coletados dados históricos de receita, indicadores soci oeconômicos e estimativas de classe econômica, os quais foram utilizados na modelagem preditiva com os algoritmos Regressão Linear, Random Forest, KNN e XGBoost. A base de dados foi enriquecida com técnicas de data augmentation, simulando crescimentos rea listas para anos com dados ausentes. As previsões geradas foram consolidadas e integradas a um indicador composto que também considera o potencial de consumo e o número de leads comerciais por cidade. Em seguida, o processo foi automatizado com o uso da ferramenta Blue Prism, permitindo a execução escalável e controlada das previsões e do ranqueamento de cidades com maior potencial de expansão. Os resultados indicaram que o modelo Random Forest apresentou melhor desempenho e estabilidade, além de se benefi ciar significativamente do aumento de dados. A solução proposta demonstrou viabilidade prática e ganhos operacionais no apoio à tomada de decisão, reforçando a aplicabilidade da integração entre aprendizado de máquina e RPA em cenários reais.

This work presents the development of a solution that integrates regression algorithms with Robotic Process Automation (RPA) to optimize revenue forecasting by city in the textile sector. Historical revenue data, socioeconomic indicators, and estimated economic class distributions were collected and used for predictive modeling using Linear Regression, Random Forest, KNN, and XGBoost algorithms. The dataset was enriched through data augmentation techniques, simulating realistic growth for years with missing values. The generated forecasts were consolidated and incorporated into a composite indicator that also considers market consumption potential and the number of commercial leads per city. Subsequently, the entire process was automated using the Blue Prism platform, enabling scalable and controlled execution of forecasts and city ranking with the highest expansion potential. The results showed that the Random Forest model delivered the most stable and accurate performance, benefiting significantly from the augmented data. The proposed solution demonstrated practical feasibility and operational gains in decisionmaking support, highlighting the applicability of combining machine learning and RPA in real-world scenarios.