Mendes, Mateus Daniel AlmeidaFarinha, José Manuel TorresLopes, Jorge Filipe Costa2026-03-042026-03-042025-10-22http://hdl.handle.net/10400.26/61974Este trabalho apresenta um modelo de gestão e previsão de vendas aplicado ao contexto específico de uma empresa nacional de engenharia e soluções técnicas industriais, com o objetivo de apoiar as tomadas de decisão estratégicas através de previsões fiáveis e fundamentadas. A organização em estudo tem presença em diversas regiões de Portugal e opera fundamentalmente num contexto B2B, fornecendo uma vasta gama de componentes técnicos e serviços especializados para o sector industrial. Oprojeto segue uma abordagem baseada em dados históricos reais de aturação, abrangendo mais de uma década de atividade da empresa, e recorre a técnicas de Machine Learning (ML) para a construção de modelos preditivos. A metodologia adotada é a CRISP-DM, que permite estruturar o processo desde a compreensão do negócio até à sua validação e avaliação dos resultados. No desenvolvimento deste trabalho foram testados cinco modelos preditivos, LSTM, GRU, MLP Regressor, XGBoost e um modelo híbrido, que combinava o LSTM e o XGBoost. A análise comparativa e avaliação sobre os modelos foi realizada com base em métricas como MSE, RMSE, MAE e MAPE. O modelo XGBoost destacou-se como o mais eficaz, apresentando o menor MAPE (16,45%), confirmando o seu desempenho superior em ambientes com grande variabilidade de dados. O documento discute ainda o impacto do pré-processamento de dados, engenharia de features e ajuste de hiperparâmetros, destacando a importância destas etapas para o sucesso dos modelos. A viabilidade da modelação híbrida foi também avaliada, embora para este caso em concreto não tenha superado o modelo base mais robusto. Os resultados obtidos estão em consonância com evidências presentes na literatura científica, reforçando a aplicabilidade prática do ML em ambientes industriais. É esperado que o modelo proposto se revele uma ferramenta valiosa para apoiar a gestão comercial e estratégica da empresa, contribuindo para um planeamento mais informado e uma resposta mais eficaz às dinâmicas e necessidades de mercado.porPrevisão de vendasMachine learningModelos preditivosCRISP-DMLSTMGRUMLP RegressorXGBoostmaster thesis204216842