Graph Neural Networks para previsão de demanda: por que séries temporais sozinhas não bastam

A previsão de demanda em supply chain sempre foi tratada como um problema de séries temporais. Cada SKU recebe seu próprio modelo, com janelas deslizantes, ajustes de sazonalidade e correções promocionais. Funciona — até certo ponto.

O problema é que produtos não existem isoladamente. Quando uma marca de refrigerante entra em promoção, a demanda por salgadinhos da mesma gôndola sobe. Quando um smartphone novo é lançado, acessórios compatíveis disparam. Essas relações ficam invisíveis para modelos tradicionais de séries temporais.

Graph Neural Networks (GNNs) propõem uma mudança de paradigma: em vez de tratar cada SKU como uma entidade independente, modelam todo o catálogo como um grafo conectado. E os resultados estão chamando atenção de equipes de ML em retail, manufatura e logística.

O QUE FOI PUBLICADO

O artigo "Time Series Isn't Enough: How Graph Neural Networks Change Demand Forecasting", publicado por Partha Sarkar no Towards Data Science em janeiro de 2026, explora as limitações das abordagens tradicionais de forecasting e apresenta GNNs como alternativa.

Principais pontos levantados:

Modelos tradicionais tratam SKUs individualmente, perdendo correlações entre produtos
Janelas de tempo capturam sazonalidade, mas não relações estruturais
Reconciliação hierárquica downstream tenta corrigir inconsistências, mas é reativa
GNNs permitem modelar relações explícitas entre SKUs, categorias, lojas e regiões

O artigo faz parte de uma tendência crescente de aplicar arquiteturas de grafos a problemas que tradicionalmente usavam apenas dados tabulares ou sequenciais.

VISÃO TÉCNICA SIMPLIFICADA

O problema com séries temporais isoladas

Modelos como ARIMA, Prophet, ou mesmo LSTMs tratam cada série temporal de forma independente. Isso significa que:

Correlações entre SKUs são ignoradas — se produto A e produto B sempre vendem juntos, cada modelo aprende isso separadamente (ou não aprende)
Hierarquias são tratadas post-hoc — primeiro prevê-se cada SKU, depois reconcilia-se com categorias e totais
Transferência de aprendizado é limitada — um produto novo não se beneficia do histórico de produtos similares

Como GNNs modelam o problema

Em uma abordagem baseada em grafos:

Nós representam SKUs, lojas, categorias ou regiões
Arestas representam relações: co-compra, mesma categoria, mesmo fornecedor, proximidade geográfica
Features dos nós incluem histórico de vendas, preço, características do produto
Features das arestas podem incluir força da correlação, tipo de relação

A GNN então propaga informação através do grafo. Um nó (SKU) não olha apenas para seu próprio histórico — ele "ouve" informações de vizinhos conectados.

Arquiteturas comuns

Graph Convolutional Networks (GCN): agregam features de vizinhos com pesos aprendidos
GraphSAGE: amostra vizinhos para escalar a grafos grandes
Temporal Graph Networks: combinam propagação espacial (grafo) com propagação temporal (sequência)
Attention-based GNNs (GAT): aprendem quais vizinhos são mais relevantes para cada previsão

Para demand forecasting, arquiteturas híbridas são comuns: uma GNN captura relações estruturais enquanto um componente temporal (LSTM, Transformer) modela a dinâmica ao longo do tempo.

O QUE MUDA NA PRÁTICA PARA ENGENHEIROS DE IA

🚀 Performance GNNs podem melhorar significativamente a acurácia de forecasting, especialmente para:

Produtos com pouco histórico (cold start)
Categorias com alta correlação entre SKUs
Cenários de promoção cruzada

Ganhos reportados variam de 5% a 20% em MAPE comparado a baselines de séries temporais, dependendo da estrutura do grafo.

💸 Custos Treinar GNNs é mais caro computacionalmente que modelos tradicionais. O grafo precisa caber em memória (ou usar técnicas de sampling). Inferência também é mais pesada — cada previsão pode depender de centenas de vizinhos.

🏗️ Arquitetura Mudança significativa no pipeline:

Necessidade de construir e manter o grafo de relações
Feature engineering para arestas (não só nós)
Batch processing diferente (subgrafos vs. amostras independentes)
Frameworks específicos: PyTorch Geometric, DGL, Spektral

🔐 Riscos

Grafo mal construído pode propagar ruído em vez de sinal
Explicabilidade é mais difícil que em modelos tradicionais
Debugging requer entender propagação em grafos

🧪 Maturidade Tecnologia em fase de adoção early-mainstream. Grandes retailers já testam, mas não é commodity ainda. Requer expertise específica em GNNs.

CASOS DE USO REAIS E POTENCIAIS

Retail e e-commerce

Previsão de demanda hierárquica: SKU → categoria → departamento → loja, tudo conectado
Recomendação + forecasting: usar grafo de co-compra para prever demanda de bundles
Gestão de estoque: entender como stockout de um produto afeta demanda de substitutos

Manufatura

Bill of Materials como grafo: demanda de produto final propaga para componentes
Planejamento de produção: otimizar scheduling considerando dependências

Logística e supply chain

Rede de distribuição: prever demanda considerando capacidade de CDs e rotas
Efeito bullwhip: modelar como variações de demanda propagam na cadeia

Serviços financeiros

Previsão de churn em rede: clientes conectados (mesma empresa, mesma família) têm comportamento correlacionado
Detecção de fraude + forecasting: padrões anômalos em transações conectadas

LIMITAÇÕES, RISCOS E PONTOS DE ATENÇÃO

Limitações técnicas

Construção do grafo é crítica: garbage in, garbage out. Definir quais relações modelar exige conhecimento de domínio
Escalabilidade: grafos com milhões de nós e bilhões de arestas exigem sampling agressivo
Sparsity temporal: nem todas as arestas são relevantes em todos os momentos

Dependências

Requer dados de relações entre entidades (nem sempre disponíveis ou limpos)
Frameworks de GNN ainda menos maduros que PyTorch/TensorFlow vanilla
Expertise específica é escassa no mercado

Riscos em produção

Latência de inferência: pode ser proibitiva para forecasting em tempo real
Atualizações do grafo: adicionar novos SKUs ou lojas requer re-processar estrutura
Drift de relações: correlações entre produtos mudam ao longo do tempo

Hype vs realidade

GNNs não são bala de prata. Para catálogos pequenos ou produtos com pouca correlação, modelos tradicionais podem ser suficientes — e muito mais simples de manter. A complexidade adicional só se justifica quando relações estruturais são realmente preditivas.

O QUE OBSERVAR NOS PRÓXIMOS MESES

Integração com Foundation Models: Modelos de linguagem e visão pré-treinados estão sendo combinados com GNNs para criar representações mais ricas de produtos. Espere ver mais trabalhos nessa direção.

Ferramentas enterprise: Vendors de supply chain planning (Blue Yonder, o9, Kinaxis) devem incorporar GNNs em suas plataformas. Quando isso acontecer, adoção vai acelerar.

Padronização de grafos de produto: Hoje cada empresa constrói seu próprio grafo. Padrões de ontologia de produto (como GS1) podem facilitar criação de grafos interoperáveis.

Open source: Bibliotecas como PyTorch Geometric e DGL continuam evoluindo. Expect mais modelos pré-treinados e recipes específicas para forecasting.

CONEXÃO COM APRENDIZADO

Para quem quer se aprofundar em como arquitetar sistemas que aproveitam esse tipo de abordagem — como pipelines de ML para supply chain, feature stores para grafos e deployment de modelos complexos — esse tema faz parte dos estudos da AI Engineering Academy.

🚀 Faça parte da comunidade AI Engineering

Quer receber as principais notícias de AI Engineering em primeira mão e trocar ideias com outros profissionais? Entre no nosso grupo no WhatsApp!

👉 Entrar no grupo do WhatsApp

Termos relacionados: Graph Neural Networks, GNN, demand forecasting, previsão de demanda, supply chain, séries temporais, time series, PyTorch Geometric, DGL, GraphSAGE, retail analytics, machine learning