[pt] MODELO DE PREVISÃO DE SUCESSO DE PRODUTOS LANÇAMENTO: UM ESTUDO DE CASO DA CIENALAB

[en] PRODUCT LAUNCH SUCCESS PREDICTION MODEL: A CASE STUDY OF CIENALAB

[pt] ANTONIO VIEIRA CAETANO DE MATTOS

[pt] CAIO JARDIM SCARPA COSTA

[pt] APRENDIZADO DE MAQUINA

[pt] RANDOM FOREST

[pt] MODA BRASILEIRA

[pt] PREVISAO DE DEMANDA

[en] MACHINE LEARNING

[en] RANDOM FOREST

[en] BRAZILIAN FASHION

[en] DEMAND FORECAST

[pt] A consolidação do streetwear como um dos segmentos mais relevantes da moda contemporânea, especialmente entre consumidores pertencentes a Geração Z, intensificou os desafios na sua previsão de demanda, em um contexto marcado por lançamentos em drops, com ciclos de vida curtos e com uma forte influência das redes sociais. Nesse contexto, marcas que operam com coleções enxutas e estoque limitado enfrentam uma elevada incerteza quanto ao desempenho de suas peças, impactando diretamente o planejamento da produção e o resultado financeiro das coleções lançadas. Este trabalho tem como objetivo desenvolver e avaliar um modelo preditivo de sucesso de produtos lançamento no contexto da marca carioca de streetwear CienaLab, com foco apenas na categoria de produtos de camisetas. A pesquisa adota uma abordagem aplicada, quantitativa e preditiva, estruturada como estudo de caso. Foi utilizado um banco de dados histórico de coleções anteriores da marca, no qual cada camiseta é descrita por atributos visuais e fabris, como a sua cor, seus materiais e seus tipos e tamanhos de estampa aplicados e por indicadores de desempenho de vendas em duas janelas, sendo a primeira após os primeiros 15 dias de lançamento da coleção e a segunda no total do ciclo de vendas. A partir desses indicadores é construída uma variável categórica de desempenho, que classifica as camisetas em categorias como best performer, hyped e normal. Sobre essa base analisada, o problema é formulado como uma tarefa de classificação supervisionada multiclasse. Com diferentes algoritmos testados e comparados, por fim selecionando o modelo Random Forest, ajustado por validação cruzada estratificada e busca em grade de hiper parâmetros. A interpretação do modelo escolhido é realizada com o uso de valores SHAP, permitindo analisar a contribuição dos atributos visuais para as previsões de demanda. Adicionalmente, é implementado um procedimento de mapeamento entre coordenadas de cor em CIELAB (L a b ) e as categorias de cor utilizadas pela marca, viabilizando o uso do modelo no processo de criação de peças para o uso comum. Por fim, o classificador é integrado a uma interface desenvolvida em Python e validado em uma coleção recente da CienaLab, discutindo-se seu potencial como ferramenta de apoio ao planejamento de produtos em ambientes de alta volatilidade de demanda.

[en] The consolidation of streetwear as one of the most relevant segments in contemporary fashion, especially among Generation Z consumers, has intensified classic demand forecasting challenges in a context marked by short product life cycles, limited-stock drops and strong influence from digital media. In this scenario, brands that operate with small collections and planned scarcity face high uncertainty regarding the performance of individual items, which directly affects production planning and the financial results of each collection. This study aims to develop and evaluate a predictive model for the success of new product launches in the context of the Brazilian streetwear brand CienaLab, focusing on the T-shirt category. The research adopts an applied, quantitative and predictive approach, structured as a single case study. A historical database of past collections is used, in which each T-shirt is described by visual and production-related attributes (color, materials, types and sizes of prints) and by sales performance indicators in two time windows: the item s share of collection sales in the first 15 days and in the total sales of the collection. Based on these indicators, a categorical performance variable is constructed, classifying items into groups such as best performer, hyped and normal. The problem is formulated as a multiclass supervised classification task. Different algorithms are tested and compared, and a Random Forest model is selected and tuned using stratified cross-validation and grid search for hyperparameters. Model interpretation is conducted with SHAP values, allowing the assessment of the relative contribution of visual attributes to the predictions. In addition, a mapping procedure between CIELAB (L a b ) color coordinates and the brand’s discrete color categories is implemented, enabling use of the model during the product design process. Finally, the classifier is integrated into a Python-based graphical interface and validated on a recent CienaLab collection, discussing its potential as a decisionsupport tool for product planning in highly volatile streetwear environments.

RODRIGO GOYANNES GUSMAO CAIADO

2026-01-16

[pt] TEXTO

application/pdf

PORTUGUÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=75023@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=75023@2

https://doi.org/10.17771/PUCRio.acad.75023