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.