CEDAR: previsão de demanda que modela decisões de comerciantes reduz erros em e-commerce

Prever a demanda de e-commerce é notoriamente difícil porque as vendas não dependem só do histórico: elas reagem a decisões do comerciante (promoções, mudanças de anúncio) e a eventos externos. Um modelo apresentado no ACM KDD ’26 — o CEDAR — ataca exatamente esse ponto, modelando explicitamente as ações do vendedor e os eventos externos, e reportou os menores erros nos testes com dados da Alibaba 1688.

Previsão construída em torno de decisões

O CEDAR é um framework de duas etapas. Um Action-Interleaved Transformer modela as transições de estado junto com as ações do comerciante, enquanto um Módulo de Correção Residual usa representações de sinais de eventos externos alinhados. A avaliação usou mais de 32 milhões de trajetórias de produtos da Alibaba 1688 com sequências de estado-ação pareadas e sinais de eventos.

Erros menores, mesmo esticando o horizonte

Nos dados da Alibaba 1688, o CEDAR teve o menor MSE, MAE e NMSE tanto no cenário next-5 quanto no next-10. No next-5, o MSE foi de 0,182 ± 0,006. O erro cresceu conforme o horizonte se alongou, mas permaneceu abaixo dos baselines PatchTST e PETFormer em next-15, next-20 e next-25: no horizonte mais longo, o CEDAR marcou 1,612 contra 2,847 do PatchTST e 2,561 do PETFormer. O resultado se repetiu no dataset público Kaggle Store Sales, com MSE de 0,5819 contra 0,6814 do PatchTST.

Ações e eventos importam

Uma análise de modalidade mostrou o CEDAR respondendo de forma mais sensível a mudanças de plano de anúncios — capturando, por exemplo, uma queda de tráfego após a redução do gasto publicitário. Um estudo de ablação apontou na mesma direção: o modelo completo marcou MSE de 0,414 no next-10, contra 0,471 do treinamento em uma etapa e 0,489 da variante só com o Transformer de ação.

O resultado online — e o que falta documentar

Uma implantação relatada na Alibaba 1688 (de 1º a 30 de janeiro de 2026) atribuiu ao grupo tratado um aumento de 13% no lifetime value (LTV) e de 15% no ROI de loja em média. Mas a seção online não informa tamanho dos grupos, procedimento de randomização, intervalos de incerteza ou testes de significância — os números devem ser lidos como comparação reportada, não como efeito causal estabelecido. O custo de treinamento foi de cerca de 234 minutos, mais cerca de quatro horas para gerar os embeddings de eventos.