Previsibilidade operacional em cadeias agroindustriais tropicais: como um painel preditivo baseado em machine learning reduziu a incerteza operacional na cadeia do coco

Este Trabalho Aplicado abordou a incerteza no planejamento tático da cadeia produtiva do coco, causada pela alta variabilidade do Yield (volume de água por fruto), que impactava diretamente a eficiência industrial, a logística e a gestão de riscos financeiros. A empresa operava com gestão reativa, sem capacidade de antecipar volume e qualidade da matéria-prima. O objetivo principal foi propor e validar um sistema de gestão preditiva, baseado em Machine Learning, para transformar essa incerteza em informação acionável, otimizando o planejamento tático e o controle de qualidade. Adotou-se abordagem mista por meio de Pesquisa-Ação, com três oficinas colaborativas (Diagnóstico, Análise e Intervenção) que envolveram stakeholders na cocriação da solução. A análise de séries temporais identificou correlação robusta (r = 0,89) entre a variável Inflorescência e o Yield, com defasagem de quatro meses. Essa descoberta permitiu construir um modelo Random Forest com elevada acurácia (R² = 0,8963). A intervenção realizada pelo pesquisador validou um Painel de Gestão Preditiva que integra previsão estratégica com um KPI de alerta operacional: o Desvio-Padrão dos parâmetros físico-químicos, para garantir a uniformidade dos lotes colhidos. O estudo conclui que a solução oferece à empresa uma janela de previsibilidade de 4 meses, convertendo incerteza em informação acionável e elevando a eficiência industrial.