Análise de orçamentos estimativos de esquadrias de pvc através de modelos de machine learning

Abstract

A elaboração de orçamentos é essencial na construção civil para assegurar o controle dos custos e a viabilidade de projetos. Métodos convencionais nem sempre conseguem lidar com a complexidade dos dados e as diversas variáveis envolvidas, especialmente no setor de esquadrias de PVC, onde os custos variam de acordo com fatores como dimensões, acabamento, complexidade do modelo, condições climáticas e de transporte. Nesse contexto, técnicas de Machine Learning (ML) oferecem soluções inovadoras, permitindo a análise de grandes volumes de dados e a geração de previsões de custo. Este trabalho tem como objetivo analisar a aplicação de técnicas de ML na estimativa de orçamentos para esquadrias de PVC, avaliando sua eficácia e aplicabilidade prática. Utilizando um banco de dados real cedido pela empresa Smart Center Comércio de Materiais de Construção EIRELI, que contém informações de orçamentos entre 2019 e 2024, foram aplicados os algoritmos de árvore de decisão e floresta aleatória. A partir de métricas como o Erro Médio Absoluto (MAE) e o coeficiente de determinação (R²), foi possível validar o desempenho dos modelos em relação aos métodos convencionais de orçamentação. Os resultados indicam que o modelo de floresta aleatória apresentou melhor desempenho, com um R² de 0,79 e um MAE de R$ 30.543,33, enquanto o modelo de árvore de decisão obteve um R² de 0,68 e um MAE de R$ 37.058,78, evidenciando a superioridade da floresta aleatória na precisão das previsões. No entanto, o modelo de floresta aleatória não alcançou um R² ainda maior devido a limitações como a variabilidade nos dados, ausência de variáveis que pudessem capturar melhor algumas condições específicas dos projetos e a influência de outliers nos dados de orçamentos. Esses fatores reduziram a capacidade do modelo de explicar completamente a variação nos custos, demonstrando que, embora o ML tenha um potencial significativo, ajustes e inclusão de novas variáveis podem ser necessários para uma previsão ainda mais precisa.