Forecast operacional com incerteza — baselines, backtest temporal, fan charts e what-ifs de estoque.
Operational forecasting with uncertainty — baselines, temporal backtesting, fan charts and inventory what-ifs.
PT-BR · English · Live Demo · Stack · Architecture · Quick Start · Author
ForecastOps é um MVP lab de previsão operacional com incerteza: baselines, backtesting temporal, fan charts e what-ifs de inventário sobre dados sintéticos.
Aviso de lab: demo de portfólio com dados sintéticos/amostra. Não é produto em produção com SLA, integrações reais de clientes ou garantia operacional.
Previsões pontuais sem incerteza induzem falsa precisão. Operações precisam de fan charts e backtest, não só um número mágico.
- Analistas de demand planning
- Ops de estoque e supply leve
- Portfólio de forecasting aplicado
- Baselines de forecast
- Backtesting temporal
- Fan charts de incerteza
- What-ifs de inventário
- Decision Engine — ranking dual por acurácia e por custo operacional
- Export estático para GitHub Pages
A mesma série é avaliada duas vezes: por acurácia estatística (RMSE/MAE/MASE)
e pelo custo operacional que as decisões induzidas geram — stockout, holding e
waste sob uma política explícita (data/policies/default.yml).
Counterexample dourado (fixture sintética determinística, travada por teste):
| Modelo | RMSE | Custo operacional/fold |
|---|---|---|
| seasonal_naive | 7.58 (melhor) | 774.9 (pior) |
| naive | 22.88 | 615.2 (melhor) |
O vencedor de RMSE planeja buffers enxutos que estouram nos picos promocionais ($8/unidade de stockout vs $0.35/unit·dia de holding). Reduzir o custo de stockout para ≤ $4 inverte o vencedor — comprove no slider da demo.
Método completo: docs/DECISION_FORECASTING_METHOD.md.
- É: lab de forecasting operacional em dados sintéticos.
- Não é: previsão financeira de produção, trading, AutoML forecasting enterprise.
ForecastOps is an operational forecasting MVP lab with uncertainty: baselines, temporal backtesting, fan charts and inventory what-ifs on synthetic data.
Lab notice: portfolio demo with synthetic/sample data. Not a production product with SLA, real customer integrations, or operational guarantees.
Point forecasts without uncertainty create false precision. Operations need fan charts and backtests, not a magic number.
- Demand-planning analysts
- Light inventory/supply ops
- Applied forecasting portfolio reviewers
- Forecast baselines
- Temporal backtesting
- Uncertainty fan charts
- Inventory what-ifs
- Decision Engine — dual ranking by accuracy vs operational cost (see PT-BR section; test-locked counterexample: best-RMSE model is the most expensive to run)
- Static export for GitHub Pages
- Is: operational forecasting lab on synthetic data.
- Is not: production financial forecasting, trading, enterprise AutoML forecasting.
URL: https://barujafe1.github.io/ForecastOps/
Demo hospedada para avaliação de portfólio / Hosted for portfolio review.
Lab demo — synthetic / sample data unless noted. Not a production SLA product.
| Tecnologia | Uso no projeto |
|---|---|
| Next.js 15 / React 19 / TypeScript | UI (incl. build:gh-pages) |
| Recharts / Lucide | Fan charts e UI |
| FastAPI / Pandas / NumPy / SciPy | Modelos e API |
| Pytest / Ruff | Qualidade |
Monorepo com API FastAPI, web Next (export estático para Pages) e �pi/index.py para wiring futuro.
xt ForecastOps/ ├── api/index.py ├── apps/ │ ├── api/ │ └── web/ ├── assets/ ├── data/seed/ ├── docs/methodology.md ├── scripts/ ├── start.bat └── vercel.json
- Node.js 20+
- Python 3.12+
- npm
�ash git clone https://github.com/BarujaFe1/ForecastOps.git cd ForecastOps
�at start.bat
Sobe API em :8000 e web em :3000.
`�ash
cd apps/api python -m venv .venv
pip install -r requirements.txt uvicorn app.main:app --reload --port 8000 `
`�ash
cd apps/web npm install npm run dev `
Copie .env.example se precisar de NEXT_PUBLIC_API_URL.
Para Pages: cd apps/web && npm run build:gh-pages.
- Incerteza explícita (fan charts) como requisito de produto.
- GitHub Pages para demo estática estável.
- Backtest temporal para evitar overfit de narrativa.
- Baselines, backtest, fan charts, what-ifs, Pages demo
- Decision Engine: ranking dual, sensibilidade de custos, counterexample dourado testado (52 testes, G1–G6)
- Mais baselines
- Ligação opcional API em Vercel
- Cenários multi-SKU
Developed by Felipe Alirio Baruja.
- Portfolio: https://barujafe.vercel.app/
- GitHub: github.com/BarujaFe1
- LinkedIn: linkedin.com/in/barujafe
- Repository: github.com/BarujaFe1/ForecastOps
MIT License.
See LICENSE for details.
ForecastOps
Previsão operacional com incerteza explícita.
Operational forecasts with explicit uncertainty.