Análise Preditiva de Conversão Alimentar em Avicultura

Contexto

A conversão alimentar (kg de ração por kg de frango produzido) é o indicador que define a margem de uma integradora avícola. A base tinha 5.813 lotes e 40 variáveis cobrindo o ciclo produtivo inteiro — alojamento, nutrição, genética, mortalidade semanal, abate. A pergunta do negócio: dá para prever a eficiência de um lote, e o que mais a afeta?

Decisões técnicas

Escolher k pela generalização, não pelo melhor resultado de teste. O k com maior R² de teste estava em overfitting evidente (k=5: R² treino 0,48 contra teste 0,24). O critério adotado foi o menor k com ΔR² ≤ 0,05, confirmado por validação cruzada 5-fold — chegou em k=25. É uma escolha que piora o número na tabela e melhora o modelo.

Ajustar o pré-processamento só no treino. StandardScaler com fit exclusivamente no conjunto de treino. Sem isso, informação do teste vaza para o modelo e a métrica mente.

Traduzir o erro para a linguagem de quem paga. Um MAE de 0,0264 não significa nada sozinho. Aplicado a um lote típico de 92.000 kg de frango, vira ~2.400 kg de ração — 1,5% do consumo. Esse é o número que a integradora entende.

Resultado

O modelo linear (SGD) venceu o KNN por larga margem: R² de 0,56 contra 0,24, e com menos overfitting. O resultado sugere relação predominantemente linear e aditiva entre as variáveis produtivas e a conversão — cenário em que buscar vizinhos num espaço de 99 dimensões perde eficácia.

O insight de negócio foi mais valioso que o modelo: mortalidade tardia é o maior driver isolado da conversão alimentar (r = 0,50 para mortalidade acumulada até 49 dias). E a correlação cresce ao longo do ciclo — ave que morre na semana 7 já consumiu quase toda a ração sem entregar peso no abate. A recomendação prática foi concentrar biosseguridade nas semanas 5 a 7, alavanca maior que ajustes de nutrição ou genética.

Aprendizados

R² de 0,56 é teto modesto — clima, qualidade do lote de ração e manejo diário ficaram fora da base. Modelos de árvore provavelmente capturariam interações que a regressão linear não vê, mas estavam fora do escopo da matéria. E há uma limitação de uso real: parte das variáveis só é conhecida no fim do ciclo, o que restringe a aplicação preditiva antes do abate. Uma versão seguinte usaria apenas o que se sabe no dia do alojamento.