Aplicação de Métodos de Previsão de Vendas

UNIVERSIDADE DO ESTADO DE SANTA CATARINA
CENTRO DE CIÊNCIAS TECNOLÓGICAS

DEPARTAMENTO DE ENGENHARIA DE PRODUÇÃO E SISTEMAS
PATRÍCIA BUDAL BRUNATO
APLICAÇÃO DE MÉTODOS DE PREVISÃO DE

SÉRIES TEMPORAIS EM UMA INDÚSTRIA TÊXTIL
JOINVILLE, SC
2015
APLICAÇÃO DE MÉTODOS DE PREVISÃO DE SÉRIES TEMPORAIS EM UMA

INDÚSTRIA TÊXTIL
Trabalho de Conclusão apresentado ao Curso

de Engenharia de Produção e Sistemas, da
Universidade do Estado de Santa Catarina,
como requisito parcial para a obtenção do
título de Engenheira de Produção e Sistemas.
Orientadora: Prof.ª Elisa Henning, Dra.
JOINVILLE, SC
2015
APLICAÇÃO DE MÉTODOS DE PREVISÃO DE SÉRIES TEMPORAIS EM UMA

INDÚSTRIA TÊXTIL
Trabalho de Conclusão apresentado ao Curso de Engenharia de Produção e Sistemas, da

Universidade do Estado de Santa Catarina, como requisito parcial para a obtenção do título de
Engenheira de Produção e Sistemas.
Banca Examinadora:
Orientadora:
______________________________________
Elisa Henning, Dra.
Universidade do Estado de Santa Catarina
Membro:
______________________________________
Membro:
______________________________________
Joinville, Novembro de 2015.

Dedico este trabalho à minha mãe, Érica, por
ser a grande responsável pela minha formação
pessoal e profissional, e por ter me preparado
para todos os desafios que a vida possa me
apresentar.
AGRADECIMENTOS
Agradeço à minha família por todo o apoio oferecido durante a graduação, e por
sempre terem confiado no meu sucesso.
Agradeço à minha mãe, Érica, por ter sido minha grande incentivadora e exemplo em
toda minha vida acadêmica e profissional, ressaltando a importância da educação. Agradeço
também por ter sempre me apoiado em todas as minhas decisões, pelo seu carinho e
dedicação em todos os momentos.
Ao meu padrasto, Paulo, por ter sido minha referência como Engenheiro e pelo seu
grande reconhecimento profissional. Além disso, por ter sido muitas vezes a quem eu recorri
quando tive dúvidas e hesitações, e acima de tudo, por ter sido sempre um grande amigo.
Ao meu namorado, André, por ter sido meu grande companheiro durante a minha
graduação. Agradeço por toda a paciência e tempo dedicado. Por compreender minha
ausência, quando foi necessária. Por me incentivar todos os dias e me animar quando mais
precisei. E, principalmente, por acreditar em mim em todos esses momentos.
À minha irmã, Ana, por ter sido uma grande amiga sempre que precisei.
À minha orientadora, Elisa, por sua dedicação, conhecimento e competência durante
toda a minha graduação. Por ter sido um exemplo como professora, o que me proporcionou
desenvolver um grande interesse por Estatística. Por seu esforço para me orientar neste
trabalho, esclarecendo minhas dúvidas e me guiando pelo melhor caminho.
Agradeço aos amigos que conheci na UDESC, que permitiram que a minha graduação
fosse muito mais leve e interessante. Em especial à Amanda, que teve uma grande
contribuição neste trabalho.
RESUMO
Durante a última década, a indústria têxtil brasileira experimentou constantes flutuações de

demanda. O setor vive uma perda progressiva de participação de mercado, especialmente
devido ao suprimento da sua demanda por produtos importados. Nesse contexto, é necessário
que o planejamento dessas indústrias seja realizado de forma cautelosa, com enfoque no
gerenciamento da produção e estoque. Portanto, uma previsão de vendas eficaz é
imprescindível para a manutenção de sua competitividade no mercado. Este trabalho tem
como objetivo o desenvolvimento de uma previsão de vendas para uma indústria têxtil, por
meio da aplicação de métodos de previsão de séries temporais. Para tanto, as metodologias
estatísticas selecionadas foram os métodos de suavização exponencial, e modelos
autorregressivos de médias móveis (ARIMA). Diversos modelos foram testados e
comparados em relação à sua adequação e qualidade. Modelos provenientes de diferentes
metodologias também foram confrontados, com o intuito de selecionar o modelo mais eficaz.
O modelo selecionado apresentou resultados satisfatórios, e poderá ser utilizado como
ferramenta auxiliar no gerenciamento da empresa. Por fim, o modelo proposto neste trabalho
foi comparado ao modelo de previsão utilizado atualmente pela empresa, que não utiliza uma
metodologia específica no seu desenvolvimento. A partir da análise, foi possível definir que o
modelo proposto apresenta uma alternativa com maior acurácia e estabilidade para realizar
previsões. Assim, é evidenciado que, com a aplicação de metodologias estatísticas, a indústria
será capaz de desenvolver modelos de melhor qualidade, com menores erros de previsão e
maior confiabilidade.
Palavras-chave: Previsão de Vendas. Métodos de Previsão. Séries Temporais. Indústria

Têxtil.
LISTA DE ILUSTRAÇÕES
Figura 1 – Balança comercial de artigos têxteis para o lar (em milhões de US$) .................... 14
Figura 2 – Fluxo de informação entre as previsões de vendas e o planejamento do negócio .. 16
Figura 3 – Fluxograma do processo de previsão de vendas ..................................................... 18
Figura 4 – Classificação dos métodos de SE quanto à tendência e sazonalidade .................... 22
Figura 5 – Classificação dos métodos de SE quanto ao erro, tendência e sazonalidade .......... 22
Figura 6 – Exemplo de gráfico de uma série temporal estacionária ......................................... 24
Figura 7 – Gráfico de ACF de um MA(1) ................................................................................ 24
Figura 8 – Descrição do modelo geral ARIMA sazonal .......................................................... 25
Figura 10 – Histograma da série ............................................................................................... 34
Figura 11 – Apresentação da série “vendas” ............................................................................ 34
Figura 12 – Gráfico da série decomposta ................................................................................. 35
Figura 13 – Gráficos de ACF dos modelos 3, 5 e 6 ................................................................. 37
Figura 14 – Gráficos de ACF dos modelos 1, 2 e 4 ................................................................. 38
Figura 15 – Gráficos ACF e PACF da série vendas ................................................................. 39
Figura 16 – Modelo A .............................................................................................................. 40
Figura 17 – ACF e PACF do Modelo A ................................................................................... 41
Figura 18 – ACF e PACF do modelo ARIMA (1,0,1) (0,1,1)₁₂ com drift............................... 46
Figura 19 – Gráfico da previsão para o Modelo B. .................................................................. 47
Figura 20 – Comparação entre os valores observados e as previsões ...................................... 49
LISTA DE TABELAS
Tabela 1 – Produção mundial de têxteis em 2012 .................................................................... 13

Tabela 2 – Testes de normalidade da série vendas ................................................................... 33
Tabela 3 – Testes de estacionariedade da série ........................................................................ 35
Tabela 4 – Comparação da adequação dos modelos de HW .................................................... 37
Tabela 5 – Comparação das medidas de qualidade dos modelos de HW................................. 38
Tabela 6 – Comparação entre modelos com e sem drift........................................................... 41
Tabela 7 – Comparação da adequação dos modelos ARIMA .................................................. 42
Tabela 8 – Comparação das medidas de qualidade dos modelos ARIMA ............................... 43
Tabela 9 – Comparação dos erros dos modelos ARIMA ......................................................... 43
Tabela 10 – Comparação dos critérios AIC, AICc e BIC ........................................................ 44
Tabela 11 – Comparação dos erros dos modelos ARIMA e SE ............................................... 45
Tabela 12 – Comparação dos erros percentuais das previsões ................................................. 45
Tabela 13 – Valores de Previsão do Modelo B ........................................................................ 47
Tabela 14 – Comparação entre a previsão proposta e a atual ................................................... 48
Tabela 15 – Erros das previsões proposta e atual ..................................................................... 49
LISTA DE ABREVIATURAS
ABIT Associação Brasileira da Indústria Têxtil e de Confecção

ACF Autocorrelation Function – Função de Autocorrelação
AR Autorregressivo
ARMA Autoregressive Moving Average – Autorregressivo de Média Móvel
ARIMA Autoregressive Integrated Moving Average – Autorregressivo Integrado de Média
Móvel
ERP Enterprise Resource Planning – Sistema de Gestão Empresarial
HW Suavização Exponencial de Holt-Winters
MA Moving Average – Média Móvel
MAE Mean Absolute Error – Erro Absoluto Médio
MAPE Mean Absolute Percentual Error – Erro Percentual Absoluto Médio
ME Mean Error – Erro Médio
MMS Médias Móveis Simples
MSE Mean Square Error – Erro Quadrático Médio
PACF Partial Autocorrelation Function – Função de Autocorrelação Parcial
PCP Planejamento e Controle da Produção
SARIMA Seasonal Autoregressive Integrated Moving Average – Autorregressivo Integrado
de Média Móvel Sazonal
SE Suavização Exponencial
SEH Suavização Exponencial de Holt
SES Suavização Exponencial Simples
SUMÁRIO
1 INTRODUÇÃO ............................................................................................................. 11
2 REVISÃO BIBLIOGRÁFICA ..................................................................................... 13
2.1 PANORAMA DO SETOR TÊXTIL .............................................................................. 13
2.2 PREVISÃO DE VENDAS .............................................................................................. 15
2.2.1 Métodos de Previsão de Vendas ................................................................................... 16
2.3 SÉRIES TEMPORAIS .................................................................................................... 19
2.4 MÉTODOS DE SUAVIZAÇÃO EXPONENCIAL ....................................................... 20
2.4.1 Médias Móveis Simples (MMS) .................................................................................... 20
2.4.2 Suavização Exponencial Simples (SES) ....................................................................... 21
2.4.3 Suavização Exponencial de Holt (SEH) ....................................................................... 21
2.4.4 Suavização Exponencial Sazonal de Holt-Winters (HW) .......................................... 21
2.4.5 Classificação dos Métodos de Suavização Exponencial ............................................. 21
2.4.6 Comparação entre os Métodos de Suavização Exponencial ...................................... 22
2.5 MÉTODO ARIMA ......................................................................................................... 23
2.5.1 Modelo ARIMA Não Sazonal ....................................................................................... 23
2.5.2 Modelo ARIMA Sazonal ............................................................................................... 25
2.5.3 Modelo ARIMA com drift ............................................................................................. 25
2.5.4 Metodologia Box-Jenkins .............................................................................................. 25
2.6 ADEQUAÇÃO DO MODELO ...................................................................................... 26
2.7 SELEÇÃO DO MODELO .............................................................................................. 27
3 PROCEDIMENTOS METODOLÓGICOS ............................................................... 29
3.1 MÉTODO DE PESQUISA ............................................................................................. 29
3.2 COLETA E PROCEDIMENTOS PARA ANÁLISE DOS DADOS ............................. 30
4 APRESENTAÇÃO E ANÁLISE DOS RESULTADOS ............................................ 31
4.1 Apresentação da empresa ................................................................................................ 31
4.2 DESCRIÇÃO DO PROBLEMA..................................................................................... 31
4.3 APRESENTAÇÃO DOS DADOS ................................................................................. 33
4.3.1 Análise Exploratória dos Dados ................................................................................... 33
4.4 DIAGNÓSTICO DOS MODELOS ................................................................................ 36
4.4.1 Modelos de Suavização Exponencial (SE) ................................................................... 36
4.4.2 Modelos Autorregressivos Integrados de Médias Móveis (ARIMA) ........................ 39
4.5 SELEÇÃO DO MODELO .............................................................................................. 44
4.5.1 Apresentação do Modelo Selecionado ......................................................................... 46
4.6 COMPARAÇÃO DO MODELO PROPOSTO COM O UTILIZADO PELA
EMPRESA.......................................................................................................................48
6 CONSIDERAÇÕES FINAIS ....................................................................................... 50
REFERÊNCIAS BIBLIOGRÁFICAS ........................................................................ 52
11
1 INTRODUÇÃO
O principal desafio de uma organização na atualidade é manter-se competitiva no

mercado, frente a constantes mudanças. Dessa forma, o planejamento torna-se uma
ferramenta essencial para o gerenciamento de uma empresa. Segundo Weston e Brigham
(2000), o processo de planejamento se inicia com uma previsão de vendas. A previsão é uma
declaração do futuro, que auxilia na criação de um planejamento realista (STEVENSON,
2001 apud PEINADO; GRAEML, 2007).
A gestão da demanda é de grande importância para uma empresa, pois o planejamento
da produção é feito com base nos dados estimados nas previsões (FLEURY; BATALHA,
2009). Assim, é de suma importância que a organização não somente efetue previsões, como
tenha conhecimento das variáveis que podem impactar na sua demanda, e consequentemente
nos recursos necessários para sua produção.
De acordo com a Associação Brasileira da Indústria Têxtil e de Confecção (ABIT,
2015), durante a última década, o setor têxtil brasileiro tem sofrido constantes alterações. O
setor vive uma perda progressiva de participação de mercado devido ao suprimento da
demanda por produtos importados. Essa instabilidade do setor faz com que o planejamento
das indústrias têxteis seja ainda mais cauteloso, evitando a produção excessiva e prejuízos.
Nesse cenário, uma previsão de vendas adequada é necessária para o dimensionamento
correto da produção e seus recursos.
Contudo, algumas organizações – especialmente pequenas e médias empresas – ainda
desconfiam da eficácia das previsões, visto que previsões mal elaboradas podem acarretar um
grande prejuízo (PEINADO; GRAEML, 2007). Alguns fatores são determinantes na
elaboração de uma previsão. Dentre estes, podemos destacar: a confiabilidade dos dados; a
identificação das principais variáveis que podem influenciar o modelo; o nível de
conhecimento do responsável pelo desenvolvimento dos modelos; o horizonte de tempo; a
escolha pelo método mais adequado por meio da análise dos dados; e o monitoramento do
modelo selecionado.
Basicamente, podem-se dividir os métodos de previsão em duas grandes categorias:
métodos qualitativos e métodos quantitativos. Os métodos qualitativos são subjetivos,
baseados nas opiniões de especialistas, enquanto os métodos quantitativos utilizam séries
históricas de dados e modelos estatísticos (MONTGOMERY; JENNINGS; KULAHCI,
2008). Os métodos quantitativos podem, ainda, ser classificados em econométricos ou de
séries temporais. De acordo com Ehlers (2008), séries temporais são conjuntos de
12
observações feitas ao longo do tempo, ordenadas cronologicamente. Previsões a partir de

séries temporais utilizam apenas os dados históricos, sem pesquisar possíveis variáveis
causais.
Assim, este trabalho tem como objetivo o desenvolvimento de uma previsão de vendas
para uma indústria têxtil, por meio da aplicação de métodos de previsão de séries temporais,
buscando o desenvolvimento de um modelo de alta qualidade. A pergunta de pesquisa que se
busca solucionar, é se, por meio da aplicação de modelos estatísticos, é possível desenvolver
modelos de previsão com menores discrepâncias. Dentre os modelos desenvolvidos, será
selecionado o modelo mais adequado, com uma previsão de vendas que possibilite um auxílio
no gerenciamento da empresa. Esse modelo será, ainda, comparado ao utilizado atualmente
pela empresa, visto que se tem como objetivo construir uma previsão de melhor desempenho
que a existente.
Como objetivos específicos, tem-se a revisão bibliográfica e o embasamento teórico
acerca dos métodos de previsão; a seleção adequada da amostra; a análise exploratória dos
dados; a construção de modelos estatísticos de séries temporais a partir desses dados; a
seleção do modelo mais adequado, baseando-se na sua precisão; o desenvolvimento de uma
previsão de vendas para os meses conseguintes; e a comparação do modelo proposto com o
modelo utilizado pela empresa.
Este trabalho foi estruturado em cinco capítulos. O primeiro capítulo contempla a
introdução do trabalho, a definição do problema de pesquisa, os objetivos do trabalho e a
justificativa para a elaboração do mesmo. O segundo capítulo apresenta uma fundamentação
teórica de diversos conteúdos explorados no trabalho. Ele é iniciado com um panorama do
setor têxtil, e sua importância e desafios para a economia do país. A seguir, são abordados os
temas: previsão de vendas e sua relevância, séries temporais, métodos de previsão de vendas
de séries temporais – especialmente suavização exponencial (SE) e modelo autorregressivo
integrado de média móvel (ARIMA), adequação dos possíveis modelos e procedimentos para
a seleção do modelo adequado.
O terceiro capítulo é referente à metodologia utilizada neste trabalho, definindo o
método de pesquisa, coleta e análise de dados. O quarto capítulo apresenta uma breve
apresentação da empresa, análise exploratória dos dados, e os modelos estatísticos propostos.
Após a análise desses modelos, é selecionado um modelo para realizar uma previsão
apropriada para a empresa. A seguir, é realizada uma comparação entre o modelo sugerido
com o modelo atual de previsão. Por fim, o quinto capítulo apresenta o resultado final deste
trabalho, e relaciona os objetivos e conclusões a respeito do mesmo.
13
2 REVISÃO BIBLIOGRÁFICA
2.1 PANORAMA DO SETOR TÊXTIL
O setor têxtil é um dos mais tradicionais do país, tendo iniciado suas atividades no
final do século XIX. Por muito tempo, esse setor experimentou um protecionismo que
garantia que, independente das condições ou práticas comerciais, as empresas permanecessem
competitivas no mercado. A partir da década de 90, com a queda das barreiras tarifárias, a
indústria vivenciou um período crítico, quando passou a competir com indústrias
internacionais, e, portanto, atentar-se a fatores como a produtividade e qualidade dos produtos
(AZEVEDO, 1997).
A globalização permitiu que grande parte da produção mundial fosse deslocada para
países emergentes em busca de uma redução no custo de produção, especialmente referente à
mão de obra (COSTA; ROCHA; 2009). Em 2012, China e Hong Kong foram os principais
produtores mundiais, com o equivalente a 54,0% da produção mundial (ABIT, 2015). Nesse
mesmo ano, o Brasil ocupou a quinta posição no ranking mundial dos maiores produtores de
manufaturas têxteis, respondendo por 2,7% do total produzido, como mostra a Tabela 1.
Tabela 1 – Produção mundial de têxteis em 2012

Países Produção (em 1000 t) Percentual
China/Hong Kong 43152 54,0%
Índia 6299 7,9%
Estados Unidos 5000 6,3%
Paquistão 3230 4,0%
Brasil 2143 2,7%
Indonésia 1945 2,4%
Taiwan 1861 2,3%
Turquia 1527 1,9%
Coreia do Sul 1445 1,8%
Outros 13245 16,6%
Total 19847 100%
Fonte: Adaptado de IEMI (apud ABIT, 2015)
14
O setor têxtil, juntamente com o setor de confecção, tem uma grande participação na
economia nacional, representando 5,7% do valor total da produção da indústria da
transformação. Unidos, os dois setores correspondem a 33.000 empresas, com um
faturamento de US$55,4 bilhões em 2014. Apesar de ser um grande produtor e consumidor de
produtos têxteis, o Brasil tem sua participação no mercado mundial reduzida, representando
aproximadamente 0,5% dos exportadores (ABIT, 2015). Para que possa ter um valor mais
expressivo no mercado internacional, é necessário o desenvolvimento de novas políticas e
estratégias competitivas.
Em relação ao mercado interno, nota-se que houve um aumento do consumo nos
últimos anos, acompanhada de uma queda da produção têxtil no Brasil. Isso representa a
perda de participação da indústria nacional, que tem sua demanda sendo substituída
progressivamente por produtos importados (ABIT, 2015). O resultado da balança comercial
(Figura 1) evidencia esse fato: entre 2009 e 2013, houve uma queda 22,3% ao ano nas
exportações. Em contrapartida, no mesmo período, as importações tiveram um crescimento de
30,2% ao ano (IEMI, 2014).
Figura 1 – Balança comercial de artigos têxteis para o lar (em milhões de US$)
400000
300000
200000
100000 Exportação
0 Importação
-100000 2009 2010 2011 2012 2013
Saldo
-200000
-300000
-400000
Fonte: Adaptado de IEMI (2014)
Visto o cenário atual do setor, é imprescindível para as indústrias têxteis que realizem
um planejamento capaz de manter a empresa competitiva no mercado, garantindo assim sua
permanência. Nesse contexto, a previsão de vendas mostra-se uma ferramenta eficaz para
auxílio no desenvolvimento do planejamento estratégico da empresa, assim como o
dimensionamento correto da produção e estoques.
15
2.2 PREVISÃO DE VENDAS
A previsão é uma predição de um evento futuro (MONTGOMERY; JENNINGS,

KULAHCI, 2008). Ela é parte integral da tomada de decisão gerencial de uma organização. A
necessidade de predizer tem aumentado ao longo dos anos, visto a incerteza dos mercados e
aumento de concorrentes em todos os setores. Segundo Stevenson (2001, apud PEINADO;
GRAEML, 2007), as previsões auxiliam os gerentes a limitar as incertezas, permitindo-lhes
planejar estratégias mais realistas. Chase et al. (2006, apud PEINADO; GRAEML, 2007, p.
330) ainda complementam que uma previsão “é a base para o planejamento corporativo de
longo prazo”.
Elaborar previsões é uma atividade que atinge diversos setores de uma indústria.
Comumente, relacionamos as previsões com os departamentos de marketing e comercial. As
previsões definidas serão utilizadas para o planejamento da produção, para dimensionar as
atividades, definir os recursos humanos e materiais necessários, e realizar o controle de
estoques (MONTGOMERY; JENNINGS; KULAHCI, 2008).
Contudo, essas previsões também são utilizadas para realizar o planejamento e
controle financeiro da empresa. A partir desse planejamento financeiro, a organização avalia
os resultados esperados e define um plano de ações para atingir esses resultados. A relação
entre os diversos departamentos de uma empresa e a previsão de vendas está descrita na
Figura 2. De acordo com a figura, nota-se a relevância do desenvolvimento de previsões para
o planejamento estratégico da organização como um todo, assim como seu impacto em cada
setor. Reconhecer a relevância de realizar previsões no contexto organizacional e gerencial é
tão importante quanto a seleção do método de previsão em si (MAKRIDAKIS;
WHEELWRIGHT; HYNDMAN, 1998).
Em determinadas organizações, é comum que haja uma confusão entre os termos
previsão de vendas e meta de vendas. É importante ressaltar que essas variáveis são distintas:
enquanto a previsão de vendas representa um nível esperado de vendas, a meta está
relacionada com o potencial de mercado e potencial de vendas da empresa (KOTLER;
KELLER, 2012). Dessa maneira, é necessário que os gestores façam a separação desses
parâmetros, e que suas respectivas análises também sejam feitas de acordo com a metodologia
mais adequada.
Substancialmente, as previsões podem ser classificadas em previsões de curto, médio e
longo termo. As previsões de curto prazo são as mais precisas, pois estão sujeitas a menos
incertezas. Geralmente abrangem o período de um a três meses, e a partir delas são
16
desenvolvidos o planejamento e a execução das atividades de produção. As previsões de

médio prazo contemplam um horizonte de aproximadamente um ano, e são utilizadas para o
planejamento agregado da produção. Já as previsões de longo prazo – de um a cinco anos –
tem uma margem de erro mais considerável, e são utilizadas para as decisões relacionadas à
estratégia da empresa (PEINADO, GRAEML, 2007). Neste trabalho, serão desenvolvidas
previsões de curto a médio prazo, nas quais os métodos estatísticos discutidos posteriormente
têm grande utilidade e acurácia.
Figura 2 – Fluxo de informação entre as previsões de vendas e o planejamento do negócio

Departamentos Atividades e Variáveis Estudadas Saídas para o
Envolvidos Planejamento e Tomada
de Decisão
Distribuição - Competitividade
- Eficiência dos canais de distribuição
Marketing - Propaganda e força de vendas Planejamento de Previsão

- Preços Marketing de Vendas
- Produtos e características ou novos
produtos
- Controle de estoques
Organização da - Capacidade Planejamento de Produção

Produção - Mão de obra
- Métodos produtivos e custos
Planos e
- Novos produtos agendados
Decisões da
- Controle de estoques
Empresa
Organização - Fluxo de caixa Planejamento Financeiro
Financeira - Recebíveis
- Política de crédito
- Fundos
- Análise de riscos
Escritório - Metas da organização: Lucros, retorno Objetivos da Empresa

Executivo de investimento, participação de mercado,
crescimento, liderança de produtos.
Fonte: Adaptado de Makridakis, Wheelwright e Hyndman (1998)
2.2.1 Métodos de Previsão de Vendas
Atualmente, existem diversos tipos de métodos de previsão, variando de métodos

simples e intuitivos aos mais complexos e quantitativos (MORETTIN; TOLOI, 2006).
17
Segundo Makridakis, Wheelwright e Hyndman (1998), os métodos de previsão variam de

acordo com o seu horizonte de previsão, tipos de padrões de dados, entre outros aspectos.
Existem duas grandes categorias que separam os diversos métodos existentes: os métodos
qualitativos e os métodos quantitativos.
Os métodos qualitativos são de natureza subjetiva e requerem a opinião de executivos
experientes. São utilizados quando a quantidade de dados é insuficiente ou inexistente, como
por exemplo, a introdução de um novo produto no mercado. Entretanto, ainda assim requerem
o conhecimento e a experiência de profissionais e potenciais consumidores. Em contrapartida,
os métodos quantitativos são utilizados quando há informação quantitativa suficiente e
disponível, promovendo o desenvolvimento dos modelos a partir de dados históricos
(MONTGOMERY; JENNINGS; KULAHCI, 2008).
Os métodos quantitativos podem, ainda, ser classificados em econométricos ou de
séries temporais (MORETTIN; TOLOI, 2006). Os métodos econométricos assumem que a
variável a ser predita apresenta uma relação causal com outras variáveis. Já os métodos de
séries temporais, estimam as previsões utilizando apenas os dados históricos, sem considerar
possíveis variáveis causais (MONTGOMERY; JENNINGS; KULAHCI, 2008).
De acordo com Makridakis, Wheelwright e Hyndman (1998), ambos os métodos
econométricos e de séries temporais têm vantagens distintas que variam de acordo com a
situação. Os autores afirmam que modelos causais devem ser utilizados para definição de
estratégias, enquanto modelos de séries temporais devem ser utilizados para realizar
previsões. Portanto, neste trabalho, serão utilizados os métodos quantitativos, mais
especificamente de séries temporais, visto que a empresa possui uma quantidade significativa
de dados confiáveis que viabilizam esta análise.
Sabe-se que um erro na escolha do método de previsão pode acarretar em grandes
prejuízos para a empresa, visto que a previsão é a base do seu planejamento estratégico. Esse
fato pode gerar insegurança por parte dos administradores da organização. Shim (2009, p.
107) alega que:
O custo do erro de previsão pode ser substancial. O responsável por desenvolver as

previsões deve encontrar meios de aprimorar suas previsões. Isso significa que ele
deve examinar alternativas de técnicas de previsões. (Tradução nossa).
Dessa forma, a seleção e a aplicação do método correto são imprescindíveis para o

desenvolvimento de uma previsão com acurácia. O fluxograma da Figura 3 relaciona as
principais etapas do processo de previsão de vendas. A primeira etapa engloba a definição do
problema, que envolve o entendimento de como a previsão será utilizada, quem a utilizará, e
18
como o método atenderá os objetivos da organização. Na segunda etapa, deve ser realizada a
coleta de dados históricos, assim como a avaliação dos gerentes envolvidos no processo. A
seguir, o responsável deve fazer a análise exploratória dos dados, construindo gráficos e
decompondo a série de dados, caso seja necessário. O objetivo dessa etapa, é que a análise
aponte quais métodos de previsão são mais adequados para a série apresentada.
Na quarta etapa, a seleção dos métodos é efetivada, e inicia-se o ajuste dos modelos.
Diversos modelos devem ser testados, com o objetivo de encontrar o modelo com maior
acurácia e menores erros possíveis. Na próxima etapa, esse modelo selecionado pode ser
utilizado para predizer as vendas da organização. Entretanto, o desempenho desse modelo só
poderá ser avaliado efetivamente após os dados reais poderem ser comparados com os
preditos. A última etapa é de grande importância, pois o processo deve ser monitorado
continuamente para garantir bons resultados. Caso seja identificado algum desvio, é
necessário que o modelo seja reavaliado.
Figura 3 – Fluxograma do processo de previsão de vendas
Fonte: Primária (2015)

19
2.3 SÉRIES TEMPORAIS
Segundo Ehlers (2009, p. 1) “uma série temporal é uma coleção de observações feitas
sequencialmente ao longo do tempo”. A principal característica desse tipo de conjuntos de
dados é que suas observações são relacionadas, e que é possível analisar e modelar esta
relação, com o objetivo de estimar como essas observações se comportarão no futuro.
Os modelos adequados para descrever séries temporais são processos estocásticos.
Processos estocásticos são aqueles controlados por leis probabilísticas. Outro fato a respeito
de séries temporais é que devem ser estacionárias, ou seja, devem se desenvolver
aleatoriamente ao longo do tempo. De acordo com Box, Jenkins e Reinsel (1994), as
seguintes condições devem ser cumpridas para que a série seja estacionária:
- a série não deve apresentar evidência de mudança de média ao longo do tempo;
- a série deve apresentar variância constante ao longo do tempo.
Entretanto, ao trabalhar com dados reais, é comum encontrar séries não estacionárias.
Neste caso, é necessário transformar os dados para que formem uma série estacionária. Uma
forma de realizar esta transformação é realizar sucessivas diferenciações até a obtenção da
série desejada (MORETTIN, TOLOI, 2006).
As séries temporais possuem três componentes básicos: tendência, sazonalidade e
ciclo (SAMOHYL; SOUZA; MIRANDA, 2008). A tendência ocorre quando há um
crescimento ou decrescimento nos dados, a longo termo. A sazonalidade existe quando a série
é influenciada por fatores sazonais, como um período específico do ano, o mês, ou dia da
semana, por exemplo. Já o ciclo ocorre quando os dados variam em um período arbitrário. A
principal diferença entre a sazonalidade e o ciclo é que o último não apresenta constância de
ocorrência, como a sazonalidade. Os ciclos geralmente apresentam um período maior de
incidência, comparados aos períodos sazonais (MAKRIDAKIS, WHEELWRIGHT;
HYNDMAN, 1998).
Para analisar o comportamento desses parâmetros das séries temporais, podem ser
construídos gráficos específicos. A partir de um correlograma, por exemplo, é possível
analisar a estacionariedade de uma série temporal (EHLERS, 2009). Existe um tipo específico
de série temporal, conhecido como ruído branco, que possui as seguintes características:
ausência de correlação serial, variância constante, e média igual à zero. Idealmente, os
resíduos de um modelo de previsão devem ser um ruído branco (MONTGOMERY;
JENNINGS; KULAHCI, 2008).
20
Atualmente, existem diversos métodos estatísticos de previsão de séries temporais. A

seleção dos métodos e construção dos modelos depende de diversos fatores, como o
comportamento do fenômeno e o objetivo da análise (MORETTIN; TOLOI, 2006). Dentre
eles, podemos destacar os métodos de suavização exponencial, e métodos autorregressivos
integrados de médias móveis (ARIMA), que são os métodos utilizados para desenvolver os
modelos deste trabalho. Nas seções seguintes, optou-se por uma abordagem teórica desses
métodos, visto que os cálculos pertinentes serão realizados por meio do software R (R CORE
TEAM, 2015). Portanto, as equações dos métodos foram suprimidas.
2.4 MÉTODOS DE SUAVIZAÇÃO EXPONENCIAL
De acordo com Samohyl, Souza e Miranda (2008), os métodos de previsão por

suavização exponencial (SE) consistem na decomposição da série temporal nos parâmetros
tendência e sazonalidade, ponderando seus valores passados e os desvalorizando em relação
aos valores mais recentes. Esses modelos aceitam a hipótese que os valores extremos da série
temporal representam a aleatoriedade, e que, portanto, por intermédio da suavização desses
extremos é possível definir o padrão básico da série (MORETTIN; TOLOI, 2006).
Dentre esses métodos, quatro são os mais conhecidos: o método das Médias Móveis
Simples (MMS), a Suavização Exponencial Simples (SES), a Suavização Exponencial de
Holt (SEH), e a Suavização Exponencial Sazonal de Holt-Winters (HW). Os métodos e suas
principais características estão descritos brevemente a seguir, conforme Morettin e Toloi
(2008), Samohyl, Souza e Miranda (2008), Makridakis, Wheelwright e Hyndman (1998) e
Montgomery, Jennings e Kulahci (2008).
2.4.1 Médias Móveis Simples (MMS)
O método de médias móveis simples pode ser considerado o mais ingênuo dentre os
métodos desta categoria. Ele consiste em calcular a média aritmética das observações. O
termo “média móvel” é utilizado para descrever o procedimento porque a cada nova
observação, uma nova média pode ser computada, substituindo o dado mais antigo pelo mais
novo. Portanto, o método considera que todos os valores da série têm a mesma significância.
A principal desvantagem do método é que só pode ser utilizado em séries estacionárias.
21
2.4.2 Suavização Exponencial Simples (SES)
A suavização exponencial simples pode ser descrita por uma média ponderada que
atribui pesos maiores às observações mais recentes, em relação às observações anteriores que
têm seu peso decaído exponencialmente. Assim como o método de MMS, este método não
considera a tendência e a sazonalidade da série.
2.4.3 Suavização Exponencial de Holt (SEH)
Em 1957, Holt expandiu o método de suavização exponencial simples para ser

utilizado em séries com tendência linear. O método de Holt considera duas constantes para
realizar a previsão: nível e crescimento. O nível é calculado a partir da tendência da série
atual, enquanto o crescimento representa o crescimento futuro estimado. Contudo, o presente
método não apresenta uma boa alternativa para séries com sazonalidade.
2.4.4 Suavização Exponencial Sazonal de Holt-Winters (HW)
Em 1960, Winters aprimorou o método desenvolvido por Holt, permitindo que o

mesmo fosse utilizado em séries com tendência e sazonalidade. O método, conhecido como
Holt-Winters, além de conter as constantes de suavização de nível e crescimento, passou a
incluir a constante de sazonalidade. Na prática, Holt desenvolveu dois métodos diferentes, um
para sazonalidade aditiva (a sazonalidade é somada à tendência da série) e outro para
sazonalidade multiplicativa (a sazonalidade é multiplicada pela tendência).
2.4.5 Classificação dos Métodos de Suavização Exponencial
Hyndman et al. (2002) sugerem uma nomenclatura específica para a classificação dos
métodos descritos anteriormente em relação à tendência e sazonalidade, conforme mostra a
Figura 4. A primeira letra do método representa a tendência, enquanto a segunda letra
representa a sazonalidade. A letra “N” indica que o parâmetro é inexistente. A letra “A”
corresponde à aditivo, enquanto a letra “M” corresponde à multiplicativo. Caso a tendência
seja amortecida (utilizada em tendências não lineares), a classificação conterá a letra “a”.
22
Como exemplo, o modelo AA apresenta tendência e sazonalidade aditivas, e poderia ser

desenvolvido por intermédio do método de Holt-Winters.
Figura 4 – Classificação dos métodos de SE quanto à tendência e sazonalidade

Tendência Sem Sazonalidade Sazonalidade Aditiva Sazonalidade Multiplicativa
Nenhuma NN NA NM
Aditiva AN AA AM
Aditiva Amortecida AaN AaA AaM
Multiplicativa MN MA MM
Multiplicativa
MaN MaA MaM
Amortecida
Fonte: Adaptado de Hyndman et al. (2002).
Outra nomenclatura referente à categorização dos métodos de séries temporais

considera também o tipo de erro do modelo: aditivo (A) ou multiplicativo (M). Nesta
nomenclatura, a primeira letra denota o tipo de erro, a segunda letra remete à tendência e a
terceira letra corresponde à sazonalidade, como exemplificado na Figura 5. O modelo descrito
teria as seguintes características: erro aditivo, nenhuma tendência, e sazonalidade
multiplicativa.
Figura 5 – Classificação dos métodos de SE quanto ao erro, tendência e sazonalidade
2.4.6 Comparação entre os Métodos de Suavização Exponencial
Os quatro métodos apresentados anteriormente apresentam características

semelhantes, o que pode acarretar incertezas na seleção do modelo adequado. Os principais
componentes na decisão do método ideal de suavização exponencial são a existência (ou não)
dos fatores tendência e sazonalidade. Para séries estacionárias, podem ser utilizados os
métodos de MMS ou de SES. Já para séries com tendência, podem ser utilizados os métodos
de SEH ou de HW. Para as séries com sazonalidade, somente o método de Holt-Winters é
23
indicado, independente da existência de tendência. Essas variações devem ser identificadas

por meio de uma análise exploratória dos dados iniciais. Assim, será possível definir as
características da série, e realizar a seleção do modelo mais adequado.
2.5 MÉTODO ARIMA
O método ARIMA tem como intenção descrever a autocorrelação da série

(HYNDMAN; ATHANASOPOULOS, 2013). De acordo com Makridakis, Wheelwright e
Hyndman (1998), o método ARIMA surgiu a partir da junção do método autorregressivo
(AR) com o método de média móvel (MA), que resultava primariamente no método
autorregressivo de média móvel (ARMA). Entretanto, esse modelo poderia ser utilizado
somente para séries estacionárias. Com o intuito de estender seu uso para séries não
estacionárias, foi incorporado ao modelo um parâmetro de diferenciação da série (I),
resultando por fim, no processo autorregressivo integrado de média móvel.
Essa metodologia foi popularizada na década de 70 por Box e Jenkins, e revisada
posteriormente por Box, Jenkins e Reinsel em 1994. O conteúdo a seguir foi baseado no
trabalho dos autores Box, Jenkins e Reinsel (1994), Makridakis, Wheelwright e Hyndman
(1998), Morettin e Toloi (2006) e Hyndman e Athanasopoulos (2013).
2.5.1 Modelo ARIMA Não Sazonal
O modelo geral é conhecido como ARIMA (p, d, q), onde: p representa a ordem da
parte autorregressiva, d é referente ao processo de diferenciação envolvido, e q representa o
processo de média móvel. Contudo, sua utilização requer um maior conhecimento estatístico e
depende da análise correta dos dados para uma estimação correta dos parâmetros do modelo.
Para a estimação do parâmetro autorregressivo (p), é necessário analisar a função de
autocorrelação parcial (PACF), que mede o grau de associação entre as variáveis 𝑌𝑡 e 𝑌𝑡−𝑘
quando os efeitos das outras defasagens (1, 2, 3, ..., k - 1) são removidos. Neste trabalho,
optou-se por fazer essa análise a partir do gráfico da PACF, e por isso as equações pertinentes
não são citadas. A partir da análise, será possível identificar a ordem do parâmetro p do
modelo mais adequada.
Em relação ao processo de diferenciação (d), é necessário identificar, primeiramente,
se a série apresenta comportamento estacionário ou não. Esta análise pode ser feita a partir do
24
gráfico da série temporal. Um exemplo de gráfico de uma série estacionária é demonstrado na

Figura 6. Caso a série seja não estacionária, haverá uma mudança na média ao longo do
tempo, e sua variância não será constante.
Figura 6 – Exemplo de gráfico de uma série temporal estacionária
Fonte: Hyndman e Athanasopoulos (2013)
O gráfico da função de autocorrelação (ACF) também pode ser examinado, já que em

séries estacionárias os valores tendem à zero rapidamente. Além da análise gráfica, também
pode ser realizado o teste da raiz unitária, que determina se a diferenciação é necessária ou
não. Como exemplo, pode-se citar o teste de Dickey-Fuller, que pode ser realizado pelo
software R, que será utilizado para o desenvolvimento dos modelos neste trabalho.
Já o processo de média móvel q, pode ser estudado a partir da ACF da série. A ordem
mais adequada, neste caso, está relacionada com a mais alta defasagem antes de as
observações decaírem abruptamente. Geralmente, para séries com q = 1, que sugere um
processo MA(1), nota-se um pico na primeira observação e um decline tendendo a zero
exponencialmente, como exemplifica a Figura 7.
Figura 7 – Gráfico de ACF de um MA(1)
Contudo, é importante destacar que os parâmetros sugeridos por meio da análise são
modelos potenciais, e que diversos modelos devem ser testados com o intuito de determinar
qual deles é o mais adequado. A adequação e seleção do modelo ideal serão discutidas
posteriormente nesse capítulo.
25
2.5.2 Modelo ARIMA Sazonal
Com o método ARIMA também é possível desenvolver modelos de séries que

apresentam sazonalidade. O modelo geral então representado como ARIMA (p, d, q) adquire
uma componente sazonal, como mostra a Figura 8, onde m representa o número de períodos
de sazonalidade. Em algumas bibliografias, esses modelos são conhecidos também como
Seasonal Autoregressive Integrated Moving Average (SARIMA).
Figura 8 – Descrição do modelo geral ARIMA sazonal
Fonte: Adaptado de Hyndman e Athanasopoulos (2013)
A parte sazonal do modelo pode ser identificada através dos picos nos gráficos de
PACF e ACF. Um modelo ARIMA (0,0,0) (0,0,1)₁₂, por exemplo, no seu gráfico de ACF,
apresentará picos no período 12, e não terá outros picos significativos. Já no gráfico de PACF,
ele apresentará um decaimento exponencial nos picos múltiplos que representam a
sazonalidade (12, 24, 36, ...). Em alguns casos, pode ser necessário realizar diferenciações
sazonais na série, com o objetivo de torná-la estacionária.
2.5.3 Modelo ARIMA com drift
De acordo com Cribari Neto (1990, p. 382) por intermédio do teorema de Beveridge-
Nelson “(...) qualquer série que possa ser modelada através de um ARIMA (p,d,q) (...) possui
uma tendência estocástica do tipo passeio casual com drift”. Neste caso, o drift representa
uma tendência linear existente na série, que pode ser positiva ou negativa. A inclusão do drift
possibilita que essa tendência seja representada no modelo por meio de uma constante
(HYNDMAN, 2014). É importante ressaltar que, segundo Hyndman (2014), mesmo séries
diferenciadas podem conter constantes de tendências, e que o pesquisador deve determinar a
necessidade de incluí-las no modelo.
2.5.4 Metodologia Box-Jenkins

26
De acordo com a metodologia desenvolvida por Box e Jenkins, um ciclo iterativo de

atividades deve ser seguido para a escolha da estrutura do modelo ARIMA a ser elaborado. A
primeira etapa corresponde à identificação do modelo, e compreende a preparação dos dados
e análise exploratória, incluindo a construção dos correlogramas (ACF e PACF) para
identificação de modelos potenciais. Nessa etapa também é realizada a diferenciação da série,
caso necessário, até que a série torne-se estacionária. Já a segunda etapa, refere-se à estimação
dos parâmetros (p, q, d) de modelos potenciais.
Na terceira etapa, é realizada a verificação do diagnóstico, onde o modelo estimado é
checado para averiguar irregularidades. Nessa etapa, devem-se analisar as características dos
resíduos do modelo – os resíduos devem seguir uma distribuição normal, ter variância
constante, e não devem ser correlacionados. Caso falhe em alguns desses aspectos, o modelo
não é adequado e deve-se desenvolver um novo modelo. Dentre os modelos testados, é
selecionado o modelo mais adequado, analisando a sua acurácia, erros, e a parcimônia. Por
fim, a quarta e última etapa compreende o desenvolvimento da previsão de acordo com o
modelo selecionado.
2.6 ADEQUAÇÃO DO MODELO
No desenvolvimento dos modelos para realizar previsões, é necessário atentar-se a

algumas condições que devem ser satisfeitas. De acordo com Morettin e Toloi (2006), após a
estimação do modelo, é necessário constatar se representa adequadamente os dados. Essa
verificação pode ser realizada a partir dos resíduos do modelo. Os critérios a seguir devem ser
satisfeitos tratando-se tanto de modelos de SE, como de modelos ARIMA.
Primeiramente, os resíduos do modelo não devem ser correlacionados. Essa
característica pode ser analisada, primeiramente, por meio dos correlogramas, onde os
resíduos devem ter as características de um ruído branco (Figura 9), ou seja, os valores
descritos não ultrapassam os limites de controle do gráfico. Makridakis, Wheelwright e
Hyndman (1998) sugerem que, além da análise gráfica, também sejam realizados testes para a
confirmação do resultado. Para a correlação dos resíduos, os autores recomendam que sejam
realizados os testes Box-Pierce e Ljung-Box. Ambos os testes aceitam a hipótese que se p-
valor > α, os resíduos não são correlacionados. Neste trabalho, o nível de significância (α)
considerado será de 5%.
27
Figura 9 – Gráfico da ACF de um ruído branco
Fonte: Hyndman e Athanasopoulos (2013)
A seguir, deve ser analisada a variância dos resíduos. Eles devem ter variância
constante, caso contrário, os testes de hipótese utilizados para interpretar os outros parâmetros
podem ter sua confiabilidade alterada (SOUZA, 2005). Esta característica também pode ser
analisada a partir dos correlogramas, pois se os resíduos forem um ruído branco, isso significa
que têm a variância constante.
Por fim, deve-se verificar se os resíduos seguem uma distribuição normal. Para
analisar a normalidade, serão efetuados os testes Shapiro-Wilk e Jarque-Bera. Os testes
aceitam a hipótese que os dados apresentam distribuição normal se p-valor > α, onde α
representa o nível de significância desejado. Pelos cálculos deste trabalho serem executados
por intermédio do software R, optou-se por omitir as equações dos testes citados nesta seção.
2.7 SELEÇÃO DO MODELO
Na seção anterior, foram eliminados os modelos inadequados, independente do seu

desempenho. A seleção do modelo é realizada com base nos erros de previsão, assim como na
sua acurácia. De forma genérica, um erro de previsão é a diferença entre o valor previsto e o
valor observado. A seguir são descritos os principais tipos de erros utilizados para medir a
eficácia das previsões, de acordo com os autores Samohyl, Souza e Miranda (2008), e
Makridakis, Wheelwright e Hyndman (1998).
O erro médio – mean error (ME) – é a medida mais simples para avaliar o ajuste do
modelo. Todavia, como a discrepância pode assumir valores positivos ou negativos, os
valores podem cancelar-se entre si. Como consequência, a medida comumente se estabelece
em torno de zero. Por apresentar um padrão não confiável, o ME é pouco utilizado para medir
o desempenho das previsões. A Equação 1 representa o erro médio, onde 𝑃𝑡 representa o valor
previsto, 𝑂𝑡 representa o valor observado, e n representa o número de observações.
1
𝑀𝐸 = ∑𝑛𝑡=1(𝑃𝑡 − 𝑂𝑡 ) ≅ 0. (1)
𝑛
28
Já o erro absoluto médio – mean absolute error (MAE) – tem sua fórmula semelhante
à do ME, mas utiliza os valores absolutos individuais (desconsidera os sinais) ao tomar o
módulo das observações, como pode ser observado na Equação 2. Ele representa uma medida
da qualidade da previsão, contudo, é mais indicado para previsões de um único produto.
1
𝑀𝐴𝐸 = ∑𝑛𝑡=1 |𝑃𝑡 − 𝑂𝑡 |. (2)
𝑛
O erro quadrático médio – mean square error (MSE) – também procura uma forma de
neutralizar os problemas provenientes do uso dos sinais, e, assim, utiliza o quadrado dos
erros, conforme exemplifica a Equação 3. Essa medida é mais utilizada que as anteriores,
especialmente por matemáticos e estatísticos. Entretanto, sua principal limitação é referente à
sua dificuldade de comparação com outros produtos e técnicas, por ser expresso em valores
absolutos, e não percentuais.
1 2
𝑀𝑆𝐸 = ∑𝑛𝑡=1(𝑃𝑡 − 𝑂𝑡 ) . (3)
𝑛
Assim como o MSE, o erro percentual absoluto médio – mean absolute percentual
error (MAPE) – também neutraliza o sinal das observações, como mostra a Equação 4. Ele é
o critério mais utilizado para erros de previsão, especialmente por engenheiros e
administradores, pois pode ser utilizado tanto para produtos como para técnicas.
1 𝑃𝑡 − 𝑂𝑡
𝑀𝐴𝑃𝐸 = ∑𝑛𝑡=1 | |. (4)
𝑛 𝑂𝑡
Outra forma de mensurar a qualidade das previsões é através do U de Theil (𝑈 2 ), que

representa uma medida relativa das discrepâncias. Também conhecida como coeficiente de
desigualdade, essa medida compara os erros do modelo utilizado com um modelo ingênuo. É
uma estatística muito utilizada para medir a acurácia das previsões, e quanto mais próxima de
zero, mais eficaz é a previsão. Se o U de Theil tem valor superior a um, demonstra que a
previsão tem qualidade inferior à previsão ingênua.
2
𝑃𝑡+1 −𝑂𝑡+1
∑𝑛−1
𝑡=1 {( )}
2 𝑂𝑡
𝑈 = 𝑂𝑡+1 − 𝑂𝑡
2 . (5)
∑𝑛−1
𝑡=1 ( )
𝑂𝑡
Para a seleção de modelos deste trabalho, diversos erros serão avaliados, entretanto, as
estatísticas U de Theil e o MAPE das previsões (dentro e fora da amostra) terão maior valor
nas decisões. Outro critério que deverá ser observado é a parcimônia, visto que quanto mais
parcimonioso o modelo, ou seja, quanto menor for o número de parâmetros envolvidos,
melhor será a previsão.
29
3 PROCEDIMENTOS METODOLÓGICOS
3.1 MÉTODO DE PESQUISA
O objetivo principal deste trabalho é desenvolver uma previsão de vendas, por meio
dos métodos de séries temporais, para uma indústria do setor têxtil. Espera-se que a previsão
de vendas possa ser utilizada pela empresa como ferramenta para auxiliar a tomada de decisão
e o planejamento da empresa em seus diversos setores.
De acordo com seus objetivos, a pesquisa pode ser classificada como exploratória,
descritiva ou explicativa (GIL, 2002). No presente trabalho, a pesquisa pode ser classificada
como descritiva e exploratória. Descritiva, pois pretende compreender o relacionamento entre
variáveis (PINHEIRO, 2010), e exploratória porque busca ampliar o conhecimento a respeito
do problema, a partir de análise bibliográfica (GIL, 2002).
Pinheiro (2010) sugere ainda, que a pesquisa científica seja classificada de acordo com
seu ponto de vista da natureza. Nesse contexto, a pesquisa pode ser definida como aplicada,
visto que tem como objetivo o estudo de dados reais de uma empresa para a solução do
problema. Em relação à abordagem do problema, o autor também sugere que seja
categorizada em quantitativa ou qualitativa.
Como determinado previamente, este trabalho aborda os processos de previsão
quantitativos, por meio do uso de métodos estatísticos. A principal vantagem da pesquisa
quantitativa é a precisão dos resultados, assim como a ausência do subjetivismo do
pesquisador. Para Goldemberg (2002, p. 284, apud MARCONI; LAKATOS, 2008), os
métodos quantitativos “simplificam a vida social limitando-a aos fenômenos que podem ser
enunciados”. Todavia, a pesquisa também pode ser classificada como qualitativa, visto que
realiza uma comparação entre a previsão proposta neste trabalho, e a previsão utilizada
atualmente pela empresa.
De acordo com Gil (2002), a pesquisa pode também ser definida como ex-post facto,
já que nesse tipo de pesquisa o estudo é realizado com base em fatos passados, que no caso
deste trabalho é representado pela análise de dados históricos. Segundo o autor, seu propósito
básico é verificar a existência de relação entre as variáveis. É possível afirmar que o principio
de séries temporais, revisado no capítulo anterior, aceita esta hipótese como verdadeira.
30
3.2 COLETA E PROCEDIMENTOS PARA ANÁLISE DOS DADOS
A presente pesquisa pode, ainda, ser classificada como pesquisa de campo, já que foi
realizada no departamento comercial de uma indústria têxtil. De acordo com Fachin (2001), a
pesquisa de campo utiliza observações dos fatos sociais captados no seu ambiente natural, e
livre de interferências. Os dados foram coletados diretamente no setor responsável da
empresa, que realiza o controle desses dados a partir de um software de gestão empresarial.
Foram coletados dados mensais dos últimos 6 anos da empresa para o desenvolvimento da
previsão, referente aos anos de 2009 a 2014. Os dados dos sete primeiros meses de 2015
também foram coletados, com o intuito de medir a acurácia e os erros de previsão dos
modelos desenvolvidos.
. Para o desenvolvimento do trabalho, foi necessário então realizar uma pesquisa
bibliográfica que possibilitasse a identificação de técnicas e métodos possíveis. A seguir, foi
realizada uma análise exploratória dos dados coletados previamente. Algumas variáveis foram
analisadas com o objetivo de estabelecer uma relação causal, todavia, nenhuma das variáveis
abordadas apresentou uma correlação significativa com a série histórica de vendas da
empresa, optando-se então pelos métodos temporais não causais.
Para o auxílio no desenvolvimento dos modelos, assim como na análise exploratória
dos dados, foi selecionado o software R (R CORE TEAM, 2015). O R consiste em um
sistema para computação estatística e gráfica. Ele contém diversos pacotes que permitem a
aplicação de um grande universo de técnicas estatísticas. O pacote “forecast” (HYNDMAN;
KHANDAKAR, 2008) pode ser utilizado para o desenvolvimento de previsões de séries
temporais. Ele abrange os métodos de Suavização Exponencial e ARIMA, que foram
utilizados na elaboração deste trabalho.
Através do software, foram realizados diversos testes que contemplam diferentes
modelos potenciais. A seleção do método mais apropriado foi realizada com base na acurácia
e nos erros de previsão. O modelo selecionado foi, então, comparado ao modelo utilizado pela
empresa para realizar previsões, atualmente. Por fim, foram discutidos os resultados da
pesquisa com a proposta de aplicação do método selecionado para a solução do problema
inicial.
31
4 APRESENTAÇÃO E ANÁLISE DOS RESULTADOS
4.1 APRESENTAÇÃO DA EMPRESA
A empresa objeto de estudo deste trabalho é uma indústria do setor têxtil, atuante no
segmento de cama mesa e banho. Situada em Joinville, Santa Catarina, atualmente conta com
aproximadamente 700 colaboradores. Os seus produtos são destinados, principalmente, ao
mercado interno brasileiro, com exportação para alguns países da América Latina, como
Venezuela e Bolívia.
A estrutura organizacional da empresa é dividida em três níveis: estratégico, tático e
operacional. O nível estratégico é composto pelos sócios, presidente e diretores. Já o nível
tático, é composto pelos gerentes, supervisores e coordenadores, enquanto o nível operacional
é formado pelos analistas, operadores, auxiliares, dentre outros cargos. A participação dos
sócios no nível estratégico da empresa é determinada pelo fato de que essa empresa ainda
segue padrões de uma empresa familiar.
Os setores responsáveis pela definição de estratégias de vendas na organização são os
departamentos de marketing e comercial. O departamento comercial da empresa conta com
uma equipe interna de vendas e representantes comerciais. Na estrutura atual, a definição de
metas e previsões de vendas é atribuição do departamento comercial. O departamento de
marketing tem atuação voltada ao desenvolvimento de ações direcionadas a clientes, e ao
lançamento de novos produtos.
O principal desafio dessa organização atualmente é enfrentar a perda crescente de
participação de mercado devido ao suprimento da demanda por produtos importados,
especialmente de países asiáticos. Esse cenário faz com que a empresa vivencie um período
de incertezas em relação à sua demanda. Assim, o desenvolvimento de uma previsão de
vendas para a empresa se torna uma ferramenta essencial no auxílio do seu planejamento e
tomada de decisão.
4.2 DESCRIÇÃO DO PROCESSO DE PREVISÃO ATUAL
No cenário atual, pode-se afirmar que a empresa realiza previsões de vendas. As

previsões são realizadas pelo departamento comercial, juntamente com o departamento
financeiro, e contam principalmente com a opinião da equipe de vendas e dos diretores
32
comerciais. Para tanto, são analisados dados históricos de vendas. A equipe de vendas
também realiza uma estimação
Após o seu desenvolvimento, as previsões são apresentadas à diretoria da empresa,
que comumente realiza ajustes. De acordo com as observações anteriores, pode-se afirmar que
as previsões da empresa têm caráter qualitativo e quantitativo. Todavia, para a elaboração das
previsões, a empresa não segue uma metodologia específica. Para Samohyl, Souza e Miranda
(2008), as atividades empresariais devem ser tratadas como processo, e isso implica que
métodos administrativos sejam aplicados.
Assim, a previsão desenvolvida é utilizada por diversos setores da empresa, bem como
para a elaboração do planejamento estratégico. Inicialmente, ela dá origem ao orçamento da
instituição. O departamento financeiro a utiliza para projetar o fluxo de caixa anual, e para
desenvolver a projeção financeira em si. Já o departamento de produção a utiliza
principalmente para a compra de insumos e para o planejamento e controle da produção
(PCP), e por consequência, para o dimensionamento de recursos humanos.
Contudo, observou-se que a previsão vigente apresenta alta discrepância e baixa
acurácia, como será demonstrado posteriormente neste capítulo. Seus erros percentuais
mensais têm alta variabilidade, o que afeta a confiabilidade desses dados para os gestores da
empresa. Dessa maneira, acredita-se que a empresa pode obter um melhor resultado a partir
da utilização de métodos estatísticos para a estimação de suas previsões.
Outro problema identificado é que a organização utiliza os termos “previsão de
vendas” e “metas de vendas” de forma análoga. Ou seja, não há distinção de valores entre
esses parâmetros. De acordo com Kotler e Keller (2012), a previsão de vendas representa o
nível esperado, enquanto a meta representa o potencial de mercado e o potencial de vendas.
Assim, a previsão de vendas baseada em séries temporais representará o futuro das
demandas de acordo com padrões já estabelecidos previamente. Já a meta está relacionada ao
seu potencial de crescimento, e deve ser estabelecida juntamente com ações que garantirão
atingí-la. Para Peinado e Graeml (2007), é necessária a separação das metas e previsões,
evitando o mau planejamento decorrente de dados equivocados.
Atualmente, também não há um monitoramento da qualidade das previsões. As
previsões são realizadas anualmente, e contemplam o horizonte de doze meses. Assim, caso a
previsão não seja adequada, ela será revista somente no ano conseguinte. É necessário que
sejam estipulados parâmetros de qualidade para que as previsões sejam utilizadas com
sucesso na organização.
33
4.3 APRESENTAÇÃO DOS DADOS
Para possibilitar a análise do presente problema, foram coletados dados históricos na

empresa. Os dados referentes às vendas da empresa foram disponibilizados pelo departamento
comercial, através do sistema de gestão empresarial (ERP - Enterprise Resource Planning)
utilizado. Foram coletados dados mensais das vendas, entre os anos de 2009 e 2014, com o
intuito de desenvolver os modelos de previsão. Os dados referentes aos sete primeiros meses
de 2015 também foram reunidos para o cálculo da acurácia das previsões fora da amostra.
Inicialmente, será realizada uma análise explanatória dos dados, visando à
identificação de algumas características da série que auxilie na elaboração dos modelos. Para
a definição dos modelos serão utilizadas as técnicas mencionadas previamente neste trabalho:
ARIMA e Suavização Exponencial. A adequação de cada modelo será analisada, e
posteriormente, o seu desempenho em relação às discrepâncias de previsão (ME, MAE, MPE,
MAPE, e o U de Theil). Com base nessas estatísticas, será selecionado o modelo com a maior
qualidade para realizar a previsão de vendas da indústria.
4.3.1 Análise Exploratória dos Dados
Conforme Makridakis, Wheelwright e Hyndman (1998) uma análise introdutória dos

dados é sugerida para determinar os métodos potenciais para o modelo de previsão. A
exploração dos dados também é essencial para a identificação de alguns parâmetros da série,
como a sazonalidade, tendência e ciclos. Optou-se em realizar a análise gráfica dos dados,
visto que as observações são visualizadas mais facilmente desta maneira, assim como a
realização de testes quando pertinentes.
Para compreender a normalidade dos dados, foram realizados os testes Shapiro-Wilk e
Jarque-Bera. Os resultados dos testes estão contidos na Tabela 2. Como p-valor > α, a nível de
significância (α) de 5%, se aceita a hipótese que a série tem distribuição normal.
Tabela 2 – Testes de normalidade da série vendas

Teste Shapiro-Wilk Jarque-Bera
p-valor 0,2512 0,3494
Resultado Distribuição normal Distribuição normal
34
De forma complementar, foi construído um histograma da série. De acordo com a

Figura 10, pode-se afirmar que o histograma apresenta simetria e forma de sino. Portanto,
conforme os resultados dos testes e análise do histograma define-se, então, que a série segue o
padrão de uma distribuição normal.
Figura 10 – Histograma da série
Por conseguinte, a Figura 11 apresenta o gráfico de vendas da empresa no período da

amostra, assim como o correlograma (ACF) e o correlograma parcial (PACF). A análise
gráfica da série propõe que não há uma mudança na média da amostra ao longo do tempo, isto
é, que não há tendência. Desta maneira, é sugerido que a série apresenta um padrão
estacionário. Já os correlogramas indicam que os dados são correlacionados (ultrapassam os
intervalos de controle), e, portanto, apresentam dependência entre si. Todavia, a partir destes
gráficos não é possível identificar a existência de sazonalidade, que pode interferir na
estacionariedade de uma série.
Figura 11 – Apresentação da série “vendas”

35
Portanto, para analisar a sazonalidade, foi realizada a decomposição da série. Ao

observar a Figura 12, pode-se afirmar que a série decomposta apresenta sazonalidade por
conferir um padrão repetitivo. A partir do gráfico também é possível inferir que o período da
sazonalidade é de 12 meses. Em contrapartida à análise do gráfico anterior, o gráfico da série
decomposta sugere que a série apresenta uma leve tendência positiva de crescimento.
Figura 12 – Gráfico da série decomposta
Por apresentar sazonalidade e tendência, surge a suposição de que a série pode ter
caráter não estacionário. Portanto, optou-se por realizar testes de estacionariedade, como
proposto por Hyndman e Athanasopoulos (2013). Ambos os testes sugeridos pelos autores
(Dickey-Fuller e Phillips-Perron) foram realizados no software R, e rejeitaram a hipótese de
que a série é não estacionária a nível de significância (α) de 5%, como mostra a Tabela 3 (p-
valor < α). Assim, não foi necessário realizar diferenciações na série, e a mesma é adequada
para a aplicação dos métodos ARIMA e Suavização Exponencial.
Tabela 3 – Testes de estacionariedade da série

Teste Dickey-Fuller Phillips-Perron
p-valor 0,01 0,01
Resultado Série estacionária Série estacionária
36
4.4 DIAGNÓSTICO DOS MODELOS
Como sugerido por Hyndman e Athanasopoulos (2013), vários modelos podem ser
ajustados aos dados. Assim, estes devem ser testados, e a partir da comparação dos seus
parâmetros deve-se selecionar o modelo que atenda às necessidades da empresa. Desse modo,
foram desenvolvidos modelos utilizando os métodos de Suavização Exponencial e ARIMA,
explorados nas seções a seguir.
4.4.1 Modelos de Suavização Exponencial (SE)
Os modelos de suavização exponencial variam entre si, de acordo com o tipo de erro
(aditivo ou multiplicativo), sazonalidade (aditiva, multiplicativa ou inexistente) e tendência
(aditiva, aditiva amortecida, multiplicativa, multiplicativa amortecida ou inexistente),
resultando em diversos modelos possíveis em relação à combinação dessas características.
Esta classificação, sugerida por Hyndman et al. (2008), pode ser utilizada no pacote forecast,
no software R, que possui a função “ets”. A função “ets” retorna um modelo automático, mas
permite, ainda, que o usuário defina os parâmetros, visto que o modelo automático nem
sempre é o mais adequado para a série.
A seleção dos modelos deve ser realizada de acordo com a identificação desses
parâmetros. A partir da análise exploratória dos dados, foi possível determinar que a série
objeto de estudo deste trabalho apresenta sazonalidade. Portanto, o método de suavização
exponencial mais adequado para o desenvolvimento dos modelos é o de Holt-Winters (HW).
O primeiro modelo (Modelo 1) analisado foi o resultado automático da função “ets”,
com erro aditivo, tendência inexistente e sazonalidade aditiva, se tratando, portanto, de um
modelo ANA. Entretanto, é necessário comparar seu desempenho em relação a outros
modelos potenciais. De acordo com os parâmetros da série, foi sugerido realizar testes de
modelos com erros multiplicativos, como o MNM (Modelo 3), MAA (Modelo 4), MAM
(Modelo 5) e MAaM (Modelo 6). Também se optou por realizar testes considerando a
existência de tendência na série, como nos modelos AAA (Modelo 2) e MAA (Modelo 4).
Para a análise de adequação destes modelos, foram analisados: a normalidade dos
resíduos por meio dos testes Shapiro-Wilk e Jarque-Bera; a autocorrelação dos resíduos a
partir dos testes Portmanteau (Box-Pierce e Ljung-Box); e os correlogramas dos resíduos. A
Tabela 4 mostra a comparação entre a adequação de seis modelos distintos.
37
Tabela 4 – Comparação da adequação dos modelos de HW

Modelo 1 Modelo 2 Modelo 3 Modelo 4 Modelo 5 Modelo 6
(ANA) (AAA) (MNM) (MAA) (MAM) (MAaM)
Shapir
Normalid
0,1671 0,7758 0,8417 0,8844 0,5268 0,8319

o-Wilk
ade
Jarque
0,2632 0,6596 0,7914 0,7340 0,5691 0,7006
-Bera
Box-
Autocorre
0,0598 0,8372 0,7045 0,5871 0,8300 0,2076

Pierce
lação
Ljung-
0,05466 0,8339 0,6986 0,5793 0,8265 0,1983
Box
Não Não Não
Correlogra
ACF Significativo Significativo Significativo

significativo significativo significativo
mas
Não Não Não

PACF Significativo Significativo Significativo
significativo significativo significativo
Conforme a análise da Tabela 4, se pode afirmar que todos os modelos descritos são
adequados em relação à normalidade. Os testes de autocorrelação (Box-Pierce e Ljung-Box)
também apresentaram resultados apropriados. Contudo, nos modelos 3, 5 e 6 a análise dos
gráficos de ACF identificou defasagens significativas, como se pode observar na Figura 13.
Essas defasagens também foram identificadas na análise dos seus correlogramas parciais.
Assim, se reconhece que estes modelos não são adequados para realizar previsões. Já os
resíduos dos modelos 1, 2 e 4 apresentam característica de ruído branco (Figura 14).
Figura 13 – Gráficos de ACF dos modelos 3, 5 e 6
Por conseguinte, os modelos 1, 2 e 4 – que se mostraram adequados para a realização

de previsões – serão confrontados quanto à qualidade das suas previsões para identificar o
modelo mais eficaz. Para a estipulação da acurácia e dos erros fora da amostra, foram
comparados os valores preditos com os dados observados dos sete primeiros meses do ano de
2015.
38
Figura 14 – Gráficos de ACF dos modelos 1, 2 e 4
A Tabela 5 mostra uma comparação das medidas de qualidade dos modelos 1, 2 e 4.

As estatísticas relacionadas na tabela são os erros de previsão (dentro e fora da amostra). O
Modelo 1 apresenta o menor erro médio (ME) entre os três modelos. Contudo, conforme
comentado no capítulo 2, esta medida não é a mais adequada para avaliar erros de previsão.
Este modelo também apresenta o menor U de Theil, com um valor que representa uma alta
qualidade da previsão.
Já o Modelo 2 apresenta o menor erro percentual absoluto médio (MAPE), tanto
dentro quanto fora da amostra. O MAPE é o tipo de erro mais utilizado para medir a
qualidade de previsões. Desta maneira, pode-se afirmar que os modelos 1 e 2 fornecem
previsões adequadas para a empresa. O Modelo 4, apesar de evidenciar padrões aceitáveis,
não fornece uma previsão tão eficaz quanto os modelos 1 e 2, e, portanto, será descartado.
Tabela 5 – Comparação das medidas de qualidade dos modelos de HW

Modelo 1 (ANA) Modelo 2 (AAA) Modelo 4 (MAA)
Estatística Dentro Fora Dentro Fora Dentro Fora
ME 14.3395,5 35.0378,6 -17.6604,3 -52.8331,9 -19.4477 -57.6020,5
MAE 111.7790,6 930.284,9 108.2628,7 655.096,3 108.5191,7 673.274,6
MPE -0,306587 3,4854167 -3,126154 -4,740500 -3,353154 -5,223780
MAPE 10,844652 8,661432 10,599976 6,135114 10,636663 6,307067
U de Theil - 0,413678 - 0,4482788 - 0,4668077
Outro padrão de qualidade das previsões a ser avaliado é referente à sua parcimônia.
Em relação a esta característica, pode-se concluir que o Modelo 1 (ANA) é o mais
parcimonioso, visto que apresenta o menor número de parâmetros. Esse modelo considera
apenas o tipo de erro e a sazonalidade da série temporal, enquanto o Modelo 2, tratando-se de
39
um modelo AAA, considera também a tendência. Portanto, a análise sugere que o Modelo 1
(ANA) tem maior qualidade para realizar previsões por meio do método de SE.
Os modelos de previsão desenvolvidos nesta seção serão comparados, posteriormente,
com as previsões desenvolvidas por meio do método ARIMA, para definir o modelo mais
adequado a essa empresa.
4.4.2 Modelos Autorregressivos Integrados de Médias Móveis (ARIMA)
A eficácia dos modelos ARIMA (p, d, q) depende diretamente da estimação dos

parâmetros p, d, e q mais adequados à série. Como visto previamente na análise exploratória
dos dados, a série vendas apresenta padrão estacionário. Portanto, de acordo com os testes de
estacionariedade realizados, não serão necessárias diferenciações para a sua utilização no
desenvolvimento dos modelos. Isso significa que o valor sugerido para o parâmetro d,
referente ao processo de diferenciação, é zero.
Em relação ao processo autorregressivo (AR) e ao processo de média móvel (MA),
representados pelos parâmetros p e q, deve-se realizar a análise dos gráficos ACF e PACF da
série (Figura 15).
Figura 15 – Gráficos ACF e PACF da série vendas
De acordo com Morettin e Toloi (2006) um processo ARMA (p, q) apresentará ACF
com infinita extensão, com decaimento exponencial ou senoidal amortecido após q, e PACF
representado por exponenciais ou senóides amortecidas, com decaimento abrupto após p.
Assim, sugere-se que um modelo adequado para os dados seja um ARIMA (2,0,1) ou um
ARIMA (1,0,1). Entretanto, esta análise gráfica dos parâmetros deve ser vista como uma
sugestão, e outros modelos potenciais devem também ser testados.
40
Como citado anteriormente, sabe-se que a série também conta com uma componente
sazonal, e que, portanto, a mesma deve ser incluída no modelo. Dessa maneira, os modelos
terão a notação ARIMA (p, d, q) (P, D, Q)m (HYNDMAN; ATHANASOPOULOS, 2013).
Por meio da análise da sazonalidade da série na seção 4.3.1, sugere-se que o valor de m
(número de períodos) adotado para os modelos seja 12.
Para a estimação dos modelos ARIMA, o pacote forecast conta com a função
“auto.arima”. Essa função sugere um modelo automático para a série. Todavia, o modelo
sugerido pelo software pode não ser a melhor opção. Apesar dessa característica, é
recomendado que o modelo seja testado, pois de acordo com seu diagnóstico e por meio do
ajuste de alguns parâmetros, ele permite a identificação de outros modelos possíveis. O
modelo sugerido pelo software é um ARIMA (1,0,0) (2,1,0)₁₂ com drift, denominado Modelo
A (Figura 16).
De acordo com a Figura 16, é possível identificar que além das constantes
autorregressiva e sazonais, a constante drift foi incorporada ao modelo automático. O drift
representa a dependência linear da série, e sua inclusão no Modelo A sugere que a série
apresenta tendência. Dessa forma, é recomendado que sejam testados, posteriormente,
modelos com e sem drift, para avaliar o comportamento dos modelos frente a esta constante.
Figura 16 – Modelo A
O modelo proposto parece adequado, pois seus resíduos seguem uma distribuição
normal, e não são autocorrelacionados. Entretanto, na análise gráfica do correlograma e
correlograma parcial do modelo (Figura 17) foram identificadas defasagens significativas.
Dessa forma, os resíduos não têm a característica de um ruído branco, o que sugere que o
modelo pode não apresentar confiabilidade nos seus resultados.
41
Figura 17 – ACF e PACF do Modelo A
Assim, outros modelos foram testados, utilizando os parâmetros especificados

anteriormente por meio da análise gráfica da ACF e da PACF, dentre outras estimações para a
série. Estes modelos foram desenvolvidos utilizando a função “Arima”, também do pacote
forecast. Esta função permite a manipulação dos parâmetros, de acordo com a escolha do
pesquisador.
Como sugerido anteriormente, foram simulados modelos com e sem drift. A Tabela 6
compara esses modelos em relação ao MAPE e o U de Theil de suas previsões fora da
amostra, e pode ser observada abaixo. De acordo com essa tabela, pode-se afirmar que nas
comparações com modelos de parâmetros equivalentes, os modelos com drift apresentaram
previsões mais eficazes, com erros de previsão e U de Theil com valores menores. Isso
representa que, de fato, a série apresenta uma tendência positiva, e que a mesma é relevante
para o desenvolvimento de modelos de previsões.
Tabela 6 – Comparação entre modelos com e sem drift

Com drift Sem drift
Modelos
MAPE U de Theil MAPE U de Theil
(1,0,0) (2,1,0)₁₂ 7,643012 0,5284828 9,239575 0,6366514
(1,0,1) (1,1,1)₁₂ 8,184656 0,4223323 9,903041 0,634939
(2,0,0) (0,1,1)₁₂ 7,96774 0,4227615 9,658382 0,639437
(1,0,1) (0,1,1)₁₂ 8,078511 0,4194529 9,750401 0,6303553
(2,0,0) (1,1,1)₁₂ 8,145191 0,4354129 9,900416 0,6475946
(1,0,0) (0,1,1)₁₂ 8,357634 0,4251850 10,687272 0,7281865
Dessa forma, optou-se por analisar a adequação dos modelos com drift somente, visto
que apresentaram melhor qualidade no desenvolvimento de previsões para a série vendas.
42
Assim, foram selecionados doze modelos para um diagnóstico em relação à sua adequação
para a realização de previsões (Tabela 7).
De acordo com a Tabela 7, é possível afirmar que todos os modelos analisados são
adequados para realizar previsões quanto à normalidade e autocorrelação dos resíduos. A
nível de significância de 5%, os testes de Shapiro-Wilk e Jarque-Bera aceitam a hipótese nula
que os dados têm distribuição normal se p-valor>0,05; e os testes Box-Pierce e Ljung-Box
aceitam a hipótese nula que se p-valor>0,05, os dados não são autocorrelacionados.
Tabela 7 – Comparação da adequação dos modelos ARIMA

Normalidade Autocorrelação
Modelos
Shapiro-Wilk Jarque-Bera Box-Pierce Ljung-Box
(1,0,0) (2,1,0)₁₂, com drift 0,2259 0,9437 0,9176 0,9159
(1,0,0) (2,1,1)₁₂, com drift 0,3917 0,9274 0,9538 0,9528
(2,0,0) (0,1,1)₁₂, com drift 0,2095 0,8069 0,9235 0,9219
(1,0,1) (0,1,1)₁₂, com drift 0,2497 0,8437 0,9360 0,9347
(2,0,0) (1,1,1)₁₂, com drift 0,2412 0,8228 0,9138 0,9120
(2,0,1) (1,1,1)₁₂, com drift 0,2560 0,8714 0,9812 0,9816
(2,0,1) (0,1,1)₁₂, com drift 0,09161 0,8274 0,7037 0,6978
(2,0,1) (2,1,0)₁₂, com drift 0,1971 0,9474 0,9511 0,9500
(1,0,1) (2,1,0)₁₂, com drift 0,3282 0,9561 0,9698 0,9691
(1,0,1) (1,1,0)₁₂, com drift 0,2870 0,9285 0,7348 0,7295
(1,0,0) (0,1,1)₁₂ com drift 0,2550 0,8455 0,8919 0,8897
(1,0,1) (0,0,0) com drift 0,5874 0,5696 0,9271 0,9256
Entretanto, na análise dos gráficos ACF e PACF dos modelos, foram identificadas
algumas irregularidades. Os modelos ARIMA (1,0,1) (2,1,0)₁₂ com drift, ARIMA (1,0,1)
(1,1,0)₁₂ com drift, e ARIMA (1,0,1) (0,0,0) com drift, indicaram defasagens significativas.
Dessa maneira, esses modelos não podem ser aceitos, visto que os gráficos não apresentam as
características de um ruído branco, e, assim, violam os parâmetros de adequação dos modelos.
Optou-se por excluir também o Modelo A ((1,0,0) (2,1,0)₁₂ com drift), visto que o gráfico dos
seus resíduos é semelhante ao dos modelos descartados nesta etapa.
Assim, restaram oito modelos adequados para realizar previsões. Os modelos serão
comparados quanto à qualidade de suas previsões, da mesma maneira que os modelos de
Suavização Exponencial, com o objetivo de possibilitar a comparação entre os métodos
distintos posteriormente. Na Tabela 8 foram relacionados os resultados da estatística U de
Theil para os modelos. De acordo com Samohyl, Souza e Miranda (2008), para o
desenvolvimento de previsões com maior precisão, esse valor deve variar entre zero e um, e,
quanto mais próximo de zero, melhor a qualidade da previsão. Dessa maneira, foram
43
selecionados os modelos com os quatro menores valores do U de Theil para análise dos erros.
Os modelos selecionados estão destacados na tabela abaixo (Tabela 8).
Tabela 8 – Comparação das medidas de qualidade dos modelos ARIMA

Modelos U de Theil
(1,0,0) (0,1,1)₁₂ com drift 0,4251850
(1,0,0) (2,1,1)₁₂ com drift 0,4345653
(2,0,0) (0,1,1)₁₂ com drift 0,4227615
(1,0,1) (0,1,1)₁₂ com drift 0,4194529
(2,0,0) (1,1,1)₁₂ com drift 0,4354129
(2,0,1) (1,1,1)₁₂ com drift 0,4167423
(2,0,1) (0,1,1)₁₂ com drift 0,4629421
(2,0,1) (2,1,0)₁₂ com drift 0,4834369
Realizou-se, então, um comparativo em relação ao erro destes quatro modelos

selecionados (Tabela 9). Dentre os quatro modelos comparados, o Modelo B (ARIMA (1,0,0)
(0,1,1)₁₂ com drift,) apresenta o menor MAPE dentro da amostra, enquanto o Modelo E
(ARIMA (2,0,1) (1,1,1)₁₂ com drift,) apresenta o menor MAPE fora da amostra. Contudo, ao
analisar o Modelo E, nota-se que o mesmo apresenta uma amplitude maior entre os erros
dentro e fora da amostra, o que indica que esse modelo pode ser instável. Assim, o Modelo E
foi eliminado.
Tabela 9 – Comparação dos erros dos modelos ARIMA
Modelo B (1,0,0) Modelo C (2,0,0) Modelo D (1,0,1) Modelo E (2,0,1)
Medida
(0,1,1)₁₂ com drift (0,1,1)₁₂ com drift (0,1,1)₁₂ com drift (1,1,1)₁₂ com drift
Dentro Fora Dentro Fora Dentro Fora Dentro Fora
ME 23466 200608 19791 163682 20512 159537 22620 176015
MAE 888132 898983 921629 866330 892762 872297 951372 840770
MPE -0,974 1,885 -1,097 1,494 -1,036 1,475 -1,057 1,644
MAPE 8,516 8,358 8,879 7,968 8,581 8,078 9,115 7,790
U de Theil – 0,4252 – 0,4228 – 0,4194 – 0,4167
De acordo com Makridakis, Wheelwright e Hyndman (1998), um dos problemas ao

utilizar o método ARIMA refere-se ao grande número de modelos plausíveis. Em relação à
série utilizada neste trabalho, pode-se afirmar que diversos modelos testados são adequados
para realizar previsões, o que dificulta a seleção do melhor modelo. Os três modelos restantes
44
(B, C, e D), apresentam características semelhantes quanto aos valores dos erros e do U de
Theil, o que sugere que outras características dos modelos sejam também verificadas.
Hyndman e Athanasopoulos (2013) sugerem que sejam comparados os critérios AIC,
AICc e BIC na seleção do modelo. Segundo os autores, esses critérios são medidas relativas
de qualidade. Quanto mais próximos de zero os valores do AIC, AICc e BIC, maior a
qualidade do modelo. Assim, optou-se por analisar também essas medidas, conforme a Tabela
10. Após diagnóstico da Tabela 10, nota-se que o Modelo B apresenta os menores valores
para o AIC, AICc e BIC. Já o Modelo D apresenta os maiores valores. Portanto, optou-se por
eliminar o Modelo D nesta etapa.
Tabela 10 – Comparação dos critérios AIC, AICc e BIC

Modelos AIC AICc BIC
Modelo B 1890,68 1891,40 1899,05
Modelo C 1891,79 1892,90 1902,26
Modelo D 1892,17 1893,29 1902,65
Por meio da comparação de diversas variáveis, restaram apenas dois modelos: B e C.

A eliminação dos outros modelos não implica que os mesmos são inadequados para realizar
previsões. Contudo, é necessário determinar o modelo que atende de maneira mais eficaz o
objetivo deste trabalho. Por conseguinte, os modelos ARIMA selecionados nesta seção
(modelos B e C) serão comparados aos modelos de Suavização Exponencial que apresentaram
melhor desempenho (modelos 1 e 2).
4.5 SELEÇÃO DO MODELO
Após a aplicação das técnicas de Suavização Exponencial e ARIMA foi possível

identificar quatro modelos que demonstram maior adequação e acurácia para a realização de
previsões da série vendas, quando comparados aos outros modelos desenvolvidos pelo mesmo
método. Contudo, é necessário confrontar também os modelos de métodos distintos, com o
intuito de selecionar o mais eficaz. A Tabela 11 compara os quatro modelos pré-selecionados,
quanto aos seus erros de previsão.
A partir da comparação das estatísticas da Tabela 11, pode-se inferir que os modelos
de Suavização Exponencial (1 e 2) apresentam maior discrepância entre seus erros dentro e
fora da amostra, enquanto os modelos ARIMA apresentam-se mais consistentes. Em relação
45
ao MAPE, por exemplo, o Modelo 2 apresentou o menor valor fora da amostra, mas um valor
alto dentro da amostra.
Tabela 11 – Comparação dos erros dos modelos ARIMA e SE

Modelos ARIMA Modelos de Suavização Exponencial
Estatística
Modelo B (1,0,0) Modelo C (2,0,0) Modelo 1 Modelo 2

(0,1,1)₁₂ com drift (0,1,1)₁₂ com drift (ANA) (AAA)
Dentro Fora Dentro Fora Dentro Fora Dentro Fora
ME 23466 200608 19791 163682 143396 350379 -176604 -528332
MAE 888132 898983 921629 866330 1117791 930285 1082629 655096
MPE -0,974 1,885 -1,097 1,494 -0,307 3,485 -3,126 -4,740
MAPE 8,516 8,358 8,879 7,968 10,845 8,661 10,600 6,135
U de Theil – 0,4252 – 0,4228 – 0,4137 – 0,4483
Como os modelos estudados demonstraram resultados semelhantes, optou-se por

analisar os erros percentuais das previsões de cada modelo mês a mês, com o objetivo de
identificar o modelo mais consistente (Tabela 12). Para esta medida, foram comparados os
valores preditos com os valores observados para a estimação dos erros.
Visto que os modelos de suavização exponencial têm uma grande amplitude entre as
discrepâncias dentro e fora da amostra, foi sugerido analisar não somente os erros como
também a variabilidade dos mesmos. Assim, para avaliar a variabilidade dos erros, optou-se
por utilizar o desvio padrão das observações fora da amostra.
Tabela 12 – Comparação dos erros percentuais das previsões

Modelos ARIMA Modelos de Suavização Exponencial
Período
Modelo B (1,0,0) Modelo C (2,0,0) Modelo 1 Modelo 2

(0,1,1)₁₂ com drift (0,1,1)₁₂ com drift (ANA) (AAA)
Erro Percentual Erro Percentual Erro Percentual Erro Percentual
Jan/2015 9,045761 6,869345 13,524909 4,39972495
Fev/2015 5,757624 5,173331 6,120888 1,66115190
Mar/2015 6,307490 6,271111 6,611986 0,48142428
Abr/2015 10,102566 10,507537 10,172056 17,00687993
Mai/2015 7,086204 6,940374 8,062189 0,08134605
Jun/2015 12,550904 12,150839 7,943997 18,24403481
Jul/2015 7,652888 7,861674 8,193998 1,07123575
Desvio Padrão dos Desvio Padrão dos Desvio Padrão dos Desvio Padrão dos
Erros Erros Erros Erros
2,386705 2,480234 2,506069 7,980229
De acordo com a Tabela 12, pode-se afirmar que o Modelo 2 apresentou os menores
erros percentuais, enquanto o Modelo 1 apresentou os maiores erros. Ao analisar os erros
46
dentro da amostra (Tabela 11), também se percebe que este modelo revela a maior
discrepância dentre os quatro modelos estudados. Dessa forma, o Modelo 1 foi descartado.
O Modelo 2, apesar de possuir os menores erros em geral, apresenta dois erros
significativos, com valores que extrapolam os limites aceitáveis para a empresa. Esta
alteração é evidenciada por meio do valor do desvio padrão dos seus erros, que apresenta um
valor elevado quando comparado aos outros modelos. Portanto, sugere-se que esse modelo
também seja eliminado.
Os outros dois modelos (B e C) possuem maior consistência em relação à variância
dos erros, representando alternativas melhores para a realização de previsões. Contudo, os
Modelos B e C apresentam erros próximos, tanto dentro quanto fora da amostra, assim como
U de Theil de valores semelhantes (Tabela 8), o que dificulta a escolha do melhor modelo.
Entretanto, o Modelo B mostra-se mais parcimonioso, já que não possui o coeficiente AR2
(processo autorregressivo de segunda ordem). Portanto, o Modelo B foi selecionado para
realizar a previsão de vendas neste trabalho.
4.5.1 Apresentação do Modelo Selecionado
O Modelo B é identificado como um ARIMA (1,0,0) (0,1,1)₁₂ com drift. Como visto
anteriormente, este modelo representa adequadamente os dados, visto que satisfaz as
condições de adequação: os resíduos apresentam distribuição normal, têm variância constante,
e não são autocorrelacionados. Portanto, foi desenvolvida uma previsão de vendas baseada
nos parâmetros desse modelo. Os gráficos de autocorrelação e autocorrelação parcial do
modelo têm característica de um ruído branco, como se pode observar na Figura 18.
Figura 18 – ACF e PACF do modelo ARIMA (1,0,1) (0,1,1)₁₂ com drift

47
A equação final do modelo pode ser observada na Equação 6, onde AR1=0,2146,

SMA1=−0,9972, e drift=20.432,46.
𝒀𝒕 = 𝟐𝟎𝟒𝟑𝟐, 𝟒𝟔 + 𝟎, 𝟐𝟏𝟒𝟔𝒀𝒕−𝟏 + 𝒆𝒕 − 𝟎, 𝟗𝟗𝟕𝟐𝒆𝒕−𝟏𝟐 . (6)
Na Tabela 13, é apresentada a previsão de vendas para os sete primeiros meses do ano
de 2015. Os valores preditos foram comparados aos valores observados, com o intuito de
quantificar a discrepância entre estas medidas.
Tabela 13 – Valores de Previsão do Modelo B

Mês/Ano Valores Preditos Valores Observados Erro Absoluto Erro Percentual (%)
Jan/2015 7.839.508 8.619.179 779.671 9,05
Fev/2015 9.306.650 9.875.229 568.579 5,76
Mar/2015 12.543.977 13.388.452 844.475 6,31
Abr/2015 14.064.402 12.773.909 1.290.493 10,10
Mai/2015 10.557.967 11.363.186 805.219 7,09
Jun/2015 10.346.965 9.193.143 1.153.822 12,55
Jul/2015 10.264.467 11.115.093 850.626 7,65
O Modelo B apresenta um MAPE de 8,516% dentro da amostra, e um MAPE de

8,358% e U de Theil de 0,4252 fora da amostra. A Figura 19 apresenta graficamente a
previsão do Modelo B, onde a linha tracejada apresenta os valores estimados para o modelo.
Figura 19 – Gráfico da previsão para o Modelo B.

48
4.6 COMPARAÇÃO DO MODELO PROPOSTO COM O UTILIZADO PELA EMPRESA
O propósito deste trabalho é desenvolver uma previsão de vendas para uma indústria
têxtil, que apresente desempenho satisfatório quando comparada à previsão utilizada
atualmente. Portanto, é necessário comparar a previsão atual utilizada com a previsão
proposta neste trabalho.
A previsão atual da empresa é resultado de uma combinação entre métodos
quantitativos e qualitativos. Quantitativos por utilizarem dados históricos para o
desenvolvimento da previsão, e qualitativos por considerarem também a opinião da equipe de
vendas e dos diretores da empresa. Entretanto, não é utilizado um método específico para o
desenvolvimento da previsão.
Para o cálculo da previsão, a empresa utiliza dados passados, variando entre dois a três
anos. A esses dados é aplicado um crescimento esperado para a empresa, resultando assim na
previsão estimada. A previsão é então encaminhada para os gerentes e diretores, que, de
acordo com a sua opinião e expectativa de mercado e dos seus principais clientes, realizam
ajustes.
A Tabela 14 apresenta uma comparação entre a previsão atual e a previsão proposta
neste trabalho. Para efeito de comparação, foram utilizados os dados referentes aos sete
primeiros meses de 2015, com o intuito de quantificar e comparar os erros das previsões com
os valores observados.
Tabela 14 – Comparação entre a previsão proposta e a atual

Período Previsão Proposta Erro Percentual Previsão Atual Erro Percentual
Jan/2015 7.839.508 9,0458 10.113.000 17,3314
Fev/2015 9.306.650 5,7576 11.627.000 17,7390
Mar/2015 12.543.977 6,3075 13.118.000 2,0200
Abr/2015 14.064.402 10,1026 14.992.000 17,3642
Mai/2015 10.557.967 7,0862 11.939.000 5,0674
Jun/2015 10.346.965 12,5509 11.510.000 25,2020
Jul/2015 10.264.467 7,6529 10.394.000 6,4875
Portanto, de acordo com a análise da Tabela 14, é possível determinar que, de forma
geral, o modelo atual apresenta erros mensais mais altos que o modelo proposto. Além disso,
pode-se afirmar que o modelo utilizado pela empresa apresenta maior instabilidade, visto que
em algumas observações apresentou uma alta discrepância. Portanto, o modelo utilizado
49
apresenta um maior risco ao ser utilizado como ferramenta gerencial devido à grande
amplitude nos seus erros percentuais.
De acordo com a Tabela 15, é possível determinar que, em todos os erros analisados
neste trabalho, o modelo proposto teve desempenho superior ao modelo atual de previsão. O
MAPE do modelo atual é de 13,0302%, enquanto o MAPE do modelo proposto é de 8,358%.
Já o U de Theil do modelo atual é 0,7016, enquanto o U de Theil do Modelo B (proposto) é
0,4252. Portanto, as estatísticas confirmam que o modelo sugerido neste trabalho tem maior
acurácia do que a previsão utilizada na empresa atualmente.
Tabela 15 – Erros das previsões proposta e atual

Estatística
Previsões
Proposta Atual
Fora da amostra Fora da amostra
ME 200.608 -1.052.116
MAE 898.983 1.335.414
MPE 1,885 -10,599
MAPE 8,358 13,030
U de Theil 0,4252 0,7010
A Figura 20 compara os valores observados, com os valores da previsão atual

desenvolvida pela empresa e a previsão proposta neste trabalho. De acordo com a figura, é
possível observar que os valores da previsão proposta pelo Modelo B estão mais próximos
dos valores observados, e, portanto, representa a melhor opção para realizar previsões.
Figura 20 – Comparação entre os valores observados e as previsões

R$16.000.000,00
R$14.000.000,00
R$12.000.000,00
R$10.000.000,00
R$8.000.000,00
R$6.000.000,00
- 1,00 2,00 3,00 4,00 5,00 6,00 7,00 8,00
Previsão Atual Previsão Proposta Valores Observados

50
6 CONSIDERAÇÕES FINAIS
Este trabalho foi desenvolvido com o objetivo de desenvolver uma previsão de vendas
para uma indústria têxtil, por meio da aplicação de métodos de previsão de séries temporais.
O modelo utilizado pela empresa atualmente não contempla uma metodologia específica, e,
portanto, busca-se evidenciar que por meio da aplicação de métodos estatísticos, a indústria
será capaz de desenvolver modelos de melhor qualidade, com menores erros de previsão.
Para o desenvolvimento dos modelos, foram utilizados os métodos de Suavização
Exponencial e a metodologia ARIMA de Box-Jenkins. Ambas as metodologias exigem que o
pesquisador identifique o modelo que define o comportamento dos dados de melhor modo.
Assim, após o desenvolvimento dos modelos, deve-se verificar a adequação dos mesmos. Os
modelos adequados, então, são analisados quanto à sua acurácia.
De acordo com o método de Suavização Exponencial de Holt-Winters, foi possível
selecionar dois modelos adequados. Após análise dos seus comportamentos, um dos modelos
(AAA) foi identificado como inapropriado para realizar previsões, visto que apresenta grande
variabilidade entre os resíduos. O outro modelo de SE, com erro aditivo, sem tendência, e
com sazonalidade aditiva (ANA), apesar de apresentar valores mais altos para os erros, pode
ser utilizado para o desenvolvimento de previsões.
Já a metodologia de Box-Jenkins apontou diversos modelos como adequados. A
metodologia permite um grande número de combinações de modelos possíveis, e, portanto,
revela-se um modelo versátil. Entretanto, devido à grande variação de modelos, o pesquisador
pode encontrar dificuldade na seleção do modelo de maior qualidade.
Todavia, após a análise de diversas características dos modelos, como os erros
percentuais, o MAPE, a estatística U de Theil, e a avaliação da sua parcimônia, foi eleito o
modelo de maior qualidade. Esse modelo também apresentou melhor desempenho quando
comparado ao modelo selecionado pelo método de Holt-Winters.
Por conseguinte, o modelo ARIMA (1,0,0) (0,1,1)₁₂ com drift, nomeado Modelo B
neste trabalho, apresentou a melhor qualidade dentre os modelos testados. Esse modelo
selecionado foi confrontado também com o modelo de previsão atualmente utilizado pela
empresa. De acordo com a comparação, pode-se afirmar que o modelo proposto neste trabalho
evidencia uma melhor opção de previsão para a empresa, visto que apresenta menores erros
de previsão, além de revelar-se um modelo mais estável.
51
Assim, com base nos resultados atingidos neste trabalho, se aceita a hipótese de que,
por meio da aplicação de métodos de previsão de séries temporais é possível desenvolver
modelos de previsão com menores discrepâncias, e consequentemente, de melhor qualidade.
A redução dos erros de previsão é de grande valia para a empresa, visto que seu planejamento
estratégico é fundamentado de acordo com os resultados esperados a partir da previsão de
vendas.
De acordo com a previsão, também é avaliado se a empresa apresenta resultados que
satisfazem às expectativas dos gerentes e diretores executivos. Caso o modelo represente um
cenário negativo para a organização, é possível o desenvolvimento de um plano de ações que
permita que a mesma apresente resultados futuros melhores. Dessa forma, a previsão funciona
também como ferramenta preventiva nessa organização.
Os resultados obtidos neste trabalho retratam a previsão de vendas da empresa,
contudo, deve-se ressaltar que a previsão em si é apenas um meio, e não uma decisão. Ou
seja, a previsão, por si só, não é capaz de determinar sua aplicabilidade. Sua eficiência como
ferramenta auxiliar na estratégia da organização e no seu planejamento e controle de insumos
e estoques dependerá da sua aplicação.
Como continuidade a este trabalho, sugere-se que a empresa passe a monitorar a
qualidade de suas previsões. O monitoramento das previsões é tão importante quanto seu
desenvolvimento, pois esse acompanhamento permite que a empresa identifique o momento
em que a previsão deixa de representar o comportamento dos dados de forma coerente.
Sugere-se também, que sejam realizados estudos relacionando a capacidade produtiva da
indústria com a previsão de demanda desenvolvida neste trabalho.
Os resultados atingidos neste trabalho podem, ainda, ser comparados com outros
métodos de realizar previsões. Nesse cenário, poderiam ser explorados modelos causais, como
os de regressão linear, múltipla, e dinâmica, e também métodos qualitativos. Sugere-se
também que sejam realizadas mais pesquisas aplicadas de modelos autorregressivos de
médias móveis que incluam a constante drift, visto que sua inserção representou maior
dificuldade no desenvolvimento deste trabalho devido à limitação de pesquisas que abordem o
tema.
52
REFERÊNCIAS BIBLIOGRÁFICAS
ABIT. Associação Brasileira da Indústria Têxtil e de Confecção. O Poder da Moda: cenários,

desafios e perspectivas. São Paulo: 2015.
AZEVEDO, G. H. W. A Indústria Têxtil Brasileira: Desempenho, Ameaças e Oportunidades,

1997. 88f. Dissertação (Mestrado em Administração). Universidade Federal do Rio de Janeiro,
Rio de Janeiro.
BOX, G. E. P.; JENKINS, G. M.; REINSEL, G. C. Time Series Analysis: forecasting and
control. Englewood Cliffs: Prentice Hall, Inc., 1994.
COSTA, A. C. R.; ROCHA, E. R. P. Panorama da Cadeia Produtiva Têxtil e de Confecções e a

Questão da Inovação. BNDES. BNDES Setorial. Rio de Janeiro, n. 29, p. 159-202, 2009.
CRIBARI NETO, F. O comportamento estocástico do produto no Brasil. Pesquisa e

Planejamento Econômico, v. 2, p. 381-402, ago. 1990.
EHLERS, R. S. Análise de Séries Temporais. 5. ed. 2009. Disponível em:

<http://www.icmc.usp.br/~ehlers/stemp/stemp.pdf>. Acesso em 26 set. 2015.
FACHIN, O. Fundamentos de Metodologia. 3. ed. São Paulo: Saraiva, 2001.
FLEURY, A. O que é engenharia de produção? BATALHA, M. O. Introdução à Engenharia de

Produção. Rio de Janeiro: Campus, 2008.
GIL, A. C. Como Elaborar Projetos de Pesquisa. 4. ed. São Paulo: Atlas, 2002.
HYNDMAN, R. J. Testing for trend in ARIMA models. 2014. Disponível em: <
http://robjhyndman.com/hyndsight/arima-trends/>. Acesso em 15 out. 2015.
HYNDMAN, R. J.; ATHANASOPOULOS, G. Forecasting: principles and practice. 2013.

Disponível em: <https://www.otexts.org/fpp/>. Acesso em 04 out. 2015.
HYNDMAN, R. J., KANDAKHAR, Y. Automatic time series forecasting: the forecast package
for R. Journal of Statistical Software, v. 26, n. 3, p. 1-22, 2008. Disponível em:
<http://ideas.repec.org/a/jss/jstsof/27i03.html>. Acesso em 15 ago. 2015.
53
HYNDMAN, R. J.; KOEHLER, A. B.; ORD, J. K.; SNYDER, R. D. Forecasting with

Exponential Smoothing: the state space approach. Berlin: Springer, 2008.
HYNDMAN, R. J.; KOEHLER, A. B.; SNYDER, R. D.; GROSE, S. A state space framework for
automatic forecasting using exponential smoothing methods. International Journal of
Forecasting, v. 18, p. 439-454, set. 2002.
IEMI. Instituto de Estudos e Marketing Industrial. Mercado Potencial de Cama, Mesa, Banho e
Decorativos. São Paulo, 2014.
KOTLER, P.; KELLER, K. L. Administração de Marketing. 14. ed. São Paulo: Pearson
Education do Brasil, 2012.
MAKRIDAKIS, S.; WHEELWRIGHT, S. C.; HYNDMAN, R. J. Forecasting: methods and

applications. 3. ed. United States: John Wiley & Sons, Inc., 1998.
MARCONI, M. A.; LAKATOS, E. M. Metodologia Científica. 5. ed. São Paulo: Atlas, 2008.
MONTGOMERY, D. C.; JENNINGS, C. L.; KULAHCI, M. Introduction to Time Series

Analysis and Forecasting. Hoboken: John Wiley & Sons, Inc., 2008.
MORETTIN, P. A.; TOLOI, C. M. C. Análise de Séries Temporais. 2. ed. São Paulo: Blücher,
2006.
PEINADO, J.; GRAEML, A. R. Administração da Produção: operações industriais e de

serviços. Curitiba: UnicenP, 2007.
PINHEIRO, J. M. S. Da Iniciação Científica ao TCC Uma Abordagem para os cursos de

Tecnologia. Rio de Janeiro: Ciência Moderna, 2010.
R CORE TEAM. R: A language and environment for statistical computing. R Foundation for
Statistical Computing, Vienna, Austria. Disponível em: <http://www.R-project.org>. Acesso em:
15 ago. 2015.
SAMOHYL, R. W; SOUZA, G. P.; MIRANDA, R. G. Métodos Simplificados de Previsão

Empresarial. Rio de Janeiro: Ciência Moderna, 2008.
SHIM, J. K. Strategic Business Forecasting: including business forecasting tools and

applications. Cranbrook: Global Professional Publishing, 2009.
54
SOUZA, G. P. Previsão do Consumo Industrial de Energia Elétrica no Estado de Santa

Catarina, 2005. 145f. Dissertação (Mestrado em Engenharia de Produção). Universidade Federal
de Santa Catarina, Florianópolis.
WESTON, J. F.; BRIGHAM, E. F. Fundamentos da Administração Financeira. 10. ed. São

Paulo: Pearson Makron Books, 2000.

Aplicação de Métodos de Previsão de Vendas

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Aplicação de Métodos de Previsão de Vendas

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE DO ESTADO DE SANTA CATARINA

CENTRO DE CIÊNCIAS TECNOLÓGICAS

PATRÍCIA BUDAL BRUNATO

APLICAÇÃO DE MÉTODOS DE PREVISÃO DE

APLICAÇÃO DE MÉTODOS DE PREVISÃO DE SÉRIES TEMPORAIS EM UMA

Trabalho de Conclusão apresentado ao Curso

Orientadora: Prof.ª Elisa Henning, Dra.

APLICAÇÃO DE MÉTODOS DE PREVISÃO DE SÉRIES TEMPORAIS EM UMA

Trabalho de Conclusão apresentado ao Curso de Engenharia de Produção e Sistemas, da

Joinville, Novembro de 2015.

Durante a última década, a indústria têxtil brasileira experimentou constantes flutuações de

Palavras-chave: Previsão de Vendas. Métodos de Previsão. Séries Temporais. Indústria

Tabela 1 – Produção mundial de têxteis em 2012 .................................................................... 13

ABIT Associação Brasileira da Indústria Têxtil e de Confecção

O principal desafio de uma organização na atualidade é manter-se competitiva no

observações feitas ao longo do tempo, ordenadas cronologicamente. Previsões a partir de

2.1 PANORAMA DO SETOR TÊXTIL

Tabela 1 – Produção mundial de têxteis em 2012

Fonte: Adaptado de IEMI (2014)

2.2 PREVISÃO DE VENDAS

A previsão é uma predição de um evento futuro (MONTGOMERY; JENNINGS,

desenvolvidos o planejamento e a execução das atividades de produção. As previsões de

Figura 2 – Fluxo de informação entre as previsões de vendas e o planejamento do negócio

Marketing - Propaganda e força de vendas Planejamento de Previsão

Organização da - Capacidade Planejamento de Produção

Escritório - Metas da organização: Lucros, retorno Objetivos da Empresa

Fonte: Adaptado de Makridakis, Wheelwright e Hyndman (1998)

2.2.1 Métodos de Previsão de Vendas

Atualmente, existem diversos tipos de métodos de previsão, variando de métodos

Segundo Makridakis, Wheelwright e Hyndman (1998), os métodos de previsão variam de

O custo do erro de previsão pode ser substancial. O responsável por desenvolver as

Dessa forma, a seleção e a aplicação do método correto são imprescindíveis para o

Figura 3 – Fluxograma do processo de previsão de vendas

Fonte: Primária (2015)

2.3 SÉRIES TEMPORAIS

Atualmente, existem diversos métodos estatísticos de previsão de séries temporais. A

2.4 MÉTODOS DE SUAVIZAÇÃO EXPONENCIAL

De acordo com Samohyl, Souza e Miranda (2008), os métodos de previsão por

2.4.1 Médias Móveis Simples (MMS)

2.4.2 Suavização Exponencial Simples (SES)

2.4.3 Suavização Exponencial de Holt (SEH)

Em 1957, Holt expandiu o método de suavização exponencial simples para ser

2.4.4 Suavização Exponencial Sazonal de Holt-Winters (HW)

Em 1960, Winters aprimorou o método desenvolvido por Holt, permitindo que o

2.4.5 Classificação dos Métodos de Suavização Exponencial

Como exemplo, o modelo AA apresenta tendência e sazonalidade aditivas, e poderia ser

Figura 4 – Classificação dos métodos de SE quanto à tendência e sazonalidade

Outra nomenclatura referente à categorização dos métodos de séries temporais

Figura 5 – Classificação dos métodos de SE quanto ao erro, tendência e sazonalidade

Fonte: Primária (2015)

2.4.6 Comparação entre os Métodos de Suavização Exponencial

Os quatro métodos apresentados anteriormente apresentam características

indicado, independente da existência de tendência. Essas variações devem ser identificadas

2.5 MÉTODO ARIMA

O método ARIMA tem como intenção descrever a autocorrelação da série

2.5.1 Modelo ARIMA Não Sazonal

gráfico da série temporal. Um exemplo de gráfico de uma série estacionária é demonstrado na

Figura 6 – Exemplo de gráfico de uma série temporal estacionária

Fonte: Hyndman e Athanasopoulos (2013)

O gráfico da função de autocorrelação (ACF) também pode ser examinado, já que em

Figura 7 – Gráfico de ACF de um MA(1)

Fonte: Primária (2015)

2.5.2 Modelo ARIMA Sazonal