Previsão e Séries Temporais para Tomada de Decisão Empresarial em uma Indústria Moveleira da Região de Criciúma–SC

• Fernanda Cristina Barbosa Pereira Queiroz ^[1] ; Hélio Roberto Hékis ^[1] ; Dalliane Vanessa Pires Andrade ^[1] ; Jamerson Viegas Queiroz ^[1] ; Danielle Moraes de Macêdo ^[1]
  1. [1] Universidade Federal do Rio Grande do Norte

     Universidade Federal do Rio Grande do Norte

     Brasil

     
• Localización: Revista Catarinense da Ciência Contábil, ISSN-e 2237-7662, ISSN 1808-3781, Vol. 11, Nº. 32, 2012, págs. 26-42
• Idioma: portugués
• Enlaces
  • Texto completo (pdf)
• Resumen

  • Uma previsão adequada deve dar suporte a uma decisão minimizadora de risco por parte dos tomadores de decisão, sendo essencial para o planejamento individual e organizacional de agentes econômicos. Neste sentido, o objetivo deste artigo é realizar um estudo sobre previsão e séries temporais para tomada de decisão empresarial em uma indústria moveleira da região de Criciúma-SC. A metodologia utilizada fundamenta-se na construção de modelos univariados de previsão de preços, com base em dados de séries temporais. O estudo é classificado como exploratório, bibliográfico e um estudo de caso com dados quantitativos. Há uma grande variedade de modelos aplicáveis a estudos desta natureza. Para fins desta pesquisa, optou-se por selecionar o método linear Holt e Holt-Winters e o modelo ARIMA (Auto Regressive Integrate Moving Average). Procurou-se, neste sentido, apresentar os diferentes modelos disponíveis na literatura, objetivando estimar a demanda por móveis para banheiro e projetar vendas futuras. Os resultados mostraram que o modelo ARIMA (Auto Regressive Integrate Moving Average) não se mostrou eficiente no caso analisado, devido ao número pequeno de dados, o que impossibilitou uma análise da sazonalidade, sugerindo-se que a empresa utilize o método de Holt, a fim de estimar o número de produtos a ser vendido e que, à medida que os novos produtos sejam vendidos, os demais modelos sejam testados novamente, uma vez que a incorporação de novos dados irá permitir confirmar a existência ou não da sazonalidade.