Combinação de métodos de previsão de séries temporais: um estudo comparativo entre as metodologias box-jenkins e de suavização exponencial e uma abordagem empresarial informal para previsão de faturamento.

Abstract

Este trabalho examina o desempenho de diferentes métodos de previsão aplicados ao faturamento mensal de uma empresa de serviços contábeis, buscando verificar em que medida abordagens estatísticas formais podem alterar o nível de acurácia obtido pelo procedimento atualmente utilizado pela organização. A pesquisa utiliza dados mensais de faturamento e número de clientes ativos, abrangendo 104 observações, das quais 48 compõem a amostra empregada na estimação dos modelos. Inicialmente, descreve o método heurístico adotado pela empresa, baseado no acréscimo fixo de 15% sobre o valor do mesmo mês do ano anterior. Em seguida, aplica os modelos sarimax e ets após a transformação logarítmica da série, a avaliação da estacionariedade e a verificação dos pressupostos por meio de testes de diagnóstico de resíduos. A comparação entre as previsões é realizada com base no Erro Percentual Absoluto médio (mape), no erro quadrático médio (rmse) e no índice u de theil. Os resultados indicam que os modelos estatísticos produzem estimativas com discrepâncias relativas menores em relação aos valores observados quando comparados ao método heurístico. O modelo sarimax permite incorporar o número de clientes ativos como variável explicativa e reproduz o comportamento sazonal e a tendência da série. O modelo ets registra desempenho consistente com sua estrutura determinística de nível, tendência e sazonalidade. A combinação linear das previsões do sarimax e do ets gera uma série preditiva que apresenta erros médios inferiores aos obtidos por cada um dos modelos individualmente, conforme as métricas utilizadas. O estudo mostra que o emprego de procedimentos econométricos pode modificar substancialmente o padrão de previsões obtido pelo método empírico vigente, fornecendo estimativas baseadas na estrutura estatística da série. Recomenda-se, para trabalhos futuros, a incorporação de variáveis adicionais e a investigação de modelos híbridos que integrem informações quantitativas e qualitativas.