Previsão e Séries Temporais para Tomada de Decisão Empresarial em uma Indústria Moveleira da Região de Criciúma–SC - DOI: http://dx.doi.org/10.16930/2237-7662/rccc.v11n32p26-42

• Autor(a) principal: Queiroz, Fernanda Cristina Barbosa Pereira
• Data de Publicação: 2012
• Outros Autores: Hékis, Hélio Roberto, Andrade, Dalliane Vanessa Pires, Queiroz, Jamerson Viegas, Macêdo, Danielle Moraes de
• Tipo de documento: Artigo
• Idioma: por
• Título da fonte: Revista Catarinense da Ciência Contábil (Online)
• Texto Completo: https://revista.crcsc.org.br/index.php/CRCSC/article/view/1316
• topic: Previsão; Séries temporais; Decisões empresariais.

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.