Sales Forecasting Using Time Series Models with Exogenous Logistics Variables
Resumo
O Planejamento de Vendas e Operações (S&OP) busca balancear a oferta e a demanda. Contudo, modelos univariados tradicionais baseiam-se apenas no histórico de vendas, ignorando flutuações logísticas. Este estudo propõe o uso do modelo preditivo multivariado (SARIMAX), integrando a pressão de estoque e metas orçamentárias como covariáveis exógenas de impacto logístico. Utilizando validação out-of-sample em dados reais de manufatura, compararam-se sete modelos. O modelo SARIMAX superou estatisticamente os métodos clássicos (variáveis endógenas), alcançando uma Acurácia Volumétrica de 98,13% com MAPE médio global de 2,85%, chegando a 2,2% em simulações de previsões de médio prazo. Conclui-se que o aprendizado estocástico aliado à incorporação de variáveis exógenas logísticas contribui para as projeções, viabilizando a redução de custos no S&OP.
Referências
Coelho, L. C., Follmann, N., and Rodriguez, C. M. T. (2009). O impacto do compartilhamento de informações na redução do efeito chicote na cadeia de abastecimento. Gestão & Produção, 16(4):571–583.
Heizer, J. and Render, B. (2011). Operations Management. Prentice Hall, New Jersey, 10 edition.
Hyndman, R. J. and Athanasopoulos, G. (2021). Previsão: Princípios e prática. OTexts, Melbourne, Australia, 3 edition.
Khaw, B., Irwanto, R., Yunis, R., and Elly, E. (2025). Analisis time series dan perancangan dashboard untuk memprediksi penjualan dengan metode prophet dan sarimax. Jurnal SIFO Mikroskil, 26(2):207–222.
Kimball, R. and Ross, M. (2013). The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling. Wiley, Indianapolis, 3 edition.
Morettin, P. A. and Toloi, C. M. C. (2006). Análise de séries temporais. Blucher, São Paulo, 2 edition.
Oliveira, F. S., Costa, L. R., and Almeida, P. H. (2023). Flood forecasting using recurrence plots and convolutional neural networks. In Anais do Encontro Nacional de Inteligência Artificial e Computacional (ENIAC), Brasil. SBC.
Saadeddin, Z. (2024). Arima para previsão de séries temporais: Um guia completo. Acessado em: 08 abr. 2026.
Silva, J. A., Pereira, M. L., and Santos, R. C. (2020). Previsão da demanda de energia elétrica na região sul do brasil utilizando séries temporais. In Anais do Encontro Nacional de Inteligência Artificial e Computacional (ENIAC), Brasil. SBC.
Silva Junior, L. J. d. and Costa, F. P. (2014). Aplicação dos métodos de amortecimento exponencial para previsão de demanda de clientes em oficina mecânica automotiva. In Anais do IV Congresso Brasileiro de Engenharia de Produção (ConBRepro), Ponta Grossa, PR.
Slack, N., Chambers, S., and Johnston, R. (2002). Administração da Produção. Atlas, São Paulo, 2 edition.
Wallace, T. F. (2001). Planejamento de vendas e operações: guia prático. IMAM, São Paulo.
