Dissertação de Mestrado

A tomada de decisão gerencial tem um papel importante no gerenciamento da cadeia de suprimentos. Modelar e prever demanda de mercado é uma abordagem amplamente discutida com relação a facilitar este processo de tomada de decisão. Este trabalho teve como objetivo investigar os benefícios da utilização de indicadores macroeconômicos bem como modelos não paramétricos para a previsão de demanda quando comparados aos modelos clássicos, tendo como premissa dados de processos de manufatura de componentes elétricos do mercado Brasileiro. Primeiramente, uma extensa revisão da literatura foi realizada para prover embasamento teórico com relação a séries temporais, modelos paramétricos e não paramétricos e medidas de qualidade e desempenho de previsões. No geral, para previsões de 6 ou 12 meses, os modelos clássicos como ARIMA e SARIMA mostraram bom desempenho. As variáveis independentes melhoraram o desempenho de modelos paramétricos e não paramétricos. Três medidas de acurácia para avaliação dos modelos foram utilizadas: média do erro absoluto (MAE), porcentagem média do erro absoluto (MAPE) e raiz quadrada do erro quadrático médio (RMSE). Para acadêmicos, este trabalho provê sólidas informações com relação ao uso e sustentabilidade de resultados de modelos de séries temporais para uma área pouco explorada até o momento, equipamentos de manufatura industrial do mercado Brasileiro. Para a utilização prática, o maior valor agregado está na aplicação de uma vasta gama de modelos e suas implicações práticas para uma tomada de decisões relacionadas ao gerenciamento da cadeia de suprimentos.

The managerial decision making plays a key role in supply chain management. Modelling and forecasting demand are a well discussed approach that has been used in order to facilitate its decision-making process. This work aims to investigate the benefit on using macroeconomic measurements and nonparametric models to forecast demand by comparing its performance with classic models, having as assumption real demand data from electrical equipment market in Brazil. Firstly, an extensively literature review was performed in order to provide theoretical background about time series, parametric and nonparametric models and performance measurements. Secondly, several models were fit to the available data and future steps forecasted. At least, performance metrics were evaluated and a better model choose to forecast data. In general, for 6 or 12 months forecast, classical models as ARIMA performed well. Independent variables were able to improve both parametric and non parametric models. Three different accuracy metrics were used in this definition: root mean square error (RMSE), mean absolute error MAE and mean absolute percentage error MAPE. For academic researchers, this work provides solid information about usage and suitability of many different time series forecasting models for a less explored area, Brazilian electric equipment manufacturing industry. For practitioners, the major value is the wide range of available models to forecast demand and its implication in daily supply chain management decisions.