A precisão das previsões de demanda permite alocar e planejar melhor os recursos, melhorando o planejamento de vendas e operações. Este trabalho propõe um processo de calibração e seleção de modelos para previsão de séries temporais aplicados em uma empresa de eletroeletrônicos. Os modelos de previsão de suavização exponencial, SARIMA e aprendizagem profunda LSTM foram selecionados com base em sua ampla utilização na comunidade científica. Primeiro, esses modelos são definidos com base em seus hiperparâmetros. O domínio de um hiperparâmetro pode ser de valor real, de valor inteiro, binário ou categórico. Quais valores escolher é crítico, pois definirão a forma funcional final das equações de previsão, incluindo o número final de parâmetros que precisam ser determinados. Em seguida, os domínios limitados dos hiperparâmetros são definidos e uma lista de vetores são construídos. Cada vetor é aplicado aos modelos para encontrar aquele com melhor desempenho, um processo definido por busca em rede. Antes do processo ser implantado, é apresentada uma discussão sobre o pré-processamento dos dados. As etapas utilizadas neste trabalho incluem preenchimento de valores faltantes, definição de periodicidade da série temporal, decomposição da série temporal em tendência/sazonalidade para ser usada como um regressor adidiconal aos modelos. Para definir o desempenho de cada vetor de hiperparâmetros e como cada modelo se compara, métricas de erro são definidas, e um índice de desempenho multicritério é proposto. Por fim, os resultados são discutidos comparando os três modelos com os melhores resultados encontrado. O diagnóstico do modelo ajustado mostra oportunidades no pré-processamento dos dados aqui não considerados, como transformação e/ou tratamento robusto de outliers para a série temporal. No entanto, os resultados das previsões mostram o ganho no desempenho em comparação com os métodos utilizados anteriormente e o processo aqui proposto pode ajudar os profissionais a reduzir a complexidade ao implementar tais modelos num ambiente de negócios.

Demand forecasting accuracy allows the possibility to better allocate and plan resources improving sales and operations planning (S&OP). This work proposes a process to calibrate and select models for time series forecasting. Exponential smoothing, SARIMA and deep learning LSTM forecasting models were selected based on its wide use in the scientific community. First these models are defined based on their hyperparameters. The domain of a hyperparameter can be real-valued, integer valued, binary or categorical. Which values to choose is critical since it will define the final functional form of the forecasting equations, including the final number of parameters that needs to be determined. Then, for each model, the hyperparameters bounded domain are defined and a list of vectors is built. Each vector is applied to the models to find the one with best performance, what is defined as a grid search process. Before the process is deployed, a discussion of pre-processing the data is presented which includes fill in missing values, defining time series periodicity and decomposition of the time series in trend/seasonality to be use as additional regressor for the models. To defined how each hyperparameter vector performed and how each model compares, a multi-criteria performance index is proposed. Finally, the results are discussed comparing all three models and what were the best results found. The diagnostic of the fitted model shows opportunities to address data pre-processing not here considered such as, transformation and/or a robust outliers treatment for the time series. Nevertheless, the out of sample results shows the gain in prediction performance comparing to previous methods used and the process here proposed could help practitioners reduce complexity when implementing such models in a business environment.