Métodos de previsão de séries temporais: uma aplicação a dados do segmento do retalho

Abstract

Os métodos de previsão constituem uma ferramenta fundamental nos processos de tomada de decisão em muitas áreas, como em Economia, Gestão e Finanças ou em Ambiente. Na área da Economia, nomeadamente no segmento do retalho, a previsão de vendas suporta grande parte das decisões de planeamento estratégico de qualquer empresa e deve ser o mais precisa possível para garantir a rentabilidade da empresa. Neste trabalho, é estudado um conjunto de séries temporais do segmento do retalho, relativas à variável índice de volume de negócios (TOVT), recolhidas nas bases de dados do Eurostat: séries temporais de Portugal, Alemanha, Espanha, França, Itália, Países Baixos e Reino Unido. Como muitas outras séries económicas, as vendas no segmento do retalho apresentam fortes tendências e padrões sazonais. A escolha do melhor processo para modelar e prever esses padrões tem sido um problema recorrente na análise de séries temporais. O principal objetivo deste trabalho consiste em avaliar a precisão de vários métodos de previsão, na área da modelação de séries temporais, aplicados a dados do segmento do retalho, de forma a identificar as metodologias mais adequadas. Desta forma, é proposta a comparação da precisão entre os modelos ARMA e respetivas extensões, os modelos de decomposição clássica associados a modelos de regressão linear múltipla e os métodos de alisamento exponencial (Holt-Winters). A escolha destes métodos deve-se à sua capacidade de modelar tendências e flutuações sazonais presentes em dados económicos, particularmente em dados do segmento do retalho. Para avaliar a capacidade preditiva das três metodologias adotadas, são utilizadas diversas medidas de avaliação, nomeadamente o EQM, o REQM, o EPAM, o EEAM e a estatística U de Theil. Os resultados deste estudo comparativo sugerem que os modelos de regressão linear múltipla não são os mais adequados para prever índices de vendas no retalho, enquanto os modelos SARIMA são identificados como os mais precisos. Apesar de não serem considerados como os mais apropriados, os modelos de Holt-Winters também constituem uma alternativa viável.

Forecasting methods are a key tool in decision-making processes in many areas, such as economics, management and finance, or environment. In the area of economics, particularly in the retail segment, sales forecasting supports most of the strategic planning decisions of any retail business, and must be as accurate as possible to ensure the company’s profitability. In this work we study a set of retail time series in the retail business, related to the variable index of turnover (TOVT), which was collected in the Eurostat retail databases: time series of Portugal, Germany, Spain, France, Italy, the Netherlands and United Kingdom. Like many other economic time series, retail sales present strong trends and seasonal patterns. How to best model and forecast these patterns has been a long-standing issue in time series analysis. The main propose of this work is to evaluate the accuracy of various forecasting methods, in the area of time series modelling, applied to data from the retail segment in order to identify the most appropriate methodologies. Thus, it is proposed to compare the accuracy of the ARMA models and their extensions, the classical decomposition time series associated with multiple linear regression models, and the exponential smoothing methods (Holt-Winters). These methods are chosen because of their ability to model trend and seasonal fluctuations present in economic data, particularly in retail sales data. In order to evaluate the predictive capacity of the three methodologies adopted, several evaluation measures are used, namely MSE, RMSE, MAPE, MASE and U-Theil statistic. The results of this comparative study suggest that multiple linear regression models are not the most appropriate to forecast retail sales indexes, while SARIMA models are identified as the most accurate ones. Although not considered the most appropriate, Holt-Winters models are also a viable alternative.