Ramos, Maria do RosárioLaranjeira, Nadine Miranda2025-05-162025-05-162025-04-142025-05-16http://hdl.handle.net/10400.2/19888Tese de Mestrado em Bioestatística e Biometria, apresentada à Universidade AbertaCom o aumento da faturação, surge a necessidade das empresas possuírem ferramentas de análise de dados que lhes forneçam informação útil, para o apoio do processo de tomada de decisão. Neste âmbito, os modelos de previsão são importantes para gerir o planeamento, controlar o stock e antever a faturação. O presente trabalho visa a aplicação de modelos de previsão e regressão para séries temporais a uma indústria de calçado, criando para tal um modelo de previsão das vendas de maneira a controlar fatores produtivos. Os modelos explorados têm por base dados históricos das vendas (variável de resposta) bem como as previsões mensais que o cliente partilha no início de cada ano (variável exógena). Considerando que estes dados podem apresentar tendência e efeito sazonal, foram aplicados modelos autorregressivo integrado e médias móveis (ARIMA) e de regressão dinâmica linear. De modo a garantir os pressupostos para avaliação da qualidade dos modelos, foram aplicadas a transformação Box-Cox e a diferenciação sazonal. Os resultados demonstraram que a combinação de técnicas aumenta significativamente a precisão preditiva e a robustez dos modelos para séries temporais. Foram estudados modelos de previsão para 5 artigos de calçado produzidos pela empresa, tendo sido o modelo de regressão dinâmica o que se mostrou mais adequado para previsão em quatro dos artigos da produção e o modelo ARIMA para um dos artigos.With the increase in revenue, companies face the need for data analysis tools that provide useful information to support the decision-making process. In this context, forecasting models are essential for managing planning, controlling inventory, and predicting revenue. This study aims to apply forecasting and regression models for time series to a footwear industry, developing a forecasting model for revenue to manage production factors. The models explored are based on historical sales data (response variable) as well as monthly forecasts shared by the client at the beginning of each year (exogenous variable). Considering that this data may exhibit trends and seasonal effects, autoregressive integrated moving average (ARIMA) models and dynamic linear regression models were applied. To ensure the assumptions required for evaluating the quality of the models, the Box-Cox transformation and seasonal differencing were applied. The results demonstrated that combining techniques significantly improves predictive accuracy and the robustness of time series models. Forecasting models were studied for five footwear products manufactured by the company, with the dynamic regression model proving to be the most suitable for forecasting four of the products, while the ARIMA model was better suited for one of the products.porModelos ARIMAPrevisãoRegressão dinâmicaSéries temporais de vendasIndústria do calçadoARIMA modelsDynamic regressionForecastingSales time seriesmaster thesis