08 de outubro de 2026
Avaliação do modelo SARIMA na previsão de preços de insumos em empresa de refeições coletivas
Avaliação do Modelo Sarima na Previsão de Preços de Insumos em Empresa de Refeições Coletivas
Leandro Pereira de Lacerda; Patrícia Belfiore Fávero
DOI: 10.22167/2675-6528-202603137
Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.
Resumo
A previsão de preços de insumos alimentícios em empresas de refeições coletivas representa um desafio complexo. Avaliou-se o modelo SARIMA para a previsão de preços de 23 insumos alimentícios em uma empresa do setor de refeições coletivas e analisou-se a correlação entre a base interna de preços e fontes públicas de mercado. A pesquisa adotou uma abordagem quantitativa, utilizando séries históricas mensais de janeiro de 2022 a março de 2025. Realizou-se a padronização e consolidação dos dados, seguida de análise de correlação de Pearson e Spearman. Na etapa preditiva, aplicou-se a metodologia de Box e Jenkins, que incluiu teste de estacionariedade (ADF), identificação via ACF e PACF, estimação por máxima verossimilhança e seleção de modelos com base no critério AIC. A avaliação fora da amostra comparou o SARIMA com modelos Naive e de Média Móvel, utilizando o Mean Absolute Percentage Error (MAPE) como métrica. Os resultados indicaram baixa aderência entre os preços internos e os indicadores públicos, sugerindo influência de fatores contratuais e operacionais na formação dos preços da empresa. A avaliação preditiva mostrou desempenho heterogêneo do SARIMA, com maior precisão para itens estáveis e erros elevados para produtos voláteis. O modelo SARIMA demonstrou utilidade prática em alguns casos, mas não exibiu superioridade geral, com modelos mais simples apresentando desempenho competitivo ou superior na amostra analisada. Os achados reforçam a complexidade da previsão de preços de insumos alimentícios, que não é plenamente capturada por modelos tradicionais, e oferecem importantes subsídios para a gestão de compras no setor.
Palavras-chave: Custo de Aquisição; Data Science; Estratégia de Compras; Séries Temporais; Tomada de Decisão.
1. Introdução
O segmento de empresas de refeições coletivas desempenha um papel fundamental no atendimento às necessidades alimentares de um grande número de pessoas, abrangendo desde indústrias até hospitais, universidades e escolas (Neves et al., 2000). Em 2024, de acordo com a Associação Brasileira das Empresas de Refeições Coletivas (ABERC, 2025), o setor movimentou R$ 33,89 bilhões de reais no Brasil, servindo aproximadamente 39,32 milhões de refeições diariamente e empregando cerca de 250 mil profissionais. Considerando sua dimensão e papel na alimentação, trata-se de um setor que impacta diretamente na saúde, produtividade e bem-estar de trabalhadores, estudantes e pacientes.
As empresas que atuam nesse segmento enfrentam desafios complexos, desde a preocupação fundamental com a segurança alimentar (Cavalli e Salay, 2007), a gestão de resíduos sólidos (Pires et al., 2022), desperdícios de alimentos (Miranda et al., 2022), necessidade de mão de obra qualificada (Oliveira e Molina, 2021), alta competitividade e surgimento de novos modelos de negócios, como as dark kitchens (Monteiro et al., 2021), e a gestão eficiente de custos (Stort e Lisboa, 2022).
Este trabalho buscou analisar um destes principais desafios enfrentados pelas empresas desse segmento, a gestão eficiente de custos. Esse assunto é altamente relevante, uma vez que este mercado também é caracterizado por margens de lucro historicamente estreitas, muitas empresas trabalham com margens de lucro menores do que cinco por cento (Coldibeli, 2023). A pressão constante sobre a lucratividade decorre de fatores diversos, sendo o principal a alta competitividade e condições contratuais que pressionam a manutenção de preços mesmo em cenários econômicos adversos (ABERC, 2025).
Esse é o cenário enfrentado atualmente pela empresa objeto de estudo, marcado pela volatilidade de preços e inflação em alta dos insumos alimentícios. Em 2024, o Brasil enfrentou uma elevação significativa nos preços dos alimentos. De acordo com a Fundação Instituto de Pesquisas Econômicas (FIPE, 2025), o Índice de Preços ao Consumidor (IPC) na categoria alimentação fechou o ano com uma evolução de 8,03% no acumulado em doze meses, quase o dobro do IPC Geral. O Índice de Consumo em Restaurantes (ICR) fechou 2024 com uma evolução de 9,2% no custo médio por transação. O aumento no custo alimentar é motivado por diversos fatores, como desastres climáticos (Oliveira e Ribeiro, 2024), a valorização do dólar (Roca, 2024), e tensões geopolíticas globais (Nogueira, 2024).
Em meio a este cenário, o processo decisório representa um aspecto especialmente delicado e desafiador para os executivos dessas empresas, uma vez que decisões relacionadas à aquisição de insumos, precificação, gestão de estoques e estratégias operacionais muitas vezes precisam ser tomadas em ambientes de incerteza e volatilidade. A qualidade dessas decisões impacta diretamente não só a rentabilidade, mas também a continuidade do negócio, aumentando ainda mais a responsabilidade e a pressão sobre os gestores. Desta forma, dispor de informações precisas e oportunas, obtidas por meio de métodos analíticos avançados, torna-se essencial para apoiar executivos em decisões estratégicas assertivas e bem fundamentadas em dados (Rautenberg e Carmo, 2019).
Ao encontro desta necessidade, métodos quantitativos, incluindo técnicas avançadas como Machine Learning, têm demonstrado eficácia na análise e previsão de preços de commodities e insumos alimentícios, possibilitando tomadas de decisão mais assertivas e proativas (Santos, 2022; Carvalho et al., 2021). Estudos recentes destacam a relevância de abordagens como modelos ARIMA (autoregressive integrated moving average) e redes neurais artificiais para a previsão de preços de commodities, oferecendo resultados promissores na redução de incertezas e na melhoria da tomada de decisões (Santos, 2022; Ferreira et al., 2011; Lima et al., 2010; Spancerski e Santos, 2021). Diante da realidade complexa das empresas desse segmento, a utilização de técnicas de Data Science e Machine Learning pode proporcionar uma vantagem competitiva significativa, permitindo não apenas prever os custos futuros com maior precisão, mas também fornecer subsídios para a identificação de oportunidades de redução de custos.
O presente estudo teve como objetivo principal desenvolver e avaliar modelos do tipo SARIMA (seasonal autoregressive integrated moving average) para a previsão dos custos de 23 insumos alimentícios, com séries mensais de janeiro de 2022 a março de 2025, visando o aprimoramento das decisões estratégicas de compras em empresas do setor de refeições coletivas. Adicionalmente, foram utilizados para fins comparativos os modelos de Média Móvel e Naive permitindo avaliar a eficiência relativa do modelo SARIMA. A pesquisa buscou, ainda, avaliar a correlação do comportamento de preços de compra da base interna da empresa com bases de preços externas avaliando a aplicabilidade dessas bases como informação de suporte à tomada de decisão gerencial.
2. Material e Métodos
A pesquisa adotou uma abordagem quantitativa, estruturada a partir de um estudo de caso, metodologia que possibilita a investigação aprofundada de fenômenos em seu contexto organizacional real (Yin, 2010; Creswell, 2010). O estudo foi conduzido em uma empresa do segmento de refeições coletivas situada na região metropolitana de Curitiba/PR. Este delineamento permitiu o desenvolvimento e a avaliação de modelos SARIMA para a previsão de custos de insumos, bem como a análise da correlação entre preços internos e externos, conforme os objetivos do estudo.
A coleta de dados foi realizada por meio de levantamento documental, com base em registros internos de compras da empresa. Complementarmente, utilizaram-se dados de instituições reconhecidas de pesquisa econômica, como o CEPEA/USP (Centro de Estudos Avançados em Economia Aplicada da Universidade de São Paulo), a CONAB (Companhia Nacional de Abastecimento) e a SEAB (Secretaria de Estado da Agricultura e do Abastecimento do Paraná), referentes a séries históricas de preços de commodities agropecuárias.
As séries históricas mensais abrangeram o período de janeiro de 2022 a março de 2025. A definição desse intervalo de tempo foi influenciada pela disponibilidade facilitada dos dados de compras da empresa a partir de janeiro de 2022, devido a limitações sistêmicas anteriores. As bases públicas também foram coletadas para o mesmo período, garantindo a consistência temporal dos dados.
Em virtude da grande distinção das fontes de dados, tanto em termos de estrutura de organização quanto em padrões, realizou-se um processo sistemático de preparação e tratamento das bases, utilizando conceitos de “data wrangling”. Este processo envolveu a transformação dos dados brutos de cada base em uma estrutura padronizada e limpa para a posterior aplicação dos modelos estatísticos.
Inicialmente, foram coletadas 38 planilhas em formato Microsoft Excel, que foram transformadas em quatro bases de dados, uma para cada fonte (Empresa, CEPEA, CONAB e SEAB). A organização e padronização dos dados resultou em uma estrutura que permitiu a análise dos preços por produto, tipo de apresentação, ano e mês.
A padronização e limpeza dos dados foram etapas cruciais. Os preços divergiam entre tipos de apresentação (Quilograma, Toneladas, Arrobas, Litros, Dúzia ou unidades) para os mesmos produtos. A nomenclatura dos produtos também variava, especialmente na base da empresa, onde os itens eram cadastrados por marca ou fornecedor.
As datas, que variavam entre dias, anos, semanas e meses, foram padronizadas para uma frequência mensal, com variáveis de ano e mês. Em seguida, harmonizaram-se as descrições dos produtos para uma nomenclatura única, removendo acentos e caracteres especiais, o que possibilitou o chaveamento entre as bases. O tipo de apresentação foi normalizado para Quilograma, Litro e Dúzia (especificamente para ovos de galinha), permitindo comparações diretas entre os preços.
Paralelamente à padronização, realizou-se uma análise de consistência e limpeza para identificar produtos com correspondência direta entre as bases e relevância para a empresa. Itens como materiais de escritório, peças, equipamentos e produtos com alto grau de industrialização, sem correspondência com as bases públicas, foram excluídos.
A partir dos dados de volume de compras da empresa, identificaram-se 23 categorias de insumos alimentícios que apresentavam correspondência direta entre as bases e eram as mais representativas em termos de volume, totalizando 52,3% dos produtos alimentícios comprados. Esses 23 itens foram selecionados para as etapas de análise de correlação e aplicação dos modelos.
Para a análise dos dados, empregaram-se modelos baseados em séries temporais, que permitem identificar padrões, tendências e estruturas sazonais em dados ordenados cronologicamente (Nielsen, 2021). O modelo principal adotado foi o SARIMA (seasonal autoregressive integrated moving average), proposto por Box e Jenkins, devido à sua capacidade de capturar padrões sazonais e tendências.
O SARIMA representa uma extensão do modelo ARIMA, incorporando componentes sazonais para descrever variações periódicas observadas em séries temporais mensais. A notação SARIMA (p,d,q)(P,D,Q)s foi utilizada, onde p, d, q referem-se aos componentes não sazonais e P, D, Q, s aos sazonais, com s=12 para periodicidade mensal.
A aplicação do modelo SARIMA seguiu a metodologia de Box e Jenkins (2015), estruturada em cinco etapas. A primeira etapa consistiu na análise descritiva da série, investigando tendências, sazonalidade e variabilidade para subsidiar as análises subsequentes.
A segunda etapa foi a verificação de estacionariedade, condição fundamental para modelos ARIMA/SARIMA. Aplicou-se o teste de Dickey-Fuller Aumentado (ADF) (Said e Dickey, 1984) às séries em nível. Para séries não estacionárias, diferenciações não sazonais (d) e sazonais (D) foram aplicadas até a obtenção de estacionariedade, com nível de significância de 5% (p-valor < 0,05).
A terceira etapa envolveu a identificação do modelo por meio da análise dos correlogramas das funções de autocorrelação (ACF) e autocorrelação parcial (PACF). Essa análise orientou a especificação das ordens dos componentes autorregressivos (p, P) e de média móvel (q, Q) do modelo SARIMA (Box et al., 2015).
A quarta etapa foi a estimação de parâmetros, utilizando o método de máxima verossimilhança. A seleção do modelo final baseou-se no Critério de Informação de Akaike (AIC), que busca o equilíbrio entre qualidade de ajuste e parcimônia, penalizando modelos com muitos parâmetros.
A quinta etapa consistiu na análise dos resíduos, avaliados por meio do correlograma da função de autocorrelação (ACF) e do teste de Ljung-Box. O objetivo foi verificar a ausência de autocorrelação remanescente, indicando que os resíduos se comportavam como ruído branco, com p-valores superiores a 0,05.
A série histórica disponível compreendeu 39 observações mensais, das quais 33 foram utilizadas na etapa de estimação e seis reservadas para validação fora da amostra. O conjunto de treinamento, contendo menos de três ciclos sazonais anuais completos (s = 12), limitou a quantidade de informação disponível para estimar estruturas sazonais e modelos com maior número de parâmetros.
Adicionalmente, para fins comparativos, utilizaram-se outros dois modelos de previsão: o modelo Naive e o modelo de Média Móvel. O modelo Naive assume que o valor previsto para o próximo período é igual ao último valor observado, servindo como referência básica em previsões de séries temporais. O modelo de Média Móvel estima os valores futuros a partir da média dos últimos períodos observados, suavizando variações de curto prazo e capturando tendências recentes. Esses modelos mais simples foram incluídos para avaliar seu desempenho competitivo em relação ao SARIMA.
A medida de erro adotada para avaliação do desempenho preditivo dos modelos foi o Mean Absolute Percentage Error (MAPE). O MAPE expressa o erro médio em termos percentuais, facilitando a comparação da acurácia entre produtos com diferentes níveis de preço. Adotou-se MAPE < 10% como indicador de alta precisão preditiva.
As análises foram implementadas em linguagem Python, utilizando as bibliotecas pandas, matplotlib, statsmodels e scikit-learn.
3. Resultados e Discussão
A presente seção detalha os resultados obtidos no estudo, interpretando-os à luz dos objetivos propostos e da metodologia aplicada. Foram analisados tanto os achados referentes à comparação entre a base interna de preços da empresa e as bases de dados externas de mercado, quanto o desempenho do modelo SARIMA e sua comparação com os modelos Naive e de Média Móvel na previsão de preços de insumos alimentícios. A discussão visa fornecer uma compreensão aprofundada das dinâmicas de precificação e das capacidades preditivas dos modelos, oferecendo subsídios para a tomada de decisão estratégica no setor de refeições coletivas, conforme o problema de pesquisa e os objetivos estabelecidos na introdução.
Aderência da base interna em comparação às bases externas de preços
Com o propósito de avaliar a aderência do comportamento dos preços de compra praticados pela empresa em relação aos indicadores públicos de mercado, realizou-se uma análise de correlação entre a série histórica interna de preços e as bases de dados do CONAB, SEAB e CEPEA. Este procedimento é de grande relevância, pois, na rotina da empresa, a consulta a essas fontes externas é um procedimento comum nos processos de planejamento e negociação de compras, servindo como referência para a definição de estratégias comerciais e de aquisição de insumos.
A análise de correlação, utilizando os coeficientes de Pearson e Spearman, revelou uma variação considerável na relação entre os preços internos da empresa e os indicadores públicos para os 23 produtos avaliados. Observou-se que a maioria dos itens apresentou baixa aderência às bases externas, com coeficientes de correlação frequentemente próximos de zero ou negativos. Por exemplo, produtos como Alface Americana, Batata Inglesa e Café Arábica exibiram correlações muito baixas, indicando pouca ou nenhuma semelhança entre suas dinâmicas de preços internas e as do mercado geral.
Em contraste, alguns produtos demonstraram correlações mais elevadas com as bases externas, sugerindo uma maior sensibilidade às flutuações do mercado. Carne Suína, Laranja Pêra, Melancia, Melão e Trigo, por exemplo, apresentaram coeficientes de correlação mais substanciais, indicando que seus preços internos podem ser mais influenciados pelas tendências de mercado. Contudo, mesmo para esses itens, a aderência não foi plena, o que reforça a complexidade da formação de preços no ambiente específico da empresa estudada.
A baixa aderência observada para a maioria dos produtos sugere que a formação dos preços internos da empresa é significativamente influenciada por fatores específicos da organização, que transcendem as dinâmicas de mercado amplamente divulgadas. Em discussões com a empresa, foram identificados diversos fatores, como as condições locais de oferta e demanda, as características regionais de abastecimento, o poder de negociação da empresa com seus fornecedores e os acordos contratuais próprios. Um exemplo notável é a exigência contratual de adquirir parte dos insumos de agricultores familiares, o que naturalmente distancia o comportamento dos preços internos das médias de mercado.
Esses achados são cruciais para a gestão de compras, pois indicam que as bases de preços externas, embora úteis como ferramentas de inteligência de mercado e benchmarking, não devem ser consideradas como um parâmetro único e determinístico para a precificação interna. A empresa precisa desenvolver uma compreensão aprofundada de seus próprios drivers de custo e negociação, reconhecendo que sua realidade operacional e contratual molda de forma única seus preços de aquisição, conforme apontado por Rautenberg e Carmo (2019) sobre a importância de dados para decisões estratégicas.
A análise de correlação também teve um impacto direto na decisão metodológica para a aplicação do modelo SARIMA. Dada a predominância de produtos com dinâmica própria de precificação e baixa aderência às bases externas, optou-se por utilizar exclusivamente a série histórica interna da empresa para a modelagem preditiva. Esta escolha visou assegurar que as estimativas e previsões refletissem, de forma mais fidedigna, as condições reais de negociação, operação e aquisição da organização objeto de estudo, garantindo a relevância prática dos modelos desenvolvidos.
Aplicação do Modelo SARIMA
A aplicação do modelo SARIMA seguiu rigorosamente as cinco etapas da metodologia de Box e Jenkins (2015), uma abordagem amplamente reconhecida na literatura de séries temporais. Essas etapas incluíram a análise descritiva das séries, a verificação de estacionariedade, a identificação da estrutura do modelo por meio de correlogramas, a estimação dos parâmetros e, por fim, a análise dos resíduos para validação. Cada fase foi fundamental para construir modelos robustos e adequados às características específicas de cada série de preços de insumos alimentícios.
Análise Descritiva da Série
A análise descritiva das séries mensais de preços internos da empresa, abrangendo os 23 produtos selecionados, forneceu uma visão inicial da volatilidade e dos padrões de cada insumo. As medidas de tendência central, como média e mediana, e de dispersão, incluindo mínimo, máximo, desvio-padrão e coeficiente de variação, foram calculadas para caracterizar a distribuição dos preços ao longo do período de janeiro de 2022 a março de 2025. Esses indicadores são essenciais para contextualizar a modelagem SARIMA, pois séries com maior dispersão geralmente apresentam maior incerteza preditiva.
Os resultados da estatística descritiva revelaram que a grande maioria das categorias de produtos apresentou média e alta volatilidade, um comportamento comum em mercados agropecuários. Dos 23 itens analisados, apenas três demonstraram baixa variabilidade, com coeficiente de variação inferior ou igual a 0,10: açúcar, carne de frango e tilápia. Outras dez categorias exibiram variabilidade média, com coeficientes entre 0,10 e 0,20, enquanto as dez categorias restantes apresentaram alta variabilidade, com coeficientes superiores a 0,20.
Essa heterogeneidade na volatilidade dos preços dos insumos já indicava um desafio significativo para a aplicação de modelos de previsão aderentes, sugerindo que uma abordagem padronizada para todos os produtos poderia não ser eficaz. A observação das séries temporais originais para uma amostra de produtos, como açúcar, trigo, tilápia e leite longa vida integral, evidenciou diferenças relevantes de amplitude e variabilidade ao longo do período analisado. Essas distinções reforçaram a necessidade de estimar modelos SARIMA individualmente para cada produto, considerando que a dinâmica de formação de preços e o grau de sazonalidade possuem comportamentos distintos entre as categorias.
Teste de Estacionariedade
A verificação da estacionariedade das séries temporais é uma condição fundamental para a aplicação de modelos ARIMA/SARIMA, pois pressupõe que a média e a variância da série sejam aproximadamente constantes ao longo do tempo. Para isso, aplicou-se o teste de Dickey-Fuller Aumentado (ADF), proposto por Said e Dickey (1984), às séries em nível. O critério de decisão adotado foi um nível de significância de 5% (p-valor < 0,05), onde p-valores inferiores a 0,05 indicam a rejeição da hipótese nula de raiz unitária, ou seja, a série é estacionária.
O teste ADF inicial revelou que seis dos 23 produtos já eram estacionários em nível, apresentando p-valores inferiores a 0,05. Estes incluíam Alface Americana, Alface Crespa, Banana Caturra, Carne de Frango, Melancia e Tomate. Para as 17 séries restantes, foi necessário aplicar transformações para alcançar a estacionariedade. Treze produtos demandaram uma diferenciação não sazonal (d = 1), três produtos exigiram duas diferenciações não sazonais (d = 2), e a Batata Inglesa necessitou de uma diferenciação sazonal (D = 1).
Após a aplicação das diferenciações apropriadas, todas as séries apresentaram p-valores inferiores a 0,05 no teste ADF, indicando que a hipótese nula de raiz unitária foi rejeitada e a estacionariedade foi alcançada. Este passo foi crucial para garantir a validade e a robustez dos modelos SARIMA subsequentes, permitindo que os modelos capturassem os padrões temporais sem a influência de tendências ou sazonalidades não estacionárias, que poderiam comprometer a precisão das previsões.
Análise das Funções de Autocorrelação
Após a etapa de estabilização das séries, procedeu-se à análise dos correlogramas das funções de autocorrelação (ACF) e autocorrelação parcial (PACF). A ACF mede a correlação entre os valores de uma série temporal e seus próprios valores defasados, permitindo identificar a presença de dependência temporal e padrões recorrentes. A PACF, por sua vez, mede a correlação entre a série e um determinado lag, removendo o efeito das defasagens intermediárias, o que é fundamental para isolar a influência direta de cada lag.
A análise conjunta dos correlogramas ACF e PACF é uma ferramenta essencial na metodologia de Box e Jenkins (2015) para orientar a identificação das ordens dos componentes autorregressivos (p, P) e de média móvel (q, Q) do modelo SARIMA. Um corte abrupto na PACF geralmente indica a ordem AR, enquanto um corte na ACF aponta para a ordem MA. Embora a seleção final do modelo tenha sido guiada pelo Critério de Informação de Akaike (AIC), a inspeção dos correlogramas forneceu subsídios estatísticos para justificar a presença ou ausência de dependência temporal de curto prazo e de padrões recorrentes anuais em cada série de preços.
Estimação do Modelo
A estimação dos modelos SARIMA foi realizada utilizando o método de máxima verossimilhança, implementado por meio da função SARIMAX do pacote “statsmodels” na linguagem Python. Para cada um dos 23 produtos, foram testadas diversas combinações de parâmetros do modelo, buscando identificar a estrutura que melhor representasse o comportamento da série de preços. A escolha do modelo final para cada produto baseou-se no Critério de Informação de Akaike (AIC), que é amplamente utilizado na seleção de modelos estatísticos por promover um equilíbrio entre a qualidade do ajuste e a parcimônia.
O AIC penaliza modelos que utilizam um número excessivo de parâmetros, favorecendo aqueles que conseguem explicar bem os dados com maior simplicidade. Assim, entre dois modelos com ajuste similar, o critério AIC prefere o mais simples, sendo que modelos com menor valor de AIC são considerados preferíveis. Neste estudo, o AIC foi empregado para selecionar, entre as diferentes combinações de parâmetros não sazonais (p,d,q) e sazonais (P,D,Q,s) testadas, a especificação mais adequada para cada produto, garantindo a eficiência e a interpretabilidade dos modelos ajustados.
Avaliação do Modelo Ajustado
A qualidade dos modelos SARIMA ajustados foi avaliada por meio de duas abordagens complementares: o diagnóstico dos resíduos e o desempenho das previsões fora da amostra. O diagnóstico dos resíduos é crucial para verificar se o modelo capturou toda a estrutura de dependência temporal da série, deixando apenas um “ruído branco” aleatório. Para isso, utilizou-se o teste de Ljung-Box, que avalia a presença de autocorrelação conjunta nos resíduos até uma determinada defasagem.
O teste de Ljung-Box indicou que 19 dos 23 modelos apresentaram ausência de evidência de autocorrelação residual, com p-valores iguais ou superiores a 0,05. Isso sugere que, para a maioria dos produtos, os modelos SARIMA selecionados foram adequados para capturar a dependência temporal das séries de preços. No entanto, em quatro casos específicos — Alface Americana, Alface Crespa, Batata Inglesa e Carne Suína — os p-valores foram inferiores a 0,05, indicando a presença de autocorrelação remanescente nos resíduos. Este resultado sugere que a especificação selecionada para esses produtos não capturou integralmente a dependência temporal, o que pode impactar a precisão de suas previsões.
Para avaliar a capacidade preditiva dos modelos, foi realizada uma validação temporal fora da amostra. Os últimos seis meses da série histórica de cada produto foram reservados como período de teste, e as previsões geradas pelos modelos SARIMA foram comparadas com os valores reais observados nesse período. Essa abordagem permite uma avaliação mais realista do desempenho do modelo em cenários não observados durante a fase de estimação, fornecendo uma medida robusta de sua utilidade prática para a tomada de decisão.
Adicionalmente, foram geradas projeções para os seis meses seguintes ao período de validação, com intervalos de confiança de 95%, para cada produto. Essas projeções futuras são de grande valor para a empresa, pois oferecem uma estimativa dos preços esperados dos insumos, auxiliando no planejamento de compras e na formulação de estratégias. A visualização dessas projeções, juntamente com seus intervalos de confiança, permite aos gestores avaliar o nível de incerteza associado a cada previsão, facilitando a gestão de riscos.
A métrica de erro utilizada para comparar o desempenho preditivo dos modelos foi o Mean Absolute Percentage Error (MAPE), que expressa o erro médio em termos percentuais, facilitando a comparação da acurácia entre produtos com diferentes níveis de preço. Para interpretação dos resultados, adotou-se que um MAPE inferior a 10% indicaria alta precisão preditiva. Os valores de MAPE foram calculados para os modelos SARIMA, Naive e de Média Móvel no período de validação fora da amostra, permitindo uma comparação direta da eficiência relativa de cada abordagem.
Os resultados do MAPE revelaram um desempenho heterogêneo do modelo SARIMA entre os diferentes produtos. Apenas quatro produtos apresentaram elevada precisão preditiva (MAPE < 10%) com o SARIMA, sendo três deles itens industrializados: Trigo (3,28%), Açúcar (4,39%) e Leite Longa Vida Integral (7,17%). Em contrapartida, produtos como Batata Inglesa (151,89%), Cebola Amarela (151,84%) e Tomate Salada (119,67%) apresentaram MAPEs superiores a 100%, indicando uma baixa capacidade preditiva do SARIMA para esses itens altamente voláteis.
Na comparação com os métodos mais simples, o modelo Naive apresentou elevada precisão (MAPE < 10%) para seis produtos, enquanto o modelo de Média Móvel obteve esse nível de precisão para sete produtos, superando o SARIMA, que alcançou essa precisão para apenas quatro. Para mitigar a influência de valores extremos e obter uma visão agregada, a comparação foi realizada pela mediana do MAPE. A mediana do MAPE para o SARIMA foi de 23,69%, enquanto para o Naive foi de 16,46% e para a Média Móvel foi de 15,39%.
Esses resultados indicam que, na amostra específica analisada, os modelos mais simples, como Naive e Média Móvel, demonstraram maior robustez para uma parte relevante dos produtos. Contudo, este achado não deve ser interpretado como uma inferioridade intrínseca do SARIMA, mas sim como uma indicação de que seu desempenho é sensível às características das séries e ao desenho amostral disponível. A curta extensão das séries históricas (33 observações para estimação) e a quantidade limitada de ciclos sazonais completos (menos de três ciclos anuais para uma sazonalidade de 12 meses) restringiram a sustentação estatística para estimar estruturas sazonais e parametrizações mais complexas com estabilidade.
Nesse contexto, modelos mais parcimoniosos, como o Naive e a Média Móvel, podem apresentar maior robustez, especialmente quando a série combina uma extensão histórica limitada com elevada volatilidade. Os erros elevados observados nas séries mais voláteis e em algumas especificações mais complexas reforçam a necessidade de interpretar os resultados considerando simultaneamente a volatilidade dos preços, a parcimônia do modelo e a quantidade de observações disponíveis. A previsão de preços de insumos alimentícios, no contexto analisado, é um problema de elevada complexidade, que não é plenamente capturada por modelos tradicionais, sejam eles simples ou mais sofisticados, evidenciando a importância da avaliação comparativa entre diferentes abordagens e a necessidade de evolução metodológica.
Em síntese, os resultados da pesquisa destacam a complexidade da previsão de preços de insumos alimentícios no setor de refeições coletivas. A baixa correlação entre os preços internos da empresa e os indicadores de mercado sublinha a influência de fatores organizacionais específicos, enquanto o desempenho heterogêneo do modelo SARIMA, com modelos mais simples apresentando competitividade em muitos casos, ressalta a importância da extensão da série temporal e da volatilidade dos produtos. Esses achados fornecem insights valiosos para a gestão de compras, indicando a necessidade de abordagens diferenciadas e aprimoramento contínuo das estratégias preditivas.
4. Conclusão
O presente estudo buscou desenvolver e avaliar modelos SARIMA para a previsão de preços de 23 insumos alimentícios em uma empresa de refeições coletivas, além de analisar a correlação entre os preços internos e indicadores públicos de mercado, visando aprimorar as decisões estratégicas de compras. Verificou-se que a formação dos preços internos da empresa apresentava baixa aderência à maioria dos indicadores públicos, sugerindo a influência preponderante de fatores contratuais e operacionais específicos da organização. Essa constatação direcionou a modelagem preditiva para o uso exclusivo da série histórica interna. Na aplicação do modelo SARIMA, observou-se um desempenho heterogêneo entre os produtos, com maior precisão para itens de menor volatilidade, como açúcar, trigo e leite longa vida integral. Contudo, para produtos altamente voláteis, a capacidade preditiva do SARIMA foi limitada, com erros percentuais elevados. A comparação com modelos mais simples, como Naive e Média Móvel, indicou que estes apresentaram, em muitos casos, desempenho competitivo ou superior, especialmente devido à curta extensão das séries históricas disponíveis para estimação. Os achados reforçam a complexidade inerente à previsão de preços de insumos alimentícios no setor, oferecendo subsídios importantes para a gestão de compras, que deve considerar a individualidade de cada insumo e a influência de fatores internos na formação de preços.
A principal limitação metodológica do estudo residiu no horizonte amostral de 39 meses, com apenas 33 observações para estimação. Essa extensão restrita, combinada com a necessidade de capturar sazonalidades anuais, limitou a capacidade de estimar com estabilidade estruturas sazonais e parametrizações mais complexas, impactando o desempenho do modelo SARIMA em comparação com abordagens mais parcimoniosas. Para estudos futuros, sugere-se a ampliação da base histórica de dados, a incorporação de variáveis exógenas como fatores climáticos e macroeconômicos, e a exploração de modelos preditivos mais avançados ou híbridos. Tais iniciativas podem aprimorar a estimação de padrões sazonais e a capacidade preditiva em contextos de maior complexidade, contribuindo para o desenvolvimento contínuo de estratégias de gestão de custos mais eficazes no setor de refeições coletivas.
Referências Bibliográficas
Associação Brasileira das Empresas de Refeições Coletivas [ABERC]. 2025. Alimentação do trabalhador em risco: o impacto da inflação no setor de Refeições Coletivas. Disponível em: https://www.aberc.com.br/alimentacao-trabalhador-inflacao-alimentos. Acesso em: 15 mar. 2025.
Carvalho, R.; Biston, J.V.; Favan, R. Deolindo, D. 2021. Avaliação de Algoritmos de Machine Learning na Cotação do Preço do Contrato futuro de Milho. Revista E-Fatec 11 (1), 30-46.
Cavalli, S.B.; Salay, E. 2007. Gestão de pessoas em unidades produtoras de refeições comerciais e a segurança alimentar. Revista de Nutrição 20 (6), 657-667.
Coldibeli, L. 2023. Empresas lucram com venda de marmitas e administração de refeitórios. Disponível em: https://economia.uol.com.br/noticias/redacao/2013/07/16/empresas-lucram-com-venda-de-marmitas-e-administracao-de-refeitorios.htm. Acesso em: 15 mar. 2025.
Ferreira, L.; Moura, G.L. de; Borenstein, D.; Fischmann, A.A. 2011. Utilização de redes neurais artificiais como estratégia de previsão de preços no contexto de agronegócio. Revista de Administração e Inovação 8 (4), 6-26.
Fundação Instituto de Pesquisas Econômicas [FIPE]. 2025. IPC – Índice de Preços ao Consumidor. Disponível em: https://www.fipe.org.br/pt-br/indices/ipc. Acesso em: 10 mar. 2025.
Lima, F.G.; Kimura, H.; Neto, A.A; Perera, L.C.J. 2010. Previsão de preços de commodities com modelos ARIMA-GARCH e redes neurais com ondaletas: velhas tecnologias – novos resultados. Revista de Administração (RAUSP) 45 (2), 188-202.
Miranda, M.B.; Santos, J.M.; Bezerra, G.B.; Oliveira, J.M. 2022. Efetividade de uma campanha para redução de desperdício em uma unidade de alimentação e nutrição. Cadernos Saúde Coletiva 30 (3), 424-430.
Monteiro, M.A.M.; Henriques, G.S.; Garcia, M.A.V.T. 2021. Organização e Gestão do Setor de Alimentação Coletiva no Pós-Covid-19: Desafios e Perspectivas. Brazilian Journal of Development, Curitiba 7 (10), 97134-97158.
Neves, M.F.; Chaddad, F.R.; Lazzarini, S.G. 2000. Alimentos: novos tempos e conceitos na gestão de negócios. 1ed. Pioneira, São Paulo, SP, Brasil.
Nogueira, I.L. 2024. Escassez à Mesa: correlação do risco geopolítico e as mudanças climáticas na inflação dos alimentos. Trabalho de Conclusão de Curso em Administração. Universidade Federal do Amazonas (UFAM), Manaus, AM, 2024.
Oliveira, B.V de; Molina, V.B.C. 2021. Gestão de pessoas em unidade de alimentação e nutrição. Revista Multidisciplinar da Saúde (RMS) 3 (2), 24-36.
Oliveira, F. A. P. de; Ribeiro, M. E. C. 2024. Logística no agronegócio e desafios climáticos: impactos das enchentes no Rio Grande do Sul. Trabalho de Conclusão de Curso em Tecnologia em Agronegócios. Faculdade de Tecnologia de Presidente Prudente, Presidente Prudente, SP, 2024.
Pires, V.C. da; Seabra, L. M. J.; Rolim, P. M. 2022. A relação entre alimentação coletiva e gestão de resíduos: o papel da Educação Ambiental na redução do desperdício. Revista Brasileira de Educação Ambiental 17 (5), 341–360.
Rautenberg, S.; Carmo, P.R.V. do. 2019. Big Data e Ciência de Dados: complementariedade conceitual no processo de tomada de decisão. Brazilian Journal of Information Studies: Research Trends 13 (1), 56-67.
Roca, G. 2024. Dólar sobe 27% ante o real em 2024, maior valorização desde 2020. Disponível em: https://valor.globo.com/financas/noticia/2024/12/30/dolar-sobe-27percent-ante-o-real-em-2024-maior-valorizacao-desde-2020.ghtml. Acesso em: 10 mar. 2025.
Santos, J.A.A. dos S. 2022. Previsão do preço do café arábica: uma aplicação de redes neurais CNN-BLSTM. Research, Society and Development 11 (3), e3511326101.
Spancerski, J.S; Santos, J.A.A
Stort, L.G.; Lisboa, F.C. 2022. Quality tools application to improve cost management in food and nutrition unit: A case study. Research, Society and Development 11 (13), e128111335254.
Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq
Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy

