08 de octubre de 2026
Evaluación del modelo SARIMA en la predicción de precios de insumos en empresa de comidas colectivas
Evaluación del Modelo Sarima en la Predicción de Precios de Insumos en Empresa de Comidas Colectivas
Leandro Pereira de Lacerda; Patrícia Belfiore Fávero
DOI: 10.22167/2675-6528-202603137
Artículo derivado de Trabajo de Fin de Curso (TCC), con contenido basado en el trabajo original del estudiante y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege para la síntesis y organización textual.
Resumen
La previsión de precios de insumos alimentarios en empresas de comidas colectivas representa un desafío complejo. Se evaluó el modelo SARIMA para la previsión de precios de 23 insumos alimentarios en una empresa del sector de comidas colectivas y se analizó la correlación entre la base interna de precios y fuentes públicas de mercado. La investigación adoptó un enfoque cuantitativo, utilizando series históricas mensuales de enero de 2022 a marzo de 2025. Se realizó la estandarización y consolidación de los datos, seguida de análisis de correlación de Pearson y Spearman. En la etapa predictiva, se aplicó la metodología de Box y Jenkins, que incluyó prueba de estacionariedad (ADF), identificación vía ACF y PACF, estimación por máxima verosimilitud y selección de modelos con base en el criterio AIC. La evaluación fuera de muestra comparó el SARIMA con modelos Naive y de Media Móvil, utilizando el Mean Absolute Percentage Error (MAPE) como métrica. Los resultados indicaron baja adherencia entre los precios internos y los indicadores públicos, sugiriendo influencia de factores contractuales y operacionales en la formación de los precios de la empresa. La evaluación predictiva mostró un desempeño heterogéneo del SARIMA, con mayor precisión para ítems estables y errores elevados para productos volátiles. El modelo SARIMA demostró utilidad práctica en algunos casos, pero no exhibió superioridad general, con modelos más simples presentando un desempeño competitivo o superior en la muestra analizada. Los hallazgos refuerzan la complejidad de la previsión de precios de insumos alimentarios, que no es plenamente capturada por modelos tradicionales, y ofrecen importantes subsidios para la gestión de compras en el sector.
Palabras clave: Costo de Adquisición; Data Science; Estrategia de Compras; Series Temporales; Toma de Decisiones.
1. Introducción
El segmento de empresas de comidas colectivas desempeña un papel fundamental en la satisfacción de las necesidades alimentarias de un gran número de personas, abarcando desde industrias hasta hospitales, universidades y escuelas (Neves et al., 2000). En 2024, según la Asociación Brasileña de Empresas de Comidas Colectivas (ABERC, 2025), el sector facturó R$ 33,89 mil millones de reales en Brasil, sirviendo aproximadamente 39,32 millones de comidas diariamente y empleando a unos 250 mil profesionales. Considerando su dimensión y papel en la alimentación, se trata de un sector que impacta directamente en la salud, productividad y bienestar de trabajadores, estudiantes y pacientes.
Las empresas que operan en este segmento enfrentan desafíos complejos, desde la preocupación fundamental por la seguridad alimentaria (Cavalli y Salay, 2007), la gestión de residuos sólidos (Pires et al., 2022), el desperdicio de alimentos (Miranda et al., 2022), la necesidad de mano de obra calificada (Oliveira y Molina, 2021), la alta competitividad y el surgimiento de nuevos modelos de negocio, como las dark kitchens (Monteiro et al., 2021), y la gestión eficiente de costos (Stort y Lisboa, 2022).
Este trabajo buscó analizar uno de estos principales desafíos que enfrentan las empresas de este segmento, la gestión eficiente de costos. Este tema es de suma relevancia, dado que este mercado también se caracteriza por márgenes de beneficio históricamente estrechos, muchas empresas operan con márgenes de beneficio inferiores al cinco por ciento (Coldibeli, 2023). La presión constante sobre la rentabilidad se deriva de diversos factores, siendo el principal la alta competitividad y las condiciones contractuales que presionan el mantenimiento de los precios incluso en escenarios económicos adversos (ABERC, 2025).
Este es el escenario que enfrenta actualmente la empresa objeto de estudio, marcado por la volatilidad de los precios y la alta inflación de los insumos alimentarios. En 2024, Brasil enfrentó un aumento significativo en los precios de los alimentos. Según la Fundación Instituto de Investigaciones Económicas (FIPE, 2025), el Índice de Precios al Consumidor (IPC) en la categoría de alimentación cerró el año con una evolución del 8,03% acumulado en doce meses, casi el doble del IPC General. El Índice de Consumo en Restaurantes (ICR) cerró 2024 con una evolución del 9,2% en el costo promedio por transacción. El aumento del costo alimentario está motivado por diversos factores, como desastres climáticos (Oliveira y Ribeiro, 2024), la apreciación del dólar (Roca, 2024) y tensiones geopolíticas globales (Nogueira, 2024).
En medio de este escenario, el proceso de toma de decisiones representa un aspecto especialmente delicado y desafiante para los ejecutivos de estas empresas, ya que las decisiones relacionadas con la adquisición de insumos, la fijación de precios, la gestión de inventarios y las estrategias operativas a menudo deben tomarse en entornos de incertidumbre y volatilidad. La calidad de estas decisiones impacta directamente no solo la rentabilidad, sino también la continuidad del negocio, aumentando aún más la responsabilidad y la presión sobre los gerentes. De esta manera, disponer de información precisa y oportuna, obtenida a través de métodos analíticos avanzados, se vuelve esencial para apoyar a los ejecutivos en decisiones estratégicas asertivas y bien fundamentadas en datos (Rautenberg y Carmo, 2019).
Para satisfacer esta necesidad, métodos cuantitativos, incluyendo técnicas avanzadas como Machine Learning, han demostrado eficacia en el análisis y predicción de precios de materias primas e insumos alimenticios, posibilitando tomas de decisión más asertivas y proactivas (Santos, 2022; Carvalho et al., 2021). Estudios recientes destacan la relevancia de enfoques como modelos ARIMA (autoregressive integrated moving average) y redes neuronales artificiales para la predicción de precios de materias primas, ofreciendo resultados prometedores en la reducción de incertidumbres y en la mejora de la toma de decisiones (Santos, 2022; Ferreira et al., 2011; Lima et al., 2010; Spancerski e Santos, 2021). Ante la compleja realidad de las empresas de este segmento, la utilización de técnicas de Data Science / Ciencia de datos y Machine Learning puede proporcionar una ventaja competitiva significativa, permitiendo no solo predecir los costos futuros con mayor precisión, sino también proporcionar subsidios para la identificación de oportunidades de reducción de costos.
El presente estudio tuvo como objetivo principal desarrollar y evaluar modelos SARIMA (seasonal autoregressive integrated moving average) para la previsión de los costos de 23 insumos alimenticios, con series mensuales de enero de 2022 a marzo de 2025, con el fin de mejorar las decisiones estratégicas de compra en empresas del sector de comidas colectivas. Adicionalmente, se utilizaron para fines comparativos los modelos de Media Móvil y Naive, permitiendo evaluar la eficiencia relativa del modelo SARIMA. La investigación buscó, además, evaluar la correlación del comportamiento de precios de compra de la base interna de la empresa con bases de precios externas, evaluando la aplicabilidad de estas bases como información de soporte a la toma de decisiones gerenciales.
2. Material y Métodos
La investigación adoptó un enfoque cuantitativo, estructurado a partir de un estudio de caso, metodología que posibilita la investigación en profundidad de fenómenos en su contexto organizacional real (Yin, 2010; Creswell, 2010). El estudio se llevó a cabo en una empresa del segmento de comidas colectivas ubicada en la región metropolitana de Curitiba/PR. Este diseño permitió el desarrollo y la evaluación de modelos SARIMA para la predicción de costos de insumos, así como el análisis de la correlación entre precios internos y externos, conforme a los objetivos del estudio.
La recolección de datos se realizó mediante un estudio documental, basándose en registros internos de compras de la empresa. Complementariamente, se utilizaron datos de instituciones reconocidas de investigación económica, como el CEPEA/USP (Centro de Estudios Avanzados en Economía Aplicada de la Universidad de São Paulo), la CONAB (Compañía Nacional de Abastecimiento) y la SEAB (Secretaría de Estado de Agricultura y Abastecimiento de Paraná), referentes a series históricas de precios de productos básicos agropecuarios.
Las series históricas mensuales abarcaron el período de enero de 2022 a marzo de 2025. La definición de este intervalo de tiempo estuvo influenciada por la disponibilidad facilitada de los datos de compras de la empresa a partir de enero de 2022, debido a limitaciones sistémicas anteriores. Las bases públicas también fueron recopiladas para el mismo período, garantizando la consistencia temporal de los datos.
En virtud de la gran distinción de las fuentes de datos, tanto en términos de estructura de organización como en patrones, se llevó a cabo un proceso sistemático de preparación y tratamiento de las bases, utilizando conceptos de “data wrangling”. Este proceso implicó la transformación de los datos brutos de cada base en una estructura estandarizada y limpia para la posterior aplicación de los modelos estadísticos.
Inicialmente, se recolectaron 38 hojas de cálculo en formato Microsoft Excel, que se transformaron en cuatro bases de datos, una para cada fuente (Empresa, CEPEA, CONAB y SEAB). La organización y estandarización de los datos resultó en una estructura que permitió el análisis de los precios por producto, tipo de presentación, año y mes.
La estandarización y limpieza de los datos fueron etapas cruciales. Los precios divergían entre tipos de presentación (Kilogramo, Toneladas, Arrobas, Litros, Docena o unidades) para los mismos productos. La nomenclatura de los productos también variaba, especialmente en la base de la empresa, donde los artículos se registraban por marca o proveedor.
Las fechas, que variaban entre días, años, semanas y meses, se estandarizaron a una frecuencia mensual, con variables de año y mes. A continuación, se armonizaron las descripciones de los productos a una nomenclatura única, eliminando acentos y caracteres especiales, lo que permitió el cruce entre las bases. El tipo de presentación se normalizó a Kilogramo, Litro y Docena (específicamente para huevos de gallina), permitiendo comparaciones directas entre los precios.
Paralelamente a la estandarización, se realizó un análisis de consistencia y limpieza para identificar productos con correspondencia directa entre las bases y relevancia para la empresa. Se excluyeron artículos como material de oficina, repuestos, equipos y productos con alto grado de industrialización, sin correspondencia con las bases públicas.
A partir de los datos de volumen de compras de la empresa, se identificaron 23 categorías de insumos alimenticios que presentaban correspondencia directa entre las bases y eran las más representativas en términos de volumen, totalizando el 52,3% de los productos alimenticios comprados. Estos 23 ítems fueron seleccionados para las etapas de análisis de correlación y aplicación de los modelos.
Para el análisis de los datos, se emplearon modelos basados en series temporales, que permiten identificar patrones, tendencias y estructuras estacionales en datos ordenados cronológicamente (Nielsen, 2021). El modelo principal adoptado fue el SARIMA (seasonal autoregressive integrated moving average), propuesto por Box y Jenkins, debido a su capacidad de capturar patrones estacionales y tendencias.
El SARIMA representa una extensión del modelo ARIMA, incorporando componentes estacionales para describir variaciones periódicas observadas en series temporales mensuales. Se utilizó la notación SARIMA (p,d,q)(P,D,Q)s, donde p, d, q se refieren a los componentes no estacionales y P, D, Q, s a los estacionales, con s=12 para periodicidad mensual.
La aplicación del modelo SARIMA siguió la metodología de Box y Jenkins (2015), estructurada en cinco etapas. La primera etapa consistió en el análisis descriptivo de la serie, investigando tendencias, estacionalidad y variabilidad para fundamentar los análisis subsecuentes.
La segunda etapa fue la verificación de estacionariedad, condición fundamental para modelos ARIMA/SARIMA. Se aplicó la prueba de Dickey-Fuller Aumentada (ADF) (Said y Dickey, 1984) a las series en nivel. Para series no estacionarias, se aplicaron diferenciaciones no estacionales (d) y estacionales (D) hasta la obtención de estacionariedad, con nivel de significancia del 5% (p-valor < 0,05).
La tercera etapa implicó la identificación del modelo mediante el análisis de los correlogramas de las funciones de autocorrelación (ACF) y autocorrelación parcial (PACF). Este análisis guió la especificación de los órdenes de los componentes autorregresivos (p, P) y de media móvil (q, Q) del modelo SARIMA (Box et al., 2015).
La cuarta etapa fue la estimación de parámetros, utilizando el método de máxima verosimilitud. La selección del modelo final se basó en el Criterio de Información de Akaike (AIC), que busca el equilibrio entre la calidad del ajuste y la parsimonia, penalizando los modelos con demasiados parámetros.
La quinta etapa consistió en el análisis de los residuos, evaluados mediante el correlograma de la función de autocorrelación (ACF) y la prueba de Ljung-Box. El objetivo fue verificar la ausencia de autocorrelación remanente, indicando que los residuos se comportaban como ruido blanco, con p-valores superiores a 0,05.
La serie histórica disponible comprendió 39 observaciones mensuales, de las cuales 33 se utilizaron en la etapa de estimación y seis se reservaron para validación fuera de muestra. El conjunto de entrenamiento, que contiene menos de tres ciclos estacionales anuales completos (s = 12), limitó la cantidad de información disponible para estimar estructuras estacionales y modelos con un mayor número de parámetros.
Adicionalmente, para fines comparativos, se utilizaron otros dos modelos de pronóstico: el modelo Naive y el modelo de Media Móvil. El modelo Naive asume que el valor pronosticado para el próximo período es igual al último valor observado, sirviendo como referencia básica en pronósticos de series temporales. El modelo de Media Móvil estima los valores futuros a partir de la media de los últimos períodos observados, suavizando variaciones de corto plazo y capturando tendencias recientes. Estos modelos más simples se incluyeron para evaluar su desempeño competitivo en relación con el SARIMA.
La medida de error adoptada para la evaluación del desempeño predictivo de los modelos fue el Mean Absolute Percentage Error (MAPE). El MAPE expresa el error medio en términos porcentuales, facilitando la comparación de la precisión entre productos con diferentes niveles de precio. Se adoptó MAPE < 10% como indicador de alta precisión predictiva.
Los análisis se implementaron en lenguaje Python, utilizando las bibliotecas pandas, matplotlib, statsmodels y scikit-learn.
3. Resultados y Discusión
La presente sección detalla los resultados obtenidos en el estudio, interpretándolos a la luz de los objetivos propuestos y de la metodología aplicada. Se analizaron tanto los hallazgos referentes a la comparación entre la base interna de precios de la empresa y las bases de datos externas de mercado, como el desempeño del modelo SARIMA y su comparación con los modelos Naive y de Media Móvil en la predicción de precios de insumos alimenticios. La discusión tiene como objetivo proporcionar una comprensión profunda de las dinámicas de fijación de precios y de las capacidades predictivas de los modelos, ofreciendo subsidios para la toma de decisiones estratégicas en el sector de comidas colectivas, conforme al problema de investigación y los objetivos establecidos en la introducción.
Adherencia de la base interna en comparación con las bases externas de precios
Con el propósito de evaluar la adherencia del comportamiento de los precios de compra practicados por la empresa en relación con los indicadores públicos de mercado, se realizó un análisis de correlación entre la serie histórica interna de precios y las bases de datos del CONAB, SEAB y CEPEA. Este procedimiento es de gran relevancia, ya que, en la rutina de la empresa, la consulta a estas fuentes externas es un procedimiento común en los procesos de planificación y negociación de compras, sirviendo como referencia para la definición de estrategias comerciales y de adquisición de insumos.
El análisis de correlación, utilizando los coeficientes de Pearson y Spearman, reveló una variación considerable en la relación entre los precios internos de la empresa y los indicadores públicos para los 23 productos evaluados. Se observó que la mayoría de los artículos presentaron baja adherencia a las bases externas, con coeficientes de correlación frecuentemente cercanos a cero o negativos. Por ejemplo, productos como Lechuga Americana, Papa Inglesa y Café Arábica exhibieron correlaciones muy bajas, indicando poca o ninguna semejanza entre sus dinámicas de precios internas y las del mercado general.
En contraste, algunos productos demostraron correlaciones más elevadas con las bases externas, sugiriendo una mayor sensibilidad a las fluctuaciones del mercado. Carne de Cerdo, Naranja Pera, Sandía, Melón y Trigo, por ejemplo, presentaron coeficientes de correlación más sustanciales, indicando que sus precios internos pueden ser más influenciados por las tendencias de mercado. Sin embargo, incluso para estos ítems, la adherencia no fue plena, lo que refuerza la complejidad de la formación de precios en el ambiente específico de la empresa estudiada.
La baja adherencia observada para la mayoría de los productos sugiere que la formación de los precios internos de la empresa está significativamente influenciada por factores específicos de la organización, que trascienden las dinámicas de mercado ampliamente divulgadas. En discusiones con la empresa, se identificaron diversos factores, como las condiciones locales de oferta y demanda, las características regionales de abastecimiento, el poder de negociación de la empresa con sus proveedores y los acuerdos contractuales propios. Un ejemplo notable es la exigencia contractual de adquirir parte de los insumos de agricultores familiares, lo que naturalmente distancia el comportamiento de los precios internos de las medias de mercado.
Estos hallazgos son cruciales para la gestión de compras, ya que indican que las bases de precios externas, aunque útiles como herramientas de inteligencia de mercado y benchmarking, no deben considerarse como un parámetro único y determinístico para la fijación de precios interna. La empresa necesita desarrollar una comprensión profunda de sus propios impulsores de costos y negociación, reconociendo que su realidad operativa y contractual moldea de forma única sus precios de adquisición, como lo señalan Rautenberg y Carmo (2019) sobre la importancia de los datos para las decisiones estratégicas.
El análisis de correlación también tuvo un impacto directo en la decisión metodológica para la aplicación del modelo SARIMA. Dada la predominancia de productos con dinámica propia de fijación de precios y baja adherencia a las bases externas, se optó por utilizar exclusivamente la serie histórica interna de la empresa para la modelización predictiva. Esta elección tuvo como objetivo asegurar que las estimaciones y predicciones reflejaran, de forma más fidedigna, las condiciones reales de negociación, operación y adquisición de la organización objeto de estudio, garantizando la relevancia práctica de los modelos desarrollados.
Aplicación del Modelo SARIMA
La aplicación del modelo SARIMA siguió rigurosamente las cinco etapas de la metodología de Box y Jenkins (2015), un enfoque ampliamente reconocido en la literatura de series temporales. Estas etapas incluyeron el análisis descriptivo de las series, la verificación de estacionariedad, la identificación de la estructura del modelo mediante correlogramas, la estimación de los parámetros y, finalmente, el análisis de los residuos para su validación. Cada fase fue fundamental para construir modelos robustos y adecuados a las características específicas de cada serie de precios de insumos alimenticios.
Análisis Descriptivo de la Serie
El análisis descriptivo de las series mensuales de precios internos de la empresa, que abarca los 23 productos seleccionados, proporcionó una visión inicial de la volatilidad y los patrones de cada insumo. Se calcularon medidas de tendencia central, como la media y la mediana, y de dispersión, incluyendo mínimo, máximo, desviación estándar y coeficiente de variación, para caracterizar la distribución de los precios a lo largo del período de enero de 2022 a marzo de 2025. Estos indicadores son esenciales para contextualizar el modelado SARIMA, ya que las series con mayor dispersión generalmente presentan mayor incertidumbre predictiva.
Los resultados de la estadística descriptiva revelaron que la gran mayoría de las categorías de productos presentaron volatilidad media y alta, un comportamiento común en mercados agropecuarios. De los 23 ítems analizados, solo tres demostraron baja variabilidad, con coeficiente de variación inferior o igual a 0,10: azúcar, carne de pollo y tilapia. Otras diez categorías exhibieron variabilidad media, con coeficientes entre 0,10 y 0,20, mientras que las diez categorías restantes presentaron alta variabilidad, con coeficientes superiores a 0,20.
Esta heterogeneidad en la volatilidad de los precios de los insumos ya indicaba un desafío significativo para la aplicación de modelos de pronóstico adherentes, sugiriendo que un enfoque estandarizado para todos los productos podría no ser eficaz. La observación de las series temporales originales para una muestra de productos, como azúcar, trigo, tilapia y leche entera de larga vida, evidenció diferencias relevantes de amplitud y variabilidad a lo largo del período analizado. Estas distinciones reforzaron la necesidad de estimar modelos SARIMA individualmente para cada producto, considerando que la dinámica de formación de precios y el grado de estacionalidad poseen comportamientos distintos entre las categorías.
Prueba de Estacionariedad
La verificación de la estacionariedad de las series temporales es una condición fundamental para la aplicación de modelos ARIMA/SARIMA, ya que presupone que la media y la varianza de la serie sean aproximadamente constantes a lo largo del tiempo. Para ello, se aplicó la prueba de Dickey-Fuller Aumentada (ADF), propuesta por Said y Dickey (1984), a las series en nivel. El criterio de decisión adoptado fue un nivel de significancia del 5% (p-valor < 0,05), donde p-valores inferiores a 0,05 indican el rechazo de la hipótesis nula de raíz unitaria, es decir, la serie es estacionaria.
La prueba ADF inicial reveló que seis de los 23 productos ya eran estacionarios a nivel, presentando p-valores inferiores a 0,05. Estos incluían Lechuga Iceberg, Lechuga Rizada, Plátano Caturra, Carne de Pollo, Sandía y Tomate. Para las 17 series restantes, fue necesario aplicar transformaciones para alcanzar la estacionariedad. Trece productos demandaron una diferenciación no estacional (d = 1), tres productos requirieron dos diferenciaciones no estacionales (d = 2), y la Papa Inglesa necesitó una diferenciación estacional (D = 1).
Después de aplicar las diferenciaciones apropiadas, todas las series presentaron p-valores inferiores a 0,05 en la prueba ADF, lo que indica que la hipótesis nula de raíz unitaria fue rechazada y se alcanzó la estacionariedad. Este paso fue crucial para garantizar la validez y robustez de los modelos SARIMA subsiguientes, permitiendo que los modelos capturaran los patrones temporales sin la influencia de tendencias o estacionalidades no estacionarias, que podrían comprometer la precisión de las predicciones.
Análisis de las Funciones de Autocorrelación
Después de la etapa de estabilización de las series, se procedió al análisis de los correlogramas de las funciones de autocorrelación (ACF) y autocorrelación parcial (PACF). La ACF mide la correlación entre los valores de una serie temporal y sus propios valores rezagados, permitiendo identificar la presencia de dependencia temporal y patrones recurrentes. La PACF, por su parte, mide la correlación entre la serie y un determinado rezago, eliminando el efecto de los rezagos intermedios, lo que es fundamental para aislar la influencia directa de cada rezago.
El análisis conjunto de los correlogramas ACF y PACF es una herramienta esencial en la metodología de Box y Jenkins (2015) para guiar la identificación de los órdenes de los componentes autorregresivos (p, P) y de media móvil (q, Q) del modelo SARIMA. Un corte abrupto en la PACF generalmente indica el orden AR, mientras que un corte en la ACF apunta al orden MA. Aunque la selección final del modelo fue guiada por el Criterio de Información de Akaike (AIC), la inspección de los correlogramas proporcionó subsidios estadísticos para justificar la presencia o ausencia de dependencia temporal de corto plazo y de patrones recurrentes anuales en cada serie de precios.
Estimación del Modelo
La estimación de los modelos SARIMA se realizó utilizando el método de máxima verosimilitud, implementado a través de la función SARIMAX del paquete “statsmodels” en el lenguaje Python. Para cada uno de los 23 productos, se probaron diversas combinaciones de parámetros del modelo, buscando identificar la estructura que mejor representara el comportamiento de la serie de precios. La elección del modelo final para cada producto se basó en el Criterio de Información de Akaike (AIC), que es ampliamente utilizado en la selección de modelos estadísticos por promover un equilibrio entre la calidad del ajuste y la parsimonia.
El AIC penaliza los modelos que utilizan un número excesivo de parámetros, favoreciendo a aquellos que logran explicar bien los datos con mayor simplicidad. Así, entre dos modelos con ajuste similar, el criterio AIC prefiere el más simple, siendo que los modelos con menor valor de AIC se consideran preferibles. En este estudio, el AIC se empleó para seleccionar, entre las diferentes combinaciones de parámetros no estacionales (p,d,q) y estacionales (P,D,Q,s) probadas, la especificación más adecuada para cada producto, garantizando la eficiencia y la interpretabilidad de los modelos ajustados.
Evaluación del Modelo Ajustado
La calidad de los modelos SARIMA ajustados se evaluó mediante dos enfoques complementarios: el diagnóstico de los residuos y el rendimiento de las predicciones fuera de la muestra. El diagnóstico de los residuos es crucial para verificar si el modelo capturó toda la estructura de dependencia temporal de la serie, dejando solo un “ruido blanco” aleatorio. Para ello, se utilizó la prueba de Ljung-Box, que evalúa la presencia de autocorrelación conjunta en los residuos hasta un determinado rezago.
La prueba de Ljung-Box indicó que 19 de los 23 modelos presentaron ausencia de evidencia de autocorrelación residual, con valores p iguales o superiores a 0,05. Esto sugiere que, para la mayoría de los productos, los modelos SARIMA seleccionados fueron adecuados para capturar la dependencia temporal de las series de precios. Sin embargo, en cuatro casos específicos — Lechuga Americana, Lechuga Crespa, Papa Inglesa y Carne de Cerdo — los valores p fueron inferiores a 0,05, indicando la presencia de autocorrelación remanente en los residuos. Este resultado sugiere que la especificación seleccionada para estos productos no capturó integralmente la dependencia temporal, lo que puede impactar la precisión de sus pronósticos.
Para evaluar la capacidad predictiva de los modelos, se realizó una validación temporal fuera de la muestra. Los últimos seis meses de la serie histórica de cada producto se reservaron como período de prueba, y las predicciones generadas por los modelos SARIMA se compararon con los valores reales observados en ese período. Este enfoque permite una evaluación más realista del rendimiento del modelo en escenarios no observados durante la fase de estimación, proporcionando una medida robusta de su utilidad práctica para la toma de decisiones.
Adicionalmente, se generaron proyecciones para los seis meses siguientes al período de validación, con intervalos de confianza del 95%, para cada producto. Estas proyecciones futuras son de gran valor para la empresa, ya que ofrecen una estimación de los precios esperados de los insumos, auxiliando en la planificación de compras y en la formulación de estrategias. La visualización de estas proyecciones, junto con sus intervalos de confianza, permite a los gestores evaluar el nivel de incertidumbre asociado a cada previsión, facilitando la gestión de riesgos.
La métrica de error utilizada para comparar el rendimiento predictivo de los modelos fue el Mean Absolute Percentage Error (MAPE), que expresa el error medio en términos porcentuales, facilitando la comparación de la precisión entre productos con diferentes niveles de precio. Para la interpretación de los resultados, se adoptó que un MAPE inferior al 10% indicaría alta precisión predictiva. Los valores de MAPE se calcularon para los modelos SARIMA, Naive y de Media Móvil en el período de validación fuera de la muestra, permitiendo una comparación directa de la eficiencia relativa de cada enfoque.
Los resultados del MAPE revelaron un desempeño heterogéneo del modelo SARIMA entre los diferentes productos. Solo cuatro productos presentaron alta precisión predictiva (MAPE < 10%) con el SARIMA, siendo tres de ellos artículos industrializados: Trigo (3,28%), Azúcar (4,39%) y Leche Larga Vida Entera (7,17%). En contrapartida, productos como Papa Inglesa (151,89%), Cebolla Amarilla (151,84%) y Tomate Ensalada (119,67%) presentaron MAPEs superiores a 100%, indicando una baja capacidad predictiva del SARIMA para estos artículos altamente volátiles.
En comparación con los métodos más simples, el modelo Naive presentó una alta precisión (MAPE < 10%) para seis productos, mientras que el modelo de Media Móvil obtuvo este nivel de precisión para siete productos, superando al SARIMA, que alcanzó esta precisión para solo cuatro. Para mitigar la influencia de valores extremos y obtener una visión agregada, la comparación se realizó por la mediana del MAPE. La mediana del MAPE para el SARIMA fue del 23,69%, mientras que para el Naive fue del 16,46% y para la Media Móvil fue del 15,39%.
Estos resultados indican que, en la muestra específica analizada, los modelos más simples, como Naive y Media Móvil, demostraron mayor robustez para una parte relevante de los productos. Sin embargo, este hallazgo no debe interpretarse como una inferioridad intrínseca del SARIMA, sino como una indicación de que su desempeño es sensible a las características de las series y al diseño muestral disponible. La corta extensión de las series históricas (33 observaciones para estimación) y la cantidad limitada de ciclos estacionales completos (menos de tres ciclos anuales para una estacionalidad de 12 meses) restringieron el sustento estadístico para estimar estructuras estacionales y parametrizaciones más complejas con estabilidad.
En este contexto, modelos más parsimoniosos, como el Naive y la Media Móvil, pueden presentar mayor robustez, especialmente cuando la serie combina una extensión histórica limitada con alta volatilidad. Los errores elevados observados en las series más volátiles y en algunas especificaciones más complejas refuerzan la necesidad de interpretar los resultados considerando simultáneamente la volatilidad de los precios, la parsimonia del modelo y la cantidad de observaciones disponibles. La predicción de precios de insumos alimenticios, en el contexto analizado, es un problema de elevada complejidad, que no es plenamente capturada por modelos tradicionales, ya sean simples o más sofisticados, evidenciando la importancia de la evaluación comparativa entre diferentes enfoques y la necesidad de evolución metodológica.
En resumen, los resultados de la investigación destacan la complejidad de la predicción de precios de insumos alimentarios en el sector de comidas colectivas. La baja correlación entre los precios internos de la empresa y los indicadores de mercado subraya la influencia de factores organizacionales específicos, mientras que el desempeño heterogéneo del modelo SARIMA, con modelos más simples presentando competitividad en muchos casos, resalta la importancia de la extensión de la serie temporal y la volatilidad de los productos. Estos hallazgos proporcionan ideas valiosas para la gestión de compras, indicando la necesidad de enfoques diferenciados y el perfeccionamiento continuo de las estrategias predictivas.
4. Conclusión
El presente estudio buscó desarrollar y evaluar modelos SARIMA para la predicción de precios de 23 insumos alimenticios en una empresa de comidas colectivas, además de analizar la correlación entre los precios internos e indicadores públicos de mercado, con el fin de mejorar las decisiones estratégicas de compras. Se verificó que la formación de los precios internos de la empresa presentaba baja adherencia a la mayoría de los indicadores públicos, sugiriendo la influencia preponderante de factores contractuales y operacionales específicos de la organización. Esta constatación orientó el modelado predictivo hacia el uso exclusivo de la serie histórica interna. En la aplicación del modelo SARIMA, se observó un desempeño heterogéneo entre los productos, con mayor precisión para ítems de menor volatilidad, como azúcar, trigo y leche entera de larga vida. Sin embargo, para productos altamente volátiles, la capacidad predictiva del SARIMA fue limitada, con errores porcentuales elevados. La comparación con modelos más simples, como Naive y Media Móvil, indicó que estos presentaron, en muchos casos, un desempeño competitivo o superior, especialmente debido a la corta extensión de las series históricas disponibles para estimación. Los hallazgos refuerzan la complejidad inherente a la predicción de precios de insumos alimenticios en el sector, ofreciendo subsidios importantes para la gestión de compras, que debe considerar la individualidad de cada insumo y la influencia de factores internos en la formación de precios.
La principal limitación metodológica del estudio residió en el horizonte muestral de 39 meses, con solo 33 observaciones para la estimación. Esta extensión restringida, combinada con la necesidad de capturar las estacionalidades anuales, limitó la capacidad de estimar con estabilidad estructuras estacionales y parametrizaciones más complejas, impactando el rendimiento del modelo SARIMA en comparación con enfoques más parsimoniosos. Para estudios futuros, se sugiere la ampliación de la base histórica de datos, la incorporación de variables exógenas como factores climáticos y macroeconómicos, y la exploración de modelos predictivos más avanzados o híbridos. Tales iniciativas pueden mejorar la estimación de patrones estacionales y la capacidad predictiva en contextos de mayor complejidad, contribuyendo al desarrollo continuo de estrategias de gestión de costos más eficaces en el sector de comidas colectivas.
Referencias Bibliograficas
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.
Artículo originario del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq
Para saber más sobre el curso, haz clic aquí y accede a la plataforma MBX Academy