ISCAC - Dissertações de Mestrado
Permanent URI for this collection
Browse
Browsing ISCAC - Dissertações de Mestrado by Author "Almeida, Maria Inês Vicente"
Now showing 1 - 1 of 1
Results Per Page
Sort Options
- Previsão de vendas no retalho farmacêutico: estudo de casoPublication . Almeida, Maria Inês Vicente; Leite, Joana Jorge de QueirozO setor do retalho farmacêutico está a evoluir rapidamente devido à capacidade de processar dados digitalmente. Desta forma, este estudo analisa dados históricos mensais, de janeiro de 2013 a março de 2023, de medicamentos, de uma farmácia comunitária, das quatro categorias presentes no Sistema Respiratório: os anti-histamínicos, a dor de garganta e rouquidão, as gripes e constipações e a tosse. O objetivo passa por capacitar a farmácia a prever futuras vendas dos medicamentos, compreendendo os padrões de vendas para as doze classificações farmacoterapêuticas presentes nas quatro categorias do Sistema Respiratório. É realizada uma análise com base na estacionariedade e na força da tendência e da sazonalidade de cada classificação farmacoterapêutica. Diversos modelos, como o autorregressivo integrado média móvel (ARIMA), alisamento exponencial na versão erro tendência e sazonalidade (ETS), Naive e Seasonal Naive são aplicados, sendo avaliados através da validação cruzada com base nas medidas clássicas de exatidão das previsões. Os resultados demonstram que as classificações farmacoterapêuticas que exibem grandes volumes de vendas são tipicamente séries sem tendência, mas com forte sazonalidade. Desse modo tendem a favorecer os modelos ARIMA. Por outro lado, para as séries com tendência e menor sazonalidade, é uma melhor opção modelos como o ETS ou os modelos ARIMA obrigando à diferenciação inicial da série. Em suma, ao analisar o histórico de vendas de cada classificação farmacoterapêutica, a previsão para o mês seguinte, em abril 2023, mantém-se consistentemente alinhada com os padrões históricos desse mesmo mês ao longo dos anos. Isso sugere que o modelo está a capturar efetivamente os padrões sazonais e a fornecer uma previsão confiável para esse período, conforme os parâmetros mencionados anteriormente.