[pt] Séries Temporais que podem ser organizadas em níveis de acordo com, por exemplo, o tipo de produto, região geográfica, classe de consumo, dentre outros, são chamadas de Séries Temporais Hierárquicas (ou agrupadas, quando possuem mais de uma variável de agregação). Informações referentes à previsão destas séries são fundamentais para a tomada de decisão seja no nível gerencial ou operacional de todo tipo de negócio. Para atender a essas informações, são utilizadas técnicas de previsão hierárquica, que têm como foco reduzir os custos e melhorar a acurácia da previsão. O objetivo deste trabalho é estudar abordagens para agregar/desagregar previsões feitas para Séries Temporais Hierárquicas ou Agrupadas. Como resultado do trabalho destaca-se a apresentação das abordagens que representam o estado da arte em previsão hierárquica: Reconciliação Ótima (também chamada de Combinação Ótima) e Top-Down baseada na Proporção das Previsões. Ainda referente aos resultados destaca-se a análise das diversas técnicas de previsão hierárquica encontradas na literatura aplicadas a duas séries clássicas do contexto brasileiro: a série agrupada de consumo de energia elétrica agregada por região do país e classe de consumo, e a série hierárquica de demanda de transporte aéreo representada pela variável RPK (Revenue Passenger Kilometers). O desempenho preditivo das abordagens foi avaliado com base na métrica MAPE, e o teste de Diebold-Mariano foi aplicado para verificar se a diferença no desempenho das abordagens novas e tradicionais é significativa. / [en] Time Series which can be arranged in levels according to, for example, the type of product, geography, consumption class, among others, are called Hierarchical Time Series (or grouped, if they have more than one aggregation variable). Information relating these series prediction is fundamental for decision-making at the management or operational level of all types of business. To meet these information, hierarchical forecasting techniques are used, which are focused on reducing costs and improving the accuracy of prediction. The objective of this work is to study approaches to aggregate / disaggregate predictions for Hierarchical or Grouped Time Series. As a result of the work there is the presentation of the approaches that represent the state of the art hierarchical forecast: Optimal Reconciliation approach (also called the Optimal Combination) and Top-Down Forecast Proportions approach. Still on the results highlight the analysis of the various hierarchical forecasting techniques found in the literature applied to two classic series of the Brazilian context: a grouped series of electricity consumption aggregated by region of the country and consumer class, and the hierarchical series air transport demand represented by the variable RPK (Revenue Passenger Kilometers). The predictive performance of the approaches was evaluated based on the metric MAPE and the Diebold-Mariano test was used to verify that the difference in performance of new and traditional approaches is significant.

[pt] Tendo em vista mudanças significativas no varejo causadas pelo crescimento de compras online no Brasil, este estudo tem como objetivo facilitar um relevante lead time e um forte grau de assertividade na previsão de demanda do Omnichannel de uma empresa do setor. Com a crescente relevância do Omnichannel, é importante compreender as necessidades dos consumidores tradicionais e digitais, integrar suas experiências e oferecer múltiplos canais de compra. Nesse contexto, a previsão de demanda é crucial para apoiar as decisões estratégicas, táticas e operacionais da organização. A utilização de séries temporais hierárquicas auxilia na precisão das previsões e, portanto, na tomada de decisões, permitindo gerar estimativas coerentes ao longo dos múltiplos níveis hierárquicos. Dessa forma, neste estudo, combinando as metodologias de previsão de séries temporais ETS, ARIMA e SARIMAX, com métodos de reconciliação Bottom-up, Top-down, MinTrace Combinação Ótima (OLS) e MinTrace WLS Struct, doze modelos foram gerados. Baseado nas principais abordagens de séries temporais hierárquicas, com uma sequência de sete passos, os modelos foram comparados, por meio de métricas de avaliação de desempenho, para identificar qual deles melhor se encaixa na série trabalhada. Ao final do estudo, o modelo SARIMAX com Bottom-up se mostrou a combinação mais adequada para a série em análise. A abordagem alcançou um MAPE de 22 por cento no nível mais agregado da hierarquia, reduzindo em cinco pontos percentuais o MAPE original da empresa, além de apresentar a melhor colocação na combinação das métricas comparativamente. / [en] In light of recent changes in retail caused by the growth of online shopping in Brazil, this study aims to enable a substantial lead time and a high degree of accuracy of the Omnichannel demand forecast for a retail company. As Omnichannel success continues to expand, it becomes increasingly important tounderstand the needs of both traditional and digital consumers, integrate their experiences and offer multiple purchase channels. In this context, demand forecasting is crucial for identifying market trends, growth opportunities, potentialstrategies and supporting strategic, tactical and operational decisions. The use of Hierarchical Time Series improves forecasts accuracy and, therefore, assists in decision-making, allowing the development of consistent estimations acrossmultiple hierarchical levels. Thus, this study combines the time series forecast generation methodologies ETS, ARIMA and SARIMAX, with Bottom-up, Top-down, MinTrace Optimal Combination (OLS) and MinTrace WLS Struct reconciliation methods, resulting in the generation of twelve models. Based on the main theories of Hierarchical Time Series and following a 7-steps sequence, the models were compared using performance evaluation metrics to identify the best fit for the investigated series. The research concludes that the SARIMAX model,together with the Bottom-up strategy, proves to be the most appropriate composition for the Hierarchical Time Series under analysis, as it demonstrates the best performance across the evaluation metrics, reaching a MAPE of 22 percent at the most aggregated level of the hierarchy and reducing the original company forecasting MAPE by five percentage points.