Introdução: No ano de 2017, o setor calçadista no Brasil registrou um aumento 1,1% na produção de calçados. Com isso, a produção nacional alcançou 908,9 milhões de pares. Esse desempenho, entretanto, não foi suficiente para equilibrar a redução ocorrida nos anos de 2015 e 2016, quando acumularam um declínio de 8,3% na produção. Esse efeito negativo se deu por fatores ligados à crise econômica enfrentada pelo país, e pela debilidade da competitividade da economia nacional no mercado externo (ABICALÇADOS,2018). Assim, a previsão de demanda e os modelos formais de previsão ajudam as empresas a avaliarem a quantidade de produtos que irão produzir, de modo que possam atender satisfatoriamente o mercado. Além da sua importância na determinação dos recursos necessários que são bases para o planejamento estratégico da produção, das vendas e das finanças empresariais (CHOPRA; MEIDNL,2016). Quanto mais acurada for a previsão, melhor para todos os setores da cadeia de suprimentos, facilitando o planejamento das empresas, suprindo as necessidades com maior eficácia. (MAKRIDAKIS; WHEELWRIGHT; HYNDMAN,1998). O modelo de Média Móvel Integrada Autoregressiva (ARIMA), foi desenvolvido por Box e Jenkins. Baseiam-se no princípio de que os valores futuros de uma série temporal são desenvolvidos a partir de funções lineares de análises passadas (BOX; JENKINS,1976). Objetivo: O artigo tem como objetivo analisar a aplicação do modelo ARIMA na previsão da demanda no setor calçadista. Metodologia: A pesquisa é classificada como um estudo de caso, que contempla o cenário da indústria calçadista local. Os dados da demanda foram coletados in loco no período de janeiro de 2013 a julho de 2018. A princípio foi realizada uma análise da série através de vários testes estatísticos, como teste de Kruskal-Wallis (valor de teste 31,3130 e p- valor de 0,001765) com a finalidade de examinar a existência da sazonalidade, o teste de Cox-Stuart (estatística de T = 11 e p-valor = 0,3449) para verificar a existência de tendência e o teste KPSS (valor de teste Z = 0,067369 com p-valor = 0,1) na análise da estacionariedade. Com isso, nota-se, que a série apresenta vestígios de sazonalidade, não há indícios de tendência e é estacionária. (HYNDMAN; KHANDAKAR,2008). A natureza da pesquisa é quantitativa, requerendo um grande número de dados. As previsões foram processadas com o auxílio do software R-Studio, como critério utilizado na seleção de modelos o Bayesian information criterion (BIC) e para análise dos resíduos o Mean Absolute Deviation (MAD). Conclusão: A partir da estimação dos valores da série, o modelo foi escolhido mediante uso da função automática auto.arima do pacote forecast, foi o modelo SARIMA (0,0,0)(1,0,0) 12 apresentando a melhor performance (BIC = 803,51). O parâmetro P indica autoregressividade sazonal de ordem 1, assim, infere-se que o modelo é capaz de descrever o comportamento sazonal da série. Na sequência, efetuou-se a análise dos resíduos onde não apresentam autocorrelações conforme o teste estatístico de Ljung-Box, confirmando a boa adequação do modelo à série. Com isso, conclui-se que o modelo estimado com sazonalidade se mostrou apropriado para a série estudada. No entanto, reitera-se que outros métodos mais avançados e robustos sejam aplicados, a fim de obter previsões mais acuradas e que outros fatores que envolve a demanda possam ser considerados.