No passado recente, com a expansão generalizada da inteligência artificial, tem-se verificado igualmente uma crescente utilização de métodos de machine learning para serem aplicados na previsão de receitas de empresas. A presente tese propõe uma análise comparativa entre as abordagens econométricas tradicionais e as abordagens de machine learning na previsão das receitas da Alphabet, Amazon, Apple, Meta, Microsoft, Nvidia e Tesla. O objetivo do presente estudo é, a partir de uma análise comparativa, determinar o método mais preciso. O estudo em questão recorre a uma diversidade de métodos estatísticos tradicionais, incluindo médias móveis simples, decomposição, exponencial Holt-Winters e modelos ARIMA, bem como abordagens mais sofisticadas, tais como Prophet do Facebook e redes neurais artificiais. A avaliação é realizada através da aplicação de métricas de erro padrão, tais como o erro quadrático médio (MSE), o erro quadrático médio raiz (RMSE) e o erro percentual absoluto médio (MAPE). O estudo verifica se a incorporação do efeito dos feriados no Prophet melhora a precisão do modelo e se a automatização do ajuste do modelo de aprendizagem automática, através de uma grid search de hiperparâmetros, produz um desempenho superior em comparação com a especificação manual dos parâmetros como seu tempo de relatório. Também é apresentada a arquitetura da ANN de forma transparente e são esclarecidos os ajustes que facilitam a execução e a reprodutibilidade das previsões. Os resultados obtidos indicam que, embora os modelos econométricos tradicionais forneçam bases úteis para a construção de métodos mais sofisticados, o Prophet e as redes neurais artificiais demonstram superioridade em termos de precisão de previsão.