Post on 07-Nov-2018
1
1. A Previsão como Instrumento do Planejamento
1. Introdução
A previsão e o planejamento são processos seqüenciais. O planejamento pode ser reconhecido
como o processo de estabelecer compromissos de gerência que permitem que a empresa atenda à
demanda prevista e alcance, assim, os objetivos estratégicos de seu negócio. Por outro lado, a
previsão pode ser vista como o processo de desenvolver a visão mais provável de qual será o nível
da demanda futura, assumido um conjunto de premissas sobre a tecnologia, o ambiente, a
competição, a evolução dos preços, o marketing e os esforços de vendas.
O uso de métodos e modelos analíticos para a previsão é necessário em várias situações. Por
exemplo, eles são usados ao se analisar a evolução de fatores externos que afetam o desempenho
das organizações como a inflação, a variação dos preços, o produto interno bruto, o tamanho e a
divisão do mercado. Da mesma forma, a previsão permite analisar a variação dos volumes
importados em comparação aos exportados ao longo do tempo, que por sua vez tem impacto na
determinação do tamanho dos mercados em determinado período de tempo. Ela também permite
acompanhar a evolução das condições econômicas de determinadas regiões ou países, que afetam o
tamanho dos mercados e a quantidade de produtos vendidos, e, em conseqüência, possibilita
antever a receita esperada das vendas. No longo prazo, a ausência de efetiva gerência para
monitorar e controlar os processos de previsão e planejamento dos negócios pode afetar até mesmo
a sobrevivência da organização. O planejamento da expansão (ou não) e o crescimento dos
negócios devem se apoiar em estimativas das demandas futuras por serviços, produtos ou grupos
de produtos. É sumamente importante antecipar informações sobre onde a capacidade instalada
não atende à demanda (ou vice-versa) de forma a planejar a utilização do capital para expansões ou
retrações da organização, assim como avaliar se o nível de demanda esperado irá compensar o
investimento necessário para atuar em determinado ramo de negócio. No médio e curto prazo,
negligenciar as previsões pode resultar em não atendimento de pedidos de clientes, serviços mal
dimensionados e subutilização de recursos produtivos.
Quando a demanda é prevista com precisão, ela pode ser atendida no tempo e da maneira
adequados, satisfazendo os parceiros nos canais logísticos e os clientes finais. Matérias primas e
partes componentes podem ser adquiridos de forma programada, serviços logísticos com contratos
de longo prazo podem ser estabelecidos com maior segurança, enquanto aquisições no mercado spot
2
podem ser evitadas. Na programação da produção e dos níveis de estoque por produto, previsões
de consumo de cada produto são necessárias para específicos períodos de tempo. Estoques de
segurança podem ser melhor dimensionados, com previsões apuradas do nível de consumo por
local e por tipo de produto ou serviço. Em departamentos de marketing, previsões da demanda
devem estar disponíveis para que as estratégias de vendas sejam planejadas. A demanda por
produtos deve ser prevista de forma a orientar esforços promocionais. Além disso, a previsão da
demanda de produtos finais pode ser traduzida em previsões de necessidades de itens como
produtos básicos, equipamentos, componentes/partes, e serviços. Em conseqüência dessas
previsões de itens de demanda interdependente, a aquisição de produtos básicos pode ser
programada, o que implica também na previsão da disponibilidade de recursos financeiros e em
geral e no acompanhamento e previsão da variação dos preços dos itens e produtos analisados.
Assim, em primeiro lugar, a previsão deve ser utilizada para decidir se a demanda é suficiente para
justificar a entrada da organização numa determinada região de mercado. Se a demanda existe mas
não em nível suficiente para cobrir os custos logísticos do seu produto final, a organização deverá
rejeitar a oportunidade.
De forma sumária, são três as macro-áreas de aplicação da previsão:
• Determinação de recursos desejados, correspondente a decisões de longo-prazo
Essas decisões dizem respeito, por exemplo, a determinar as necessidades de capacidade no
longo-prazo ou seja, em horizontes de tempo de mais de 2 anos, para o projeto da rede de
instalações. Projeções da demanda para um número de anos no futuro podem significar redução
dos gastos incorridos na expansão, ou na retração, da capacidade para atender à demanda projetada
(deve-se usar as previsões para o planejamento de decisões de forma a evitar atender à demanda de
forma insuficiente ou, ao contrário, ter capacidade ociosa em setores da empresa).
• Aquisição de recursos adicionais, correspondente a decisões de médio-prazo
Essas decisões dizem respeito, por exemplo, à programação da utilização de capacidade
adicional de transporte e armazenagem em períodos de pico e o relacionamento com fornecedores
de tais serviços de forma a ter contratos favoráveis, pré-estabelecidos, de média duração.
• Programação de uso de recursos existentes, correspondente a decisões de curto-prazo
Essas decisões dizem respeito, por exemplo, a acompanhar as flutuações da demanda de curto
e curtíssimo prazos (uma semana a três meses) para o planejamento da produção, programação da
força de trabalho, planejamento dos fluxos de materiais, e outras necessidades. Essas previsões
3
afetam, por exemplo, a produtividade operacional e as datas de entrega com as quais a organização
se comprometeu.
A experiência de organizações internacionais confirma que a habilidade empresarial para a previsão
é reconhecida como passo inicial para o planejamento do atendimento das demandas de clientes.
Esse planejamento é um direcionador do sucesso das cadeias de abastecimento em que essas
organizações atuam (Moon et al, 2000). O suporte de métodos específicos de previsão lhes permite
ser capazes de monitorar a evolução dos mercados e antever as suas oportunidades de negócios e
projetar a estrutura da cadeia de abastecimento de forma a tirar o melhor proveito dessas
oportunidades. O uso desses métodos é reconhecido por essas organizações criticamente útil para o
negócio não só para a visibilidade da demanda ao longo da cadeia, apoiando o projeto de sua
estrutura, como também pelo grande número de clientes internos que devem ser atendidos, nos
vários processos comerciais internos da organização.
Assim, sob a perspectiva estratégica e de gerência de topo, a empresa deve desenvolver e implantar
planos para estabelecer a cadeia de abastecimento com a capacidade necessária para atender a
demanda futura e, sob a perspectiva operacional, ao conhecê-la poderá otimizar a cadeia pela
minimização dos custos de manutenção de estoques, transporte, aquisição e produção. Ou seja, os
compromissos gerenciais de programação da produção ou de aquisição e de manutenção de níveis
de estoques nas cadeias de abastecimento são assumidos baseados em valores prováveis e
razoavelmente precisos do nível da demanda para determinados horizontes de tempo que o
processo de previsão permitiu obter.
Alguns aspectos, como a rápida mudança tecnológica, podem limitar o uso da previsão, assim como
uma base de clientes estável com exigências bem estabelecidas dos produtos facilita a tarefa de
previsão. Por outro lado, a participação de diferentes níveis hierárquicos da organização nas etapas
de obtenção de dados, preparação e aprovação da previsão pode estar associada ao seu melhor
desempenho. Além disso, melhores resultados de previsão são associados a melhores informações a
respeito da indústria, clientes, competidores e da economia, além do projeto das interligações
eficientes e troca de informações entre departamentos da organização, em especial com o
departamento de pesquisa de marketing, e ao uso de métodos adequados, a disponibilidade de
recursos e uma boa base de dados para a tarefa de previsão e a regularidade de sua realização (Fildes
e Hastings, 1994, Rothe, 1978). A delegação da responsabilidade pelas previsões a membros dos
canais logísticos das organizações, como distribuidores e rede de varejistas podem ter implicações
na sua precisão, tendenciosidade e uso. Em algumas situações, como em mercados de exportação
4
ou globais, essa delegação pode ser uma necessidade, mostrando ser de importância crescente a
consolidação de um sistema eficiente de troca de informações entre membros das cadeias de
abastecimento.
2. Métodos (ou técnicas) de previsão e análise de séries temporais
Os métodos ou técnicas de previsão podem ser classificados de acordo com o tipo de elaboração de
sua formulação teórica e fundamentação estatística. Variantes desses métodos tem sido
desenvolvidas para melhorar suas características preditivas do evento focado.
Os métodos comumente utilizados incluem os chamados métodos espontâneos ou intuitivos
(naîves), que imitam o comportamento humano com as limitações inerentes para cálculos e
armazenamento de dados, que crescem de complexidade até sofisticados métodos formais, onde se
incluem a metodologia de Box-Jenkins, os métodos Bayesianos, os sistemas econométricos de
equações simultâneas e as redes neurais. Os métodos espontâneos usam a informação mais recente,
ou mesmo uma média simples das informações, como base de extrapolações. Os métodos formais
de previsão se baseiam no estudo de registros e informações, ou séries temporais, acerca dos
fenômenos, buscando compreender (analisar) os processos que foram capazes de as gerar e, com
essa compreensão, prever seus valores futuros. As séries temporais são definidas como formadas
por conjuntos de observações sequenciais no tempo acerca de um fenômeno, a variável tempo
podendo ser substituída por outra, como espaço, profundidade etc., em que as observações vizinhas
são, em geral, dependentes. O estudo (ou a análise) de séries temporais pretende analisar e modelar
essa dependência.
Há basicamente dois tipos de análise de séries temporais, os quais fornecem informações
complementares: A análise no domínio do tempo, baseada essencialmente na função de
autocorrelação, e a análise no domínio da freqüência, baseada no espectro - Transformada de
Fourier da função de autocorrelação, e na avaliação de periodicidades relevantes. Esses dois tipos
são compostos pelos modelos paramétricos (no primeiro caso) e os modelos não paramétricos (no
segundo caso).
A. Análise no Domínio do Tempo (modelos paramétricos):
A Figura 1 apresenta alguns dos modelos analíticos e métodos de previsão de acordo com:
a) O grau de formalidade do método;
5
b) O uso de informação quantitativa de séries temporais ou de informação de base subjetiva
(qualitativa), aplicável principalmente em prospecções de longo prazo.
Os métodos quantitativos podem ser divididos em dois grandes grupos: aqueles que avaliam uma
relação de causalidade entre fatores/eventos observados (métodos causais) e os que permitem
previsões com base no reconhecimento do padrão observado da série temporal (métodos
autoprojetivos).
Método
FormalQuantitativo
Causal
Autoprojeção
Qualitativo
Espontâneo ou informal
Regressão
Box-Jenkins
Amortecimento Exponencial
Médias MóveisDecomposição
Ciclo de vidaDelphiAnalogia HistóricaOpinião de expertsImpactos cruzadosOpinião de executivosComposição da força de vendas
Figura 1- Uma classificação dos métodos de previsão e análise de séries temporais temporais
B. Análise no Domínio da Frequência (modelos não-paramétricos):
Corresponde basicamente a:
• A análise espectral,
Que baseia-se no conceito fundamental da energia associada aos componentes da série descrita em
componentes de frequência. O estudo da distribuição da energia corresponde à análise do espectro.
A análise das periodicidades da série assim descrita irá permitir, por exemplo, reconhecer se o
realizador da previsão pode utilizar todo o conjunto de dados existentes para estudar o evento e
prever valores futuros, ou se ele deve descartar os seus subconjuntos cuja análise das
periodicidades revela significativa diferença em relação às da série temporal pertinente ao estudo. A
análise espectral tem, assim, caráter complementar às análises no domínio do tempo, quando se
trata de previsões de cunho econômico.
6
3. Fatores Influenciando a Seleção do Método
O primeiro fator influenciando a seleção do método é se há informação sobre o passado, se esta
informação é quantificável e se o padrão observado no passado continua no futuro(constância).
Além disso, importa saber quais são os fatores determinantes da ocorrência, analisar o padrão dos
dados (por exemplo, por visualização gráfica dos dados) e o horizonte de tempo do planejamento
que incorporará as previsões (até 3 meses, 3 meses a 2 anos, mais de 2 anos). A escolha do método
deve levar em conta, também:
• As propriedades de cada método de previsão;
• A precisão obtida com cada método, e
• Os custos de sua utilização (com a disponibilidade de pacotes computacionais estes
custos associam-se principalmente ao levantamento e a análise preliminar das
informações e ao impacto da precisão dos ítens previstos no desempenho financeiro
da organização).
Embora os métodos de previsão e análise de séries temporais sejam ensinados em cursos de
graduação de Engenharia Industrial, Economia e Administração, dentre outros, o seu grau de
familiaridade pelos gerentes na prática ainda tem sido preponderante no caso daqueles métodos
qualitativos também conhecidos como subjetivos e alguns métodos quantitativos simples como as
médias móveis e amortecimento exponencial. No âmbito internacional, especialistas tem remarcado
que é grande a defasagem existente entre o desenvolvimento dos métodos de previsão e seu grau de
aplicação em empresas na prática (Schultz, 1992; Winklhofer et al., 1996). Schultz (1992, p. 410)
remarca, em editorial da revista International Journal of Forecasting, "É virtualmente impossível
trabalhar com organizações reais - ou mesmo simplesmente ler a imprensa de negócios -, sem se dar
conta que o distanciamento entre o desenvolvimento de técnicas de previsão e sua aplicação é
muito grande".
Por outro lado, grandes organizações, o que se correlaciona muitas vezes com organizações antigas
e bem consolidadas, fazem uso de métodos mais sofisticados mais frequentemente que pequenas
organizações. Além dos profissionais responsáveis pelas previsões e seus usuários (tomadores de
decisão), nessas grandes organizações, terem maior familiaridade com a variada gama de métodos
existentes, a experiência no setor de atuação, o volume de dados disponíveis, coletados de forma
contínua e a facilidade de sistemas computacionais atuais permitem o uso desses métodos mais
7
sofisticados. Tem sido observado como tendência, por exemplo, na última década, que o grau de
familiaridade das organizações com os métodos quantitativos como amortecimento exponencial e
aqueles de base estatística como a análise de regressão tem mantido seu patamar ou aumentado.
Embora a familiaridade com a metodologia de Box-Jenkins seja ainda pequena, já existem
resultados de sucesso de seu uso por grandes organizações. Por exemplo, Watson (1996) cita como
as principais barreiras para o uso da previsão por parte da indústria eletrônica escocesa, nesta
ordem: tempo insuficiente por causa da dedicação a outras tarefas, recursos insuficientes, base de
dados históricos insuficiente, treinamento insuficiente e ausência de recursos ou habilidades
computacionais. O mesmo autor fez uma comparação do grau de familiaridade com os métodos em
diferentes organizações britânicas e americanas, baseando-se em pesquisa de campo de outros
acadêmicos, como apresentado na Tabela I, onde são acrescentados resultados obtidos em estudo
similar realizado por Mentzer & Kahn(1996). Entre outros pontos, é significativa a familiaridade em
organizações americanas com o amortecimento exponencial e a análise de regressão, conforme
apresentam Mentzer & Cox (1984) e Mentzer & Kahn (1996). Médias móveis e projeção de
tendência tem um bom grau de familiaridade reconhecido nas pesquisas. Por outro lado, observa-se
que a familiaridade com a decomposição clássica nas organizações pesquisadas em 1989 e 1994 no
Reino Unido foi tão baixa quanto com Box-Jenkins, com resultados bastante mais expressivos nas
pesquisas de Mentzer & Cox (1984) e Mentzer & Kahn (1996) nos Estados Unidos. Essa última
remarca aumento na familiaridade com a metodologia de Box-Jenkins. Da mesma forma, Watson
(1996) apresenta comparação do uso dos métodos de acordo com resultados de pesquisa de
acadêmicos, como apresentado na Tabela II a seguir.
Tabela I- Comparação de grau de familiaridade com alguns dos métodos de previsão (Watson,
1996; Mentzer&Kahn, 1996)
% de respondentes familiares com os métodos citados Métodos
Watson(1989)
(Reino Unido)
Sparkes&McHugh
(1984)
(Reino Unido)
Mentzer&Cox
(1984)
(Estados Unidos)
Fildes&Hastings
(1994)
(Reino Unido)
Mentzer &Kahn
(1996)
(Estados Unidos)
Qualitativos
Composição da força de vendas
85
SR 79 40 71
Opinião de executivos
72 77 81 24 66
Delphi/opinião de especialistas
43 5 SR 21 SI
Quantitativos
Tendência 42 73 67 56 73
8
Médias móveis 47 80 85 62 92
Espontâneos 35 SR SR SR SI
Amortecimento
Exponencial
25 32 73 33 90
Filtragem 25 SR SR 8 SI
Box-Jenkins
(ARIMA)
13 5 26 14 38
Simulação 18 22 55 17 50
Regressão linear 13 30 72 24 78
Decomposição clássica
12 SR 42 16 43
Métodos
Bayesianos
10
SR SR 7 SI
Tabela II- Comparação de uso dos métodos de previsão (Watson, 1996).
% de respondentes usando os métodos citados Métodos
Watson(1989)
(Reino Unido)
Sparkes&McHugh(1984)
(Reino Unido)
Dalrymple(1987)
(Estados Unidos)
Qualitativos
Composição da força de vendas
82 SR 45
Opinião de executivos
68 76 37
Delphi/opinião de especialistas
35 11 SR
Quantitativos
Tendência 38 63 16
Médias móveis 38 58 21
Espontâneos 28 SR 31
Amortecimento exponencial
15 13 11
Filtragem 15 SR SR
Box-Jenkins
(ARIMA)
8 SR 4
Simulação 12 25 SR
Regressão linear 7 12 6
9
Neste caso, o uso de Box-Jenkins e regressão linear, conforme reportado em 1989 por Watson, foi
avaliado um pouco superior ao estudo de Dalrymple (1987). A pouca familiaridade com as técnicas
disponíveis é a justificativa encontrada para o uso pelas organizações de métodos espontâneos (de
baixo grau de formalidade em sua estrutura) ou seja, como citado por 28% e 31% dos
respondentes, conforme resultados respectivamente de Watson (1989) em estudos com
organizações britânicas e de Dalrymple, nos Estados Unidos (1987). Hoje, essa prática faz cada vez
menos sentido, com o uso disseminado do computador, a informação descritiva dos fenômenos, as
estatísticas e o desenvolvimento da tecnologia de informação, que permitem que se utilize cada vez
mais facilmente a informação do passado como base para a aplicação de métodos formais de
previsão.
Tabela III- Comparação de uso dos métodos quantitativos (Mentzer&Kahn, 1996)
% de respondentes usando métodos quantitativos por horizonte de tempo
Horizonte <= 3 meses Horizonte entre 3 meses e 2
anos
Horizonte >2 anos
Métodos
Quantita-
tivos
Mentzer&
Cox (1984)
Mentzer&
Kahn(1996)
Mentzer&
Cox (1984)
Mentzer&
Kahn(1996)
Mentzer&
Cox (1984)
Mentzer&
Kahn(1996)
Médias
móveis
24 9 22 45 5 11
Amorte-
cimento
exponencial
24 8 17 92 6 16
Tendência 21 2 28 57 21 22
Regressão 14 4 36 69 28 30
Simulação 4 1 9 6 10 12
Decompo-
sição
9 2 13 40 5 10
Box-Jenkins 5 2 6 19 2 7
Redes
neurais
2 17 6
10
A análise dos resultados da Tabela III revela, entre outros, significativo uso de métodos de
amortecimento exponencial, análise de regressão, projeção de tendência, médias móveis e
decomposição em horizontes de planejamento de 3 meses a 2 anos. Cresce o uso da metodologia
de Box-Jenkins no mesmo período, e de metodologias mais recentes, como a redes neurais. Fato
não esperado remarcado nas conclusões dos pesquisadores é o baixo uso de métodos quantitativos
para horizontes menores de 3 meses verificado nos resultados da pesquisa de campo realizada em
1996 por Mentzer & Kahn, em oposição aos valores obtidos para horizontes de longo prazo (mais
de 2 anos). Esse fato merece ser avaliado e o rumo e as razões dessa tendência verificados em novas
pesquisas de campo.
A Tabela IV, a seguir, traz resultados do grau de satisfação com o uso dos métodos quantitativos,
nas pesquisas feitas em organizações americanas. Embora o amortecimento exponencial e a análise
de regressão sejam aqueles métodos com maior grau de satisfação (72% e 66%, respectivamente),
pode-se observar que eles são seguidos bem de perto pelo método da decomposição (61%) e os
demais, particularmente nos resultados mais recentes (1996), quando cresce a satisfação com a
metodologia de Box-Jenkins (de 30% em 1984 para 44% em 1996) e é citada a satisfação com o uso
das redes neurais pela significativa porção de 38% dos respondentes.
Tabela IV- Grau de satisfação com o uso dos métodos quantitativos
% dos respondentes satisfeitos Métodos Quantitativos
Mentzer&Cox (1984) Mentzer&Kahn(1996)
Médias móveis 58 40
Amortecimento exponencial 60 72
Tendência 58 48
Regressão 67 66
Simulação 54 50
Decomposição 55 61
Box-Jenkins 30 44
Redes neurais 38
4. A previsão como fator integrante de um processo
11
Levenbach e Cleary (1984) reforçam a importância de se estruturar o processo de previsão, ao invés
de concentrar-se na escolha de um método específico. Nesse sentido, são dois os objetivos dos
processos de previsão:
• Entender o mecanismo gerador da série temporal (análise), e
• Predizer o futuro do sistema (previsão).
Entre os princípios básicos que devem ser observados estão:
− a análise cuidadosa dos dados para utilizar dois ou mais métodos e reduzir a
tendenciosidade dos métodos utilizados (quando as previsões produzidas por dois ou
mais métodos diferem entre si significativamente, isto indica necessidade de ser mais
crítico e cuidadoso em aceitar os seus valores, revendo a validade de todo o intervalo
de dados para a análise feita, assim como os padrões nele observados), e
− a monitoração do processo de decisão, a fim de avaliar o impacto nos valores
previstos de modificações do sistema real.
De acordo com esses autores há três grandes fases no processo de previsão: Projeto,
Seleção/Especificação e Avaliação. Essas fases devem ser consideradas para nortear os especialistas
na área ao desenvolver sua análise e apresentar seus resultados para os tomadores de decisão.
Assim, apresenta-se a seguir as fases do processo de previsão em acordo com a estrutura em três
fases de Levenbach e Cleary (1984), mas segundo a abordagem de Winklhofer et al (1996). Em cada
uma delas, são identificados passos relativos a algumas questões a serem definidas, que orientam a
sua utilização como apoio ao planejamento pela prática empresarial. São elas:
(A) Fase de Projeto:
1. Propósito/uso da previsão (ao estabelecer o propósito, o horizonte de tempo e as unidades de
medida dos valores previstos devem ser definidos)
2. Nível de agregação da previsão (produto individual, linha de produtos, grupo de produtos,
marca, empresa, setor)
3. Horizonte de tempo e freqüência da preparação da previsão (avaliar a relação entre o maior ou
menor horizonte de planejamento e a maior ou menor frequência das revisões da previsão)
4. Recursos necessários (financeiros, pessoal e tecnológico: computadores e sistemas
computacionais)
5. Responsáveis pela previsão: realizadores da previsão e usuários/tomadores de decisão
12
6. Origens/fontes e qualidade da informação (analisar os dados e extrair informações espúrias dos
dados, avaliar fatores externos e internos influenciando os eventos analisados)
(B) Fase de Seleção/Especificação
1. Familiaridade com os métodos existentes
2. Critérios para seleção (precisão, custo, facilidade de uso, grau de conhecimento técnico do
realizador, dados exigidos, características do problema, horizonte de tempo, padrão dos dados,
número de itens a serem previstos, disponibilidade de software, possibilidade de incorporação de
experiência)
3. Uso de métodos alternativos (adequação de diferentes métodos, combinação de previsões)
(C) Avaliação
1. Apresentação da previsão para a gerência/tomadores de decisão (gráficos, breve descrição de
como o método funciona e da sua base estatística, distribuição interna das previsões, previsões
pontuais ou intervalos de predição)
2. Revisão da previsão e uso de julgamento subjetivo (reuniões interdepartamentais com ou sem a
presença do realizador da previsão, influência de razões políticas)
3. Padrões para avaliação da efetividade da previsão (precisão, facilidade de obtenção, facilidade
de interpretação, credibilidade e impacto nos custos)
4. Desempenho da previsão(avaliação da precisão e dos erros da previsão, manutenção ou não de
registro das previsões para futuros balizamentos, adequação do horizonte de tempo, amplitude
de itens, avaliação dos valores obtidos face ao contexto industrial ou de serviços, a volatilidade
do mercado , a estabilidade econômica)
5. Ajustes das previsões (inclusão de informações recentes, atualização mensal ou trimestral das
previsões)
É importante perceber que no processo de previsão esses três grupos de questões estão
interligados, de forma que, por exemplo, a adoção de um certo método na fase de especificação irá
influenciar uma questão relativa à avaliação ou seja, a precisão da previsão. Por outro lado, pode ser
exigido ajuste das informações e dados para desenvolver a previsão com essa precisão, questão da
fase de projeto.
A Tabela V a seguir apresenta critérios usados por organizações americanas para avaliar a
efetividade da previsão de vendas, na fase de avaliação do processo de previsão, conforme
resultados de pesquisa de campo de Mentzer&Kahn (1996). Entre eles, a precisão e a credibilidade
13
dos valores apresentados aos tomadores de decisão estão entre os mais citados, seguidos pelo
impacto no desempenho do serviço ao cliente e facilidade de uso do método. Curiosamente, os
critérios finaceiros são os citados o menor número de vezes pelos respondentes, indicando que são
questões principalmente de impacto operacional que balizam os passos do processo de previsão.
Tabela V- Critérios para avaliar a efetividade da previsão de vendas (Mentzer&Kahn, 1996)
Critérios % importância
(ponto de vista dos respondentes)
Precisão 92
Credibilidade 92
Desempenho do serviço ao cliente 77
Facilidade de uso 75
Giro do estoque 55
Quantidade de informação necessária 46
Custo 41
Retorno no investimento 35
5. Etapas básicas do processo de previsão
Como etapas básicas do processo de previsão, pode-se evidenciar:
1. Obtenção das informações
1.1. Coleta de Dados (contínua)
1.2.. Avaliação da informação:
Descrever a série (comportamento dos dados)
Gráficos da série;
Histogramas; Diagramas de dispersão;
Obtenção de estatísticas descritivas simples;
Verificação de tendências, ciclos e variações sazonais;
Verificação de pontos de mudança no comportamento da série;
14
Observações anormais (ou espúrias), e avaliação de sua consideração ou extração da série de
dados etc..
2. Preparação da previsão:
(objetivo de análise (comportamento) ou previsão)
investigar mecanismo gerador da série ,
prever a partir do passado, e/ou
procurar periodicidades relevantes nos dados.
3. Aprovação das previsões pelos tomadores de decisão
4. Monitoração do processo.
6. Cuidados a observar para a qualidade da previsão
A Qualidade dos Dados
Um modelo ou técnica baseado em dados históricos tem seu desempenho associado à qualidade
das informações básicas. Informação pobre ou incompleta torna impossível obter previsões
confiáveis. Assim, é muito importante escolher fontes seguras ou ter critério na coleta de dados.
Como critérios na coleta dos dados, pode-se citar:
• Precisão
(fonte confiável)
• Conformidade/Pertinência
(julgamento se algumas frações ou todo o intervalo de dados são adequados para a
representação do sistema e do evento em análise)
• Tempo da coleta de dados
(definição de um tempo inicial "oficial", considerando que há um tempo inicial de
aprendizado ou aquecimento que deve ser retirado da análise)
• Consistência
(ao longo do período de seu uso)
15
Identificação do padrão e a estacionariedasde dos dados
Podem ser identificados quatro tipos de padrão da informação nas séries temporais:
• Horizontal ou estacionária
(típica de processos de produção sobre controle)
• Sazonal
(por exemplo, vendas mensais de cerveja)
• Cíclica
(válido para grandes conjuntos de dados: expansões e depressões da economia, por exemplo)
• Tendência
(linear, exponencial, quadrática, curva S etc.),
A presença, na representação gráfica da série, de um ou de um conjunto destes padrões define os
seus componentes determinísticos. A série temporal pode ser recomposta por uma função
associada a seus componentes, aos quais deve-se acrescentar o componente aleatório, para se obter
os valores observados.
Um aspecto fundamental a considerar na análise de séries temporais diz respeito à estacionariedade
dos dados nela representados. Essa é uma suposição frequente no estudo de séries temporais. No
caso de séries não estacionárias, algumas transformações na base de dados podem conduzir à
estacionariedade da série resultante em um número finito de transformações. Estas séries são ditas
de comportamento homogêneo.
Seja por exemplo a transformação de diferenças sucessivas da série original X(t),
X'(t) = X(t) - X(t-1), primeira diferença
X"(t) = X'(X'(t)) = X'(X(t) - X(t-1)) = X(t) - 2 X(t-1) + X(t-2)
Segunda diferença, e assim sucessivamente.
É comum obter-se a estacionariedade em uma ou duas diferenças. Outros tipos de transformação
são possíveis e necessárias. Por exemplo, gerar a série correspondente ao logaritmo da série original
ou a raiz quadrada da série são opções a serem avaliadas, com o objetivo de garantir a
estacionariedade.
Por exemplo, os modelos de Box-Jenkins ditos ARIMA descrevem séries estacionárias ou não,
incorporando internamente à sua metodologia de análise das séries as transformações necessárias
para a estacionariedade.
16
Precisão da Previsão
Para a medida de precisão da previsão, inicialmente deve-se definir medida do erro de previsão. O
erro de previsão pode ser medido como:
te = X (t) - X̂ (t) = valor observado - valor estimado/ou previsto.
Algumas das alternativas de medidas de precisão são:
∑t
te => Esse cálculo leva a cancelamento de valores, com perda da grandeza dos erros.
∑t
t
n
tXe )(/=> "Mean Absolute Percent Error "(MAPE);
=> Esse cálculo dá maior importância aos maiores erros e permite comparações entre
séries diferentes.
( )∑t
t
ne 2
=> "Mean Squared Error" (MSE), cujo cálculo dá maior importância aos maiores erros.
∑t
t
ne
=>”Mean Absolute Deviation” (MAD), cujo cálculo dá importância ao módulo dos erros.
Realização de Testes de Precisão
Os testes de precisão são aplicados para se verificar a precisão relativa de variantes de cada método
na representação do padrão dos dados. Para isso, a série pode ser decomposta em dois conjuntos:
1. aquele dos dados utilizados, que são a base para aplicação dos métodos de previsão, e
2. aquele dos dados ainda não utilizados, os quais podem ser considerados para avaliar o erro da
previsão, através do cálculo do MAPE, MAD ou MSE, por exemplo.
Já na comparação entre métodos diferentes e na avaliação de sua adequabilidade aos dados e ao
contexto de decisão, outros fatores devem ser levados em conta para avaliar a precisão relativa dos
métodos.
7. Tarefas-chave no planejamento de decisões
17
• Qual método aplicar em cada situação?
• Quanta confiança depositar nos resultados?
• Que modificações são necessárias para incorporar informações subjetivas antes de utilizar as
previsões?
Não há uma única resposta a essas questões. A precisão do método; o padrão observado no
conjunto de informações; o horizonte de tempo do planejamento e o custo associado às grandezas
previstas (para a implementação do método ou decorrentes das decisões associadas às previsões)
são os fatores que orientam as respostas.
O horizonte de tempo da previsão tem um direto impacto na seleção do método a utilizar. Alguns
métodos se aplicam tanto no curto (até 3 meses), médio (3 meses a 2 anos) ou longo (mais de 2
anos) prazos. Pode-se citar a regressão múltipla nesse caso. Os modelos univariados Box-Jenkins
não são recomendados para largos horizontes de tempo. Adequados ao curto e médio prazos,
pode-se citar os métodos de médias móveis, decomposição clássica, e projeções de tendência. Na
medida que o horizonte se alarga, os métodos quantitativos vão perdendo sua aplicabilidade, sendo
mais adequadas as abordagens qualitativas ou baseadas no julgamento, como o Delphi. Da mesma
forma, ao introduzir um produto, métodos qualitativos como a analogia histórica se aplicam. A
previsão de pontos de mudança do padrão das séries impõe restrições ao uso de médias móveis e
amortecimento exponencial, em geral inadequadas para esse fim. Modelos univariados Box-Jenkins
igualmente não se aplicam, embora suas formulações mais complexas tenham uso mais
generalizado. Além disso, a perspectiva do ciclo de vida do produto orienta a escolha do(s)
método(s) de previsão. Ou seja, há métodos que se adequam às respectivas fases do ciclo de vida,
como é apresentado na Figura 2 a seguir.
18
(1) Introdução do produto no mercado
(2) "Crescimento" das vendas do produto; projeção das vendas.
tempo< 30 meses => amortecimento exponencial
tempo> 30 meses => Box-Jenkins
(3) Estágio "maduro" => Causalidade explicada (extensa base de dados,
maior conhecimento das relações entre fatores)
=> métodos econométricos
Box-Jenkins, ...
(4) Declínio das vendas (competição do mercado)
=> projeção do declínio.
Figura 2- Sugestão do método de previsão por fase do ciclo de vida do produto
A Tabela VI a seguir apresenta uma comparação de alguns métodos de previsão quanto à sua
precisão, a aplicabilidade, custos associados ao seu uso e às suas exigências mínimas de dados,
baseada em Levenbach e Cleary (1984) e Sullivan e Claycombe (1982). Entre os métodos qualitativos
incluem-se: método Delphi/opinião de especialistas, pesquisa de mercado, consenso em painel, e
analogia histórica. Em especial, o método Delphi, além do método dos impactos cruzados (que não
consta deste painel da Tabela VI), serão explorados em capítulo à frente. Os métodos quantitativos
dividem-se em métodos estatísticos, que serão vistos nos capítulos a seguir, em sua maioria, e
aqueles determinísticos, que incorporam a identificação e a determinação implícita de relações entre
o evento a ser revisto e fatores que o influenciam. Esses últimos não são enfocados neste texto,
sendo que Makridakis e Wheelwright (1982) e Chambers et al. (1974) descrevem alguns deles.
vendas
tempo
Métodos qualitati-vos
Introdução do produto
Amortecimento exponencial
Box-Jenkins Econométricos
Abandono das decisões
Métodos de séries temporais
1 2 3 4
19
Tabela VI- Aplicabilidade dos métodos de previsão Qualitativos Quantitativos Estatísticos Determinísticos
Mét
odo
Delp
hi
Pesq
uisa
de
mer
cado
Prev
isão
visio
nária
Ana
logi
a hi
stór
ica
Est
atíst
icas s
umár
ias
Méd
ias m
óvei
s
Am
orte
cimen
to e
xpon
encia
l.
ARI
MA
(Box
-Jen
kins
)
deco
mpo
sição
TCS
I
(Shi
skin
X-1
1)
Proj
eção
de
tend
ência
s
Mod
elo d
e re
gres
são
Mod
elo
econ
omét
rico
Inte
nção
de
com
pra
Pesq
uisa
por
ant
ecip
ação
Mod
elo In
put-o
utpu
t
Estatísticos Determinísticos Conjunto de dados Horizontal x x x x x x x x x x que podem ser Tendência Não aplicável x x x x x x x x x x x x x x x x manuseados Ciclico x x x x
Exigência de dados mínimos Não aplicável
5 po
ntos
5-10
Pon
tos
3 Po
ntos
3 an
os p
or m
ês
5 an
os p
or m
ês
5 Po
ntos
4 an
os p
or m
ês
4 an
os p
or m
ês
2 an
os p
or m
ês
> 1
000
Horizonte de tempo Curto prazo (0 a 3 meses) x x x x x x x x x x para o qual o método Médio prazo (3 meses a 2 anos) x x x x x x x x x x x x x x é mais apropriado Longo prazo ( 2 anos ou mais) x x x x x x x x x
Precisão( escala de Previsão de padrões 5 5 5 5 2 2 3 2 7 4 8 2 2 2 0 a 10: 0 menor Previsão de pontos de 10 maior) mudança (turning points) 4 6 2 3 NA 2 2 6 8 1 5 7 8 0
Aplicabilidade Tempo necessário para
(escala de 0 a 10: obter a previsão 4 8 3 5 1 1 1 7 5 4 6 9 5 10
o menor Facilidade de entendimento 10 maior) e interpretação dos resultados 8 9 8 9 10 9 7 5 7 8 8 4 10 3 Custos de computação Desenvolvimento 0 1 1 8 6 3 5 8 NA 10 (escala de 0 a 10: Exigência de armazenagens Não aplicável 4 1 1 7 8 6 7 9 NA 10 0 menor 10 maior) Tempo de execução 1 1 1 9 7 3 6 8 NA 10 Fonte: Levenbach &Cleary (1984); Sullivan & Claycombe (1982) ( a ser revisto)
20
21
8. Leituras Recomendadas
Levenbach, H. e Cleary, J.P. (1984, pág. 3-60), The Modern Forecaster: The Forecasting Process Through Data
Analysis, Lifetime Learning Publications, USA, Capítulos 1 a 5.
Makridakis, S. e Wheelwright, S.C. (1982), Handbook of Forecasting- A manager’s guide, John Wiley and
Sons.
Chambers, J.C, Mullick, S.K. e Smith, D.D. (1974), An Executive’s guide to forecasting, John Wiley and Sons.
Sullivan, W.G. e Claycombe,W.W. (1977), Fundamentals of Forecasting, Reston Publishing Company,
Reston, Virginia
Winklhofer, H., Diamantopoulos, A. e Witt,S.F.(1996), Forecasting Practice: a review of the empirical
literature and an agenda for future research, International Journal of Forecasting, n.12, pág. 193-221.
Dalrymple, D.J. (1987), Sales Forecasting Practices: Results from a United States Survey, International Journal
of Forecasting, vol. 3, pág. 379-391.
Watson, M.C. (1996), Forecasting in the Scottish Eletronics Industry, International Journal of Forecasting,
vol. 12, n. 3, pág. 361-371.
Mentzer, J.T. e Cox, J. E. (1984), Familiarity, application, and performance of sales forecasting techniques, Journal of Forecasting, vol. 3,n.1, pág. 27-36.
Sparkes, J.R. e McHugh, A.K.(1984), Awareness and use of forecasting techniques in British industry, Journal of Forecasting, vol. 3, pág. 37-42.
Fildes, R. e Hastings, R. (1994), The organization and improvement of market forecasting, Journal of the operational research society, vol. 45, pág. 1-16.
Rothe, J. (1978), Effectiveness of sales forecasting methods, Industrial Marketing Management, vol. 7, pág. 114-118.
Watson (1989)-citado por Watson(1996), como uma pesquisa anterior do autor, mas não consta das referências.
Moon, M.M., Mentzer, J.T., Thomas Jr., D.E. (2000), Customer demand planning at Lucent Technologies-A case study in continous improvement through sales forecast auditing, Industrial Marketing Management, vol. 29, pág. 19-26.
Schultz, R. L. (1992, p. 410), Editorial: Fundamental aspects of forecasting in organizations, International Journal of Forecasting, vol. 7, pág. 409-411.
Mentzer, J. T. e Kahn, K. B. (1995), Forecasting technique familiarity, satisfaction, usage, and application, vol. 14, n. 5, pág. 465-477.
Box, G.E.P. e Jenkins, G. (1976), Times series analysis, forecasting and control, Holden-Day.
Bell, P. C. (1981), Adaptive sales forecasting with many stockouts, Journal of the operational research society, vol. 32, pág. 865-873.