1

1. A Previso como Instrumento do Planejamento

1. Introduo

A previso e o planejamento so processos seqenciais. O planejamento pode ser reconhecido

como o processo de estabelecer compromissos de gerncia que permitem que a empresa atenda

demanda prevista e alcance, assim, os objetivos estratgicos de seu negcio. Por outro lado, a

previso pode ser vista como o processo de desenvolver a viso mais provvel de qual ser o nvel

da demanda futura, assumido um conjunto de premissas sobre a tecnologia, o ambiente, a

competio, a evoluo dos preos, o marketing e os esforos de vendas.

O uso de mtodos e modelos analticos para a previso necessrio em vrias situaes. Por

exemplo, eles so usados ao se analisar a evoluo de fatores externos que afetam o desempenho

das organizaes como a inflao, a variao dos preos, o produto interno bruto, o tamanho e a

diviso do mercado. Da mesma forma, a previso permite analisar a variao dos volumes

importados em comparao aos exportados ao longo do tempo, que por sua vez tem impacto na

determinao do tamanho dos mercados em determinado perodo de tempo. Ela tambm permite

acompanhar a evoluo das condies econmicas de determinadas regies ou pases, que afetam o

tamanho dos mercados e a quantidade de produtos vendidos, e, em conseqncia, possibilita

antever a receita esperada das vendas. No longo prazo, a ausncia de efetiva gerncia para

monitorar e controlar os processos de previso e planejamento dos negcios pode afetar at mesmo

a sobrevivncia da organizao. O planejamento da expanso (ou no) e o crescimento dos

negcios devem se apoiar em estimativas das demandas futuras por servios, produtos ou grupos

de produtos. sumamente importante antecipar informaes sobre onde a capacidade instalada

no atende demanda (ou vice-versa) de forma a planejar a utilizao do capital para expanses ou

retraes da organizao, assim como avaliar se o nvel de demanda esperado ir compensar o

investimento necessrio para atuar em determinado ramo de negcio. No mdio e curto prazo,

negligenciar as previses pode resultar em no atendimento de pedidos de clientes, servios mal

dimensionados e subutilizao de recursos produtivos.

Quando a demanda prevista com preciso, ela pode ser atendida no tempo e da maneira

adequados, satisfazendo os parceiros nos canais logsticos e os clientes finais. Matrias primas e

partes componentes podem ser adquiridos de forma programada, servios logsticos com contratos

de longo prazo podem ser estabelecidos com maior segurana, enquanto aquisies no mercado spot

2

podem ser evitadas. Na programao da produo e dos nveis de estoque por produto, previses

de consumo de cada produto so necessrias para especficos perodos de tempo. Estoques de

segurana podem ser melhor dimensionados, com previses apuradas do nvel de consumo por

local e por tipo de produto ou servio. Em departamentos de marketing, previses da demanda

devem estar disponveis para que as estratgias de vendas sejam planejadas. A demanda por

produtos deve ser prevista de forma a orientar esforos promocionais. Alm disso, a previso da

demanda de produtos finais pode ser traduzida em previses de necessidades de itens como

produtos bsicos, equipamentos, componentes/partes, e servios. Em conseqncia dessas

previses de itens de demanda interdependente, a aquisio de produtos bsicos pode ser

programada, o que implica tambm na previso da disponibilidade de recursos financeiros e em

geral e no acompanhamento e previso da variao dos preos dos itens e produtos analisados.

Assim, em primeiro lugar, a previso deve ser utilizada para decidir se a demanda suficiente para

justificar a entrada da organizao numa determinada regio de mercado. Se a demanda existe mas

no em nvel suficiente para cobrir os custos logsticos do seu produto final, a organizao dever

rejeitar a oportunidade.

De forma sumria, so trs as macro-reas de aplicao da previso:

Determinao de recursos desejados, correspondente a decises de longo-prazo Essas decises 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

instalaes. Projees da demanda para um nmero de anos no futuro podem significar reduo

dos gastos incorridos na expanso, ou na retrao, da capacidade para atender demanda projetada

(deve-se usar as previses para o planejamento de decises de forma a evitar atender demanda de

forma insuficiente ou, ao contrrio, ter capacidade ociosa em setores da empresa).

Aquisio de recursos adicionais, correspondente a decises de mdio-prazo Essas decises dizem respeito, por exemplo, programao da utilizao de capacidade

adicional de transporte e armazenagem em perodos de pico e o relacionamento com fornecedores

de tais servios de forma a ter contratos favorveis, pr-estabelecidos, de mdia durao.

Programao de uso de recursos existentes, correspondente a decises de curto-prazo Essas decises dizem respeito, por exemplo, a acompanhar as flutuaes da demanda de curto

e curtssimo prazos (uma semana a trs meses) para o planejamento da produo, programao da

fora de trabalho, planejamento dos fluxos de materiais, e outras necessidades. Essas previses

3

afetam, por exemplo, a produtividade operacional e as datas de entrega com as quais a organizao

se comprometeu.

A experincia de organizaes internacionais confirma que a habilidade empresarial para a previso

reconhecida como passo inicial para o planejamento do atendimento das demandas de clientes.

Esse planejamento um direcionador do sucesso das cadeias de abastecimento em que essas

organizaes atuam (Moon et al, 2000). O suporte de mtodos especficos de previso lhes permite

ser capazes de monitorar a evoluo dos mercados e antever as suas oportunidades de negcios e

projetar a estrutura da cadeia de abastecimento de forma a tirar o melhor proveito dessas

oportunidades. O uso desses mtodos reconhecido por essas organizaes criticamente til para o

negcio no s para a visibilidade da demanda ao longo da cadeia, apoiando o projeto de sua

estrutura, como tambm pelo grande nmero de clientes internos que devem ser atendidos, nos

vrios processos comerciais internos da organizao.

Assim, sob a perspectiva estratgica e de gerncia de topo, a empresa deve desenvolver e implantar

planos para estabelecer a cadeia de abastecimento com a capacidade necessria para atender a

demanda futura e, sob a perspectiva operacional, ao conhec-la poder otimizar a cadeia pela

minimizao dos custos de manuteno de estoques, transporte, aquisio e produo. Ou seja, os

compromissos gerenciais de programao da produo ou de aquisio e de manuteno de nveis

de estoques nas cadeias de abastecimento so assumidos baseados em valores provveis e

razoavelmente precisos do nvel da demanda para determinados horizontes de tempo que o

processo de previso permitiu obter.

Alguns aspectos, como a rpida mudana tecnolgica, podem limitar o uso da previso, assim como

uma base de clientes estvel com exigncias bem estabelecidas dos produtos facilita a tarefa de

previso. Por outro lado, a participao de diferentes nveis hierrquicos da organizao nas etapas

de obteno de dados, preparao e aprovao da previso pode estar associada ao seu melhor

desempenho. Alm disso, melhores resultados de previso so associados a melhores informaes a

respeito da indstria, clientes, competidores e da economia, alm do projeto das interligaes

eficientes e troca de informaes entre departamentos da organizao, em especial com o

departamento de pesquisa de marketing, e ao uso de mtodos adequados, a disponibilidade de

recursos e uma boa base de dados para a tarefa de previso e a regularidade de sua realizao (Fildes

e Hastings, 1994, Rothe, 1978). A delegao da responsabilidade pelas previses a membros dos

canais logsticos das organizaes, como distribuidores e rede de varejistas podem ter implicaes

na sua preciso, tendenciosidade e uso. Em algumas situaes, como em mercados de exportao

4

ou globais, essa delegao pode ser uma necessidade, mostrando ser de importncia crescente a

consolidao de um sistema eficiente de troca de informaes entre membros das cadeias de

abastecimento.

2. Mtodos (ou tcnicas) de previso e anlise de sries temporais

Os mtodos ou tcnicas de previso podem ser classificados de acordo com o tipo de elaborao de

sua formulao terica e fundamentao estatstica. Variantes desses mtodos tem sido

desenvolvidas para melhorar suas caractersticas preditivas do evento focado.

Os mtodos comumente utilizados incluem os chamados mtodos espontneos ou intuitivos

(naves), que imitam o comportamento humano com as limitaes inerentes para clculos e

armazenamento de dados, que crescem de complexidade at sofisticados mtodos formais, onde se

incluem a metodologia de Box-Jenkins, os mtodos Bayesianos, os sistemas economtricos de

equaes simultneas e as redes neurais. Os mtodos espontneos usam a informao mais recente,

ou mesmo uma mdia simples das informaes, como base de extrapolaes. Os mtodos formais

de previso se baseiam no estudo de registros e informaes, ou sries temporais, acerca dos

fenmenos, buscando compreender (analisar) os processos que foram capazes de as gerar e, com

essa compreenso, prever seus valores futuros. As sries temporais so definidas como formadas

por conjuntos de observaes sequenciais no tempo acerca de um fenmeno, a varivel tempo

podendo ser substituda por outra, como espao, profundidade etc., em que as observaes vizinhas

so, em geral, dependentes. O estudo (ou a anlise) de sries temporais pretende analisar e modelar

essa dependncia.

H basicamente dois tipos de anlise de sries temporais, os quais fornecem informaes

complementares: A anlise no domnio do tempo, baseada essencialmente na funo de

autocorrelao, e a anlise no domnio da freqncia, baseada no espectro - Transformada de

Fourier da funo de autocorrelao, e na avaliao de periodicidades relevantes. Esses dois tipos

so compostos pelos modelos paramtricos (no primeiro caso) e os modelos no paramtricos (no

segundo caso).

A. Anlise no Domnio do Tempo (modelos paramtricos):

A Figura 1 apresenta alguns dos modelos analticos e mtodos de previso de acordo com:

a) O grau de formalidade do mtodo;

5

b) O uso de informao quantitativa de sries temporais ou de informao de base subjetiva

(qualitativa), aplicvel principalmente em prospeces de longo prazo.

Os mtodos quantitativos podem ser divididos em dois grandes grupos: aqueles que avaliam uma

relao de causalidade entre fatores/eventos observados (mtodos causais) e os que permitem

previses com base no reconhecimento do padro observado da srie temporal (mtodos

autoprojetivos).

Mtodo

FormalQuantitativo

Causal

Autoprojeo

Qualitativo

Espontneo ou informal

Regresso

Box-Jenkins

Amortecimento Exponencial

Mdias MveisDecomposio

Ciclo de vidaDelphiAnalogia HistricaOpinio de expertsImpactos cruzadosOpinio de executivosComposio da fora de vendas

Figura 1- Uma classificao dos mtodos de previso e anlise de sries temporais temporais

B. Anlise no Domnio da Frequncia (modelos no-paramtricos):

Corresponde basicamente a:

A anlise espectral, Que baseia-se no conceito fundamental da energia associada aos componentes da srie descrita em

componentes de frequncia. O estudo da distribuio da energia corresponde anlise do espectro.

A anlise das periodicidades da srie assim descrita ir permitir, por exemplo, reconhecer se o

realizador da previso 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 anlise das

periodicidades revela significativa diferena em relao s da srie temporal pertinente ao estudo. A

anlise espectral tem, assim, carter complementar s anlises no domnio do tempo, quando se

trata de previses de cunho econmico.

6

3. Fatores Influenciando a Seleo do Mtodo

O primeiro fator influenciando a seleo do mtodo se h informao sobre o passado, se esta

informao quantificvel e se o padro observado no passado continua no futuro(constncia).

Alm disso, importa saber quais so os fatores determinantes da ocorrncia, analisar o padro dos

dados (por exemplo, por visualizao grfica dos dados) e o horizonte de tempo do planejamento

que incorporar as previses (at 3 meses, 3 meses a 2 anos, mais de 2 anos). A escolha do mtodo

deve levar em conta, tambm:

As propriedades de cada mtodo de previso;

A preciso obtida com cada mtodo, e

Os custos de sua utilizao (com a disponibilidade de pacotes computacionais estes

custos associam-se principalmente ao levantamento e a anlise preliminar das

informaes e ao impacto da preciso dos tens previstos no desempenho financeiro

da organizao).

Embora os mtodos de previso e anlise de sries temporais sejam ensinados em cursos de

graduao de Engenharia Industrial, Economia e Administrao, dentre outros, o seu grau de

familiaridade pelos gerentes na prtica ainda tem sido preponderante no caso daqueles mtodos

qualitativos tambm conhecidos como subjetivos e alguns mtodos quantitativos simples como as

mdias mveis e amortecimento exponencial. No mbito internacional, especialistas tem remarcado

que grande a defasagem existente entre o desenvolvimento dos mtodos de previso e seu grau de

aplicao em empresas na prtica (Schultz, 1992; Winklhofer et al., 1996). Schultz (1992, p. 410)

remarca, em editorial da revista International Journal of Forecasting, " virtualmente impossvel

trabalhar com organizaes reais - ou mesmo simplesmente ler a imprensa de negcios -, sem se dar

conta que o distanciamento entre o desenvolvimento de tcnicas de previso e sua aplicao

muito grande".

Por outro lado, grandes organizaes, o que se correlaciona muitas vezes com organizaes antigas

e bem consolidadas, fazem uso de mtodos mais sofisticados mais frequentemente que pequenas

organizaes. Alm dos profissionais responsveis pelas previses e seus usurios (tomadores de

deciso), nessas grandes organizaes, terem maior familiaridade com a variada gama de mtodos

existentes, a experincia no setor de atuao, o volume de dados disponveis, coletados de forma

contnua e a facilidade de sistemas computacionais atuais permitem o uso desses mtodos mais

7

sofisticados. Tem sido observado como tendncia, por exemplo, na ltima dcada, que o grau de

familiaridade das organizaes com os mtodos quantitativos como amortecimento exponencial e

aqueles de base estatstica como a anlise de regresso tem mantido seu patamar ou aumentado.

Embora a familiaridade com a metodologia de Box-Jenkins seja ainda pequena, j existem

resultados de sucesso de seu uso por grandes organizaes. Por exemplo, Watson (1996) cita como

as principais barreiras para o uso da previso por parte da indstria eletrnica escocesa, nesta

ordem: tempo insuficiente por causa da dedicao a outras tarefas, recursos insuficientes, base de

dados histricos insuficiente, treinamento insuficiente e ausncia de recursos ou habilidades

computacionais. O mesmo autor fez uma comparao do grau de familiaridade com os mtodos em

diferentes organizaes britnicas e americanas, baseando-se em pesquisa de campo de outros

acadmicos, como apresentado na Tabela I, onde so acrescentados resultados obtidos em estudo

similar realizado por Mentzer & Kahn(1996). Entre outros pontos, significativa a familiaridade em

organizaes americanas com o amortecimento exponencial e a anlise de regresso, conforme

apresentam Mentzer & Cox (1984) e Mentzer & Kahn (1996). Mdias mveis e projeo de

tendncia tem um bom grau de familiaridade reconhecido nas pesquisas. Por outro lado, observa-se

que a familiaridade com a decomposio clssica nas organizaes pesquisadas em 1989 e 1994 no

Reino Unido foi to baixa quanto com Box-Jenkins, com resultados bastante mais expressivos nas

pesquisas de Mentzer & Cox (1984) e Mentzer & Kahn (1996) nos Estados Unidos. Essa ltima

remarca aumento na familiaridade com a metodologia de Box-Jenkins. Da mesma forma, Watson

(1996) apresenta comparao do uso dos mtodos de acordo com resultados de pesquisa de

acadmicos, como apresentado na Tabela II a seguir.

Tabela I- Comparao de grau de familiaridade com alguns dos mtodos de previso (Watson,

1996; Mentzer&Kahn, 1996)

% de respondentes familiares com os mtodos citados Mtodos

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

Composio da fora de vendas

85

SR 79 40 71

Opinio de executivos

72 77 81 24 66

Delphi/opinio de especialistas

43 5 SR 21 SI

Quantitativos

Tendncia 42 73 67 56 73

8

Mdias mveis 47 80 85 62 92

Espontneos 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

Simulao 18 22 55 17 50

Regresso linear 13 30 72 24 78

Decomposio clssica

12 SR 42 16 43

Mtodos

Bayesianos

10

SR SR 7 SI

Tabela II- Comparao de uso dos mtodos de previso (Watson, 1996).

% de respondentes usando os mtodos citados Mtodos

Watson(1989)

(Reino Unido)

Sparkes&McHugh(1984)

(Reino Unido)

Dalrymple(1987)

(Estados Unidos)

Qualitativos

Composio da fora de vendas

82 SR 45

Opinio de executivos

68 76 37

Delphi/opinio de especialistas

35 11 SR

Quantitativos

Tendncia 38 63 16

Mdias mveis 38 58 21

Espontneos 28 SR 31

Amortecimento exponencial

15 13 11

Filtragem 15 SR SR

Box-Jenkins

(ARIMA)

8 SR 4

Simulao 12 25 SR

Regresso linear 7 12 6

9

Neste caso, o uso de Box-Jenkins e regresso linear, conforme reportado em 1989 por Watson, foi

avaliado um pouco superior ao estudo de Dalrymple (1987). A pouca familiaridade com as tcnicas

disponveis a justificativa encontrada para o uso pelas organizaes de mtodos espontneos (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

organizaes britnicas e de Dalrymple, nos Estados Unidos (1987). Hoje, essa prtica faz cada vez

menos sentido, com o uso disseminado do computador, a informao descritiva dos fenmenos, as

estatsticas e o desenvolvimento da tecnologia de informao, que permitem que se utilize cada vez

mais facilmente a informao do passado como base para a aplicao de mtodos formais de

previso.

Tabela III- Comparao de uso dos mtodos quantitativos (Mentzer&Kahn, 1996)

% de respondentes usando mtodos quantitativos por horizonte de tempo

Horizonte 2 anos

Mtodos

Quantita-

tivos

Mentzer&

Cox (1984)

Mentzer&

Kahn(1996)

Mentzer&

Cox (1984)

Mentzer&

Kahn(1996)

Mentzer&

Cox (1984)

Mentzer&

Kahn(1996)

Mdias

mveis

24 9 22 45 5 11

Amorte-

cimento

exponencial

24 8 17 92 6 16

Tendncia 21 2 28 57 21 22

Regresso 14 4 36 69 28 30

Simulao 4 1 9 6 10 12

Decompo-

sio

9 2 13 40 5 10

Box-Jenkins 5 2 6 19 2 7

Redes

neurais

2 17 6

10

A anlise dos resultados da Tabela III revela, entre outros, significativo uso de mtodos de

amortecimento exponencial, anlise de regresso, projeo de tendncia, mdias mveis e

decomposio em horizontes de planejamento de 3 meses a 2 anos. Cresce o uso da metodologia

de Box-Jenkins no mesmo perodo, e de metodologias mais recentes, como a redes neurais. Fato

no esperado remarcado nas concluses dos pesquisadores o baixo uso de mtodos quantitativos

para horizontes menores de 3 meses verificado nos resultados da pesquisa de campo realizada em

1996 por Mentzer & Kahn, em oposio aos valores obtidos para horizontes de longo prazo (mais

de 2 anos). Esse fato merece ser avaliado e o rumo e as razes dessa tendncia verificados em novas

pesquisas de campo.

A Tabela IV, a seguir, traz resultados do grau de satisfao com o uso dos mtodos quantitativos,

nas pesquisas feitas em organizaes americanas. Embora o amortecimento exponencial e a anlise

de regresso sejam aqueles mtodos com maior grau de satisfao (72% e 66%, respectivamente),

pode-se observar que eles so seguidos bem de perto pelo mtodo da decomposio (61%) e os

demais, particularmente nos resultados mais recentes (1996), quando cresce a satisfao com a

metodologia de Box-Jenkins (de 30% em 1984 para 44% em 1996) e citada a satisfao com o uso

das redes neurais pela significativa poro de 38% dos respondentes.

Tabela IV- Grau de satisfao com o uso dos mtodos quantitativos

% dos respondentes satisfeitos Mtodos Quantitativos

Mentzer&Cox (1984) Mentzer&Kahn(1996)

Mdias mveis 58 40

Amortecimento exponencial 60 72

Tendncia 58 48

Regresso 67 66

Simulao 54 50

Decomposio 55 61

Box-Jenkins 30 44

Redes neurais 38

4. A previso como fator integrante de um processo

11

Levenbach e Cleary (1984) reforam a importncia de se estruturar o processo de previso, ao invs

de concentrar-se na escolha de um mtodo especfico. Nesse sentido, so dois os objetivos dos

processos de previso:

Entender o mecanismo gerador da srie temporal (anlise), e Predizer o futuro do sistema (previso).

Entre os princpios bsicos que devem ser observados esto:

a anlise cuidadosa dos dados para utilizar dois ou mais mtodos e reduzir a tendenciosidade dos mtodos utilizados (quando as previses produzidas por dois ou

mais mtodos diferem entre si significativamente, isto indica necessidade de ser mais

crtico e cuidadoso em aceitar os seus valores, revendo a validade de todo o intervalo

de dados para a anlise feita, assim como os padres nele observados), e

a monitorao do processo de deciso, a fim de avaliar o impacto nos valores previstos de modificaes do sistema real.

De acordo com esses autores h trs grandes fases no processo de previso: Projeto,

Seleo/Especificao e Avaliao. Essas fases devem ser consideradas para nortear os especialistas

na rea ao desenvolver sua anlise e apresentar seus resultados para os tomadores de deciso.

Assim, apresenta-se a seguir as fases do processo de previso em acordo com a estrutura em trs

fases de Levenbach e Cleary (1984), mas segundo a abordagem de Winklhofer et al (1996). Em cada

uma delas, so identificados passos relativos a algumas questes a serem definidas, que orientam a

sua utilizao como apoio ao planejamento pela prtica empresarial. So elas:

(A) Fase de Projeto:

1. Propsito/uso da previso (ao estabelecer o propsito, o horizonte de tempo e as unidades de

medida dos valores previstos devem ser definidos)

2. Nvel de agregao da previso (produto individual, linha de produtos, grupo de produtos,

marca, empresa, setor)

3. Horizonte de tempo e freqncia da preparao da previso (avaliar a relao entre o maior ou

menor horizonte de planejamento e a maior ou menor frequncia das revises da previso)

4. Recursos necessrios (financeiros, pessoal e tecnolgico: computadores e sistemas

computacionais)

5. Responsveis pela previso: realizadores da previso e usurios/tomadores de deciso

12

6. Origens/fontes e qualidade da informao (analisar os dados e extrair informaes esprias dos

dados, avaliar fatores externos e internos influenciando os eventos analisados)

(B) Fase de Seleo/Especificao

1. Familiaridade com os mtodos existentes

2. Critrios para seleo (preciso, custo, facilidade de uso, grau de conhecimento tcnico do

realizador, dados exigidos, caractersticas do problema, horizonte de tempo, padro dos dados,

nmero de itens a serem previstos, disponibilidade de software, possibilidade de incorporao de

experincia)

3. Uso de mtodos alternativos (adequao de diferentes mtodos, combinao de previses)

(C) Avaliao

1. Apresentao da previso para a gerncia/tomadores de deciso (grficos, breve descrio de

como o mtodo funciona e da sua base estatstica, distribuio interna das previses, previses

pontuais ou intervalos de predio)

2. Reviso da previso e uso de julgamento subjetivo (reunies interdepartamentais com ou sem a

presena do realizador da previso, influncia de razes polticas)

3. Padres para avaliao da efetividade da previso (preciso, facilidade de obteno, facilidade

de interpretao, credibilidade e impacto nos custos)

4. Desempenho da previso(avaliao da preciso e dos erros da previso, manuteno ou no de

registro das previses para futuros balizamentos, adequao do horizonte de tempo, amplitude

de itens, avaliao dos valores obtidos face ao contexto industrial ou de servios, a volatilidade

do mercado , a estabilidade econmica)

5. Ajustes das previses (incluso de informaes recentes, atualizao mensal ou trimestral das

previses)

importante perceber que no processo de previso esses trs grupos de questes esto

interligados, de forma que, por exemplo, a adoo de um certo mtodo na fase de especificao ir

influenciar uma questo relativa avaliao ou seja, a preciso da previso. Por outro lado, pode ser

exigido ajuste das informaes e dados para desenvolver a previso com essa preciso, questo da

fase de projeto.

A Tabela V a seguir apresenta critrios usados por organizaes americanas para avaliar a

efetividade da previso de vendas, na fase de avaliao do processo de previso, conforme

resultados de pesquisa de campo de Mentzer&Kahn (1996). Entre eles, a preciso e a credibilidade

13

dos valores apresentados aos tomadores de deciso esto entre os mais citados, seguidos pelo

impacto no desempenho do servio ao cliente e facilidade de uso do mtodo. Curiosamente, os

critrios finaceiros so os citados o menor nmero de vezes pelos respondentes, indicando que so

questes principalmente de impacto operacional que balizam os passos do processo de previso.

Tabela V- Critrios para avaliar a efetividade da previso de vendas (Mentzer&Kahn, 1996)

Critrios % importncia

(ponto de vista dos respondentes)

Preciso 92

Credibilidade 92

Desempenho do servio ao cliente 77

Facilidade de uso 75

Giro do estoque 55

Quantidade de informao necessria 46

Custo 41

Retorno no investimento 35

5. Etapas bsicas do processo de previso

Como etapas bsicas do processo de previso, pode-se evidenciar:

1. Obteno das informaes

1.1. Coleta de Dados (contnua)

1.2.. Avaliao da informao:

Descrever a srie (comportamento dos dados)

Grficos da srie;

Histogramas; Diagramas de disperso;

Obteno de estatsticas descritivas simples;

Verificao de tendncias, ciclos e variaes sazonais;

Verificao de pontos de mudana no comportamento da srie;

14

Observaes anormais (ou esprias), e avaliao de sua considerao ou extrao da srie de

dados etc..

2. Preparao da previso:

(objetivo de anlise (comportamento) ou previso)

investigar mecanismo gerador da srie ,

prever a partir do passado, e/ou

procurar periodicidades relevantes nos dados.

3. Aprovao das previses pelos tomadores de deciso

4. Monitorao do processo.

6. Cuidados a observar para a qualidade da previso

A Qualidade dos Dados

Um modelo ou tcnica baseado em dados histricos tem seu desempenho associado qualidade

das informaes bsicas. Informao pobre ou incompleta torna impossvel obter previses

confiveis. Assim, muito importante escolher fontes seguras ou ter critrio na coleta de dados.

Como critrios na coleta dos dados, pode-se citar:

Preciso (fonte confivel)

Conformidade/Pertinncia (julgamento se algumas fraes ou todo o intervalo de dados so adequados para a

representao do sistema e do evento em anlise)

Tempo da coleta de dados (definio de um tempo inicial "oficial", considerando que h um tempo inicial de

aprendizado ou aquecimento que deve ser retirado da anlise)

Consistncia (ao longo do perodo de seu uso)

15

Identificao do padro e a estacionariedasde dos dados

Podem ser identificados quatro tipos de padro da informao nas sries temporais:

Horizontal ou estacionria (tpica de processos de produo sobre controle)

Sazonal (por exemplo, vendas mensais de cerveja)

Cclica (vlido para grandes conjuntos de dados: expanses e depresses da economia, por exemplo)

Tendncia (linear, exponencial, quadrtica, curva S etc.),

A presena, na representao grfica da srie, de um ou de um conjunto destes padres define os

seus componentes determinsticos. A srie temporal pode ser recomposta por uma funo

associada a seus componentes, aos quais deve-se acrescentar o componente aleatrio, para se obter

os valores observados.

Um aspecto fundamental a considerar na anlise de sries temporais diz respeito estacionariedade

dos dados nela representados. Essa uma suposio frequente no estudo de sries temporais. No

caso de sries no estacionrias, algumas transformaes na base de dados podem conduzir

estacionariedade da srie resultante em um nmero finito de transformaes. Estas sries so ditas

de comportamento homogneo.

Seja por exemplo a transformao de diferenas sucessivas da srie original X(t),

X'(t) = X(t) - X(t-1), primeira diferena

X"(t) = X'(X'(t)) = X'(X(t) - X(t-1)) = X(t) - 2 X(t-1) + X(t-2)

Segunda diferena, e assim sucessivamente.

comum obter-se a estacionariedade em uma ou duas diferenas. Outros tipos de transformao

so possveis e necessrias. Por exemplo, gerar a srie correspondente ao logaritmo da srie original

ou a raiz quadrada da srie so opes a serem avaliadas, com o objetivo de garantir a

estacionariedade.

Por exemplo, os modelos de Box-Jenkins ditos ARIMA descrevem sries estacionrias ou no,

incorporando internamente sua metodologia de anlise das sries as transformaes necessrias

para a estacionariedade.

16

Preciso da Previso

Para a medida de preciso da previso, inicialmente deve-se definir medida do erro de previso. O

erro de previso pode ser medido como:

te = X (t) - X (t) = valor observado - valor estimado/ou previsto.

Algumas das alternativas de medidas de preciso so:

t

te => Esse clculo leva a cancelamento de valores, com perda da grandeza dos erros.

t

t

ntXe )(/

=> "Mean Absolute Percent Error "(MAPE);

=> Esse clculo d maior importncia aos maiores erros e permite comparaes entre

sries diferentes.

( )t

t

ne 2

=> "Mean Squared Error" (MSE), cujo clculo d maior importncia aos maiores erros.

t

t

ne

=>Mean Absolute Deviation (MAD), cujo clculo d importncia ao mdulo dos erros.

Realizao de Testes de Preciso

Os testes de preciso so aplicados para se verificar a preciso relativa de variantes de cada mtodo

na representao do padro dos dados. Para isso, a srie pode ser decomposta em dois conjuntos:

1. aquele dos dados utilizados, que so a base para aplicao dos mtodos de previso, e

2. aquele dos dados ainda no utilizados, os quais podem ser considerados para avaliar o erro da

previso, atravs do clculo do MAPE, MAD ou MSE, por exemplo.

J na comparao entre mtodos diferentes e na avaliao de sua adequabilidade aos dados e ao

contexto de deciso, outros fatores devem ser levados em conta para avaliar a preciso relativa dos

mtodos.

7. Tarefas-chave no planejamento de decises

17

Qual mtodo aplicar em cada situao? Quanta confiana depositar nos resultados? Que modificaes so necessrias para incorporar informaes subjetivas antes de utilizar as

previses?

No h uma nica resposta a essas questes. A preciso do mtodo; o padro observado no

conjunto de informaes; o horizonte de tempo do planejamento e o custo associado s grandezas

previstas (para a implementao do mtodo ou decorrentes das decises associadas s previses)

so os fatores que orientam as respostas.

O horizonte de tempo da previso tem um direto impacto na seleo do mtodo a utilizar. Alguns

mtodos se aplicam tanto no curto (at 3 meses), mdio (3 meses a 2 anos) ou longo (mais de 2

anos) prazos. Pode-se citar a regresso mltipla nesse caso. Os modelos univariados Box-Jenkins

no so recomendados para largos horizontes de tempo. Adequados ao curto e mdio prazos,

pode-se citar os mtodos de mdias mveis, decomposio clssica, e projees de tendncia. Na

medida que o horizonte se alarga, os mtodos quantitativos vo perdendo sua aplicabilidade, sendo

mais adequadas as abordagens qualitativas ou baseadas no julgamento, como o Delphi. Da mesma

forma, ao introduzir um produto, mtodos qualitativos como a analogia histrica se aplicam. A

previso de pontos de mudana do padro das sries impe restries ao uso de mdias mveis e

amortecimento exponencial, em geral inadequadas para esse fim. Modelos univariados Box-Jenkins

igualmente no se aplicam, embora suas formulaes mais complexas tenham uso mais

generalizado. Alm disso, a perspectiva do ciclo de vida do produto orienta a escolha do(s)

mtodo(s) de previso. Ou seja, h mtodos que se adequam s respectivas fases do ciclo de vida,

como apresentado na Figura 2 a seguir.

18

(1) Introduo do produto no mercado

(2) "Crescimento" das vendas do produto; projeo das vendas.

tempo< 30 meses => amortecimento exponencial

tempo> 30 meses => Box-Jenkins

(3) Estgio "maduro" => Causalidade explicada (extensa base de dados,

maior conhecimento das relaes entre fatores)

=> mtodos economtricos

Box-Jenkins, ...

(4) Declnio das vendas (competio do mercado)

=> projeo do declnio.

Figura 2- Sugesto do mtodo de previso por fase do ciclo de vida do produto

A Tabela VI a seguir apresenta uma comparao de alguns mtodos de previso quanto sua

preciso, a aplicabilidade, custos associados ao seu uso e s suas exigncias mnimas de dados,

baseada em Levenbach e Cleary (1984) e Sullivan e Claycombe (1982). Entre os mtodos qualitativos

incluem-se: mtodo Delphi/opinio de especialistas, pesquisa de mercado, consenso em painel, e

analogia histrica. Em especial, o mtodo Delphi, alm do mtodo dos impactos cruzados (que no

consta deste painel da Tabela VI), sero explorados em captulo frente. Os mtodos quantitativos

dividem-se em mtodos estatsticos, que sero vistos nos captulos a seguir, em sua maioria, e

aqueles determinsticos, que incorporam a identificao e a determinao implcita de relaes entre

o evento a ser revisto e fatores que o influenciam. Esses ltimos no so enfocados neste texto,

sendo que Makridakis e Wheelwright (1982) e Chambers et al. (1974) descrevem alguns deles.

vendas

tempo

Mtodos qualitati-vos

Introduo do produto

Amortecimento exponencial

Box-Jenkins Economtricos

Abandono das decises

Mtodos de sries temporais

1 2 3 4

19

Tabela VI- Aplicabilidade dos mtodos de previso Qualitativos Quantitativos Estatsticos Determinsticos

M

t

o

d

o

D

e

l

p

h

i

P

e

s

q

u

i

s

a

d

e

m

e

r

c

a

d

o

P

r

e

v

i

s

o

v

i

s

i

o

n

r

i

a

A

n

a

l

o

g

i

a

h

i

s

t

r

i

c

a

E

s

t

a

t

s

t

i

c

a

s

s

u

m

r

i

a

s

M

d

i

a

s

m

v

e

i

s

A

m

o

r

t

e

c

i

m

e

n

t

o

e

x

p

o

n

e

n

c

i

a

l

.

A

R

I

M

A

(

B

o

x

-

J

e

n

k

i

n

s

)

d

e

c

o

m

p

o

s

i

o

T

C

S

I

(

S

h

i

s

k

i

n

X

-

1

1

)

P

r

o

j

e

o

d

e

t

e

n

d

n

c

i

a

s

M

o

d

e

l

o

d

e

r

e

g

r

e

s

s

o

M

o

d

e

l

o

e

c

o

n

o

m

t

r

i

c

o

I

n

t

e

n

o

d

e

c

o

m

p

r

a

P

e

s

q

u

i

s

a

p

o

r

a

n

t

e

c

i

p

a

o

M

o

d

e

l

o

I

n

p

u

t

-

o

u

t

p

u

t

Estatsticos Determinsticos Conjunto de dados Horizontal x x x x x x x x x x que podem ser Tendncia No aplicvel x x x x x x x x x x x x x x x x manuseados Ciclico x x x x

Exigncia de dados mnimos No aplicvel

5

p

o

n

t

o

s

5

-

1

0

P

o

n

t

o

s

3

P

o

n

t

o

s

3

a

n

o

s

p

o

r

m

s

5

a

n

o

s

p

o

r

m

s

5

P

o

n

t

o

s

4

a

n

o

s

p

o

r

m

s

4

a

n

o

s

p

o

r

m

s

2

a

n

o

s

p

o

r

m

s

>

1

0

0

0

Horizonte de tempo Curto prazo (0 a 3 meses) x x x x x x x x x x para o qual o mtodo Mdio prazo (3 meses a 2 anos) x x x x x x x x x x x x x x mais apropriado Longo prazo ( 2 anos ou mais) x x x x x x x x x

Preciso( escala de Previso de padres 5 5 5 5 2 2 3 2 7 4 8 2 2 2 0 a 10: 0 menor Previso de pontos de 10 maior) mudana (turning points) 4 6 2 3 NA 2 2 6 8 1 5 7 8 0

Aplicabilidade Tempo necessrio para

(escala de 0 a 10: obter a previso 4 8 3 5 1 1 1 7 5 4 6 9 5 10

o menor Facilidade de entendimento 10 maior) e interpretao dos resultados 8 9 8 9 10 9 7 5 7 8 8 4 10 3 Custos de computao Desenvolvimento 0 1 1 8 6 3 5 8 NA 10 (escala de 0 a 10: Exigncia de armazenagens No aplicvel 4 1 1 7 8 6 7 9 NA 10 0 menor 10 maior) Tempo de execuo 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, pg. 3-60), The Modern Forecaster: The Forecasting Process Through Data

Analysis, Lifetime Learning Publications, USA, Captulos 1 a 5.

Makridakis, S. e Wheelwright, S.C. (1982), Handbook of Forecasting- A managers guide, John Wiley and

Sons.

Chambers, J.C, Mullick, S.K. e Smith, D.D. (1974), An Executives 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, pg. 193-221.

Dalrymple, D.J. (1987), Sales Forecasting Practices: Results from a United States Survey, International Journal

of Forecasting, vol. 3, pg. 379-391.

Watson, M.C. (1996), Forecasting in the Scottish Eletronics Industry, International Journal of Forecasting,

vol. 12, n. 3, pg. 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, pg. 27-36.

Sparkes, J.R. e McHugh, A.K.(1984), Awareness and use of forecasting techniques in British industry, Journal of Forecasting, vol. 3, pg. 37-42.

Fildes, R. e Hastings, R. (1994), The organization and improvement of market forecasting, Journal of the operational research society, vol. 45, pg. 1-16.

Rothe, J. (1978), Effectiveness of sales forecasting methods, Industrial Marketing Management, vol. 7, pg. 114-118.

Watson (1989)-citado por Watson(1996), como uma pesquisa anterior do autor, mas no consta das referncias.

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, pg. 19-26.

Schultz, R. L. (1992, p. 410), Editorial: Fundamental aspects of forecasting in organizations, International Journal of Forecasting, vol. 7, pg. 409-411.

Mentzer, J. T. e Kahn, K. B. (1995), Forecasting technique familiarity, satisfaction, usage, and application, vol. 14, n. 5, pg. 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, pg. 865-873.