Técnicas de Previsão(1)

Prévia do material em texto

TÉCNICAS DE PREVISÃO 
 
 Conforme visto, a definição da técnica de previsão que melhor se adapte a uma 
situação específica é apenas um dos passos do modelo de previsão, porém, sem 
dúvida, o mais importante. Existe uma série de técnicas disponíveis, com diferenças 
substancias entre elas, contudo, antes de se apresentarem as principais, cabe 
descrever as características gerais que normalmente estão presentes em todas as 
técnicas de previsão, que são: 
 
 supõe-se que as causas que influenciaram a demanda passada continuarão a 
agir no futuro; 
 as previsões não são perfeitas, pois não se é capaz de prever todas as 
variações aleatórias que ocorrerão; 
 a acuracidade das previsões diminui com o aumento do período de tempo 
auscultado; 
 a previsão para os grupos de produtos é mais precisa do que para os produtos 
individualmente, visto que no grupo os erros individuais de previsão se 
minimizam. 
 
 As técnicas de previsão podem ser subdivididas em dois grandes grupos: as 
técnicas qualitativas e as quantitativas. As técnicas qualitativas privilegiam 
principalmente dados subjetivos, os quais são difíceis de representar 
numericamente. Já as técnicas quantitativas envolvem a análise numérica dos dados 
passados, isentando-se de opiniões pessoais ou palpites. 
As técnicas qualitativas estão baseadas na opinião e no julgamento de pessoas-
chave, especialistas nos produtos ou nos mercados onde atuam estes produtos. 
Podem ser consultados os executivos das principais áreas da empresa, 
principalmente da área comercial, vendedores que tratam diretamente com os 
clientes, e os próprios clientes. Eventualmente, opiniões de especialistas de fora da 
empresa podem ser necessários, como, por exemplo, especialista em comércio 
exterior. 
 
 As técnicas qualitativas, por serem mais rápidas de se preparar, são 
empregadas quando não se dispõem de tempo para coletar e analisar os dados da 
demanda passada. Ou, então, na introdução de um produto novo, diferente dos 
oferecidos atualmente, onde não existam dados passados em que se possa apoiar. 
Ou, ainda, quando o panorama econômico e político forem muito instáveis, fazendo 
com que os dados passados fiquem rapidamente obsoletos e não se disponha de 
informações atualizadas. Finalmente, as previsões baseadas em opiniões e 
julgamento de especialistas são empregadas, em conjunto com as previsões 
quantitativas, quando tratar-se de questões estratégicas para a empresa, pois não 
seria conveniente decidir os rumos da empresa apenas em cima de dados 
provenientes de um modelo matemático. 
 
 Por outro lado, as técnicas quantitativas consistem em analisar os dados 
passados objetivamente, empregando-se modelos matemáticos para projetar a 
demanda futura. As técnicas quantitativas, por sua vez, podem ser subdivididas em 
dois grandes grupos: as técnicas baseadas em séries temporais, e as técnicas 
baseadas em correlações. As técnicas baseadas em séries temporais procuram 
modelar matematicamente a demanda futura relacionando os dados históricos do 
próprio produto com o tempo, enquanto as técnicas baseadas em correlações 
procuram associar os dados históricos do produto com uma, ou mais, variáveis que 
tenham alguma relação com a demanda do produto. Devido à maior aplicabilidade 
destas técnicas quantitativas, apresentaram-se a seguir seus principais modelos. 
PREVISÕES BASEADAS EM SÉRIES TEMPORAIS 
 
 As previsões baseadas em séries temporais partem do princípio de que a 
demanda futura será uma projeção dos seus valores passados, não sofrendo 
influência de outras variáveis. É o método mais simples e usual de previsão, e 
quando bem elaborado oferece bons resultados. Para se montar o modelo de 
previsão, é necessário plotar os dados passados e identificar os fatores que 
estão por trás das características da curva obtida. Uma curva temporal de 
previsão pode conter tendência, sazonalidade, variações irregulares e 
variações randômicas. 
 
 A tendência consiste num movimento gradual de longo prazo, direcionando os 
dados. A sazonalidade refere-se as variações cíclicas de curto prazo, relacionadas 
ao fator tempo, como a influência de alterações climáticas, férias escolares etc. Já as 
variações irregulares, como o próprio nome indica, são alterações nas demandas 
passadas resultantes de fatores excepcionais, como greves ou catástrofes 
climáticas, que não podem ser previstos e, portanto, incluídos no modelo. esses 
dados, conforme já foi colocado, devem ser retirados da série histórica e substituídos 
pela média. finalmente, excluindo-se os fatores de tendência, sazonalidade e 
excepcionalidade, restam as variações aleatórias, ou normais, que serão tratadas 
pela média. 
 
 Em função dos fatores que influenciam os dados, a previsão de demanda 
baseada em séries temporais pode ser subdividida em passos, cada um deles um 
deles relacionados ao dimensionamento de um destes fatores. a previsão final será o 
resultado da composição destes fatores. Existem técnicas para tratar a média 
(variações aleatórias), para tratar a tendência e para tratar a sazonalidade. 
 
 
 
 
TÉCNICAS PARA PREVISÃO DA MÉDIA. 
 
 Normalmente, dados históricos contêm componentes randômicos, ou 
interferências, que obscurecem a previsão exata da demanda. As causas que levam 
a essas variações randômicas são de difícil determinação e a completa remoção 
destas influências não é viável. desta forma, incorporam-se essas variações no 
modelo e empregam-se técnicas de previsão baseadas na média para tratar tais 
situações. Essas técnicas fazem com que valores historicamente baixos e valores 
historicamente altos se combinem, gerando uma previsão média com menor 
variabilidade do que os dados originais. 
 
 As técnicas de previsão da média procuram privilegiar os dados mais recentes 
da série histórica, que normalmente representam melhor a situação atual. 
Essas técnicas funcionam bem quando os dados históricos variam em torno de uma 
média, porém ainda podem ser usadas quando existem pequena variações graduais, 
ou em patamares, no nível dos dados. 
As técnicas de previsão para média mais empregadas são a média móvel e a média 
exponencial móvel, detalhadas a seguir 
 
 
 
 
 
 
MÉDIA MÓVEL 
 
 A média móvel usa dados de um número predeterminado de períodos, 
normalmente os mais recentes, para gerar sua previsão. A cada nov0o período de 
previsão se substitui o dado mais antigo pelo mais recente. A média móvel pode ser 
obtida a partir da equação: 
��� =
∑ ������
�
 onde: 
Mmn = média móvel de n períodos. 
Di = demanda ocorrida no período i. 
n = número de períodos. 
i = índice do período. 
 
 A grande vantagem do uso da média móvel para previsões consiste em sua 
simplicidade operacional e facilidade de entendimento, porém a necessidade de 
armazenar um grande volume de dados, principalmente se o número de períodos (n) 
for grande, é uma de suas limitações. Outro ponto é que ela fornece apenas a 
previsão para os períodos imediatamente posterior, sendo que para os períodos 
futuros se usaria o mesmo valor, uma vez que há previsão de demanda médias. 
Recomenda-se o uso da média móvel em situações nas quais a demanda apresenta 
comportamento estável e o produto não é muito relevante. 
 
MÉDIA EXPONENCIAL MÓVEL 
 
 Na média exponencial móvel, o peso de cada observação decresce no tempo 
em progressão geométrica, ou de forma exponencial. em sua forma de apresentação 
mais simples, cada nova previsão é obtida com base na previsão anterior, corrigido 
por um coeficiente de ponderação. 
 
�� 	= 	���� + �(���� −����) onde: 
 
Mt = previsão para o período t. 
Mt-1 = Previsão para o período t-1. 
α = coeficiente de ponderação. 
Dt-1 = demanda do período t-1. 
 
 O coeficiente de ponderação é fixado pelo analista dentro de uma faixa que 
varia de 0 a 1. Quanto maior seu valor, mais rapidamente o modelo de previsão 
reagirá a uma variação real da demanda. Se o valor de α for muito grande, as 
previsões ficarão muito sujeitas às variações aleatórias da demanda. Se, ao 
contrario,o valor de α for muito pequeno, as previsões poderão ficar defasadas da 
demanda real. Os valores normalmente usados para α variam de 0,05 a 0,50. Os 
pacotes computacionais que trabalham com estes modelos incluem simulações para 
ajustar o nível de α de maneira a reduzir o erro de previsão. 
 
 Para se tratar demandas médias, e ainda conseguir acompanhar movimentos 
pequenos de tendência ou de mudanças de patamares, as previsões baseadas na 
média exponencial móvel são as mais utilizadas, seu modelo exige a armazenagem 
de apenas três dados por item (a previsão passada, a demanda e o coeficiente de 
ponderação), e a sua operação é de fácil entendimento. Contudo, como na média 
móvel, ela fornece apenas a previsão para o período imediatamente posterior, sendo 
que para os períodos futuros se usaria o mesmo valor, visto se estarem prevendo 
demandas médias. 
 
TÉCNICAS PARA PREVISÃO DA TENDÊNCIA 
 
 A tendência refere-se ao movimento gradual de longo prazo da demanda. O 
cálculo da estimativa da tendência é realizado pela identificação de uma equação 
que descreva este movimento. A plotagem dos dados passados permitirá a 
identificação desta equação. Esta equação pode ser linear ou não linear 
(exponencial, parabólica, logarítmica etc.), porém, devido à facilidade de uso e maior 
aplicabilidade, se restringirá aqui a analisar a tendência linear; as demais são obtidas 
de forma análoga. 
 Existem duas técnicas mais importantes que podem ser empregadas para 
tratar previsões de demanda com componentes de tendência linear. Uma delas está 
baseada na equação linear como forma de previsão, e a outra está baseada no 
ajustamento exponencial para se obter o componente de tendência. 
 
Equação Linear para a Tendência. 
 
 Uma equação linear possui o formato da equação abaixo: 
 
Y = a + bX 
 
Onde: 
 Y = previsão da demanda para o período X; 
 a = ordenada à origem, ou intercessão no eixo dos Y; 
 b = coeficiente angular; 
 X = período (partindo de X = 0) para previsão; 
 
 Empregando-se os dados históricos da demanda, os coeficientes b e a podem 
ser obtidos através das equações: 
 
� = 	
� ∗ (∑��) − ((∑�) ∗ (∑�))
�(∑��) − (∑�)�
 
 
 
� =
∑� − � ∗ (∑�)
�
 
 
Onde: n = número de períodos observados. 
 
 
Ajustamento exponencial para a tendência. 
 
Uma variação da técnica da média exponencial móvel, chamada de ajustamento 
exponencial para a tendência ou duplo ajustamento, pode ser empregada para tratar 
demandas que apresentem tendência. Conforme visto anteriormente, a média 
exponencial móvel tem sua aplicabilidade na previsão de dados médios de demanda 
com pequenas variações. Caso a demanda apresente tendência, a média 
exponencial móvel demorará a reagir a esta tendência, fazendo com que os dados 
resultantes da previsão fiquem abaixo, no caso de tendência de alta, da demanda 
real, e vice-versa. 
 O ajustamento exponencial para a tendência consiste em fazer a previsão 
baseada em dois fatores: a previsão da média exponencial móvel da demanda e 
uma estimativa exponencial da tendência. As equações abaixo definem estes 
elementos. 
 
���� = �� + ��	 
 
�� = �� + ��(�� − ��) 
 
�� = ���� + ��((�� − ����) − ���� 
 
Onde: 
 
Pt-1 = previsão da demanda para o período t+1; 
Pt = previsão da demanda para o período t; 
Mt = previsão da média exponencial móvel da demanda para o período t; 
Tt = previsão da tendência exponencial móvel para o período t; 
Tt-1 = previsão da tendência exponencial para o período t-1; 
α1 = coeficiente de ponderação da média; 
α2 = coeficiente de ponderação da tendência. 
Dt = demanda do período t. 
 
 Para desenvolver a previsão da demanda baseada nesse método, devem-se 
estabelecer os valores dos coeficientes de ponderação que corrigirão os erros de 
previsões. Conforme já foi colocado com relação à medida exponencial móvel, 
quanto maiores os coeficientes, que devem ficar entre 0 e 1, mais rapidamente as 
previsões assumirão as novas tendências. Por outro lado, quanto menores os 
coeficientes, menor será a influência de valores extraordinários. Como dito, os 
pacotes computacionais que trabalham com esses modelos incluem simulações para 
ajustar o nível dos coeficientes de maneira a reduzir o erro de previsão.