UNIVERSIDADE DE CAXIAS DO SUL PROGRAMA DE PÓS-GRADUAÇÃO EM ADMINISTRAÇÃO PPGA CURSO DE MESTRADO ANDRÉ MAURO SANTOS DE ESPÍNDOLA

Transcrição

1 UNIVERSIDADE DE CAXIAS DO SUL PROGRAMA DE PÓS-GRADUAÇÃO EM ADMINISTRAÇÃO PPGA CURSO DE MESTRADO ANDRÉ MAURO SANTOS DE ESPÍNDOLA INTELIGÊNCIA COMPETITIVA E MODELOS DE SÉRIES TEMPORAIS PARA PREVISÃO DE CONSUMO: O ESTUDO DE UMA EMPRESA DO SETOR METALÚRGICO CAXIAS DO SUL 2013

2 ANDRÉ MAURO SANTOS DE ESPÍNDOLA INTELIGÊNCIA COMPETITIVA E MODELOS DE SÉRIES TEMPORAIS PARA PREVISÃO DE CONSUMO: O ESTUDO DE UMA EMPRESA DO SETOR METALÚRGICO Disseração de Mesrado apresenada ao Programa de Pós-Graduação do Mesrado em Adminisração da Universidade de Caxias do Sul, como requisio parcial à obenção do grau de Mesre em Adminisração. Área de Concenração: Adminisração da Produção Orienadora: Prof a. Dr a. Maria Emilia Camargo Co-Orienadora: Prof a. Dr a. Ana Crisina Fachinelli CAXIAS DO SUL 2013

3

4

5 AGRADECIMENTOS A presene disseração é o resulado de muio rabalho e dedicação, mas a conclusão da mesma só foi possível graças ao apoio de pessoas às quais eu desejo desacar os meus sinceros agradecimenos. À minha companheira Naacha por odo o apoio, compreensão e carinho dedicado durane a realização dese esudo. À minha família e amigos por compreender a minha ausência e apoiar o meu rabalho. À minha orienadora professora Maria Emília Camargo, por odo o apoio, incenivo e dedicação, mas principalmene por permiir que eu fosse orienado por ela que é uma grande pesquisadora. À minha co-orienadora professora Ana Crisina Fachinelli, por odo apoio e dedicação, mas principalmene por er lançado o desafio que originou ese rabalho. Aos colegas de mesrado que esiveram sempre ao meu lado na realização de seminários, rabalhos e arigos, sempre apoiando e moivando o desenvolvimeno do meu rabalho. À direção, coordenação e colegas do CETEC, pelo apoio e compreensão. Aos direores da empresa objeo dese esudo, que compreenderam os objeivos da pesquisa, disponibilizando os dados e as informações necessárias para realização dos objeivos proposos.

6 "Jamais considere seus esudos como uma obrigação, mas como uma oporunidade invejável para aprender a conhecer a influência liberadora da beleza do reino do espírio, para seu próprio prazer pessoal e para proveio da comunidade à qual seu fuuro rabalho perencer." Alber Einsein

7 RESUMO O mundo vive um conínuo e acelerado processo de ransformação que envolve odas as áreas do conhecimeno. É possível afirmar que a velocidade desse processo em uma relação direa com a rapidez em que ocorrem as mudanças na área ecnológica. Esas mudanças êm ornado cada vez mais as relações globalizadas, modificado as ransações comercias e fazendo com que as empresas repensem as formas de compeir. Nesse conexo, o conhecimeno assume, a parir do volume de dados e informações, um papel de novo insumo, muias vezes com maior imporância que o rabalho, capial e a erra. Essas mudanças e a imporância da informação fazem com que as empresas busquem um novo posicionameno, procurando idenificar no ambiene exerno sinais que possam indicar evenos fuuros. O grande desafio das empresas passa pela obenção de dados, exração da informação e ransformação dessa em conhecimeno úil para a omada de decisão. Nessa conjunura ese esudo eve como objeivo idenificar qual o modelo de previsão de consumo para análise das informações no processo de Ineligência Compeiiva em uma empresa do seor mealúrgico localizada no esado do Rio Grande do Sul. No desenvolvimeno do esudo foram uilizados os emas Big Daa, Daa Mining, Previsão de Demanda e Ineligência Compeiiva com a finalidade de responder à seguine quesão: Qual o modelo de previsão de consumo de aço que pode ser usado para análise das informações no processo de Ineligência Compeiiva? Na realização do esudo foram analisados dados inernos e exernos a empresa na busca pela idenificação de correlação enre o consumo de aço da empresa e variáveis econômicas que poseriormene foram uilizadas na idenificação do modelo de previsão de consumo. Foram idenificados dois modelos, um univariado sem inervenção aravés da meodologia de Box e Jenkins, o segundo modelo foi um modelo de previsão com Função de Transferência. Os dois modelos apresenaram uma boa capacidade de descrever a série hisórica do consumo de aço, mas o modelo univariado apresenou melhores resulados na capacidade de previsão. Palavras-chave: Aço, Box e Jenkins, Big Daa, Daa Mining, Previsão de Demanda, Ineligência Compeiiva.

8 ABSTRACT The world has been in a coninuous and rapid process of ransformaion which involves all he areas of knowledge. I is possible o asser ha he speed of his process has a direc relaionship wih he fas changes in he echnological area. These changes have influenced he global relaionships even more; modifying he commercial rades and making companies rehink heir compeiive acions. In his field, knowledge akes on a new role giving more imporance o he amoun of daa and informaion o he derimen of land, labor and capial. These changes and he imporance given o informaion make companies esablish new posiions in order o idenify signs ha anicipae evens. Obaining, exracing and ransforming informaion ino useful knowledge o help in he final decision is a challenge. Thus he purpose of his sudy is deermine a model of consumpion anicipaion o analyze he process of compeiive inelligence in a Meallurgy Company locaed in he sae of Rio Grande do Sul. To develop he sudy he hemes Big Daa, Daa Mining, Demand Predicion and Compeiive Inelligence were used aiming o answer he quesion: Which model o anicipae consumpion for iron can be used o analyze informaion in he process of compeiive inelligence? For he sudy, inernal and exernal daa were analyzed o idenify he relaion beween he company iron consumpion and he economic variables, which were used in he demand anicipaion aferwards. Two models were idenified, beeing one of hem univariae and having no inervenion hrough Box and Jenkins mehodology. The second model had a ransfer funcion. Boh of hem demonsraed good capabiliy in describing hisorical series of iron consumpion, however he univariae model has demonsraed beer resuls in he capabiliy of anicipaion. Keywords: Seel, Box & Jenkins, Big Daa, Daa Mining, Demand Forecasing, Compeiive Inelligence.

9 LISTA DE FIGURAS Figura 1 Represenação gráfica do modelo eórico...10 Figura 2 O Ciclo Big Daa - Adapação de FEINLEIB, Figura 3 Fluxograma do ciclo ieraivo de Box e Jenkins Figura 4 Eapas da Pesquisa...69 Figura 5 Relação enre o Consumo de Aço e o Mercado....88

10 LISTA DE QUADROS Quadro 1 - Diferença enre dados, informação e conhecimeno....53

11 LISTA DE GRÁFICOS Gráfico 1 Sobrecarga: Informação Global criada e capacidade de armazenameno em Exabyes 2005 / Gráfico 2 Consumo mensal de aço Empresa Alfa Brasil jan. 07 / maio Gráfico 3 Consumo mensal de aço Empresa Alfa Brasil jan. 07 / maio Gráfico 4 Hisograma de disribuição de frequências Consumo mensal de aço Empresa Alfa Brasil jan. 07 / maio Gráfico 5 Função de Auocorrelação do Consumo mensal de aço Empresa Alfa Brasil jan. 07/ - maio/ Gráfico 6 Função de Auocorrelação Parcial do Consumo mensal de aço Empresa Alfa Brasil jan. 07/ - maio/ Gráfico 7 Função de Auocorrelação dos resíduos do modelo Gráfico 8 Função de Auocorrelação Parcial dos resíduos do modelo Gráfico 9 Função de Auocorrelação dos resíduos do modelo Gráfico 10 Função de Auocorrelação Parcial dos resíduos do modelo Gráfico 11 Função de Auocorrelação dos resíduos do modelo ARIMA(1, 1, 0)- Índice de Indicadores da Produção Exraiva Mineral Gráfico 12 Função de Auocorrelação dos resíduos do modelo ARIMA(2, 0, 0) - Produção de Reroescavadeiras Gráfico 13 Função de Auocorrelação dos resíduos do modelo ARIMA(1, 1, 1) Índice Indicadores da Produção da Indúsria de Transformação Gráfico 14 Função de Auocorrelação dos resíduos do modelo SARIMA(2, 0, 1)(1, 0, 0) 12 Índice de Maerial de Consrução Gráfico 15 Função de Correlação dos resíduos da Função de Transferência...113

12 LISTA DE TABELAS Tabela 1 Trabalhos publicados por Base 2002/ Tabela 2 Ocorrência dos assunos 2002/ Tabela 3 Ocorrência dos assunos por Base 2002/ Tabela 4 Ocorrência dos assunos na BDTD 2002/ Tabela 5 Produção Mundial de Aço Bruo Unid Tabela 6 Produção Brasileira de Aço Bruo por Empresa - Unid. 10³...75 Tabela 7 Consumo Aparene Per Capia de Aço Unid. Kg/hab Tabela 8 Disribuição Seorial das Vendas Inernas de Produos Siderúrgicos - Unid. 10³ 76 Tabela 9 Esruura da Base de Dados Relação de Clienes...78 Tabela 10 Esruura da Base de Dados Consumo de Aço...78 Tabela 11 Classificação dos clienes por seção conforme a abela CNAE Tabela 12 Classificação dos clienes por divisão conforme abela CNAE...80 Tabela 13 Idenificação dos Seores Econômicos e Indicadores...82 Tabela 14 Avaliação da Correlação...83 Tabela 15 Tese de Kolmogorov Smirnov...84 Tabela 16 Análise de Correlação enre a variável consumo de aço e as variáveis exernas aravés do Coeficiene de Pearson...85 Tabela 17 Classificação das variáveis conforme similaridade e sua correlação Tabela 18 Avaliação de Mulicolinearidade...89 Tabela 19 Esaísicas descriivas da variável consumo...92 Tabela 20 Valores de d λ para variável consumo...92 Tabela 21 Resulados do ese ADF para variável consumo...94 Tabela 22 Hipóeses de Modelos para variável consumo de aço Tabela 23 Modelos esimados e suas esaísicas para variável consumo de aço...95

13 Tabela 24 Esaísicas de avaliação dos modelos Tabela 25 Previsões mensais do consumo de aço jun./12 abr./ Tabela 26 Idenificação do Modelo Univariado Tabela 27 Esaísicas do Modelo Tabela 28 Previsões mensais do modelo ARIMA(1, 1,0) Índice de Indicadores da Produção Exraiva Mineral jun./12 abr./ Tabela 29 Idenificação do Modelo Univariado Tabela 30 Esaísicas do Modelo ARIMA (2, 0, 0) - Produção de Reroescavadeiras Tabela 31 Previsões mensais do modelo ARIMA(2, 0, 0) Produção de Reroescavadeiras jun./12 abr./ Tabela 32 Idenificação do Modelo Univariado Tabela 33 Esaísicas do Modelo ARIMA(1, 1, 1) - Índice Indicadores da Produção da Indúsria de Transformação Tabela 34 Previsões mensais do ARIMA(1, 1, 1) - Índice Indicadores da Produção da Indúsria de Transformação jun./12 abr./ Tabela 35 Idenificação do Modelo Univariado Tabela 36 Esaísicas do Modelo SARIMA(2, 0, 1)(1, 0, 0)12 Índice de Maerial de Consrução Tabela 37 Previsões mensais do SARIMA(2, 0, 1)(1, 0, 0) 12 Índice de Maerial de Consrução jun./12 abr./ Tabela 38 Idenificação do Modelo Univariado Tabela 39 Esaísicas do Modelo ARIMA(2, 0, 1) - Consumo de Aço Tabela 40 Previsões mensais do modelo ARIMA(2, 0, 1) Consumo de Aço jun./12 abr./ Tabela 41 Idenifica cão do Modelo de Função de Transferência Tabela 42 Esaísicas do Modelo de Função de Transferência para variável Consumo de Aço Tabela 43 Esaísicas da análise de correlação dos resíduos Modelo de Função de Transferência Tabela 44 Análise das correlações cruzadas dos resíduos Tabela 45 Previsões mensais do modelo de Função de Transferência Consumo de Aço jun./12 abr./

14 LISTA DE ABREVIATURAS E SIGLAS ACF ADF AIC AR ARIMA ARMA BACEN BD BIC CNAE CNPJ CRISP DM IABR IC IDC MA MAPE MDF MME MQO PACF PIB PUC Função de Auocorrelação Tese aumenado de Dickey-Fuller Criério de Informação de Akaike Auorregressivo Modelo Auorregressivo Inegrado de Médias Móveis Auorregressivo de Médias Móveis Banco Cenral do Brasil Big Daa Criério Bayesiano Classificação Nacional de Aividades Econômicas Cadasro Nacional de Pessoa Jurídica Cross Indusry Sandar Process for Daa Mining Daa Mining Insiuo Aço Brasil Ineligência Compeiiva Inernaional Daa Corporaion Médias Móveis Erro Percenual Médio Absoluo Medium Densiy Fiberboard Minisério de Minas e Energia Mínimos Quadrados Ordinários Função de Auocorrelação Parcial Produo Inerno Bruo Ponifícia Universidade Caólica

15 S.A. SARIMA SGS VIF Sociedade Anônima Auorregressivo Inegrado de Médias Móveis Sazonal Sisema Gerenciador de Séries Temporais Faor de Inflação de Variância

16 SUMÁRIO 1 INTRODUÇÃO TEMA PROBLEMATIZAÇÃO OBJETIVOS Objeivo geral Objeivos específicos JUSTIFICATIVA REFERENCIAL TEÓRICO BIG DATA DATA MINING PREVISÃO DE DEMANDA Séries Temporais Modelos univariados de Box e Jenkins Modelos univariados de Box e Jenkins sem inervenção Modelo Geral Modelo ARIMA(p,d,q) Modelo Auorregressivo de ordem p AR(p) Modelo de Média Móvel de ordem q MA(q) Modelos Misos Auorregressivos de Média Móvel ARMA(p,q) Modelos univariados de Box e Jenkins com inervenção Eapas para a consrução de um modelo de previsão Modelo de Função de ransferência...40

17 Modelos de Função de Transferência de Box e Jenkins com Múliplas Enradas Modelos de Função de Transferência Sazonal de Box e Jenkins Idenificação dos Modelos de Função de Transferência com Múliplas Enradas - Procedimeno de Liu e Hanssens Função de Correlação Cruzada Esimação dos Parâmeros dos Modelos de Função de Transferência Verificação do Modelo de Função de Transferência Teses de Adequação Previsão com Erro Quadráico Mínimo INTELIGÊNCIA COMPETITIVA ESTUDOS EMPÍRICOS REALIZADOS NA ÁREA DA DISSERTAÇÃO METODOLOGIA DA PESQUISA PESQUISA QUALITATIVA PESQUISA QUANTITATIVA ETAPAS DA PESQUISA SELEÇÃO DO CASO DE ESTUDO CARACTERIZAÇÃO DO OBJETO DE ESTUDO Empresa Alfa COLETA DE DADOS ANÁLISE E DISCUSSÃO DOS RESULTADOS ETAPA QUALITATIVA Mercado do Aço Brasileiro Colea de informações na Empresa Alfa ETAPA QUANTITAVA Análise de Correlação Análise dos resulados obidos na análise de correlação Verificação dos pressuposos básicos para idenificação do modelo de previsão Ciclo de Box e Jenkins para o modelo univariado Idenificação do modelo univariado sem inervenção para variável Consumo de Aço Especificação do modelo para variável Consumo de Aço...94

18 Esimação dos parâmeros do modelo para variável Consumo de Aço Verificação dos modelos idenificados para variável Consumo de Aço Previsão do SARIMA (0, 1, 1)(1, 0, 0) para variável consumo de aço Ciclo de Idenificação da Função de Transferência Idenificação do modelo univariado - Índice de Indicadores da produção Exraiva mineral Análise dos resíduos e esaísicas do modelo ARIMA(1, 1, 0) - Índice de Indicadores da produção Exraiva mineral Previsão do modelo ARIMA(1, 1, 0) - Índice de Indicadores da Produção Exraiva Mineral Idenificação do modelo univariado - Produção de Reroescavadeiras Análise dos resíduos e esaísicas do modelo ARIMA (2, 0, 0) - Produção de Reroescavadeiras Previsão do modelo ARIMA(2, 0, 0) - Produção de Reroescavadeiras Idenificação do modelo univariado - Índice Indicadores da produção da Indúsria de ransformação Análise dos resíduos e esaísicas do Modelo ARIMA(1, 1, 1) - Índice Indicadores da Produção da Indúsria de Transformação Previsão do modelo Modelo ARIMA(1, 1, 1) - Índice Indicadores da Produção da Indúsria de Transformação Idenificação do modelo univariado - Índice de Maerial de Consrução Análise dos resíduos e esaísicas do Modelo SARIMA(2, 0, 1)(1, 0, 0) 12 - Índice de Maerial de Consrução Previsão do modelo SARIMA(2, 0, 1)(1, 0, 0) 12 - Índice de Maerial de Consrução Idenificação do modelo univariado Consumo de Aço da empresa Alfa Análise dos resíduos e esaísicas do Modelo ARIMA(2, 0, 1) - Consumo de Aço Previsão do modelo ARIMA(2, 0, 1) - Consumo de Aço Idenificação do modelo de Função de Transferência para variável Consumo de Aço Análise dos resíduos e esaísicas do Modelo de Função de Transferência para variável Consumo de Aço Previsão do modelo de Função de Transferência para o Consumo de Aço...114

19 4.2.6 Análise dos resulados dos modelos de previsão CONSIDERAÇÕES FINAIS E RECOMENDAÇÕES LIMITES DA PESQUISA TRABALHO FUTUROS REFERÊNCIAS APÊNDICE A ANÁLISE DAS CORRELAÇÕES CRUZADAS DOS RESÍDUOS...130

20 6 1 INTRODUÇÃO O processo de globalização em modificado as iner-relações dinâmicas enre assunos inernacionais, nacionais, regionais e locais, de um lado; e de ouro, odos os campos do ineresse humano, incluindo a economia, a ciência, a ecnologia, a políica, a religião, a culura, as comunicações, o ranspore, a educação, a saúde e a ecologia (HARRIS, 2002). Na economia a grande modificação esá na relação enre as empresas de grande, médio e pequeno pore com o mercado que esá cada vez mais exigene e compeiivo. Ouro faor que em modificado as iner-relações é o desenvolvimeno da ecnologia da informação, desenvolvimeno ese que faz com que Drucker (1993) defina sociedade aual como sociedade do conhecimeno onde a diferença com relação às sociedades do passado esá direamene relacionado com a imporância do conhecimeno. Para Drucker (1993), a imporância do conhecimeno é laene quando ele assume o papel do recurso mais significaivo aualmene. Sewar (1998, p. 8), afirma que a informação e o conhecimeno são as principais armas compeiivas desa época. O auor complemena dizendo o conhecimeno é mais valioso e poderoso do que os recursos naurais, grandes indúsrias ou polpudas conas bancárias. Para Sewar (1998) a força do conhecimeno ainge odos os seores e as empresas que êm os melhores resulados são as que êm as melhores informações ou as que êm o melhor conrole das informações. Para Davenpor (2007), nos dias auais exise pouca diferenciação enre empresas dos diversos seores o que faz com que muias das bases de compeição como posição geográfica e regulamenações de mercados não esejam mais disponíveis. O auor complemena afirmando que aé mesmo as novas ecnologias e as inovações ano em produos como serviços são rapidamene copiáveis. Segundo Davenpor (2007), a compeição passa pela omada de decisões ineligenes e rápidas com base nas análises das informações pelos líderes das empresas. Porer (2009), assegura que a compeição em uma relação de dependência com a capacidade de uma indúsria inovar e aualizar-se. Mas nese conexo, como ampliar a capacidade de compeir de uma indúsria, como inovar sem ser copiado, como aualizar-se sem ser copiado, como susenar a vanagem compeiiva? Os auores ciados razem a imporância da informação e do conhecimeno nos dias auais como uma forma de se ober vanagem compeiiva. Nesa conjunura a busca por dados, a ransformação deses em informação e o uso desa informação como conhecimeno

21 7 aravés da ineligência compeiiva passa a er um papel fundamenal no planejameno esraégico das empresas. Janissek-Muniz, Lesca e Freias (2007), afirmam que as rápidas e imprevisíveis evoluções mundiais nas áreas ecnológicas, sociais, comporamenais, legais e relacionais fazem com as empresas busquem uma consane capacidade de adapação. Para os auores as empresas devem esar aenas ao ambiene exerno a fim de idenificar os movimenos que possam sugerir evenos fuuros. O grande desafio esá na capacidade de anecipar os evenos aravés do desenvolvimeno de uma ineligência coleiva no ambiene de negócios. Segundo Freias, Freias e Gensas (2007), a fone de dados da empresa pode ser ano o ambiene inerno como o exerno, a empresa deve rabalhar com os dados oriundos deses ambienes uilizando meodologias adequadas. Nese conexo as empresas precisam saber onde ober dados, como exrair informação deses dados, como ransformar esa informação em conhecimeno e como uilizar ese conhecimeno de forma ineligene no do processo de omada de decisões. No senido de conribuir com elemenos de resposas para esas quesões, ese esudo preende apresenar aspecos eóricos e práicos uilizados para idenificação de um modelo de previsão de consumo de aço. Para ano a pesquisa apresena uma possível fone de dados, os processos de exração de informação desses dados e um modelo capaz de ransformar essa informação em conhecimeno. Ese esudo esá dividido em 5 capíulos. O capíulo 1 apresena a problemaização, os objeivos da pesquisa e a jusificaiva; o capíulo 2 raz o referencial eórico que fundamena o esudo; o capíulo 3 descreve a meodologia uilizada na pesquisa, o capíulo 4 mosra os resulados e as discussões a cerca da pesquisa realizada e o capíulo 5, as considerações finais e recomendações com relação a rabalhos fuuros. 1.1 TEMA Big Daa, Daa Mining, Modelos de Previsão e Ineligência Compeiiva aplicada na previsão de consumo. 1.2 PROBLEMATIZAÇÃO Na busca pela vanagem compeiiva em um ambiene onde as bases da compeição como posição geográfica e regulamenação de mercados não esão mais disponíveis, a

22 8 compeição passa pela omada de decisões ineligenes e rápidas com base nas análises das informações pelos líderes das empresas (DAVENPORT, 2007). Nese conexo surgem quesões fundamenais para a uilização da informação no processo decisório pelos líderes das empresas: Onde ober os dados? Como exrair informação deses dados? Como ransformar a informação exraída em conhecimeno para a liderança uilizar de forma ineligene no processo decisório? Para responder à primeira quesão, é possível ciar como uma grande fone de dados pessoais, governamenais e não governamenais a Inerne, nesa os dados podem ser enconrados de forma esruurada ou não esruurada. Além dos dados exisenes na Inerne, exisem os dados armazenados em redes coorporaivas e em compuadores pessoais. O armazenameno deses conjunos de dados em crescido de forma exponencial, al fenômeno recebeu a denominação de Big Daa (BD) (THE ECONOMIST, 2010). Frankel (2012), define o Big Daa como conjuno de dados esruurados e não organizados, produzidos como um subproduo das operações de uma empresa. Para o auor, esses dados incluem: informações sobre clienes, finanças, funcionários e operações. Frankel (2012), afirma que a comunidade financeira já rabalha com ese conjuno de dados há anos e que esse não é um conceio novo, mas ouros seores devem começar a uilizar a informação exisene no Big Daa para omada de decisões, assim aumenando a produividade e reduzindo os riscos. Segundo Johnson (2012), a economia baseada nos dados do Big Daa se caraceriza pela quanidade e complexidade dos dados e pela velocidade de mudanças e sua influência na omada de decisões. As organizações, ao reconhecerem a imporância dos dados e a sua compeiividade, esão mudando a forma como a informação é acessada, inerpreada, relaada e aplicada. Segundo o auor, cada vez mais as organizações buscam vanagem compeiiva e usam os dados para omar melhores decisões aumenando a renabilidade, melhorando a capacidade operacional e conrolando os risco. Para iso é imporane que a empresa adoe a análise eficiene dos dados, pois esa pode ser o grande moor do crescimeno. Tendo o Big Daa uma fone de dados, é possível responder à segunda quesão: como usar as informações conidas no Big Daa, como explorar os dados presenes nese fenômeno na busca de informações que sejam imporanes para análise, omada de decisão e planejameno das empresas?

23 9 Lesca, Freias e Janissek-Muniz (2003, p. 1), ao afirmarem que exise uma mudança da lógica de armazenameno e busca de dados para a lógica de disponibilização de grande quanidades de dados, fazem o seguine quesionameno: O problema orna-se, enão, como - melhor, de forma mais adequada e mesmo mais rápida - idenificar algo úil, perinene ou de consequências para a organização, endo em visa suas decisões, oporunidades, negócios, esraégias, enfim (LESCA, FREITAS, JANISSEK-MUNIZ, 2003, p. 1). Uma das formas possíveis alvez seja o processo denominado de Daa Mining (DM), que consise na busca do conhecimeno exisene em banco de dados. O processo vem se desenvolvendo há algumas décadas e combinado com o fenômeno Big Daa em obido mais desaque. Marcano (2007), afirma que é crescene a necessidade de melhorar o acesso à informação e que a écnica de Daa Mining pode ser uilizada como uma das eapas no processo de descobera de conhecimeno em bases de dados. O auor caraceriza o Daa Mining pela velocidade para idenificar, processar e exrair as informações que realmene imporam, descobrindo e compreendendo os padrões em bases de dados. Para o auor, o Daa Mining é uma écnica fácil que pode ser aplicada em qualquer área do conhecimeno, ela em como limiação o esforço de esabelecer medidas na avaliação dos resulados. Para Cardoso e Machado (2008), colear e armazenar dados não são suficienes para melhorar a esraégia de uma organização. É fundamenal o processo de análise das grandes quanidades de dados para se deerminar padrões neses dados e relações de causa e efeio. Os auores complemenam que o processameno e análise correa das informações obidas nas grandes bases de dados são requisios fundamenais para a omada de decisão. Segundo o auor, a mineração de dados é uma écnica que compõe uma das eapas do processo de descobera do conhecimeno em banco de dados, capaz de revelar o conhecimeno implício em grandes quanidades de informações. O Daa Mining pode assumir um papel muio imporane no reconhecimeno de padrões exisenes em conjuno de dados, padrões eses que podem idenificar comporamenos a fim de auxiliar o gesor a omar decisões. Os auores ciados aé aqui razem a imporância da exploração dos dados exisenes no Big Daa e o Daa Mining como um processo capaz de realizar esa exploração. O raameno, processameno e análise dos dados foram desacados como fundamenais, ou seja, não basa possuir informação é preciso saber uilizá-la. É nesse momeno que surge a imporância da Ineligência Compeiiva e sua capacidade de análise da informação em busca do conhecimeno para auxiliar no processo de planejameno da empresa.

24 10 Denro do processo de planejameno da empresa é possível ciar os esudo de previsão de demanda, viso que a informação obida no Big Daa aravés de processos de Daa Mining pode ser uilizada na consrução de modelos de previsão de demanda. A previsão de demanda fornecerá informações à Ineligência Compeiiva que erá a função de analisá-los anes de encaminhar para os gesores responsáveis pela omada de decisões sobre a produção. Segundo Moreira (1993, p. 317), a previsão de demanda é uma base comum em odo o processo de planejameno. Conhecer a quanidade de produos que será vendida é o marco inicial para omadas de decisões e por mais imperfeia que seja uma previsão, ela sempre será necessária. Auores como Buffa (1972), êm a mesma visão de Moreira sobre a imporância da previsão de demanda e complemenam afirmando que a previsão é um faor críico para modelos de decisão. Já Riggs (1976), desaca a imporância da informação exisene no mercado como um indicador anecipado para a produção. Ese esudo busca combinar o fenômeno Big Daa, Daa Mining e modelos de previsão como uma ferramena de Ineligência Compeiiva. Dessa combinação surgiu o modelo eórico apresenado na Figura 1, onde o Big Daa é a fone de dados, o Daa Mining é responsável pela idenificação e colea e os modelos de previsão são insrumenos de análise em um processo de Ineligência Compeiiva. Figura 1 Represenação gráfica do modelo eórico In elig ê n c ia C o m p e iiva B ig D aa D a a M in in g P re vis ã o Fone: Elaborado pelo pesquisador O objeo de esudo foi a empresa Mealúrgica Alfa Lda, com mariz no esado do Rio Grande do Sul. Aualmene emprega cerca de funcionários em suas quaro unidades fabris no Rio Grande do Sul, uma unidade produiva no Esado de Pernambuco, uma unidade produiva no Esado de Goiás e um cenro de disribuição na América Cenral.

25 11 A empresa em como hisórico invesir em qualificação no desenvolvimeno de líderes com um perfil volado para a inerpreação esraégica e foco na ineligência empresarial. O esudo concenrou-se na unidade de sisemas de armazenagem, especializada em planejar e desenvolver modernas soluções para esocagem e movimenação de maeriais que êm como principal maéria-prima o aço. Esa unidade represenou 43% do faurameno do grupo no úlimo período. Assim, nesa conjunura, o presene esudo buscou responder à seguine perguna de pesquisa: Qual o modelo de previsão de consumo de aço que pode ser usado para análise das informações no processo de Ineligência Compeiiva? 1.3 OBJETIVOS Na busca por resposas para o problema dese esudo são apresenados o objeivo geral e os objeivos específicos Objeivo geral Ese esudo eve como objeivo geral idenificar modelos de previsão de consumo de aço para análise das informações no processo de Ineligência Compeiiva Objeivos específicos Para aingir o objeivo geral dese esudo, os seguines objeivos específicos foram definidos: I. explorar o fenômeno do Big Daa e suas possibilidades para a mineração de dados; II. uilizar o Daa Mining como ferramena de análise de grande volume de informação do Big Daa; III. idenificar as variáveis econômicas com influência no mercado do aço; IV. deecar as variáveis econômicas relacionadas com os clienes da Alfa; V. verificar a correlação enre a consumo de aço da Alfa e o conjuno de variáveis exernas;

26 VI. consruir modelos de previsão de consumo de aço aravés da análise de Séries Temporais JUSTIFICATIVA As consequências do processo de globalização êm alerado significaivamene a sociedade aual aingindo as relações inernacionais, nacionais, pessoais, econômicas, ecnológicas, sociais, (HARRIS, 2002). Ese conjuno de ransformações em afeado ambém a forma com que as pessoas consomem e consequenemene afeado as relações comerciais. Essas modificações nas relações comerciais fazem com que as empresas de grande, médio e pequeno pore busquem novas formas de se posicionar em um mercado cada vez mais compeiivo. Para iso as empresas cada vez mais êm buscado novas esraégias para ober vanagem compeiiva que seja susenável. Para Fayard (2000), esraégia é uma are em que é necessário se combinar, no empo e no espaço, os meios com a finalidade de ober um deerminado resulado. Para combinar eses elemenos, o auor afirma que é necessário um profundo conhecimeno de si mesmo, do ouro e do ambiene onde se esá inserido. Segundo Fayard (2000), um dos elemenos essenciais da esraégia é a informação, já que para ele é necessário esar aeno à informação a fim de compreender as que realmene ineressam e a parir delas saber onde e como agir. Vivemos em uma época onde a imporância da informação e do conhecimeno se diferenciam de ouras épocas, assumindo o papel de recurso mais significaivo aualmene (DRUCKER, 1993). Auores como Sewar (1998) e Davenpor (2007), desacam o papel da informação e do conhecimeno como as principais armas compeiivas desa época, eles afirmam que a compeição passa pela omada de decisões baseada em uma análise ineligene pelos líderes das empresas. Saber idenificar fone de dados, exrair informação deses dados e ransformar esa informação em conhecimeno passa a ser uma fone de vanagem compeiiva muio imporane para as empresas. Johnson (2012), já afirmava iso ao escrever que as organizações cada vez mais buscam a vanagem compeiiva aravés da uilização de dados para omada de decisões. O auor ambém afirma que a uilização dos dados depende da adoção de uma análise eficiene deles, pois esa pode ser o grande moor de crescimeno dos mesmos.

27 13 Em uma época em que a informação passa a ser uma fone imporane de busca da vanagem compeiiva o esudo da previsão de consumo de aço da empresa Alfa se jusifica por quaro moivos. Primeiro moivo esá relacionado com a relevância acadêmica e cienífica de possibiliar a combinação dos conhecimenos de Daa Mining, Big Daa e Modelos de Previsão como um processo da Ineligência Compeiiva, combinação essa que não foi enconrada na pesquisas sobre os emas realizadas em bases de dados de publicações cieníficas. Segundo, por buscar idenificar a correlação enre o consumo de aço da empresa e os indicadores econômicos aravés do esudo dos dados obidos no processo de Daa Mining na empresa e no Big Daa. O erceiro moivo em uma fundamenação social, pois a empresa objeo de esudo é uma das maiores fones de emprego na sua cidade sede e qualquer vanagem compeiiva que esa empresa venha a ober no mercado indirea ou direamene erá influência sobre a sociedade que dela depende. O quaro moivo em origem na imporância econômica de desenvolver o rabalho em uma empresa do seor mealúrgico, que faz aquisições periódicas de grande quanidade de aço para produção e consequenemene maném uma relação direa com o mercado do aço. Mercado esse onde o Brasil ocupa a 9ª posição no ranking dos países produores (MME, 2011, p. 35) exporando indireamene 2,9 milhões de oneladas de aço e que aé maio de 2012 apresenou um crescimeno de 14,2% nas imporações em relação ao mesmo período de 2011 (IABR, 2012). Segundo o MME(2012), o mercado do aço brasileiro produziu no ano de ,1 x 10 6 oneladas de aço, consumiu 40,08 x 10 6 oneladas de aço, gerou de forma direa empregos, eve uma paricipação no PIB nacional de 2,4% e apresenou um crescimeno no faurameno de 17,4% com relação ao ano de 2010.

28 14 2 REFERENCIAL TEÓRICO 2.1 BIG DATA O desenvolvimeno da ecnologia da informação aravés de novos equipamenos, sisemas, segurança e Inerne em influenciado significaivamene no crescimeno do armazenameno e no fluxo de informações. Ese em sido um faor com influência desacada nas mudanças da sociedade e nas organizações aravés do mundo. Uma das mudanças mais significaivas esá relacionada com o armazenameno e com a divulgação de dados pessoais ou de organizações governamenais e não governamenais aravés da Inerne e ouras fones elerônicas. O crescimeno de forma exponencial do conjuno de informações armazenadas e divulgadas aravés de meios elerônicos exige cada vez mais novas écnicas de gerenciameno e pode fomenar novas fones de valor econômico, proporcionando novos insighs para a ciência (THE ECONOMIST, 2010). Esa explosão de informação esruurada e desesruurada exisene nas redes esá sendo denominada de Big Daa. Segundo o Inernaional Daa Corporaion (IDC) (2011), ese conjuno de dados é composo por informações ransacionais, bases de dados, meadados, arquivos de áudio e vídeo, páginas na web, mensagens de , feeds de mídia social, dados de formulários, ou seja, quaisquer dados disponíveis. O Big Daa é um sisema onde os paricipanes, de maneira consciene ou inconsciene, oferam dados conínuos sobre si mesmos que, pelo efeio rede são coleados consanemene e organizados aravés de rápidas axas logarímicas (MCKINSEY, 2011). Segundo o EMC (2011), o ermo Big Daa não é um ermo exao, ele se caraceriza por um processo inerminável de acúmulo de odos os ipos de dados, onde alguns deses dados são esruurados, mas a maior pare são dados desesruurados. Esse conjuno de informações não é composo somene por ransações de dados, nele enconram-se vídeos, foos, conversas, índices de pesquisas, resulados de exames médicos, esas informações são produzidas a cada insane por pessoas aravés de relações comerciais ou pessoais. O sisema de organização e capura dos dados, armazenados na rede de forma virual aravés de nuvem e as inovações em sofware e ferramenas para análise por meio de aividades dinâmicas em empo real ambém fazem pare do Big Daa (IDC, 2011). Segundo a FEINLEIB (2012), o ciclo das informações do Big Daa pode ser represenado conforme a Figura 2.

29 15 Figura 2 O Ciclo Big Daa - Adapação de FEINLEIB, 2012 Fone: Adapação de FEINLEIB, 2012 No ciclo apresenado pela FEINLEIB (2012), as informações armazenadas na rede esão disponíveis geralmene de forma desesruurada, iso faz com que o conceio do Big Daa inegre-as de forma a gerar um volume mais abrangene de informações. Ese conjuno de informações vai possibiliar que a omada de decisões seja, cada vez mais, baseada em faos concreos e não apenas em amosragens ou inuição. Esse processo rará uma mudança grande na forma como as organizações lidam com os dados. As empresas vão precisar reesruurar-se para poder irar o maior proveio das informações exisenes na omada de decisão. Cada empresa precisará garanir insrumenos para a capura de dados e incenivar a manipulação irresria de dados para desvendar insighs (IDC, 2011). Para o EMC (2011), o uso correo das informações exisenes no Big Daa pode possibiliar insighs para direcionar e desenvolver as iniciaivas dos negócios aravés de um melhor enendimeno dos clienes, melhorameno de cadeia de suprimenos, desenvolvimeno de novos produos e serviços. As insiuições financeiras há muio empo êm irado proveio da ecnologia da informação para de lidar com seus clienes e gerenciar seus negócios. Com o surgimeno do Big Daa essas insiuições êm aprimorado a sua capacidade de uilizar as informações presenes na rede para analisar o comporameno dos clienes e propor novos negócios. "Essa iniciaiva vem ao enconro de uma das prioridades de negócios dos bancos e seguradoras: conhecer melhor seus clienes e oferecer soluções mais asserivas" (IDC, 2011).

30 16 O conjuno de informação exise no Big Daa em uilidade para os diversos seores da economia, não ficando resrio somene a insiuições financeiras. As possibilidades que o Big Daa raz para as organizações nese momeno são incomensuráveis, mas ficam resrias ao posicionameno esraégico das empresas no conexo do fenômeno. Em análises esraégicas as empresas consanemene devem revisar seus conceios para permiirem a uilização de oda a informação disponível a fim de oberem bons resulados (FACHINELLI e al., 2007). Assim, segundo a auora, as informações e conhecimenos, se esáicos, não possuem valor em si mesmos. No conexo apresenado por Fachinelli e al. (2007), não basa er informação é preciso saber uilizar esa com o objeivo de se ober bons resulados. Saber como uilizar as informações em sido um problema para as organizações que enconram um gargalo na mão de obra qualificada. Exise uma necessidade laene de formação de pessoal qualificado e de cursos de formação específica para lidar com esse conjuno de informações. Segundo o IDC (2011), a quanidade de informação criada e replicada irá superar 1,8 zeabyes (1,8 rilhão de gigabyes), crescendo por um faor de nove em apenas cinco anos. A produção e o crescimeno de dados exisenes no Big Daa são uma das suas caracerísicas mais imporanes e assumem papel fundamenal quando a capacidade de armazenameno é inferior a essa produção de dados. Para o EMC (2011), hoje há mais dados sendo produzidos que a capacidade dos compuadores êm de armazená-los. O Gráfico 1 apresena uma comparação enre a capacidade de armazenameno exisene ao longo dos anos e a quanidade de informação criada. Como o próprio íulo do Gráfico 1 afirma, exise uma sobrecarga na capacidade de armazenameno. Nesse gráfico é possível verificar ambém a diferença enre o comporameno do crescimeno da informação e o crescimeno da capacidade de armazenameno se dá pela diferença de comporameno das duas curvas. Enquano a axa de crescimeno da informação criada se aproxima de uma curva exponencial, a axa de crescimeno da capacidade de armazenameno se aproxima do comporameno de uma função linear, fazendo com que nos úlimos anos a diferença enre as duas curvas se acenue cada vez mais.

31 17 Gráfico 1 Sobrecarga: Informação Global criada e capacidade de armazenameno em Exabyes 2005 / 2011 Fone: Adapação de The Economis (2010) O Big Daa é uma realidade e raz um conjuno de possibilidades que deve ser observado de forma muio críica pelas organizações governamenais e não governamenais. Para as organizações governamenais ele raz a possibilidade de um melhor gerenciameno dos serviços públicos e de um reorno mais rápido das necessidades da sociedade. Com relação às organizações não governamenais, o Big Daa pode ser um faor decisivo no planejameno esraégico das empresas e na busca por vanagem compeiiva. O aproveiameno das informações exisenes enconra uma dificuldade na organização e esruuração dos dados de forma não esruurada na rede e no desenvolvimeno de unidades de ineligências nas organizações. As unidades de ineligência eriam a função de mineração e exração das informações exisenes, acrescenando profundidade e raameno aos dados, ornando-os úeis. No desenvolvimeno desse esudo, além de ser a caracerização conexual, o Big Daa foi uma das fones de busca de dados, a inenção foi ober séries hisóricas de indicadores econômicos e financeiros para o esudo de correlação enre eses e o consumo de aço da empresa Alfa. O reconhecimeno de padrões nos grandes conjunos de dados foi feio aravés da mineração de dados o que faciliou a idenificação das séries hisóricas.

32 DATA MINING O Daa Mining ou Mineração de Dados é pare de um processo mais amplo denominado busca do conhecimeno em banco de dados. Com o desenvolvimeno da ecnologia da informação, o armazenameno de informações em banco de dados em crescido de forma exponencial. Ese processo vem se desenvolvendo há algumas décadas, mas em obido mais desaque após o fenômeno Big Daa. As empresas e as insiuições governamenais ou não governamenais êm a necessidade cada vez maior de organizar e armazenar as informações em banco de dados. O grande desafio desse processo esá em ransformar esse conjuno de informações, exisene muias vezes de forma desesruurada, em conhecimeno a parir do desenvolvimeno de méodos e écnicas específicas de pesquisa em banco de dados. A mineração de dados em se ornado uma ferramena muio uilizada no processo de busca de informações com o objeivo de desenvolver o conhecimeno sobre emas específicos. Hair Jr. e al. (2005), define a mineração de dados como a procura por relações e padrões em grande banco de dados. Nese processo o pesquisador pode operar de forma exploraória, mais esruurada, em orno de uma quesão de pesquisa mais ampla, enando idenificar informações oculas aravés da idenificação de padrões. Braga (2005, p. 11) define a mineração de dados como uma coleção de écnicas e méodos faciliadora da aquisição e reenção da pare do mercado que cabe a uma empresa, ou seja, o auor apresena a mineração não como uma écnica específica, mas como um conjuno de écnicas e direciona sua aplicação como pare de uma esraégia de obenção de espaço no mercado. A busca pela informação não em origem somene no uso de ferramenas genéricas, mas ambém na capacidade dos analisas idenificarem padrões e preverem os resulados com base em dados esraégicos de uma organização (BRAGA, 2005). Para Braga (2005), a mineração de dados é um méodo auomáico para descobrir padrões em dados sem as limiações endenciosas da inuição humana. Côres e al. (2002), discordam do conceio da mineração de dados ser um méodo auomáico, afirmam que ele esá sendo difundido de forma errada e definem a mineração de dados como: Mineração de dados é um processo alamene cooperaivo enre homens e máquinas, que visa exploração de grandes bancos de dados, com o objeivo de exrair conhecimeno aravés do reconhecimeno de padrões e relacionameno de variáveis, conhecimenos esses que possam ser obidos por écnicas comprovadamene confiáveis e válidas pela sua expressiva esaísica (CÔRTES e al. 2002, p. 1).

33 Cardoso e Machado (2008, p. 497), em seu arigo sobre gesão do conhecimeno usando Daa Mining, definem: 19 Daa Mining, ou mineração de dados, é uma écnica que faz pare de uma das eapas da descobera de conhecimeno em banco de dados. Ela é capaz de revelar, auomaicamene, o conhecimeno que esá implício em grandes quanidades de informações armazenadas nos bancos de dados de uma organização. Essa écnica pode fazer, enre ouras, uma análise anecipada dos evenos, possibiliando prever endências e comporamenos fuuros, permiindo aos gesores a omada de decisões baseada em faos e não em suposições. Com base na visão desses auores a mineração de dados pode ser definida como um processo que permie compreender o comporameno dos dados a parir da análise de um grande conjuno de informações exisenes em empresas ou organizações, combinando o uso de modelos auomáicos e não auomáicos com écnicas de inferências esaísicas. Alguns faores desacam a necessidade de uso desa écnica, enre eles, o volume de informação disponível, de informação produzida pelas empresas e pela necessidade da busca de conhecimeno desas informações. Assim, o acesso a informações perinenes, ineressanes, úeis e selecionadas para se ober vanagem compeiiva significa muio mais do que uma quanidade significaiva de informações (FREITAS; JANISSEK-MUNIZ, 2006). A mineração de dados no conexo do Big Daa em uma função fundamenal levando-se em considerarão a desesruuração dos dados exisenes. Aravés da mineração de dados, que permie a cooperação enre homens e máquinas na exploração de grandes bancos de dados (CÔRTES e al., 2002), será possível a idenificação de padrões, esudo de correlações enre variáveis e desenvolvimeno de modelos maemáicos ou esaísicos de previsão. No desenvolvimeno dese esudo a mineração de dados foi um processo responsável pela obenção de dados, compreensão dos dados exisenes no Big Daa, idenificação das correlações com a consumo de aço da empresa Alfa para poserior idenificação do modelo de previsão de consumo de aço usado para análise das informações em um processo de Ineligência Compeiiva. 2.3 PREVISÃO DE DEMANDA Planejar é uma aividade comum a qualquer ipo de empresa, independene de amanho ou ramo que se dedique (MOREIRA, 1993, p. 317), por isso oda a empresa que deseja planejar deve buscar méodos e écnicas que ajudem a esruurar o seu planejameno.

34 Enre os diversos faores que a empresa deve conrolar para preparar o seu planejameno enconra-se a demanda, já que para Moreira (1993): Não obsane as evenuais diferenças, há pelo menos uma grande e imporane base comum a odo o planejameno, que é a previsão de demanda. É necessário saber quano a empresa planeja vender de seus produos ou serviços no fuuro, pois essa expecaiva é o pono de parida, direo ou indireo, para praicamene odas as decisões. As vendas podem depender de muio faores aumeno vegeaivo da população, siuação da economia mundial, movimenos de mercados inernacionais, esforços para aumenar a paricipação de empresa no mercado, ec. mas uma previsão, por mais imperfeia que seja, sempre é necessária. (MOREIRA, 1993, p. 317) Buffa (1972), afirma que a previsão de demanda é um faor críico para modelos de decisão no âmbio da adminisração da produção, relacionados principalmene com esoques, planejameno e programação inegradas e gesão da produção. Riggs (1976) observa a imporância das informações exisenes no mercado como um indicador anecipado da produção. Ainda, segundo o auor, previsões confiáveis são necessárias, pois diminuem o empo enre as requisições de compras e as enregas. Segundo Monks (1987), as previsões são uma avaliação de um fuuro de incerezas com o propósio de usar de melhor forma as informações disponíveis para deerminar meas da empresa. O auor complemena o conceio afirmando que as boas previsões permiem aos adminisradores planejar de forma adequada os níveis de pessoal, maéria-prima, capial, esoques ec. Moreira (1993) define a previsão de demanda como um processo de busca de informações sobre as vendas fuuras de um deerminado produo ou um grupo de produos. Exisem diversos méodos de previsão de demanda, Mayer (1977) divide as écnicas de previsão de demanda em: Opinião Coleiva: busca de informações juno a vendedores, fornecedores, gerenes sobre esimaivas de vendas para suas respecivas áreas; Indicadores econômicos: busca juno ao mercado indicadores econômicos e ena idenificar uma relação direa ou correlação enre as vendas de alguns ou de odos seus produos e esse indicadores; Análise de séries emporais: analisa suas vendas passadas, para deerminar se exise uma endência. Essa endência é, enão, projeada para o fuuro e as vendas resulanes reveladas são usadas como base para uma previsão. 20

35 21 Moreira (1993) assegura que independene do méodo uilizado, alguns faores devem ser observados, enre eles os principais são: disponibilidade de dados; empo e recursos; horizone de previsão. Independene desses faores Moreira (1993, p. 318) expõe que algumas caracerísicas são comuns a odos os méodos, e cia as seguines: Os méodos de previsão geralmene assumem que as mesmas causas que esiveram presenes no passado, configurando a demanda, coninuarão presenes no fuuro. Isso quer dizer que o comporameno do passado é base para inferir o comporameno do fuuro. Os méodos conduzem a resulados perfeios, e a chance de erro é ano maior quano mais aprofundamos no fuuro, ou seja, quano maior seja o nosso horizone de previsão. Isso aconece porque os faores aleaórios, que nenhuma previsão consegue capar, passam a exercer mais influência (MOREIRA, 1993, p. 318). Os méodos de previsão de demanda podem ser classificados por diversos criérios, mas segundo Moreira (1993) a classificação mais simples considera o ipo de insrumeno e conceios que foram usados na base da previsão. Nesa linha o méodo de previsão pode ser classificado em: Qualiaivo: quando a previsão é feia com base nos julgamenos de pessoas que enham informações suficienes para opinar sobre o assuno; Quaniaivos ou Maemáicos: uilizam modelos maemáicos para fazer as previsões, permiindo conrole do erro. Ao se realizar uma previsão de demanda uma variável que deve ser avaliada é o período de empo da previsão, segundo Buffa (1972) a previsão de demanda pode ser feia levando-se em consideração rês períodos diferenes de empo: Fuuro imediao: em base nas operações correnes; Fuuro inermediário: considera rês ou cinco anos próximos; Longo prazo: períodos superiores a cinco anos. Um ouro faor que em influência na previsão de demanda é a classificação do ipo de demanda. Moreira (1993) afirma que exisem dois padrões de demanda, um classificado como dependene e ouro como independene. A demanda dependene esá relacionada à produção inerna de ouros produos, basicamene ela em relação com o consumo de maeriaprima. Já a demanda independene em relação com o produo acabado, esá ligada direamene ao mercado exerno.

36 22 Todos os auores razem a imporância da previsão de demanda, os méodos e caracerísicas que devem ser observados. Mas Corrêa (2007) apresena um ouro elemeno que em grande imporância na previsão, a habilidade de prever demanda. Para o auor: Habilidade de prever a demanda é muio imporane para que a empresa saiba uilizar odas as ferramenas disponíveis para conseguir anecipar a demanda fuura com alguma precisão. Isso pode envolver, formar e maner base de dados hisóricos de vendas, assim como informações que expliquem suas variações e comporameno no passado, uilizar modelos maemáicos adequados que ajudem a explicar o comporameno da demanda, compreender como os faores ou variáveis inernas (promoções ec.) e exernas (clima, condições econômicas ec.) influenciam o comporameno da demanda, colear informações relevanes do mercado e ser capaz de derivar daí uma esimaiva da demanda fuura (CORRÊA, 2007, p. 239). Nas palavras do auor é possível mais uma vez idenificar a imporância da previsão de demanda. Ele raz novas variáveis que devem ser pensadas na hora de planejar um processo de previsão de demanda. Essas variáveis são: ferramenas, armazenameno de dados hisóricos, conhecimeno de modelos maemáicos, compreensão das variáveis inernas e exernas. Corrêa (2007) afirma que para se fazer uma boa previsão, levando-se em consideração essas variáveis, a empresa precisa maner um canal de comunicação com o mercado e aravés dese, razer informações dos clienes e do mercado para a empresa. A visão de Corrêa sobre previsão de demanda vem ao enconro dos objeivos desse esudo, quando o auor descreve a imporância de se ober informações que expliquem as variações de demanda e o uso de modelos que ajudem a compreender a influência de variáveis inernas e exernas no comporameno da demanda. Nesse esudo a fone de variáveis exernas foi o Big Daa, o processo para idenificação dessas variáveis o Daa Mining, e o modelo de previsão de consumo de aço, demanda dependene, foi o insrumeno usado para a análise das informações em um processo de Ineligência Compeiiva Séries Temporais As séries emporais são conjunos de observações de uma deerminada variável ordenada conforme uma unidade de empo (CAMARGO; SOUZA, 1996), para Souza (1989), uma série emporal é a classe de fenômenos cujo processo observacional e consequene quanificação numérica gera uma sequência de dados disribuídos no empo. Pelas definições fica evidene que uma série emporal é uma sequência de valores que uma deerminada grandeza assume em inervalos de empo. A variável independene em

37 uma série emporal é o empo, e dependendo da unidade de empo adoada, a série pode ser classificada em discreas e conínuas. Uma série é classificada como conínua quando a variável empo pode assumir qualquer valor em um inervalo infinio não-numerável (CAMARGO; SOUZA, 1996), sendo a série represenada por Z (). Já em uma série discrea, a unidade de empo deve assumir valores denro de um conjuno finio e numerável, podendo ser represenada por X T = { x1, x2, K, xt }, sendo que cada observação discrea x T esá associada a um insane de empo disino, exisindo uma relação de dependência serial enre essas observações (SOUZA, 1989). O objeivo principal de se esudar uma série emporal esá relacionado com a realização de inferências sobre as propriedades da série ou caracerísicas do mecanismo gerador da mesma (GRANGER, 1977). Conhecendo as propriedades e as caracerísicas de seu funcionameno é possível consruir um modelo maemáico que a represene o que ajudará a previsão de valores fuuros da série (GRANGER, 1977). Uma previsão de uma série emporal é a descobera de valores fuuros da série (CAMARGO; SOUZA, 1996, p. 11), ou, uma previsão é uma esimaiva quaniaiva (ou conjuno de esimaivas) acerca da verossimilhança de valores fuuros de evenos fuuros baseada na informação aual e passada. Morein e Toloi (1981) afirmam que a previsão não consiui um fim em si, mas é uma forma de ober informações e subsídios para uma consequene omada de decisão, visando aingir deerminados objeivos. A previsão de uma série emporal é uma esimaiva dos possíveis valores que ela pode assumir fora do inervalo de empo em que a série foi observada. Camargo e Souza (1996) afirmam que as previsões podem ser classificadas em: Prazo imediao: menor que um mês, nese caso o ideal é er dados diários ou semanais; Curo prazo: enre um mês e rês meses, nese caso o ideal é er dados semanais e mensais; Médio prazo: enre rês e seis meses, o ideal é er dados mensais e rimesrais; Longo prazo: um ano ou mais, o ideal é er dados mensais, rimesrais ou anuais. Exisem diversos méodos de previsão de séries emporais, enre eles: Méodos de Decomposição de Séries Temporais; 23

38 24 Média Móvel; Alisameno Exponencial Simples; Alisameno Exponencial Linear; Alisameno Exponencial Sazonal e Linear de Winer; Modelo Auorregressivo e de Médias Móveis; Modelo de Box e Jenkins; Nese rabalho foi esudada a série emporal de consumo de aço da empresa Alfa, para o período de janeiro de 2007 a maio de 2012, com o objeivo de consruir um modelo de previsão de consumo de aço. Para idenificação do modelo de previsão de consumo foi uilizado um modelo Box Jenkins com função de ransferência Modelos univariados de Box e Jenkins Os modelos univariados de Box e Jenkins são uma meodologia basane uilizada para consrução de modelos paraméricos (MORETTIN; TOLOI, 2006) e são capazes de manipular séries emporais de qualquer naureza além de er como objeivo a consrução de um modelo Auorregressivo Inegrado de Médias Móveis (ARIMA). A meodologia desenvolvida por Box e Jenkins se caraceriza por inerprear uma série emporal como resulado de um veor aleaório mulivariado com dimensão definida pela série (CAMARGO; SOUZA, 1996). O objeivo da meodologia é buscar e deecar o sisema gerador da série aravés de informações da própria série (CAMARGO; SOUZA, 1996). O processo de consrução de um modelo ARIMA de previsão consiui-se de ciclo ineraivo (MORETTIN; TOLOI, 2006), onde a esruura do modelo é consruída aravés dos próprios dados. Segundo Morein e Toloi (2006), o ciclo de consrução do modelo respeia cinco eságios: especificação de uma classe geral de modelos para análise; idenificação de um modelo, com base na análise de auocorrelações, auocorrelações parciais e ouros criérios; esimação dos parâmeros modelo; verificação do modelo ajusado aravés de uma análise de resíduos. Se ao final de um ciclo o modelo não esiver adequado, o ciclo é repeido aé que se enconre um modelo que melhor se ajuse ao conjuno de dados, ou seja, o modelo que apresena o menor erro de previsão (MORETTIN; TOLOI, 2006).

39 25 Camargo e Souza (1996) afirmam que além do ciclo ineraivo a série deve respeiar o princípio de parcimônia, o qual deermina que a série deve ser modelada com o menor número de parâmeros possíveis, com iso será obida uma represenação maemáica adequada. Para se consruir o modelo de Box Jenkins devemos inicialmene definir as funções de auocorrelação (ACF) e auocorrelação parcial (PACF). Essas vão verificar se a série emporal é esacionária ou não, além disso, vão deerminar a ordem dos modelos de Box e Jenkins. A série emporal é classificada como esacionária quando se desenvolve ao longo do empo de forma aleaória ao redor de uma média consane, represenando um equilíbrio esável (MORETTIN; TOLOI, 1987). Segundo Bueno (2008, p 15), o conceio de esacionariedade é a principal ideia que se deve er para esimar uma série emporal. Se o processo esocásico que gerou a série de observações é invariane com relação ao empo, dizse que o mesmo é esacionário (CAMARGO; SOUZA, 1996, p. 27). Camargo e Souza (1996) desacam que a imporância de uma série ser esacionária ou não esá direamene relacionada ao fao de se esar na presença de um processo que em a mesma forma o empo odo, o que facilia a obenção de esimaivas das caracerísicas da série de forma basane simples. Uma série emporal esacionária apresena ambos os coeficienes ACF e PACF endendo a zero, enquano que as séries não-esacionárias apresenam coeficienes significaivamene diferenes de zero para vários períodos de empo da série emporal (BOX; JENKINS; REINSEL, 1994). A função de auocorrelação (ACF) deermina a auocovariância padronizada da série, que em como objeivo medir o comprimeno da memória do processo, ou seja, ela esima a dependência enre valores omados em insanes de empo disinos e + k, onde k represena a diferença de empo enre os inervalos. A auocorrelação com defasagem de empo k é definida como: ρ k γ k = γ o = Cov [Y, Y Var(Y ) Var(Y +k ] +k ) (1) onde: Var (Y ) = Var (Y +k ) = γ 0 = variância do processo ρ 0 = 1 e, ρ k = ρ -k.

40 A função de correlação é simérica sobre a k = 0 e a parir dela é possível consruir um gráfico dos coeficienes de auocorrelação ρ k versus k que denominamos correlograma. A função de auocorrelação amosral represena a auocovariância enre as médias de amosras da mesma variável em insanes disinos de empo e em com objeivo medir a dependência enre os dados de diversas amosras em momenos disinos. Em uma série emporal Y 1, Y 2,..., Y n, a auocorrelação amosral é dada por: k = 1 k = = n ˆ γ o n k ( Y Y )( Y + k Y ) ˆ γ ˆ ρ, k = 0, 1, 2,. ( Y Y ) = 1 2 Para Box e Jenkins (1976), o amanho da amosra é fundamenal para se ober uma boa esimaiva da função de auocorrelação. Eles esimam que uma amosra deve er no mínimo 50 observações e as auocorrelações 26 (2) ρˆ k seriam calculadas para k = 0, 1,..., j, onde j não deve ser maior que 4 n, onde n represena o número de observações. A auocorrelação parcial (PACF) mede a correlação enre duas observações seriais disinas Y e Y +k onde a dependência enre os ermos inermediários, Y +1, Y +2, Y +k-1, é eliminada. A PACF é uma medida de ordem k e em condicionameno ao conhecimeno das auocorrelações de ordem inferior a k, a PACF é definida por Φ kk e dada por: Φ kk = Sendo: ρ * k ρ k ρ k: é a mariz de auocorrelação; ρ k : é o deerminane da mariz de auocorrelação; (3) * ρ k : é a mariz que difere de ρ k somene pela úlima coluna, subsiuída por {ρ 1, ρ 2,..., ρ k} * ρ k * : é o deerminane da mariz ρ k. Box, Jenkins e Reinsel (2008, p. 8), definem o operador de ranslação B que represena a defasagem para k períodos de empo para rás e que será usado nese exo amplamene, por: BZ = Z -1 B²Z = Z -2 M

41 27 B k Z =Z -k (4) SZ = Z j j= 0 O operador soma é definido por: = Z + Z +... = (1+ B + B² +...) Z -1 Para Box, Jenkins e Reinsel (2008, p. 8), ouro operador muio imporane é o operador diferença, que consise em omar diferenças sucessivas da série original, sendo definido por: d d = ( 1 B) (6) Os modelos univariados de Box e Jenkins podem ser classificados em modelos com inervenção e sem inervenção. Nos próximos capíulos serão apresenados esses dois grupos de modelos e suas respecivas definições. (5) Modelos univariados de Box e Jenkins sem inervenção Um modelo é classificado como univariado por represenar somene o esudo de uma única série emporal. Ese ipo de modelo é denominado de sem inervenção quando não exise impaco de um elemeno exerno no comporameno de uma deerminada série emporal. A inervenção pode ser caracerizada por modificações de legislação, crises políicas, crises econômicas, modificações do clima, ec. Os modelos univariados sem inervenção podem ser: Modelo Geral; Modelo ARIMA(p,d,q); Modelo Auorregressivo de ordem p AR(p); Modelo de Média Móvel de ordem q MA(q); Modelos Misos Auorregressivos de Média Móvel ARMA(p,q) Modelo Geral Uma das ferramenas imporanes para o esudo e modelagem de séries emporais é o modelo Auorregressivo Inegrado de Médias Móveis Sazonal (SARIMA) de ordem (p,d,q)x(p,d,q)s, descrio por Box e Jenkins (1976). Ese modelo é represenando por: s s D s φ (B) Φ(B )(1- B ) Y = θ(b) Θ(B )a (7)

42 onde: φ(b) = (1 - φ 1 B φ p B p ), operador não sazonal auorregressivo (AR) ou polinômio de ordem p al que as raízes da equação caracerísica φ(b)=0 devem esar fora do círculo uniário (φ(b) um polinômio em B de grau p, enha odas as suas raízes φ(b)=0 maiores que 1, em valores absoluos, ou seja, odas as raízes devem esar fora do círculo uniário para garanir a esacionariedade e os φ i, i=1,2,..., p são os parâmeros auorregressivos não sazonais; = 0, 1 ou 2; d = (1 - B) d, onde d é o operador diferença não sazonal de ordem d, usualmene d B: operador de reardo, al que, B k Z = Z -k; Φ(B s )= (1 - Φ 1 B s Φ P B Ps ), operador sazonal auorregressivo (AR) ou polinômio de ordem p al que as raízes da equação caracerísica Φ(B s )=0 devem esar fora do círculo uniário para garanir a esacionariedade e os Φ i, i=1,2,..., p são os parâmeros auorregressivos sazonais; θ(b) = (1 - θ 1 B θ q B q ), operador não sazonal médias móveis (MA) ou polinômio de ordem q al que as raízes da equação caracerísica θ(b)= 0 devem esar fora do círculo para garanir a inversibilidade do processo e os θ i, i=1,2,..., q são os parâmeros médias móveis não sazonais; Θ(B) = (1 - Θ 1 B s Θ q B Qs ), operador sazonal de médias móveis (MA) ou polinômio de ordem q al que as raízes da equação caracerísicas Θ (B s )= 0 devem esar fora do círculo para garanir a inversibilidade do processo e os Θ i, i=1,2,..., q são os parâmeros de médias móveis sazonais; a : processo de ruído branco, normalmene e idenicamene disribuído, com média zero e variância consane σ ou seja, NID (0, σ ); 2 a Y : é a série em esudo para o período ; 2 a (AR): operador não sazonal auorregressivo que modela a dependência de um valor aual sobre os valores passados; (I): operador de inegração que remove a endência de uma série emporal, ornandoa esacionária; (MA): operador não sazonal de média móvel, onde os valores auais são dependenes de erros de previsão de períodos passados; p: ordem máxima dos parâmeros auorregressivos simples; 28

43 29 d: número de diferenciações não sazonais aplicadas para ornar a série emporal esacionária; q: ordem máxima dos parâmeros de média móvel simples; P: ordem máxima dos parâmeros auorregressivos sazonais; D: número de diferenciações sazonais aplicadas para ornar uma série emporal esacionária; Q: ordem máxima dos parâmeros de média móvel sazonal; s: comprimeno sazonal Modelo ARIMA(p,d,q) Os modelos Auorregressivos Inegrados de Médias Móveis (ARIMA (p,d,q)) são resulado de um procedimeno onde uma série série Z, porano pode-se afirmar que W é obida aravés da diferenciação de uma Z é uma inegração de inegrado, além de ser auorregressivo (CAMARGO; SOUZA, 1996). W o que orna o modelo O processo de diferenciação ocorre quando se em uma série não esacionária e, deve-se, anes de ajusá-la a um modelo esacionário (MA, AR, ARMA), orná-la esacionária pela remoção de padrões não esacionários, por exemplo endência e sazonalidade, da série emporal analisada. A diferenciação em como objeivo ornar a série esacionária em relação a sua média e para orná-la esacionária em relação à variância, devemos realizar ransformações logarímica, raiz quadrada ou exponencial (MAKRIDAKIS; WHELLWRIGHT; HYNDMAN, 1998). Os modelos ARIMA (p,d,q) parem, ambém, da ideia de que série emporal Y é uma realização paricular de um processo esocásico gerado pela passagem sucessiva de um processo ruído branco a a uma sequência de dois filros lineares: um esável e ouro insável. Não exise uma deerminação do número de filragens que devam ser realizadas, o processo deve ser repeido aé que se obenha, na saída, um processo com as caracerísicas necessárias para represenar o processo não esacionário homogêneo. Para aplicação de um modelo ARIMA uma condição necessária é que o processo que gerou a série emporal seja esacionário de segunda ordem, ou seja, que sua média e variância sejam consanes no empo. No modelo ARIMA(p,d,q) o parâmero d represena o grau de diferenciação necessário à esabilização dos dados e é obido aravés da análise do correlograma. Quando o correlograma decresce de forma exponencial, realiza-se o número necessário de

44 30 diferenciações na série aé que o correlograma mude abrupamene para um valor qualquer, pois nese momeno a série será considerada esacionária. A ordem p é deerminada pela função de correlação parcial (PACF) da série esudada, se a série for somene auorregressiva ARIMA(p, d, 0), a função de auocorrelação parcial sofrerá uma queda repenina; caso conrário devemos fazer uma análise dos esimadores aé que a ordem de defasagem do correlograma desa função indique se ela é esaisicamene auorregressiva e esa será sua ordem auorregressiva. O parâmero q represena a ordem máxima dos parâmeros de média móvel simples. Se w d = Y é esacionária o parâmero d assume o valor nulo já que não é preciso diferenciar a série para orná-la esacionária, porano pode-se represenar w por um modelo ARMA (p,q), ou seja: Φ (B) w = Θ (B) a (8) Se w é uma diferença de Y, enão Y é uma inegral (soma) de w, daí diz-se que Y segue um modelo Auorregressivo Inegrado de Médias Móveis, ou modelo ARIMA(p,d,q) d (CAMARGO; SOUZA, 1996), assim: Φ ( Θ a de ordem (p,d,q) (9) d B ) Z = ( B) Modelo Auorregressivo de ordem p AR(p) O modelo AR(p) é definido pela equação (10), represenando uma regressão da variável dependene em função dos valores hisóricos. Essa equação pode ser represenada em ermos do operador B, aravés da equação (11), ou de sua forma simplificada na equação (12), descria a seguir (BOX; JENKINS; REINSEL, 1994): φ Y φ Y φ Y Y + = µ p p ε (10) ε 2 φ φ B... φ 1 2 p B Y p = (1 (11) B ) ε = φ( (12) B)Y onde: µ: consane; φ i : coeficiene auorregressivo do período i;

45 31 ε : erro aleaório do período ; φ (B) : polinômio auorregressivo de ordem p. Fazendo-se π j = 0, j > p, no modelo π(b) Auorregressivo de ordem p, denoado por AR(p), iso é: = 1Y 1 + φ2y φ py p Y ~ = a, obém-se um modelo chamado de ~ ~ ~ ~ Y φ + a (13) Definindo-se o operador auorregressivo de ordem p: φ( B) = 1 φ 1 2 p 1B 1 φ2b K φ p B (14) em-se: ~ φ ( B ) Y = a (15) O modelo AR(p) é invercível ao se verificar que 2 p φ( B) = 1 φ1b 1 φ2b K 1 φ p B é finio. Por ouro lado, para φ(b) convergir, as raízes de φ(b) = 0 devem cair fora do círculo uniário, ou seja, um modelo AR(p) é esacionário, se odas as raízes de φ(b) = 0 caírem fora do círculo uniário Modelo de Média Móvel de ordem q MA(q) passados ( ε q O modelo de média móvel MA(q) realiza a regressão da variável Y com os erros ), conforme as equações (16) e (17), sendo que, esa úlima, represena a forma polinomial da equação (16) (BOX; JENKINS; REINSEL, 1994). θ 1e θ 2e θ qe Y µ... + = 1 2 q e (16) Y e = θ ( B) (17) onde: θi : coeficiene de média móvel do período i; θ (B) : polinômio de média móvel de ordem q. Fazendo-se Ψj = 0, j > q, no modelo: Y = µ + a + Ψ 1 a 1 + Ψ 2 a (18)

46 Obém-se o processo de Médias Móveis de ordem q, denoado por MA(q). Usualmene emprega-se a noação -θ j, ao invés de Ψ j, ou seja, Ψ 1 = -θ 1, Ψ 2 = -θ 2,..., Ψ q = -θ q e Ψ k = 0, se k>q. Assim, um MA(q) em a forma: Y = µ + a - θ 1 a θ q a q (19) ou seja: Y ~ = (1 - θ 1 B θ q B q ) a = θ(b)a (20) sendo: θ(b) = 1 - θ 1 B - θ 2 B² θ q B q (21) o operador de médias móveis, de ordem q. Com relação à esacionariedade e à inversibilidade do modelo, dado que Ψ(B) = θ(b) = 1 - θ 1 B - θ 2 B² θ q B q, não há resrições sobre os parâmeros θ j para que o processo seja esacionário. Por ouro lado, pode-se verificar que a condição de inversibilidade para um MA(q) é que as raízes de θ(b)=0 caiam fora do círculo uniário Modelos Misos Auorregressivos de Média Móvel ARMA(p,q) Os modelos auorregressivos e de Média Móvel ARMA(p,q) resulam da combinação das caracerísicas dos modelos AR(p) e MA(q). Se a série esudada for esacionária, ela pode ser modelada aravés do modelo ARMA(p,q). As equações (22) e (23) represenam o modelo (BOX; JENKINS; REINSEL, 1994): Y φ Y φ Y e θ 1e = µ p p 1 θ q e q (22) Y e φ ( B ) = µ + θ ( B) (23) Os modelos ARMA(p, q) conêm ermos auorregressivos e de médias móveis, sendo, porano, dados por: ~ ~ ~ Y = Φ Y Φ py p + a θ a... θqa (24) q onde, considerando-se φ(b) e θ(b) como os operadores auorregressivos e de médias móveis, respecivamene, pode-se escrever um ARMA(p, q) na forma: φ(b) Y ~ = θ(b)a (25)

47 Modelos univariados de Box e Jenkins com inervenção Os modelos univariados com inervenção levam em consideração o impaco de variáveis exernas no comporameno da série emporal. Esses modelos foram desenvolvidos por Box e Tiao (1975), eles se caracerizam por serem um caso especial dos modelos de função ransferência de Box e Jenkins (1970), nos quais as variáveis de enrada são aconecimenos exógenos e de naureza deerminísica que são denominadas de inervenções quando o momeno de ocorrência é conhecido a priori. É possível mencionar como exemplos de inervenções: greves, alerações legislaivas, crises econômicas, decisões políicas, perurbações climáicas, campanhas de publicidade e promoção, ec. Para Box e Jenkins (1970), os modelos de inervenção são uma generalização de méodos usados para a análise de dados, usualmene não expressos na forma de séries emporais, aos quais os esaísicos referem-se pelo íulo geral de Delineameno e Análise de Experimenos. Uma caracerísica imporane dos modelos com inervenção é a sua capacidade de descrever um grande número de efeios simulâneos, apesar de sua simplicidade. k =1 A equação (26) apresena o modelo proposo para a análise de inervenção: Y = ν ( B) I + η i j, (26) onde: Y é a variável-resposa do modelo; k é o número de inervenções da série; ν i (B) é o valor da função e ransferência ; I j, é a variável binária; η é o ruído do modelo, represenado por um modelo ARIMA. Nos modelos de Box e Jenkins, é necessário que a série seja esacionária, ou seja, não apresene endência e sazonalidade. Assim, o modelo (26) pode ser expresso pela equação (27) por meio de um modelo ARMA(p,q) com inervenção (BOX; TIAO, 1975). Yˆ ϖ ( B) B k b j θ ( I j, + j= 1 δ j ( B) φ( = B) a B) (27) onde:

48 34 Ŷ = variável esimada pelo modelo no período ; φ(b) = (1 - φ 1 B φ p B p ), é o polinômio Auorregressivo não sazonal de ordem p; θ(b) = ( 1- θ 1 B θ q B q ), é o polinômio de médias móveis não sazonal de ordem q; a = é uma sequência de ruído branco que segue uma N(0, 2 σ a ); I j, : represena as variáveis de inervenção para j= 1,..., k; para a observação () onde ocorreu a inervenção. s ϖ (B) = ( ϖ ϖ B... ϖ B ) (28) j 0 1 s s ϖ (B) = ( ϖ ϖ B... ϖ B ) (29) j 0 1 s r δ (B) = ( δ δ B... δ B ) (30) j 0 1 r Os efeios iniciais da inervenção são represenados na equação pelos ϖ ' is e os efeios permanenes são represenados pelos δ ' is. A inervenção em como caracerísica mudar abrupamene a série para cima ou para baixo após um deerminado momeno ou após um espaço de empo. Os efeios dessas mudanças podem ser permanenes ou emporários, se emporários a série ende a er o mesmo comporameno anerior à inervenção. Uma forma de caracerizar e quanificar a naureza e a magniude dos efeios é disinguir os ipos de variáveis de inervenção. A disinção se dá pela análise do momeno da inervenção e pelo inervalo de auação sobre a série, assim é possível caracerizar os seguines ipos de variáveis de inervenção: Função degrau: quando a inervenção ocorre no insane T e permanece auando na série; Função impulso: quando a inervenção ocorre no insane T e em efeio apenas nese insane; Função de impulso sazonal: quando a inervenção ocorre em um insane T e em efeio nos insanes múliplos de T. Quando não é possível idenificar os insanes T de ocorrência de fenômenos que êm influência sobre as séries a priori, os dados desa série recebem o nome de ouliers ou ponos fora da curva, a idenificação de ouliers em uma série emporal é fundamenal para o

49 35 desenvolvimeno do modelo, pois a sua presença pode disorcer as auocorrelações e as auocorrelações parciais endo efeio subsancial na especificação do modelo (BOX; JENKINS, 2008). A deecção de ouliers em séries emporais foi inicialmene inroduzida por Fox (1972), ao propor dois modelos paraméricos: Addiive Oulier e Innovaion Oulier. Mais recenemene auores como Tsay (1986,1988), Chang; Tiao; Chen (1988) e Ljung (1993), êm proposo méodos ieraivos para a idenificação de diferenes ipos de ouliers e alguns procedimenos para a especificação dos respecivos modelos. Quaro modelos paraméricos podem ser uilizados para enar idenificar ouliers, são eles: Addiive Oulier: é usado para função do ipo impulso, ou seja, quando o efeio ocorre apenas no insane T, o modelo é definido por: Y = X θ B ( T ) + ω I = + φ ( q ) ( ) a T ωi p ( B) (31) Onde X represena a série sem a presença de ouliers, que segue um processo ARMA(p,q) invercível e esacionário: (T) φ ( B)Z = θ (B) a e I é uma variável binária que p q (T) indica a presença ou ausência de um oulier no momeno T, aravés da relação: I = 1 se =T (T) e I = 0 se T. Innovaion Oulier : pode ser viso como um choque na série residual, cujo efeio se faz senir em odas as observações a parir do momeno ( Y, Y +1, Y +2,...) segundo a esruura do sisema descrio por θq(b)/φp(b). Pode descrever-se aravés da relação, Y θ q B) = ( a φ ( B) θ q ( B) + ωi φ ( B) ( ( T ) ( T ) ) + ωi = X p p ) (32) Level Sep: quando a variável do ipo degrau, cujo efeio ocorre em um insane T e maném-se auando depois desse momeno, sendo definido aravés da expressão: Y = X ω + I 1 B θ q ( B) = a φ ( B) ω + I 1 B ( T ) ( T ) p ) (33)

50 36 Transien Change: refere-se a um choque na série para T, cujo efeio ende a diminuir a um rimo exponencial após um impaco inicial. Ese oulier é definido aravés do modelo: Y = X ω + I 1 B θ q ( B) = a φ ( B) ω + I 1 δb ( T ) ( T ) p ) (34) onde 0<d<1. Generalizando, uma série com k ouliers de diferenes ipos pode ser represenada pela seguine relação: Y = X + ω υ (B) I i i T (35) onde X = θ q (B)/φ p (B)a ; υ i (B) = 1 para um addiive oulier, υ i (B) = θ q (B)/φ p (B) para um innovaion oulier, υ i (B) = 1/(1-B) para um level sep e υ i (B) = 1/(1-δB) para um ransien change ; e I ( T i) = 1 se =T i e I ( T i) = 0 se T i Eapas para a consrução de um modelo de previsão A meodologia Box e Jenkins de consrução de modelo de previsão para séries emporais segue quaro eapas (BOX; JENKINS, 1976), conforme represenação da Figura 3: A primeira eapa da consrução de modelos de previsão consise não só na análise como ambém na preparação dos dados e seleção do modelo que melhor descreve o comporameno da série emporal enre os vários modelos de Box e Jenkins. Para a seleção do modelo é necessário idenificar a ordem dos parâmeros p, q e d: O primeiro parâmero a ser idenificado é o grau de diferenciação d necessário à esabilização dos dados. A idenificação dese parâmero é feia aravés da análise do correlograma dos valores das auocorrelações (ACF) em relação aos lags k. Se o correlograma descrever uma série não esacionária, ou seja, se as auocorrelações decrescerem de forma linear, devemos realizar diferenciações na série aé que o comporameno do correlograma apresene uma mudança abrupa para um valor qualquer de auocorrelação, idenificando nese momeno uma série esacionária.

51 37 Figura 3 Fluxograma do ciclo ieraivo de Box e Jenkins. Idenificação Escolha de um ou mais modelos candidaos (SARIMA) Esimação dos parâmeros do modelo Verificação O modelo é adequado? Análise dos resíduos Não Sim Previsão Uilização do modelo para fazer previsões Fone: Adapado de Box; Jenkins (1970). O segundo parâmero a ser idenificado é o p que indica a ordem máxima dos parâmeros auorregressivos simples, a deerminação do p é dada pela verificação da função de auocorrelação parcial (PACF) da série. Por fim devemos idenificar o parâmero q que indica a ordem máxima dos parâmeros de média móvel simples. A idenificação do modelo que melhor descreve o comporameno da série pode ser feia por diversos procedimenos, enre os quais: Criério de Informação de Akaike (AIC) (AKAIKE, 1973, 1974) para processos ARIMA (OZAKI, 1977), dado por: 2 N AIC( p, d, q) = N ln( ˆ σ a ) + 2( p + q + 1+ δ 0 + N ln(2π + N) N d (36) Onde: δ 0 1, d = 0 = 0, d 0 N é o número de observações da série em esudo; 2 ˆσ a = variância esimada dos resíduos;

52 38 p, q= graus dos polinômios φ(b) e θ(b); d é o número de diferenças uilizadas para esacionarizar a série. Criério Bayesiano (BIC) (AKAIKE, 1977) ambém conhecido por BIC (Bayesian Informaion Crierion), é dado pela seguine expressão: 2 ln( N) k BIC( p, d, q) = ln( ˆ σ a ) + ( p + q) N (37) onde: k é o número de parâmeros. O objeivo dos criérios é idenificar a ordem do modelo SARIMA a ser uilizado, diminuindo a possibilidade do ajuse de modelos que possuem uma grande quanidade de parâmeros. Os dois criérios se equivalem e buscam medir a verossimilhança dos modelos e a parcimônia paramérica além de erem base na previsão realizada denro da amosra. O criério para seleção do modelo esá relacionado como o valor do AIC ou BIC, quano mais próximo de zero for o valor calculado, melhor será o ajuse e maior a parcimônia (HAIR JR. e al., 2005). A segunda eapa consise na esimação de parâmeros dos poenciais modelos e a variância dos erros. Deve-se verificar a aleaoriedade dos resíduos, que é feia aravés do méodo de máxima verossimilhança, para poserior idenificação do modelo e após, esimar os parâmeros. Para esar se um parâmero é zero ou não, pode-se usar a esaísica de suden, ou seja: Esimaiva do parâmero = Esimaiva do desvio padrão desse parâmero (38) A hipóese nula é que o parâmero é igual a zero, e deve ser rejeiada quando o valor absoluo dessa esaísica é maior que 1,96. A erceira eapa consise na verificação da adequação do modelo. Esa eapa avalia o ajuse do modelo aravés do comporameno da função de auocorrelação dos resíduos ˆ ρ ( a), dadas por: k

53 39 n-k ( a a)( a+ k a) = 1 ˆ ρ k (a) = (39) n ( a a)² = 1 por: A esaísica de ese uilizada para avaliar cada auocorrelação residual é a, dada = ˆ ρ ( a) k s[ ˆ ρ ( a)] k (40) sendo s(ˆ ρ ) um esimador do desvio padrão de s( ρ ), que é dado por: k k s(ˆ ρ k 1 1/ 2 2 1/ 2 k ) = n [1 + 2 ρˆ j ] j= 1 (41) onde: n é o número de elemenos da série de resíduos. A hipóese nula a ser esada é H 0 : ρ k (a) = 0, para cada auocorrelação residual. Os limies de confiança para o desvio padrão das auocorrelações dos resíduos são dados por: 2 ( ˆ ( )) = 1/ [1 + 2 LC ρ k a n = k 1 j 1 2 ˆ ρ ] j 1/ 2.( ± 2) (42) Na práica, se < 1,25, nos lags 1, 2 e 3 e < 1,6 nos demais lags, conclui-se que os erros são não correlacionados. Caso conrário, rejeia-se H 0, ou seja, conclui-se que os erros são correlacionados. Ouro ese uilizado é o ese de Pormaneau, proposo por Box e Jenkins (1970), 2 sendo modificado para o ese Q, seguindo uma disribuição de χ (Qui-quadrado), em-se a hipóese nula: H 0 : ρ 1 (a) = ρ 2 (a) =... = ρ v (a) = 0 A esaísica do ese é: Q * = N ( N + 2) υ k = 1 ( N k ) 1 2 ρ k ( a ) (43) Sendo N é o número de observações usadas para esimar o modelo e v o número de auocorrelações. A disribuição de Q* é aproximadamene qui-quadrado com (υ-m) graus de

54 40 liberdade, sendo m o número de parâmeros esimados no modelo SARIMA. Pode-se esar a validade do modelo, denro de um nível de significância, comparando o valor de Q* com o valor abelado da disribuição qui-quadrado. A úlima eapa é a da exrapolação dos dados hisóricos aravés do modelo enconrado. Nesa eapa devemos avaliar os resulados enconrados, uma das medidas de avaliação muio usada é o Mean Absolue Percen Error (MAPE), ambém conhecido como erro médio percenual absoluo. Esa esaísica em como finalidade indicar o erro percenual absoluo médio das previsões sobre odo o conjuno de ese, sendo expressa pela seguine equação: MAPE = n Y Y = Y n 1 (44) onde: Y é o valor aual da série; Yˆ o valor previso; n é o número de observações uilizadas para cálculo do MAPE. Nesa úlima eapa é uilizado o modelo de Box e Jenkins para verificar se modelo é adequado para a previsão de observações fuuras, ou seja, se ele descreve o comporameno dos dados da série o mais próximo possível dos dados reais. Se o modelo não cumprir esa função, o ciclo de Box e Jenkins (1970) deve ser repeido Modelo de Função de ransferência Os modelos apresenados aneriormene são modelos univariados, ou seja, modelos de previsão que descrevem o comporameno de uma série emporal com base somene em seu passado. Os modelos de função de ransferência êm como objeivo descrever o comporameno de uma série com base no seu comporameno passado e no comporameno de ouras séries emporais que podem explicar o comporameno da série esudada. Nese ipo de modelo a série emporal Y é causada de forma casual unidirecional pelas variáveis X 1,, X 2,,..., X k,.

55 Modelos de Função de Transferência de Box e Jenkins com Múliplas Enradas A análise de séries emporais mulivariadas é um méodo que busca descrever as relações enre diversas séries emporais (BOX, JENKINS, REINSEL, 2008). A meodologia adoada consise em considerar as séries esudadas com componenes de um veor de séries emporais. O esudo dese veor busca descrever o esudo das relações exisenes enre os componenes dele (BOX, JENKINS, REINSEL, 2008). Ese procedimeno é necessário quando as séries esudadas êm um relacionameno simulâneo ao longo de um período de empo. Para o esudo de processos mulivariados, um quadro é necessário a fim de descrever não apenas as propriedades da série individual mas ambém as possíveis relações ransversais enre as séries e as relações possíveis enre ransversais da série (BOX, JENKINS, REINSEL, 2008). A compreensão das relações exisenes enre as séries se dá aravés do esudo da esruura das correlações enre os componenes da série com o objeivo de deerminar um modelo que represene esas relações ao longo do empo para assim melhorar a precisão das previsões das séries individuais (BOX, JENKINS, REINSEL, 2008). Nos modelos mulivariados vamos considerar um veor de dimensão k que represena um conjuno de séries emporais de comprimeno n n, X j,, = 1, 2,..., N, j = 1, 2,..., k são suposas exógenas e a série Y, = 1, 2,..., N é suposa endógena. O modelo de função de ransferência - ruído que relaciona as séries X j, e Y pode ser escrio como, k Y µ = ν ( B)( X µ ) + ε y j, j j= 1 j (45) onde, ω ν j ( j B ) ( B) = δ j ( B) B b j = ν o,j + ν 1, j B + ν 2, j B , é a função de ransferência da j-ésima série com os pesos 0,j, 1,j,..., os quais são chamados de função impulso resposa; ω j (B) = ω 0, j ω 1, j B ω 2, j B ω s,j B sj é o operador do numerador de j-ésima função de ransferência, al que as raízes de ω j (B) = 0 caiam fora do círculo uniário e, ω i, j, i = 0, 1, 2,..., s, são os parâmeros de ω j (B); δ j (B) = 1 δ 1, j B δ 2, jb δ r, j B r j é o operador do denominador da função de ransferência e, para garanir a esabilidade do sisema, as raízes de δ j (B) = 0 devem cair fora do círculo uniário e, δ i, j, i = 1, 2, 3,..., r são os parâmeros de δ j (B);

56 42 µ j : é a média da j-ésima série de enrada; b j : é o araso no empo para X, j afear Y ; θ ε = ( B ) φ( B) a (46) é um ruído ARMA a : é uma sequência ruído branco, com média zero e variância σ 2 a e, θ (B) e φ (B) são, respecivamene, os operadores médias móveis e Auorregressivo, como definidos na equação 7. Se os operadores AR e MA possuírem zeros em comum e/ou o numerador e o denominador possuírem raízes comuns o modelo não é idenificável. É recomendável que se sigam os eságios de idenificação, esimação e eses de verificação do modelo quando se deseja um ajusameno a um modelo paricular da função de ransferência ruído para um deerminado conjuno de informações. (BOX; JENKINS, 1976) (VANDAELE, 1983) Modelos de Função de Transferência Sazonal de Box e Jenkins Como nos modelos univariados é possível que exisam parâmeros sazonais em modelo de função de ransferência. Nese caso devemos induzir a esacionariedade aravés da diferenciação e o modelo de função de ransferência sazonal muliplicaivo mais geral é dado por: y ω j ( B) Ω j ( B ) = s δ ( B) ( B ) j j s X j, bj θ( B) θ( B ) + s φ( B) φ( B ) a s (47) com Y = sd d Y (48) Xj, = sd d Xj, (49) Os polinômios sazonais são definidos como: Ω(B s ) = Ω o Ω 1 B s Ω 2 B s Ω S B Ss (B s ) = 1 1 B s 2 B 2s R B Rs θ(b s ) = 1 θ 1 B s θ 2 B 2s θ Q B Qs

57 43 φ(b s ) = 1 φ 1 B s φ 2 B 2s φ P B os Na equação (48) os parâmeros d e D represenam os operadores de diferença simples e sazonal, respecivamene para o processo Y, já em (49) d e D são os operadores de diferença simples e sazonal para o processo X. É possível observar que se o numerador possui parâmeros regulares, normaliza-se a função de ransferência com w 0 1 e Ω = 1 0, caso conrário, assume-se que Ω Idenificação dos Modelos de Função de Transferência com Múliplas Enradas - Procedimeno de Liu e Hanssens A idenificação de uma função de ransferência pode ser feia aravés de um processo desenvolvido por Liu e Hanssens (1982). O procedimeno de Liu e Hanssens (1982), uiliza as séries esacionárias originais ou as séries de enrada e saída ransformadas por um filro comum. Ese filro é obido aravés da esruura auorregressiva das variáveis de enrada. Para exemplificar o méodo é apresenado a seguir um caso que uiliza duas séries de enrada represenadas pelos seguines modelos. Y ω1( B) B X ω2 ( B) = 1 + B X 2 + ε, = 1, 2,..., δ ( ) δ ( ) n 1 2 (50) onde x 1 e x 2 são as séries de enrada e Y é a série de saída. Já a função de ransferência ambém pode ser expressa da seguine forma: ω j ( B) δ ( B) B j b j = v j (B) = v jo + v j1 B = v j2 B (51) onde v j (B) em um número finio de ermos, se δ j (B) = 1 e um número infinio caso conrário. Se o modelo (50) é esável, odas as raízes de δ j (B), com j = 1, 2,... caem fora do círculo uniário e a função de ransferência (51) pode ser aproximada por um polinômio v j (B) com um número finio de ermos, denoado por k j. O objeivo é enconrar esimaivas apropriadas de v j (B) e expressá-las na forma racional ω j ( B), uilizando a écnica de Box e Jenkins, para idenificação de r, s e b. δ ( B)

58 seguine forma: Suponha k 1 e k 2 suficienemene grandes, de forma que possamos reescrever (50) da Y = ( v 10 + v 11 B v 1k1 B k1 ) x 1 + v 20 + v 21 B v 2k2 B k2 ) x 2 + (52) θ ( B) onde: = a φ( B) Fazendo: β = [ v 10, v 11,..., v 1k1, v 20, v 21,..., v 2k2 ] x = [ x 1 0, x 1 1,..., x 1 K1, x 2 0, x 2 1,..., x 2 K2 ] Y = [ Y k+1, Y k+2,..., Y k+n ] Onde xj i = B j xj o, xj o = [ x j ( kj+1), x j ( kj+2 ),..., x j ( kj+n)] n = ( N k ) k = max ( k 1, k 2 ) Assim, em-se que o esimador linear uniformemene melhor para βˆ é dado por: $ β = ( x -1 x ) -1 x 1 Y (53) θ ( B) onde n, x n, é a mariz de covariância de = a. φ( B) De acordo com Ljung e Box (1979), pode ser aproximada por : -1 = H H = ( D θ 1 D φ ) D θ 1 D φ (54) em-se que: $ β = ( x H x ) 1 x H H Y (55) onde H Y = D θ -1 D φ -1 consise em filrar a série de saída por φ(b) θ 1 (B). Assim, o esimador (55) corresponde a um esimador de mínimos quadrados ordinários (MQO) uilizando as séries de enrada e saída, filradas pelo modelo do ruído. Ese procedimeno pode ser represenado em cinco eapas, apresenadas abaixo: I) Ajusameno das séries de enrada i) Diferenciar as séries de enrada de modo a orná-las esacionárias; ii) Ajusar, a cada uma delas, um modelo ARMA apropriado; iii) Observar se os modelos não apresenaram componenes AR ou se esses componenes iveram raízes bem maiores que um. Se iso ocorrer, passa-se para o 2º Passo. 44

59 Se a pare AR, de pelo menos um dos modelos ajusados coném raízes próximas de um, consrua um filro do ipo (1-G 1 B) (1-G 2 B)... (1-G 1 B), onde Gi -1, i = 1,..., 1 são raízes próximas de um. Ese filro é denominado filro Comum. Aplique o filro comum às séries de saída e enrada. Esa operação é denominada pré-filragem e é indicada com o objeivo de inverer mais facilmene a mariz X X (a pré-filragem é indicada para ober precisão numérica). Observa-se que o modelo de função de ransferência não se alera quando seu filro comum é aplicado a odas as séries, se elas forem esacionárias como nese caso. Conforme Priesley (1971) e Granger e Newbold (1977). II) Esimação preliminar dos pesos da Função de Transferência Esimam-se os parâmeros do modelo da função de ransferência, uilizando o MQO e as séries obidas no 1º Passo. Para assegurar que valores adequados de k j esão sendo uilizados, sugere-se começar com k j = 6 e ir aumenando de 3 em 3 unidades. Um ese F pode ser uilizado para decidir quanos ermos devem ser incluídos na análise. III) Consrução do modelo preliminar para resíduos i) Ajusar um modelo ARMA aos resíduos obidos da esimação preliminar da função de ransferência, filrando odas as séries pré-filradas por um modelo ARMA; ii) Caso os resíduos sejam ruído branco, obém-se uma forma racional ( ωj(b)) / ( δj(b)) para as séries de enrada x j. IV) Esimação dos pesos da Função de Transferência Para esimar os parâmeros do modelo da função de ransferência, uiliza-se o MQO e as séries obidas no 3º Passo (iso equivale a calcular $ β da equação (55). Recomenda-se excluir odos os ermos não-significaivos na esimação de MQO. V) Esimação do modelo de Função de Transferência i) Idenificar um modelo ARMA para os resíduos a parir da série de saída original (esacionária) e os pesos da função de ransferência obidos na esimação preliminar (4º Passo); ii) Reescrever as funções de ransferências v j (B) na forma racional ω j (B) / δ j (B), obendo um modelo preliminar da função de ransferência. 45

60 Função de Correlação Cruzada A análise de dados para idenificação do modelo de função de ransferência é feia aravés da função de correlação cruzada enre a enrada e a saída. A dependência normalizada enre as séries X e Y será medida pela função de correlação cruzada, denoada por ρ xv (k) ( BOX; JENKINS, 1976) e (VANDEALE, 1983). ρ Cov[ X Y ] xy ( k) = [ σ σ = [ γ 2 x, + k 2 1/ 2 y ] xx γ ( k) xy (0) γ yy (0)] 1/ 2 (56) com k Z, sendo σ x e σ y os desvios padrões das séries X e Y, respecivamene Esimação dos Parâmeros dos Modelos de Função de Transferência Após a idenificação de um modelo de função de ransferência aravés da equação (47) a arefa é esimar os veores de parâmeros ω j (ω oj, ω 1j,..., ω sj ), δj (δ oj, δ 1j,...,δ r,j ), φ(φ 1, φ 2,...,φ p ) e θ( θ o, θ 1,..., θ q ). De modo semelhane se o modelo de função de ransferência é sazonal, haverá veores represenaivos dos parâmeros sazonais que deverão ser esimados e possivelmene haverá diferenças sazonais (47). Para os modelos univariados ARMA há várias aproximações para a esimação deses parâmeros. Escolhe-se ω$ j, $ δ j, $ φ e $ θ, como esimadores de mínimos quadrados de ω j, δ j, φ e θ respecivamene, assim que: S ( ω$ j,, $ δ j, $ φ e $ θ ) = n =1 2 a (57) é um mínimo. O índice n represena o número de observações possivelmene ajusadas por diferenciação. Nese processo de minimização serão uilizadas as seguines eapas: I) Dada a escolha inicial dos valores dos parâmeros dos polinômios ω (B) e δ (B), é possível predizer a pare sisemáica do modelo de Função de ransferência da equação como: j j $Y = $v (B) x j-b II) Calcular os resíduos â usando: $a = Y - $ Y

61 47 Após esas eapas a série â pode ser usada para avaliar univariado ARMA, cuja represenação é: ê usando o modelo $e = φ(b) 1. θ(b) $a Quando o parâmero de araso b é desconhecido, em princípio podem ser calculados os valores de ωj, δj, φ e θ os quais minimizam a soma quadráica dos resíduos (57), para diferenes valores de b, de forma semelhane e seleciona-se o valor de b, que corresponde ao mínio geral Verificação do Modelo de Função de Transferência Após a idenificação do modelo e a esimação dos parâmeros, é necessário que se verifique se o modelo é adequado ou não. Para se realizar esa verificação, omam-se como base os resíduos. ê = Y - Y $, (58) onde Y$ ω$( B) $ ( ) $ ( B x θ B = + δ ) $ φ ( B a ) j b (59) PIERCE (1972) mosra que P aˆ a,ara odo, quando n. Se exisirem inadequações do modelo (58) elas poderão ser deecadas examinandose as auocorrelações dos resíduos â e as correlações cruzadas enre os resíduos e a enrada pré-branqueada α, iso porque, se o modelo ajusado for: Y = v o (B) x j + (B) a o (60) Enquano que o modelo correo é (59), enão A o = ψ -1 o (B) {v(b) v o (B) } x + ψ -1 o (B) a (61) Logo, dado que o modelo idenificado é incorreo, os resíduos a o serão auocorrelacionados e ambém correlacionados com x (e α ) e podemos er dois casos: i) Modelo de função de ransferência correo e modelo do ruído a incorreo Nese caso, v o (B) = v (B) e ψ o (B) ψ(b) e (74) fica: a o = ψ -1 o (B) ψ (B) a, (62)

62 de modo que os a o serão auocorrelacionados e examinado-se as auocorrelações r a o a o (k) poderemos sugerir modificações no modelo. Nese caso, os a o não serão correlacionados com x e α. ii) Modelo de função de ransferência incorreo. Nese caso, como ressalamos acima, eremos a o auocorrelacionados e ainda correlacionados com a enrada. Se o modelo ruído esiver correo, ψ o( B) = ψ(b) e a o = ψ -1 (B) { v(b) v o (B) } x + a, (63) e ainda eríamos as duas siuações acima. Porano, ena-se primeiro modificar o modelo de função de ransferência para depois analisarmos o modelo do ruído. Considerando a enrada pré-branqueada dado por: α = θ x -1 (B) φ(b) x (64) β dado por β = v(b) α +, iso é, (65) onde = θ x -1 (B) φ x (B) η, logo o =β v o (B) α = [ v(b) v o (B) ]α + (66) Nesa equação a exisência de correlação enre o e α indicará se o modelo de função de ransferência esá correo ou não. Muliplicando-se (66) por α -k e omando a esperança e usando vˆ j j obemos; 48 σ 0 vk v0k = ρα ( k), k = 0, 1, 2,... 0 σ α (67) A equação fornece uma medida da diferença enre a função resposa de impulsos esimada e a correa. Subsiuindo ρ (k) e σ, por esimaivas s 0 o, s α, eremos novos α 0 valores preliminares para a função resposa de impulso. Depois volamos a analisar o modelo do ruído, para ver se é adequado. Exisem ouros criérios de idenificação, mas descrevemos somene o criério Liu e Hanssens, porque será o criério uilizado para analisar séries de múliplas enradas (TIAO e all, 1975) e (BEGUIN e all, 1980) e (LII, 1985).

63 Teses de Adequação Em (58) é possível esimar as auocorrelações dos resíduos aravés de: m = k + 1 ˆ = ˆ( k ) m r ˆ ˆ = 1 + k ˆ 2 onde m é o número da observação de â efeivamene disponível. Quando m é grande, a disribuição de rˆ ˆ( é aproximadamene a mesma de r k ) ˆ ˆ(, que é dada pelo seguine k ) resulado (BOX; PIERCE, 1970). Se o modelo for correo e se os a são calculados usando-se os verdadeiros valores dos parâmeros ( e porano esses a são não-correlacionados), emos que r,..., ˆ ˆ (1) ˆ ˆ( ) r k (68), erão uma disribuição assinóica normais mulivariadas, supondo-se k pequeno em relação a m. As auocorrelações rˆ ˆ( são dadas por: k ) aa k r ( k ), k = 1,..., k, 2 a (69). são não correlacionadas e { ââ ( k) } m k 1 Var r = m( m + 2) m a ~ N( 0, m-1 ). Assim, segue a esaísica: Como os a a são ruído branco, com k Q = m( m + 2) ( m k) r aa( k), k = (70) Para m grande, em uma disribuição qui-quadrado com k graus de liberdade. Conudo, em-se que esimar os a e as propriedades de rˆ ˆ( para os valores pequenos de k, k ) são afeados. Em paricular, a variância de rˆ ˆ( pode ser menor que m -1 e comparar as k ) auocorrelações dos â com cona ese fao é o seguine. esaísica: 1 m pode subesimar sua significância. O ese que leva em Tese de auocorrelação: se o modelo for correo e k suficienemene grande, a k 2 k = 1 Q = m r aa $$( k) (71)

64 em uma disribuição χ² com υ = k-p-q graus de liberdade. Porano, o número de graus de liberdade depende somene do número de parâmeros do modelo do ruído. Assim, em-se a seguine relação: Corr{ r ( k), r ( k + l)} ρ ( l), de modo que o xa xa xx mesmo modelo seja correo, ainda exisirá correlação enre a enrada x e o ruído 50 â. Porano, dado que os x são auocorrelacionados, um modelo de função de ransferência correo poderá resular em algum padrão das correlações cruzadas ( k), ese efeio é eliminado ao calcular-se as correlações cruzadas enre os resíduos e a enrada pré-branqueada α. Ou seja, analisam-se as correlações cruzadas ( k), onde: r α a ˆ r α a ˆ r α aˆ ( k) = α k aˆ 2 α aˆ 2 (72) esaísica: O seguine ese é baseado num resulado de Pierce (1972). Tese de correlação cruzada: se o modelo for correo e k suficienemene grande, a k 2 k = 0 S = m r α$( a k) (73) em disribuição aproximada χ² com υ = k+1-(r+s+1) = k-r-s graus de liberdade Previsão com Erro Quadráico Mínimo Após o ese de adequação e dados os parâmeros do modelo e as observações Y, Y - 1, Y -3,... a previsão no empo para um horizone h, denoada por $ Y (h), pode ser recursivamene calculada considerando o seguine fao: [Y =h ] = Y + h, se h 0 $Y (h), se h > 0 [a +h ] = a +h, se h 0 0, se h > 0 onde, [ Y = h] e [ a + h ] represena o valor esperado da variável aleaória Y = h e a + h, respecivamene.

65 INTELIGÊNCIA COMPETITIVA O mundo vive um conínuo e acelerado processo de ransformação que envolve odas as áreas do conhecimeno. É possível afirmar que a velocidade desse processo em uma relação direa com a rapidez em que ocorrem as mudanças na área ecnológica. Esas mudanças êm ornado cada vez mais as relações globalizadas, modificado as ransações comercias e fazendo com que as empresas repensem as formas de compeir. Davenpor (1998), com base em opiniões de auoridades e de equipes de venda de empresas de informáica, afirma que esamos em uma nova era da informação, que irá revolucionar a maneira como se rabalha, compee e aé mesmo como se pensa no mercado. Fachinelli e al. (2007, p. 162) corroboram com a visão do auor ao afirmar que o grande desenvolvimeno das novas ecnologias de informação provocou profundas modificações no comporameno da sociedade conemporânea, criou novas formas de ação e ineração e assim ransformou a organização espacial e emporal da vida social. Aualmene exisem diversas denominações para a sociedade em que vivemos, por exemplo, para Drucker (1993), vivemos na sociedade do conhecimeno que se diferencia das épocas passadas pela imporância do conhecimeno. Segundo Drucker (1993), é claro que o conhecimeno assume um papel diferenciado enre os recursos, mas ele não é mais um recurso como rabalho, capial e erra, mas sim um recurso único, o mais significaivo e singular nesa sociedade. Sewar (1998) não classifica a sociedade, mas a época em que vivemos, como a era da informação. Jusifica essa denominação afirmando que exise uma nova realidade em que as fones de riqueza, como recursos naurais e rabalho físico perdem a precedência para o conhecimeno e a comunicação. Tarapanof (2001), denomina a sociedade como sociedade de informação, para ela a nossa sociedade é resulado desses novos referenciais sociais, econômicos, ecnológicos e culurais, os quais ambém provocam um conjuno significaivo de mudanças de enfoque no âmbio das sociedades e de suas organizações. Nesa conjunura, Tarapanof (2001) desaca o papel da informação, afirma que ela é a principal maéria-prima da sociedade e que esa pode ser raada aé como um insumo comparável à energia que alimena os sisemas. É possível verificar, na fala de cada um dos auores que na época em que vivemos independene da nomenclaura adoada para a sociedade, a informação e o conhecimeno assumem o papel principal ano nas relações sociais quano nas econômicas. Iso é ão evidene que auores como Tarapanof (2001) classificam a informação como um insumo.

66 52 Segundo Tarapanof (2001), exise uma aceiação universal da imporância da informação para as organizações, e a informação é um dos recursos, se não o mais imporane, cuja adminisração e a uilização esão direamene ligados ao sucesso desejado. Para Nonaka e Takeuchi (2002), a informação raz a possibilidade de se observar a inerpreação de evenos ou siuações de forma diferene. Eles consideram a informação como um meio de onde se exrair o conhecimeno. Fachinelli e al. (2007) asseguram que a obenção de bons resulados passa pela necessidade das empresas revisarem seus conceios e pela busca de caminhos que permiam a uilização de oda a informação que se enconra espalhada. Porer (1997) não foge da visão dos demais auores e complemena ciando a necessidade de possuir um sisema de informações sobre os concorrenes. Além disso, ele afirma que a informação pode ser uilizada como um insrumeno de diferenciação do produo, com impaco nas vanagens compeiivas. Segundo Porer e Monegomery (1998), um dos princípios da elaboração de uma esraégia esá na capacidade de se lidar com a compeição. Assim as empresas precisão conhecer os seus ponos fores e fracos, seus concorrenes e saber idenificar as endências de mercado. Na linha de Porer é possível idenificar, mesmo que impliciamene, a imporância da informação para omar decisões sobre a forma como a empresa vai adquirir uma vanagem compeiiva e susená-la. Fachinelli e al. (2007, p. 173) não ciam a informação como o elemeno de diferenciação de produo, mas razem a informação como um elemeno chave para boas esraégias, dizendo que a informação permie que a empresa enha subsídios para uma decisão rápida e consisene. É clara a imporância da informação, mas ambém é evidene que alguns auores além de raar de informação, ambém razem a quesão do conhecimeno. Davenpor (1998), além de raar da informação e do conhecimeno, raz mais um elemeno, que são os dados. Para o auor exise uma disinção enre os rês, mas a disinção exisene é imprecisa. Para ornar a diferenciação enre os rês conceios mais evidene, o auor apresena o Quadro 1:

67 53 Quadro 1 - Diferença enre dados, informação e conhecimeno. Dados Informação Conhecimeno Simples informação sobre o Dados doados de relevância e Informação valiosa da mene esado do mundo propósio. humana. Inclui reflexão, Facilmene esruurado; Requer unidade de análise; sínese, conexo. Facilmene obido por Exige consenso em relação ao Difícil esruuração; máquinas; significado; Difícil capura em máquinas; Freqüenemene quanificado; Exige necessariamene a Frequenemene ácio; Facilmene ransferível. mediação humana. Difícil ransferência. Fone: Adapação de Davenpor (1998) Observando o quadro 1, fica evidene a diferença enre os rês conceios e fica mais clara ainda a imporância de se diferenciar os rês, pois na siuação em que vivemos, exise um crescimeno de dados esruurados ou desesruurados, mas nem odos podem ser ransformados em informação ou em conhecimeno. O auor complemena afirmado que: Conhecimeno é a informação mais valiosa e, consequenemene, mais difícil de gerenciar. É valiosa precisamene porque alguém deu à informação um conexo, um significado, uma inerpreação; alguém refleiu sobre o conhecimeno, acrescenou a ele sua própria sabedoria, considerou suas implicações mais amplas (DAVENPOR, p. 18, 1998). Ansoff e Mcdonnell (1993), descrevem a esraégia como um conjuno de regras de omada de decisão que serve para orienar uma organização com relação às direções gerais para o desenvolvimeno e crescimeno da empresa. Nesa linha os auores ambém desacam que uma empresa deve criar novas esraégias quando exisem novas exigências imposas pela sociedade que mudam drasicamene os objeivos da organização. Fayard (2000) se refere à esraégia como a are de saber usar as forças do ambiene para gerar uma deerminada siuação. Para ele a esraégia é a combinação enre meios diferenciados, no empo e no espaço, para se chegar a um deerminado fim. O auor ambém afirma que o conhecimeno de si mesmo e do ambiene são elemenos necessários para se idenificar o momeno de agir para aingir os objeivos. Ainda, segundo Fayard (2000), a informação é um dos elemenos essenciais da esraégia. Nesa conjunura em que os dados, a informação e o conhecimeno surgem como elemenos ransformadores e fundamenais para o posicionameno esraégico das empresas ambém surge o conceio de Ineligência Compeiiva (IC). Para Kahaner (1997), a ineligência compeiiva consise em um programa sisemáico de colea e análise de informações sobre as aividades de seus concorrenes e

68 54 endências gerais dos negócios para coninuar as meas da sua própria empresa. O auor desaca que a IC deve esar presene em odos os níveis da empresa, não sendo visa como mais uma função na organização, mas sim como um processo que deve aparecer em odos os aspecos do negócio, ajudando a organização a resolver diversos problemas diferenes. Por fim ele desaca que a base da ineligência compeiiva esá na diferenciação enre ineligência e informação. Kahaner (1997) defende o uso da ineligência compeiiva e jusifica sua defesa a parir da exisência de diversos faores como: rimo dos negócios, sobrecarga de informação, compeição global, compeição mais agressiva, mudanças de políica e mudanças ecnológicas. Tarapanof (2001, p. 45), define a ineligência compeiiva como um conjuno de ferramenas, o qual êm se desponado como úil para gesão da informação. Para a auora, além de colear dados, a ineligência compeiiva em a habilidade de desenvolver o enendimeno das esraégias e da forma de agir de seus compeidores chave. A auora complemena afirmando que a ineligência compeiiva faz a organização maner o foco no exerno conínuo. Fuld (2007, p. 4), afirma que a IC é uma forma de ver o odo à frene do seu concorrene mais rápido e que essa em assumido um papel críico nos negócios, porano deveria esar presene no rabalho de odos em uma organização. Para Fuld (2007, p. 16), desenvolver a ineligência compeiiva é semelhane a criar uma pinura ponilhada. Seu objeivo não é criar uma imagem perfeia, mas uma imagem represenaiva da realidade. Segundo Fuld (2007), uma das fones da IC são os dados exisenes na Inerne, cabe à empresa aprender a ober informação e conhecimeno aravés deses dados, para isso uma das formas consise em esudar os ruques de ineligência uilizados por analisas e esudiosos da área. Menezes (2005), após uma revisão bibliográfica das principais publicações sobre ineligência compeiiva, faz a seguine observação sobre IC: Observou-se que ineligência compeiiva é um ema que vem sendo raado sob diferenes abordagens: como o uso da Inerne, excesso de informações, processo de colea da informação formal, informal, auomaizada, personalizada, méodos, écnicas e ferramenas para análise e moniorameno da informação, e principalmene da exigência da inervenção humana, no raameno da informação. Com as consanes mudanças que ocorrem no ambiene compeiivo, as decisões são omadas em espaços de empo cada vez mais curos. Daí a necessidade de se dispor de um sisema capaz de fornecer informações previamene analisadas, aí é que se enconra o

69 diferencial, assegurando a omada de decisão na hora cera (MENEZES, p. 124, 2005). Sarec e al. (2005, p. 23) consideram a ineligência compeiiva como uma área inerdisciplinar e sua consiuição episemológica e aplicada recorre principalmene a conhecimenos de adminisração, ciências da informação, ciências da compuação e economia. Os auores ambém desacam a imporância da ineligência compeiiva como fone de vanagem compeiiva, pois segundo eles ano a informação formal quano a informal passam a er relevância na formulação da esraégia das empresas. Segundo Sarec e al. (2005), o enendimeno do campo empresarial sobre a ineligência compeiiva é de um processo de colea, raameno, análise e disseminação da informação, com a finalidade de dar subsídio à omada de decisão para aingir meas e esraégias da empresa. Conforme os auores, a ineligência compeiiva em uma orienação esraégica volada para a busca da vanagem compeiiva. Todos os auores ciados razem suas definições sobre a ineligência compeiiva e a imporância desa para a esraégia da empresa. Exise uma convergência nas definições, em sínese, é possível definir ineligência compeiiva como sendo um processo dinâmico que, combina diversas áreas do conhecimeno na colea e organização de dados, análise e idenificação de informações exisenes nos dados além de buscar a disseminação do conhecimeno exisene nas informações com o objeivo de foralecer a omada de decisões na busca da vanagem compeiiva. Sarec e al. (2005) afirmam que exisem versões diferenes para as fases da ineligência compeiiva, mas de modo geral a ineligência compeiiva pode ser dividida em 4 fases: planejameno e coordenação; colea, processameno e armazenagem; análise, validação e formaação dos produos; disseminação e uilização. Planejameno e coordenação: é a primeira eapa do processo de ineligência compeiiva, nela é feio um levanameno das informações esraégicas necessárias para esruurar o ciclo da ineligência compeiiva. Nesa eapa é muio imporane definir quais são as informações que os gesores necessiam a fim de eviar a colea de dados que não êm valor esraégico para a omada de decisão. A colea, o processameno e o armazenameno dos dados fazem pare da segunda eapa. Esa em como objeivo idenificar as fones públicas ou privadas e buscar nelas as 55

70 56 informações idenificadas como fundamenais na primeira eapa. Após a obenção das informações, as mesmas são organizadas e armazenados de forma esruurada para poserior análise. A erceira eapa consise na análise, validação e formaação dos dados. Os mesmos são analisados e processados na busca de idenificação de relevância para que os mesmos possam servir de informação e poseriormene possam se consolidar como conhecimeno. Nesa eapa o profissional de análise da informação em um papel fundamenal. Fuld (1995), define a análise como o meio para converer a informação em ineligência. A análise não precisa ser um processo complicado, mas deve ser complea e precisa. Tena Milan e Comai (2005), em seu arigo sobre os modelos de análise uilizados pela Ineligência Compeiiva, descrevem o processo de análise: El análisis es una pare cenral del círculo de la Ineligencia Compeiiva. Puede concebirse como una eapa más para complear la producción de ineligencia que apoye a las decisiones empresariales. Sin embargo, su impaco en el resulado final del esfuerzo de IC es profundo. Del análisis depende la obención de inerpreaciones y conclusiones que puedan converirse en acción. Quizá se rae de la eapa más compleja porque en ella se reúnen y combinan odos los hallazgos previos buscando escudriñar el fuuro y las inenciones y acciones de oros. Por ora pare, disponemos para el análisis de una amplia variedad de recursos y écnicas. Eso facilia y poencia la capacidad de inerpreación del analisa, pero incremena la imporancia de la elección, a veces suil, de las écnicas a emplear en cada momeno. (TENA MILÁN e COMAI, p. 1, 2005) Para Bruce e George (2008), análise é a pare decisiva do processo de ineligência, pois aravés da análise o conhecimeno é produzido e podem ser omadas as decisões. Os auores ambém ciam a imporância do analisa no processo complexo da ineligência de ransformar informações oriundas de várias fones, sabendo diferenciar as informações boas e ruins, dando relevância e uilidade para a omada de decisões. Para os auores, a mudança que eve maior impaco sobre a Ineligência foi a proliferação da mídia digial, que hoje raz o desafio da quanidade de informação produzida. Tena Milan e Comai (2005), Bruce e George (2008) definem de uma forma muio clara a imporância da Análise no processo de IC e razem mais uma conribuição ao idenificar a dependência da Análise do processo de obenção de informação. A úlima eapa do ciclo consise na disseminação e uilização dos resulados obidos nas eapas aneriores. É nesa eapa que o conjuno de conhecimeno adquirido pode se ransformar ou não em ineligência. Iso só ocorre, se os mesmos forem uilizados para a

71 57 omada de decisão. Nese momeno a paricipação dos responsáveis pela omada de decisão esraégica na organização é fundamenal. O ciclo da ineligência nunca se encerra. Enquano as eapas poseriores esão sendo execuadas, o ciclo é reiniciado na busca de mais dados que possam se ransformar em informação, conhecimeno e, finalmene em ineligência compeiiva. Nas palavras de odos os auores fica evidene a imporância da informação, ambém fica evidene que essa informação pode ser obida aravés de dados da própria empresa ou de dados exernos à empresa. A grande quesão é como ransformar essa informação em conhecimeno que seja capaz de produzir uma vanagem compeiiva. Nese pono surge a imporância da IC, que em enre suas funções, a busca, o raameno e a análise de dados como um processo para auxiliar a omada de decisões. Denro do ciclo da IC é possível idenificar o papel do fenômeno Big Daa como uma fone de dados. A função do Daa Mining no processameno deses dados e a uilidade dos modelos de previsão para a organização e a idenificação de padrões para o processo de análise das informações é fundamenal. 2.5 ESTUDOS EMPÍRICOS REALIZADOS NA ÁREA DA DISSERTAÇÃO Para o levanameno dos esudos realizados na área foi feia uma pesquisa bibliomérica, nas bases de dados como, Academic One File, Science Direc, Emerald e Scielo no período de 2002 a O criério de busca foram arigos que ivessem separadamene as palavras Previsão de demanda, Daa Mining ou Mineração de dados e Big Daa como palavras chaves. Os resulados obidos por base de dados podem ser verificados na Tabela 1. Tabela 1 Trabalhos publicados por Base 2002/2012. Base Nº % Academic On File 24 30,4 Emerald 19 24,1 Scielo 18 22,8 ScienceDirec 18 22,8 Toal ,0 Fone: Elaborado pelo pesquisador (2012) O levanameno de ocorrência dos assunos previsão de demanda, Big Daa e Daa Mining com base na análise dos resumos e das palavras-chaves são apresenados na Tabela 2.

72 58 Tabela 2 Ocorrência dos assunos 2002/2012. Temas Nº % Previsão de Demanda 36 45,6 Big Daa 7 8,9 Daa Mining 31 39,2 Previsão de Demanda e Daa Mining 1 1,3 Big Daa e Daa Mining 3 3,8 Previsão de Demanda, Daa Mining e Big Daa 1 1,3 Toal ,0 Fone: Elaborado pelo pesquisador (2012) A Tabela 3 é uma abela de referências cruzadas que combina os resulados das Tabela 1 e Tabela 2 apresenando a ocorrência dos assunos por bases pesquisadas. Tabela 3 Ocorrência dos assunos por Base 2002/2012. Base de Dados Academic On File Emerald Scielo ScienceDirec Toal Temas Previsão de Demanda Big Daa Daa Mining Previsão de Demanda e Daa Mining Big Daa e Daa Mining Previsão de Demanda, Daa Mining e Big Daa Toal Fone: Elaborado pelo pesquisador (2012) A seguir serão apresenados resumos dos rabalhos que apresenaram alguma conribuição eórica ou écnica para o desenvolvimeno da presene pesquisa. Pellegrini e Fogliao (2001), apresenaram um procedimeno para a esruuração de um sisema de previsão de demanda de produos e serviços. O objeivo do rabalho apresenado no arigo foi de propor uma meodologia que permiisse a uilização de écnicas de previsão de demanda com apoio à omada de decisões. No desenvolvimeno do arigo os auores fizeram uma revisão dos principais modelos esaísicos uilizados para idenificação de padrões e endências presenes em esudo de séries hisóricas. Apresenaram a esruuração e as direrizes de implemenação de écnicas de previsão de demanda e exemplificaram a aplicação da meodologia aravés de um esudo de caso em uma empresa do ramo da alimenação. Os auores concluem afirmando que a meodologia proposa pode conribuir de maneira eficiene à oimização dos processos de previsão. Werner e Ribeiro (2003), realizaram um esudo de previsão de demanda aravés da meodologia de Box e Jenkins para analisar dados hisóricos de uma empresa de assisência

73 59 écnica de compuadores pessoais a fim de ober previsões do número de aendimenos. Para a realização do esudo de caso a demanda da empresa foi dividida: ipo de cliene em conrao, garania e avulso. Após a aplicação da meodologia foi possível definir modelos apropriados para os rês segmenos de clienes. Os auores encerraram o rabalho afirmando que o esudo foi de grande uilidade para a empresa por possibiliar maior enendimeno do comporameno dos clienes, consiuindo-se como uma fone adicional de informação para as omadas de decisões. Frankel (2012), em seu arigo discuiu o crescimeno exponencial do volume de dados que as empresas coleam, processam e analisam. Ele define esses volumes de dados, esruurados e não organizados produzidos, como um subproduo das operações de uma empresa como Big Daa. O auor apresenou a imporância desses dados para seores financeiros e de seguros e a possibilidade que exise no Big Daa para execuivos de ouros seores. Para Frankel (2012), os dados exisenes podem melhorar as decisões aravés da análise da informação o que aumenaria a produividade e diminuiria os riscos para a empresa. Por fim, o auor desacou o benefício de usar um méodo padrão para recolher e processar dados e a capacidade para usar as ferramenas analíicas projeadas especificamene razer o conexo e o significado para os dados para uma análise apropriada e consequenemene ornando-os um recurso para empresa. Johnson (2012), rouxe o desafio e as oporunidades exisene na análise dos dados oriundos do Big Daa. Segundo o auor, a modelagem e a análise realizada sobre os dados do Big Daa esão conduzindo os negócios auais e fuuros. Iso fará com que as organizações evoluam, por essa razão a análise dos dados erá significaiva influência nos modelos comerciais. Serão necessários esforços para gerenciar as mudanças e para a criação de uma culura que eseja preparada para novas habilidades, infraesruura e capacidade de avaliação de desempenho. Para o auor, as empresas, que desenvolverem de forma eficaz a capacidade de analisar dados como algo necessário, poderão esar ganhando vanagem compeiiva na economia aual. Em um mundo baseado na culura da informação, a análise de dados pode ser a força do crescimeno. Fleisher e al. (2008), realizaram um esudo que eve como objeivo a verificação de planejameno e execução da inegração das écnicas ineligência compeiiva, gesão de relacionameno com clienes, Daa Mining e pesquisa de mercado. A meodologia adoada foi de esudo de caso exploraório descriivo durane o período de 3 anos. Os auores verificaram que é possível a inegração das écnicas, ela gerou melhores esraégias de mercado e o

74 60 rabalho forneceu um mapa para a execução bem sucedida das écnicas inegradas onde foi possível idenificar as barreiras para inegração bem como e sugesões. Çiflikli e Özyirmidokuz (2012), realizaram um esudo para verificar se a uilização da mineração de dados melhora o desempenho do conrole de qualidade na aividade de fabricação reduzindo perdas de produividade. O objeivo dos auores era descobrir padrões em conjuno de dados que possibiliassem a redução de produos defeiuosos e melhorassem a qualidade. A meodologia uilizada explorou diferenes écnicas de Daa Mining, enre elas árvore de decisões, análise de relevância de aribuos e análise e deecção de anomalias. Ao final do esudo foi possível idenificar um modelo baseado na árvore de decisão e de regras de decisão. Para os auores o modelo é limiado pela necessidade de ser refeio periodicamene, mas indicam que o esudo pode ser aperfeiçoado aravés do uso de écnicas de ineligência arificial. Chye e Gerry (2002), discuiram em seu arigo a poencial uilidade da mineração de dados para a gesão de relacionameno com clienes no seor bancário. No desenvolvimeno do arigo os auores apresenaram os conceios de relacionameno com clienes, a meodologia de mineração de dados, suas ferramenas e sua aplicação em bancos. Em suas conclusões os auores afirmaram que não exise dúvida sobre as poências aplicação da mineração de dados no seor bancário e que esa pode ser uma fone de vanagem esraégica perane os concorrenes. Uma das limiações apresenadas pelos auores é a da necessidade de usuários que enham conhecimeno da meodologia e das ferramenas de mineração de dados. Chowdhury (2009), em seu rabalho buscou descobrir se as ecnologias e as ferramenas de mineração de dados são apropriadas para o uso na área empresarial a fim de deecar e prever negócios e práicas fraudulenas, além de endências de mercado financeiro. No desenvolvimeno do rabalho o auor revisa os conceios de Daa Mining e de Redes Neurais arificiais e suas aplicações. Em suas conclusões o auor afirmou que na área da saúde as redes neurais êm se desenvolvido de forma araiva, ele acredia que as redes neurais arificiais podem er uma grande aplicabilidade nos problemas empresarial reais por idenificar padrões ou endências nos dados. Bala (2012), realizou um esudo que eve como objeivo a melhora do desempenho dos esoques de varejisas aravés do desenvolvimeno de um modelo de previsão com base na segmenação dos clienes. A meodologia uilizada para a elaboração do modelo foi a de Daa Mining. Nele se buscou capurar informações sobre a segmenação de clienes para ransformar em conhecimeno como base para a previsão de demanda. O modelo proposo pelo esudo reduziu o nível de esoque e aumenou o nível de serviço ao cliene, superando

75 61 amplamene os resulados obidos por ouros modelos. Para Bala (2012), os comercianes podem uilizar o modelo para a previsão de demanda para diversos iens melhorando dessa forma a renabilidade do negócio. Cardoso e Machado (2008), realizaram um esudo onde desenvolveram, aplicaram e analisaram uma ferramena de Daa Mining para exrair conhecimeno referene à produção cienífica dos pesquisadores na Universidade Federal de Larvas. A meodologia uilizada foi a pesquisa bibliográfica, a pesquisa documenal e o méodo do esudo de caso. Os auores concluem o esudo afirmando que uma limiação enconrada foi a fala de padronização no preenchimeno do currículo Laes que leva à dificuldade no refinameno da análise e no esabelecimeno de indicadores, mas que aravés do esudo foi possível gerar um banco de dados esruurado, ese pode auxiliar na elaboração de novas políicas de gesão cienífica, ecnológica e no aperfeiçoameno do sisema de ensino superior brasileiro. Tarapanoff e al (2000), apresenaram o conceio de ineligência compeiiva e discuiram como as unidades de informação devem auar em uma sociedade baseada na informação. A proposa dos auores é de que a ineligência compeiiva deve auar no moniorameno do ambiene, na busca de informações e na adequação da organização ao conexo. No desenvolvimeno do rabalho os auores apresenaram: a caracerização das unidades de informação, a aplicação da ineligência compeiiva em unidades de informação, o sisema de ineligência e algumas écnicas para o raameno das informações, enre elas: redes neurais, daa warehousing e Daa Mining, e exemplo de unidade de informação que uiliza sisema de ineligência em seus processos. Kwon e Sim (2013), apresenaram a necessidade crescene de algorimos de classificação em écnicas de mineração de dados para a análise de grandes conjunos de dados. O rabalho buscou avaliar os cenários onde conjunos de dados afeam o desempenho dos algorimos de classificação. Para avaliar a casualidade enre as caracerísicas dos conjunos de dados com as variáveis independenes foi uilizada a meodologia de regressão múlipla. Com base nos resulados, os auores discuem os requisios de algorimos de classificação para a análise de grandes bancos de dados na nova era de ineligência de negócios. Além dos arigos cieníficos ambém foi realizada uma pesquisa nas bases de dados da Biblioeca Digial Brasileira de Teses e Disserações BDTD (2013), para enconrar eses e disserações referenes aos emas: Previsão de Demanda, Big Daa e Daa Mining.

76 62 O criério de busca na base de dados foi aravés do campo assuno, onde se pesquisaram separadamene os assunos Previsão de demanda, Daa Mining ou Mineração de dados e Big Daa. Os resulados obidos são apresenados na Tabela 4. Tabela 4 Ocorrência dos assunos na BDTD 2002/2012. Temas Nº % Previsão de Demanda 33 10,41 Big Daa 0 0 Daa Mining ou Mineração de dados ,59 Toal ,0 Fone: Elaborado pelo pesquisador (2013) A seguir serão apresenados resumos das disserações ou eses que apresenaram alguma conribuição eórica ou écnica para o desenvolvimeno do presene projeo. Kurrle (2004), realizou um esudo para o desenvolvimeno de um sisema formal de previsões de demanda de veículos novos em uma concessionária da marca Volkswagen. A pesquisa eve objeivos exploraórios, de abordagem qualiaiva e quaniaiva e adoou como procedimeno o esudo de caso único. Os modelos uilizados no esudo foram Modelos Box e Jenkins e de suavização exponencial com avaliação qualiaiva aravés do méodo Delph. O auor conclui o esudo afirmando que méodos mais acurados para cada série foram considerados apropriados para gerar novas previsões de demanda. Nas sugesões para rabalhos fuuros o auor sugere que sejam aplicadas as análises de regressão e correlação sobre séries emporais de demanda com a finalidade de se deerminar a influência de uma classe de veículos sobre os demais e a reesruuração do processo de gesão de demanda da monadora. Lemos (2006), em sua disseração apresenou uma meodologia para a escolha de méodos de previsão de demanda mais apropriados a diferenes siuações. A pesquisa foi de naureza aplicada, objeivos exploraórios, abordagem quaniaiva, procedimenos de revisão bibliográfica e esudo de caso. A meodologia apresenada pelo auor demonsrou eficiência na seleção do méodo mais adequado para a previsão de demanda de produos. Ao final do rabalho o auor sugere a incorporação de ouros méodos, além dos 13 ciados no rabalho e de ouros faores de seleção que não foram abordados no rabalho. Sugere ambém a uilização da meodologia para o desenvolvimeno de um sofware inegrado com pacoes compuacionais de previsão de demanda em um sisema de apoio à decisão. Scherrer (2006), apresenou uma disseração que eve como problema a esimação da demanda de aço. O objeivo da auora é esimar as variáveis econômicas que êm impaco

77 63 sobre o consumo de vergalhões no Brasil. Para conexualizar o problema a auora fez um rápido resumo da hisória da siderurgia no Brasil e comenou rapidamene a siuação mundial do seor. Na enaiva de esimar as variáveis econômicas a auora criou diversos modelos economéricos de demanda, uilizando as modelagens de veor auorregressivo, veor auorregressivo Bayesiano e variáveis insrumenais. A auora conclui que a meodologia de veor auorregressivo Bayesiano foi a que apresenou melhores resulados. Como sugesão para esudos poseriores fica a possibilidade da criação de modelos para aços planos que auxiliem a explicação das possíveis diferenças enre os impacos das variáveis macroeconômicas na indúsria de aços longos e planos. Fragoso (2010), apresenou uma disseração que eve como objeivo a proposição de um méodo para a criação de um processo de previsão de vendas, apoiado nas écnicas modernas de previsão de demanda e nas ferramenas de gesão de processos. O auor discuiu como as écnicas de previsão de demanda podem ser analisadas ou adapadas denro de uma visão de gesão de processos e propõe um méodo para esabelecimeno de processos de previsão de demanda. Para esar a meodologia proposa, o auor realizou um esudo de caso em uma empresa do seor químico da região de Campinas. O auor conclui o esudo afirmando que o méodo proposo e aplicado ao esudo de caso foi eficaz. Como sugesão para esudos poseriores fica a possibilidade de um esudo de caso com demandas irregulares para solucionar o problema pela óica de processos. Passari (2003), desenvolveu um esudo com o objeivo de explorar a possibilidade de usar uma meodologia capaz de idenificar padrões de relacionameno úeis na previsão de vendas individuais no varejo, com o uso do processo de mineração de dados. Com a uilização de um modelo de previsão de demanda de produos o auor buscou idenificar um composo de markeing adequado que agregasse preços, produos e promoções. Em suas conclusões o auor afirma que o processo de mineração de dados e de modelagem aravés de redes neurais arificiais pode ser considerado adequado para a previsão de demanda de produos para o nível individual, mas ao analisar os erros enconrados nas previsões, indica a necessidade de melhorias significaivas na meodologia e na écnica de previsão. Schaeffer (2003), em sua disseração apresenou um esudo de caso de mineração de dados no varejo de móveis e maeriais de consrução. A base da mineração foram os dados gerados pelas negociações geradas pelas vendas em um período de 8 meses e informações cadasrais dos clienes. Foi uilizada a meodologia Cross Indusry Sandar Process for Daa Mining (CRISP), e foram avaliados os ponos posiivos e negaivos das ferramenas de mineração uilizadas. Ao érmino do rabalho o auor apona muias informações de valor que

78 64 foram obidas aravés da mineração e do uso de ferramenas de mineração de dados em empresas de pequeno ou médio pore, as quais podem represenar um diferencial compeiivo em um mercado em que esá cada vez mais difícil fidelizar clienes. Ferreira (2005), buscou em sua disseração propor um sisema de mineração de dados que solucionasse o problema de reenção de clienes na indúsria de elefonia celular. A proposa do pesquisador eve como base a idenificação, em grandes bases de dados, dos clienes cujos hisóricos indicam maior roaividade. No desenvolvimeno do rabalho foram esados e comparados os modelos de: redes neurais, sisemas neuro-fuzzy hierárquicos, algorimos genéicos, árvores de decisão e máquinas de veor de supore. O auor preende que a informação exisene nas bases de dados possa ser obida aravés da mineração de dados e aproveiada pela ineligência empresarial como fone de vanagem compeiiva. O auor conclui o esudo afirmando que os modelos de redes neurais seguido pelo sisema neuro-fuzzy obiveram melhor desempenho idenificando os clienes de maior roaividade e que o rabalho eve como limiação a fala de ouras bases de dados relacionados à roaividade dos clienes para validar o desempenho do sisema de forma mais complea. Sanos (2006), realizou um esudo na busca de compreender a conribuição da descobera do conhecimeno em bases de dados como supore à decisão de concessão de crédio. O objeivo do auor era a criação de um modelo, uilizando mineração de dados, capaz de idenificar informações necessárias para a concessão de crédio. O auor conclui o rabalho afirmando que a mineração de dados juno com os conceios e definições para escoragem de crédio pode auxiliar no processo de decisão de crédio. Como sugesão para fuuros rabalhos o auor propõe a avaliação do grau de acero do modelo desenvolvido em função da qualidade dos dados analisados. Fernandes (2007), em sua disseração rouxe o seguine problema de pesquisa: como empresas do seor de serviços uilizam bases de dados para descobrir conhecimeno sobre o cliene e embasar o desenvolvimeno de esraégias de relacionameno? Para responder a esa quesão o auor buscou na lieraura processos de análise de bases de dados. No desenvolvimeno do rabalho foram uilizadas, como população de esudo, as empresas do seor de serviços que auam nas cidades de São Paulo e do Rio de Janeiro, uma pesquisa quaniaiva foi realizada por meio da aplicação de um quesionário a 67 respondenes. A pesquisa buscava idenificar o nível de uilização das eapas do processo de descobera do conhecimeno em bases de dados, as écnicas de mineração uilizadas e as esraégias de relacionameno adoadas com clienes. Nesa pesquisa foi invesigado o nível de uilização das eapas dos processos de descobera de conhecimeno em bases de dados, as écnicas de

79 65 mineração uilizadas, bem como as esraégias de relacionameno adoadas com clienes. Com os resulados da pesquisa foi possível verificar que o nível de uilização das eapas de descobera de conhecimeno é alo e que somene algumas écnicas de mineração de dados são uilizadas de forma uniforme. Com relação às esraégias de relacionameno foi possível verificar que o nível de uilização de écnicas para obenção de novos clienes e a idenificação de novos clienes é superior ao de écnicas de manuenção de novos clienes. O auor conclui que os resulados obidos no esudo podem ser muio úeis para os gesores no processo de desenvolvimeno de esraégias de relacionameno com clienes, aravés da análise inegrada do negócio, informações sobre clienes e modelos quaniaivos de análise sobre esas informações. A uilização desa inegração de informações pode ser ransformada em conhecimeno e dessa forma auxiliar a omada de decisão. Amoroso (2009), realizou um rabalho de pesquisa com o objeivo de esudar modelos de mineração de dados como um insrumeno de aprendizado para o invesidor do mercado de ações. Durane a realização da pesquisa foi uilizado o méodo CRISP Cross Indusry Sandar Process for Daa Mining para esudar um modelo de séries emporais baseado em redes neurais arificiais. Foram uilizados dados correspondenes a dez anos de coações de ações de seis empresas, negociadas na Bovespa. O auor conclui o esudo afirmando que exisem evidências de que o modelo serve como imporane fone de aprendizado para invesidores. O auor sugere para rabalhos fuuros o desenvolvimeno de modelos para ouros ipos de aplicações como compra e venda de moeda ou Bolsa de Mercadorias e Fuuros. O levanameno dos arigos cieníficos, disserações e eses além de conribuir com conceios, definições e meodologia rouxe uma visão mais ampla sobre as pesquisas e os emas dese projeo. Após o levanameno, a leiura e a elaboração de resumos sobre os rabalhos foi possível verificar que: não foi enconrado nenhum rabalho que unisse os assunos Big Daa, Daa Mining e previsão de demanda; o conceio de IC aparece de forma implícia em muios rabalhos desenvolvidos no Brasil, mas em nenhum deles exise a expressão Ineligência Compeiiva ; a expressão Big Daa não apareceu em nenhum dos rabalhos realizados no Brasil, mas alguns rabalhos razem a imporância da mineração de dados em grandes bancos de dados;

80 66 em alguns rabalhos foi possível verificar a combinação dos conceios previsão de demanda e Daa Mining, e a combinação dos conceios de Daa Mining e Big Daa.

81 67 3 METODOLOGIA DA PESQUISA O presene esudo buscou idenificar modelos de previsão de consumo de aço para análise das informações no processo de Ineligência Compeiiva. Na busca pelos modelos foi realizada a observação e a manipulação de variáveis inernas e exernas à empresa, para Gil (2002) esas são caracerísicas de um esudo cienífico. O esudo foi de naureza aplicada, já que eve razão de ordem práica a qual buscou conhecer com visas a fazer algo de maneira mais eficiene ou eficaz (GIL, 2002, p. 17) nese caso, conhecer melhor a consumo de aço da empresa para a análise das informações no processo de Ineligência Compeiiva. Em relação aos objeivos o esudo é classificado como exploraório, pois aravés dele buscou-se a familiarização com o fenômeno para descobrir novas ideias (CERVO, 2002), e descriivo no momeno em que visou descobrir a exisência de associação enre as variáveis e a descrição das relações aravés da consrução de modelos de previsão (GIL, 2002). No desenvolvimeno do esudo duas abordagens foram adoadas, a primeira buscou analisar fones inernas e exernas na busca de dados primários e secundários para definir o problema com mais precisão, idenificando e classificando as principais variáveis a serem esudas na fase quaniaiva. Esas caracerísicas para Malhora (2010), definem a abordagem como sendo qualiaiva. O auor ambém afirma que a pesquisa qualiaiva proporciona melhor visão e compreensão do problema. Ela invesiga o problema com algumas noções preconcebidas sobre os resulados dessa invesigação (MALHOTRA, 2010, p. 122). A pesquisa qualiaiva exploraória é úil quando o pesquisador não conhece as variáveis imporanes a examinar (CRESWELL, 2007, p. 38). Esa é a siuação enconrada nese esudo, pois se buscou a idenificação das variáveis exernas que êm impaco no consumo de aço da Empresa Alfa para poserior consrução de um modelo de previsão de consumo aravés de modelos de Box e Jenkins com função de ransferência. A segunda abordagem buscou avaliar as variáveis para verificar evidências de correlação e consruir modelos de previsão de consumo de aço aravés de modelos Box e Jenkins com função de ransferência, caracerísicas que Malhora (2010) aribui a uma pesquisa quaniaiva. Creswell (2007, p. 38) conribui para esa classificação quando afirma que se o problema é idenificar os faores que influenciam um resulado, a uilidade de uma inervenção ou a compreensão dos melhores previsores de resulados, enão é melhor usar uma écnica quaniaiva. O auor ainda assegura que a abordagem quaniaiva emprega esraégias de invesigação (como experimenos, levanamenos e colea de dados, insrumenos predeerminados que geram dados esaísicos) (CRESWELL, 2007, p. 35).

82 68 Ese esudo será operacionalizado aravés de um esudo de caso. As fones de informações serão a Empresa Mealúrgica Alfa e os dados exisenes no Fenômeno Big Daa, para a exploração das fones de dados foi uilizado o processo de Daa Mining. O Daa Mining, mineração em bases de dados da empresa erá como finalidade mapear dados do mercado com influência na consumo de aço para uma poserior prospecção de índices e indicadores financeiros no sie do Banco Cenral do Brasil (BACEN) (2012). O Daa Mining, segundo Hair Jr. e al. (2005, p. 540), é o processo de obenção de informação a parir de grandes bases de dados, onde, o pesquisador rabalha em um modo exploraório e organizado em orno de uma quesão de pesquisa muio geral (HAIR JR. e al., 2005, p. 541). Esudo de Caso é uma invesigação empírica que invesiga um fenômeno conemporâneo em profundidade e em seu conexo de vida real, especialmene quando os limies enre o fenômeno e o conexo não são claramene evidenes (YIN, 2010, p. 39). Para Cervo (2002, p. 67), é a pesquisa sobre um deerminado indivíduo, família, grupo ou comunidade que seja represenaivo do seu universo, para analisar aspecos variados de sua vida. Já Gil (2002, p. 54) afirma que o esudo de caso consise no esudo profundo e exausivo de um ou poucos objeos, de maneira que permia seu amplo e dealhado conhecimeno. Ao analisar a definição de cada auor fica claro que o uso do esudo de caso é indicado quando deseja-se enender um deerminado fenômeno com profundidade, envolvendo variáveis imporanes de seu conexo. O esudo da previsão de consumo da empresa Alfa foi limiado ao período de janeiro de 2007 a maio de PESQUISA QUALITATIVA A pesquisa qualiaiva foi exploraória e desenvolvida aravés de procedimeno de mineração de dados. O objeivo foi o de idenificar os seores da economia em que as variáveis ou indicadores de mercado inham alguma relação com a consumo de aço da Alfa. A idenificação das variáveis seguiu duas frenes, a primeira foi a de uma análise do mercado do aço no Brasil, buscando idenificar os seores da economia com relação direa com ese mercado. A segunda frene eve desenvolvimeno na análise da base de dados dos clienes da Alfa, buscou-se enão conhecer os seores da economia do qual fazem pare aravés da classificação dos mesmos pela Classificação Nacional de Aividades Econômicas (CNAE). A colea de dados para realização da idenificação das variáveis foi feia a aravés da mineração de dados nos sies do Minisério de Minas e Energia e no Insiuo Aço Brasil.

83 PESQUISA QUANTITATIVA A pesquisa quaniaiva foi dividida em duas eapas: Primeira eapa: foi feia uma análise de correlação enre as variáveis econômicas, pesquisadas na fase qualiaiva e a consumo de aço da Alfa no período compreendido enre janeiro de 2007 e maio de Segunda eapa: eve como objeivo a idenificação dos modelos de previsão de consumo de aço relacionando o consumo com as variáveis econômicas idenificadas na eapa anerior. Para consrução dos modelos foi uilizada a meodologia univariada e de função de ransferência de Box e Jenkins. A aquisição de dados para a eapa quaniaiva foi guiada pelos resulados obidos na eapa qualiaiva de idenificação dos seores econômicos relacionados com o consumo de aço. Com os resulados obidos foi feia uma mineração de dados no Sisema Gerenciador de Séries Temporais (SGS), do Banco Cenral, em busca de variáveis econômicas relacionadas com os seores da economia pesquisados aneriormene. 3.3 ETAPAS DA PESQUISA O presene esudo foi realizado conforme as eapas apresenadas pela Figura 4: Figura 4 Eapas da Pesquisa Fone: Elaborado pelo pesquisador

84 SELEÇÃO DO CASO DE ESTUDO Para Yin (2010), a definição do caso de esudo, unidade de análise, é um dos componenes imporanes de um projeo de pesquisa que envolva o esudo de caso. Nese rabalho o caso de esudo será a empresa Mealúrgica Alfa Lda., com mariz em Beno Gonçalves, no Rio Grande do Sul, fundada em 25 de agoso de Hoje a empresa emprega mais de funcionários em suas quaro unidades fabris de Beno Gonçalves no Rio Grande do Sul, uma unidade produiva no Esado de Pernambuco, uma unidade produiva no Esado de Goiás e um cenro de disribuição na América Cenral, mais especificamene na Guaemala. A empresa esá subdividida em unidades de negócio focadas em cozinhas de aço para o mercado inerno e exporação, sisemas de armazenagem e soluções em logísica e armazenagem de produos, móveis planejados residenciais, móveis exclusivos com foco na produção de produos especiais para clienes corporaivos e exporação e unidade de serviços compreendendo um oal de m² de área física disponível. O rabalho erá foco na unidade de sisemas de armazenagem e soluções em logísica e armazenagem de produos. Ele em como objeivo idenificar os modelos mais adequados para a previsão de consumo de aço considerando o impaco de variáveis exernas com influência no comporameno do mercado. A empresa Alfa foi escolhida para realização dese esudo por rês moivos: imporância econômica da empresa para região e comunidade a qual ela perence; imporância do seor mealúrgico para a economia local e nacional, imporância esa desacada aneriormene pelos dados do mercado do aço no Brasil; disponibilidade de dados esraégicos da empresa para realização do esudo. Em reunião com os direores da empresa, ficou clara a imporância da gesão da consumo de aço para a unidade de sisemas de armazenameno, devido aos cusos envolvidos e ao empo que o aço pode ficar parado em esoque, se não houver demanda do mercado. A solução proposa foi a de se idenificar modelos de previsão de consumo de aço para a empresa aravés da análise de variáveis exernas.

85 CARACTERIZAÇÃO DO OBJETO DE ESTUDO Com o objeivo de preservar a confidencialidade das informações específicas da empresa objeo dese esudo, a idenificação uilizada para a empresa será de empresa Alfa. Esa necessidade se faz por exigência dos represenanes da empresa com o objeivo de preservar as informações divulgadas nese esudo Empresa Alfa A empresa objeo de esudo é do ramo mealúrgico e em mariz no esado do Rio Grande do Sul, foi fundada no final da década de 60 e iniciou suas aividades em uma área de 80m², com a produção de esquadrias meálicas e ouros maeriais meálicos do segmeno de serralheria como esquadrias e esruuras meálicas a parir da associação de uma família conhecida em sua época por ser alenosa e criaiva. Empreendedora para sua época, já em 1977, conraou pesquisa de mercado para enar idenificar as oporunidades de negócio. Como resulado iniciou a produção de móveis de aço e já invesia na aquisição de uma mealúrgica local para ober o maquinário mínimo para iniciar a produção em escala. A empresa, sempre inovando, criou a primeira máquina do Brasil de ornar a fórmica fosca. Já, em 1995, colhia prêmios nacionais de disinção com a cozinha de aço mais moderna do Brasil, fruo da apropriação consane de novas ecnologias e criação de soluções próprias e personalizadas. A empresa ambém foi à primeira do país a produzir indusrialmene dormiórios em Medium Densiy Fiberboard (MDF), o que seguiu para as cozinhas que ambém seriam fabricadas com esse maerial, parindo assim para nova análise de mercado, seguida pela esruuração de sua rede de lojas exclusivas, visando à comercialização direa ao consumidor. Aualmene, a empresa denomina-se Alfa Sociedade Anônima (S.A.), emprega cerca de funcionários em suas quaro unidades fabris no Rio Grande do Sul, uma unidade produiva no Esado de Pernambuco, uma unidade produiva no Esado de Goiás e um cenro de disribuição na América Cenral. Esá subdividida em unidades de negócio focadas em cozinhas de aço para o mercado inerno e exporação, sisemas de armazenagem e soluções em logísica e armazenagem de produos, móveis planejados residenciais, móveis exclusivos com foco na produção de produos especiais para clienes corporaivos e exporação e unidade de serviços compreendendo um oal de m² de área física disponível.

86 72 Nesse cenário, a Alfa invese consanemene em qualificação para o desenvolvimeno de líderes com perfil volado para a inerpreação esraégica e foco na ineligência empresarial, mosrando-se assim, preocupada com a longevidade da empresa. Nesse esudo, concenram-se esforços na unidade de sisemas de armazenagem, esa especializada em planejar e desenvolver modernas soluções para esocagem e movimenação de maeriais endo como linha produos pora Palles, Drive in, Canillever, Racks meálicos e Inainer, Divisórias indusriais, Drive In Dinâmico, Pora Bobinas, Push Backs, Palles leves, auoporanes, mezaninos e passarelas, Drive In Carro Saélie e Racks meálicos Muliblock que, em volume de vendas, no ano de 2011, represenou 43% do faurameno do grupo. A principal maéria-prima uilizada pela empresa, na unidade de armazenameno, é o aço. No Gráfico 2 é possível observar o consumo mensal de aço em kg no período enre janeiro de 2007 a maio de Gráfico 2 Consumo mensal de aço Empresa Alfa Brasil jan. 07 / maio 2012 Consumo em Kg Meses - jan/07 - maio/2012 Fone: Elaborado pelo pesquisador com base nos dados da empresa Alfa (2012) A empresa faz aquisições periódicas de grande quanidade de aço para produção, mas por se raar de uma Commodiy a empresa não consegue negociar melhores preços com seus fornecedores na busca de uma vanagem compeiiva. Devido à variabilidade do consumo mensal de aço, como é possível verificar no Gráfico 2, a empresa em dificuldade de prever a demanda de consumo. Uma das soluções pensadas pelos gesores da Alfa para ober alguma vanagem com relação à aquisição do aço consise em melhorar a previsão da demanda do consumo de aço pela empresa na busca da redução de seus esoques o que acarreará a redução do capial empenhado em esoque.

87 73 Em reunião realizada em abril de 2012, com direores da empresa, foi demonsrado ineresse no desenvolvimeno de uma pesquisa para a elaboração de um modelo de previsão de consumo de aço. Na mesma reunião os direores afirmaram que esá em esudo um projeo para a implanação de uma unidade de Ineligência Compeiiva na empresa e que a consrução do modelo de previsão de consumo de aço seria mais um passo em direção à implanação desa unidade. Para isso a empresa disponibilizaria odas as informações necessárias para o projeo, assim como a devida auorização para o esudo desde que a verdadeira razão social fosse alerada para fins de publicações. 3.6 COLETA DE DADOS A colea de dados para o desenvolvimeno dese esudo seguiu rês frenes: 1. Colea de informações sobre o mercado do aço no Brasil; 2. Colea de informações na empresa Alfa; 3. Colea de informações juno ao Sisema gerenciador de séries emporais do BACEN (2012); A colea de dados sobre o mercado do aço no Brasil eve com objeivo reconhecer as principais caracerísicas dese mercado para poserior idenificação dos seores da economia que podem influenciar o consumo de aço da empresa Alfa. A colea de informações sobre a empresa Alfa eve como finalidade a consrução de dois bancos de dados. Um eve a finalidade de idenificação e classificação dos clienes da empresa com o propósio de idenificar os seores da economia aos quais eles perencem, o segundo banco eve como finalidade a análise de correlação e a idenificação do modelo de previsão de consumo de aço da empresa Alfa.

88 74 4 ANÁLISE E DISCUSSÃO DOS RESULTADOS Nese capíulo serão apresenadas a análise e discussão dos dados obidos durane o desenvolvimeno do esudo. Essa apresenação foi dividida em duas eapas: Eapa qualiaiva: onde será apresenado o conjuno de informações coleadas na pesquisa qualiaiva, assim como o raameno dessas informações e os resulados obidos; Eapa quaniaiva: onde será apresenada a análise de correlação, o processo de idenificação dos modelos de previsão e os resulados obidos. 4.1 ETAPA QUALITATIVA Na eapa qualiaiva da pesquisa foi feio um levanameno de informações necessárias para idenificação dos seores econômicos e os seus respecivos indicadores que inham alguma relação com o consumo de aço da empresa Alfa. Para ano, o procedimeno foi dividido em: idenificação de informações sobre o Mercado do Aço no Brasil; colea de dados da empresa Alfa; análise dos resulados obidos Mercado do Aço Brasileiro Para esudar o consumo de aço da Empresa Alfa e idenificar no mercado variáveis ou indicadores financeiros que possam er influência sobre esa, foi feio um levanameno das caracerísicas do mercado do aço brasileiro. Os dados obidos são referenes à consolidação do mercado aé o ano de 2011 e à siuação da produção de aço aé maio de As informações foram obidas juno ao Insiuo Aço Brasil (IABR) e ao Minisério de Minas e Energia (MME). Após a crise de 2008 o mercado mundial do aço vem se recuperando, segundo dados do MME (2011, p. 38), a produção mundial de aço bruo enre os anos de 2006 e 2010 foram respecivamene 1.246,7, 1.346,1, 1.328,5, 1.230,0, 1.413,5 milhões de oneladas, o que represena um crescimeno de 13,38 % no período, e um crescimeno de 14,92% após a crise de 2008.

89 75 O Brasil, segundo MME (2011, p. 35), ocupa a 9ª posição no ranking dos países produores e 12ª posição no ranking mundial de países exporadores, sendo o 5º maior exporador líquido (exporação imporação), exporando para 100 países, indireamene o país expora 2,9 milhões de oneladas em aço conido em ouros bens. Tabela 5 Produção Mundial de Aço Bruo Unid PAÍSES China 419,1 489,3 500,3 573,6 626,7 Japão 116,2 120,2 118,7 87,5 109,6 EUA 98,6 98,1 91,4 58,2 80,5 Índia 49,5 53,5 57,8 62,8 68,3 Rússia 70,8 72,4 68,5 60,0 66,9 Coréia do Sul 48,5 51,5 53,6 48,6 58,4 República Federal da Alemanha 47,2 48,6 45,8 32,7 43,8 Ucrânia 40,9 42,8 37,3 29,9 33,4 Brasil 30,9 33,8 33,7 26,5 32,9 Turquia 23,3 25,8 26,8 25,3 29,1 Fones: Anuário Esaísico do Seor Mealúrgico-SGM/MME; Dados obidos ao IABR (2012) informam que o parque brasileiro produor de aço é composo por 29 usinas adminisradas por 11 grupos empresariais, onde a capacidade insalada é de 47,8 milhões de oneladas por ano de aço bruo com produção anual de 35,2 milhões de oneladas. Já o consumo aparene de aço é de 25 milhões de oneladas, gerando um saldo comercial de 3,9 bilhões de dólares que represenou 13% do saldo comercial do país. O Minisério de Minas e Energia apresena a Tabela 6 coneno a produção de aço brasileira por empresas no período de 2006 a Tabela 6 Produção Brasileira de Aço Bruo por Empresa - Unid. 10³ EMPRESAS Gerdau * Usiminas ArcelorMial Tubarão CSN ArcelorMial Aços Longos Vooranim Siderurgia Aperam V & M do Brasil CSA Sinobras Villares Meals Toal Fones: Anuário Esaísico do Seor Mealúrgico-SGM/MME; Noas / Noes: Corresponde à produção de aço em lingoes + produos de lingoameno conínuo + aço para fundição. * As esaísicas da Aços Villares esão incorporadas às da Gerdau.

90 76 Uma variável que preocupa o seor é o consumo per capia de aço, pois em 1980 o consumo per capia brasileiro era 70% superior ao chinês, hoje o consumo chinês é 117,76 % superior ao brasileiro (MME, 2011, p. 36). O consumo per capia brasileiro em 2011 foi de 145 quilos de aço bruo por habiane. Um hisórico do consumo per capia pode ser observado na Tabela 7 que raz um comparaivo do consumo aparene de aço no período de 1970 a Tabela 7 Consumo Aparene Per Capia de Aço Unid. Kg/hab. METAL Aço 50,1 91, ,7 71,0 86, (bruo) Aço Inox n.d. n.d. 0,49 0,56 0,55 0,88 1,1 1,9 1,4 1,9 Fones: Anuário Esaísico do Seor Mealúrgico-SGM/MME; IABR; ABAL; ABC; ICZ; SNIEE; ABRAFE; Grupo Inox. Conforme o IABR (2012) a produção brasileira de aço bruo aé maio de 2012 eve uma queda de 11,7% com relação ao mesmo período de 2011, em conraparida a produção de aços laminados em maio de 2012 apresenou um crescimeno de 1,1% em comparação a maio de Com relação às vendas inernas o IABR (2012) informa que as vendas acumuladas em 2012 mosram um crescimeno de 0,8% em relação ao mesmo período de As exporações brasileiras aé maio de 2012 êm apresenado um declínio em 5,2% em volume e de 8,9% em valor, quando comparados ao mesmo período do ano anerior (IABR, 2012). Já as imporações brasileiras, aé maio de 2012, êm regisrado um crescimeno de 14,2% em relação ao mesmo período de 2011, oalizando 1,6 milhão de oneladas de produos siderúrgicos imporados no ano. O consumo aparene de produos siderúrgicos aé maio de 2012 em apresenado um crescimeno de 0,4% em relação ao mesmo período de 2011, o que oalizaria um crescimeno de 1,6% no ano de 2012 com relação a A Tabela 8 apresena a disribuição de vendas de produos siderúrgicos no Brasil conforme dados obidos no Anuário Esaísico 2011 do Minisério de Minas. Tabela 8 Disribuição Seorial das Vendas Inernas de Produos Siderúrgicos - Unid. 10³ (coninua) SETORES Auomobilísico Auopeça (Inclusive Carrocerias) Ferroviário Naval

91 77 (conclusão) SETORES Bicicleas e Moocicleas Agrícola e Rodoviário Máquinas e Equipamenos Elero Elerônicos e de Medidas e Conrole Máquinas e Equipamenos Indusriais Consrução Civil Uilidades Domésicas e Comerciais Embalagens e Recipienes Cuelaria Parafusos e Rebies (Excl. p/ Ind Auomobilísica) Derivados de Arames Relaminação (Fora do Parque) Trefilaria de Barras Trefilaria de Arames Forjaria Mariz Fechada Forjarias (Ouras) Perfis Conformados a Frio Perfis Soldados Tubos com Cosura de Pequeno Diâmero Tubos com Cosura de Grande Diâmero Disribuidores e Revendedores Ouros Toal Relaminação (p/ Usinas) Fones: Anuário Esaísico do Seor Mealúrgico-SGM/MME; Com base nas informações da Tabela 8 e segundo o IABR (2012), os principais seores consumidores de aço no Brasil são: consrução civil, auomoivo, bens de capial, máquinas e equipamenos e uilidades domésicas e comerciais Colea de informações na Empresa Alfa Com o objeivo de consruir uma base de dados sobre os clienes da empresa Alfa e sobre o consumo de aço foi soliciado à empresa o acesso às seguines informações ipo de Aço uilizado pela empresa Alfa; consumo mensal de Aço; pedidos com nomes de clienes; soliciação de orçameno com a siuação após o orçameno; relação de Operadores Logísicos; relação de Clienes por faurameno;

92 78 valor pago pelo aço em cada compra. Após o recebimeno das informações da empresa, iniciou-se o processo de avaliação, formaação e consrução dos bancos de dados para a pesquisa. A primeira eapa do rabalho consisiu em uma avaliação dos dados enviados pela empresa Alfa, onde foram realizados os seguines procedimenos: 1º) idenificação e exclusão de dados duplicados; 2º) idenificação de fala de informações; 3º) agrupameno de diversas bases de dados em uma única base; 4º) exclusão de informações sem relevância para o esudo; 5º) padronização de nomes de clienes; 6ª) consrução de dois novos bancos de dados sendo: Banco de dados com a relação de clienes e seus respecivos pedidos a parir de janeiro de 2007 aé 18 de julho de Banco de dados com o consumo mensal de aço da empresa Alfa, soliciações de orçamenos, enradas de pedidos e a variação enre valor pedido e valor orçado. O primeiro banco de dados eve como finalidade análise e idenificação dos possíveis faores exernos que podem influenciar o consumo de aço da empresa Alfa aravés da classificação dos clienes conforme abela de Classificação Nacional de Aividade Econômica (CNAE). O segundo banco de dados eve como objeivo a análise de correlação enre o consumo de aço e as variáveis exernas. As esruuras dos bancos de dados são apresenadas nas Tabelas 9 e 10. Tabela 9 Esruura da Base de Dados Relação de Clienes NOME DO CAMPO DESCRIÇÃO V_Ano Idenificação do ano do pedido V_Cnpj Idenificação do CNPJ do Cliene V_R_Social Idenificação da Razão Social do Cliene V_Valor Idenificação do Valor do Pedido Fone: Dados elaborados pelo pesquisador Tabela 10 Esruura da Base de Dados Consumo de Aço NOME DO CAMPO DESCRIÇÃO V_mes Idenifica o mês e o ano V_Consumo Idenifica o consumo mensal de aço em Kg V_Valor_orçado Idenifica o valor do orçameno V_valor_conraado Idenifica o valor do pedido (coninua)

93 (conclusão) NOME DO CAMPO DESCRIÇÃO V_Difer_perc_valor Idenifica a diferença percenual enre o valor orçado e o valor conraado V_Quanidade Idenifica a quanidade orçada V_quan_conraada Idenifica a quanidade conraada no pedido V_difer_perc_quan Idenifica a diferença percenual enre a quanidade orçada e a quanidade conraada Fone: Dados elaborados pelo pesquisador 79 O banco de dados com a relação dos clienes era composo por negociações no período de janeiro de 2007 a maio de Para realizar a análise do banco de dados foi feia uma amosragem probabilísica aleaória simples de uma população finia (PEREIRA, 1979), considerando-se um erro de 5% e uma confiança de 95%, com iso foi obida uma amosra com 360 clienes. Com a amosra definida foi realizada uma classificação dos clienes conforme a aividade econômica baseada na abela CNAE (IBGE, 2012) classificando-os em dois níveis: segundo a seção e com base na divisão, Tabelas 11 e 12 respecivamene. A classificação foi realizada aravés de uma consula do Cadasro Nacional de Pessoa Jurídica (CNPJ) no sie da Receia Federal para idenificar o código e descrição da aividade econômica principal. O código obido na Receia Federal foi uilizado para idenificar os seores da economia e as aividades econômicas dos clienes da empresa Alfa. Tabela 11 Classificação dos clienes por seção conforme a abela CNAE. (coninua) SEÇÃO FREQUÊNCIA % DESCRIÇÃO DA SEÇÃO C ,2 Indúsrias de Transformação G ,8 Comércio; Reparação de Veículos Auomoores e Moocicleas H 21 5,8 Transpore, Armazenagem e Correio PF 15 4,2 Pessoa física BA 11 3,1 CNPJ baixados SS 7 1,9 CNPJ suspenso F 6 1,7 Consrução EX 5 1,4 Exporação K 5 1,4 Aividades financeiras, de seguros e serviços relacionados B 4 1,1 Indúsrias exraivas J 4 1,1 Informação e comunicação N 4 1,1 Aividades adminisraivas e serviços complemenares M 3,8 Aividades profissionais, cieníficas e écnicas Q 3,8 Saúde humana e serviços sociais A 2,6 Agriculura, pecuária, produção floresal, pesca e aqüiculura

94 80 SEÇÃO FREQUÊNCIA % DESCRIÇÃO DA SEÇÃO I 2,6 Alojameno e alimenação O 2,6 Adminisração pública, defesa e seguridade social P 2,6 Educação S 2,6 Ouras aividades de serviços D 1,3 Elericidade e gás E 1,3 Água, esgoo, aividades de gesão de resíduos e desconaminação L 1,3 Aividades imobiliárias Toal ,0 Fone: Dados elaborados pelo pesquisador com base na abela CNAE (IBGE, 2012) (conclusão) Tabela 12 Classificação dos clienes por divisão conforme abela CNAE. (coninua) DIVISÃO FREQUÊNCIA % DESCRIÇÃO DA DIVISÃO ,0 Comércio por aacado, exceo veículos auomoores e moocicleas ,9 Comércio varejisa ,0 Fabricação de produos alimenícios ,2 Fabricação de produos de borracha e de maerial plásico ,9 Comércio e reparação de veículos auomoores e moocicleas ,6 Transpore erresre ,3 Fabricação de produos de meal, exceo máquinas e equipamenos ,1 Fabricação de veículos auomoores, reboques e carrocerias ,8 Fabricação de produos químicos ,8 Fabricação de máquinas e equipamenos ,5 Fabricação de equipamenos de informáica, produos elerônicos e ópicos ,5 Fabricação de móveis 77 3,8 Aluguéis não-imobiliários e gesão de aivos inangíveis não-financeiros ,9 Preparação de couros e fabricação de arefaos de couro, arigos para viagem e calçados ,9 Fabricação de celulose, papel e produos de papel ,9 Fabricação de produos diversos ,9 Armazenameno e aividades auxiliares dos ranspores ,7 Confecção de arigos do vesuário e acessórios ,4 Aividades de serviços financeiros ,1 Obras de infraesruura 13 3,8 Fabricação de produos êxeis 23 3,8 Fabricação de produos de minerais não-meálicos 24 3,8 Mealurgia 33 3,8 Manuenção, reparação e insalação de máquinas e equipamenos 86 3,8 Aividades de aenção à saúde humana

95 81 (conclusão) DIVISÃO FREQUÊNCIA % DESCRIÇÃO DA DIVISÃO 1 2,6 Agriculura, pecuária e serviços relacionados 7 2,6 Exração de minerais meálicos 27 2,6 Fabricação de máquinas, aparelhos e maeriais eléricos 30 2,6 Fabricação de ouros equipamenos de ranspore, exceo veículos auomoores 56 2,6 Alimenação 58 2,6 Edição e edição inegrada à impressão 61 2,6 Telecomunicações 84 2,6 Adminisração pública, defesa e seguridade social 85 2,6 Educação 94 2,6 Aividades de organizações associaivas 5 1,3 Exração de carvão mineral 6 1,3 Exração de peróleo e gás naural 11 1,3 Fabricação de bebidas 16 1,3 Fabricação de produos de madeira 18 1,3 Impressão e reprodução de gravações 19 1,3 Fabricação e esoque de produos derivados do peróleo e de biocombusíveis 35 1,3 Elericidade, gás e ouras uilidades 38 1,3 Colea, raameno e disposição de resíduos; recuperação de maeriais 41 1,3 Consrução de edifícios 43 1,3 Serviços especializados para consrução 51 1,3 Transpore aéreo 68 1,3 Aividades imobiliárias 71 1,3 Serviços de arquieura e engenharia; eses e análises écnicas 72 1,3 Pesquisa e desenvolvimeno cienífico 74 1,3 Ouras aividades profissionais, cieníficas e écnicas 81 1,3 Serviços para edifícios e aividades paisagísicas Toal ,0 Fone: Dados elaborados pelo pesquisador com base na abela CNAE (IBGE, 2012) Com as informações obidas sobre o mercado do aço no Brasil, sobre a classificação dos clienes da empresa Alfa por aividade econômica conforme a abela CNAE, e seguindo indicação de Mayer (1990), sobre os indicadores econômicos comumene uilizados nas previsões de venda, foi possível consruir a Tabela 13 que raz uma visão sobre as informações obidas nesa fase da pesquisa. Esa em como finalidade orienar o levanameno de indicadores econômicos para o esudo de correlação e poseriormene a idenificação do modelo de previsão de consumo.

96 82 SETORES CONSUMIDORES DE AÇO NO BRASIL - IBR (2012) consrução civil; auomoivo; bens de capial; máquinas e equipamenos; uilidades domésicas e comerciais. Tabela 13 Idenificação dos Seores Econômicos e Indicadores INDICADORES ECONÔMICOS USADOS NA PREVISÃO DE VENDAS - MAYER (1990) Fone: Dados elaborados pelo pesquisador renda per capia; produção de auomóveis; renda agrícola; nível de emprego; renda nacional brua; preços ao consumidor; preços de mercadorias no aacado; depósios bancários; produção de aço; produção indusrial. CLASSIFICAÇÃO DOS CLIENTES POR SEÇÃO - CNAE (2012) Indúsrias de Transformação Comércio; Reparação de Veículos Auomoores e Moocicleas Transpore, Armazenagem e Correio Pessoa física Consrução Exporação Aividades financeiras, de seguros e serviços relacionados Indúsrias exraivas Informação e comunicação Aividades adminisraivas e serviços complemenares Aividades profissionais, cieníficas e écnicas Saúde humana e serviços sociais Agriculura, pecuária, produção floresal, pesca e aqüiculura Alojameno e alimenação Adminisração pública, defesa e seguridade social Educação Ouras aividades de serviços Elericidade e gás Água, esgoo, aividades de gesão de resíduos e desconaminação Aividades imobiliárias 4.2 ETAPA QUANTITAVA A eapa quaniaiva da pesquisa eve por finalidade avaliar a relação enre às variáveis do mercado aravés de uma análise de correlação e idenificar o modelo de previsão de consumo de aço da empresa Alfa aravés da meodologia de Box e Jenkins com função de ransferência. Esa eapa ficou dividida em: análise de correlação;

97 83 ciclo de Box e Jenkins para consrução do modelo Univariado; consrução do Modelo com Função de Transferência; análise dos resulados obidos Análise de Correlação Tendo como referência as informações obidas na eapa qualiaiva e orienação dos dados da Tabela 13 realizou-se um processo manual de mineração de dados no SGS (BACEN, 2012) para idenificar variáveis que poderiam er alguma relação com o consumo de aço da empresa Alfa. Para idenificar a relação enre as variáveis de mercado obidas aravés da mineração de dados no SGS, do Banco Cenral, e o consumo de aço da empresa Alfa, foi realizada uma análise de correlação. Esa em como propósio saber como se compora uma variável conhecendo o comporameno de ouras variáveis relacionadas (SAMPIERI; COLLADO; LUCIO, 2001, p. 63). A correlação é medida pela esaísica que resume a força e a direção da associação enre duas variáveis (MALHOTRA, 2010, p. 419). Em um primeiro momeno realizou-se uma análise de correlação com odas às variáveis envolvidas e a variável consumo de aço da empresa Alfa, não se considerando os suposos paraméricos, pois o objeivo era idenificar o ipo de correlação exisene para diminuir o número de variáveis. O criério uilizado foi a classificação da força de uma correção apresenada por Sanos (2007) na Tabela 14, as variáveis com correlação no inervalo de -0,6 e 0,6 foram reiradas do esudo. Tabela 14 Avaliação da Correlação COEFICIENTE DE CORRELAÇÃO CORRELAÇÃO P = 1 Perfeia Posiiva 0,8 p < 1 Fore Posiiva 0,5 p < 0,8 Moderada Posiiva 0,1 p < 0,5 Fraca Posiiva 0 < p < 0,1 Ínfima Posiiva 0 Nula -0,1 < p < 0 Ínfima Negaiva -0,5 < p -0,1 Fraca Negaiva -0,8 < p -0,5 Moderada Negaiva -1 < p -0,8 Fore Negaiva P = -1 Perfeia Negaiva Fone: Sanos (2007) reelaborada pelo pesquisador

98 84 Após a primeira análise e a reirada do esudo dos indicadores econômicos, com coeficiene de correlação fora dos do inervalo esipulado foram verificados os suposos paraméricos, eses são requisios que devem ser respeiados para que os eses paraméricos possam ser aplicados, caso os suposos não sejam respeiados, os eses aplicados devem ser não paraméricos (HAIR JR. e al., 2005). Os suposos paraméricos são: a. a variável dependene é quaniaiva conínua, medida pelo menos em uma escala de inervalo; b. a amosra é maior que rina elemenos; c. a população é normalmene disribuída; d. há homoscedasicidade enre os grupos de variáveis. Ao avaliar o conjuno de dados foi possível verificar que os suposos a e b são respeiados pelo conjuno, pois as variáveis esudadas são conínuas e o amanho da amosra é maior que 30. Para verificar a normalidade dos dados foi aplicado o ese de Kolmogorov-Smirnov (HAIR JR. e al., 2005 p. 78) já a homoscedasicidade foi avaliada pelo ese Levene (HAIR JR. e al., 2005, p.79). Ese indicou que esa condição não era respeiada, essa eapa do esudo fica resria a uma análise de correlação e, para ese, o resulado do ese de Levene (HAIR JR. e al., 2005, p.79) não erá influência, mas na idenificação dos modelos de previsão ese resulado foi levado em consideração. Na avaliação do suposo paramérico de normalidade da população, onde se avaliou se os dados seguem uma disribuição normal, esou-se a hipóese nula. Esa afirmava que a variável é normalmene disribuída conra a hipóese alernaiva que a variável não segue uma disribuição normal. Aravés dos resulados obidos na aplicação do ese Kolmogorov- Smirnov foi possível verificar que a significância foi maior que 0,05 para odas as variáveis o que nos impede de rejeiar a hipóese nula, ou seja, os dados seguem uma disribuição normal, conforme resulados apresenados na Tabela 15. Tabela 15 Tese de Kolmogorov Smirnov (coninua) VARIÁVEIS KOLMOGOROV SMIRNOV Z SIG. Consumo de aço (kg),730,661 Produção de caminhões (unidades),567,905 Produção de raores de rodas (unidades),560,913 Produção de reroescavadeiras (unidades),743,639

99 (conclusão) VARIÁVEIS KOLMOGOROV SMIRNOV Z SIG. Produção de máquinas agrícolas (unidades),830,496 Produção de derivados de peróleo - Gás naural (barris/dia) 10³,716,685 Consumo de derivados de peróleo Óleo diesel (barris/dia) 10³,567,905 Consumo de energia elérica - Brasil - Indusrial (GWh),943,336 Consumo de energia elérica - Brasil - Toal (GWh),956,320 Índice volume de vendas no varejo - Combusíveis e lubrificanes,671,758 (índice) Índice volume de vendas no varejo Auomóveis, moocicleas,,730,661 pares e peças Brasil (índice) PIB mensal - Valores correnes (R$ milhões),824,505 Vendas de veículos pelas concessionárias - Comerciais leves,603,861 (unidades) Vendas de veículos pelas concessionárias Caminhões (unidades),738,647 Vendas de veículos pelas concessionárias Ônibus (unidades),514,954 Vendas de veículos pelas concessionárias - Toal (unidades),525,946 Indicadores da produção (2002=100) Geral (índice),831,495 Indicadores da produção (2002=100) - Exraiva mineral (índice),756,618 Indicadores da produção (2002=100) (índice),724,671 Indicadores da produção (2002=100) - Por caegoria de uso Bens 1,001,269 de capial (índice) Indicadores da produção (2002=100) - Por caegoria de uso Bens,562,910 de consumo (não-duráveis e semiduráveis) (índice) Insumos da consrução civil (índice),707,699 Maerial de consrução (índice),421,994 Cesa básica (u.m.c) 1,346,053 Endividameno das famílias com o Sisema Financeiro Nacional em,633,818 relação à renda acumulada dos úlimos doze meses (índice) Fone: Dados elaborados pelo pesquisador 85 Tendo realizado a avaliação dos suposos paraméricos foi possível realizar a análise de correlação enre as variáveis exernas e o consumo de aço da empresa Alfa. Tabela 16 Análise de Correlação enre a variável consumo de aço e as variáveis exernas aravés do Coeficiene de Pearson. VARIÁVEIS (coninua) CONSUMO PEARSON SIG N Produção de caminhões,646 **, Produção de raores de rodas,632 **, Produção de reroescavadeiras,686 **, Produção de máquinas agrícolas (oal),669 **, Produção de derivados de peróleo Gás naural,608 **, Consumo de derivados de peróleo Óleo diesel,740 **, Consumo de energia elérica - Brasil - Indusrial,609 **, Consumo de energia elérica - Brasil - Toal,645 **,000 65

100 VARIÁVEIS Índice volume de vendas no varejo Combusíveis e lubrificanes Brasil Índice volume de vendas no varejo - Auomóveis, moocicleas, pares e peças - Brasil (conclusão) CONSUMO PEARSON SIG N,707 **,000 65,614 **, PIB mensal - Valores correnes (R$ milhões),668 **, Vendas de veículos pelas concessionárias - Comerciais leves,643 **, Vendas de veículos pelas concessionárias - Caminhões,661 **, Vendas de veículos pelas concessionárias Ônibus,657 **, Vendas de veículos pelas concessionárias - Toal,601 **, Indicadores da produção (2002=100) - Geral,655 **, Indicadores da produção (2002=100) - Exraiva mineral,613 **, Indicadores da produção (2002=100) Indúsria de ransformação,651 **, Indicadores da produção (2002=100) - Por caegoria de uso - Bens de capial Indicadores da produção (2002=100) - Por caegoria de uso - Bens de consumo (não-duráveis e semiduráveis),680 **,000 65,662 **, Insumos da consrução civil (2002=100),797 **, Maerial de consrução,715 **, Cesa básica,606 **, Endividameno das famílias com o Sisema Financeiro Nacional em relação à renda acumulada dos úlimos doze meses Fone: Dados elaborados pelo pesquisador,620 **, Analisando a Tabela 16 é possível verificar que odas as variáveis apresenaram um coeficiene de correlação superior a 0,6, o que para Sanos (2007) represena uma correlação moderada posiiva. Ese resulado ambém confirma os resulados da análise qualiaiva, uma vez que a correlação enre as variáveis pode ser visa como um indicaivo de correlação enre os seores econômicos aos quais as variáveis perencem Análise dos resulados obidos na análise de correlação Com base nos resulados da análise de correlação, apresenados na Tabela 16, foi possível agrupar as variáveis conforme a suas similaridades e com eses grupos consruir um modelo que represena a relação enre o mercado e o consumo de aço da empresa Alfa.

101 87 A Tabela 17 raz o conjuno de variáveis agrupadas conforme a sua similaridade e a classificação, em ordem decrescene, do grau de correlações exisenes enre as variáveis econômicas e o consumo de aço. Tabela 17 Classificação das variáveis conforme similaridade e sua correlação. GRUPO VARIÁVEIS PEARSON Produção de Veículos Pesados Prod. E Consumo de derivados de peróleo e energia elérica Índice de vendas Indicadores da produção Consrução civil Social Fone: Dados elaborados pelo pesquisador Produção de reroescavadeiras,686 ** Produção de máquinas agrícolas (oal),669 ** Produção de caminhões,646 ** Consumo de derivados de peróleo Óleo diesel,740 ** Consumo de energia elérica Brasil Toal,645 ** Consumo de energia elérica Brasil Indusrial,609 ** Índice volume de vendas no varejo - Combusíveis,707 ** e lubrificanes Brasil Vendas de veículos pelas concessionárias,661 ** Caminhões Vendas de veículos pelas concessionárias - Ônibus,657 ** Indicadores da produção (2002=100) - Por,680 ** caegoria de uso - Bens de capial PIB mensal - Valores correnes (R$ milhões),668** Indicadores da produção (2002=100) - Por,662 ** caegoria de uso - Bens de consumo (não-duráveis e semiduráveis) Insumos da consrução civil (2002=100),797 ** Maerial de consrução,715 ** Endividameno das famílias com o Sisema,620 ** Financeiro Nacional em relação à renda acumulada dos úlimos doze meses Cesa básica,606 ** O modelo apresenado na Figura 5 represena uma visão das relações exisenes enre o mercado e o consumo de aço da empresa Alfa na época em que o esudo foi realizado. É imporane desacar que ese modelo é emporal, ou seja, só represena o momeno do esudo e pode sofrer alerações se o esudo for realizado em ouros momenos. A função do modelo apresenado na Figura 5 é de razer um panorama das relações enre o mercado e o consumo de aço, e em como objeivo melhor orienar a vigilância inerna e exerna da empresa em um processo de ineligência esraégica.

102 88 Figura 5 Relação enre o Consumo de Aço e o Mercado. Fone: Dados elaborados pelo pesquisador A Figura 5, denro de um processo de ineligência, raz uma visão mais ampla dos grupos de variáveis que devem ser consanemene moniorados pela empresa Alfa na busca de idenificação de sinais fracos que possam orienar o seu planejameno esraégico relacionado com a compra e armazenameno de aço. É imporane desacar mais uma vez que o modelo represenado na Figura 5 esá em consane processo de ransformação e os elemenos presenes nese momeno, necessariamene, não precisam esar presenes em momenos poseriores, pois eses dependem de um moniorameno consane por pare da empresa, das relações exisenes enre o mercado exerno e as suas variáveis inernas relacionadas com o consumo do aço. Esse moniorameno consise na idenificação de alerações no mercado e passa pela idenificação, denro do Big Daa, de novas fones de dados que auxiliem a idenificação de grupos de variáveis relacionadas com o consumo de aço da empresa. Os dados apresenadas na Tabela 17 serão uilizados para idenificação do modelo de previsão de consumo da empresa Alfa aravés da Meodologia de Box e Jenkins com função de ransferência Verificação dos pressuposos básicos para idenificação do modelo de previsão Segundo Camargo e Souza (1996) e Fischer (1982) as hipóeses básicas para enconrar modelo de previsão são o conjuno de dados seguir uma disribuição normal e a variância desse conjuno ser consane, ou seja, exise homocedasicidade. Se as condições não forem respeiadas, a série esudada deve passar por um processo de ransformação que