1. A Previsão como Instrumento do Planejamento

1. A Previsão como Instrumento do Planejamento 1. Introdução A previsão e o planejamento são processos seqüenciais. O planejamento pode ser reconhecido como o processo de estabelecer compromissos de gerência que permitem que a empresa atenda à demanda prevista e alcance, assim, os objetivos estratégicos de seu negócio. Por outro lado, a previsão pode ser vista como o processo de desenvolver a visão mais provável de qual será o nível da demanda futura, assumido um conjunto de premissas sobre a tecnologia, o ambiente, a competição, a evolução dos preços, o marketing e os esforços de vendas. O uso de métodos e modelos analíticos para a previsão é necessário em várias situações. Por exemplo, eles são usados ao se analisar a evolução de fatores externos que afetam o desempenho das organizações como a inflação, a variação dos preços, o produto interno bruto, o tamanho e a divisão do mercado. Da mesma forma, a previsão permite analisar a variação dos volumes importados em comparação aos exportados ao longo do tempo, que por sua vez tem impacto na determinação do tamanho dos mercados em determinado período de tempo. Ela também permite acompanhar a evolução das condições econômicas de determinadas regiões ou países, que afetam o tamanho dos mercados e a quantidade de produtos vendidos, e, em conseqüência, possibilita antever a receita esperada das vendas. No longo prazo, a ausência de efetiva gerência para monitorar e controlar os processos de previsão e planejamento dos negócios pode afetar até mesmo a sobrevivência da organização. O planejamento da expansão (ou não) e o crescimento dos negócios devem se apoiar em estimativas das demandas futuras por serviços, produtos ou grupos de produtos. É sumamente importante antecipar informações sobre onde a capacidade instalada não atende à demanda (ou vice-versa) de forma a planejar a utilização do capital para expansões ou retrações da organização, assim como avaliar se o nível de demanda esperado irá compensar o investimento necessário para atuar em determinado ramo de negócio. No médio e curto prazo, negligenciar as previsões pode resultar em não atendimento de pedidos de clientes, serviços mal dimensionados e subutilização de recursos produtivos. Quando a demanda é prevista com precisão, ela pode ser atendida no tempo e da maneira adequados, satisfazendo os parceiros nos canais logísticos e os clientes finais. Matérias primas e partes componentes podem ser adquiridos de forma programada, serviços logísticos com contratos de longo prazo podem ser estabelecidos com maior segurança, enquanto aquisições no mercado spot 1

podem ser evitadas. Na programação da produção e dos níveis de estoque por produto, previsões de consumo de cada produto são necessárias para específicos períodos de tempo. Estoques de segurança podem ser melhor dimensionados, com previsões apuradas do nível de consumo por local e por tipo de produto ou serviço. Em departamentos de marketing, previsões da demanda devem estar disponíveis para que as estratégias de vendas sejam planejadas. A demanda por produtos deve ser prevista de forma a orientar esforços promocionais. Além disso, a previsão da demanda de produtos finais pode ser traduzida em previsões de necessidades de itens como produtos básicos, equipamentos, componentes/partes, e serviços. Em conseqüência dessas previsões de itens de demanda interdependente, a aquisição de produtos básicos pode ser programada, o que implica também na previsão da disponibilidade de recursos financeiros e em geral e no acompanhamento e previsão da variação dos preços dos itens e produtos analisados. Assim, em primeiro lugar, a previsão deve ser utilizada para decidir se a demanda é suficiente para justificar a entrada da organização numa determinada região de mercado. Se a demanda existe mas não em nível suficiente para cobrir os custos logísticos do seu produto final, a organização deverá rejeitar a oportunidade. De forma sumária, são três as macro-áreas de aplicação da previsão: Determinação de recursos desejados, correspondente a decisões de longo-prazo Essas decisões dizem respeito, por exemplo, a determinar as necessidades de capacidade no longo-prazo ou seja, em horizontes de tempo de mais de 2 anos, para o projeto da rede de instalações. Projeções da demanda para um número de anos no futuro podem significar redução dos gastos incorridos na expansão, ou na retração, da capacidade para atender à demanda projetada (deve-se usar as previsões para o planejamento de decisões de forma a evitar atender à demanda de forma insuficiente ou, ao contrário, ter capacidade ociosa em setores da empresa). Aquisição de recursos adicionais, correspondente a decisões de médio-prazo Essas decisões dizem respeito, por exemplo, à programação da utilização de capacidade adicional de transporte e armazenagem em períodos de pico e o relacionamento com fornecedores de tais serviços de forma a ter contratos favoráveis, pré-estabelecidos, de média duração. Programação de uso de recursos existentes, correspondente a decisões de curto-prazo Essas decisões dizem respeito, por exemplo, a acompanhar as flutuações da demanda de curto e curtíssimo prazos (uma semana a três meses) para o planejamento da produção, programação da força de trabalho, planejamento dos fluxos de materiais, e outras necessidades. Essas previsões 2

afetam, por exemplo, a produtividade operacional e as datas de entrega com as quais a organização se comprometeu. A experiência de organizações internacionais confirma que a habilidade empresarial para a previsão é reconhecida como passo inicial para o planejamento do atendimento das demandas de clientes. Esse planejamento é um direcionador do sucesso das cadeias de abastecimento em que essas organizações atuam (Moon et al, 2000). O suporte de métodos específicos de previsão lhes permite ser capazes de monitorar a evolução dos mercados e antever as suas oportunidades de negócios e projetar a estrutura da cadeia de abastecimento de forma a tirar o melhor proveito dessas oportunidades. O uso desses métodos é reconhecido por essas organizações criticamente útil para o negócio não só para a visibilidade da demanda ao longo da cadeia, apoiando o projeto de sua estrutura, como também pelo grande número de clientes internos que devem ser atendidos, nos vários processos comerciais internos da organização. Assim, sob a perspectiva estratégica e de gerência de topo, a empresa deve desenvolver e implantar planos para estabelecer a cadeia de abastecimento com a capacidade necessária para atender a demanda futura e, sob a perspectiva operacional, ao conhecê-la poderá otimizar a cadeia pela minimização dos custos de manutenção de estoques, transporte, aquisição e produção. Ou seja, os compromissos gerenciais de programação da produção ou de aquisição e de manutenção de níveis de estoques nas cadeias de abastecimento são assumidos baseados em valores prováveis e razoavelmente precisos do nível da demanda para determinados horizontes de tempo que o processo de previsão permitiu obter. Alguns aspectos, como a rápida mudança tecnológica, podem limitar o uso da previsão, assim como uma base de clientes estável com exigências bem estabelecidas dos produtos facilita a tarefa de previsão. Por outro lado, a participação de diferentes níveis hierárquicos da organização nas etapas de obtenção de dados, preparação e aprovação da previsão pode estar associada ao seu melhor desempenho. Além disso, melhores resultados de previsão são associados a melhores informações a respeito da indústria, clientes, competidores e da economia, além do projeto das interligações eficientes e troca de informações entre departamentos da organização, em especial com o departamento de pesquisa de marketing, e ao uso de métodos adequados, a disponibilidade de recursos e uma boa base de dados para a tarefa de previsão e a regularidade de sua realização (Fildes e Hastings, 1994, Rothe, 1978). A delegação da responsabilidade pelas previsões a membros dos canais logísticos das organizações, como distribuidores e rede de varejistas podem ter implicações na sua precisão, tendenciosidade e uso. Em algumas situações, como em mercados de exportação 3

ou globais, essa delegação pode ser uma necessidade, mostrando ser de importância crescente a consolidação de um sistema eficiente de troca de informações entre membros das cadeias de abastecimento. 2. Métodos (ou técnicas) de previsão e análise de séries temporais Os métodos ou técnicas de previsão podem ser classificados de acordo com o tipo de elaboração de sua formulação teórica e fundamentação estatística. Variantes desses métodos tem sido desenvolvidas para melhorar suas características preditivas do evento focado. Os métodos comumente utilizados incluem os chamados métodos espontâneos ou intuitivos (naîves), que imitam o comportamento humano com as limitações inerentes para cálculos e armazenamento de dados, que crescem de complexidade até sofisticados métodos formais, onde se incluem a metodologia de Box-Jenkins, os métodos Bayesianos, os sistemas econométricos de equações simultâneas e as redes neurais. Os métodos espontâneos usam a informação mais recente, ou mesmo uma média simples das informações, como base de extrapolações. Os métodos formais de previsão se baseiam no estudo de registros e informações, ou séries temporais, acerca dos fenômenos, buscando compreender (analisar) os processos que foram capazes de as gerar e, com essa compreensão, prever seus valores futuros. As séries temporais são definidas como formadas por conjuntos de observações sequenciais no tempo acerca de um fenômeno, a variável tempo podendo ser substituída por outra, como espaço, profundidade etc., em que as observações vizinhas são, em geral, dependentes. O estudo (ou a análise) de séries temporais pretende analisar e modelar essa dependência. Há basicamente dois tipos de análise de séries temporais, os quais fornecem informações complementares: A análise no domínio do tempo, baseada essencialmente na função de autocorrelação, e a análise no domínio da freqüência, baseada no espectro - Transformada de Fourier da função de autocorrelação, e na avaliação de periodicidades relevantes. Esses dois tipos são compostos pelos modelos paramétricos (no primeiro caso) e os modelos não paramétricos (no segundo caso). A. Análise no Domínio do Tempo (modelos paramétricos): A Figura 1 apresenta alguns dos modelos analíticos e métodos de previsão de acordo com: a) O grau de formalidade do método; 4

b) O uso de informação quantitativa de séries temporais ou de informação de base subjetiva (qualitativa), aplicável principalmente em prospecções de longo prazo. Os métodos quantitativos podem ser divididos em dois grandes grupos: aqueles que avaliam uma relação de causalidade entre fatores/eventos observados (métodos causais) e os que permitem previsões com base no reconhecimento do padrão observado da série temporal (métodos autoprojetivos). Método Formal Espontâneo ou informal Quantitativo Qualitativo Causal Autoprojeção Regressão Box-Jenkins Amortecimento Exponencial Médias Móveis Decomposição Ciclo de vida Delphi Analogia Histórica Opinião de experts Impactos cruzados Opinião de executivos Composição da força de vendas Figura 1- Uma classificação dos métodos de previsão e análise de séries temporais temporais B. Análise no Domínio da Frequência (modelos não-paramétricos): Corresponde basicamente a: A análise espectral, Que baseia-se no conceito fundamental da energia associada aos componentes da série descrita em componentes de frequência. O estudo da distribuição da energia corresponde à análise do espectro. A análise das periodicidades da série assim descrita irá permitir, por exemplo, reconhecer se o realizador da previsão pode utilizar todo o conjunto de dados existentes para estudar o evento e prever valores futuros, ou se ele deve descartar os seus subconjuntos cuja análise das periodicidades revela significativa diferença em relação às da série temporal pertinente ao estudo. A análise espectral tem, assim, caráter complementar às análises no domínio do tempo, quando se trata de previsões de cunho econômico. 5

3. Fatores Influenciando a Seleção do Método O primeiro fator influenciando a seleção do método é se há informação sobre o passado, se esta informação é quantificável e se o padrão observado no passado continua no futuro(constância). Além disso, importa saber quais são os fatores determinantes da ocorrência, analisar o padrão dos dados (por exemplo, por visualização gráfica dos dados) e o horizonte de tempo do planejamento que incorporará as previsões (até 3 meses, 3 meses a 2 anos, mais de 2 anos). A escolha do método deve levar em conta, também: As propriedades de cada método de previsão; A precisão obtida com cada método, e Os custos de sua utilização (com a disponibilidade de pacotes computacionais estes custos associam-se principalmente ao levantamento e a análise preliminar das informações e ao impacto da precisão dos ítens previstos no desempenho financeiro da organização). Embora os métodos de previsão e análise de séries temporais sejam ensinados em cursos de graduação de Engenharia Industrial, Economia e Administração, dentre outros, o seu grau de familiaridade pelos gerentes na prática ainda tem sido preponderante no caso daqueles métodos qualitativos também conhecidos como subjetivos e alguns métodos quantitativos simples como as médias móveis e amortecimento exponencial. No âmbito internacional, especialistas tem remarcado que é grande a defasagem existente entre o desenvolvimento dos métodos de previsão e seu grau de aplicação em empresas na prática (Schultz, 1992; Winklhofer et al., 1996). Schultz (1992, p. 410) remarca, em editorial da revista International Journal of Forecasting, "É virtualmente impossível trabalhar com organizações reais - ou mesmo simplesmente ler a imprensa de negócios -, sem se dar conta que o distanciamento entre o desenvolvimento de técnicas de previsão e sua aplicação é muito grande". Por outro lado, grandes organizações, o que se correlaciona muitas vezes com organizações antigas e bem consolidadas, fazem uso de métodos mais sofisticados mais frequentemente que pequenas organizações. Além dos profissionais responsáveis pelas previsões e seus usuários (tomadores de decisão), nessas grandes organizações, terem maior familiaridade com a variada gama de métodos existentes, a experiência no setor de atuação, o volume de dados disponíveis, coletados de forma contínua e a facilidade de sistemas computacionais atuais permitem o uso desses métodos mais 6

sofisticados. Tem sido observado como tendência, por exemplo, na última década, que o grau de familiaridade das organizações com os métodos quantitativos como amortecimento exponencial e aqueles de base estatística como a análise de regressão tem mantido seu patamar ou aumentado. Embora a familiaridade com a metodologia de Box-Jenkins seja ainda pequena, já existem resultados de sucesso de seu uso por grandes organizações. Por exemplo, Watson (1996) cita como as principais barreiras para o uso da previsão por parte da indústria eletrônica escocesa, nesta ordem: tempo insuficiente por causa da dedicação a outras tarefas, recursos insuficientes, base de dados históricos insuficiente, treinamento insuficiente e ausência de recursos ou habilidades computacionais. O mesmo autor fez uma comparação do grau de familiaridade com os métodos em diferentes organizações britânicas e americanas, baseando-se em pesquisa de campo de outros acadêmicos, como apresentado na Tabela I, onde são acrescentados resultados obtidos em estudo similar realizado por Mentzer & Kahn(1996). Entre outros pontos, é significativa a familiaridade em organizações americanas com o amortecimento exponencial e a análise de regressão, conforme apresentam Mentzer & Cox (1984) e Mentzer & Kahn (1996). Médias móveis e projeção de tendência tem um bom grau de familiaridade reconhecido nas pesquisas. Por outro lado, observa-se que a familiaridade com a decomposição clássica nas organizações pesquisadas em 1989 e 1994 no Reino Unido foi tão baixa quanto com Box-Jenkins, com resultados bastante mais expressivos nas pesquisas de Mentzer & Cox (1984) e Mentzer & Kahn (1996) nos Estados Unidos. Essa última remarca aumento na familiaridade com a metodologia de Box-Jenkins. Da mesma forma, Watson (1996) apresenta comparação do uso dos métodos de acordo com resultados de pesquisa de acadêmicos, como apresentado na Tabela II a seguir. Tabela I- Comparação de grau de familiaridade com alguns dos métodos de previsão (Watson, 1996; Mentzer&Kahn, 1996) Métodos Qualitativos Composição da força de vendas % de respondentes familiares com os métodos citados Watson(1989) Sparkes&McHugh Mentzer&Cox Fildes&Hastings Mentzer &Kahn (Reino Unido) (1984) (1984) (1994) (1996) (Reino Unido) (Estados Unidos) (Reino Unido) (Estados Unidos) 85 SR 79 40 71 Opinião de executivos Delphi/opinião de especialistas Quantitativos 72 77 81 24 66 43 5 SR 21 SI Tendência 42 73 67 56 73 7

Médias móveis 47 80 85 62 92 Espontâneos 35 SR SR SR SI Amortecimento Exponencial 25 32 73 33 90 Filtragem 25 SR SR 8 SI Box-Jenkins (ARIMA) 13 5 26 14 38 Simulação 18 22 55 17 50 Regressão linear 13 30 72 24 78 Decomposição clássica Métodos Bayesianos 12 SR 42 16 43 10 SR SR 7 SI Tabela II- Comparação de uso dos métodos de previsão (Watson, 1996). Métodos Qualitativos Composição da força de vendas Opinião de executivos Delphi/opinião de especialistas Quantitativos % de respondentes usando os métodos citados Watson(1989) Sparkes&McHugh(1984) (Reino Unido) (Reino Unido) Dalrymple(1987) (Estados Unidos) 82 SR 45 68 76 37 35 11 SR Tendência 38 63 16 Médias móveis 38 58 21 Espontâneos 28 SR 31 Amortecimento exponencial 15 13 11 Filtragem 15 SR SR Box-Jenkins (ARIMA) 8 SR 4 Simulação 12 25 SR Regressão linear 7 12 6 8

Neste caso, o uso de Box-Jenkins e regressão linear, conforme reportado em 1989 por Watson, foi avaliado um pouco superior ao estudo de Dalrymple (1987). A pouca familiaridade com as técnicas disponíveis é a justificativa encontrada para o uso pelas organizações de métodos espontâneos (de baixo grau de formalidade em sua estrutura) ou seja, como citado por 28% e 31% dos respondentes, conforme resultados respectivamente de Watson (1989) em estudos com organizações britânicas e de Dalrymple, nos Estados Unidos (1987). Hoje, essa prática faz cada vez menos sentido, com o uso disseminado do computador, a informação descritiva dos fenômenos, as estatísticas e o desenvolvimento da tecnologia de informação, que permitem que se utilize cada vez mais facilmente a informação do passado como base para a aplicação de métodos formais de previsão. Tabela III- Comparação de uso dos métodos quantitativos (Mentzer&Kahn, 1996) Métodos % de respondentes usando métodos quantitativos por horizonte de tempo Horizonte <= 3 meses Horizonte entre 3 meses e 2 anos Horizonte >2 anos Mentzer& Mentzer& Mentzer& Mentzer& Mentzer& Mentzer& Cox (1984) Kahn(1996) Cox (1984) Kahn(1996) Cox (1984) Kahn(1996) 24 9 22 45 5 11 24 8 17 92 6 16 Tendência 21 2 28 57 21 22 Regressão 14 4 36 69 28 30 Simulação 4 1 9 6 10 12 Quantitativos Médias móveis Amortecimento exponencial Decomposição 9 2 13 40 5 10 Box-Jenkins 5 2 6 19 2 7 Redes neurais 2 17 6 9

A análise dos resultados da Tabela III revela, entre outros, significativo uso de métodos de amortecimento exponencial, análise de regressão, projeção de tendência, médias móveis e decomposição em horizontes de planejamento de 3 meses a 2 anos. Cresce o uso da metodologia de Box-Jenkins no mesmo período, e de metodologias mais recentes, como a redes neurais. Fato não esperado remarcado nas conclusões dos pesquisadores é o baixo uso de métodos quantitativos para horizontes menores de 3 meses verificado nos resultados da pesquisa de campo realizada em 1996 por Mentzer & Kahn, em oposição aos valores obtidos para horizontes de longo prazo (mais de 2 anos). Esse fato merece ser avaliado e o rumo e as razões dessa tendência verificados em novas pesquisas de campo. A Tabela IV, a seguir, traz resultados do grau de satisfação com o uso dos métodos quantitativos, nas pesquisas feitas em organizações americanas. Embora o amortecimento exponencial e a análise de regressão sejam aqueles métodos com maior grau de satisfação (72% e 66%, respectivamente), pode-se observar que eles são seguidos bem de perto pelo método da decomposição (61%) e os demais, particularmente nos resultados mais recentes (1996), quando cresce a satisfação com a metodologia de Box-Jenkins (de 30% em 1984 para 44% em 1996) e é citada a satisfação com o uso das redes neurais pela significativa porção de 38% dos respondentes. Tabela IV- Grau de satisfação com o uso dos métodos quantitativos Métodos Quantitativos % dos respondentes satisfeitos Mentzer&Cox (1984) Mentzer&Kahn(1996) Médias móveis 58 40 Amortecimento exponencial 60 72 Tendência 58 48 Regressão 67 66 Simulação 54 50 Decomposição 55 61 Box-Jenkins 30 44 Redes neurais 38 4. A previsão como fator integrante de um processo 10

Levenbach e Cleary (1984) reforçam a importância de se estruturar o processo de previsão, ao invés de concentrar-se na escolha de um método específico. Nesse sentido, são dois os objetivos dos processos de previsão: Entender o mecanismo gerador da série temporal (análise), e Predizer o futuro do sistema (previsão). Entre os princípios básicos que devem ser observados estão: a análise cuidadosa dos dados para utilizar dois ou mais métodos e reduzir a tendenciosidade dos métodos utilizados (quando as previsões produzidas por dois ou mais métodos diferem entre si significativamente, isto indica necessidade de ser mais crítico e cuidadoso em aceitar os seus valores, revendo a validade de todo o intervalo de dados para a análise feita, assim como os padrões nele observados), e a monitoração do processo de decisão, a fim de avaliar o impacto nos valores previstos de modificações do sistema real. De acordo com esses autores há três grandes fases no processo de previsão: Projeto, Seleção/Especificação e Avaliação. Essas fases devem ser consideradas para nortear os especialistas na área ao desenvolver sua análise e apresentar seus resultados para os tomadores de decisão. Assim, apresenta-se a seguir as fases do processo de previsão em acordo com a estrutura em três fases de Levenbach e Cleary (1984), mas segundo a abordagem de Winklhofer et al (1996). Em cada uma delas, são identificados passos relativos a algumas questões a serem definidas, que orientam a sua utilização como apoio ao planejamento pela prática empresarial. São elas: (A) Fase de Projeto: 1. Propósito/uso da previsão (ao estabelecer o propósito, o horizonte de tempo e as unidades de medida dos valores previstos devem ser definidos) 2. Nível de agregação da previsão (produto individual, linha de produtos, grupo de produtos, marca, empresa, setor) 3. Horizonte de tempo e freqüência da preparação da previsão (avaliar a relação entre o maior ou menor horizonte de planejamento e a maior ou menor frequência das revisões da previsão) 4. Recursos necessários (financeiros, pessoal e tecnológico: computadores e sistemas computacionais) 5. Responsáveis pela previsão: realizadores da previsão e usuários/tomadores de decisão 11

6. Origens/fontes e qualidade da informação (analisar os dados e extrair informações espúrias dos dados, avaliar fatores externos e internos influenciando os eventos analisados) (B) Fase de Seleção/Especificação 1. Familiaridade com os métodos existentes 2. Critérios para seleção (precisão, custo, facilidade de uso, grau de conhecimento técnico do realizador, dados exigidos, características do problema, horizonte de tempo, padrão dos dados, número de itens a serem previstos, disponibilidade de software, possibilidade de incorporação de experiência) 3. Uso de métodos alternativos (adequação de diferentes métodos, combinação de previsões) (C) Avaliação 1. Apresentação da previsão para a gerência/tomadores de decisão (gráficos, breve descrição de como o método funciona e da sua base estatística, distribuição interna das previsões, previsões pontuais ou intervalos de predição) 2. Revisão da previsão e uso de julgamento subjetivo (reuniões interdepartamentais com ou sem a presença do realizador da previsão, influência de razões políticas) 3. Padrões para avaliação da efetividade da previsão (precisão, facilidade de obtenção, facilidade de interpretação, credibilidade e impacto nos custos) 4. Desempenho da previsão(avaliação da precisão e dos erros da previsão, manutenção ou não de registro das previsões para futuros balizamentos, adequação do horizonte de tempo, amplitude de itens, avaliação dos valores obtidos face ao contexto industrial ou de serviços, a volatilidade do mercado, a estabilidade econômica) 5. Ajustes das previsões (inclusão de informações recentes, atualização mensal ou trimestral das previsões) É importante perceber que no processo de previsão esses três grupos de questões estão interligados, de forma que, por exemplo, a adoção de um certo método na fase de especificação irá influenciar uma questão relativa à avaliação ou seja, a precisão da previsão. Por outro lado, pode ser exigido ajuste das informações e dados para desenvolver a previsão com essa precisão, questão da fase de projeto. A Tabela V a seguir apresenta critérios usados por organizações americanas para avaliar a efetividade da previsão de vendas, na fase de avaliação do processo de previsão, conforme resultados de pesquisa de campo de Mentzer&Kahn (1996). Entre eles, a precisão e a credibilidade 12

dos valores apresentados aos tomadores de decisão estão entre os mais citados, seguidos pelo impacto no desempenho do serviço ao cliente e facilidade de uso do método. Curiosamente, os critérios finaceiros são os citados o menor número de vezes pelos respondentes, indicando que são questões principalmente de impacto operacional que balizam os passos do processo de previsão. Tabela V- Critérios para avaliar a efetividade da previsão de vendas (Mentzer&Kahn, 1996) Critérios % importância (ponto de vista dos respondentes) Precisão 92 Credibilidade 92 Desempenho do serviço ao cliente 77 Facilidade de uso 75 Giro do estoque 55 Quantidade de informação necessária 46 Custo 41 Retorno no investimento 35 5. Etapas básicas do processo de previsão Como etapas básicas do processo de previsão, pode-se evidenciar: 1. Obtenção das informações 1.1. Coleta de Dados (contínua) 1.2.. Avaliação da informação: Descrever a série (comportamento dos dados) Gráficos da série; Histogramas; Diagramas de dispersão; Obtenção de estatísticas descritivas simples; Verificação de tendências, ciclos e variações sazonais; Verificação de pontos de mudança no comportamento da série; 13

Observações anormais (ou espúrias), e avaliação de sua consideração ou extração da série de dados etc.. 2. Preparação da previsão: (objetivo de análise (comportamento) ou previsão) investigar mecanismo gerador da série, prever a partir do passado, e/ou procurar periodicidades relevantes nos dados. 3. Aprovação das previsões pelos tomadores de decisão 4. Monitoração do processo. 6. Cuidados a observar para a qualidade da previsão A Qualidade dos Dados Um modelo ou técnica baseado em dados históricos tem seu desempenho associado à qualidade das informações básicas. Informação pobre ou incompleta torna impossível obter previsões confiáveis. Assim, é muito importante escolher fontes seguras ou ter critério na coleta de dados. Como critérios na coleta dos dados, pode-se citar: Precisão (fonte confiável) Conformidade/Pertinência (julgamento se algumas frações ou todo o intervalo de dados são adequados para a representação do sistema e do evento em análise) Tempo da coleta de dados (definição de um tempo inicial "oficial", considerando que há um tempo inicial de aprendizado ou aquecimento que deve ser retirado da análise) Consistência (ao longo do período de seu uso) 14

Identificação do padrão e a estacionariedasde dos dados Podem ser identificados quatro tipos de padrão da informação nas séries temporais: Horizontal ou estacionária (típica de processos de produção sobre controle) Sazonal (por exemplo, vendas mensais de cerveja) Cíclica (válido para grandes conjuntos de dados: expansões e depressões da economia, por exemplo) Tendência (linear, exponencial, quadrática, curva S etc.), A presença, na representação gráfica da série, de um ou de um conjunto destes padrões define os seus componentes determinísticos. A série temporal pode ser recomposta por uma função associada a seus componentes, aos quais deve-se acrescentar o componente aleatório, para se obter os valores observados. Um aspecto fundamental a considerar na análise de séries temporais diz respeito à estacionariedade dos dados nela representados. Essa é uma suposição frequente no estudo de séries temporais. No caso de séries não estacionárias, algumas transformações na base de dados podem conduzir à estacionariedade da série resultante em um número finito de transformações. Estas séries são ditas de comportamento homogêneo. Seja por exemplo a transformação de diferenças sucessivas da série original X(t), X'(t) = X(t) - X(t-1), primeira diferença X"(t) = X'(X'(t)) = X'(X(t) - X(t-1)) = X(t) - 2 X(t-1) + X(t-2) Segunda diferença, e assim sucessivamente. É comum obter-se a estacionariedade em uma ou duas diferenças. Outros tipos de transformação são possíveis e necessárias. Por exemplo, gerar a série correspondente ao logaritmo da série original ou a raiz quadrada da série são opções a serem avaliadas, com o objetivo de garantir a estacionariedade. Por exemplo, os modelos de Box-Jenkins ditos ARIMA descrevem séries estacionárias ou não, incorporando internamente à sua metodologia de análise das séries as transformações necessárias para a estacionariedade. 15

Precisão da Previsão Para a medida de precisão da previsão, inicialmente deve-se definir medida do erro de previsão. O erro de previsão pode ser medido como: e t = X (t) - Xˆ (t) = valor observado - valor estimado/ou previsto. Algumas das alternativas de medidas de precisão são: t e => Esse cálculo leva a cancelamento de valores, com perda da grandeza dos erros. t t e / X ( t) t n => "Mean Absolute Percent Error "(MAPE); => Esse cálculo dá maior importância aos maiores erros e permite comparações entre séries diferentes. t ( ) e 2 t => "Mean Squared Error" (MSE), cujo cálculo dá maior importância aos maiores erros. n t e t => Mean Absolute Deviation (MAD), cujo cálculo dá importância ao módulo dos erros. n Realização de Testes de Precisão Os testes de precisão são aplicados para se verificar a precisão relativa de variantes de cada método na representação do padrão dos dados. Para isso, a série pode ser decomposta em dois conjuntos: 1. aquele dos dados utilizados, que são a base para aplicação dos métodos de previsão, e 2. aquele dos dados ainda não utilizados, os quais podem ser considerados para avaliar o erro da previsão, através do cálculo do MAPE, MAD ou MSE, por exemplo. Já na comparação entre métodos diferentes e na avaliação de sua adequabilidade aos dados e ao contexto de decisão, outros fatores devem ser levados em conta para avaliar a precisão relativa dos métodos. 7. Tarefas-chave no planejamento de decisões 16

Qual método aplicar em cada situação? Quanta confiança depositar nos resultados? Que modificações são necessárias para incorporar informações subjetivas antes de utilizar as previsões? Não há uma única resposta a essas questões. A precisão do método; o padrão observado no conjunto de informações; o horizonte de tempo do planejamento e o custo associado às grandezas previstas (para a implementação do método ou decorrentes das decisões associadas às previsões) são os fatores que orientam as respostas. O horizonte de tempo da previsão tem um direto impacto na seleção do método a utilizar. Alguns métodos se aplicam tanto no curto (até 3 meses), médio (3 meses a 2 anos) ou longo (mais de 2 anos) prazos. Pode-se citar a regressão múltipla nesse caso. Os modelos univariados Box-Jenkins não são recomendados para largos horizontes de tempo. Adequados ao curto e médio prazos, pode-se citar os métodos de médias móveis, decomposição clássica, e projeções de tendência. Na medida que o horizonte se alarga, os métodos quantitativos vão perdendo sua aplicabilidade, sendo mais adequadas as abordagens qualitativas ou baseadas no julgamento, como o Delphi. Da mesma forma, ao introduzir um produto, métodos qualitativos como a analogia histórica se aplicam. A previsão de pontos de mudança do padrão das séries impõe restrições ao uso de médias móveis e amortecimento exponencial, em geral inadequadas para esse fim. Modelos univariados Box-Jenkins igualmente não se aplicam, embora suas formulações mais complexas tenham uso mais generalizado. Além disso, a perspectiva do ciclo de vida do produto orienta a escolha do(s) método(s) de previsão. Ou seja, há métodos que se adequam às respectivas fases do ciclo de vida, como é apresentado na Figura 2 a seguir. 17

vendas Métodos qualitati -vos Introdução do produto Amortecimento exponencial Box-Jenkins Econométricos 1 2 3 4 Métodos de séries temporais Abandono das decisões tempo (1) Introdução do produto no mercado (2) "Crescimento" das vendas do produto; projeção das vendas. tempo< 30 meses => amortecimento exponencial tempo> 30 meses => Box-Jenkins (3) Estágio "maduro" => Causalidade explicada (extensa base de dados, maior conhecimento das relações entre fatores) => métodos econométricos Box-Jenkins,... (4) Declínio das vendas (competição do mercado) => projeção do declínio. Figura 2- Sugestão do método de previsão por fase do ciclo de vida do produto A Tabela VI a seguir apresenta uma comparação de alguns métodos de previsão quanto à sua precisão, a aplicabilidade, custos associados ao seu uso e às suas exigências mínimas de dados, baseada em Levenbach e Cleary (1984) e Sullivan e Claycombe (1982). Entre os métodos qualitativos incluem-se: método Delphi/opinião de especialistas, pesquisa de mercado, consenso em painel, e analogia histórica. Em especial, o método Delphi, além do método dos impactos cruzados (que não consta deste painel da Tabela VI), serão explorados em capítulo à frente. Os métodos quantitativos dividem-se em métodos estatísticos, que serão vistos nos capítulos a seguir, em sua maioria, e aqueles determinísticos, que incorporam a identificação e a determinação implícita de relações entre o evento a ser revisto e fatores que o influenciam. Esses últimos não são enfocados neste texto, sendo que Makridakis e Wheelwright (1982) e Chambers et al. (1974) descrevem alguns deles. 18

Tabela VI- Aplicabilidade dos métodos de previsão Qualitativos Quantitativos Estatísticos Determinísticos Método Delphi Pesquisa de mercado Previsão visionária Analogia histórica Estatísticas sumárias Médias móveis Amortecimento exponencial. ARIMA (Box-Jenkins) decomposição TCSI (Shiskin X-11) Projeção de tendências Modelo de regressão Modelo econométrico Intenção de compra Pesquisa por antecipação Modelo Input-output Conjunto de dados que podem ser Estatísticos Determinísticos Horizontal x x x x x x x x x x Tendência Não aplicável x x x x x x x x x x x x x x x x manuseados Ciclico x x x x Exigência de dados mínimos Não aplicável 5 pontos 5-10 Pontos 3 Pontos 3 anos por mês 5 anos por mês 5 Pontos 4 anos por mês 4 anos por mês 2 anos por mês > 1000 Horizonte de tempo para o qual o método é mais apropriado Curto prazo (0 a 3 meses) x x x x x x x x x x Médio prazo (3 meses a 2 anos) x x x x x x x x x x x x x x Longo prazo ( 2 anos ou mais) x x x x x x x x x Precisão( escala de Previsão de padrões 5 5 5 5 2 2 3 2 7 4 8 2 2 2 0 a 10: 0 menor Previsão de pontos de 10 maior) mudança (turning points) 4 6 2 3 NA 2 2 6 8 1 5 7 8 0 Aplicabilidade Tempo necessário para (escala de 0 a 10: obter a previsão 4 8 3 5 1 1 1 7 5 4 6 9 5 10 o menor Facilidade de entendimento 10 maior) e interpretação dos resultados 8 9 8 9 10 9 7 5 7 8 8 4 10 3 Custos de computação Desenvolvimento 0 1 1 8 6 3 5 8 NA 10 (escala de 0 a 10: Exigência de armazenagens Não aplicável 4 1 1 7 8 6 7 9 NA 10 0 menor 10 maior) Tempo de execução 1 1 1 9 7 3 6 8 NA 10 Fonte: Levenbach &Cleary (1984); Sullivan & Claycombe (1982) ( a ser revisto) 19

20

8. Leituras Recomendadas Levenbach, H. e Cleary, J.P. (1984, pág. 3-60), The Modern Forecaster: The Forecasting Process Through Data Analysis, Lifetime Learning Publications, USA, Capítulos 1 a 5. Makridakis, S. e Wheelwright, S.C. (1982), Handbook of Forecasting- A manager s guide, John Wiley and Sons. Chambers, J.C, Mullick, S.K. e Smith, D.D. (1974), An Executive s guide to forecasting, John Wiley and Sons. Sullivan, W.G. e Claycombe,W.W. (1977), Fundamentals of Forecasting, Reston Publishing Company, Reston, Virginia Winklhofer, H., Diamantopoulos, A. e Witt,S.F.(1996), Forecasting Practice: a review of the empirical literature and an agenda for future research, International Journal of Forecasting, n.12, pág. 193-221. Dalrymple, D.J. (1987), Sales Forecasting Practices: Results from a United States Survey, International Journal of Forecasting, vol. 3, pág. 379-391. Watson, M.C. (1996), Forecasting in the Scottish Eletronics Industry, International Journal of Forecasting, vol. 12, n. 3, pág. 361-371. Mentzer, J.T. e Cox, J. E. (1984), Familiarity, application, and performance of sales forecasting techniques, Journal of Forecasting, vol. 3,n.1, pág. 27-36. Sparkes, J.R. e McHugh, A.K.(1984), Awareness and use of forecasting techniques in British industry, Journal of Forecasting, vol. 3, pág. 37-42. Fildes, R. e Hastings, R. (1994), The organization and improvement of market forecasting, Journal of the operational research society, vol. 45, pág. 1-16. Rothe, J. (1978), Effectiveness of sales forecasting methods, Industrial Marketing Management, vol. 7, pág. 114-118. Watson (1989)-citado por Watson(1996), como uma pesquisa anterior do autor, mas não consta das referências. Moon, M.M., Mentzer, J.T., Thomas Jr., D.E. (2000), Customer demand planning at Lucent Technologies-A case study in continous improvement through sales forecast auditing, Industrial Marketing Management, vol. 29, pág. 19-26. Schultz, R. L. (1992, p. 410), Editorial: Fundamental aspects of forecasting in organizations, International Journal of Forecasting, vol. 7, pág. 409-411. Mentzer, J. T. e Kahn, K. B. (1995), Forecasting technique familiarity, satisfaction, usage, and application, vol. 14, n. 5, pág. 465-477. Box, G.E.P. e Jenkins, G. (1976), Times series analysis, forecasting and control, Holden-Day. Bell, P. C. (1981), Adaptive sales forecasting with many stockouts, Journal of the operational research society, vol. 32, pág. 865-873. 21