Professional Documents
Culture Documents
c::
ctl
, ! I Tempo
E
m
o
W,11'M' A1.2 Anlise de sries temporais com (a) tendncia, (b) sazonalidade e (c) variao aleatria.
no no tempo e usa a anlise para prever o com-
portamento futuro do fenmeno. Por exemplo,
suponha que uma empresa esteja tentando pre-
ver as vendas futuras de um produto. As vendas
dos ltimos trs anos, trimestre por trimestre,
so mostradas na Figura A1.2 Ca). Esta srie de
vendas passadas pode ser analisada para indicar
as vendas futuras. Por exemplo, influenciando a
srie, pode haver uma tendncia de aumento li-
near nas vendas. Se isso for eliminado dos dados,
como na Figura A1.2 Cb) , ficamos com uma va-
riao sazonal cclica. O desvio mdio da linha
de tendncia para cada trimestre pode ser consi-
derado agora, para calcular o desvio sazonal m-
dio. O que resta a variao aleatria das linhas
de tendncias e de sazonalidades, como na Figu-
ra A1.2 Cc). As vendas futuras podem ser previs-
tas agora como se estivessem dentro de uma fai-
xa em torno de uma projeo da tendncia, mais
a sazonalidade. A largura da faixa ser funo do
grau de variao aleatria.
Previso de variaes no assinalveis
As variaes aleatrias que restam depois de
eliminar efeitos de tendncias e sazonalidades
no possuem qualquer causa conhecida ou deter-
minvel. Isso no significa, entretanto, que no
tenham uma causa, apenas que no sabemos
qual . Apesar disso, pode-se fazer tentativas
para prev-las, mesmo se somente se pressupe
que os eventos futuros repetiro, de alguma for-
ma, os eventos passados. Examinaremos duas
das abordagens mais comuns de previso, basea-
das na projeo do comportamento passado para
o futuro, que so:
previso baseada na mdia mvel;
previso amaciada exponencialmente.
Previso baseada na mdia mvel
A abordagem na mdia mvel para previso
considera os dados de demanda real dos n pero-
dos anteriores, calcula a demanda mdia nesses
n perodos e usa essa mdia como uma previso
para a demanda do prximo perodo. Quaisquer
dados mais antigos do que os dos n perodos no
tm nenhuma influncia na previso do perodo
seguinte. O valor de n pode ser definido em
qualquer nvel, mas normalmente est na faixa
de 4 a 7.
Exemplo - encomendas da Eurospeed
A Tabela Al.l mostra a demanda semanal
da Eurospeed, uma companhia de entrega de en-
comendas em t oda a Europa. Ela mede a de-
manda, semanaJ mente, em termos do nmero
de encomendas que recebe para entregar (sem
considerar o tamanho de cada encomenda) .
Cada semana, a demanda da semana seguinte
prevista considerando a mdia mvel da deman-
da real das quatro semanas precedentes. Logo, se
a previso de demanda para a semana t F
t
e a
demanda real para a semana t Av, ento:
F = At o] +At_2 +A, 3 +A t_4
t 4
Por exemplo, a previso para a semana 35:
F = (72,5 +66,7 +68,3 +67,0) = 68,8
35 4
Amaciamento exponencial
H dois inconvenientes da abordagem de
previso por mdia mvel. Primeiro, em sua for-
Tabela Al. l Previso com mdia mvel calculada
Al'ENDICF 1 - PH.E\1SO DO
ma bsica, atribui peso igual a todos
dos prvios usados nos clculos (emboT:: Jsc::o
possa ser resolvido atribuindo pesos difereme5 a
cada um dos n perodos). Segundo, e mU5 im-
portante, no usa dados fora dos n perodos com
os quais calculada a mdia mvel. Esses dois
problemas so resolvidos por amaciamento expo-
nencial , que tambm mais fcil de calcular.
A abordagem de amaciamento exponenciaJ
prev a demanda no prximo perodo conside-
rando a demanda real no perodo atual e a previ-
so feita anteriormente para o perodo atual. Faz
isso de acordo com a frmul a:
F
t
= a . Ar _ 1 + (1 - a) . FI - 1
Onde a constante de amaciamento
A constante de amaciamento a , na verda-
de, o peso atribudo ltima (e, portanto, consi-
derada a mais importante) informao disponvel
a quem faz a previso. A outra expresso na fr-
mula, entretanto, inclui a previso para o pero-
do atuaJ, que inclui a demanda real do perodo
precedente e assim por diante. Dessa forma, to-
dos os dados prvios tm um efeito (mais redu-
zido quanto mais anti gos forem) na prxi ma
previso.
Tabela Al.2 Previso amaciada exponencialmen-
te calculada com constante de ama-
ciamento.
Semana
Previso
Demanda atual (F, =a A'_1 +
Semana
(milhares) + (1 - a) F, -1)
(a =0,2)
I
1
20 63, 3 60,00
21 62,5 60,66
I
22 67,8 60,03
I
23 66,0 61 ,58
I
24 67,2 62,83
25 69,9 63,70
I
26 65,6 64,94
27 71 ,1 65,07
28 68,8 66,28
29 68,4 66,78
30 70,3 67,12
I
31 72,5 67,75
32 66,7 68,70
I
33 68,3 68,30
I
34 67, 0 68,30
I
35 68 ,04
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
em um perodo de quatro semanas.
Demanda real
Previso
(milhares)
63,3
62,5
67,8
66,0
67,2 64,9
69,9 65,9
65,6 67,7
71 ,1 66,3
68,8 67,3
68,4 68,9
70,3 68,S
72,5 69,7
66,7 70,0
68,3 69,5
67,0 69,5
68,6
720 ADMlJ"IISTRAO DA PRODUAo
73
72
71
70
69
E68
E 67
66
-g 65
E64
63
62
Demanda real
,
.. ...
/....
.. ..... _-
..
./
... '"
'"'"
'"
'"
" Amaciamento exponencial
(a=0.2)
........... Amaciamento exponencial
61 ,,;...;::..__ ",'" (a=0.3)
.... ...
60
24 25 26 27 28 29 30 31 32 33 34
Semana nmero
m.."I'A1.3 Uma comparao entre a previso de mdia mvel e o amaciamento exponencial com a cons-
tante de amaciamento a=0,2 e 0,3.
A Tabela A1.2 mostra os dados para as pre-
vises de encomendas da Eurospeed, usado este
mtodo de ajuste exponencial, onde a = 0,2. Por
exemplo, a previso para a semana 35 :
F 35 = 0,2 x 67,0 + 0,8 x 68,3 = 68,04
ovalor de a determina o equilbrio entre a
sensibilidade das previses s mudanas na de-
manda e a estabilidade das previses. Quanto
mais prximo a estiver de zero, tanto mais as
previses sero amortecidas ("amaciadas") pelas
previses anteriores (no muito sensveis, mas
mais estveis). A Figura AI.3 mostra os dados de
volume da Eurospeed para uma mdia mvel de
quatro semanas, amaciamento exponencial com
a = 0,2 e amaciamento exponencial com a = 0,3.
Modelos de regresso
Os modelos de regresso usam tcnicas es-
tatsticas para determinar a expresso de "melhor
ajuste" que descreve a relao entre a varivel
sendo prevista e outras variveis. Por exemplo,
suponha que um fabricante de sorvetes esteja
tentando prever suas vendas futuras. Depois de
examinar a demanda precedente, imagina que a
principal influncia sobre a demanda na fbrica
a temperatura mdia da semana anterior. Para
entender essa relao, a empresa faz um grfico
da demanda em funo das temperaturas da se-
mana anterior. Isso mostrado na Figura AIA.
Usando este grfico, a empresa pode fazer uma
previso razovel da demanda, conhecendo a
temperatura mdia e desde que as outras condi-
es existentes no mercado sejam razoavelmente
estveis. Se elas no o forem, ento esses outros
fatores que influenciam a demanda precisaro
ser includos no modelo de regresso, que se tor-
na cada vez mais complexo.
Modelos economtricos
Em nveis muito altos de preVlsao de de-
manda, examinando taxas de crescimento para
um setor industrial inteiro, por exemplo, as abor-
dagens de regresses complexas so chamadas
modelagem economtrica. Modelos economtricos
consistem em um conjunto de equaes de regres-
so que descrevem relaes complexas de cau-
sa-efeito. Essas equaes so resolvidas simulta-
neamente, o que permite uma representao
mais realista das relaes no modelo de deciso.
O custo de desenvolver esses modelos, entretan-
to, normalmente muito alto.
Julgamento de especialistas individuais
Alguns eventos que desejaramos prever no
podem ser expressos de forma que permita o uso
de modelos objetivos quantitativos. A velocidade
de mudanas tecnolgicas em um setor, por
exemplo, pode ser especialmente importante
APNDICE 1 - PREVISO DO VOLUME DE
29
I
27
26
x
25
24
cn
e 23
.J::
=
E
22
E 21
Q)
20
c:
E
19
18
17
16
15
14
10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Temperatura mdia da semana anterior
mY"flAl-4 Linha de regresso mostrando a relao entre a temperatura mdia da semana anterior e a
demanda.
para uma empresa que prev a demanda de seus
produtos de outros fabricantes. A velocidade de
mudanas tcnicas no um fator que pode ser
previsto por algum mtodo objetivo. Em tais cir-
cunstncias, os tomadores de decises devem
confiar nas opinies de pessoas que, por meio de
sua experincia em situaes semelhantes ou fa-
miliaridade com o problema em estudo, so con-
sideradas "especialistas".
Algumas vezes, usar julgamento de especia-
listas uma forma de substituir algum mtodo
mais rigoroso, mas muito caro. Por exemplo,
uma empresa que deseja prever como suas ven-
das se posicionaro em relao a um produto
concorrente bem divulgado ao pblico, que ser
lanado em breve, pode pedir a opinio de seu
pessoal de vendas. O pessoal de vendas provavel-
mente basear suas opinies parcialmente em
suas percepes e em seu "sentimento" do mer-
cado e parcialmente nos comentrios feitos pelos
clientes com os quais esto em contato dirio.
Este ltimo elemento de julgamento de especia-
listas poderia ser desempenhado com maior exa-
tido por uma pesquisa entre os clientes. Uma
pesquisa entre os clientes, entretanto, seria mais
cara, levaria tempo e inadvertidamente poderia
fazer publicidade para o produto concorrente.
Previses pelo mtodo Delphi
Esta tcnica uma das diversas usadas para
reunir as opinies e previses de um grupo de es-
pecialistas. Foi definida como "um mtodo para
estruturar um processo de grupo ou comunica-
o, de forma que o processo seja efetivo ao per-
mitir que um grupo de indivduos, como um
todo, lide com um problema. complexo".l A tc-
nica procura obter uma opinio de grupo por
meio de um processo annimo de feedback inte-
rativo controlado. O mtodo usual submete
questionrios a um painel de especialistas (que
no tm permisso para manifestar-se a respeito
do problema). A informao do grupo reunida,
resumida, agregada e apresentada anonimamen-
te como feedback ao grupo. Cada membro do
grupo pode ento comparar sua prpria previso
com a "mdia" do grupo. O indivduo pode ento
1 LINSTONE, H. A. ; TUROOF, M. The Delphi met-
hod: techniques and applications. Addison-Wesley, 1975.
722 ADMINISTRAO DA PRODUO
modificar (ou no, se for o caso) sua primeira
previso e o processo repetido. No final, toma-se
claro que est emergindo um consenso do grupo.
Desempenho dos modelos de previso
Os modelos de previso so amplamente
usados na tomada de decises gerenciais e, de
fato, a maior parte das decises exige previso de
algum tipo, apesar de o desempenho deste tipo
de modelo em geral no ser especialmente im-
pressionante. Hogarth e Makridakis,
2
em uma re-
viso completa da literatura de finanas e gesto
aplicadas, mostram que no bom o desempe-
nho obtido por previses, tanto usando julga-
mentos subjetivos como sofisticados mtodos ma-
temticos. O que sugerem, entretanto, que
determinadas tcnicas de previso tm melhor
desempenho em certas circunstncias. Na previ-
so de curto prazo h:
"(. ..) considervel inrcia na maioria dos fe-
nmenos econmicos e naturais. Logo os esta-
dos atuais de todas as variveis so preditivos
do futuro de curto prazo (Le., trs meses ou
menos). Mtodos mecan5ticos relativamente
simples, como os usados nas previses de sries
temporais, em geral podem fazer previses
acuradas de curto prazo e mesmo ter melhor
desempenho do que abordagens teoricamente
elegantes e elaboradas, usadas em previses
economtricas".
3
Os mtodos de previso de longo prazo, em-
bora difceis de julgar em razo do lapso de tem-
po decorrido entre a previso e o evento, pare-
cem ser mais adequados para uma abordagem
causal objetiva. Em um estudo comparativo de
mtodos de previso de mercado de longo prazo,
Armstrong e Grohman
4
concluem que os mto-
dos economtricos oferecem previses de longo
prazo mais acuradas do que opinies de especia-
listas ou anlises de sries temporais e que a su-
perioridade de mtodos causais objetivos melho-
ra medida que o horizonte de tempo aumenta.
3 HOGARTH, R. M.; MAKRIDAKlS, S. Op. cit.
HOGARTH, R. M. ; MAKRlDAKIS, S. Forecasting 4 ARMSTRONG, J. S.; GROHMAN, M. C. A compa-
ar:d planning: an evaluation. Management Science, v. 27, p. rative study of methods for long-range market forecasting.
115-138, 1981. Management Science, v. 19, TI" 2, p. 211-221, 1972.
2