A implementação de um processo de previsão passa por algumas etapas que são comuns a todos os métodos de previsão. A etapa inicial versa sobre a definição do objetivo do uso da previsão, o que inclui decidir sobre a questão a ser investigada (o problema) no
processo de previsão e o porquê da necessidade da previsão. Para tanto deve-se especificar os
objetivos direcionados para a situação, as decisões que podem impactar o seu atingimento e como estas decisões podem variar em consequência da previsão. É uma forma de obter informação/elementos para determinar as variáveis que farão parte tanto no processo de
previsão quanto no processo de decisão. Outras decisões a serem consideradas nesta etapa
são: que produto (ou famílias de produtos) será previsto, o número de itens a serem previstos e o valor agregado dos itens, o nível de detalhe (previsão em unidades de produto ou em moeda) e a precisão requeridos pela previsão (previsões mensais, semanais, etc.) e os recursos disponíveis para previsão (mão de obra, tempo computacional, orçamento, etc.).
Ao se apreciar o nível de detalhe e a precisão exigida pela previsão, fatores como a
existência ou não de dados, a qualidade e/ou representatividade dos dados, a importância do
produto para a empresa, o custo da precisão versus redução de incertezas no processo de
decisão, o período (unidade básica de tempo na qual as previsões são feitas) e o horizonte (número de períodos no futuro coberto pela previsão) devem ser analisados de forma a calibrar recursos com precisão a um custo aceitável.
Observa Tubino (2000, p. 65) que “Itens poucos significativos podem ser previstos com maior margem de erro, empregando-se técnicas simples, assim como admite-se margem de erro maior para previsões de longo prazo, empregando-se dados agregados de famílias de
produtos”. De um modo geral, destaca-se na literatura que as decisões a serem tomadas em
um horizonte de planejamento de longo prazo, não requerem previsões exatas uma vez que o nível de agregação é alto. Para um horizonte de médio prazo, cujo nível de agregação é menor, as previsões podem ser mensais ou até mesmo anuais, com um nível de precisão de médio para alto. Para um horizonte de curto prazo, utilizam-se previsões semanais ou mensais com um alto nível de precisão.
Considerações pertinentes à formulação e estruturação do problema no processo de
previsão foram colocadas por Armstrong (2001). Entre elas:
(1) antes de prever, concorde em ações sob como usar possíveis previsões diferentes em decisões a serem tomadas;
(2) certifique-se de que as previsões sejam independentes (imparciais) de qualquer política;
(3) obtenha um consenso dos tomadores de decisões sobre quais procedimentos (métodos) de previsão usar, isto facilita a aceitação das previsões;
(4) determine possíveis resultados externos que possam influenciar a previsão, isto ajuda a estruturar o método;
(5) adapte o nível de agregação de dados (ou segmentação) para as decisões de modo a produzir previsões mais apuradas;
(6) decomponha o problema em partes, isto possibilita o uso mais efetivo de fontes alternativas de informação e métodos de previsão diferentes, melhorando a precisão da previsão, principalmente em situações de grande incerteza desde que os componentes sejam medidos, confiavelmente;
(7) decomponha séries de tempo por: (i) forças causais se as séries forem afetadas
por fatores que tenham efeitos contraditórios nas tendências e admitir decomposição de
acordo com o tipo de força causal e, (ii) por nível e tendência quando houver tendências
significativas que podem ser avaliadas por meio de métodos diferentes.
A etapa seguinte do processo de previsão consiste em selecionar uma abordagem de previsão mais apropriada para os dados a serem investigados no problema e está amarrada na
existência e disponibilidade dos dados, na natureza dos dados (qualitativos ou quantitativos),
e na existência ou não de fatores causais que podem influenciar no comportamento dos dados
e, consequentemente, o delineamento da previsão. Neste ponto a obtenção e a análise de dados históricos sobre o fenômeno em estudo colaboram para a identificação e o desenvolvimento do método de previsão a ser utilizado no processo de previsão.
Em situações onde não existem dados ou poucos dados estão disponíveis para análise – fornecendo uma informação pobre sobre o fenômeno a ser investigado – a
abordagem qualitativa é adequada, uma vez que envolve estimação subjetiva por meio de
opiniões de especialistas e por utilizar conhecimento acumulado (SIPPER; BULFIN, 1998;
ARMSTRONG, 2001). Se dados quantitativos estão disponíveis ou podem ser coletados, a
abordagem quantitativa deve ser usada por conduzir, geralmente, a uma maior precisão na
baseados em série de tempo (se informações sobre o passado estão disponíveis) e modelos baseados em correlações (se existe alguma relação ou fator causal entre as variáveis dependente e independe). Como cada método difere em seu propósito e propriedade, uma abordagem mais específica sobre as características e aplicabilidade de alguns métodos será apresentada na seção 3.4.
Devido à importância relativa dos dados para obtenção e realização de uma boa previsão, no contexto específico de cada situação, a identificação, coleta e preparação dos dados devem ser abordadas de forma criteriosa para a elaboração do sistema de previsão. Isto se deve, principalmente, ao fato de os dados serem afetados tanto por fatores externos – aqueles que fogem ao controle da empresa (por exemplo fatores econômicos, crédito oferecido aos consumidores e ações de competidores) – quanto por fatores internos (preço, características do produto, desenvolvimento de novos produtos, eficiência dos canais de distribuição, qualidade, etc.) passíveis de serem controlados ou modificados (SIPPER; BULFIN, 1998).
Uma ferramenta útil para análise dos dados é buscar, mediante análise gráfica, por padrões, tendências ou comportamentos cíclicos e/ou sazonalidade que sejam significativas e podem ajudar na compreensão das variáveis envolvidas no processo e, também, na escolha da abordagem e/ou do modelo mais adequado para a previsão. Neste ponto, o uso de medidas descritivas como média, mediana, desvio padrão, entre outras, são pertinentes para ajudar a entender o comportamento das séries de dados (MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998).
Observam-se no Quadro 3.2 algumas considerações sobre a obtenção de informação, coleta e preparação dos dados, privilegiando o que foi apresentado em Armstrong (2001).
Quadro 3.2 Considerações sobre a obtenção de informação, coleta e preparação dos dados aplicáveis aos métodos de previsão.
Obtendo informação
Informações sobre variáveis explicativas podem ser obtidas utilizando-se de teoria para guiar a pesquisa - obtendo conhecimento anterior sobre a relação entre as variáveis dependente e independente. Deve-se assegurar de que os dados são relevantes e vão de encontro à situação de previsão.
Evitar obter dados de fontes (pessoas e/ou organizações) parciais ou tendenciosas. Buscar por fontes e modos alternativos de medir a mesma coisa, utilizando-se de fontes diversas (com tendências diferentes) e/ou combinando estimativas de cada fonte.
Quando pouca observação sobre a série de interesse estiver disponível, ou a dispersão dos dados for alta, deve- se utilizar informações de séries ou dados semelhantes – isso ajuda na identificação e estimação de tendências.
Coletando dados
Usar procedimento sistêmico para coletar dados de modo a garantir a equidade das informações obtidas, principalmente, se fontes alternativas de dados estão disponíveis ou métodos de julgamento são utilizados e são passíveis de viés.
Certificar-se de que a informação é confiável e pode estabelecer validade (medidas alternativas da mesma variável devem concordar umas com as outras).
Obter todos os dados importantes, com informações de eventos especiais que possam influenciar a série, especialmente, se grandes mudanças estão presentes.
Coletar dados que são claramente relevantes e pertinentes à situação - isto melhora a precisão evitando relações ilegítimas em métodos quantitativos e confusão em métodos de julgamento. Dados mais recentes, geralmente, contêm informações úteis, especialmente se séries de tempo são utilizadas.
Preparando dados
Limpar e/ou ajustar os dados para erros, valores perdidos ou mudança de variáveis sempre que houver razões para isso.
Técnicas estatísticas e/ou conhecimento de especialistas são recomendados para fazer ajustes para eventos passados não sistêmicos (não coerentes, desordenados). Para séries de tempo em que eventos sistemáticos (esperados) estão presentes, usar ajustamento sazonal se mudanças sazonais forem esperadas.
Se for provável que o padrão de sazonalidade muda ou a estimativa do fator sazonal é incerta, recomenda-se a suavização deste fator para melhorar a precisão.
Fonte: ARMSTRONG, 2001.
Especial atenção deve ser dada para assegurar que os dados caracterizem, de fato, a real situação a ser investigada, uma vez que informações sobre eventos especiais (como promoções, datas especiais, greves, etc.) que interferem na investigação e modelagem dos dados, podem ter sido omitidas ou não estão claras nos registros “numéricos” da série de dados – um registro ou estatística sobre as vendas de um produto na empresa pode não refletir a demanda real pelo produto, uma vez que problemas de abastecimento podem ter ocorrido e vendas foram perdidas (SIPPER; BULFIN, 1998; TUBINO, 2000).
Posteriormente, seleciona-se o método de previsão que mais se ajusta ao problema, considerando o tipo de abordagem de previsão adotado (qualitativo ou quantitativo). Nesta etapa fatores como o tipo e a agregação dos dados, o tamanho do período das previsões,
características da série de tempo, entre outros, influenciam na seleção do método de previsão (veja seção 3.5). A seguir, obtêm-se a previsão utilizando a série de dados disponível para estimação dos parâmetros envolvidos no modelo de previsão selecionado, antecipando, assim,
a demanda futura. Tipos diferentes de dados, como por exemplo, dados cross-sectional e
séries de tempo podem ser utilizados para conseguir estimativas sobre as relações existentes entre as variáveis e para comparar as previsões geradas quando métodos diferentes puderem ser utilizados. Informações mais recentes devem ser capturadas e incorporadas ao processo de previsão para melhorar a precisão da previsão e diminuir as incertezas sobre a grandeza das relações.
Por fim, inicia-se o processo de monitoramento da previsão para o controle e/ou ajuste do processo (se necessário) com relação às suposições iniciais e o fato real. Ajustes são necessários porque eventos e/ou mudanças no comportamento do mercado ou nos relacionamentos entre as variáveis ocorrem o tempo todo, mesmo dentro do período coberto pela previsão e, portanto, nenhuma previsão é totalmente correta. Erros podem acontecer por falhas no processamento dos dados – seja pela coleta de dados em um período que não representa, adequadamente, a situação a ser prevista, ou pela forma como os dados foram coletados, ou por erros de digitação e/ou mudança de unidade ou, ainda, por imprecisão na estimação das variáveis explicativas (modelos causais) quando dados não estiverem disponíveis ou as fontes não forem confiáveis.
O processo de avaliação deve rever os dados para diagnosticar as causas que possibilitam os ajustes (dados inconsistentes ou incompatíveis) e incorporar ao processo de previsão as mudanças de planos que podem ser adotadas pela empresa para incrementar seu desempenho, melhorando assim, a precisão das previsões. Armstrong (2001) sugere que grupos podem ser estabelecidos para “advogar” suas posições e opiniões sobre as razões pelas quais as previsões estariam erradas, principalmente, quando a estimativa das incertezas forem subjetivas.
Observam Sipper e Bulfin (1998, p. 146) que “A previsão é uma estimativa de uma variável aleatória”. Como tal, possui valores que permanecem desconhecidos até serem observados na amostra e, portanto, é necessário avaliar a magnitude do erro de previsão e/ou a confiabilidade no processo de previsão para controle e/ou substituição do processo. O erro
de previsão (et) pode ser determinado pela diferença entre o valor observado ou real (yt) e o
valor previsto (y)t) da variável analisada para o mesmo período de tempo, isto é
t t
t
y
yˆ
Medidas de controle de erros são, normalmente, utilizadas como sinalizadores da precisão do processo de previsão e direcionam para a escolha do método e/ou dos parâmetros utilizados na previsão. Dentre as formas de avaliar a precisão da previsão, as mais utilizadas são:
(1) o somatório acumulado dos erros de previsão – os erros podem assumir valores positivos
e negativos período a período e, se estas variações são devido ao acaso, então o somatório acumulado dos erros tende a zero. Caso contrário, se o somatório cresce a uma taxa crescente (se distanciando de zero), possivelmente, o modelo utilizado necessita de ajuste ou deve ser substituído para se ajustar à situação (o processo pode ter mudado). Ao descrever esse processo, Sipper e Bulfin (1998) observam que se o somatório acumulado cresce (ou decresce) a uma taxa constante é um indicativo de que a previsão está subestimando (superestimando) a demanda e, para resolver ou corrigir este problema, pode-se acrescentar (subtrair) esta quantidade à previsão. Cabe notar que por trás dos modelos de previsão considerados pelos autores para descrever este procedimento, existe sempre a suposição de que o componente de perturbação aleatória (ruído) é, normalmente, distribuído com valor
esperado igual a zero e variância σ2
.
(2) erro absoluto médio (MAE) – pode ser definido como a média aritmética dos erros tomados em valor absoluto, ou seja, calcula-se o desvio (diferença) entre cada valor observado (ou atual) e o valor estimado (ou previsto) e, em seguida, a média destas diferenças. Assim, para n períodos de tempo os erros podem ser calculados por
∑
= = n t t e n MAE 1 1 . (3.2)Valores altos de MAE sugerem alta dispersão dos erros (o valor estimado se distancia do valor real) e possíveis problemas com o método de previsão.
(3) erro quadrado médio (MSE) – neste caso considera-se o quadrado das diferenças entre yt
e y)t de modo a tornar o resultado um valor positivo, até porque o somatório puro e simples
dos desvios em relação à média é identicamente nulo. Assim:
∑
==
n t te
n
MSE
1 21
. (3.3)Esta medida reflete a dispersão ou a variância dos erros de previsão e quanto maior a variância menos confiável é a previsão.
As medidas descritas até aqui medem o erro absoluto da previsão e, portanto, o seu uso fica restrito se o objetivo for comparar séries de tempo diferentes ou expressas em períodos de tempo diferentes. Neste caso, pode-se utilizar de uma medida em termos relativos ou percentuais, como, por exemplo, o erro porcentual absoluto médio (MAPE) que pode ser expresso por: 100 ˆ − t t y y 1 × =
∑
1 = n y n MAPE . (3.4) orme sua adequabizero deve ser satisfeita e, define-se o intervalo de predição para a próxima observação como
t t
O valor obtido representa a distância ou afastamento do valor previsto em relação ao valor atual (ou real), ou seja, para um MAPE igual a 0,05 tem-se que a previsão se distancia do valor atual em 5%. Entretanto, Makridakis, Wheelwright e Hyndman (1998) observam que, quando a série de tempo contém valores muito próximos ou iguais a zero, as computações, ao se utilizarem desta fórmula, perdem o sentido e sugerem, para medir a
precisão da previsão, o procedimento out-of-sample. Este procedimento consiste em dividir o
conjunto de dados em dois grupos, um seria usado para calcular os parâmetros e iniciar o método (grupo de inicialização), obtendo previsões que seriam avaliadas conf
lidade ou não, aos dados do grupo de teste que não foi usado, no modelo.
Outra maneira de avaliar a confiabilidade da previsão é por meio da construção de um intervalo de confiança para a predição, isto é, um intervalo construído de forma que haja
uma probabilidade prefixada (nível de confiança) deste intervalo conter o valor do parâmetro
desconhecido. Vale enfatizar que para a construção do intervalo de predição, a hipótese de que os erros de previsão seguem uma distribuição normal com média
MSE
z
yˆ
n+1±
(3.5)
onde MSE é o desvio padrão dos erros e a variável z é a distribuição normal padrão, cujos
valores da probabilidade encontram-se tabelados. Na prática, o valor z, geralmente, é
substituído pelo adequado valor de t de Student por se tratar de dados amostrais.
Makridakis, Wheelwright e Hyndman (1998) ressaltam que a utilização desta
expressão só é adequada para previsões de one-step uma vez que o MSE está baseado neste
ão da previsão e, então, tomar ações corretivas para com o modelo de previsão, se necessário.
ças significativas no delineamento do modelo de previsão.