2.1.5. Técnicas de Previsão
2.1.5.4. Métodos Causais
2.1.5.4.4. Redes Neurais
Segundo Davis, Aquilano e Chase (2001), as redes neurais constituem-se em técnicas que simulam o aprendizado humano, o que significa dizer que o seu uso continuado permite o desenvolvimento do entendimento de como funcionam as complexas relações entre as entradas e saídas de um modelo de previsão. Estabeleceria, por exemplo correlações entre
entradas como histórico de vendas, condições meteorológicas, período do ano ou mês, hora do dia e saídas como as vendas. Ainda de acordo com Davis, Aquilano e Chase (2001, p.235), uma grande vantagem do uso das redes neurais está no fato de que elas realizam cálculos de forma muito mais rápida que os métodos de previsão já conhecidos.
2.1.6 Erros de Previsão
Ballou (2006) estabelece que “da mesma forma que o futuro não é exatamente espelhado no passado, a previsão de demanda futura incorrerá sempre em algum nível de erro”. O que se projeta é, de fato, uma faixa de demanda, na qual estará a demanda real. O erro demonstra o quanto a previsão se distanciou da realidade.
Hogarth e Makridakis (1981 apud Slack, Chambers e Johnston, 2002) afirmam que não é bom o desempenho das previsões, seja através de julgamentos subjetivos ou mesmo de sofisticados métodos matemáticos. Propõem uma escolha criteriosa para utilização da técnica adequada de acordo com as circunstâncias. Os autores citam que no curto prazo – até três meses – há uma inércia considerável na maioria dos fenômenos econômicos e naturais e, portanto, métodos mais simples de previsão utilizados nas séries temporais podem ter um desempenho igual ou mesmo melhor que as abordagens mais elaboradas.
Os métodos de previsão de longo prazo são de mais difícil julgamento, já que o período entre a previsão e o evento é muito grande. Entretanto, Slack, Chambers e Johnston (2002) citam que esses métodos parecem mais adequados para uma abordagem causal objetiva. Os autores citam estudos de Armstrong e Grohman, os quais concluem que os métodos econométricos proporcionam previsões de longo prazo mais acuradas do que abordagens como opiniões de especialistas ou análises de séries temporais. Os mesmos estudos constataram que a superioridade dos métodos causais objetivos aumenta à medida que cresce o horizonte de tempo da previsão. Os modelos econométricos
Segundo Davis, Aquilano e Chase (2001), a demanda é resultado da interação de fatores muito complexos para serem descritos com precisão em um modelo e, por isso, todas as previsões apresentam algum grau de erro. Entretanto, os mesmos autores afirmam que embora seja comum considerar como erro a diferença entre o valor da demanda prevista e o da que realmente ocorreu, se essa diferença estiver dentro de um intervalo de confiança previsto ela não se trata de um erro.
2.1.6.1 Fontes do Erro
Conforme Davis, Aquilano e Chase (2001), os erros podem se originar de várias fontes, dentre as quais os autores destacam a projeção de tendências passadas para o futuro. Numa análise de regressão, por exemplo, os erros estatísticos referem-se a desvios das observações em uma linha de regressão. Quando esta linha é utilizada para projeção da demanda futura, o erro pode não estar corretamente definido pelo intervalo de confiança projetado, pois este é baseado em dados do passado. Os autores constatam, baseados na experiência, que os erros reais tendem a ser maiores que os previstos através de modelos de previsão de demanda.
Os erros são classificados por Davis, Aquilano e Chase (2001) como:
a) Erros de distorções: são aqueles gerados por falha no modelo de previsão e ocorrem em conseqüência de:
falha na inclusão de valores no modelo;
estabelecimento de relações erradas entre as variáveis; utilização de linha de tendência equivocada;
falha no estabelecimento dos pontos de variação da demanda nos mercados sazonais
existência de tendências seculares indeterminadas.
b) Erros aleatórios: são os que não podem ser explicados pelos modelos de previsão. São referenciados como “ruídos” nos modelos.
A obtenção de previsões cada vez mais precisas, ou seja, mais próximas da realidade é um processo contínuo de aperfeiçoamento que passa pela avaliação e análise dos erros de previsões anteriores (BOWERSOX; CLOSS; COOPER, 2006). Esses autores estabelecem que para que haja uma redução dos erros de previsão, são necessários os seguintes passos: a) definir as medidas de erro apropriadas; b) identificar o nível de medição ou de agregação de stock keeping units (SKUs) e locais e c) definir os ciclos de retroalimentação (feedback).
2.1.6.2 Medição do Erro
“Os erros de previsão podem ser medidos em bases absolutas ou relativas, utilizando-se vários métodos” (BOWERSOX, CLOSS e COOPER, 2006, p. 229).
Davis, Aquilano e Chase (2001) citam alguns termos comumente utilizados para descrever os erros de previsão: erro-padrão, erro médio quadrado (variância) e desvio médio
absoluto. O erro-padrão da estimativa (SP) é utilizado para medir a dispersão dos dados em
torno de uma linha de regressão e é semelhante, em muitos casos, ao desvio padrão. Se os erros estiverem normalmente distribuídos em torno da linha de regressão, então 68,26% dos dados estão no intervalo de mais ou menos um erro-padrão da estimativa. O erro-padrão da estimativa é dado por:
2 ) ( 1 2
¦
n P D S n t t t P (33) Onde:Dt = demanda realizada no período t
Pt = demanda prevista para o período t
n = número de períodos de previsão
O erro padrão corresponde à raiz quadrada de uma função. Davis, Aquilano e Chase (2001) destacam que, muitas vezes, é mais conveniente utilizar a própria função, o que significa usar o erro médio quadrado ou variância.
O desvio médio absoluto (MAD – Mean Absolute Deviation) é citado pelos mesmos autores e por Ballou (2006) como uma medida que foi muito utilizada para quantificar os erros de previsão. O desvio-padrão pode ter sido preferido pelos realizadores das previsões à época dos primeiros computadores, mas a então limitada memória desses equipamentos os levaram a utilizar o MAD, que corresponde à soma dos desvios absolutos entre as demandas prevista e realizada, dividido pelo número de dados, conforme a fórmula abaixo, que usa a mesma notação anterior:
n P D MAD n t t t
¦
1 (34)Bowersox, Closs e Cooper (2006) e Davis, Aquilano e Chase (2001) mencionam que o MAD vem sendo novamente utilizado em razão de sua simplicidade. Outra forma de calcular o erro de previsão citada pelos seis autores é o erro quadrático de medição ou média
dos erros ao quadrado (MSE – Mean Square Error). Usando a mesma notação acima, o MSE
2 ) ( 1 2
¦
n P D MSE n t t t (35) A vantagem da abordagem do MSE em relação ao MAD, segundo Bowersox, Closs e Cooper (2006, p.229), é que pelo fato do erro ser elevado ao quadrado, ela “penaliza mais um sistema com poucos erros grandes do que outro com um grande número de erros pequenos”.Ballou (2006) afirma que como os computadores atuais possuem mais memória do que o necessário para a realização dos trabalhos de previsão, a medida de erro hoje utilizada é o desvio-padrão, dado pela seguinte fórmula, corrigida para um grau de liberdade perdido na produção da previsão:
1 ) ( 1 2
¦
N P D S n t t t P (36)Ainda segundo Ballou (2006), as duas formas mais generalizadas da distribuição de freqüência dos erros de previsão são mostradas na Figura 6.
Segundo o autor, em um modelo de previsão que capte a média dos níveis reais de demanda com acurácia aplicado a uma situação em que a variação da demanda real sobre a prevista seja pequena em relação ao nível de previsão, a forma mais comum de distribuição dos erros é a distribuição normal, conforme visto na Figura 6(a). Quando o intervalo de previsão for curto, a distribuição poderá ser enviesada, como a mostrada na Figura 6(b).
Bowersox, Closs e Cooper (2006, p.229) citam que as abordagens para medição do erro citadas tratam os erros sem se preocupar com a quantidade demandada. Um erro de 30 unidades para uma demanda de 100 unidades mostra uma previsão relativamente pobre, ao passo que o mesmo erro para uma demanda de 3.000 unidades demonstra uma previsão bastante precisa. Quando se deseja “comparar previsões de SKUs e locais com diferentes demandas médias, geralmente são calculados os erros percentuais, referentes à divisão do erro médio pela demanda média” (BOWERSOX; CLOSS; COOPER, 2006, p.229).
Figura 6 - Distribuições típicas de erros de previsões. Fonte: Ballou, 2006, p. 253.