Você está na página 1de 22

Revista PRODUO, v. 11 n.

1, Novembro de 2001
PRODU(AO
Passos para Implantao de Sistemas de Previso de Demanda-
Tcnicas e Estudo de Caso
Fernando R. Pe llegrini, MSc
pellegrini@ppgep.ufrgs.br
Flvio S. Fogliatto, PhD
ffogliallo@ppgep.ufrgs.br
Programa de Ps - Graduao em Engenharia de Produo (PPGEP)
Universidade Federal do Rio Grande do Sul (UFRGS)
Praa Argentina, 9 - Sala LOPp, Porto Alegre - RS - 90040-020
Este artigo apresenta um procedimento para a estruturao de um sistema de previ so de demanda de produtos e servios. Nosso
objetivo principal propor uma metodologia que permita utilizar tcnicas de previso de demanda no apoio tomada de
decises gerenciais. No procedimento proposto, a partir de uma seqncia estruturada de passos, so indicadas as diretrizes para
a implementao de tcn icas quantitativas de previso de demanda. Tambm revisam-se os principais modelos estatsticos de
previso, os quais so capazes de projetar no futuro, padres e tendncias presentes em sries histricas de dados de demandas
passadas. Um estudo de caso, realizado em uma indstria do ramo alimentcio, faz a integrao das tcnicas e procedimentos
apresentados.
Palavras-Chave: sistema de previso de demanda, classificao de produtos, anlise de sri es temporais.
In this paper we propose a sequence of steps for setting up and maintaining a forecasting system for predicting future demand of
products ar services. Our ma in objective is to propose a method%gy that allows forecast ing techniques to be used as a supporting
toa/ in manageria/ decision making. Our procedure is imp/emented in six ma in steps, covering issues such as product c1assification and
the ana/ysis of some software avai /ab/e to proceed with the mode/ ca/cu/ation. We a/50 review the main time series ana/ysis and their
app/ication. In short, such mode/s allow the ana/yst to project into future periods patterns and trends that were recognizab/e from the
ana/ysis of past demand data. A case study from the food industry illustrates the forecasting techniques reviewed and the steps af the
method we propose.
Keywords: forecasting system, product c1assification, time series ana/ysis.
_ 1. Introduo
Previses de demanda desempenham um importante
papeL em diversas reas na gesto de organizaes; por
exempLo, na rea financeira (no pLanejamento da
necessidade de recursos), na rea de recursos humanos
(no pLanejamento de modificaes no nveL da fora de
trabaLho) e na rea de vendas (no agendamento de
promoes) . Tais p"evises so tambm essenciais na
operacionaLizao de diversos aspectos do
gel'enciamento da produo, como na gesto de estoques
e no desenvoLvimento de pLanos agregados de produo.
Previses de demanda so elaboradas utilizando
mtodos quantitativos, quaLitativos ou combinaes de
ambos. Mtodos quantitativos, neste trabaLho
denominados mtodos de forecasting, baseiam-se na
anlise de sries temporais (dados que descrevem a
variao da demanda ao Longo do tempo). Mtodos
quaLitativos baseiam-se em opinies de especialistas,
sendo vuLnerveis a tendncias que podem
comprometer a confiabiLidade de seus resultados.
Mtodos qualitativos tm sido, historicamente, os mais
utilizados na previso da demanda (Mentzer & Cox,
1984). Tais mtodos costumam apresentar um baixo
grau de preciso; apesar disto, continuam sendo
amplamente utilizados nas empresas, mesmo com a
difuso dos mtodos de forecasting mais avanados,
impulsionada pelo avano na capacidade de
processamento e armazenamento de dados
computacionais (Sanders & MalIrodt, 1994). A extensa
43
PRODUCAO __________________________________________________
utilizao dos mtodos qualitativos parece estar
relacionada ao fato das previses por eles geradas
corresponderem s metas de demanda estabelecidas
pelas empresas (Dias, 1999). A escassa fundamentao
prtica dessas previses, por outro lado, pode explicar,
em grande parte, a baixa preciso dos resultados
oferecidos pelos mtodos qualitativos.
Neste artigo, prope-se uma metodologia para
implementao de sistemas de previso de demanda em
empresas industriais e de servios. O objetivo principal
utilizar tcnicas de forecasting no apoio tomada de
decises gerenciais. A metodologia proposta tem como
base a classificao de produtos conforme sua prioridade
estratgica para a empresa e a utilizao de anlise
estatstica de sries temporais. Uma aplicao da
metodologia em uma empresa industrial do ramo
alimentcio ilustra a sua utilizao prtica. Na aplicao
em questo, realiza-se um comparativo entre tcnicas de
forecasting, com vistas determinao daquelas que
melhor se adaptam ao perfil de demanda dos produtos
manufaturados pela empresa.
A metodologia proposta traz como principal
contribuio uma seqncia de passos para
implementao de sistemas de forecasting validada e
ajustada atravs de aplicaes prticas, uma das quais
reportada neste artigo. Outras contribuies originais
incluem (i) a utilizao da classificao ABC na
identificao do nvel de agregao recomendado para as
sries temporais que compem o cenrio de aplicao da
metodologia e (ii) uma estratgia para identificao e
remoo de valores esprios em sries temporais.
A tomada de decises um fato cotidiano que
desempenha um papel relevante dentro das empresas.
Atualmente, o alto grau de competitividade no meio
empresarial exige a capacidade de tomar decises
rpidas e precisas. A qualidade da tomada de deciso
tem relao direta com os dados disponveis para o
tomador de deciso e com sua habilidade em extrair
destes dados informaes relevantes.
Atravs das tcnicas de forecasting possvel extrair dos
dados passados disponveis sobre um processo de demanda,
infOlmaes que permitem a modelagem matemtica de
seu comportamento. A suposio de uma continuidade
nesse comportamento permite a realizao de previses,
cuja qualidade e preciso so muito superiores quelas das
previses feitas intuitivamente, baseadas unicamente na
44
expenbzcia dos decisOles. Adicionalmente, os modelos uma
vez atualizados, passam, de imediato, a refletir as alteraes
do processo, fornecendo prontamente subsdios a novas
tomadas de deciso.
So inmeras as aplicaes de forecasting dentro de uma
empresa. A operacionaLizao satisfatria de estratgias
de planejamento e controle da produo, em palticulal;
est fortemente associada a existncia de um sistema
eficiente de forecasting (Hill, 1994; Tompkins et al.,
1996). A utilizao da metodologia aqui proposta
viabiLiza a realizao de tomadas de deciso mais geis e
com maior preciso, as quais se refletiro em maior
velocidade de resposta, em menores perdas e, portanto,
em uma maior competitividade no mercado.
Este artigo encontra-se organizado em cinco sees,
incluindo a presente intmduo. Na seo 2, apresenta-
se a metodologia proposta para a elaborao de um
sistema forecasting. Na seo 3, so apresentados os
modelos de sries temporais utilizados no estudo de
caso. A seo 4 apresenta os resultados da aplicao da
metodologia proposta em um estudo de caso. Uma
concluso encerra o artigo na seo 5.
__ 2. Passos para elaborao de um
sistema de previso de demanda
A elaborao de um sistema de forecasting requer, de uma
organizao, conhecimento e habilidade em 4 reas
bsicas: (i) identificao e definio dos problemas a
serem tratados no forecasting; (il) aplicao dos mtodos
de forecasting; (iii) pmcedimentos para seleo do
mtodo apropriado a situaes especficas; e (iv) suporte
organizacional para adaptar e usar os mtodos de
forecasting requeridos.
Um sistema de forecasting deve estabelecer relaes entre
previses feitas pelas dIferentes reas de gerenciamento.
Existe um alto grau de dependncia entre essas
previses; o pelfeito entendimento da natureza desta
dependncia define o sucesso na implantao do sistema
de forecasting. Por exemplo, um erro na projeo de
vendas pode trazer uma srie de prejuzos a todas as
demais reas da organizao.
A aplicabilidade de um sistema de forecasting depende
de trs condies (Makridakis et al. , 1998):
Pellegrini, F. R. ; Fogliatto, F. S. - Passos para Implantao de Sistemas de Previso de Demanda - Tcnicas e Estudo de Caso
Disponibilidade de informaes histricas;
Possibilidade da transformao das informaes
histricas em dados numricos; e
Suposio da repetio de padres observados em
dados passados no tempo futuro.
Esta ltima considerao conhecida como suposio
de continuidade. Tal condio uma premissa bsica
para a utilizao de mtodos de forecasting, bem como de
diversos mtodos qualitativos.
As tcnicas de forecasting Valiam consideravelmente, tendo
sido desenvolvidas com vrios propsitos distintos. Cada
tcnica possui caractersticas prpn'as, grau de preciso e
custo de utilizao, os quais devem ser considerados na
escolha de um mtodo especfico. De fOl7na geral, os
C77tJios para a escolha de um sistema de forecasting
compreendem as etapas descn'tas na seqncia.
- 2.1 Defini o do Problema
Em algumas aplicaes de forecasting, a definio do
problema pode ser a etapa mais complexa. Diversos
fatores devem ser analisados: como o forecasting ser
usado, onde ser usado e como ele se encaixa dentro da
organizao. O nvel de detalhe requerido uma
considerao de extrema importncia, sendo
influenciado por diversos fatores, tais como
disponibilidade de dados, preciso, custo da anlise e
preferncias gerenciais.
Custo
,'RODUCAO
O custo do forecasting est diretamente ligado a preciso
requerida. Uma vez que o aumento da preciso diminui
as perdas resultantes dos processos decisrios, a relao
entre o custo do forecasting e as perdas causadas pela
incerteza fOl7na um trade-off, exemplificado na Figura 1.
Fica claro, a partir da anlise do grfico na Figura 1, que
aps um determinado ponto o aumento dos recursos
investidos no implica em aumento expressivo na
preciso do sistema de foreeasting. Sendo assim,
procura-se trabalhar dentro de uma faixa que possibilite
a melhor previso a um menor custo.
Uma segunda classe de decises envolve elementos
temporais; mais especificamente, o perodo, horizonte e
intervalo do forecasting.
O perodo a unidade bsica de tempo em que a
previso requerida. Geralmente, ele expresso em
meses ou semanas, dependendo do espao de tempo
em que os dados de demanda esto armazenados.
Dentre os elementos temporais, a magnitude do
perodo o fator que mais influencia na escolha do
modelo a ser utilizado.
O horizonte o nmero de perodos futuros cobertos
pela previso, sendo expresso na mesma unidade
temporal do perodo. Ele est relacionado com a
capacidade de resposta da organizao. Quanto menos
flexvel for a organizao, maior ser o horizonte; quanto
mais gil, menor o horizonte. Recomenda-se que o
horizonte do forecasting deva seI; no mnimo, igual ao
maior tempo de resposta da organizao (Dias, 1999).
Custo lot.1
Custo fOfeCasting
Perdas causadas
pela incerteza
__________ ______________________
timo
fcxecasting
Figura 1. Relao entre preciso e custo do forecasting. (Adaptado de Montgomery et aI., 1990).
45
C" \C _____________________________________________________
o intervalo a freqncia com a qual novas previses
so preparadas. Na definio desta freqncia, existe um
trade-of! entre o risco de no se identificar uma
mudana na srie temporal e os custos na reviso do
forecasting. Assim, o intervalo depende da estabilidade
do processo, das conseqncias de se estar usando uma
previso obsoleta, e dos custos do forecasting e do
replanejamento. Geralmente o intervalo igual ao
perodo. Desta maneira, os modelos so revistos a cada
perodo, usando a demanda do perodo mais recente
(Montgomery et aI., 1990) .
Durante a etapa de definio do problema, o tcnico
responsvel pela elaborao do sistema de forecasting
deve consultar todos aqueles envolvidos na coleta de
dados, na manuteno do banco de dados e no uso das
previses para o planejamento futuro.
- 2.2 Coleta de Informaes
Pelo menos dois tipos de informaes devem estar
disponveis na elaborao de um sistema de forecasting
(Makridakis et aI., 1998): (i) dados estatsticos
(geralmente numricos) e (ii) dados subjetivos oriundos
de julgamento e percia de especialistas (empregado,
principalmente, na avaliao da qualidade dos dados a
serem utilizados no sistema). Os dados estatsticos sero
utilizados na modelagem matemtica do forecasting; a
opinio de especialistas essencial para validao prtica
das previses geradas pelo sistema.
Montagem do Banco de Dados
Os dados estatsticos a serem utilizados na previso da
demanda so usualmente armazenados em um banco de
dados. O banco de dados deve conter, alm da srie
temporal (representada por produtos e a demanda dos
mesmos a cada perodo), informaes que possibilitem a
utilizao de filtros. O filtro, em um banco de dados, a
designao utilizada para quaisquer critrios
empregados no agrupamento de dados. Considere, por
exemplo, a estratificao da previso da demanda para
um cliente especfico, uma regio geogrfica ou um
vendedor; os filtros, no exemplo, so os clientes, a regio
geogrfica e os vendedores.
A atualizao do banco de dados deve ser feita a cada
perodo, incorporando-se, assim, as informaes mais
recentes aos modelos de previso.
46
Classificao dos Produtos
Em certos sistemas de forecasting, centenas ou milhares
de produtos podem estar em estudo. Porm, nem
sempre se faz necessria, para fins gerenciais, a anlise de
todos os produtos individualmente. Muitos deles podem
ser agregados, atravs de critrios pr-determinados, em
uma mesma srie temporal, e analisados conjuntamente.
A metodologia mais aplicada para a agregao de
produtos a classificao ABC, a qual determina a
importncia do produto, relacionando demanda e seu
faturamento (Na/unias, 1993). Neste artigo, sugere-se a
utilizao dessa classificao como critrio de definio
do nvel de detalhamento a ser adotado na modelagem
de sries temporais. Neste contexto, os produtos aos
quais esto associadas as sries temporais em estudo
podem ser classificados em 3 classes:
Classe A - Esta classe representa 80% do faturamento e
cerca de 20% dos produtos vendidos pela empresa. A
previso de demanda feita individualmente para cada
produto desta classe. Estratificaes das sries temporais
de demanda conforme regio, cliente ou vended01; por
exemplo, podem tambm ser de interesse gerencial. De
forma geral, somente estratificaes nas sries
correspondentes a produtos na classe A justificam-se
economicamente.
Classe B - A classe B representa 15% do faturamento e
cerca de 30% dos produtos vendidos pela empresa. A
previso de demanda feita individualmente para cada
produto, porm estratificaes nas sries no so, via de
regra, necessrias. Em casos onde nenhuma
estratificao efetuada sobre as sries na classe A, o
tratamento estatstico das sries em A e B so idnticos.
Classe C - A classe C contempla 5% do faturamento e
cerca de 50% dos produtos vendidos pela empresa. Para
os produtos nesta classe, o mais indicado a realizao
de uma previso agregada de demanda.
Um outro mtodo de agregao que tambm pode ser
utilizado nesta etapa a classificao dos produtos por
famlia. Neste mtodo, produtos com as mesmas
caractersticas so agrupados em uma nica srie
temporal, reduzindo significativamente o nmero de
sries a serem analisadas. Um exemplo de aplicao
deste mtodo de agregao apresentado no estudo de
caso, na seo 4.
Pellegrini, F. R. ; Fogliatto, F. 5. - Passos para Implantao de Sistemas de Previso de Oemanda - Tcnicas e Estudo de Caso
P ~ O L '
Definio dos Nveis de Agregao
Algumas vezes, para se captar alguma caracterstica 110
comportamento de uma srie temporal, faz-se necessrio
uma agregao de seus elementos temporais. Por
exemplo, quando se est analisando uma srie contendo
dados dirios, pode no ser possvel visualizar com
facilidade um padro no comportamento da srie que se
manifeste numa base mensal, o que poderia implicar em
uma deficincia na modelagem. Neste caso, poderia-se
agregar os dados em perodos semanais e mensais, at
que algum padro possa ser identificado na srie de
maneira distinta.
Muitas vezes, mesmo aps vrias agregaes temporais,
nenhuma caracterstica no comportamento da srie
encontrada. Isto significa que os dados de demanda
apresentam um comportamento exclusivamente
aleatrio, o que pode comprometer a preciso de
previses futuras.
As agregaes temporais so definidas, basicamente,
pelos dados de demanda disponveis. J as agregaes
dos produtos so definidas por preferncias gerenciais,
custos da anlise, preciso requerida e a disponibilidade
dos dados de demanda (Montgonwy et al.,1990).
-
2.3 Seleo do Pacote Computacional
Dada a complexidade de operacionalizao de alguns dos
modelos de forecasting, faz-se necessn'o o uso de pacotes
computacionais no clculo da previso de demanda. A
escolha correta do pacote adequado pode ser dzfcil,
devido a grande variedade de produtos disponveis no
mercado. A seguil; so apresentadas algumas questes que
podem ser teis na detei-minao do pacote
computacional mais apropriado para apoio a um sistema
de previso de demanda; a lista apresentada foi elaborada
a paJr de sugestes em Makridakis et aI., 1998:
O pacote deve possuir vantagens identificadas como
essenciais pela gerncia. Verifique os modelos de
forecasting contemplados no produto, a forma de
gerenciamento das informaes, a apresentao grfica e
relatrios dos resultados obtidos na anlise.
Identifique o sistema operacional do pacote. O sistema
deve ser compatvel com aquele utilizado pelos
computadores na empresa, ou perm itir a transferncia
de dados entre sistemas operacionais distintos.
O pacote deve ser de fcil utilizao e aprendizado.
Solicite uma demonstrao de funcionamento do
programa e verifique aspectos relacionados a sua
facilidade de operacionalizao.
Verifique a possibilidade de implementao de novos
modelos de forecasting no pacote computacional. Usurios
avanados procuram fazer modificaes em modelos
existentes de forecasting ou mesmo implementar novos
modelos nos pacotes. Para tanto, a linguagem de
programao do pacote selecionado deve ser dominada
pelos usurios (programadores) da empresa.
Muitas vezes, centenas de sries temporais podem estar
em estudo. Alguns pacotes possuem uma ferramenta
que perm ite gerar rapidamente a previso individual de
um conjunto de dados envolvendo milhares de sries
temporais. Esta caracterstica de suma importncia
quando se necessita agilidade na analise de muitas sries.
Verifique a capacidade de processamento de dados do
pacote. Sistemas de forecasting podem utilizar sries
temporais bastante extensas, que eventualmente
ultrapassam o limite de capacidade de processamento de
alguns pacotes computacionais.
Verifique a preciso das previses calculadas pelo
pacote. Apesar de possurem dzferentes algoritmos,
pacotes distintos devem apresentar resultados no
mnimo prximos. Assim, interessante fazer uma
comparao entre eles, uma vez que alguns podem
conter erros.
A maioria dos pacotes estatsticos (de uso) genricos
apresentam uma opo de anlise de forecasting. Tais
pacotes so recomendados a usurios que demandem
uma anlise estatstica e grfica detalhada dos dados.
Entre os pacotes estatsticos genricos mais difundidos,
trs so abordados na seqncia: NCSS, Statgraphics e
SPSS. A anlise destes pacotes limita-se aos seus
mdulos de forecasting.
O NCSS (Number Cruncher Statistical System, 1996)
possui, em seu mdulo de forecasting, a possibilidade de
uso dos modelos ARIMA, suavizao exponencial e
decomposio. O relatrio de resultados da anlise traz
um grande nmero de informaes, no disponveis nos
demais pacotes aqui abordados. O Statgraphics (1995)
tambm possui as opes dos modelos de decomposio,
ARIMA e suavizao exponencial no seu mdulo de
forecasting, apresentando uma melhor intelface de
47
Revista Produo, v. 11 n. 1, Novembro de 2001 nl ( r ________________________________________________________________ ________________________ __
utilizao, se comparado ao NCSS. O SPSS (Statistical
Package for Social Science, 1997) o melhor dentre os trs
pacotes genricos aqui abordados. O programa oferece,
no seu mdulo de forecasting, as opes dos modelos de
decomposio, AR/MA, suavizao exponencial,
regresso com erros dos modelos AR/MA e X-11
AR/MA.
Os pacotes computacionais especficos para anlise de
forecasting contm apenas as ferramentas estatsticas
necessrias para a anlise de sries temporais e gerao
de previses. Sua vantagem se d em funes relativas a
previso, no encontradas em pacotes de uso genrico.
Entre os pacotes especficos para anlise de forecasting,
destacam-se o Forecast Pro e o Autobox.
O Forecast Pro (1999) oferece a opo de escolha
automtica do modelo que melhor se adequa a uma srie
temporal. Para tanto, faz uma comparao entre os
modelos AR/MA, suavizao exponencial e X-11 AR/MA.
O pacote tambm pelmite ao usurio a seleo do C11tn"0
utilizado para comparao dos modelos obtidos em cada
sble. Uma outra caracterstica importante do pacote a
possibilidade de fazer, simultaneamente, a previso de um
grande nmero de sries temporais em poucos segundos.
O Autobox (1999) oferece, basicamente, as mesmas opes
do pacote computacional Forecast Pro. Porm, utiliza os
modelos AR/MA, suavizao exponencial, alm da anlise
de regresso a partir dos en'os oriundos dos modelos
AR/MA.
- 2.4 Anlise Preliminar
Nesta etapa, dados histricos so agrupados e
representados graficamente. Desta maneira, pode-se
identificar possveis valores esprios na srie temporal, o
que dificultaria a sua modelagem. Ullores esprios
podem ser causados por erros de digitao, falta de
produtos. promoes espordicas e variaes no
mercado financeiro, entre outras causas. Para o
tratamento destes valores, sugerem-se os seguintes
procedimentos:
Procedimento A. Quando o valor esprio encontra-se no
final da srie temporal e existem valores suficientes para
gerar um modelo de previso, substitui-se o valor
esprio pela previso relativa ao perodo correspondente
ao dado excludo.
Procedimento B. Quando o valor esprio encontra-se no
48
incio da srie temporal, o procedimento descrito
anteriormente toma-se invivel. Uma sugesto para tal
situao fazer a substituio do valor esprio por um
valor mdio das observaes imediatamente adjacentes a
ele, e gerar um modelo de previso. Uma vez feita a
previso, o valor esprio substitudo pela previso
relativa ao perodo correspondente.
Uma vez retirados os valores esprios, analisam-se
fatores como padres, tendncias e sazonalidades que
podem estar presentes na srie temporal em estudo. A
anlise grfica preliminar fornece subsdios auxiliares na
escolha dos modelos quantitativos a serem utilizados na
modelagem matemtica das diversas sries de dados.
- 2.5 Escolha e Validao dos Modelos
A escolha do modelo de previso apropriado a uma srie
de dados temporais deve estar baseada, alm da preciso
do modelo, llOS seguintes fatores:
Aspectos que influenciam a demanda a ser analisada
O conhecimento de aspectos que podem influenciar a
demanda, como, por exemplo, promoes ou
campanhas promocionais, de vital importncia para o
processo de previso. Atravs deste tipo de infonnao,
pode-se fazer com que a previso, com o uso da anlise
subjetiva, se ajuste a casos particulares. Alm disto, a
previso geralmente feita para um intervalo de
confiana, o qual pode ter uma magnitude elevada.
Assim, mais uma vez, a anlise subjetiva pode ser
utilizada para aumentar a preciso da previso.
Caractersticas da srie temporal
A previso futura de uma srie temporal pode ser feita
atravs das previses de seus componentes
(sazonalidade, tendncia, entre outros). A previso da
sazonalidade, em virtude da sua regularidade, pode ser
feita de maneira adequada por um grande nmero de
modelos. Muitas sries, inclusive, podem ser modeladas
de forma mais precisa se removido o componente
sazonal (Makridakis & Hibon, 1997). Assim, sem o
componente sazonal, o domnio de um dos
componentes sobre os demais na srie temporal pode
definir o modelo a ser utilizado.
Quando a aleatoriedade domina a tendncia-ciclo
(muitos mtodos de decomposio consideram a
tendncia e o ciclo como sendo um componente nico),
Pellegrini, F. R.; Fogliatto, F. S. - Passos para Implantao de Sistemas de Previso de Demanda - Tcnicas e Estudo de Caso
PRODUCO
a suavizao exponencial simples geralmente modela a
srie temporal de forma satisfatria. Nos casos onde a
tendncia-ciclo domina a aleatoriedade, modelos mais
complexos, tais como Box-Jenkins, so os mais indicados
(Makridakis et al.,1982). Em srie temporais onde existe
pouca aleatoriedade e o componente de tendncia
domina as flutuaes cclicas, o modelo de Holt, de
suavizao exponencial dupla, geralmente produz bons
resultados. Porm, quando o componente cclico
domina a tendncia, o modelo de Holt pode gerar uma
previso pouco precisa, uma vez que a tendncia linear
no se mantm constante.
Agregao temporal dos dados
o grau de agregao temporal influencia na seleo do
modelo, pois, de maneira geral, a aleatoriedade diminui
com o agrupamento dos dados. Assim, dados dispostos
anualmente possuem pouca aleatoriedade e um forte
componente de tendncia, sugerindo o uso do modelo
de Holt. Por outro lado, dados dirios possuem grande
aleatoriedade, sendo prefervel o modelo de suavizao
exponencial simples. Modelos mais complexos, como
Box-Jenkins, produzem melhores resultados em
agregaes intermedirias (mensais ou quadrimensais),
uma vez que estas podem exibir fortes componentes
cclicos e de tendncia.
Intervalo das previses
o intervalo, o qual relata a freqncia com que novas
previses so preparadas, tambm pode auxiliar na
determinao do melhor modelo a ser utilizado. Dados
com pouca agregao temporal (por exemplo, dirios)
requerem previses em intervalos cU/tos de tempo.
Assim, para dados dispostos diariamente so evitados
modelos complexos, por serem muito trabalhosos e por
poderem, potencialmente, tomar o sistema dispendioso.
-- 2.6 Verificao do Sistema
Uma vez tendo-se os modelos e seus parmetros
estimados apropriadamente, sua utilizao na predio da
demanda futura pode ser testada. Neste ponto, o processo
de implantao do sistema de forecasting considerado
concludo, tendo incio o seu processo de manuteno. A
manuteno do sistema consiste na inc01porao de novas
informaes sobre as variveis de interesse, obtidas aps
cada perodo, e revalidao dos modelos estatsticos
inicialmente selecionados para sua previso futura.
_ 3. Duas famli as de model os
estatsti cos para sries temporais
A previso de demanda utilizando mtodos
quantitativos pode ser feita atravs de vrios modelos
matemticos. O emprego de cada modelo depende
basicamente do comportamento da srie temporal que se
deseja analisar.
Uma sn'e temporal pode exibir at quatro caractersticas
diferentes em seu comportamento: mdia, sazonalidade,
ciclo e tendncia. A caracterstica de mdia existe
quando os valores da srie flutuam em tomo de uma
mdia constante. A srie possui caracterstica sazonal
quando padres cclicos de variao se repetem em
intervalos relativamente constantes de tempo. A
caracterstica cclica existe quando a srie exibe variaes
ascendentes e descendentes, porm, em intervalos no
regulares de tempo. Finalmente, a caracterstica de
tendncia ocorre quando a srie apresenta
comportamento ascendente ou descendente por um
longo perodo de tempo. Toda variao em uma srie
temporal que no pode ser explicada pelas caractersticas
acima, devida ao rudo aleatrio no processo gerador
dos dados; tal rudo no matematicamente modelvel.
A seguir, so apresentadas as duas principais famlias de
modelos matemticos utilizados em estudos de
forecasting: os modelos de suavizao exponencial e os
modelos de Box-Jenkins. A utilizao desses modelos
exemplificada no estudo de caso, na seo 4. A seo
encerrada com a apresentao de critrios para avaliar a
adequao de modelos a sries temporais.
-
3. 1 Modelos de Suavizao
Exponencial
Os modelos de suavizao exponencial so amplamente
utilizados para previso de demanda devido a sua
simplicidade, facilidade de ajuste e boa preciso. Estes
mtodos usam uma ponderao distinta para cada valor
observado na srie temporal, de modo que valores mais
recentes recebam pesos maiores. Assim, os pesos formam
um conjunto que decai exponencialmente a partir de
valores mais recentes.
Suavizao Exponencial para um Processo Constante
Se a srie temporal mantm-se constante sobre um nvel
mdio, uma suavizao exponencial simples pode ser
49
Revista Produo, v. 11 n. 1, Novembro de 2001
PRODUAO--------------------------------------------------------------------------
usada para a previso de valores futuros da srie. Sua
representao matemtica vem dada por (Elsayed &
Boucher, 1994) :
onde Zt+l a previso da demanda para o tempo t + 1,
feita no perodo atual t; a a constante de suavizao,
assumindo valores entre O e 1; z, o valor observado na
srie temporal para o tempo t; e, Zt o valor da previso
feita para o tempo t. Uma forma de medir a preciso da
previso, calcular o erro por ela gerado; ou seja,
e
t
=Zt-Zt"
o valor da constante de suavizao a arbitrno; a
determinao de seu melhor valor pode ser feita
iterativa mente, utilizando alguma forma de comparao,
como, por exemplo, a mdia do quadrado dos erros, MQE.
Desta maneira, seleciona-se aleatoriamente um valor
inicial para a constante, a partir do qual previses so
geradas. Comparam-se os valores previstos com os reais,
e calcula-se a mdia do quadrado das dIferenas entre os
mesmos; o parmetro que minimiza essa mdia
utilizado no modelo final. Pacotes computacionais
determinam automaticamente o melhor valor de a. A
magnitude da constante a determina a velocidade de
resposta do modelo frente a mudanas na demanda
(Montgomery et ai., 1990). Tillores pequenos de a fazem
com que o modelo demore a assumir mudanas no
comportamento da sne; com valores grandes de a o
modelo reage rapidamente.
Os modelos de suavizao exponencial simples
requerem uma estimativa inicial para Zt. Quando dados
histricos esto disponveis, pode-se usar uma mdia
simples das N observaes mais recentes como Zt; caso
contrrio, pode-se utilizar a ltima observao, ou fazer
uma estimativa subjetiva.
Modelo de Holt
O modelo de Holt pode ser utilizado, de maneira
satisfatria, em sries temporais com tendncia linear.
Este modelo emplega duas constantes de suavizao, a e
f3 (com valores entre O e 1), sendo representado por trs
equaes (Armstrong, 1999):
T, = {3(L, - Lt-I) + (1- {3)Tt-I '
50
(1)
(2)
(3)
As equaes (1) e (2) fazem uma estimativa do nvel e da
inclinao da srie temporal, respectivamente. J a
equao (3), calcula a previso da demanda para os
prximos k perodos.
Assim como na suavizao exponencial simples, o
mtodo de Holt requer valores iniciais, neste caso Lo e
To. Uma alternativa para estes clculos iniciais igualar
Lo ao ltimo valor observado na srie temporal e calcular
uma mdia da declividade nas ltimas observaes para
To. Uma outra forma de clculo a regresso linear
simples aplicada aos dados da srie temporal, onde se
obtm o valor da declividade da srie temporal e de Lo
em sua ongem.
Os valores das constantes de suavizao no modelo de
Holt podem ser determinados de forma semelhante
usada na suavizao exponencial simples; ou seja, uma
combinao de valores para a e f3 que mlntmlze a
MQE.
Modelos de Winters
Os modelos de Winters descrevem apropriadamente
dados de demanda onde se verifica a ocorrncia de
tendncia linear, alm de um componente de
sazonalidade. Dados de demanda sazonal caracterizam-
se pela ocorrncia de padres cclicos de variao, que se
repetem em intervalos relativamente constantes de
tempo. Demanda de tipo sazonal caracteriza alguns
ramos da indstria alimentcia (refrigerantes e sorvetes),
de cosmticos (bronzeadores) e de servios (intensidade
de atendimento de um banco ao longo do dia).
Os modelos de Wznters dividem-se em dois grupos: aditivo
e multiplicativo. No modelo aditivo, a amplitude da
vanao sazonal constante ao longo do tempo; ou seja, a
diferena entre o maior e menor valor de demanda dentro
das estaes permanece relativamente constante no tempo.
No modelo multiplicativo, a amplitude da variao sazonal
aumenta ou diminui como funo do tempo.
O modelo multiplicativo de Winters utilizado na
modelagem de dados saz01!ais onde a amplitude do
ciclo sazonal varia com o passar do tempo. Sua
representao matemtica vem dada por (Fuller, 1996):
z,
L, = a--- + (1- a)(L'_1 + T,_I) ,
S,_s
(4)
(5)
Pellegrini, F. R.; Fogliatto, F. S. - Passos para Implantao de Sistemas de Previso de Demanda - Tcnicas e Estudo de Caso
PRODUCO
(6)
(7)
onde s uma estao completa da sazonalidade (por
exemplo, s igual a 12 quando se tem dados mensais e
sazonalidade anual); L" T, e S, representam o nvel, a
tendncia e a sazonalidade da srie, respectivamente; Zt+k
a previso para k perodos a fi"ente; e, finalmente, y a
constante de suavizao que controla o peso relativo a
sazonalidade, variando entre O e 1.
A equao (4) difere da equao que trata do nvel da
sn"e no modelo de Holt, j que o primeiro termo
dividido por um componente sazonal, eliminando
assim a flutuao sazonal de z, . A equao (5)
exatamente igual equao da tendncia no mtodo de
Holt. J a equao (6), faz um ajuste sazonal nas
observaes Z, .
Como todos os mtodos de suavizao exponencial, os
modelos de Winters necessitam valores iniciais de
componentes (neste caso, nvel, tendncia e
sazonalidade) para dar incio aos clculos. Para a
estimativa do componente sazonal, necessita-se de no
mnimo uma estao completa de observaes, ou seja, s
perodos. As estimativas iniciais do nvel e da tendncia
so feitas, ento, no perodo s definido para o
componente sazonal. Estimadores dos componentes nas
equaes (4) a (7) podem ser encontrados em Winters
(1960), Johnson & MontgomelY (1974) , Hamilton
(1994) e Elsayed & Boucher (1994). Os valores das
constantes de suavizao seguem a mesma lgica de
determinao sugerida para os outros mtodos de
suavizao exponencial.
O modelo aditivo de Winters utilizado na modelagem
de dados sazonais onde a amplitude do ciclo sazonal
permanece constante com o passar do tempo. Suas
equaes matemticas so (Makridakis et aI., 1998):
4 = a(z, - S,_s> + (1- a)(4_, + T,-I),
T, =f3(L, -L'_I)+(1-f3)T, _I'
5, =y(z, -L, )+(1-y)S,_s'
(8)
(9)
(10)
(11)
A equao da tendncia permanece a mesma utilizada
para o modelo multiplicativo [ver equao (5)). Nas
demais equaes, a nica dIferena que o componente
sazonal est efetuando operaes de soma e subtrao, ao
invs de multiplicar e dividir.
- 3.2 Modelos de Box-Jenkins
Os modelos de Box-Jenkins, tambm conhecidos como
Modelos Autoregressivos Integrados a Mdia Mvel, ou
simplesmente ARIMA (Autoregressive Integrated Moving
Average), foram propostos por George Box e Gwilym
Jenkins no incio dos anos 70 (Box et aI., 1994). Os
modelos de Box-Jenkins partem da idia de que os
valores de uma srie temporal so altamente
dependentes, ou seja, cada valor pode ser explicado por
valores prvios da srie. Os modelos ARIMA
representam a classe mais geral de modelos para a
anlise de sries temporais. Alguns conceitos,
apresentados na seqncia, habilitam a compl"eenso dos
modelos Box-Jenkins.
Um processo estocstico caracterizado por uma famlia
de variveis aleatn"as que descrevem a evoluo de
algum fenmeno de interesse. Processos estocsticos que
caracterizam os estudos de sries temporais descrevem a
evoluo temporal de um fenmeno de interesse. Uma
importante classe de modelos estocsticos utilizados na
representao de sries temporais so os modelos
estacionrios, que pressupem um processo sob
equilbrio, onde a fomlia de variveis se mantm a um
nvel constante mdio (Ross, 1993). Porm, muitas sries
temporais so melhor representadas por modelos no-
estacionrios. Sries estacionrias e no-estacionrias
vm representadas graficamente na Figura 2. Os grficos
(a) e (b) na Figura 2 mostram sn"es temporais exibindo
variao estacionn"a. Tais sries variam de maneira
estvel no tempo, sobre um valor de mdia fixo. O
grfico (c) mostra uma srie temporal no-estacionria, a
qual no se desloca no tempo sobre uma mdia fixa. A
srie da Figura 2(a) uma sn'e de rudo aleatrio. Em
tais sries, as diferenas entre as observaes e a mdia
so estatisticamente independentes, seguindo alguma
distribuio de probabilidade. A propriedade chave em
uma sn"e de rudo aleatrio que a ordem na qual as
observaes ocorrem no informa nada a respeito da
srie. Assim, valores passados da srie no podem ser
utilizados na previso de valores futuros (Box & Luceno,
1997). A srie da Figura 2(b) tambm estacionn'a, mas
apresenta rudos autocorrelacionados. Nesse caso,
diferenas entre observaes e a mdia no so
51
Revista Produo, v. 11 n, 1, Novembro de 2001
PRODUCAO------------------------------------------------------------------------------
estatisticamente independentes entre si. Dependncia
estatstica implica na probabilidade de uma diferena
qualquer ser influenciada pela magnitude das demais
diferenas na srie. Na srie da Figura 2(b), diferenas
positivas tendem a seguir diferenas positivas e vice-
versa. Finalmente, a Figura 2(c) ilustra uma variao
no-estacionria. Essas sries so encontradas com
freqncia em aplicaes na indstria, bem como em
estudos de economia e negcios.
Os modelos estocsticos so baseados na idia (Yule,
1927 apud Box et ai., 1994) de que uma srie temporal ZI
com valores sucessivos altamente dependentes, pode ser
estimada a partir de uma srie de rudo aleatrio a, '
apropriadamente transformada atravs de uma funo
matemtica. O processo de rudo aleatrio a,
transformado no processo z, por uma funo de filtro
linear. A funo de filtro linear faz uma soma ponderada
de rudos aleatrios prvios, isto :
ou
onde J.l o nvel do processo, B um operador de
defasagem, expresso por B
m
a
t
= a
t
_
m
, e
(12)
lJ! (B) = 1 + lJ! 1 B.+ lJ! , B' + K o operadorlinear que
transforma a, em z, (tambm chamado funo de
transferncia do filtro; Makridakis & Hibon, 1997).
Modelos derivados da equao (12) podem representar
tanto sries estacionrias quanto sries no-estacionrias.
Se uma seqncia de lJIs finita, ou infinita e
convergente, o processo z, estacionrio, com mdia J1.
Caso contrrio, z, no-estacionrio e J.l apenas um
ponto de referncia para o nvel do processo em algum
momento no tempo.
Uma estatstica importante na anlise de sn'es temporais
o coeficiente de autocorrelao p. A autocorrelao
wada para descrever a con'elao entre dois valores da
mesma srie temporal, em diferentes perodos de tempo.
Assim, um coeficiente de autocorrelao PI mede a
correlao entre dois valores adjacentes na srie, e a
autocorrelao, neste caso, dita autocorrelao de lag (ou
defasagem) 1. De maneira genlica, o coeficiente de
autocorrelao P
k
mede a correlao entre observaes
distantes k perodos de tempo (ou seja, uma
autocorrelao de lag k).
A autocorrelao de lag k medida pelo coeficiente P
k
'
definido por (Shumway, 1988):
p, = E[(z, -1L)( z, ,- IL)] (13)
..jE[( z, -1L)']E[(z,_, -IL)']
ou
p, =
E[(z, - P)(ZH - p)]
(14)
(J"
,
onde cr; a varincia da sn'e temporal.
Na prtica, para se obter uma boa estimativa do
coeficiente de autocorrelao, deve-se dispor de pelo
menos 50 observaes da varivel z. O nmero de
autocorrelaes de lags diferentes que se calcula para a
anlise da sn'e temporal deve ser de N/4, onde N o
nmero total de observaes na srie.
(n)
A_A""",,, a(\"" /\ J'\ J\...
(c)
Figura 2. Sries temporais, (Fonte: Box & Luceiio, 1997),
52
Pellegrini, F. R. ; Fogliatto, F. S. - Passos para Implantao de Sistemas de Previso de Demanda - Tcnicas e Estudo de Caso
Similarmente autocorrelao, a autocorrelao parcial
tambm permite analisar o relacionamento entre valores
de uma srie temporal. Porm, a autocorrelao parcial
mede o grau de associao entre z, e z" k ,quando o efeito
de outros lags - 1, 2, 3, ... , (k-J) - so removidos. A
autocon-elao parcial representada por if>H o k
bimo
coeficiente em um processo auto regressivo de ordem k
(ver Box et ai., 1994).
Modelos Autoregressivos
Um modelo estocstico til na representao de um
grande nmero de sries temporais o modelo
autoregressivo. Neste modelo, o valor corrente do
processo expresso como uma combinao linear
finita de valores prvios do processo e um rudo
aleatrio a .
,
Definem-se os valores observados de um processo em
espaos de tempo igualmente divididos t, t-1, t-2, ... por z,
, z,./' z,.z' .... Definem-se tambm Z;, 'i/./, Z;.z .. . como
sendo desvios da mdia Il , ou seja, Z; = z, - Il ,
Z;./ = z,./- Il , Z;.z = z,.z-Il , .. ... Ento, a equao:
(15)
representa um processo auto regressivo de ordem p, ou
simplesmente AR(p).
Os coeficientes autoregressivos if>/, if>1' ... , if>JI so
parmetros que descrevem como um valor corrente z,
relaciona-se com valores passados z,.r z,.1' ... , z,.p. O
coeficiente autoregressivo de ordem p pode ser expresso
usando a definio do operador B:
simplificando a representao matemtica do modelo
autoregressivo para:
rp(B)zl = aI .
O modelo AR(p) contm p+2 parmetros
desconhecidos (f-I, if>/, if>1' .. . , if>JI (J; ), os quais podem ser
estimados a parti r dos valores observados na srie
temporal. (J; a varincia do processo de rudo aleatrio
a, Pode-se demonstrar que o modelo autoregressivo
um caso especial do modelo de filtro linear (para tanto,
ver Montgomery et ai., 1990)
Processos auto regressivos podem ser estacionrios ou
no-estacionrios (Box et ai., 1994). A premissa
PRODUCAO
necessria para a estacionariedade que o operador
autoregressivo I/>(B) = 1 - if>IB - if>2B2 - ... - if>pB
P
,
considerado como sendo um polinmio em B de grau p,
tenha todas as suas razes I/>(B) = O maiores que 1, em
valores absolutos (ou seja, todas as razes devem estar fora
do crculo unitrio). Esta condio derivada do fato
que a sn'e infinita de IV 's deve convergir para o
J
processo (Z;)ser estacionrio.
Modelos de Mdia-Mvel
Nos modelos de mdia mvel, Z; , que representa a
observao z, subtrada da mdia Il depende
linearmente de um nmero finito q de valores prvios do
rudo aleatrio a. Assim:
,
(16)
chamado um processo de mdia mvel (MA) de ordem q.
O nome mdia mvel pode levar a equvocos de
interpretao, j que os pesos 1, -e
l
' -8
2
' . . , -e
q
no
somam necessariamente a unidade nem precisam ser
necessariamente positivos. O coeficiente de mdia mvel
e de ordem q pode ser expresso usando a definio do
operador B:
simplificando a representao matemtica para:
a qual contm q+2 parmetros desconhecidos (f-I, e/, 81'
"'1 8 JI (J; ), estimveis a partir dos valores observados na
srie temporal. Uma vez que a srie
ljf ( B)=e(B) =I-e
1
B -e
2
B
2
-K -eqB'/
finita, nenhuma restrio necessria sobre os
parmetros do processo de mdia mvel para assegurar
estacionariedade.
A funo de autocorrelao de um processo MA(q) :
_ -(}k +e1(}k+l + K +eq_k(}q
P
k
- l+e 2+K+e2 ,comk= 1,2, .. . , q,e
I q
pk=O quando k > q.
Modelos Mistos Autoregressivos - Mdia Mvel
Algumas vezes, sries temporais so melhor modeladas
com a incluso de tem10S auto regressivos e de mdia
mvel. O resultado um modelo misto auto regressivo -
mdia mvel de ordem (p, q):
53
Revista Produo, v. 11 n. 1, Novembro de 2001
PRODUAO--------------------------------------------------------------------------
ou, utilizando a notao do operador de defasagem B e
rearranjando os termos na equao (17), = G(B)a
f
o qual pode ser abreviado para ARMA (p, q).
o modelo possui p + q + 2 parmetros desconhecidos
()1, IPI' ... , IPi e
l
, .. , e
p
' que podem ser estimados a
partir dos valores observados na srie temporal. Na
prtica, os valores de p e q so geralmente menores que 2
para sries temporais estacionrias (Box et aI., 1994). A
condio de estacionariedade estabelecida para os
processos AR(p) e MA(q) se mantm nos modelos
ARMA (p, q); um modelo ARMA (p, q) estacionrio se
as razes do polinmio IP (B) = O estiverem fora do
crculo unitrio .
Modelos no-estacionrios
Muitas sries temporais no possuem mdia constante.
Isto significa que, em nenhum dado intervalo de tempo,
as observaes da srie se comportam como as
observaes de um intervalo de tempo distinto. Tais
sries so chamadas de no-estacionrias na mdia. Da
mesma forma, possvel uma srie temporal exibir no-
estacionariedade na mdia e na declividade. Sries
temporais no-estacionrias podem exibir, independente
da mdia local (ou mdia e declividade locais), um
comportamento geral homogneo, com a ocorrncia de
tendncias que se repetem.
Sries no-estacionrias podem geralmente ser
representadas por um operador autoregressivo
generalizado cp (B), no qual uma ou mais razes do
polinmio cp (B) so iguais a 1 em mdulo. Em
particular, se existirem d razes unitn'as, o operador cp (B)
assumir a forma abaixo (Box et ai., 1994):
rp(B) = B)d
(18)
onde cp (B) um operador estacionrio. Em
contrapartida, um modelo que apresenta
comportamento homogneo no-estacionrio apresenta a
seguinte forma:
ou
(19)
onde
(20)
54
Assim, um comportamento homogneo no-
estacionrio pode ser representado por um processo
estacionrio, com d nveis de diferenciao. Na prtica, d
pode ser O, 1, ou, no mximo, 2.
o processo definido pelas equaes (19) e (20) produz
um eficiente modelo para descrever sries temporais
estacionrias e no-estacionrias. Esse modelo
chamado de processo autoregressivo integrado a mdia
mvel (ARIMA) de ordem (p, d, q), onde p
corresponde ao componente auto regressivo, d ao
nmero de dIferenciaes e q ao componente de mdia
mvel. O processo representado pela equao (Box et
ai., 1994):
com w
t
= V
d
z( . Quando d = O, substituindo-se w, por z, - )1
no modelo da equao (21), obtm-se o modelo misto
estacionn'o [equao (J 7)j.
A palavra "integrado" no modelo ARIMA tem o sentido
de "somado", j que a equao (20) pode ser escrita por
z, = Sd w" onde S = V-I = (1- Bf I o operador de soma,
definido por:

SW
t
= L W
t
_
j
= W, + W,_I + W' _2
j={)
Assim, o processo geral autoregressivo integrado a mdia
mvel ARIMA pode ser gerado somando-se ou
"integrando-se" o processo estacionrio ARMA w
1
d vezes.
Grande parte das sries temporais, principalmente na
indstria, apresentam variaes sazonais (ver exemplos
na seo 4). Isto ocorre quando a srie exibe uma
caracterstica peridica que se repete a cada s intervalos
de tempo. Por exemplo, em sries compostas por
observaes mensais e sazonalidade anual, s igual a 12.
Define-se V s = (1- B
S
) como sendo o operador de
diferena sazonal. Assim:
a primeira diferenciao sazonal. Em geral, D
diferenciaes sazonais podem ser requeridas para
produzir uma sn'e estacionna. Neste caso, o operador de
diferenciao sazonal de ordem D 'l;> = (1- B
S
) D. Assim,
a forma geral do modelo sazonal autoregressivo integrado a
mdia mvel de ordem (I? D, Q) (Hamilton, 1994):
(22)
Pellegrini, F. R. ; Fogliatto, F. S. - Passos para Implantao de Sistemas de Previso de Demanda - Tcnicas e Estudo de Caso
PRODUCO
onde <ir (B') e + (B')so polinmios em B' de graus P e Q,
l'espectivamente, que satisfaz a condio de
estacionariedade. A representao da ordem (P, D, Q)
feita em letras maisculas, para diferenci-la da
representao feita nos modelos no-sazonais.
No modelo da equao (22), os componentes de erro a
esto geralmente correlacionados. Assim, a, estaria
relacionado com a,.]' a'.2 ' etc. Para tratar tal
relacionamento, introduz-se um segundo modelo:
(23)
onde a, um processo de rudo aleatrio. I/>(B) e a(B) so
polinmios em B de graus p e q, respectivamente.
Substituindo-se a equao (22) na equao (23), obtm-
se um modelo multiplicativo geral:
chamado de processo multiplicativo de ordem (p, d, q) x
(P, D, Q);
Um procedimento iterativo em trs etapas pode ser
utilizado na construo de modelos ARIMA. Primeiro, o
modelo ARIMA identificado atravs da anlise dos
dados histricos. A seguir, os parmetros desconhecidos
do modelo so estimados. Finalmente, verifica-se o
modelo quanto sua adequao aos dados. Detalhes
sobre cada uma destas etapas podem ser encontrados em
Hamilton (1994) e Montgomery et ai. (1990).
- 3.3 Critrios para Avaliar a Adequao
de Modelos a Sries Temporais
Dependendo do comportamento da srie temporal que
se deseja analisar, vrios modelos podem ser empregados
na previso de seus valores futuros. A escolha do modelo
mais apropriado feita a partir do somatrio dos erros
gerados por cada modelo (e
l
= ZI - zl- Uma vez que o
clculo dos en'os pode resultar em valores positivos e
negativos, zerando assim o seu somatrio, diferentes
formas de clculo para o somatrio dos erros podem ser
empregadas. Estas diferentes f01was de clculo
constituem-se em critrios para escolha de modelos mais
apropriados a sries temporais. Os critrios mais
utilizados so:
1 n 2
Mdia do quadrado dos erros (MQE) = ;; L el
1:1
1 n
Mdia absoluta dos erros (MAE) = ;; L lei I
1:1
Mdia absoluta precentual dos erros (MAPE) =
.!. t 2xlOO
n 1:\ ZI
Assim, usando um dos critrios de clculo, o modelo
adequado ser aquele que tiver o menor erro
associado.
Dentre as formas de medir a preciso do forecasting
apresentadas, a mais popular a MAPE (Kahn, 1998).
Porm, quando a srie temporal contm valores iguais a
zero, toma-se impossvel o uso de sua frmula.
_ 4. Estudo de Caso
Os passos propostos na seo 2 foram aplicados em um
caso prtico, em uma empresa do ramo alimentcio. A
empresa em estudo executa atividades de abate,
industl'ializao e comrcio de produtos sunos. Conta
com 400 fimcionrios e possui uma capacidade de abate
de 200 sunos por hora, sendo seus produtos
comercializados na regio sul do pas a uma proporo
de 12 milhes de quilos por ano.
- 4.1 Definio do Problema
A empresa em questo vinha apresentando problemas com
excesso de estoque de alguns produtos, ocorrncia freqente
de escassez de outros, alm de rupturas no estoque de
matl1as-pn"mas. As previses da demanda na empresa
baseavam-se exclusivamente na opinio da equipe de vendas;
nenhuma tcnica de forecasting era utilizada. A.>rim, a
implementao de um sistema de previso de demanda
baseado em tcnicas de forecasting na empresa teve como
pl1'ncipal objetivo aumentar a preciso das previses,
possibilitando um melhor planejamento da produo.
A empresa registra seus dados de demanda
semanalmente. Como o planejamento da produo
feito tambm em base semanal, o perodo e o intervalo
do forecasting tambm foram definidos para esta mesma
unidade de tempo. O horizonte do forecasting
considerado ideal pela empresa de 8 semanas. Com
este horizonte, a empresa sen'a capaz de, na pior das
hipteses, adaptar-se a grandes flutuaes na demanda
dos produtos que comercializa.
55
Revista Produo, v. 11 n, 1, Novembro de 2001
PRODUAO----------------------------------------------------------------------______ __
- 4.2 Agregao dos Dados de
Demanda
A empresa possui 55 dIferentes pl'Odutos industrializados,
o que implicaria na anlise de, no mnimo, 55 sn'es
temporais distintas. Porm, muitos destes pl'Odutos
possuem caractersticas semelhantes, passando, inclusive,
pelos mesmos pl'Ocessos de fabricao. Assim, os pl'Odutos
foram inicialmente classificados em famlias, por
similaridades de composio e processamento. As famlias
foram definidas pela gerncia da empresa; chegou-se a 15
famlias distintas.
Com este agrupamento, foi possvel diminuir de 55 para
15 o nmel'O de sl'ies temporais em estudo. Porm,
utilizando-se somente esta nova classificao, todas as
sries teriam igual importncia dentl'O do pl'Ocesso de
previso. Assim, os pl'Odutos tidos como mais importantes
para a empresa receberiam o mesmo tratamento estatstico
dos produtos de menor importncia. A soluo para este
problema foi obtida reclassificando-se as famlias, desta
vez utilizando uma classificao do tipo ABe.
Na classificao ABC, foi relacionada a demanda mdia
semanal de cada uma das 15 sn'es e seus respectivos
faturamentos. O clculo da demanda mdia compreendeu
um perodo total de 124 semanas. O resultado da
classificao ABC est apresentado na Tabela 1,
Os produtos na classe A so os mais importantes para a
empresa. Alm da previso de demanda individual, estes
produtos devem ser estratificados conforme interesses
gerenciais. No presente estudo, considerando os interesses
da empresa, os produtos classe A foram estratificados
somente quanto ao tipo de cliente, dividindo-os em
distn'buidores, supel'mercados e outl'OS (aougues, padarias,
bares, restaurantes, etc.). As previses de demanda dos
produtos na classe B sero feitas individualmente, sem
estratificaes de qualquer natureza. Os produtos na classe
C foram agrupados em uma nica sn'e temporal; assim, a
previso de demanda para tais produtos ser do tipo
agregada e sem estratificaes. A segunda classificao dos
produtos, utilizando o critrio ABC, permitiu uma reduo
significativa no nmero de sn'es a serem investigadas no
estudo. Este fato foi decisivo para a racionalizao do tempo
empregado na implantao do sistema de forecasting.
- 4.3 Seleo do Pacote Computacional
Na anlise das sries temporais dos pl'Odutos desta
empresa, foi utilizado o pacote computacional Forecast
Pro (1999). Este pacote possibilita a escolha automtica
do modelo de previso mais apl'Opriado, usando como
forma de comparao entre eles, a Mdia Absoluta dos
Erl'Os (MAE).
Tabela 1, Classificao ABC das famlias de produtos.
Demanda mdia
Srie x % unitrio Soma % Classe
faturamento
Famlia I 2666,89 0,3627 0,3627 A
Famlia 2 2390,87 0,3252 0,6879 A
Famlia 3 840,63 0,1143 0,8022 A
Famlia 4 300,05 0,0408 0,8430 B
Famlia 5 248,65 0,0338 0,8768 B
Famlia 6 216,49 0,0299 0,9067 B
Famlia 7 163,26 0,0222 0,9289 B
Famlia 8 109,68 0,0149 0,9438 B
Famlia 9 96,39 0,0131 0,9569 C
Famlia 10 83,12 0,0113 0,9682 C
Famlia 11 78,80 0,0107 0,9789 C
Famlia 12 62,47 0,0085 0,9874 C
Famlia 13 41,00 0,0056 0,9930 C
Famlia 14 33,85 0,0046 0,9976 C
Famlia 15 17,69 0,0024 1,0000 C
56
Pellegrini, F. R.; Fogliatto, F. S. - Passos para Implantao de Sistemas de Previso de Demanda - Tcnicas e Estudo de Caso
- 4.4 Anlise Preliminar
o primeiro passo para a anlise das sries temporais a
remoo de seus valores esprios ou atpicos. Para tanto,
no caso em estudo, foi feita a primeira modelagem das
sries com o auxlio do pacote computacional.
Compararam-se os valores de demanda realizada com os
valores contidos no intervalo de confiana ao nvel de
80% para a demanda predita: valores de demanda
realizada no contidos no intervalo foram considerados
esprios, sendo removidos da srie e substitudos por
suas respectivas previses, conforme descrito na seo 2.
O intervalo de confiana de 80% foi selecionado por
oferecer uma boa visualizao dos valores atpicos
contidos nas sries temporais. A identificao e remoo
de valores esprios foi acompanhada de uma anlise
subjetiva dos dados apontados como atpicos,
associando-se a eles causas especiais. Neste estudo de
caso, causas especiais incluram, por exemplo,
promoes feitas pela empresa, redues espordicas
nos preos dos produtos comercializados pela
concorrncia, entrada de novos concorrentes em
regies ou clientes especficos, falhas 110 planejamento
da produo e na compra de insumos (gerando
escassez de produtos). Sempre que considerados de
ocorrncia espordica e sem um padro pr-
estabelecido, dados esprios associados a causas
especiais foram removidos da srie, em busca de um
melhor ajuste do modelo aos dados. Em casos
contrrios, todavia, no procedeu-se com as remoes,
pois a reduo artificial da variabilidade das sries
geraria predies pouco realistas.
PRODUCAO
Para ilustrar o procedimento acima, a Figura 3
apresenta a modelagem da sl'ie Famlia 1 antes do
tratamento aos valores esprios.
Na Figura 3, a linha mais espessa apresenta a evoluo
temporal dos dados de demanda realizada. A linha fina, em
contrapartida, apresenta os valores preditos de demanda
para o mesmo perodo de tempo. As linhas pontilhadas
delimitam o intervalo de confiana, ao nvel de 80%, para a
demanda predita. Parece claro que o modelo matemtico,
representado pela linha fina, no captura a totalidade dos
pontos da srie, representados pela linha mais espessa.
Pontos de demanda realizada posicionados alm das linhas
pontilhadas foram considerados como potenciais valores
esprios e submetidos a anlise gerencial.
- 4.5 Escolha e Validao dos Modelos
Nesta etapa, foi feita a modelagem, aps a remoo dos
valores esprios, de um total de 18 sries temporais: 9
pertence1ltes classe A (3 sries originais com 3
estratificaes cada), 5 pertencentes classe B e 1
pertencente classe C. Afim de ilustrar esta etapa,
apresentada a modelagem da srie temporal Famlia 1
agregada (Figura 4) e com estratificaes (Figuras 5 a 7).
A Figura 4 apresenta a modelagem da srie Famlia 1
aps a remoo dos valores esprios. As linhas
pontilhadas delimitam o intervalo de confiana, ao nvel
de 95 %, para a demanda predita. As informaes
"elativas ao modelo matemtico selecionado para a srie
temporal so apresentadas na Tabela 2.
26000
Hcf.:--,--.,-+j-----*---1 .. !----.-l-----HH-+-+lr-1f-:.+:-
16000 1--4-+-1.,
14000 r------f------t--+r---;j-ir.':;-:L-.i--+-----lI-
Figura 3. Modelagem da srie Famlia 1 antes da remoo de pontos esprios.
57
Revista Produo, v. 11 n. 1, Novembro de 2001
PROD t O--------------------------------------------------------------------------
Api5s a remoo de valores esprios, o ajuste da srie,
aruisado a paltir de seu coeficiente de detemnao
(R
Z
), apresentou melhoria, aumentando de 0,3145 para
0,6341. Apesar da melhoria no ajuste, as demandas
realizadas ultrapassaram os limites de confiana em 4
das 8 semanas que compem o horizonte do forecasting,
conforme apresentado na Tabela 3. Segundo
iilformaes obtidas junto empresa, estas distores
ocorreram como conseqncia de promoes realizadas
pelos distribuidores do produto.
informaes relativas ao modelo matemtico selecionado
para a srie temporal so apresentadas na Tabela 4.
Observe na Figura 5 que o comportamento da demanda
em clientes do tipo distribuidores apresentou queda nos
anos de 1998 e 1999, com recuperao nos primeiros
meses do ano 2000. Esta srie tambm foi tratada quanto
a valores esprios. Aps a remoo de pontos atpicos, o
ajuste da srie (R
Z
) aumentou de 0,2694 para 0,5553. As
demandas realizadas, todavia, ultrapassaram os limites
de confiana em 6 das 8 semanas que compem o
horizonte de forecasting, conforme apresentado na Tabela
5. Tais distores, mais uma vez, decorreram-se de
promoes realizadas pelos distribuidores do produto.
A Figura 5 apresmta a modelagem da srie Famlia 1
(lstratificada para clientes do tipo distribuidores. As
14000
12000
10000
18000
16000
Figura 4. Modelagem da srie Famlia 1 aps a remoo de pontos esprios.
Tabela 2. Dados do modelo selecionado para a srie Famli a 1, aps a remoo de pontos esprios.
Caractersticas da srie ! No-estacionria e sazonal
Ajuste ( R 2 )
1 0,6341
I Winters multiplicativo, a = 0,0296, f3 = O e y = 0.4653 Modelo escolhido
MAPE 1 0,05269
Tabela 3. DeManda prevista, limites superi or e inferior de confiana (95 %) e demanda realizada para a srie Famlia 1, no horizonte de forecasting.
Perodo Limite inferior Previsto Limite superior Realizado
2000/21 18619,3 21421,2 24223,1 22096,8
2000/22 14050 16166,2 18282,3 19093,8
2000/23 18283,2 21036,7 23790,3 17549,4
2000/24 15312,6 17621,2 19929,9 21832,8
2000/25 15640,7 17999,8 20358,8 18704,4
2000/26 14642,7 16853,2 19063,7 22789,8
2000/27 15997,6 18412,4 20827,2 16031 ,4
2000/28 16709,7 19232!6 21755!4 16876,2
58
Pelfegrini, F R. ; Fogliatto, F S. - Passos para Implantao de Sistemas de Previso de Demanda - Tcnicas e Estudo de Caso
PPODu C; Ao
A Figura 6 apresenta a modelagem da srie Famlia 1
estratificada para clientes do tipo supermercados. Pode-se
observar que os dados de demanda so dominados por
um fort e componente aleatrio e uma certa tendncia
ascendente. O modelo selecionado para modelagem
desses dados foi um AR/MA, com componente auto-
regressivo zerado_ As informaes relativas ao modelo
so apresentadas na Tabela 6. O forte componente
aleatrio observado nos dados de demanda, evidenciado
na Figura 6, resultou num modelo com ajuste deficiente
(R2= 0,2075) . Apesar de modelos mais simples
geralmente oferecerem melhor ajuste a sries tqmp'!r.l,/r
com aleatoriedade excessiva, um modelo de Box,Jenkins
apresentou o melhor valor de MAPE neste caso. Mesmo
assim, as demandas realizadas ultrapassaram o lim'iie'
inferior de confiana das predies em 6 das 8
que compem o horizonte de forecasting (ver Tab(!(r:z 7 e
extremidade direita da Figura 6). O comportamento
atpico da demanda no horizonte de forecasting
em virtude de uma estratgia intema da empresa t:fTf
relao a um dos maiores clientes do grupo
supermercados (a empresa optou por no reagir e1!frada
20000 1-----,----------------------t;....,-t1
18000 /-tJIHI-lI-
16000
14UUU
llUUU 1----------------1--11---------+11--1
Fi gura 5. Modelagem da sri e Famli a 1 estratifi cada para cli entes do tipo distribuidores.
Tabela 4. Dados do modelo selecionado para a srie Famli a 1, estratifi cada para cl ientes do tipo distribuidores.
Modelo escolhido Wi1lters mu/ttplicativo, a = 0,0272 , f3 = 0,1476 e y = 0,4009
Ajuste ( R
2
) 0,5553
lvlAPE 0,068
Tabela 5. Demanda prevista, limites superior e inferi or de confiana (95 %) e demanda reali zada para a sri e Famlia 1 no horizgnte de
(orecasting, estratifi cada para cli entes do tipo distribuidores.
Perodo Limite inferior Previsto Limite sUj2erior Realizado
2000/2 1 14688,1 17703, 8 20719,6 18414
2000/ 22 10800, 1 13011,7 15223,2 15998,4
2000/23 14236,7 17140,6 20044,5 14143,8
2000/ 24 12485,2 15025,1 17564,9 19859,4
2000/ 25 12386,8 14898,8 17410,9 16526,4
2000/ 26 12114,2 14563,7 17013,1 21027,6
2000/ 27 12917,8 15520,4 18123 12685,2
2000/28 14005,6 16817 13912,8
59
Revista Produo, \I. 11 n. 1, Novembro de 2001
PRODUAO--------------------------------------------------------------------------
de um concorrente em uma rede de supermercados a
quem vendia seus produtos). Neste contexto,
desaconselha-se a utilizao dos dados h istricos de
demanda na previso da demanda futura. Um novo
banco de dados de demanda deveria ser formado a partir
do novo perfil de demanda observado para o segmento
supermercados, para utilizao futura.
Na etapa final da anlise da srie Famlia J, estratificou-
se sua demanda para clientes do tipo outros. A
modelagem desta srie est representada Figura 7. Os
dados apresentam uma tendncia ascendente com
aleatoriedade moderada. O modelo selecionado
(ARIMA (O))) x (1,0,0) 5) capturou um padro sazonal
na srie de dados, no identificvel, a princpio, atravs
da anlise grfica. Demais informaes sobre o modelo
selecionado podem ser obtidos na Tabela 8.
Apesar do modelo ARIMA oferecer um bom ajuste aos
dados da srie (R2 = 0,7373), as demandas realizadas
extrapolaram os limites de confiana para a previso em
todas as semanas que compem o horizonte do
forecasting (ver Tabela 9). Isto ocorreu em virtude de
uma nova poltica adotada pela empresa. Com esta
poltica, o comrcio desta famlia de produtos a clientes
do tipo outros, que at ento vinha sendo feito pela
prpria empresa, passou a ser realizado pelos
distribuidores.
- 4.6 Verificao do Sistema
As sries temporais analisadas acima foram descritas com
graus distintos de eficincia pelos modelos utilizados.
Um sumrio dos resultados obtidos na modelagem est
apresentado na Tabela J O; na tabela, todas as sn'es
analisadas so classificadas quanto ao ajuste, utilizando o
coeficiente de determinao (R
2
) como critrio na
comparao. A classificao utilizada para os modelos foi
a seguinte: (i) ajuste bom - modelos apresentando R2 >
0,60; (ii) ajuste mdio - modelos apresentando R
2
no -
intervalo 10,60, 0,40}; e (iii) ajuste deficiente - modelos
apresentando R2 < 0,40. A definio dos intervalos que
formam as categorias seguiu critrios subjetivos, estando
baseada principalmente na experincia do analista em
problemas de modelagem.
900
800
Figura 6. Modelagem da sri e Famlia 1 estratificada para clientes do tipo supermercados.
Tabela 6. Dados do modelo sel ecionado para a sri e Famlia 1, estratifi cada para clientes do tipo supermercados.
da No-estocionn"o e no sazonal
Modelo "colhido
AR/MA (0, 1, 1), 8
1
= 0,8921
Ajuste ( R
2
) 0,2075
MAPE 0,126
60
Pellegrini, F. R. ; Fogliatto, F. S. - Passos para Implantao de Sistemas de Previso de Demanda - Tcnicas e Estudo de Caso
PRODUCAO
Tabela 7. Demanda prevista, limites superior e inferior de confiana (95 %l e demanda realizada para a srie Famlia 1 no horizonte de
(orecast;ng, estratifi cada pa ra clie ntes do tipo supermercados.
Perodo Limite inferior Previsto Limite sueerior Realizado
2000/21 485,8 665,4 911 ,4 508,2
2000/22 484,9 665,4 913, 1 455,4
2000/23 484 665,4 914,7 409,2
2000/24 483,1 665,4 916,4 448,8
2000/25 482,3 665,4 918 316,8
2000/26 48 1,4 665,4 919,7 396
2000/27 480,5 665,4 921,3 481,8
2000/28 479?
665
z
4 922
z
9 389
z
4
Tabela 8. Dados do modelo selecionado para a srie Faml ia 1, estratificada para clientes do tipo outros.
Caracursticos da stn"c ! No-estacionria e sazonal
Moddo cscolhido
ARIMA (0,1,1) X (1,0,0)", e
1
= 0,990 1, <Pl = 0,9637
0,7373
MAPE 0,05796
.,00
4000
1000
1500
Figura 7. Modelagem da srie Famlia 1 estratifi cada para clientes do tipo outros.
Como pode-se constatar analisando os resultados na seo
4.6, a obteno de um modelo com ajuste bom ou mdio
aos dados de uma sn'e temporal nem sempre implica na
obteno de uma previso satisfatria da demanda do
produto modelado. Em todos os casos, eventos anmalos
modificaram o comportamento das sries no perodo
correspondente ao horizonte de forecasting e prejudicaram
as previses. Considerando que a maioria desses eventos
especiais eram do conhecimento do departamento
comercial da empresa, a utilizao conjunta dos
resultados do forecast e de anlises subjetivas e avaliao
gerencial tenderia a melhorar a preciso das previses.
Cabe ressaltar que os ajustes na Tabela 10 foram obtidos
aps a anlise e tratamento de valores esprios nas sries
temporais. Este procedimento, sugerido na seo 2,
apresentou resultados extremamente satisfatrios neste
estudo de caso. Alm de p1'Omover uma anlise
qualitativa, por parte da gerncia da empresa, acerca da
evoluo temporal da demanda dos produtos por ela
comercializados, possibilitou o delineamento de aes
de bloqueio reincidncia de eventos anmalos ao
processo gerador dos dados (em particulal; aqueles que
resultam em queda na demanda, como falta de matrias-
primas e quebras em equipamentos).
61
Revista Produo, v. 11 n. 1, Novembro de 2001
Tabela 9. Demanda prevista, limites superi or e inferior de confi ana (95 %1 e demanda realizada para a srie Famlia 1 no horizonte de
forecasting, estratifi cada para clientes do tipo outros.
Perodo Limite inferior Previsto Limite sueerior Realizado
2000/21 3566,7 4094 4621,3 3174,6
2000/22 3027 3554,3 4081,5 2640
2000/23 3935,6 4462,9 4990,2 2996,4
2000/24 3053 3580,4 4107,7 1524,6
2000/25 3445,8 3973,2 4500,5 1861 ,2
2000/26 2335,9 2863,2 3390,6 1366,2
2000/27 2942,7 3470, 1 3997,5 2864,4
2000/28 2866,9 3394,3 3921,8 2574
5. Concluso
Apesar de sua relevncia prtica, tcnicas de forecasting
so desconhecidas, na quase totalidade, por um grande
nmero de empresas (Mentzer & Cox, 1997; Pellegrini,
2000). Este fato, embora expresse a realidade brasileira,
no representa o que vem sendo feito em outros pases,
onde estas tcnicas so bem difundidas, inclusive nos
setores de servios (Winston, 1994).
enfatizai; neste sentido, os modelos de Box-Jenkins e de
suavizao exponencial. O entendimento destes dois
modelos de grande importncia no processo de
previso de demanda, j que eles modelam de forma
satisfatria a grande maioria das sries temporais
encontradas na prtica (Zhou, 1999; Bianchi et a!.,
1993). Alguns dos modelos apresentados, como os de
Box-Jenkins, contm um embasamento terico
estatstico relativamente complexo. Neste artigo, tais
modelos so apresentados de forma simplificada e
compreensvel para o leitol; utilizando-se, para tanto, de
ilustraes do estudo de caso.
Neste artigo, buscou-se apresentar os principais modelos
de forecasting utilizados atualmente; optou-se por
Tabela 10. Sumrio dos ajustes obtidos na modelagem das sries ci o estudo de caso.
62
Srie Temporal
Famlia 2
Famlia 7
Famlia 2 estratificada para su permercados
Famlia 2 est ratificada para clientes outros
Famlia I est ratificada para clientes outros
Famlia 6
Famlia 8
Famlia 5
Famlia 2 estratificada para distribuidores
Famlia 3
Famlia 9
Famlia 1
Famlia I estratifi cada para distribuidores
Famlia 3 estratificada para distribuidores
Famlia 3 estratificada para supermercados
Famlia 4
Famlia 3 estratificada para clientes outros
Famlia 1 estratificada para supermercados
0,84
0,79
0,78
0,77
0,74
0,73
0,73
0,71
0,70
0,68
0,65
0,63
0,56
0,5 1
0,47
0,42
0,25
0,2 1
Ajuste
Bom
Ajuste
Mdio
Ajuste
Deficiente
Pe/legrini, F R.; Fogliatto, F S. - Passos para Implantao de Sistemas de Previso de Demanda - Tcnicas e Estudo de Caso
'RC UCAO
A metodologia proposta para estruturao de um
sistema de forecasting pode contribuir de ma1leira
eficiente na otimizao do processo de previso. Como a
metodologia foi proposta sobre uma base bastante
ge1lrica, alguns ajustes podero ser necessrios para sua
particularizao a aplicaes especficas.
o estudo de caso, alm de ilustrar a metodologia
proposta, exps as dificuldades de modelagem de dados
reais, em vista da aleatoriedade encontrada em muitas
das sries temporais. Esta aleatoriedade pode ser
contextualizada, na sua quase totalidade, com a ajuda de
tcnicos da empresa estudada. Quanto as naturais
resistncias aplicao das tcnicas de forecasting,
observou-se que as mesmas so eliminadas medida
que os resultados das previses so comparados com as
demandas reais. Uma vez compreendendo a
aplicabilidade da fen'amenta proposta, o COIPO tcnico
da empresa tende a identificar benefcios, passando a
cooperar na implementao do sistema de forecasting.
_ 6. Referncias Bibliogrficas
ARMSTRONG, J. S. (1999). Pnciples offorecastil1g: a hal1dbook
for researchers and practitioners, Kluwer, Philadelphia.
AUTOBOX, Va 5.0 (1999). User's guide. Automatic Forecasting
Systems Inc. , Hatboro, PA.
BIANCHI, L., fARREIT, J. E. & HANUMARA, R. C.
Forecasting incoming calls to telemarketil1g centers. The
f oumal of Business Forecasting Methods & Systems, v. 12, n.
2, p. 3-9, Summer 1993.
BOX, G. & LUCENO, A. (1997). Statistical control by monitong
and feedback adjustment, f ohn Wiley, New York
BOX, G. E. P,fENKINS, G. M. & REINSEL, G. C. (1994).
Time series analysis - forecasting and control, 3 ed., Pre11tice
Hall, New fersey.
DIAS, G. P P Proposta de processo de previso de vendas para
bens de consumo. Anais do XIX ENEGEP - CD-ROM, Rio
de faneiro, 1999.
ELSAYED, E. A. & BOUCHER, TO. (1994). Analysisand
controlof production systems, 2 ed., Prentice Ha/l, New
f ersey.
FORECAST PRO, Ver. 3.0 (1999). User' s manual, Business
Forecast Systems Inc., MA.
FULLER, W A. (1996). Introduction to statistical time sees, 2
ed., fohn Wiley, New York.
HAMILTON,j. D. (1994). Time smes allOlysis, Princeton Univ.
Press, PI1nceton, NJ.
HILL, T (1994) . Manufactung strategy: text and cases, 2 ed.,
Irwin, Boston, MA.
fOHNSON, L. A. & MONTGOMERY, D. C. (1974).
Operatiol1s research in production planning, sclleduling and
il1vento/y control, fohn Wiley, New York.
KAHN, K. B. Bel1c1lmarking sales forecasting peifonnance
measures. The f oumal ofBusiness Forecasting Methods &
Systems, v. 17, n. 4, p.19-23, Winter 1998/1999.
MAKRIDAKIS, S., ANDERSEN, A., CARBONE, R., et aI.
The accuracy of extrapolation (time-series) methods-
results of a forecastitlg competition. foumal of Forecasting,
v. I, n. 2, p. JII-153, mOI: 1982.
MAKRIDAKIS, S. & HIBON, M. ARMA models and the Box-
fenkins metllOdology. foumal of Forecasting, v. 16, n. 3, p.
147-163, may 1997.
MAKRIDAKIS, S., WHEELWRIGHT. s. c. & HYNDMAN,
R. J. (1998) . Forecasting - methods and applications, 3 ed.,
fohn Wiley, New York.
MENTZER, f. T & COX fr., J. E. Familial1ty, application, and
pelfol1nance of sales forecasting techniques. f oumal of
Forecasting, v. 3, 11. 1, p. 27-37,jan. 1997.
MONTGOMERY, D. c., fOHNSON, L. A. & GARDINER, J.
S. (1990). Forecasting and time sees analysis, 2" ed.,
McGraw-Hill, bIC., New York.
NAHMIAS, S. (1993) . Production and operations analysis, 2 ed.,
Irwin, lllil1ois.
NCSS (1996). Users mal1ual. NCSS Co., Kaysville, Utah.
PELLEGRINI, FR. Metodologia para Impleme11tao de
Sistemas de Previso de Demanda. Dissertao de Mestrado.
Programa de P6s-Graduao em Engenhaa de Produo,
Ul1ivel:sidade Federal do Rio Grande do Sul, 2000.
ROSS, S. M. (1993) . Introduction to probability models, 5 ed.,
Academic Press, San Diego.
SANDERS, N. R. & MANRODT. K. B. Forecasting practices in
US corporations: survey remllS. bzteifaces, v. 24, n. 2, p. 92-
101, mOI: 1994.
SH UMWA Y, R. H. (1988). Applied statistical time series analysis,
Prentice Hall, New fersey.
SPSS, Ver. 8.0 (1997). User 's manual, SPSS Inc., Chicago,
lllinois.
63
Revista Produo, v. 11 n. 1, Novembro de 2001
PRODUCAO------------------------------------------------------------------------------
STATCRAPHICS, lfe>r. 2.1 (1995). User 's manual, Manugistics
Co., Rockville, MD.
TOMPKINS, J. A., BOZER. Y. A., FRAZELLE, E., et aI.
(1996). Facilities planning, 2
a
ed., folm Wiley, New York.
WINSTON, W L. (1994). Operations research - applications and
algorithms, 3
a
ed., Duxbury Press, Belmont, CA.
WINTERS, P. R. Forecasting sales by exponentially weighted
moving averages. Management Science, v. 6, n. 3, p. 324-
342, 1960.
ZHOU, W Integration of different forecasting models. The
f oumal of Business Forecasting Methods & Systems, v. 18, n.
3, p. 26-29, Fali 1999.
64