Você está na página 1de 183

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL

ESCOLA DE ENGENHARIA
PROGRAMA DE PS-GRADUAO EM ENGENHARIA DE PRODUO

METODOLOGIA PARA SELEO DE MTODOS DE


PREVISO DE DEMANDA

Fernando de Oliveira Lemos

Porto Alegre, janeiro de 2006.

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL


ESCOLA DE ENGENHARIA
PROGRAMA DE PS-GRADUAO EM ENGENHARIA DE PRODUO

METODOLOGIA PARA SELEO DE MTODOS DE PREVISO DE


DEMANDA

Fernando de Oliveira Lemos

Orientador: Flvio Sanson Fogliatto, Ph.D.


Banca Examinadora:
Guilherme Luis Roehe Vaccaro, Dr.
Prof. Programa de Ps-graduao em Engenharia de Produo e Sistemas / UNISINOS
Jos Lus Duarte Ribeiro, Dr.
Prof. Depto. Engenharia da Produo / UFRGS
Liane Werner, Dr.
Prof. Programa de Ps-graduao em Engenharia de Produo / UFRGS

Dissertao submetida ao Programa de Ps-Graduao em Engenharia de


Produo como requisito parcial obteno do ttulo de
MESTRE EM ENGENHARIA DE PRODUO

rea de concentrao: Gerncia da Produo e Ergonomia

Porto Alegre, janeiro de 2006.

3
Esta dissertao foi julgada adequada para a obteno do ttulo de Mestre em Engenharia de
Produo e aprovada em sua forma final pelo Orientador e pela Banca Examinadora
designada pelo Programa de Ps-Graduao em Engenharia de Produo.

__________________________________
Prof. Flvio Sanson Fogliatto, Ph.D.
PPGEP / UFRGS
Orientador

___________________________________
Prof. Luis Antnio Lindau, Ph.D.
Coordenador PPGEP/UFRGS

Banca Examinadora:
Guilherme Luis Roehe Vaccaro, Dr.
Prof. Programa de Ps-graduao em Engenharia de Produo e Sistemas /
UNISINOS
Jos Lus Duarte Ribeiro, Dr.
Prof. Depto. de Engenharia de Produo e Transportes / UFRGS
Liane Werner, Dra.
Prof. Programa de Ps-graduao em Engenharia de Produo / UFRGS

Aos meus pais Valdir e Zilda e


ao meu irmo Eduardo, pelo apoio
e amor incondicional.

AGRADECIMENTOS

Meus sinceros agradecimentos a todos aqueles que contriburam para a realizao


desta dissertao. Em especial ao professor Flvio Sanson Fogliatto, pela orientao,
incentivo e pacincia.
professora Liane Werner, pelas discusses sobre o tema abordado.
A todos os professores do Programa de Ps-graduao em Engenharia de Produo da
Universidade Federal do Rio Grande do Sul.
Ao amigo Alex Rocha Manna, que viabilizou a aplicao on-line da pesquisa
apresentada nesta dissertao. Aos amigos de trabalho: Antnio Srgio Galindo Falco,
Gilberto Tavares, Michel Jos Anzanello e Tiago Pascoal Filomena.
As empresas que viabilizaram os estudos de caso apresentados, em especial ao Clvis
Dantas, ao Joo Carlos Marconcin, ao Jos Rogrio Bianchi e ao Paulo Roberto dos Santos,
por disponibilizarem informaes e conhecimento sobre os setores eletroeletrnico e de
energia eltrica.
E a Deus por me guiar na realizao de mais um objetivo profissional e pessoal.

Fazer da interrupo um caminho novo,


fazer da queda, um passo de dana,
do medo, uma escada,
do sonho, uma ponte,
da procura, um encontro.
Fernando Pessoa

RESUMO

A formulao de planejamentos e o direcionamento estratgico das empresas


dependem da identificao e a previso correta das mudanas emergentes no ambiente de
negcios, o que torna a previso de demanda um elemento chave na tomada de deciso
gerencial. Um dos maiores problemas associados com o uso de previses de demanda no
apoio tomada de decises a escolha do mtodo de previso a ser implementado.
Organizaes com necessidades e caractersticas distintas em relao aos seus produtos e
servios atuam em diferentes cenrios de mercado. Diferentes cenrios necessitam de
diferentes mtodos de previso, de forma a refletir mudanas na estrutura do mercado (como
entrada de novos produtos, novos competidores e/ou mudanas no comportamento dos
consumidores). Assim, uma metodologia que direcione diferentes mtodos de previso de
demanda para as situaes em que so mais eficientes pode auxiliar o processo preditivo e de
tomada de decises das organizaes, minimizando erros de planejamentos estratgico, ttico
e operacional. Esta dissertao apresenta uma metodologia de seleo de mtodos de previso
de demanda mais apropriados para diferentes situaes. Mtodos de integrao de mtodos
qualitativos e quantitativos de previso melhoram a acurcia nos processo preditivos e
tambm so abordados na metodologia de seleo de mtodos de previso. A metodologia
proposta ilustrada atravs de dois estudos de caso. No primeiro estudo investigou-se o caso
de um produto com demanda regular. No segundo estudo, detalhou-se o processo de previso
para um cenrio de lanamento de um novo produto.
Palavras-chave: Previso de Demanda; Mtodos de Previso; Seleo de Mtodos.

ABSTRACT

Strategic and operational planning of companies depend on the correct identification


and forecast of outcoming changes in the business environment; demand forecast thus plays a
key role in management decision making. One of the biggest problems associated with the use
of demand forecast is the choice of the forecast method to be implemented. Organizations
with different needs and characteristics regarding their products and services act in different
market areas, using different forecasting methods, aiming at best reflecting changes in the
market structure (such as launching new products, new competitors and/or changes in
consumers behavior). Therefore, mapping the efficiency of different forecasting methods
applied in different situations may help in the decision making process of organizations,
minimizing risks in strategic, tactic and operational planning. This thesis presents a
methodology for selecting methods of demand forecast best appropriate to different situations.
It proposes also the joint use of qualitative and quantitative methods of forecast, in order to
have a better accuracy in the forecasting process. The proposed methodology is tested in two
study cases. In the first one, we investigated a product already consolidated in the market,
presenting a regular demand. In the second one, a forecast process was detailed for the launch
of a new product.
Keywords: Demand Forecasting; Methods of Demand Forecasting; Choice of
Methods.

SUMRIO

LISTA DE FIGURAS ..............................................................................................................12


LISTA DE TABELAS .............................................................................................................14
1 INTRODUO ...................................................................................................................16
1.1 CONSIDERAES INICIAIS...................................................................................16
1.2 JUSTIFICATIVA DO TEMA.....................................................................................20
1.3 OBJETIVOS................................................................................................................21
1.3.1

Objetivo Principal e Secundrios........................................................................21

1.4 METODOLOGIA .......................................................................................................21


1.4.1

Mtodo de Pesquisa ............................................................................................21

1.4.2

Mtodo de Trabalho............................................................................................22

1.5 ESTRUTURA DA DISSERTAO ..........................................................................23


1.6 DELIMITAES .......................................................................................................23
2 REFERENCIAL TERICO ................................................................................................25

2.1 INTRODUO ..........................................................................................................25


2.2 MTODOS QUALITATIVOS ...................................................................................30
2.2.1

Jogo de Representao (Role Playing) ...............................................................32

2.2.2

Pesquisa de Intenes .........................................................................................34

2.2.3

Mtodo Delphi ....................................................................................................36

2.3 MTODOS QUANTITATIVOS ................................................................................39


2.3.1

Extrapolao .......................................................................................................41

2.3.2

Anlise de Regresso ..........................................................................................55

10

2.4 MEDIDAS DE ACURCIA ......................................................................................58


2.5 INTEGRAO DE MTODOS QUALITATIVOS E QUANTITATIVOS.............60
2.5.1

Ajuste Subjetivo..................................................................................................63

2.5.2

Decomposio de sries temporais .....................................................................64

2.5.3

Combinao de Previses ...................................................................................67

2.5.4

Desenvolvimento de Modelos de Previso.........................................................71

2.6 SELEO DE MTODOS DE PREVISO .............................................................76


2.6.1

Anlise das dinmicas e componentes do sistema de previso ..........................77

2.6.2

Anlise do ciclo de vida do item a ser previsto ..................................................79

2.6.3

Metodologias de seleo de mtodos de previso ..............................................81

3 METODOLOGIA PROPOSTA ..........................................................................................85


3.1 DEFINIO DO PROBLEMA..................................................................................87
3.2 OBTENO DE DADOS ..........................................................................................87
3.2.1

Discriminao dos nveis industriais de previso ...............................................88

3.2.2

Definio dos fatores temporais .........................................................................88

3.2.3

Priorizao dos itens a serem previstos ..............................................................90

3.2.4

Anlise do ciclo de vida do item a ser previsto ..................................................91

3.2.5

Definio dos dados de entrada e sada ..............................................................92

3.2.6

Coleta e preparao de dados..............................................................................94

3.3 ESCOLHA DO MTODO DE PREVISO...............................................................96


3.3.1

Anlise de fatores de seleo de mtodos de previso .......................................97

3.3.2

Integrao de Mtodos Qualitativos e Quantitativos..........................................99

3.4 SELEO DO PACOTE COMPUTACIONAL ......................................................100


3.5 IMPLEMENTAO DO(s) MTODO(s) ...............................................................102
3.5.1

Implementao de Mtodos Qualitativos .........................................................103

3.5.2

Implementao de Mtodos Quantitativos .......................................................103

3.6 VALIDAO DO(S) MTODO(S) DE PREVISO..............................................104


4 ESTUDO DE CASO.......................................................................................................... 106
4.1 PREVISO DE PRODUTOS CONSOLIDADOS NO MERCADO .......................106
4.1.1

Definio do Problema .....................................................................................106

4.1.2

Obteno de Informaes .................................................................................107

4.1.3

Escolha do Mtodo de Previso........................................................................111

4.1.4

Seleo do Pacote Computacional....................................................................114

4.1.5

Implementao do(s) Mtodos(s) .....................................................................114

11

4.1.6

Validao do(s) mtodo(s) de previso ............................................................120

4.2 PREVISO DE PRODUTOS NOVOS NO MERCADO ........................................123


4.2.1

Definio do Problema .....................................................................................123

4.2.2

Obteno de Informaes .................................................................................124

4.2.3

Escolha do Mtodo de Previso........................................................................128

4.2.4

Seleo do Pacote Computacional....................................................................130

4.2.5

Implementao do(s) Mtodo(s).......................................................................131

4.2.6

Validao do(s) Mtodo(s) de Previso............................................................138

5 CONCLUSO ................................................................................................................... 140


REFERNCIAS .................................................................................................................... 143
APNDICE A........................................................................................................................ 153
APNDICE B........................................................................................................................ 157
APNDICE C........................................................................................................................ 160
APNDICE D........................................................................................................................ 161
APNDICE E........................................................................................................................ 162
APNDICE F........................................................................................................................ 163
APNDICE G........................................................................................................................ 171
APNDICE H.........................................................................................................................180

12

LISTA DE FIGURAS

Figura 1: Padres de demanda regular e irregular....................................................................27


Figura 2: Tendncias comuns em mtodos qualitativos...........................................................31
Figura 3: Seqncia de execuo de uma pesquisa Delphi.......................................................38
Figura 4: Seqncia de execuo do mtodo de Box-Jenkins..................................................49
Figura 5: Ajuste subjetivo de previses....................................................................................63
Figura 6: Decomposio de sries temporais............................................................................66
Figura 7: Combinao de mtodos quantitativos e qualitativos...............................................69
Figura 8: Desenvolvimento de um modelo de previso que integra mtodos quantitativos e
qualitativos..............................................................................................................71
Figura 9: Integrao entre mtodos de previso.......................................................................72
Figura 10: Modelo geral para um sistema de previso.............................................................78
Figura 11: rvore de seleo de mtodos de previso.............................................................82
Figura 12: Metodologia proposta para seleo de mtodos de previso de demanda..............86
Figura 13: Fluxograma para a escolha de mtodos de previso................................................98
Figura 14: Pacotes computacionais para previso de demanda..............................................101
Figura 15: Sries temporais originais e ajustadas dos produtos 10K, 18K e 30K .................110
Figura 16: Mtodos de previso selecionados no primeiro estudo de caso............................112

13

Figura 17: Modelagem para as sries temporais do produto 10K...........................................116


Figura 18: Modelagem para as sries temporais do produto 18k............................................117
Figura 19: Modelagem para as sries temporais do produto 30K...........................................119
Figura 20: Vantagens dos medidores eletrnicosem relao aos medidores eletromecnicos
...............................................................................................................................126
Figura 21: Srie temporal dos medidores eletromecnicos polifsicos..................................128
Figura 22: Mtodos de previso selecionados no segundo estudo de caso.............................129
Figura 23: Modelagens para as sries temporais do medidor eletromecnico polifsico.......135

14

LISTA DE TABELAS

Tabela 1: Medidas de acurcia..................................................................................................59


Tabela 2: Estimativas de perdas mensas de participao de mercado dos produtos 10K, 18K e
30K........................................................................................................................108
Tabela 3: Previses de demanda mensal dos especialistas para os produtos 10K, 18K e 30K
...............................................................................................................................109
Tabela 4: Perdas mensais mdias de demanda para os produtos 10K, 18K e 30K (estimadas
pelos especialistas e observadas durante o racionamento de energia)..................113
Tabela 5: Dados dos modelos selecionados para o produto 10K............................................116
Tabela 6: Demandas mensais previstas (em unidades de produto), limites inferior e limites
superior (nvel de confiana = 95%) para o produto 10K.....................................116
Tabela 7: Dados dos modelos selecionados para o produto 18K............................................117
Tabela 8: Demandas mensais previstas (em unidades de produto), limites inferior e limites
superior (nvel de confiana = 95%) para o produto 18K.....................................118
Tabela 9: Dados dos modelos selecionados para o produto 30K............................................119
Tabela 10: Demandas mensais previstas (em unidades de produto), limites inferior e limites
superior (nvel de confiana = 95%) para o produto 30K.....................................119
Tabela 11: Demandas pontuais previstas (em unidades de produto/ms) aps ajuste subjetivo
das previses individuais para os produtos 10K, 18K e 30K................................120

15

Tabela 12: Acurcia das demandas pontuais previstas sem ajuste subjetivo das previses para
os produtos 10K, 18K e 30K.................................................................................121
Tabela 13: Acurcia das demandas pontuais previstas com ajuste subjetivo das estimativas de
perdas de participao no mercado para os produtos 10K, 18K e 30K................122
Tabela 14: Acurcia das demandas pontuais previstas pelos especialistas da empresa e pelos
mtodos mais adequados para os produtos 10K, 18K e 30K................................122
Tabela 15: Taxas estimadas de substituio dos medidores eletromecnicos pelos eletrnicos
na primeira rodada do Delphi................................................................................133
Tabela 16: Taxas estimadas de substituio dos medidores eletromecnicos pelos eletrnicos
na segunda rodada do Delphi................................................................................134
Tabela 17: MAPE para o mtodo de Mdia Mvel com diferentes perodos.........................135
Tabela 18: Dados dos modelos selecionados para o medidor eletromecnico polifsico.......136
Tabela 19: Demandas previstas (em unidades de produto), limites inferior e limites superior
(nvel de confiana = 95%) para o medidor eletromecnico polifsico................137
Tabela 20: Previses de demandas pontuais finais em unidades de medidores eletrnicos
(cenrios atual e muito pouco favorvel)..............................................................137
Tabela 21: Acurcia das previses de demanda dos medidores eletrnicos (cenrio atual)..138
Tabela 22: Acurcia das previses de demanda dos medidores eletrnicos (cenrio muito
pouco favorvel)....................................................................................................138
Tabela 23: Acurcia das demandas pontuais previstas pelos especialistas da empresa e pelo
mtodo selecionado para os medidores eletrnicos..............................................139

16

CAPTULO 1

1 INTRODUO

1.1 CONSIDERAES INICIAIS

As organizaes confrontam-se continuamente com questes crticas para sua


competitividade futura e crescimento organizacional. Dentro do ambiente dinmico que
envolve as organizaes, as decises gerenciais desempenham um papel importante,
influenciando a competitividade e resultados. Por isso necessitam de orientao quanto a
direcionamentos futuros de fatores e/ou variveis que influenciam planejamentos de
diferentes horizontes de tempo (curto, mdio e longo prazo). Uma orientao correta
aumentar as chances de sucesso das organizaes, evitar perigos futuros, ajudar na
manuteno de vantagens competitivas, influenciar as organizaes em escolhas e
investimentos corretos, e favorecer o aproveitamento de oportunidades vindouras
(GEORGOFF; MURDICK, 1986; MAKRIDAKIS, 1996).
Os planejamentos de curto, mdio e em especial de longo prazo so de difcil
elaborao, devido a incertezas nos setores econmico, scio-poltico e tecnolgico. Por
exemplo, as flutuaes nos mercados de capital, suprimentos, mo-de-obra e vendas ajudam
na concepo de um ambiente instvel e competitivo. Neste atual ambiente dinmico, a
grande preocupao das empresas com o que pode acontecer e como atuar sobre estes
eventos preventivamente, ou como adaptar suas estratgias s mudanas previstas (KOTLER,
1991; MOON et al.,1998).

17

Montgomery, Johnson e Gardiner (1990) e Makridakis (1996) afirmam que, para obter
sucesso na formulao de planejamentos e no direcionamento estratgico das empresas, so
necessrias a identificao e a previso correta das mudanas emergentes no ambiente de
negcios, o que torna a previso de demanda um elemento chave na tomada de deciso
gerencial. As empresas podem melhorar sua eficincia se elas puderem antecipar problemas e
desenvolver planos para responder a estes problemas (ARMSTRONG, 1983).
Com o intuito de antecipar estados futuros de fatores e/ou variveis que influenciam o
planejamento estratgico e sobre os quais no se tem controle imediato, mtodos de previso
de demanda tm sido desenvolvidos (ARMSTRONG, 1988).
Segundo Kotler (1991), a demanda de um produto o volume total que seria
comprado por um grupo definido de consumidores em uma rea geogrfica definida, em um
perodo de tempo definido, em um ambiente de mercado definido e mediante um programa
definido de marketing. Previso de demanda uma estimativa do que pode ser a demanda
futura sobre certas condies conjecturais (MOON et al.,1998).
As previses de demanda servem como um guia para a poltica de decises de mdio e
longo prazo; tambm so teis no monitoramento do desempenho de sistemas atravs de
previses freqentes de curto prazo. A combinao de previses de mdio ou longo prazo
com previses de curto prazo ajuda a identificar pontos de deciso crticos onde intervenes
so necessrias, pois permite identificar se o sistema est indo na direo que foi prevista
(LINDBERG; ZACKRISSON, 1991).
Previses de demanda afetam e so aplicadas a uma variedade de reas funcionais de
uma organizao, como, por exemplo, finanas e contabilidade, engenharia e pesquisa,
produo, distribuio e logstica, recursos humanos, marketing e vendas (MONTGOMERY;
JOHNSON; GARDINER, 1990; MURDICK; GEORGOFF, 1993; ALTABET, 1998; MOON
et al., 1998; DAVIS; AQUILANO; CHASE, 2001; KAHN, 2002).
A previso de demanda freqentemente confundida com o planejamento estratgico
dentro das organizaes (ARMSTRONG, 2001a). Um importante ponto nesta questo a
distino entre eventos externos no controlveis (decorrentes da economia nacional,
governos, consumidores, e concorrentes) e eventos internos controlveis (como decises de
marketing e produo). As previses se aplicam diretamente aos primeiros, enquanto tomadas
de decises aplicam-se aos ltimos, sendo que o planejamento faz a ligao que integra ambos
(MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998). O planejamento gera objetivos e

18

estratgias, os quais geraro aes. As aes conduzem a resultados que devero ser
registrados e documentados no sistema de informaes da organizao, alimentando o sistema
de planejamento e os mtodos de previso de demanda (ARMSTRONG, 1983).
Para a aplicao dos mtodos de previso de demanda necessria a informao sobre
as estratgias propostas pela empresa. Definido um plano de ao, a previso gerar
estimativas dos resultados do plano de ao, oferecendo informaes para uma tomada de
deciso sobre a realizao da ao ou no. Previses de demanda estimam o que ir acontecer
se a empresa tentar implementar determinada estratgia em um cenrio especfico. As
previses tambm determinam a probabilidade de ocorrncia de determinado cenrio
(ARMSTRONG, 1983).
Segundo Lindberg e Zackrisson (1991), os quatro maiores problemas associados com
o uso de previses no apoio tomada de decises so: (i) a incerteza sobre o futuro, a qual
est conectada ao grau de preciso da previso; (ii) a escolha do mtodo aplicado para gerar a
previso; (iii) a qualidade e confiabilidade do conjunto de dados de entrada do mtodo; e (iv)
a interpretao correta da previso, ou seja, a maneira como sero utilizadas as previses na
tomada de deciso. O papel da previso de demanda apontar e avaliar incertezas e riscos.
Deve-se sempre ter em mente que a incerteza no pode ser eliminada, e conseqentemente, o
futuro pode sempre mudar e ser diferente do previsto (MAKRIDAKIS, 1988).
Diferentes tipos de negcios necessitam de diferentes mtodos de previso. As
previses de demanda diferenciam-se quanto metodologia utilizada na previso de produtos
e servios conforme o tipo de mercado em que a empresa est inserida (KAHN; MENTZER,
1995) e a necessidade de previses que cubram diferentes horizontes de tempo (ZHOU,
1999). Segundo Altabet (1998), os mtodos podem mudar de um produto (ou servio) para
outro, de forma a refletir mudanas na estrutura do mercado (como entrada de novos
produtos, novos competidores e/ou mudanas no comportamento dos consumidores).
Os mtodos que geram as previses de demanda podem se classificados de uma
maneira geral em mtodos quantitativos e qualitativos (MONTGOMERY; JOHNSON;
GARDINER, 1990). Mtodos quantitativos so baseados na caracterizao da estrutura de
sries temporais histricas e na previso de eventos futuros baseada naquela estrutura
(SPEDDING; CHAN, 2000). Mtodos qualitativos envolvem estimaes subjetivas atravs da
opinio de especialistas ou consumidores. Apesar dos mtodos qualitativos compreenderem

19

tcnicas estruturadas, como, por exemplo, Pesquisas de Intenes e Delphi, o processo para
obter a previso subjetivo (MONTGOMERY; JOHNSON; GARDINER, 1990).
A facilidade de utilizao tem sido o critrio mais importante na escolha de um
mtodo de previso dentro das organizaes, e a acurcia da previso resultante tem sido o
critrio para continuar a us-lo (SANDERS; MANRODT, 1994). Outros estudos apontam a
acurcia como o critrio mais importante na utilizao de determinado mtodo (CARBONE;
ARMSTRONG, 1982; KAHN; MENTZER, 1995). Entretanto, a importncia relativa de
vrios outros critrios alternativos (facilidade de interpretao, facilidade de implementao,
custo, velocidade de obteno da previso, horizonte de tempo e credibilidade do mtodo,
entre outros) depende da situao de aplicao (YOKUM; ARMSTRONG, 1995;
ARMSTRONG, 2001b).
Estudos mostram que mtodos qualitativos so procedimentos dominantes na prtica
(SANDERS; MANRODT, 1994). Os proponentes desses mtodos argumentam que o
conhecimento de especialistas vital para a tomada de deciso (ANDERSON, 1995). Na
maioria das organizaes, as previses so totalmente baseadas em tcnicas qualitativas ou
ajustes subjetivos so aplicados s previses obtidas com mtodos quantitativos (GOODWIN,
2002).
Mtodos qualitativos tm a vantagem de serem flexveis e menos vulnerveis a
mudanas estruturais dentro de um sistema ou influncia potencial de novos fatores externos
ao sistema (LINDBERG; ZACKRISSON, 1991). Embora mtodos qualitativos sejam muito
usados em previses, h um nmero de desvantagens quando comparados com mtodos
quantitativos. Mtodos qualitativos so adaptveis, mas podem ser inconsistentes e
tendenciosos. Mtodos quantitativos so rgidos, mas consistentes, e podem trabalhar com um
grande volume de dados. Estes mtodos no conseguem lidar com mudanas dinmicas e
estruturais dos dados das sries temporais, e tambm falham na caracterizao de problemas
com dados histricos limitados (SPEDDING; CHANN, 2000).
Uma alternativa para a obteno de previses mais acuradas a integrao de mtodos
quantitativos e qualitativos (WEST, 1994; GOODWIN, 2002), sintetizando os benefcios da
preciso mecnica objetiva dos mtodos matemticos e habilidades interpretativas dos
especialistas (WEBBY; OCONNOR, 1996).

20

1.2 JUSTIFICATIVA DO TEMA

O tema desta dissertao a Previso de Demanda atravs de Mtodos Qualitativos e


Quantitativos. A nfase na seleo de mtodos apropriados para diversas situaes e na
integrao de mtodos qualitativos e quantitativos. Abordam-se mtodos de previso para
situaes onde h demanda regular e demanda irregular de produtos.
Lindberg e Zackrisson (1991) afirmam que um dos maiores problemas associados com
o uso de previses no apoio tomada de decises a escolha do mtodo aplicado para gerar a
previso. Segundo Armstrong (2001b), pesquisas que contribuem para o desenvolvimento e
refinamento de guias para seleo de mtodos de previso so sempre teis.
Usar as ferramentas de previso sabiamente requer conhecimento sobre onde cada tipo
de ferramenta trabalha de forma eficiente (MOON et al., 1998). Um dos problemas principais
com que os mtodos de previso deparam-se que, enquanto h muitos mtodos para
escolher, h pouca indicao sobre quais so mais eficientes em cada situao (LYNN;
SCHNAARS; SKOV, 1999). Segundo Kahn (2002), o uso imprprio de mtodos de previso
sugere a falta de conhecimento acerca da previso e, de modo correspondente, indica a
necessidade de direcionadores sobre quando usar determinado mtodo de previso.
Identificando qual mtodo se ajusta melhor a uma dada situao, pode-se obter
previses mais precisas. Assim, vrias operaes funcionais podem ser planejadas, como, por
exemplo, a compra de matrias-primas e componentes a um menor custo e a obteno de
servios logsticos a custos tambm menores, atravs de contratos de longo prazo (MOON et
al.,1998).
A integrao de mtodos qualitativos e quantitativos uma rea particularmente
promissora para pesquisadores interessados em melhorar a prtica de previso, especialmente
na identificao das condies especficas sobre as quais a integrao de mtodos
quantitativos e qualitativos mais til (WRIGHT; LAWRENCE; COLLOPY, 1996).
Diversos estudos apresentam evidncias de que a integrao, de mtodos qualitativos e
quantitativos em especial, a melhor abordagem para a obteno de previses mais acuradas
(RINGUEST; TANG, 1987; CLEMEN, 1989; BLATTBERG; HOCH, 1990; COLLOPY;
ARMSTRONG, 1992a; WERNER, 2004).

21

1.3 OBJETIVOS

1.3.1 Objetivo Principal e Secundrios

O objetivo principal desta dissertao apresentar uma metodologia para escolha de


mtodos de previso de demanda mais apropriados a diferentes situaes, ou seja, apresentar
um fluxograma que conduz a seleo de mtodos quantitativos, qualitativos e integrao
destes mtodos, levando em conta vrios fatores de deciso.
Os objetivos secundrios do presente estudo so:

Identificar mtodos de previso quantitativos e qualitativos e fatores determinantes


na seleo desses mtodos;

Identificar a aplicabilidade da integrao de mtodos quantitativos e qualitativos


de previso;

Avaliar a aplicabilidade da metodologia de seleo de mtodos de previso


proposta e a acurcia da integrao de mtodos de previso atravs de estudos de
caso.

1.4 METODOLOGIA

1.4.1 Mtodo de Pesquisa

Segundo Gil (1995), o mtodo cientfico definido como o conjunto de procedimentos


intelectuais e tcnicos utilizados para se alcanar o conhecimento. O mtodo cientfico
utilizado nesta pesquisa o indutivo, pois as generalizaes sero fruto de constataes
particulares da realidade (GIL apud SILVA; MENEZES, 2001), j que a metodologia
proposta baseia-se em reviso bibliogrfica de caractersticas e aplicaes de diferentes
mtodos de previso.
A pesquisa se caracteriza por aes propostas na resoluo de um problema, atravs de
procedimentos racionais e sistemticos (SILVA; MENEZES, 2001). Este trabalho se
caracteriza como uma pesquisa aplicada, pois visa gerar conhecimento para aplicaes
prticas na soluo de problemas especficos. O problema ser abordado de forma a
quantificar as informaes obtidas caracterizando a pesquisa como quantitativa.

22

Como este trabalho integra pesquisa bibliogrfica com estudo de caso, tendo como
principal finalidade desenvolver e esclarecer conceitos e idias com vistas formulao de
problemas ou hipteses pesquisveis em estudos posteriores, trata-se de uma pesquisa
exploratria (GIL, 1995; GIL apud SILVA; MENEZES, 2001).
A pesquisa bibliogrfica de fundamental importncia na elaborao da metodologia
de escolha dos mtodos de previso, sendo a explorao da literatura sobre o tema a base para
atingir os objetivos desta dissertao. O estudo de caso utilizado devido a sua relativa
simplicidade e economia na coleta de dados, e sua aplicabilidade em situaes em que o
objeto de estudo conhecido (GIL, 1995). O estudo de caso a estratgia de pesquisa
preferida quando se analisa um conjunto de eventos sobre os quais o pesquisador tem pouco
ou nenhum controle (YIN, 1994).

1.4.2 Mtodo de Trabalho

O desenvolvimento desta dissertao foi realizado em quatro etapas. A primeira etapa


do trabalho a reviso bibliogrfica sobre mtodos qualitativos e quantitativos de previso de
demanda, abordando os procedimentos de utilizao e as caractersticas de cada tcnica
apresentada. Tambm se descreve nesta etapa medidas de acurcia, a integrao de diferentes
mtodos e os fatores para seleo dos mtodos de previso.
A segunda etapa apresentar uma metodologia para seleo de mtodos de previso
de demanda. A metodologia integra informaes sobre os componentes de sistemas de
previso de demanda com os procedimentos operacionais de seleo e integrao de
diferentes tcnicas para obteno e validao de resultados.
A terceira etapa composta por estudos de caso da aplicao da metodologia proposta
para seleo de diferentes tcnicas de previso. Abordam-se procedimentos para previses de
linhas de produtos de duas empresas que atuam em ambientes de mercado diferenciados, uma
com vendas de produtos (ar-condicionado) para centros de distribuies e outra fornecendo
seus produtos (medidores de energia) para grandes empresas de distribuio de energia
eltrica.
A ltima etapa a anlise crtica dos resultados obtidos com a aplicao das tcnicas
mais apropriadas a cada caso e da metodologia proposta. Uma comparao entre a utilizao

23

de um mtodo ou uma integrao de mtodos tambm abordada nesta etapa atravs da


anlise de acurcia das previses obtidas com os diferentes procedimentos adotados.

1.5 ESTRUTURA DA DISSERTAO

A dissertao est estruturada em cinco captulos, com seus contedos apresentados a


seguir.
No Captulo 1 apresentado o tema de estudo, bem como sua importncia

contribuio para as reas de previses de demanda, planejamento estratgico e tomada de


deciso. Tambm so apresentados os objetivos da dissertao e os mtodos de pesquisa e de
trabalho.
No Captulo 2 feita uma reviso bibliogrfica sobre diversos mtodos qualitativos e
quantitativos de previso, sobre fatores que direcionam a escolha de um mtodo adequado e
sobre integrao de mtodos qualitativos e quantitativos.
O Captulo 3 apresenta uma metodologia para seleo de mtodos de previso de
demanda, bem como os procedimentos para implementao e integrao de diferentes tipos de
mtodos de previso.
No Captulo 4, descrevem-se os estudos de caso sobre o uso da metodologia proposta e
aplicao de diferentes mtodos de previso. Tambm so apresentados e discutidos os
resultados obtidos com a aplicao da metodologia proposta.
No Captulo 5 so apresentadas as concluses das experimentaes realizadas e do
trabalho desenvolvido, alm de sugestes para trabalhos futuros.

1.6 DELIMITAES

A reviso bibliogrfica no abordou todos os mtodos de previso de demanda


desenvolvidos e apresentados na literatura, dando nfase mtodos apresentados nas
metodologias de seleo dos estudos de Armstrong (2001b), Georgoff e Murdick (1986) e
Chambers, Mullick e Smith (1971).
Esta dissertao limitou-se a identificar variveis (fatores) que sero utilizadas na
escolha de um mtodo apropriado para previso de demanda e descrever o procedimento

24

operacional dos mtodos abordados. No incluiu, neste contexto, uma anlise financeira de
custo-benefcio para cada mtodo de previso. A abordagem de questes econmicas
relacionadas s tcnicas de previso estudadas sugerida como tema de estudos futuros.
O estudo analisou principalmente a aplicao e resultados dos mtodos de previso,
tratando a insero dos resultados no planejamento estratgico de maneira superficial.
Generalizaes dos resultados obtidos nos estudos de casos dependem de estudos especficos.

25

CAPTULO 2

2 REFERENCIAL TERICO

2.1 INTRODUO

As aes das organizaes dependem de tomadas de decises, as quais se baseiam em


oportunidades de mercado, em fatores contextuais, e no desenvolvimento interno de recursos
financeiros, humanos, produtivos e tecnolgicos. As previses de demanda de produtos e
servios auxiliam as tomadas de decises fornecendo as informaes bsicas para
planejamento e controle de todas as reas funcionais das organizaes, incluindo logstica,
marketing, produo e finanas (MURDICK; GEORGOFF, 1993; MAKRIDAKIS;
WHEELWRIGHT; HYNDMAN, 1998; BALLOU, 2001).
Vrios fatores tm causado a busca pelo desenvolvimento de sistemas de previso de
demanda e pela incorporao de previses de demanda nas tomadas de deciso dentro das
organizaes, entre eles o aumento da complexidade das organizaes e do mercado, a
necessidade de sistematizar a tomada de deciso, o avano no desenvolvimento de mtodos de
previso e a facilidade de aplicao prtica dos mtodos de previso por parte dos tomadores
de

deciso

(MAKIDAKIS;

WHEELWRIGHT;

McGEEE

apud

WINKLHOFER;

DIAMANTOPOULOS; WITT, 1996).


Previses acuradas ajudam no desenvolvimento de estratgias, identificao de
prioridades, alocao de recursos e avaliao do mtodo usado para gerar as previses

26

(THOMAS, 1987; LYNN; SCHNAARS; SKOV, 1999), alm de permitir, pela


operacionalizao eficiente da produo e servios, que as organizaes ofeream altos nveis
de servio aos clientes, forneam informaes de demandas futuras mais precisas aos
fornecedores, planejem expanses de capacidade e evitem perdas nas vendas e estoques
(KOTLER, 1991; MOON et al.,1998; KAHN, 2002). A acurcia de uma previso est
relacionada habilidade do mtodo em estimar mais precisamente os valores futuros
(MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998).
Erros so inevitveis no processo preditivo. Mesmo um procedimento formal, como
um mtodo de previso computacional, limitado pela acurcia das suposies nas quais ele
se baseia (EVANS, 1982). A acurcia da previso depende da preciso dos dados de entrada
do sistema, da estabilidade no processo gerador dos dados, do horizonte de previso, de
flutuaes de demanda e do mtodo de previso utilizado (ELSAYED; BOUCHER, 1994).
Quanto mais instvel a demanda, mais crtica a preciso da previso e mais elaborado o
sistema de previso necessrio (KOTLER, 1991).
Os padres de demanda so resultados da variao da demanda com o tempo, ou seja,
do crescimento ou declnio de taxas de demanda, sazonalidades e flutuaes gerais causadas
por diversos fatores (BALLOU, 2001). H dois tipos de padres de demanda, os padres de
demanda regular e de demanda irregular. Os padres de demanda regular podem ser
decompostos em cinco componentes (MENTZER; GOMES, 1989; MAKRIDAKIS;
WHEELWRIGHT; HYNDMAN, 1998): (i) demanda mdia para o perodo (nvel); (ii)
tendncia; (iii) sazonalidade; (iv) fatores cclicos (ciclos de negcios ou ciclos de vida de
servios ou produtos); e (v) variao aleatria (erro aleatrio). A Figura 1 apresenta alguns
padres de demanda regular para uma srie temporal (padres a, b e c).
A tendncia representa o movimento da demanda a longo prazo; a sazonalidade referese aos picos e vales regulares que se repetem anualmente; os fatores cclicos representam a
variao de longo prazo (mais de um ano) no padro de demanda; e variaes aleatrias, ou
residuais, so aquelas parcelas da demanda que no so explicadas pelos outros componentes
(KOTLER, 1991; BALLOU, 2001).
Estatisticamente, quando todas as causas conhecidas para a demanda (mdia,
tendncia, sazonalidade e ciclos) so subtradas da demanda total, o que sobra uma parte
remanescente inexplicvel da demanda. Se no for possvel identificar a causa da mesma, esta
presumida como puramente aleatria (DAVIS; AQUILANO; CHASE, 2001).

27

Demanda real
Demanda mdia

b) Padro de demanda aleatrio com tendncia, mas sem


elementos sazonais

Nvel de Demanda

Nvel de Demanda

a) Padro de demanda aleatrio, ou nivelado, sem tendncia nem


elementos sazonais

Demanda real
Tendncia da srie

Tempo

Tempo

Demanda real
Tendncia da srie
Sazonalidade da srie
Tempo

d) Padro de demanda irregular

Nvel de Demanda

Nvel de Demanda

c) Padro de demanda aleatrio com tendncia e elementos


sazonais

Tempo

Figura 1: Padres de demanda regular e irregular (Fonte: BALLOU, 2001)

Alm dos cinco componentes, existe freqentemente uma autocorrelao, que indica
que a demanda esperada em qualquer ponto altamente correlacionada com seus valores
anteriores da srie histrica de demanda. Quando existe alta correlao, no se espera que a
demanda varie muito de um perodo para o prximo (DAVIS; AQUILANO; CHASE, 2001).
O padro de demanda irregular (Figura 1d) ocorre no caso de demandas intermitentes
ou elevado grau de incerteza a respeito do momento e nvel de ocorrncia da demanda.
Padres de demanda irregular so particularmente difceis de prever e ocorrem por vrios
motivos: o padro de demanda dominado por pedidos grandes de clientes no-freqentes; a
demanda pode ser derivada da demanda de outros produtos ou servios; o padro de demanda
pode ser um resultado de dados esprios ou eventos especiais; entre outros (BALLOU, 2001).
A previso de demanda um processo cujo domnio o tempo, isto , mtodos de
previso oferecem uma previso pontual ou um intervalo de previso (com determinada
confiana) para um momento de tempo definido (KLASSEN; FLORES, 2001). Para
flutuaes aleatrias ou simtricas onde o padro identificado e no se esperam mudanas
repentinas durante o horizonte de previso, pode-se considerar que os erros so aleatrios,
normalmente distribudos e constantes. Assim pode-se calcular uma previso com intervalo de
confiana definido (MAKRIDAKIS, 1988).

28

Pode-se classificar o horizonte de previso em funo de perodos futuros ou de


unidades de tempo dependendo do cenrio de previso (programao de produo,
planejamento estratgico, etc.). Em funo de perodos uma previso classificada como: de
curto prazo se o horizonte de at 3 perodos no futuro; de mdio prazo se o horizonte de 3
a 20 perodos no futuro; e de longo prazo se o horizonte considera mais que 20 perodos no
futuro (JOHNSON; KING apud WERNER, 2004). Em funo de unidades de tempo um
tpico horizonte para previses de curto prazo vai de horas a 3 meses. Nas previses de mdio
prazo, o perodo de tempo de 3 meses a 2 anos. Na previso de longo prazo, o perodo de
tempo maior que 2 anos (CHAMBERS; MULLICK; SMITH, 1971; MAKRIDAKIS, 1988).
Os mtodos de previso dividem-se basicamente em mtodos qualitativos e mtodos
quantitativos. Os mtodos qualitativos de previso, tambm chamados mtodos intuitivos ou
subjetivos, dependem da experincia acumulada pelos especialistas ou grupo de pessoas
reunidas para predizer a probabilidade do resultado de eventos. Esses mtodos podem ser
apoiados por uma anlise formal ou no (ARMSTRONG, 1983) e so mais apropriados
quando dados so insuficientes ou inadequados para processar uma anlise quantitativa
(ARCHER, 1980).
Os mtodos qualitativos podem usar tanto dados quantitativos quanto qualitativos
como dados de entrada para o processamento das previses, e considerar ou no padres de
demanda histricos no processo preditivo (CHAMBERS; MULLICK; SMITH, 1971;
ARMSTRONG, 1983). Embora mtodos qualitativos sejam muito usados em previses, h
um nmero de desvantagens quando comparados com mtodos quantitativos. Mtodos
qualitativos so adaptveis, mas tendenciosos devido a incorporao de opinies de
entrevistados ou especialistas (SPEDDING; CHANN, 2000).
Os mtodos quantitativos ou mtodos objetivos so aqueles mtodos estruturados que
podem ser reaplicados por outros analistas e as previses obtidas so idnticas as originais
(ARMSTRONG, 1983). Esses mtodos so classificados basicamente em mtodos de srie
temporais e mtodos causais. Os mtodos de sries temporais envolvem a anlise estatstica
de dados passados da varivel a ser prevista. Os mtodos causais so baseados na anlise
estatstica de realizaes passadas de variveis que so relacionadas varivel de interesse
para a previso (ARCHER, 1980).
As previses de demanda usando mtodos quantitativos so obtidas atravs da
reproduo de padres obtidos na anlise de dados histricos de demanda, mas as previses

29

no devem se limitar a reproduzir um padro ou tendncia passada. essencial considerar


toda informao disponvel, incluindo informaes de exatido conhecida como, por exemplo,
produo e vendas passadas, e de exatido desconhecida como, por exemplo, atividades
promocionais e informaes de concorrentes (REMUS; OCONNOR; GRIGGS, 1998). Os
principais tipos de informaes que devem ser avaliadas no processo de previso de demanda
so (GOODWIN; WRIGHT, 1993): (i) sries temporais; (ii) informao sobre o que a srie
representa, como, por exemplo, custos, compras ou vendas; e (iii) informao contextual,
como, por exemplo, informao financeira sobre a empresa, detalhes do mercado, entre
outras.
Geralmente o sistema de previso integra um mtodo quantitativo com um mtodo
subjetivo, os quais agregam tomada de deciso, consistncia e flexibilidade,
respectivamente. Os mtodos quantitativos trabalham com grande quantidade de dados, no
so tendenciosos e no sofrem influncia de presses sociais para obteno de consenso. Os
mtodos qualitativos podem identificar novas variveis, so flexveis para se adaptar a
mudanas, e podem identificar eventos especiais e antecip-los (BLATTBERG; HOCH,
1990; GOODWIN, 2002).
Mtodos quantitativos no podem prever mudanas em padres de demanda e/ou
relaes entre variveis, nem distinguir se estes so temporrios ou permanentes, tornando
necessria a incorporao da opinio dos especialistas, com o objetivo de ajustar as previses
estatsticas. A previso subjetiva se concentra na predio da influncia de mudanas em
padres e/ou relaes estabelecidas enquanto previses quantitativas (estatsticas) se
concentram na predio da continuao de tais padres/relaes (MAKRIDAKIS, 1988).
Os demais contedos abordados neste captulo permitem a compreenso da
metodologia de seleo de mtodos de previso de demanda apresentada neste trabalho. Na
seo 2.2 apresentam-se mtodos de previso qualitativos; na seo 2.3 apresentam-se
mtodos de previso quantitativos; na seo 2.4 so apresentadas medidas de acurcia
utilizadas em sistemas de previso; na seo 2.5, a integrao de mtodos qualitativos e
quantitativos de previso investigada; e na seo 2.6 abordada a seleo de mtodos de
previso.

30

2.2 MTODOS QUALITATIVOS

A aplicao de uma anlise subjetiva ao processo de previso deve ser feita de uma
maneira estruturada, pela utilizao de mtodos qualitativos. Estes mtodos so
freqentemente usados para previses de mdio e longo prazo, ou relativas a novas situaes
com dados limitados e nenhum precedente histrico (CHAMBERS; MULLICK; SMITH,
1971; GEORGOFF; MURDICK, 1986).
Devido a sua natureza subjetiva, os mtodos qualitativos so usados para formulao
de estratgias, desenvolvimento de novos produtos e tecnologias com taxa de penetrao e
aceitao de mercado incertas, e desenvolvimento de planos de longo prazo (MAKRIDAKIS;
WHEELWRIGHT; HYNDMAN, 1998). Tambm so usados para ajustes de previses de
curto prazo (MENTZER; GOMES, 1989).
Os mtodos qualitativos incorporam uma grande quantidade de conhecimento no
processo de previso e adicionam consenso previso (SANDERS; MANRODT, 1994;
GOODWIN, 2002). As previses de mtodos qualitativos so resultados da opinio de
entrevistados (por exemplo, clientes) ou da opinio de especialistas (ELSAYED; BOUCHER,
1994; ARMSTRONG, 2001a).
As estimativas de entrevistados so baseadas em seus planos, metas e expectativas
sobre a demanda futura de uma varivel (ARMSTRONG; BRODIE, 1999). As estimativas
dos especialistas so baseadas no julgamento, intuio, pesquisas, tcnicas comparativas,
conhecimento tcnico, conhecimento sobre anlise de dados e procedimentos de previso,
e/ou no conhecimento de relaes de causa e efeito entre variveis adquirido com a
experincia em processos preditivos nas organizaes (WEBBY; OCONNOR, 1996;
BALLOU, 2001). Os especialistas tambm podem usar mtodos quantitativos para analisar
sries temporais histricas antes de us-las como dados de entrada do mtodo qualitativo
(WRIGHT; LAWRENCE; COLLOPY, 1996).
Mtodos qualitativos apresentam tendncias no processo preditivo devido a anlise
subjetiva (SPEDDING; CHANN, 2000). A Figura 2 apresenta um quadro com tendncias que
afetam os mtodos qualitativos e esboa resumidamente maneiras de reduzir suas
conseqncias. Apesar de dvidas serem freqentemente levantadas sobre o valor e preciso
de previses qualitativas, elas oferecem informaes teis s empresas (MAKRIDAKIS;
WHEELWRIGHT; HYNDMAN, 1998).

31

A utilizao de mtodos estruturados no processo de previso subjetiva melhora


significativamente a acurcia das previses (Armstrong, 1988). Os mtodos qualitativos
variam em custo e complexidade. Eles podem ser usados separadamente, mas so mais
freqentemente usados em combinao com outros mtodos qualitativos ou integrados a
mtodos quantitativos (MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998).

TIPO DE

DESCRIO DA

TENDNCIA

TENDNCIA

MANEIRAS DE REDUZIR O
IMPACTO NEGATIVO DA
TENDNCIA

Otimismo

Previso reflete os resultados


desejados pelos tomadores de
deciso.

Ter mais de uma pessoa para fazer


a previso.

Inconsistncia

Incapacidade de aplicar o
mesmo critrio de deciso em
situaes similares.

Formalizar o processo de tomada


de deciso e criar regras de
tomada de deciso.

Novidades

Os eventos mais recentes so


considerados mais importantes
que eventos mais antigos, que
so minimizados ou ignorados.

Considerar os fatores
fundamentais que afetam o evento
de interesse. Perceber que ciclos e
sazonalidades existem.

Disponibilidade

Facilidade com a qual


informaes especficas podem
ser reutilizadas quando
necessrio.

Apresentar informaes
completas, que apontem todos os
aspectos da situao a ser
considerada.

Correlaes ilusrias

Acreditar na existncia de
padres e/ou que variveis so
relacionadas quando isto no
verdade.

Verificar significncia estatstica


dos padres. Modelar relaes, se
possvel, em termos de mudanas.

Conservadorismo

No mudar ou mudar lentamente


o ponto de vista quando novas
informaes/evidncias esto
disponveis.

Monitorar as mudanas e elaborar


procedimentos para atuar quando
mudanas sistemticas so
identificadas.

Percepo seletiva

Tendncia de ver problemas


baseado na prpria experincia.

Fazer com que pessoas com


diferentes experincias faam
previses independentes.

Figura 2: Tendncias comuns em mtodos qualitativos (Adaptado de MAKRIDAKIS, 1988)

Estudos de Kahn (2002) sugerem que tomadores de deciso preferem contar com
mtodos qualitativos ao invs de mtodos quantitativos de previses de demanda. Os
responsveis pelas tomadas de deciso no esto familiarizados com mtodos quantitativos e
a utilizao de mtodos qualitativos cria um sentimento de controle e posse sobre o processo

32

de previso (SANDERS; MANRODT, 1994; GOODWIN, 2002). Os mtodos qualitativos de


previso de demanda apresentados nesta reviso bibliogrfica so: (i) Jogo de Representao;
(ii) Pesquisa de Intenes; e (iii) Delphi.

2.2.1 Jogo de Representao (Role Playing)

Decises so difceis de prever quando h conflito entre as partes envolvidas. Por


exemplo, dado que a parte A prope mudanas em uma negociao, esta deve prever a reao
inicial da parte B, a qual deve prever a reao subseqente de A e assim por diante, at que
ambas cheguem a uma deciso final (ARMSTRONG, 2001c). A incerteza sobre ao e reao
de cada parte torna difcil a previso de decises.
O mtodo de Jogo de Representao til nesses casos, pois simula as interaes entre
as partes conflitantes, oferecendo uma melhor percepo sobre o pensamento dos
participantes (ARMSTRONG, 1988; ARMSTRONG, 2001a). Este mtodo especialmente
til quando duas partes interagem, quando h conflitos entre elas, quando os conflitos
envolvem grandes mudanas e pouca informao existe sobre eventos similares no passado
(ARMSTRONG, 2001c). Situaes de conflito so aquelas onde duas ou mais partes tm
objetivos opostos, diferentes estratgias, ou competem por um dado recurso (ARMSTRONG,
1987).
O termo simulao de interao comportamental descreve melhor a idia do mtodo
do que o termo Jogo de Representao (KIPPER; HAR-EVEN, 1984). No entanto, as
pesquisas tm sido feitas sobre o rtulo de Jogo de Representao (ARMSTRONG, 1987).
Os procedimentos gerais para aplicao de um Jogo de Representao dividem-se em
(ARMSTRONG, 1987; ARMSTRONG, 2001c): (i) levantar informaes sobre o assunto a
ser analisado, permitindo realismo na modelagem do assunto; (ii) selecionar os participantes;
(iii) alocar aleatoriamente os participantes em dois grupos e separ-los; (iv) ler instrues do
Jogo de Representao e descrever funes (cargos funcionais) de cada participante; (v)
descrever a situao e ambiente onde a interao ir ocorrer; (vi) distribuir questionrios e
assegurar que os grupos se prepararam para a interao; (vii) permitir interao entre as partes
at a obteno de consenso; (viii) separar os grupos e apresentar os resultados; e (ix) orientar
os participantes a no discutirem a situao analisada e os procedimentos do jogo com no
participantes do mtodo de previso.

33

O responsvel pela previso (mediador) deve levantar informaes sobre o assunto a


ser analisado, administrar a sesso ou as sesses de interao entre as partes e interpretar os
resultados (ARMSTRONG, 1987; ARMSTRONG, 2001c). desejvel que os participantes
do Jogo de Representao sejam similares s pessoas que eles representam no que envolve
conhecimento, atitudes e objetivos (ARMSTRONG, 1987). O nmero de participantes deve
corresponder ao nmero da situao real. Se este no conhecido, a utilizao de grupos para
representar cada parte deve ajudar a reforar as funes de cada participante e encorajar
improvisaes. A maioria das pesquisas tem usado dois indivduos para representar cada parte
(ARMSTRONG, 2001c).
A descrio das funes de cada participante deve ser feita antes deles conhecerem a
descrio da situao, pois a funo afeta a percepo do participante sobre determinada
situao (ARMSTRONG, 2001c). Os participantes podem ser orientados a agir como eles
mesmos agiriam, dado seus papis e a situao. Alternativamente, eles podem ser orientados a
agir da forma como acreditam que as pessoas que eles representam agiriam (ARMSTRONG,
1987). Kipper e Har-Even (1984) apresentam em seus estudos que diferenas na orientao
podem conduzir a diferenas substanciais nos resultados. O melhor procedimento fazer os
participantes seguirem as diferentes orientaes (ARMSTRONG, 2001c).
A descrio da situao de conflito deve ser curta, compreensvel e precisa, incluindo
informao sobre cada parte e suas metas, uma histria de seus relacionamentos, posies
atuais das partes, expectativas sobre relaes futuras, os processos que as partes esperam usar
para resolver seus conflitos e questes particulares a serem decididas. Um pr-teste
necessrio para assegurar que a descrio est clara e efetiva, pois pequenas mudanas na
descrio

podem

afetar

resultado

(ELSTEIN;

SHULMAN;

SPRAFKA

apud

ARMSTRONG, 1987; ARMSTRONG, 2001c).


Segundo Armstrong (2001c), para obter previses confiveis e vlidas, deve-se
realizar aproximadamente dez sesses, cinco usando uma descrio do evento e cinco usando
outra descrio alternativa. Se as respostas diferirem muito entre os grupos, ento se realizam
mais sesses. Idealmente, cada sesso do Jogo de Representao deve conduzir a um
resultado definitivo, o qual ser usado como previso (ARMSTRONG, 1987).
Estudos mostram que para prever decises de partes em conflito, o Jogo de
Representao muito mais preciso do que a utilizao de outros mtodos, devido ao grande
realismo incorporado ao processo de previso (ARMSTRONG, 1988; ARMSTRONG, 2001a;

34

GREEN, 2002). Jogos de Representao podem ser usados na previso de decises por um
indivduo que no interage com outros diretamente. Entretanto, o procedimento mais efetivo
para situaes nas quais duas partes interagem. Onde muitas partes representam diferentes
pontos de vista, a aplicao do mtodo torna-se difcil (ARMSTRONG, 2001c).
Aplicaes bem sucedidas do mtodo tm sido observadas nas reas militar, jurdica,
de psicologia e de negcios (ARMSTRONG, 1987; ARMSTRONG, 2001c). Este mtodo
muito aplicado em previses da reao dos concorrentes frente a mudanas de estratgia da
organizao ou mudanas de cenrios de mercado (ARMSTRONG, 1983).

2.2.2 Pesquisa de Intenes

O mtodo de Pesquisa de Intenes avalia planos, metas e expectativas de indivduos


sobre o futuro de uma varivel ou evento. Os entrevistados so perguntados sobre como eles
se comportariam em diversas situaes relacionadas varivel a ser analisada
(ARMSTRONG; BRODIE, 1999).
O mtodo analisa padres que podem descrever as preferncias dos consumidores e a
probabilidade de eles comprarem um produto/servio, servindo de informao relevante para
a previso de demanda e tomada de deciso, como, por exemplo, sobre aes referentes
penetrao de um novo produto no mercado (CHAMBERS; MULLICK; SMITH, 1971;
HUTH; EPPRIGHT; TAUBE, 1994).
Intenes so afirmaes que as pessoas fazem sobre seu comportamento futuro, ou
sobre o comportamento de variveis que elas podem controlar. Algumas condies favorecem
o uso de Pesquisa de Intenes: (i) previses de eventos importantes; (ii) facilidade de
obteno de respostas da pesquisa; (iii) respondentes tm um plano de consumo; (iv)
respondentes fornecem respostas corretas; (v) respondentes podem cumprir seu planejamento;
e (vi) novas informaes no mudam os planos de consumo dos respondentes
(ARMSTRONG, 1985).
O mtodo mais efetivo quando os respondentes tm planos sobre a aquisio do
produto/servio pesquisado, pois esto comprometidos em adquirir o item pesquisado e
podem cumprir seus planos independentemente de fatores externos (econmicos, polticos,
etc) e de novas informaes que poderiam afetar a inteno do respondente. Quanto mais
importante for o evento analisado no processo preditivo, maior a probabilidade da Pesquisa de

35

Intenes oferecer previses acuradas. Por exemplo, para prever intenes de compra de um
imvel o mtodo muito mais preciso do que para prever inteno de compra de refrigerante
(produto que geralmente no requer um planejamento de compra) (ARMSTRONG, 1985).
O horizonte de previso tambm influencia na qualidade do resultado da aplicao do
mtodo, pois para mdio e longo prazo pode haver mudanas na inteno de consumo dos
respondentes, enquanto no curto prazo estas mudanas so menos provveis (CLAWSON
apud ARMSTRONG, 1985).
Os resultados deste mtodo podem ser influenciados por trs tipos de erros: (i) erro de
amostragem; (ii) erro das respostas; e (iii) erro devido falta de resposta. O erro de
amostragem ocorre quando a amostra no representa a populao pesquisada; o erro de
resposta ocorre quando as pessoas no sabem quais suas reais intenes ou quando so
politicamente corretas nas suas respostas, no expressando suas verdadeiras intenes; o
ltimo erro ocorre quando no possvel obter respostas de indivduos da amostra, seja por
no conseguir encontrar o respondente, seja por este se negar a responder a pesquisa
(ARMSTRONG, 1985).
O respondente pode fornecer informaes incorretas quando ele no entende as
perguntas da pesquisa, acha que as respostas podem ser usadas contra ele, ele no sabe
exatamente suas intenes quanto ao item pesquisado ou quando ele no tem interesse em
revelar suas intenes (ARMSTRONG, 1985). Uma alternativa pesquisa com consumidores
utilizar especialistas para preverem as intenes dos consumidores (ARMSTRONG;
BRODIE, 1999).
Na operacionalizao do mtodo uma descrio enxuta e de fcil entendimento do
produto/servio e das condies de venda fornecida para os consumidores potenciais, e estes
so ento questionados sobre a inteno de compra do item, geralmente sobre a probabilidade
de compra. Deve-se assegurar que as probabilidades pesquisadas sejam totalmente exaustivas
(a soma das probabilidades igual a 1) e mutuamente exclusivas (ARMSTRONG, 1985).
Os questionamentos esto relacionados a uma escala de inteno. Segundo Morwitz
(2001) deve-se dar preferncia a escalas de probabilidade de compra. Recomendam-se escalas
de inteno de cinco (1-5) ou onze pontos (0-10). Escalas de onze pontos so mais indicadas,
pois capturam uma maior variedade de intenes quanto ao item pesquisado. As escalas
devem ser explicadas como, por exemplo, para uma escala de onze pontos (JUSTER; 1966;
ARMSTRONG; BRODIE, 1999): 0=Sem inteno de compra, quase nenhuma inteno (1%

36

em 100%); 1= Possibilidade muito remota (10% em 100%); 2=Possibilidade remota (20% em


100%); 3=Alguma possibilidade (30% em 100%); 4=Possibilidade quase razovel (40% em
100%); 5=Possibilidade razovel (50% em 100%); 6=Boa possibilidade (60% em 100%);
7=Provvel (70% em 100%); 8=Muito provvel (80% em 100%); 9= Quase certa (90% em
100%); e 10=Compra certa, praticamente certa (99% em 100%).
Este mtodo evita a interao entre respondentes, evitando a influncia de respostas de
outros respondentes e assume que o respondente tem bom conhecimento sobre a situao. A
pesquisa pode ser feita por entrevista pessoal, por telefone ou por correio (comum ou
eletrnico) (ARMSTRONG, 1985).
Para previses de novos produtos, que no possuem similares, este mtodo apresenta
problemas, pois os consumidores potenciais podem no estar suficientemente familiarizados
com o produto proposto. Para produtos com similares no mercado a pesquisa pode se
beneficiar da experincia dos respondentes na compra destes produtos similares
(ARMSTRONG; BRODIE, 1999; MORWITZ, 2001).

2.2.3 Mtodo Delphi

A proposta do mtodo Delphi capturar o conhecimento de especialistas em uma


determinada rea no intuito de chegar a um consenso sobre a probabilidade e momento de
ocorrncia de eventos futuros especficos, melhorando a tomada de deciso e previses sobre
o futuro (GUPTA; CLARKE, 1996; PREBLE, 1983). Pressupe-se que o julgamento coletivo
organizado adequadamente mais preciso que a opinio de um nico especialista (WRIGHT;
GIOVINAZZO, 2000).
O Delphi foi concebido para acabar com os pontos fracos de mtodos tradicionais de
reunies de especialistas. Reunies so freqentemente lentas, caras, dominadas por um ou
poucos indivduos, e h sobrecarga de informaes redundantes ou irrelevantes
(DALKEY,1972). O Delphi contorna estes aspectos indesejveis atravs de suas
caractersticas principais, que so: anonimato dos participantes; procedimentos estruturados e
sistemticos; comunicao clara com os participantes; iteraes repetitivas; feedback
controlado para o grupo; e utilizao de medidas estatsticas para as informaes obtidas
(PREBLE, 1983; DALKEY 1972; ROWE; WRIGHT, 1999).

37

O mtodo promove o aprendizado entre membros do grupo, atravs do


compartilhamento de conhecimento (GUPTA; CLARKE, 1996; LEMOS; PORTO, 1998). O
mtodo consiste em um processo estruturado de aprendizado iterativo envolvendo um grupo
de especialistas que respondem a uma seqncia de questionrios, preservando o anonimato
das estimativas individuais. O anonimato um artifcio para reduzir o efeito de indivduos
socialmente dominantes (DALKEY, 1972). Os especialistas no se comunicam durante o
processo de previso ou no conhecem os outros participantes, podendo expressar livremente
suas opinies e evitando conflitos de grupo (pessoais e polticos) e domnio da discusso por
um dos participantes ou por um grupo majoritrio (GUPTA; CLARKE, 1996; LEMOS;
PORTO, 1998; ROWE; WRIGHT, 1999). A metodologia de aplicao de uma pesquisa
Delphi apresentada na Figura 3.
A seleo dos especialistas que participaro do processo de previso uma das
questes crticas no mtodo Delphi (DIETZ, 1987). Deve-se buscar um equilbrio entre
indivduos de dentro e de fora da organizao, contatando especialistas em universidades,
institutos de pesquisa, indstrias, entre outros. A qualidade e acurcia das previses dependem
principalmente dos respondentes (WRIGHT; GIOVINAZZO, 2000).
Um ou mais mediadores so responsveis pela formulao dos questionrios e
feedback dos resultados aos especialistas (DAVIS; AQUILANO; CHASE, 2001). Na
elaborao do questionrio cada questo apresenta uma sntese das principais informaes
conhecidas sobre o assunto, as quais devem ser obtidas na literatura e/ou atravs de
entrevistas com especialistas (WRIGHT; GIOVINAZZO, 2000). O nmero de questes
varivel, dependendo dos tipos de questes e do perfil dos respondentes, sendo que um valor
limite seria 25 questes (WRIGHT; GIOVINAZZO, 2000). Vichas apud Kayo e Securato
(1997) aconselha que o questionrio fique restrito a 15 questes e que possa ser respondido
em 2 ou 3 minutos.
Entre cada iterao de questionrios estruturados, um feedback controlado oferecido.
O feedback controlado um artifcio para reduzir rudo. Atravs do feedback os especialistas
so informados das opinies dos seus colegas annimos e solicitados a fazerem uma reviso
das estimativas anteriores (DALKEY,1972). Assim dada aos participantes a oportunidade de
alterar suas estimativas iniciais com base no feedback fornecido, de explorar novos temas que
surgem e de discutir possveis incompatibilidades entre tendncias previstas (ROWE;
WRIGHT, 1999; WRIGHT; GIOVINAZZO, 2000).

38

INCIO

Elaborao do questionrio
e seleo dos especialistas

Primeira rodada:
respostas e devoluo
Tabulao e anlise dos
questionrios recebidos

necessrio
Introduzir novas
questes?

Sim

Elaborao das
novas questes

No
Nova rodada:
respostas e devoluo

Elaborao do
novo questionrio

Tabulao e anlise dos


questionrios recebidos

No

A convergncia das
respostas satisfatria?
Sim
Concluses gerais

Relatrio para
os respondentes
FIM

Relatrio final

Procedimentos executados
pelos coordenadores

Procedimentos executados
pelos respondentes

Figura 3: Seqncia de execuo de uma pesquisa Delphi (Adaptado de WRIGHT;


GIOVINAZZO, 2000)

Freqentemente o feedback composto pelo resumo estatstico das respostas


quantitativas individuais dos eventos analisados, o qual representa a previso do grupo, e
tambm informaes qualitativas (comentrios e justificativas dos respondentes) (ROWE;
WRIGHT, 1999; DIETZ, 1987; WRIGHT; GIOVINAZZO, 2000). So apresentadas medidas
estatsticas, usando-se geralmente uma mdia ou mediana e intevalos interquartis das

39

estimativas individuais (DIETZ, 1987; DALKEY,1972; ROWE; WRIGHT, 1999). Tambm


so usadas medidas de disperso e distribuio de freqncia (KAYO; SECURATO, 1997).
Um dos objetivos do Delphi alcanar o maior consenso entre os participantes. O
consenso pode ser determinado pela mensurao da varincia das estimativas dos
participantes nas iteraes, com a reduo na varincia sendo o indicador que um maior
consenso foi alcanado (ROWE; WRIGHT, 1999). Supe-se que a iterao e o feedback
fazem com que os membros do painel movam suas previses na direo da resposta correta.
Quando as respostas comeam a estabilizar no processo iterativo, os resultados da iterao
final so usados como estimativas para a previso dos eventos estudados (DIETZ, 1987).
Apesar de varivel, a literatura costuma reportar estudos com no mais que trs iteraes
(DIETZ, 1987; ROWE; WRIGHT, 1999; WRIGHT; GIOVINAZZO, 2000).
A tcnica Delphi tem boa preciso em previses de mdio e longo prazo.
(GEORGOFF; MURDICK, 1986; YUXIANG; DONGHUA; CHANGGENG apud GUPTA;
CLARKE, 1996). Outros benefcios percebidos com o uso do mtodo Delphi so (PREBLE,
1983): ausncia de contaminao de resultados; uso eficiente da intuio dos especialistas;
resultados facilmente entendidos por leigos; comunicao no ambgua entre participantes; e
documentao do procedimento.
Como limitaes tem-se: complexidade de administrao do mtodo; demora na
obteno de resultados; possibilidade de forar o consenso indevidamente; imposio do
ponto de vista do mediador da pesquisa atravs de questionrios mal estruturados; utilizao
de tcnicas pobres de sumarizao dos resultados; falta de critrio para escolha de
especialistas; e custos de elaborao elevados (LINSTONE; TUROFF apud ARCHER, 1980;
PREBLE, 1983; GUPTA; CLARKE, 1996; WRIGHT; GIOVINAZZO, 2000).
O mtodo Delphi tem sido extensivamente usado no planejamento e anlise de
estratgias, tanto no setor pblico quanto no privado. Alm de ser utilizado em previses de
demanda, o mtodo Delphi til em reas como avaliao de projetos, anlise de
investimentos e planejamento financeiro (GUPTA; CLARKE, 1996).

2.3 MTODOS QUANTITATIVOS

Os mtodos quantitativos caracterizam-se por apresentarem processos bem definidos


para a anlise dos dados, possibilitando a replicao do mtodo por diferentes especialistas e a

40

obteno de previses idnticas. Estes mtodos podem utilizar dados subjetivos ou


quantitativos (ARMSTRONG, 1983). A previso pode ser atravs de: (i) anlise de sries
temporais ou extrapolao; ou (ii) mtodos causais (THOMAS, 1996).
Nos mtodos de anlise de sries temporais utiliza-se o histrico de demanda da
varivel analisada para prever a demanda futura (ELSAYED; BOUCHER, 1994). Os mtodos
de anlise de sries temporais para previso de demanda contam com a suposio de
constncia de padres e estacionariedade dos dados utilizados no processo preditivo
(MAKRIDAKIS, 1988; THOMAS, 1996; WRIGHT; LAWRENCE; COLLOPY, 1996). Uma
vez que constncia e previsibilidade so assumidas, um modelo ajustado aos dados
passados. Este modelo ir prever padres futuros de demanda atravs da extrapolao das
tendncias e relaes existentes no passado. Paralelamente, mudanas esperadas nas variveis
devem ser avaliadas e integradas ao modelo (ARCHER, 1980).
Os mtodos causais so muito utilizados como ferramenta analtica na previso de
variveis econmicas (dependentes), as quais so influenciadas pelas estimativas de variveis
independentes (ARCHER, 1980; ELSAYED; BOUCHER, 1994). As estimativas das
variveis causais e das relaes entre as variveis compem a previso da varivel dependente
(ARMSTRONG, 1983). Estes mtodos inflam o erro de predio por demandarem previses
das variveis independentes em tempos futuros. Os mtodos causais assumem que as relaes
causais histricas se mantero no futuro (THOMAS, 1996).
Os mtodos causais podem ser utilizados para qualquer horizonte de previso de
demanda, mas so mais indicados para previses de mdio e longo prazo. Isto porque para
horizontes de curto prazo, os mtodos de anlise de sries temporais obtm uma boa acurcia
e os custos de implantao e manuteno destes mtodos so menores se comparado aos
custos dos mtodos causais (MURDICK; GEORGOFF, 1993).
Os mtodos quantitativos diferem quanto ao nvel de complexidade, facilidade de uso,
e anlise subjetiva requerida (SANDERS, 1997a). Mtodos quantitativos so rgidos, mas
consistentes, e podem trabalhar com um grande volume de dados. A desvantagem que estes
mtodos no conseguem lidar com mudanas dinmicas e estruturais dos dados das sries
temporais, e tambm falham na caracterizao de problemas com dados histricos limitados
(SPEDDING; CHANN, 2000).

41

2.3.1 Extrapolao

Tcnicas estatsticas de extrapolao so baseadas na considerao que o padro


existente na srie histrica ir continuar no futuro. Esta considerao mais correta para
horizontes de curto prazo, por isso estas tcnicas oferecem geralmente previses acuradas
para um futuro imediato, a no ser que o padro dos dados seja extraordinariamente estvel.
(CHAMBERS; MULLICK; SMITH, 1971; ARMSTRONG, 2001d). A extrapolao pode ser
utilizada para dados amostrais, onde resultados de uma amostra so utilizados para extrapolar
os resultados e inferenciar sobre uma populao (ARMSTRONG, 2001d).
Segundo Mentzer e Gomes (1989), os mtodos de extrapolao se dividem em: (i)
mtodos com modelos matemticos fixos (FMTS fixed-model time series); e (ii) mtodos
com modelos matemticos ajustveis ou abertos (OMTS open-model time series).
Nas previses de demanda de curto prazo, com mudanas rpidas na demanda e com
necessidade de um grande nmero de previses freqentes, os mtodos FMTS podem ser
efetivamente utilizados, pois so mtodos simples, de baixo custo e de fcil entendimento.
Estes mtodos so baseados no padro de demanda da srie temporal e na inter-relao de
seus componentes (nvel, tendncia, sazonalidade, ciclo e erro aleatrio), assumindo que um
ou mais desses componentes existem nas sries histricas e projetando-os no futuro. Os
mtodos FMTS tm equaes fixas que so usadas sob consideraes que certos componentes
do padro de demanda existem ou no na srie temporal. Os mtodos de Mdia Mvel e de
Suavizao Exponencial so mtodos FMTS (MENTZER; GOMES, 1989).
Mtodos com modelos matemticos ajustveis ou abertos (OMTS) desenvolvem um
modelo de previso depois de identificar os componentes existentes nas sries histricas de
demanda. Embora muita pesquisa acadmica seja conduzida com mtodos OMTS, h
restries na utilizao destes no meio empresarial devido a sua complexidade e limitado
ganho de acurcia em relao a mtodos FMTS (MENTZER; COX, 1984).
Os mtodos OMTS requerem treinamento intensivo e considervel tempo de anlise.
Durante a anlise, numerosas decises subjetivas devem ser alimentadas no modelo de
previso. Ento, a preciso da previso largamente influenciada pelas habilidades do usurio
do mtodo. Estes mtodos so indicados para situaes em que se deseja obter previses de
demanda de poucos produtos, h um histrico de demanda substancial, mas pouca informao

42

contextual est disponvel. O mtodo de Box-Jenkins um mtodo OMTS (MENTZER;


GOMES, 1989).
Os mtodos de extrapolao abordados neste trabalho so: Mdia Mvel; Suavizao
Exponencial; e Box-Jenkins.

2.3.1.1 Mdia Mvel

O mtodo da Mdia Mvel amplamente utilizado pela sua facilidade de


implementao e manuteno e pela necessidade de poucos dados histricos para a sua
aplicao. Entretanto, este mtodo apropriado somente para previses de curto prazo e para
dados histricos irregulares, onde o padro da srie temporal no apresenta tendncia e
sazonalidade (MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998).
A Mdia Mvel oferece uma tcnica simples de suavizao exponencial de sries
temporais, calculando uma mdia aritmtica ou ponderada das k observaes mais recentes da
srie, sempre desprezando a observao mais antiga e incluindo a observao mais recente
(CHAMBERS;

MULLICK;

SMITH,

1971;

ARCHER,

1980;

MAKRIDAKIS;

WHEELWRIGHT; HYNDMAN, 1998).


O nmero de observaes em cada mdia permanece constante e determinado de tal
forma que os efeitos de sazonalidade ou aleatoriedade ou ambos so eliminados. As mdias
movem-se atravs da srie temporal at o componente de mdia estar computado para cada
perodo i da srie temporal. As previses para perodos posteriores a ltima observao da
srie temporal sero iguais ao valor da ltima mdia calculada (MAKRIDAKIS;
WHEELWRIGHT; HYNDMAN, 1998).
As desvantagens deste mtodo de previso esto relacionadas ao fato do mtodo no
trabalhar muito bem com sries com tendncia e sazonalidade, pois a previso para um novo
perodo envolve sempre a adio de novos dados e a desconsiderao de dados anteriores
(MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998; DAVIS; AQUILANO; CHASE,
2001). Uma alternativa a este tipo de falha no mtodo a mdia mvel ponderada onde ao
invs das observaes entrarem e sarem abruptamente do intervalo de perodos usado na
mdia,

elas

so

gradualmente

ponderadas

dentro

da

mdia

(MAKRIDAKIS;

WHEELWRIGHT; HYNDMAN, 1998; KRAJEWSKI; RITZMAN, 2002). A desvantagem

43

na utilizao da mdia mvel ponderada a necessidade de conhecimento para determinar os


pesos a serem utilizados (DAVIS; AQUILANO; CHASE, 2001).

2.3.1.2 Suavizao Exponencial

A suavizao exponencial o mtodo mais popular e com o melhor custo/benefcio


entre os mtodos de extrapolao (ARMSTRONG; BRODIE, 1999). O mtodo de Suavizao
Exponencial aplica uma mdia ponderada nas observaes de uma srie temporal. Os pesos
aplicados no mtodo so determinados em progresso geomtrica, com pesos maiores dados
as informaes mais recentes, isto , dados mais antigos tm pesos menores (ARCHER,
1980).
As maiores vantagens dos mtodos de suavizao so sua simplicidade e baixo custo.
Quando h a necessidade de previso de milhares de itens, como no caso de sistemas de
controle de estoque, os mtodos de suavizao so geralmente os nicos mtodos de previso
com rapidez suficiente para gerao de resultados para um sistema de previso de demanda
eficaz (MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998).
Os mtodos de previso de demanda que aplicam suavizao exponencial se dividem
em: (i) Suavizao Exponencial Simples; (ii) Suavizao Exponencial Linear de Holt; e (iii)
Mtodo de Holt-Winters (MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998).

Suavizao Exponencial Simples

O mtodo obtm a previso para um perodo futuro ajustando a previso do perodo


atual com o erro de previso. A previso do perodo t+1 igual previso do perodo t mais o
ajuste para o erro que ocorreu na previso do perodo t, conforme apresentado na equao (1).
A forma geral do mtodo de Suavizao Exponencial Simples apresentada na equao (2)
onde alocado um parmetro de suavizao aos valores mais recentes Yt, e um peso 1-
para as previses mais recentes (WINTERS, 1960; MAKRIDAKIS; WHEELWRIGHT;
HYNDMAN, 1998; HOLT, 2004). A forma expandida da equao (2) apresentada na
equao (3), onde a previso est expressa em funo de todos os dados da srie temporal
(WINTERS, 1960).

44

Ft +1 = Ft + (Yt Ft )

(1)

Ft +1 = Yt + (1 ) Ft

(2)

Ft +1 = (1 )iYt i + (1 )t F1

(3)

i =0

onde Ft+1 a previso para o perodo t+1, Ft a previso para o perodo t, Yt a demanda
realizada no perodo t, n o tamanho da srie temporal e a constante de suavizao com
valor entre 0 e 1.
Quanto mais prximo de 1 o valor de maior o ajuste do erro na previso anterior, ou
seja, o modelo enfatiza demandas recentes e mais sensvel a mudanas. Quanto mais
prximo de 0 o valor de , menor o ajuste, ou seja, o modelo trata as demandas histricas
mais uniformemente e gera previses mais estveis (MAKRIDAKIS; WHEELWRIGHT;
HYNDMAN, 1998).
Para inicializar o mtodo necessrio o valor de F1. Pode-se proceder de duas
maneiras: considerar F1 igual a Y1; ou utilizar um valor obtido com a mdia das primeiras
observaes da srie temporal. Um problema do mtodo a escolha de um timo, isto pode
ser feito atravs da minimizao de erros. Escolhe-se determinados valores de , aplica-se o
mtodo e o erro obtido para diferentes valores de . O parmetro de suavizao () timo
ser aquele com o qual se obtm o menor valor de erro nas previses (MAKRIDAKIS;
WHEELWRIGHT; HYNDMAN, 1998).
O mtodo de Suavizao Exponencial Simples com taxa de resposta adaptvel uma
alternativa ao mtodo tradicional. Este mtodo permite a modificao do parmetro de
suavizao , de maneira controlada, quando mudanas nos padres dos dados ocorrem. Este
mtodo til quando uma grande quantidade de itens esto envolvidos no processo preditivo.
Maiores detalhes podem ser obtidos em Makridakis, Wheelwright e Hyndman (1998).
O mtodo de Suavizao Exponencial Simples assume que o padro de demanda
histrica apresenta somente componentes de nvel e rudo. Se componentes de tendncia e
sazonalidade existem nos dados histricos, a Suavizao Exponencial Simples no o mtodo
de

extrapolao

mais

indicado

(MENTZER;

WHEELWRIGHT; HYNDMAN, 1998).

GOMES,

1989;

MAKRIDAKIS;

45

Suavizao Exponencial Linear de Holt

O mtodo da Suavizao Linear de Holt tambm conhecido como Suavizao


Exponencial Dupla. Este mtodo expande o mtodo de Suavizao Exponencial Simples para
previses com dados que apresentam tendncia linear, mas que no apresentam sazonalidade
(MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998).
A previso com Suavizao Exponencial Linear de Holt obtida com o uso de duas
constantes de suavizao, e (com valores entre 0 e 1, e no relacionados), e das equaes
(4), (5) e (6) (MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998; TAYLOR, 2003;
RASMUSSEN, 2004):

Previso: Ft + m = Lt + bt m

(4)

Nvel: Lt = Yt + (1 )( Lt 1 + bt 1 )

(5)

Tendncia: bt = ( Lt Lt 1 ) + (1 )bt 1

(6)

onde Ft+m a previso para o perodo t+m, m o horizonte de previso, Lt estimativa do


nvel da srie temporal no perodo t, bt a estimativa de tendncia da srie temporal para o
perodo t e e so as constantes de suavizao.
A equao (4) utilizada para obter a previso de demanda, sendo que o valor base Lt
adicionado da tendncia (bt) multiplicada pelo nmero de perodos futuros a serem previstos
(horizonte de previso m). A equao (5) ajusta diretamente Lt para a tendncia do perodo
anterior, pela adio de bt-1 ao ltimo valor suavizado de nvel Lt-1. Este procedimento ajuda a
eliminar o atraso na incorporao de mudanas do padro de demanda e conduz o valor de Lt
para um nvel prximo do valor da demanda atual da srie temporal. A equao (6) atualiza a
tendncia atravs da diferena entre os ltimos dois valores suavizados de nvel (Lt e Lt-1). A
tendncia do ltimo perodo (Lt -Lt-1), modificada pela suavizao com , adicionada
estimativa

anterior

da

tendncia

(bt-1)

multiplicada

por

(1-)

(MAKRIDAKIS;

WHEELWRIGHT; HYNDMAN, 1998).


A inicializao do mtodo de Holt requer duas estimativas, uma o valor suavizado
para L1 e outra a tendncia b1. Uma alternativa seria considerar L1 igual a Y1 e b1 igual a zero

46

ou a diferena entre os dois primeiros valores da srie (Y2-Y1). Como no mtodo de


Suavizao Exponencial Simples, os valores de e podem ser determinados atravs da
minimizao do erro de previso (MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998;
RASMUSSEN, 2004).

Mtodo de Holt-Winters

O mtodo de Holt-Winters utilizado em situaes em que as sries temporais


apresentam padro de demanda com tendncia linear e sazonalidade. O mtodo aplica
equaes de suavizao para estimar o nvel, a tendncia e a sazonalidade da srie temporal
analisada no processo de previso (MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998).
O mtodo oferece duas abordagens distintas, as quais dependem da forma como
modelada a sazonalidade: forma multiplicativa ou forma aditiva. A forma multiplicativa
indicada para sries temporais em que a amplitude da sazonalidade varia com o nvel da
demanda. A forma aditiva apropriada para sries temporais cuja amplitude da sazonalidade
independente do nvel de demanda (WINTERS, 1960).
As equaes bsicas do mtodo multiplicativo de Holt-Winters so (MAKRIDAKIS;
WHEELWRIGHT; HYNDMAN, 1998; HOLT, 2004; RASMUSSEN, 2004)):

Previso: Ft + m = ( Lt + bt m) St s + m
Nvel: Lt =

Yt
+ (1 )( Lt 1 + bt 1 )
St s

Tendncia: bt = ( Lt Lt 1 ) + (1 )bt 1
Sazonalidade: St =

Yt
+ (1 ) St s
Lt

(7)

(8)
(9)
(10)

onde s o nmero de perodos por ciclo sazonal, St a estimativa do componente sazonal da


srie temporal no perodo t e , e so as constantes de suavizao (com valores entre 0 e 1,
e no relacionados).

47

A equao (7) utilizada para obter a previso de demanda, sendo obtida pela
multiplicao da estimativa de um componente sazonal (St-s+m) previso do mtodo linear de
Holt [equao (4)]. A equao (8) ajusta Lt para a tendncia do perodo anterior, pela adio
de bt-1 ao ltimo valor suavizado de nvel Lt-1. O primeiro termo da equao (8) dividido por
um termo sazonal (St-s) para eliminar as flutuaes sazonais no clculo do nvel Lt. A equao
(9) atualiza a tendncia atravs da diferena entre os ltimos dois valores suavizados de nvel
(Lt e Lt-1). A equao (10) estima o componente sazonal pela ponderao, atravs de uma
constante de suavizao , da razo de Yt e Lt, (que corresponde a sazonalidade do perodo t)
com a sazonalidade St-s (correspondente a sazonalidade do perodo analisado do ciclo sazonal
anterior) (MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998).
O mtodo aditivo de Holt-Winter menos comum que o multiplicativo. Este mtodo
trata o componente sazonal de forma aditiva. As equaes bsicas do mtodo aditivo so
(MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998; HOLT, 2004; RASMUSSEN,
2004):

Previso: Ft + m = Lt + bt m + St s + m

(11)

Nvel: Lt = (Yt St s ) + (1 )( Lt 1 + bt 1 )

(12)

Tendncia: bt = ( Lt Lt 1 ) + (1 )bt 1

(13)

Sazonalidade: St = (Yt Lt ) + (1 ) St s

(14)

As nicas diferenas entre as formas aditiva e multiplicativa do mtodo de HoltWinters so que os ndices sazonais e de nvel so somados ou subtrados ao invs de
multiplicados ou divididos (MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998).
A inicializao do mtodo de Holt-Winters necessita de valores iniciais de Lt, bt e St,
apresentados em Makridakis, Wheelwright e Hyndman (1998). Os parmetros , e podem
ser determinados de forma a minimizar o erro de previso (MAKRIDAKIS;
WHEELWRIGHT; HYNDMAN, 1998).

48

2.3.1.3 Box-Jenkins

O mtodo de Box-Jenkins um mtodo de previso de demanda que utiliza um


algoritmo matemtico complexo, com termos auto-regressivos e de mdia mvel, para
identificar a forma do modelo matemtico mais adequado para a srie temporal analisada com
n observaes (ARCHER, 1980).
O mtodo possibilita combinaes de modelos, e com a ajuda de anlises estatsticas
pode determinar o modelo combinado mais apropriado para uma dada situao. O mtodo de
Box-Jenkins modela a funo de autocorrelao de uma srie temporal estacionria com o
mnimo de parmetros possveis, utilizando uma combinao de termos de auto-regresso
(AR), integrao (I) e mdia mvel (MA). O modelo geral do mtodo um modelo autoregressivo, integrado e de mdia mvel (ARIMA Auto-Regressive / Integrated / MovingAverage). A notao do modelo geral ARIMA (p, d, q)(P, D, Q)S onde (WALKER;
MCCLELLAND, 1991; BUSINGER; READ, 1999):

(AR) parcela auto-regressiva que modela a dependncia de um valor atual sobre


valores passados;

(I) parcela de integrao que remove a tendncia da srie temporal, tornando a


srie estacionria;

(MA) parcela de mdia mvel, a qual assume que valores atuais so dependentes
de erros de previso de perodos passados;

p ordem mxima dos parmetros de auto-regresso simples;

d nmero de diferenciaes no-sazonais aplicadas para tornar a srie temporal


estacionria;

q ordem mxima dos parmetros de mdia mvel simples;

P ordem mxima dos parmetros de auto-regresso sazonal;

D nmero de diferenciaes sazonais aplicadas para tornar a srie temporal


estacionria;

Q ordem mxima dos parmetros de mdia mvel sazonal.

s nmero de perodos por ciclo sazonal.

49

A operacionalizao do mtodo Box-Jenkins (B-J) segue trs passos para a modelagem


de sries temporais (Identificao, Estimao e Teste, e Aplicao), passos estes apresentados
na Figura 4.

PREPARAO DOS DADOS


- Transformar dados para estabilizar varincia
- Diferenciar dados para obter uma srie estacionria
Fase 1
Identificao
SELEO DO MODELO
- Examinar dados, ACF e PACF para identificar modelos
potenciais

ESTIMATIVAS
- Estimar parmetros dos modelos potenciais
- Selecionar o melhor modelo usando critrios adequados
Fase 2
Estimao e teste
DIAGNSTICOS
- Checar ACF e PACF dos resduos
- Os resduos so aleatrios?

No

Sim

Fase 3
Aplicao

PREVISO
- Usar modelo para previso

Figura 4: Seqncia de execuo do mtodo de Box-Jenkins (Fonte: MAKRIDAKIS;


WHEELWRIGHT; HYNDMAN, 1998)

Segundo o mtodo, a srie temporal ajustada a um modelo matemtico que apresenta


o menor erro em relao a outros possveis modelos. O tipo de modelo ARIMA deve ser
identificado e os parmetros ento estimados (CHAMBERS; MULLICK; SMITH, 1971). O
mtodo necessita de uma grande quantidade de inputs subjetivos e de pelo menos 48
observaes para desenvolver um modelo matemtico (MENTZER; GOMES, 1989).
O mtodo B-J captura as correlaes histricas entre os dados e as extrapola para
perodos futuros. Se as correlaes so fortes, homogneas e estveis, o mtodo apresenta
melhor acurcia que os mtodos de Suavizao Exponencial. Nos casos onde os dados so

50

irregulares ou as correlaes mudam com o tempo, o mtodo pode extrapolar correlaes


inadequadas para perodos futuros (BOX; JENKINS; REINSELL, 1994).
A aplicao do mtodo depende da srie temporal analisada ser estacionria ou no.
Uma srie estacionria quando no h tendncia e sazonalidade nos dados, os dados flutuam
em torno de uma mdia independentemente do tempo, e a varincia permanece constante com
o tempo. Para determinar se uma srie temporal estacionria, analisa-se analtica e
graficamente os coeficientes de autocorrelao (ACF) e de autocorrelao parcial (PACF)
(BOX; JENKINS; REINSELL, 1994).
O coeficiente de autocorrelao (rk) representa a correlao da srie temporal com ela
mesma [equao (15)] (MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998).

rk =

(Y

t = k +1

Y )(Yt k Y )

(Y
t =1

(15)

Y )

onde rk o coeficiente de correlao da observao Yt com a observao Yt-k, k a ordem do


coeficiente de correlao, Yt a demanda observada no perodo t e Y a mdia das
observaes da srie temporal.
Autocorrelaes parciais so usadas para mensurar o grau de associao entre Yt e Yt-k
quando os efeitos de observaes de outros perodos so removidos. O coeficiente de
autocorrelao parcial de ordem k (k) pode ser calculado fazendo a regresso da varivel Yt
com as observaes da mesma varivel em perodos passados [equao (16)]. Os coeficientes
de autocorrelao parcial (k) so as estimativas dos coeficientes bk da regresso mltipla
apresentada na equao (16) (MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998).

Yt = b0 + b1Yt 1 + b2Yt 2 + K + bkYt k

(16)

onde bk so os coeficientes da regresso mltipla e os demais termos como definidos na


equao (15).

51

Para sries temporais estacionrias tanto os coeficientes ACF quanto o PACF tendem
a valores prximos de zero; j sries no estacionrias apresentam coeficientes
significativamente diferentes de zero para vrios perodos de tempo (BOX; JENKINS;
REINSELL, 1994).
A aplicao do mtodo B-J exige a remoo de padres no estacionrios da srie
analisada (tendncias, sazonalidades, etc). A srie temporal deve ser transformada para tornla estacionria em relao a sua mdia e varincia. A estacionariedade na mdia obtida
atravs de diferenciao e a estacionariedade na varincia atravs de transformaes
(logartmica

ou

exponencial,

por

exemplo)

(MAKRIDAKIS;

WHEELWRIGHT;

HYNDMAN, 1998).
A tcnica de diferenciao gera uma srie com n-1 valores, onde cada valor da srie
( Yt ) obtido pela equao (17). Se a srie gerada ainda apresentar no estacionariedade
procede-se uma diferenciao de segunda ordem, a qual gerar uma srie ( Yt ) com n-2
valores. Sries obeservadas (situaes reais) geralmente necessitam de at duas diferenciaes
para se tornarem estacionrias (MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998).

Yt = Yt Yt 1

(17)

No caso de sries sazonais apropriada a utilizao de diferenciaes sazonais, que


comparam uma observao com sua correspondente do ciclo sazonal anterior. Se houver
necessidade procede-se uma diferenciao sazonal de segunda ordem para obteno da
estacionariedade da srie (MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998).
Para descrever a diferenciao, pode-se utilizar um operador de substituio B,
definido na equao (18). Uma diferenciao de ordem d apresentada na equao (19)
(BOX; JENKINS; REINSELL, 1994; MAKRIDAKIS; WHEELWRIGHT; HYNDMAN,
1998).

B mYt = Yt m

(18)

Yt d = (1 B) d Yt

(19)

52

onde B o operador de substituio, m o horizonte de previso e d a ordem de


diferenciao.
Uma vez determinada a equao de transformao que homogeiniza a variao dos
dados e a diferenciao necessria para fazer com que os dados tornem-se estacionrios,
identifica-se as ordens apropriadas dos parmetros de MA simples e sazonal (p e P) e de AR
simples e sazonal (q e Q) dos potenciais modelos. Utilizando coeficientes de autocorrelao
(ACF) identificam-se as ordens dos parmetros de AR (p e P) e utilizando a autocorrelao
parcial da srie estacionria (PACF) identificam-se as ordens dos parmetros de MA (q e Q)
(BOX; JENKINS; REINSELL, 1994).
Para modelos hbridos (ARMA e ARIMA) os parmetros das equaes so estimados
atravs de um procedimento de otimizao no linear que minimize a soma dos quadrados dos
erros. O mtodo dos mnimos quadrados geralmente utilizado em softwares que
disponibilizam o mtodo B-J (MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998).
Por ltimo verifica-se se os resduos (demanda atual subtrada dos valores estimados
pelo modelo potencial) so aleatrios, o que indica que o modelo apropriado. Em caso
contrrio, outro modelo deve ser considerado, seus parmetros estimados e os resduos
avaliados quanto a sua aleatoriedade. Analisando o ACF e PACF dos resduos espera-se que
para erros aleatrios nenhum coeficiente de autocorrelao ou autocorrelao parcial seja
significativo

(MAKRIDAKIS;

HIBON,

1997;

MAKRIDAKIS;

WHEELWRIGHT;

HYNDMAN, 1998).
Definido o modelo, o mtodo captura as correlaes histricas entre os dados e as
extrapola para perodos futuros, para a obteno das previses (MAKRIDAKIS; HIBON,
1997; MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998). A seguir so apresentados os
modelos matemticos correspondentes aos termos AR e MA, e os modelos ARMA e ARIMA.

Processos Auto-regressivos

O modelo AR(p) definido pela equao (20), a qual apresenta uma regresso da
varivel dependente em funo de seus valores passados. Esta equao pode ser representada
em termos do operador B [equao (21)] ou na sua forma simplificada [equao (22)] (BOX;
JENKINS; REINSELL, 1994; MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998).

53

Yt = c + 1Yt 1 + 2Yt 2 + K + pYt p + t

(20)

(1 1B 2 B 2 K p B p )Yt = t

(21)

( B)Yt = t

(22)

onde c o termo constante, i o coeficiente de auto-regresso do perodo i, t o erro


aleatrio no perodo t e (B) um polinmio auto-regressivo de ordem p.

Processos de Mdia Mvel

O modelo de mdia mvel MA(q) faz a regresso da varivel Yt com os erros passados
(et-q), conforme apresentado na equao (23) ou (24), que representa a forma polinomial da
equao (23) (BOX; JENKINS; REINSELL, 1994; MAKRIDAKIS; WHEELWRIGHT;
HYNDMAN, 1998).
Y = c 1et 1 2et 2 K q et q + et

(23)

Yt = ( B)et

(24)

onde i o coeficiente de mdia mvel do perodo i e (B) um polinmio de mdia mvel de


ordem q.

Processos ARMA e ARIMA

Os termos de mdia mvel so utilizados na prtica em conjunto com termos de autoregresso e diferenciao. Os processos Auto-regressivos e de Mdia Mvel ARMA(p,q)
combinam as caractersticas de processos AR(p) e MA(q). O modelo pode ser apresentado
como a equao (25) ou na sua forma polinomial, apresentada na equao (26) (BOX;
JENKINS; REINSELL, 1994; MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998).

54

Yt = c + 1Yt 1 + K + pYt p + et 1et 1 K q et q

(25)

( B)Yt = c + ( B)et

(26)

O modelo AR(p) corresponde ao modelo ARMA(p,0) e o modelo MA(q) ao


ARMA(0,q). Qualquer srie estacionria pode ser modelada como um processo ARMA(p,q)
(MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998).
Quando a srie necessita de diferenciao para ser transformada em estacionria,
utiliza-se um modelo ARIMA(p,d,q), o qual apresentado na equao (27) e representa o
modelo geral de B-J no sazonal (BOX; JENKINS; REINSELL, 1994). Os valores
geralmente de p, d e q variam entre 0, 1 e 2 (valores capazes de ajustar os modelos para uma
grande variedade de situaes prticas de previso) (BOX; JENKINS; REINSELL, 1994;
MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998).

( B)(1 B ) d Yt = ( B)et

(27)

Modelos Sazonais

O modelo ARIMA(P,D,Q)S uma verso sazonal da equao (27). Neste modelo o


operador B substitudo pelo operador sazonal Bs [equao (28)] (BOX; JENKINS;
REINSELL, 1994; MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998).

( B s )(1 B s ) D Yt = ( B s )et

(28)

onde ( B s ) um polinmio auto-regressivo sazonal de ordem P e ( B s ) um polinmio de


mdia mvel sazonal de ordem Q.
O modelo geral sazonal ARIMA (p,d,q)(P,D,Q)

representado pela equao (29)

(BOX; JENKINS; REINSELL, 1994; MAKRIDAKIS; WHEELWRIGHT; HYNDMAN,


1998).

55

( B)( B s )(1 B) d (1 B s ) D Yt = ( B)( B s )et

(29)

Na sua forma mais simples este mtodo de previso envolve somente anlise de uma
varivel, isto , a extrapolao de uma dada srie temporal baseada apenas em seu prprio
comportamento histrico. Aplicaes mais sofisticadas utilizam modelos que relacionam o
padro de uma srie temporal estudada com padres de outras sries que afetam a srie
considerada no processo de previso (ARCHER, 1980).

2.3.2 Anlise de Regresso

Os mtodos causais so baseados na anlise estatstica do comportamento histrico de


variveis que so relacionadas varivel de interesse para a previso (ARCHER, 1980). Estes
mtodos podem utilizar tanto dados quantitativos quanto qualitativos como dados de entrada
do processo preditivo, alm de necessitar de inputs subjetivos para selecionar variveis que
afetam a varivel a ser prevista (CHAMBERS; MULLICK; SMITH, 1971; MENTZER;
GOMES, 1989).
Mtodos causais procuram estabelecer uma relao entre a demanda (varivel
dependente) e variveis internas ou externas organizao (variveis independentes) que
afetam a demanda, como, por exemplo, investimento em propaganda, qualidade do
produto/servio, preo, servios oferecidos ao cliente, entre outros. Variveis independentes e
a srie histrica de demanda so analisadas para determinar a intensidade e tipo de
relacionamento entre as variveis. Se uma relao causal intensa encontrada, as variveis
independentes podem ser usadas para prever demandas futuras (MENTZER; GOMES, 1989).
Variveis corporativas e econmicas podem ser usadas no processo de previso
atravs de um mtodo causal como a Anlise de Regresso, o qual oferece uma perspectiva
ampla do ambiente em que est inserida a varivel a ser prevista. A Anlise de Regresso
um dos mtodos de previso mais precisos, mas requer uma grande quantidade de dados. Por
exemplo, um modelo de regresso que utiliza trs variveis causais deve ter no mnimo 20
perodos de dados histricos para ser efetivo (MENTZER; GOMES, 1989).
Nas situaes onde h uma varivel Y para ser prevista, diversas variveis
explanatrias (X1, X2,...,Xk), e o objetivo encontrar uma funo que relacione Y com as
demais variveis, utiliza-se a Regresso Mltipla. Um caso especial da Regresso Mltipla a

56

Regresso Simples, a qual se refere a qualquer regresso de uma varivel Y (varivel


dependente ou a ser prevista) sobre uma varivel X (varivel independente ou explanatria). O
modelo considera uma relao linear entre Y e X dada pela equao (30) (MAKRIDAKIS;
WHEELWRIGHT; HYNDMAN, 1998).

Yi = + X i + ei

(30)

onde o coeficiente linear (ponto que intercepta o eixo y), o coeficiente angular
(declividade da reta) e ei o erro aleatrio no perodo i (desvio da observao em relao ao
modelo linear).
O mtodo da Regresso Mltipla formula uma hiptese que relaciona uma varivel
dependente com diferentes variveis independentes (ARCHER, 1980). Definida a hiptese do
mtodo, o prximo passo obter dados para cada varivel independente, preferivelmente uma
srie temporal para cada varivel. Para o desenvolvimento do modelo de regresso ser
necessrio relacionar uma lista de variveis que influenciam Y. A lista inicial de variveis
independentes baseada (i) na experincia de especialistas, (ii) na disponibilidade dos dados e
(iii) em restries de tempo e custo. Esta lista deve ser filtrada usando procedimentos formais
como regresses de subconjuntos de variveis, anlise de componentes principais de todas as
variveis (incluindo Y) para decidir quais so as variveis importantes, entre outros.
Freqentemente uma combinao de procedimentos utilizada para obter a lista final de
variveis explanatrias (MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998). Se a
influncia das variveis independentes listadas sobre a demanda for confirmada, elas podero
ser usadas para prever valores futuros da demanda ou serem excludas, se contribuem pouco
na previso de demanda (MENTZER; GOMES, 1989).
A forma funcional do modelo de regresso gradualmente desenvolvida em conjunto
com o desenvolvimento da lista de variveis e finalmente os parmetros do modelo so
estimados usando dados coletados para este propsito (MAKRIDAKIS; WHEELWRIGHT;
HYNDMAN, 1998). A forma mais simples do modelo de Regresso Mltipla a forma linear
[equao (31)], onde ei a estimativa do erro no perodo i. (ARCHER, 1980).

Yi = 0 + 1 X 1,i + 2 X 2,i + K + k X k ,i + ei

(31)

57

Os valores dos coeficientes (k) da equao de regresso podem ser estimados


aplicando o mtodo dos mnimos quadrados ordinrios, que busca encontrar os coeficientes
que minimizem a soma dos quadrados dos erros. Outros mtodos podem ser utilizados para
estimar os coeficientes de regresso, como, por exemplo, mxima verossimilhana, mnimos
quadrados ponderados, mnimos quadrados parciais e mnimos quadrados generalizados
(WERNER, 2004). Pacotes computacionais so normalmente usados para obter os
coeficientes no modelo de Regresso Mltipla (MAKRIDAKIS; WHEELWRIGHT;
HYNDMAN, 1998).
Depois de estimar os coeficientes do modelo de regresso para determinar os valores
de Y, testa-se a significncia do modelo de regresso atravs do Teste F. Maiores detalhes so
apresentados em Makridakis, Wheelwright e Hyndman (1998).
A utilizao do mtodo de Anlise de Regresso Mltipla para prever demanda futura
assume que os valores dos parmetros do modelo matemtico de anlise de regresso
permanecem constantes com o tempo, considerao que mais apropriada para previses de
curto e mdio prazo (ARCHER, 1980).
Para obter uma previso com o modelo de Regresso Mltipla um conjunto de valores
futuros das variveis explanatrias deve ser determinado ( X k ,i ). Estes valores so utilizados na
equao de regresso e um valor Y0 obtido [equao (32)]. A equao (32) baseada na
considerao que as variveis explanatrias so medidas sem erros. Quando previses de Y
so feitas, elas dependem dos valores futuros de variveis explanatrias, ( X 1 , X 2 ,K X k ),
sendo

importante

obter

previses

precisas

destas

variveis

(MAKRIDAKIS;

WHEELWRIGHT; HYNDMAN, 1998).

Y0 = b0 + b1 X 1,i + b2 X 2,i + K + bk X k ,i

(32)

onde bk a estimativa do coeficiente de regresso.


Em vrias situaes, pode no parecer razovel considerar que as variveis
independentes estejam relacionadas linearmente com a varivel dependente. Uma forma mais
comum do modelo de Regresso Mltipla a multiplicativa [equao (33)]. Em alguns casos

58

possvel apresentar a relao entre variveis em uma forma linear logartmica (ARCHER,
1980).

Yi = b0 X 1 1 X 2 2 K X k k ei

(33)

Quanto maior o nmero de previses necessrias no processo preditivo, menos


controlvel torna-se o mtodo de Anlise de Regresso. A demanda por grandes quantidades
de resultados faz com que o mtodo fique lento na resposta a mudanas de padro de
demanda ou mudanas nas relaes entre as variveis (MENTZER; GOMES, 1989).
Entendendo as vantagens e desvantagens do mtodo de Anlise de Regresso pode-se
direcionar melhor sua aplicao a situaes em que o mtodo mais til: (i) previses em
nvel corporativo; (ii) previses de mdio e longo prazo; e (iii) para situaes nas quais
grandes quantidades de informaes sobre variveis causais esto disponveis (MENTZER;
GOMES, 1989; MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998).

2.4 MEDIDAS DE ACURCIA

Medidas de acurcia so utilizadas para identificar a preciso de um mtodo de


previso ou como critrio de seleo de mtodos de previso. As medidas de acurcia ajudam
na flexibilidade do sistema produtivo em gerar evidncias para o sistema de previso
responder rapidamente a mudanas de padres de demanda e de mercado (KAHN, 1998).
As diferentes medidas de acurcia apresentadas na literatura de previso de demanda
geralmente esto sob a forma de percentuais de erro absoluto ou erros quadrados (THOMAS,
1996). Os erros dos mtodos so obtidos analisando medidas de tendncia central (medianas,
mdias aritmticas e mdias geomtricas) (ARMSTRONG; COLLOPY, 1992). Algumas das
medidas de acurcia mais utilizadas nos processos preditivos so apresentadas na Tabela 1,
onde Yi o valor de demanda atual no perodo i, i a previso de demanda no perodo i, A
o mtodo de previso A, B o mtodo de previso B (geralmente o mtodo de Naive, onde a
previso do perodo i igual ao valor de demanda do perodo i-1) e n o nmero de perodos
considerados para o clculo da medida de acurcia.

59
Tabela 1: Medidas de acurcia (Fonte: RINGUEST; TANG, 1987; ARMSTRONG; COLLOPY, 1992; ELSAYED; BOUCHER; 1994;
SANDERS; RITZMAN, 1995; POLLOCK et al., 1999; RASMUSSEN, 2004; SYNTETOS; BOYLAN, 2005)
SIGLA

SIGNIFICADO

ME

Mean error
Erro mdio

MAE

Mean absolute error


Erro absoluto mdio

MPE

Mean percentual error


Erro percentual mdio

EQUAO
ME =

1 n
Yi Yi
n i =1

1 n
MAE = Yi Yi
n i =1

1 n
MPE = [(Yt Yt ) / Yt ]
n i =1

SIGLA

SIGNIFICADO

EQUAO

MSE

Mean squared error


Erro quadrtico mdio

RMSE

Root mean squared error


Raiz do erro quadrtico mdio

2
1 n
RMSE = (Yi Yi ) 2

n i =1

GRMSE

Geometric root mean squared


error
Raiz da mdia geomtrica do
erro quadrtico

2n
n
GRMSE = (Yi Yi ) 2

i =1

1 n
(Yi Yi ) 2

n i =1

MSE =

APE

MAPE

MdAPE

MdRAE

Absolute percentual error


Erro percentual absoluto
Mean absolute percentual
error
Mdia dos erros
percentuais absolutos
Median absolute percentual
error
Mediana dos erros
percentuais absolutos
Median relative absolute
error
Mediana dos erros relativos
absolutos

Y Yi
APE = i
Yi

MAPE =

1 n Yt Yi

n i =1 Yi

--------------------------

--------------------------

RGRMSE

RAE

Relative geometric root mean


squared error
Raiz da mdia geomtrica
relativa do erro quadrtico
Relative absolute error
Erro absoluto relativo

MRAE

Mean relative absolute error


Mdia do erro absoluto
relativo

GMRAE

Geometric mean relative


absolute error
Mdia geomtrica dos erros
absolutos relativos

n
2n
(Yi Yi , A ) 2

RGRMSE = I =1
1

n
2n
(Yi Yi , B ) 2
I =1

RAE =

Yi Yi , A
Y Y
i

MRAE =

i, B

1 n Yi Yi , A

n i =1 Yi Yi , B

n Yi Yi , A
GMRAE =
i =1 Yi Yi , B

2n

59

60

A escolha de uma medida de erro varia de acordo com a situao de uso (seleo de
mtodos ou calibrao de um dado modelo) e do nmero de sries temporais analisadas. A
utilizao de diferentes medidas de acurcia uma alternativa para compensar os defeitos das
diferentes medidas (ARMSTRONG; COLLOPY, 1992). Elsayed e Boucher (1994) sugerem o
uso do MAE para clculos de acurcia. Carbone e Armstrong (1982) sugerem que o MSE a
medida de acurcia de previso preferida nos estudos empricos, mas esta medida no
recomendada para comparaes entre diferentes sries, pois depende da escala dos dados.
O MAPE a medida mais utilizada nos estudos empricos com comparao de
mtodos, pois menos afetada por valores extremos do que as medidas quadradas, utiliza
percentuais do erro e no depende da unidade dos dados (controle de escala) (BOPP, 1985;
LAWRENCE;

EDMUNDSON;

OCONNOR,

1986;

RINGUEST;

TANG,

1987;

ARMSTRONG; COLLOPY, 1992; KAHN, 1998).


O RMSE tem sido amplamente usado para comparaes de mtodos (CARBONE;
ARMSTRONG, 1982; BOPP, 1985). Armstrong e Collopy (1992) sugerem o MdRAE quando
analisa-se poucas sries temporais, o MdAPE quando muitas sries so analisadas e
desaconselham o uso de RMSE para a comparao de sries (dependente da escala). A
utilizao do MdRAE limitada por problemas de interpretao da medida pelos tomadores
de deciso.
O nvel de acurcia requerido no resultado da previso talvez o mais importante prrequisito para avaliao de mtodos de previso, pois o custo de melhorar a acurcia de uma
previso pode exceder os benefcios gerados pelo mtodo. No caso do gerenciamento da
produo, estes benefcios podem ser traduzidos em melhorias nos servios a clientes e uso
mais efetivo dos recursos (MENTZER; GOMES, 1989).

2.5 INTEGRAO DE MTODOS QUALITATIVOS E QUANTITATIVOS

A acurcia e os erros inerentes s previses individuais so afetados por (ASHTON;


ASHTON, 1985; BLATTBERG; HOCH, 1990; MAKRIDAKIS; WHEELWRIGHT;
HYNDMAN, 1998): (i) erros na mensurao de dados; (ii) erros aleatrios da previso; (iii)
padres de demanda irregulares; e (iv) escolha de modelos que minimizam erros de ajuste
srie histrica, mas geram grandes erros em perodos futuros.

61

A resoluo de problemas de previso, como, por exemplo, a irregularidade do padro


de demanda de uma srie temporal, facilitada pela utilizao de diferentes mtodos e
obteno de diferentes resultados de previso (JICK, 1979), agregando ao processo preditivo
diferentes estimativas de uma mesma varivel (ASHTON; ASHTON, 1985).
Se dois mtodos diferentes de previso de demanda so utilizados e geram previses
similares, o tomador de deciso estar tranqilo com relao ao valor previsto a ser utilizado.
Se, entretanto, dois resultados muito diferentes so obtidos, pode-se (i) rejeitar as estimativas
e fazer novas previses, (ii) aceitar as duas estimativas como limites inferior e superior de um
intervalo de previso, (iii) selecionar somente uma das estimativas, ou (iv) tentar integrar os
mtodos para chegar a uma previso nica (THOMAS, 1987).
A integrao de mtodos de previso freqentemente utilizada no intuito de
melhorar a acurcia da previso (CHEN; KUNG, 1984; BOPP, 1985). A integrao de
mtodos baseia-se em duas decises (MACKAY; METCALFE, 2002): (i) a escolha dos
mtodos de previso que sero integrados (mtodos quantitativos, qualitativos ou ambos); e
(ii) a seleo do mtodo de integrao (integrao subjetiva ou matemtica).
Diversos estudos apresentam evidncias de que a integrao, de mtodos qualitativos e
quantitativos em especial, a melhor abordagem para a obteno de previses mais acuradas
(RINGUEST; TANG, 1987; CLEMEN, 1989; BLATTBERG; HOCH, 1990; COLLOPY;
ARMSTRONG, 1992b) pela incorporao do conhecimento contextual nos processos
matemticos de previso (WRIGHT; LAWRENCE; COLLOPY, 1996). O sucesso no
desenvolvimento de sistemas de suporte a tomada de decises nas organizaes tem
produzido ambientes nos quais modelos matemticos e inferncias subjetivas podem ser
facilmente integrados (WRIGHT; LAWRENCE; COLLOPY, 1996).
Anlises subjetivas devem ser integradas ao processo preditivo quando importante
evitar grandes erros nas previses e em situaes dinmicas, onde os mtodos quantitativos
no conseguem agregar aos modelos matemticos mudanas internas e externas ao ambiente
organizacional. Ou seja, para situaes novas, para sistemas com dados heterogneos, para
previses de longo prazo e para situaes em que h dvida sobre qual mtodo mais preciso
(GOODWIN, 2000a; ARMSTRONG, 2001b). Por exemplo, para situaes em que as sries
temporais tm descontinuidades causadas por eventos especiais, a utilizao de mtodos
estatsticos trata as descontinuidades da srie como rudo. A previso subjetiva pode
reconhecer estes eventos na srie histrica e antecipar novos eventos futuros (REINMUTH;

62

GUERTS apud BUNN; WRIGHT, 1991; GOODWIN, 2000a). A utilizao de mtodos


puramente quantitativos demandaria um processo de remoo do efeito do evento especial, o
que torna o processo preditivo de alto custo se muitas previses so necessrias no curto prazo
(GOODWIN, 2002).
As previses obtidas por mtodos qualitativos podem ser baseadas em conhecimento
contextual (experincia do especialista na indstria; familiaridade com os produtos/servios a
serem previstos; conhecimento do mercado) e/ou conhecimento tcnico (conhecimento de
mtodos de previso e anlise de dados) (WEBBY; OCONNOR, 1996). Previses mais
acuradas so obtidas pela integrao de mtodos quantitativos com previses qualitativas
baseadas em conhecimento contextual do que as baseadas em conhecimento tcnico
(SANDERS; RITZMAN, 1995).
O benefcio obtido com a previso qualitativa baseada no conhecimento contextual
depende da variabilidade inerente na srie temporal analisada, pois quanto maior a
variabilidade devido a eventos especiais maior a necessidade de inferncias subjetivas no
processo preditivo, e quanto menor a variabilidade menor nfase dada na inferncia
subjetiva baseada no conhecimento contextual. Para sries com padro de demanda estvel,
por exemplo, a melhor escolha seria a integrao de previses estatsticas, pois a agregao da
previso qualitativa no resultaria em uma contribuio significativa na acurcia da previso
(SANDERS; RITZMAN, 1995). Segundo Bunn e Wright (1991), deve-se integrar mtodos
baseados em diferentes consideraes e dados, e evitar mtodos com correlao positiva entre
os erros de previso.
A vantagem da integrao de mtodos quantitativos com qualitativos a incorporao
do domnio de conhecimento (conhecimento sobre a natureza e comportamento das variveis
de interesse) no processo preditivo. O domnio de conhecimento resultado da interpretao
da informao contextual pelo especialista em previso com um entendimento dos efeitos
tpicos dos fatores contextuais no domnio de previso. A qualidade do domnio de
conhecimento depende da habilidade do especialista em captar o significado apropriado da
informao contextual. Especialistas com domnio de conhecimento entendem quais
informaes so importantes para o processo preditivo. A informao contextual pode ser
obtida de sries temporais, de fontes de informaes pblicas e/ou de fontes internas da
organizao (WEBBY; OCONNOR, 2001).

63

A utilizao de mtodos estruturados de integrao minimiza a ocorrncia de


resultados tendenciosos e facilita a agregao de muita informao contextual previso de
demanda (WEBBY; OCONNOR; EDMUNDSON, 2004). A integrao dos mtodos de
previso pode se dar de quatro maneiras no mutuamente exclusivas, ou seja, podendo haver
integrao entre elas (WEBBY; OCONNOR, 1996): (i) Ajuste subjetivo; (ii) Decomposio
de sries temporais; (iii) Combinao de previses; e (iv) Desenvolvimento de um modelo de
previso. A escolha do melhor mtodo de integrao depender das condies especficas
aplicadas a uma determinada situao (GOODWIN, 2002).

2.5.1 Ajuste Subjetivo

Sob certas condies um ajuste subjetivo estruturado pode conduzir a previses mais
acuradas do que as previses obtidas somente com mtodos quantitativos. O ajuste agrega
informao contextual na previso, informao que o modelo matemtico geralmente no
considera ou que a srie temporal no inclui (WEBBY; OCONNOR, 1996).
O ajuste subjetivo analisa a estimativa quantitativa ajustando-a atravs da anlise de
fatores contextuais (passados e futuros) para produzir a previso final (Figura 5).

Srie temporal
Variveis causais

Fatores contextuais

DADOS DE ENTRADA

Mtodo Quantitativo

Previso Quantitativa

Ajuste da previso

INTEGRAO

Previso

PREVISO FINAL

Figura 5: Ajuste subjetivo de previses (Fonte: WEBBY; OCONNOR, 1996)

Esta alternativa de integrao geralmente a mais fcil de implementar e a que


apresenta o melhor custo/benefcio. Entretanto, o ajuste subjetivo pode introduzir informaes
tendenciosas na previso se o especialista no traduzir corretamente os fatores contextuais
para o processo preditivo (WEBBY; OCONNOR, 1996).

64

A eficincia do ajuste depende da acurcia da previso quantitativa. Se as previses


quantitativas no so precisas, no se pode associar informao contextual previso e
utiliza-se conhecimento tcnico para o ajuste da previso (WEBBY; OCONNOR, 1996). Um
mtodo estruturado de ajuste diminui a limitao do especialista em considerar uma grande
quantidade de informao (SANDERS; RITZMAN, 2001). O ajuste pode ocorrer, por
exemplo, atravs de um mtodo como o Processo Hierrquico Analtico, AHP (Analytic
Hierarchy Process) (FLORES; OLSON, 1992), ou atravs de um mtodo mais simples como
o proposto por Lim e OConnor (1996), onde o especialista faz uma previso puramente
subjetiva e depois analisa a previso quantitativa para revisar a estimativa inicial.
Descrever as razes para os ajustes de previses quantitativas e registrar a acurcia das
previses ajustadas melhoram a preciso das previses, pois foram uma sistemtica de
explorao de fatores pertinentes que influenciam as previses (GOODWIN, 2000a;
SANDERS; RITZMAN, 2001). A acurcia maior quando o ajuste qualitativo agrega
informao que o mtodo quantitativo no captura, como futuras irregularidades na demanda
e mudanas de padres na demanda futura (SANDERS; RITZMAN, 2001).
Deve-se usar ajuste subjetivo de previses estatsticas (WRIGHT; LAWRENCE;
COLLOPY, 1996; SANDERS; RITZMAN, 2001): (i) quando existe um grande conhecimento
sobre as variveis a serem preditas e sobre mudanas que afetaro estas variveis; (ii) em
situaes com alto grau de incerteza; e (iii) quando informaes contextuais invalidam a
suposio de constncia dos padres de demanda passados.

2.5.2 Decomposio de sries temporais

Alguns mtodos de previso baseiam-se na premissa de que quando existe um padro


na srie temporal analisada, este padro pode ser decomposto em seus componentes para
ajudar no entendimento do comportamento da srie. Os componentes do padro de demanda
podem ser utilizados para projetar valores futuros usados como previses (WEBBY;
OCONNOR, 1996).
A decomposio de sries temporais em seus componentes indicada para situaes
em que (i) as sries temporais so afetadas por fatores causais que tem efeitos conflitantes
sobre o comportamento da srie, (ii) a incerteza grande, (iii) o domnio de conhecimento
pode ser utilizado na decomposio das sries e (iv) pode-se obter previses mais acuradas

65

para os componentes do que para a srie temporal (ARMSTRONG, 2001d; MacGREGOR,


2001; ARMSTRONG; COLLOPY; YOKUM, 2005).
Os fatores causais podem ser classificados em (ARMSTRONG; COLLOPY;
YOKUM, 2005): (i) fatores que favorecem o crescimento da demanda; (ii) fatores que
favorecem o decaimento da demanda; (iii) fatores que reforam a tendncia histrica de
demanda; (iv) fatores que influenciam a tendncia da srie para uma direo oposta a
tendncia histrica; (v) fatores que fazem a srie mover-se em torno de um valor mdio; e (vi)
fatores causais desconhecidos.
Os mtodos de decomposio identificam dois componentes que caracterizam as
sries temporais: a tendncia-ciclo e o fator sazonal. A tendncia-ciclo representa mudanas
de longo prazo no nvel da srie. Algumas vezes a tendncia-ciclo separada em um
componente de tendncia e outro de ciclo, mas a maioria dos procedimentos de decomposio
utiliza o componente de tendncia-ciclo (MAKRIDAKIS; WHEELWRIGHT; HYNDMAN,
1998; BALLOU, 2001).
Este mtodo de integrao concentra-se na previso de um elemento de cada vez, no
intuito de reduzir a complexidade do processo preditivo (GOODWIN; WRIGHT, 1994).
Atravs da decomposio, tenta-se remover os efeitos dos fatores contextuais passados da
srie temporal e gerar a previso quantitativa ajustando esta com fatores contextuais futuros.
O mtodo oferece um processo estruturado para a adio da informao contextual (WEBBY;
OCONNOR, 1996).
A decomposio um processo em trs etapas, sendo que mtodos quantitativos e
qualitativos podem operar em qualquer das etapas. Inicialmente, identifica-se os componentes
da srie histrica pela decomposio. Previses so ento obtidas a partir das sries
decompostas e o especialista pode fazer ajustes dos componentes. Para finalizar o mtodo
combinam-se os componentes ajustados para gerar previses finais (Figura 6) (BUNN;
WRIGHT, 1991; GOODWIN; WRIGHT, 1994; WEBBY; OCONNOR, 1996).
Os mtodos de decomposio assumem a presena de um padro e de um elemento de
erro ou aleatoriedade na srie temporal (MAKRIDAKIS; WHEELWRIGHT; HYNDMAN,
1998). H vrios modelos matemticos de decomposio de sries temporais, todos buscando
um isolamento mais acurado de cada componente da srie. A representao matemtica dos
modelos depende do mtodo de decomposio usado: aditivo ou multiplicativo
(ARMSTRONG; COLLOPY; YOKUM, 2005).

66

Combinao das previses


dos componentes e insero
de informao contextual futura

Fatores contextuais

Previso

Previso dos
componentes

Srie temporal
Variveis causais

DADOS DE ENTRADA

Decomposio da srie
e remoo de efeitos de fatores
contextuais passados

Srie temporal decomposta


Variveis causais

INTEGRAO

PREVISO FINAL

Figura 6: Decomposio de sries temporais (Fonte: WEBBY; OCONNOR, 1996)

A forma mais comum a aditiva, onde os componentes sazonais, tendncia-ciclo e


irregular so simplesmente adicionados [equao (34)] (MAKRIDAKIS; WHEELWRIGHT;
HYNDMAN, 1998).

Yt = S t + Tt + E t

(34)

onde Yt o valor pontual da srie temporal no perodo t, St o componente sazonal no perodo


t, Tt o componente tendncia-ciclo no perodo t e Et o componente irregular (erro) no
perodo t.
O modelo aditivo apropriado se a magnitude das flutuaes sazonais no varia com o
nvel das sries. O primeiro passo para utilizar um modelo aditivo obter o componente
tendncia-ciclo usando mdia mvel. O passo seguinte determinar os componentes sazonais.
Assumindo que o componente sazonal constante de ano para ano, calcula-se um valor para
cada perodo do ciclo sazonal. Por exemplo, para ciclo sazonal anual, faz-se uma mdia dos
valores de determinado ms nos anos apresentados na srie temporal. Por ltimo obtm-se o
termo irregular subtraindo a estimativa de sazonalidade e tendncia-ciclo dos dados originais
da srie (MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998).
Se as flutuaes sazonais aumentam e/ou diminuem proporcionalmente variao do
nvel das sries, usado o modelo multiplicativo, apresentado na equao (35)
(MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998).

67

Yt = S t Tt E t

(35)

Os passos para utilizar o modelo multiplicativo so similares aos do modelo aditivo. O


primeiro passo obter o componente tendncia-ciclo usando mdia mvel como no modelo
aditivo. O passo seguinte determinar os componentes sazonais, da mesma maneira que no
modelo aditivo. Por ltimo obtm-se o termo irregular dividindo os dados originais da srie
pelas estimativas de sazonalidade e tendncia-ciclo (MAKRIDAKIS; WHEELWRIGHT;
HYNDMAN, 1998).
Para os casos onde o componente sazonal no estvel e muda com o tempo, uma
mdia mvel usada para determin-lo, permitindo assim mudanas sazonais no tempo.
Transformaes nos modelos tambm podem ser utilizadas, como, por exemplo, a
transformao de um modelo multiplicativo em um aditivo. Maiores detalhes deste mtodo de
integrao e de um modelo de decomposio pseudo-aditivo podem ser obtidos em
Makridakis, Wheelwright e Hyndman (1998).
Do ponto de vista estatstico h falhas nos modelos de decomposio; apesar disto,
estes mtodos tm sido usados com considervel sucesso. A decomposio uma ferramenta
til para ser aplicada em um passo anterior seleo e aplicao de um mtodo de previso,
para entendimento das sries temporais (MAKRIDAKIS; WHEELWRIGHT; HYNDMAN,
1998). O mtodo de decomposio sugere possveis causas de variao e ajuda a identificar a
estrutura das sries temporais, conduzindo a um melhor entendimento de problemas e
facilitando a obteno de previses mais acuradas. Na utilizao do mtodo de decomposio
como mtodo de previso corre-se o risco de inflar o erro da previso integrada, devido a
erros das previses dos componentes (ARMSTRONG; COLLOPY; YOKUM, 2005).

2.5.3 Combinao de Previses

A motivao para a combinao de previses o aumento da acurcia das previses


pela agregao de informaes independentes ao processo preditivo, as quais suavizam os
erros inerentes a cada previso individual (ASHTON; ASHTON, 1985; FLORES; WHITE,
1988; WINKLER, 1989). Muitas pesquisas apresentam melhorias na acurcia das previses e

68

diminuio da variabilidade da acurcia com a utilizao de combinao de previses no lugar


de previses individuais (MAKRIDAKIS; WINKLER, 1983; LAWRENCE; EDMUNDSON;
OCONNOR, 1986; GEORGOFF; MURDICK, 1986; CLEMEN, 1989; BLATTBERG;
HOCH, 1990; HIBON; EVGENIOU, 2005).
No processo de combinao pode-se utilizar diferentes dados histricos, diferentes
tcnicas de coleta e interpretao de dados e/ou mtodos diferentes (JICK, 1979;
ARMSTRONG, 2001b). Quanto mais os dados e os mtodos diferirem e no houver uma alta
correlao entre as previses, maior a melhoria esperada na preciso da combinao das
previses individuais (SANDERS, 1997b; ARMSTRONG, 2001b). A utilizao de
combinaes tambm minimiza o risco da previso em relao seleo de um mtodo de
previso individual. Quando h dificuldade em selecionar o melhor mtodo de previso para
determinada situao, selecionar uma combinao de previses gera uma previso, em mdia,
com melhor acurcia que a de um mtodo individual (BATES; GRANGER, 1969;
GEORGOFF; MURDICK, 1986; HIBON; EVGENIOU, 2005). Entretanto, este mtodo pode
resultar em perda de preciso quando a varivel a ser prevista instvel (WEBBY;
OCONNOR, 1996).
A combinao de previses depende de trs fatores: (i) o mtodo de combinao; (ii) a
natureza das previses constituintes; e (iii) o nmero de previses combinadas (GOODWIN;
WRIGHT, 1994). A Figura 7 apresenta um esquema de combinao de mtodos quantitativos
e qualitativos.
Combinao de previses oriundas de diferentes tcnicas podem ser obtidas de duas
maneiras: (i) subjetivamente por um especialista ou grupo de especialistas; e (ii) por mtodos
quantitativos, que utilizam algum tipo de modelo estatstico (THOMAS, 1987; WINKLER,
1989; GOODWIN; WRIGHT, 1993; SANDERS; 1997b).
A robustez da estratgia de combinao tem encorajado muitos pesquisadores a
considerar previses combinadas subjetivamente (WRIGHT; LAWRENCE; COLLOPY,
1996). A combinao qualitativa se caracteriza pelo controle do especialista ou de um grupo
de especialistas sobre a previso final, ou seja, sobre a determinao dos pesos das previses
quantitativas e qualitativas durante o processo de combinao das previses individuais,
podendo ser tendencioso e dando menor nfase a previses quantitativas ou ignorando-as
(GOODWIN; WRIGHT, 1994; GOODWIN, 2000a; GOODWIN, 2000b).

69

Fatores Contextuais

Mtodo Qualitativo

Previso Qualitativa

Combinao de
previses

Srie temporal
Variveis causais
DADOS DE ENTRADA

Mtodo Quantitativo

Previso

Previso Quantitativa

INTEGRAO

PREVISO FINAL

Figura 7: Combinao de mtodos quantitativos e qualitativos (Fonte: WEBBY;


OCONNOR, 1996)

A combinao quantitativa caracterizada pela previso final obtida por uma


previso independente atravs de mtodo estatstico combinado com uma previso obtida por
um mtodo qualitativo. Estudos de Lawrence, Edmundson e OConnor (1986) indicam que a
combinao quantitativa obtm resultados mais precisos que a combinao subjetiva.
O modelo mais simples de combinao quantitativa a mdia aritmtica de
estimativas produzidas por cada mtodo (ASHTON; ASHTON, 1985; HIBON; EVGENIOU,
2005). O clculo de mdias assegura que a previso combinada vai ser sempre melhor que a
pior previso (THOMAS, 1996). Quando uma previso muito mais precisa que a outra, a
combinao vai gerar uma previso com acurcia inferior da melhor previso (WEBBY;
OCONNOR, 1996). A mdia aritmtica um ponto de partida para a combinao de
previses e particularmente apropriada quando as sries histricas tm alta incerteza e
instabilidade (FLORES; WHITE, 1988; WINKLER, 1989; ARMSTRONG; COLLOPY apud
GOODWIN, 2000b; ARMSTRONG, 2001e).
Estudos de Makridakis e Winkler (1983) e Ringuest e Tang (1987) recomendam a
combinao de previses atravs de mdia aritmtica, exceto nos casos onde h forte
evidncia indicando que um mtodo de previso em particular melhor que outros para uma
dada situao. Estes estudos indicam que mdias aritmticas obtm previses mais precisas
do que mdias ponderadas.

70

A mdia aritmtica oferece o benefcio da simplicidade operacional, mas no


incorpora a acurcia relativa de cada previso individual, a qual pode ser incorporada na
previso combinada atravs de mdia ponderada (ASHTON; ASHTON, 1985). Os ganhos de
acurcia obtidos com a utilizao de mdias ponderadas em comparao com mdias
aritmticas so muito pequenos segundo estudos de Ashton e Ashton (1985), indicando a
mdia aritmtica como uma soluo adequada para combinao de previses.
Na determinao de pesos diferentes para as previses individuais deve-se minimizar
os erros da previso combinada (DEUTSH; GRANGER; TERSVIRTA, 1994). A
otimizao matemtica dos pesos para mdias ponderadas requer previses individuais no
tendenciosas, padro estacionrio dos erros das previses e dados histricos suficientes para
estimar pesos timos confiveis, o que no ocorre geralmente nas situaes reais (BATES;
GRANGER, 1969; FLORES; WHITE, 1988; GOODWIN, 2002).
H vrias abordagens alternativas. Uma delas define os pesos das previses em funo
da comparao dos erros das previses individuais em um determinado intervalo de tempo
(BUNN apud MILLER; CLEMEN; WINKLER, 1992). O valor de ki na equao (36)
corresponde ao percentual de perodos de um intervalo analisado em que a previso do
mtodo i apresenta o menor erro de previso.

fc = ki fi

(36)

i =1

Na definio do nmero de previses a serem agregadas deve-se sempre considerar o


trade-off entre o aumento da acurcia e os custos associados obteno das previses
individuais (ASHTON; ASHTON, 1985). Os ganhos com o aumento do nmero de previses
na combinao diminui na medida em que a correlao entre as previses individuais aumenta
e pouca informao nova adicionada a previso combinada (GOODWIN; WRIGHT, 1994).
Armstrong (2001f) sugere uma combinao de pelo menos cinco mtodos, sendo que a taxa
de melhoria de acurcia diminui com a adio de mais mtodos na combinao. Flores e
White (1988) sugerem a combinao de duas a quatro previses para a obteno de maiores
ganhos no processo de previso.

71

2.5.4 Desenvolvimento de Modelos de Previso

O desenvolvimento de muitos modelos de previso de demanda exige a incorporao


de informaes subjetivas na seleo de variveis, na estimativa de parmetros, na anlise de
dados e na seleo de modelos de previso (BUNN; WRIGHT, 1991; GOODWIN, 2002). De
preferncia deve-se incorporar as inferncias subjetivas como entradas do modelo de previso
ao invs de ajustar o resultado final do processo preditivo (GEORGOFF; MURDICK, 1986).
A Figura 8 apresenta um fluxograma de desenvolvimento de um modelo de previso que
integra mtodos quantitativos e qualitativos.

Fatores
Contextuais

Srie temporal
Variveis causais
DADOS DE ENTRADA

Seleo de variveis
Especificao da estrutura do modelo
Ajuste de parmetros

Modelo
INTEGRAO

Previso
PREVISO FINAL

Figura 8: Desenvolvimento de um modelo de previso que integra mtodos quantitativos e


qualitativos (Fonte: WEBBY; OCONNOR, 1996)

Muitos mtodos automatizam a seleo de modelos e a estimativa de parmetros,


como, por exemplo, Modelos Economtricos ou o Bootstrapping Subjetivo, mas a seleo de
variveis um processo puramente subjetivo (WEBBY; OCONNOR, 1996).
Um modelo estatstico pode ser desenvolvido, utilizando, respectivamente, sries
temporais ajustadas ou variveis causais para obter a previso. A informao contextual pode
ser incorporada ao modelo de duas maneiras: (i) quantificando a informao subjetiva em um
modelo matemtico; e/ou (ii) identificando os eventos especiais e agregando a informao no
processo de desenvolvimento do modelo e nas estimativas dos parmetros do modelo
(WEBBY; OCONNOR, 1996).
Armstrong e Brodie (1999) relacionaram diferentes mtodos de previso, indicando o
nvel de integrao entre mtodos quantitativos e qualitativos (Figura 9). Os mtodos de
Analogia, Anlise Conjunta, Bootstrapping Subjetivo, Previso baseada em regras, Modelos

72

Economtricos e Sistemas Especialistas utilizam modelos de previso desenvolvidos a partir


da integrao de anlises estatsticas e anlises subjetivas (ARMSTRONG; BRODIE, 1999).

Fonte de conhecimento
subjetiva
prpria

estatstica
varivel nica

outros

multivariveis

Aumento da integrao dos


mtodos quantitativos e qualitativos

baseado em dados

Jogo de
representao

Intenes

Opinio de
Especialistas

Modelos de
extrapolao

baseado em teoria

Modelos
de regresso

Analogia
Anlise
Conjunta

Bootstrapping
Subjetivo

Previso baseada
em regras

Sistema
Especialista

Modelos
economtricos

Figura 9: Integrao entre mtodos de previso (linhas pontilhadas indicam possveis


relaes) (Adaptado de ARMSTRONG; BRODIE, 1999)

O mtodo de previses por Analogia extrapola resultados de situaes anlogas para


predizer uma situao de interesse (ARMSTRONG; BRODIE, 1999). Na utilizao deste
mtodo tenta-se identificar um produto similar, cujo padro de penetrao no mercado seja
similar ao do novo produto analisado (CHAMBERS; MULLICK; SMITH, 1971). Para evitar
o vis no julgamento por parte dos especialistas do processo de previso (HOGARTH;
MAKRIDAKIS, 1981), necessita-se de um mtodo estruturado para comparao anloga
(SOUDER; THOMAS, 1994).
O mtodo operacionalizado atravs da anlise de caractersticas em comum entre o
produto de interesse e o produto similar (ou conjunto de produtos similares), como, por
exemplo: funcionalidades dos produtos, classe de consumidores, estrutura do mercado
(potencial de mercado, demanda histrica; concorrentes; etc), condies econmicas,
estratgias de marketing (produto; preo; promoes; lanamento; distribuio; etc) e nvel
(complexidade) de inovao (THOMAS, 1985; SOUDER; THOMAS, 1994). Uma vez
definidas as caractersticas similares, obtm-se, baseado no comportamento passado destas
caractersticas nos produtos similares, estimativas de demanda para o novo produto. A anlise
de dados utiliza mtodos de Extrapolao de sries temporais integrados com mtodos

73

baseados em Opinies de Especialistas (ARMSTRONG; BRODIE, 1999). Analogias so


usadas no curto prazo para previses de eventos especiais ou aes competitivas baseadas em
exemplos passados similares. Em mdio prazo so usadas para estimar a extenso e
profundidade de efeitos de determinados eventos, como por exemplo, recesses econmicas.
O mtodo utilizado no longo prazo para predizer a demanda de novos produtos baseados em
demanda passada de itens similares (MAKRIDAKIS, 1996).
O mtodo de Anlise Conjunta utilizado para quantificar as preferncias dos
consumidores para diferentes alternativas e variados atributos de produtos. Baseia-se em
pesquisa para obter dados de entrada para sistemas de previso de demanda de novos
produtos. A pesquisa conduz os entrevistados a fazerem trade-offs entre consideraes
conflitantes (benefcios, caractersticas e preo de um produto, por exemplo), sendo que o
objetivo quantificar esses trade-offs informados pelos consumidores (WITTINK;
BERGESTEUN, 2001).
Os passos para aplicao do mtodo de Anlise Conjunta so (WITTINK;
BERGESTEUN, 2001): (i) seleo de uma categoria de produtos; (ii) identificao de um
mercado alvo (tipos de consumidores); (iii) seleo e definio de atributos (caractersticas
que definem o produto); (iv) seleo do intervalo de variao dos atributos; (v) descrio dos
mtodos de coleta de dados; (vi) desenvolvimento de instrumentos de pesquisa; (vii)
determinao do tamanho da amostra representativa do mercado alvo e coleta de dados; e
(viii) anlise dos dados. Para relacionar as intenes dos consumidores com vrios fatores
relacionados ao produto em questo o mtodo utiliza um modelo de Regresso Mltipla
designado por funo de preferncia (ARMSTRONG; BRODIE, 1999).
O Bootstrapping Subjetivo envolve o desenvolvimento de um mtodo quantitativo que
reproduza um mtodo qualitativo de previso de situaes reais ou simuladas. O mtodo
sistematiza as regras da previso subjetiva traduzindo as previses dos especialistas em um
modelo quantitativo atravs da regresso da previso subjetiva sobre as informaes utilizadas
no processo de previso (BLATTBERG; HOCH, 1990; BUNN; WRIGHT, 1991;
ARMSTRONG, 2001a). Um especialista ou um grupo faz a previso de um conjunto de
problemas relacionados a um produto. Essa previso em conjunto com as regras utilizadas
pelos especialistas no processo preditivo so dados de entrada para o desenvolvimento de um
modelo de previso atravs de Anlise de Regresso (ARMSTRONG, 1983). As previses
dos especialistas so utilizadas como variveis dependentes e as informaes que os

74

especialistas utilizaram para gerar a previso so variveis independentes do modelo de


regresso (ARMSTRONG, 2001g; GOODWIN, 2002).
As regras utilizadas pelo especialista na previso podem ser especificadas pelo prprio
especialista ou podem ser inferidas aps uma anlise estatstica da previso subjetiva e dos
dados utilizados pelo especialista (ARMSTRONG, 1983). O Bootstrapping Subjetivo
indicado para situaes complexas, onde a anlise puramente subjetiva no confivel e a
previso subjetiva deve ser considerada no processo preditivo (ARMSTRONG, 2001g). O
mtodo utilizado em reas como psicologia, educao, marketing, finanas, entre outros.
Tambm oferece uma alternativa a modelos economtricos em situaes em que no h
disponibilidade de dados sobre as variveis dependentes ou os dados das variveis
independentes apresentam pouca variao histrica. O Bootstrapping Subjetivo com dados
artificiais pode ser uma alternativa Anlise Conjunta, utilizando neste caso especialistas para
estimar as respostas dos consumidores. Para previses de vendas de novos produtos pode ser
apropriada a integrao dos dois mtodos (ARMSTRONG, 2001g).
A Previso baseada em regras (RBF Rule-Based Forecasting) um mtodo que
traduz a previso de especialistas em um conjunto de regras. Os mtodos de extrapolao no
incorporam o domnio de conhecimento no processo preditivo e o RBF objetiva eliminar estas
restries dos mtodos de extrapolao, inserindo conhecimento de eventos que ocorreram e
que a srie temporal no reflete e de eventos que iro ocorrer. As regras usam o conhecimento
e experincia de especialistas, teoria disponvel, pesquisas empricas e as caractersticas dos
dados para produzir uma previso atravs de uma combinao de mtodos. A utilizao de
decomposio dos componentes da srie temporal til neste mtodo, pois o domnio do
conhecimento afeta os componentes das sries temporais diferentemente. Este mtodo
indicado para situaes onde h um bom domnio de conhecimento, as foras causais podem
ser claramente identificadas, incerteza e instabilidade so baixas ou moderadas e o horizonte
de previso de longo prazo (COLLOPY; ARMSTRONG, 1992b; ARMSTRONG; ADYA;
COLLOPY, 2001).
O primeiro passo para aplicao do RBF coletar dados e identificar as caractersticas
das sries temporais. Identificam-se vrias caractersticas que dependem do domnio de
conhecimento como: (i) padro da tendncia das sries temporais (multiplicativo/exponencial
ou aditivo/linear); (ii) dados esprios, (iii) descontinuidades do nvel das sries temporais; (iv)
instabilidade da tendncia; (v) ciclos e sazonalidades de demanda; e (vi) fatores causais que
afetam os componentes das sries. Identificadas as caractersticas das sries temporais, defini-

75

se o horizonte de previso e ajusta-se dados histricos influenciados por eventos especiais


(ARMSTRONG; ADYA; COLLOPY, 2001; ADYA et al., 2001). No curto prazo utilizam-se
mtodos de extrapolao e no longo prazo deve ser dada maior nfase aos modelos de
regresso (COLLOPY; ARMSTRONG, 1992b). O ltimo passo combinar os modelos
aplicados para os diferentes horizontes de previso. O RBF ajusta os pesos atribudos as
previses que sero combinadas de acordo com a direo das tendncias e das suas relaes
com as foras causais (ARMSTRONG; ADYA; COLLOPY, 2001). Detalhes sobre ao mtodo
podem ser obtidos em Collopy e Armstrong (1992b).
Modelos Economtricos so sistemas de equaes de regresso interdependentes de
uma ou mais variveis relacionada com fatores econmicos (CHAMBERS; MULLICK;
SMITH, 1971). O desenvolvimento do mtodo altamente dependente de situaes
especficas e requer o envolvimento de especialistas experientes e habilidosos. Os modelos
usados para previso so geralmente muito simples e envolvem poucas equaes, mas as
previses das variveis independentes devem ser acuradas para serem includas nos modelos
(MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998; ALLEN; FILDES, 2001). Os
procedimentos abordados na modelagem economtrica so (CHAMBERS; MULLICK;
SMITH, 1971; FILDES, 1985; MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998;
ALLEN; FILDES, 2001): (i) determinar o objetivo da modelagem; (ii) determinar as variveis
includas em cada equao; (iii) identificar as relaes de interdependncia, as direes
esperadas e restries das relaes; (iv) coletar e refinar o maior nmero de dados disponveis;
(v) determinar a forma funcional (isto , linear, exponencial, logartmica, etc) do modelo de
regresso; (vi) estimar simultaneamente os parmetros de todas as equaes; (vii) testar a
significncia estatstica dos resultados; (viii) checar a validade das consideraes assumidas
(normalidade, autocorrelao, estabilidade dos dados, etc); (ix) otimizar o modelo quando
possvel (incluso ou excluso de variveis); e (x) mensurar a acurcia do modelo e atualizar o
modelo quando necessrio.
Os mtodos economtricos so mais eficientes: (i) quando so esperadas relaes
causais fortes entre variveis; (ii) quando as relaes causais so conhecidas e podem ser
estimadas; (iii) quando grandes mudanas nas variveis causais so esperadas no horizonte de
previso; (iv) quando as mudanas podem ser previstas acuradamente; e (v) para horizontes de
previso de curto e mdio prazo (MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998;
ARMSTRONG; BRODIE, 1999; BALLOU, 2001).

76

O Sistema Especialista o mtodo de previso com maior integrao de mtodos


quantitativos e qualitativos (Figura 9). Sistemas especialistas para previso so procedimentos
estruturados que traduzem previses subjetivas em um formato reprodutvel independente do
especialista. Este mtodo apropriado (i) para situaes onde h necessidade de repetitividade
do processo de previso, (ii) para modelar problemas complexos, (iii) quando no h dados ou
a qualidade dos dados de variveis dependentes baixa, e (iv) quando os especialistas esto
dispostos a investir muito tempo no desenvolvimento de regras para o processo preditivo
(COLLOPY; ADYA; ARMSTRONG, 2001).
O desenvolvimento de um Sistema Especialista segue trs etapas: (i) coleta de
conhecimento relevante; (ii) estruturao e aplicao do conhecimento; e (iii) teste do mtodo
(ARMSTRONG, 1988). A obteno de informaes deve contar com diferentes fontes de
informaes, como, por exemplo, entrevistas com especialistas, revises bibliogrficas,
questionrios, estudos de caso, mtodos de Opinio de Especialistas, Anlise Conjunta,
Bootstrapping Subjetivo e Previso baseada em regras. A etapa de estruturao e aplicao do
conhecimento foca no desenvolvimento de um modelo de regresso da varivel a ser prevista
em funo das regras do processo preditivo . O desenvolvimento do mtodo deve focar na
facilidade de examinar as regras, revis-las sistematicamente e adicionar novas regras quando
necessrio. Todos os aspectos importantes do problema de previso devem ser representados
no mtodo e este deve explicar todas as recomendaes (procedimentos) para facilitar o
aprendizado do processo de previso pelos especialistas. A anlise da acurcia das previses
obtidas com o mtodo utilizada para testar a validade do mesmo (COLLOPY; ADYA;
ARMSTRONG, 2001).

2.6 SELEO DE MTODOS DE PREVISO

Devido ao importante papel da previso de demanda dentro das organizaes,


fundamental o entendimento da metodologia de seleo de mtodos de previso. Um dos
problemas tpicos encontrados na rea de previso de demanda que, apesar de haver muitos
mtodos disponveis, h muitos fatores a serem considerados no processo de seleo e pouca
indicao de quais so os mtodos mais efetivos para determinadas situaes (LO, 1994;
LYNN; SCHNAARS; SKOV, 1999). Enquanto cada tcnica tem seus pontos fortes e fracos,
cada situao de previso limitada por restries como tempo, capital, ou dados disponveis
(LO, 1994; ARMSTRONG, 2001b).

77

A seleo de mtodos pode ser em funo de diferentes critrios; por exemplo: (i)
nmero de itens a serem previstos; (ii) acurcia da previso; (iii) perodo, intervalo e
horizonte de previso requeridos para planejamento, programao ou estratgia de produo;
(iv) benefcio da previso para a empresa; (v) facilidade de operao do mtodo e de
entendimento dos resultados; (vi) flexibilidade do mtodo; (vii) incorporao de inferncias
subjetivas; (viii) contexto da previso; (ix) disponibilidade e confiabilidade dos dados
histricos; (x) caractersticas e tipos de dados disponveis; (xi) comportamento do processo a
ser previsto (padro da demanda dos dados histricos); (xii) critrios estatsticos; (xiii) custo
de desenvolvimento, instalao e operao do mtodo; e (xiv) urgncia para tomada de
deciso baseada nas previses (CHAMBERS; MULLICK; SMITH, 1971; MONTGOMERY;
JOHNSON; GARDINER, 1990; MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998;
YOKUM; ARMSTRONG, 1995).
Quando vrios critrios so relevantes no processo de previso e vrios mtodos esto
disponveis para uso, uma metodologia de escolha estruturada pode ajudar na seleo do
melhor mtodo. Uma metodologia estruturada lista os critrios importantes para o processo de
previso e direciona a escolha dos mtodos que melhor satisfazem os critrios explicitados
(ARMSTRONG, 2001b). Os critrios de escolha podem ser basicamente divididos em: (i)
critrios relacionados anlise das dinmicas e componentes do sistema de previso; e (ii)
anlise do ciclo de vida do item (produto ou servio) a ser previsto (CHAMBERS;
MULLICK; SMITH, 1971; MURDICK; GEORGOFF, 1993; ARMSTRONG, 2001b).

2.6.1 Anlise das dinmicas e componentes do sistema de previso

A anlise das dinmicas e componentes do sistema de previso em que a varivel a ser


prevista est inserida importante para o processo de escolha de mtodos de previso. O
processo de previso e a estrutura do mercado devem ser identificados completamente para a
correta seleo de um mtodo (MURDICK; GEORGOFF, 1993). Um sistema de previso de
demanda possui quatro componentes bsicos: (i) dados de entrada; (ii) dados de sada
(resultados); (iii) consideraes sobre o comportamento e confiabilidade dos dados; e (iv)
processos relacionados com dados de entrada e dados de sada (MURDICK; GEORGOFF,
1993). Um modelo geral para um sistema de previso de demanda apresentado na Figura 10
e detalhado na seqncia.

78

DEFINIO DO
PROBLEMA

DETERMINAO DO
MTODO DE PREVISO
Anlise de trade-offs entre
custo, tempo e
outras consideraes

OBTENO DE INFORMAES

Aplicao da
previso

Dimenses e
caractersticas dos
dados de sada

Dimenses
do processo
de seleo

Seleo do
mtodo de previso

IMPLEMENTAO
DO MTODO

Recursos e
restries

PREVISO

Dimenses e
caractersticas dos
dados de entrada

Dados
disponveis

Monitorar
resultados

Sim

Os resultados so
satisfatrios?

No
FEEDBACK

Figura 10: Modelo geral para um sistema de previso (Adaptado de MURDICK;


GEORGOFF, 1993; ARMSTRONG, 2001a).

O primeiro passo de um sistema de previso a definio do problema a ser resolvido,


ou seja, qual a varivel a ser prevista. Nesta etapa importante a participao do tomador de
deciso, pois ele quem vai controlar a utilizao das previses e disseminar os resultados.
Para isso este profissional deve ter em mente a relevncia das previses nas tomadas de
deciso e concordar sobre a metodologia aplicada para a resoluo do problema
(ARMSTRONG, 2001e).
O segundo passo o processo de obteno de informaes, o qual engloba: (i)
definio da aplicao/escopo da previso; (ii) definio das dimenses e caractersticas dos
dados de entrada e dos resultados como, por exemplo, dados de entrada primrios ou
secundrios, confiabilidade dos dados de entrada e acurcia dos resultados; e (iii) dimenses
do processo de seleo como, por exemplo, se a escolha ser subjetiva ou far uso de
algoritmos de seleo (MURDICK; GEORGOFF, 1993).
Os dados de entrada utilizados para previso so geralmente os dados histricos e
dados sobre o contexto em que est inserida a previso. No caso de previses de vendas, os

79

dados contextuais podem ser planos de promoo, estimativas de reaes de concorrentes e


expectativas sobre microeconomia (WRIGHT; LAWRENCE; COLLOPY, 1996).
Dada a descrio da situao onde se situa o processo de previso, concentra-se no
prximo passo, que a determinao do mtodo de previso. Aplica-se uma metodologia para
escolher o mtodo apropriado de previso a ser utilizado (ARMSTRONG, 2001a). Aps a
escolha do mtodo apropriado implementa-se o mtodo de previso e geram-se resultados.
Por fim, o monitoramento das previses faz-se necessrio para assegurar que o
processo de previso funcione apropriadamente e para oferecer um feedback do
funcionamento e efetividade do sistema de previso de demanda e dos mtodos de previso
implementados (KLASSEN; FLORES, 2001). Alguns fatores podem ser utilizados para
avaliar a efetividade de um sistema ou mtodo de previso de demanda. Entre eles esto a
acurcia da previso, o custo do sistema ou do mtodo de previso e a utilidade dos resultados
(MONTGOMERY; JOHNSON; GARDINER, 1990).

2.6.2 Anlise do ciclo de vida do item a ser previsto

A disponibilidade de dados e a possibilidade de estabelecer relaes entre os critrios


de seleo dependem diretamente da maturidade do produto; conseqentemente o estgio do
ciclo de vida do produto determinante na escolha do mtodo de previso (ARMSTRONG;
BRODIE, 1999). O ciclo de vida de um produto pode ser dividido em cinco fases
(CHAMBERS; MULLICK; SMITH, 1971): (i) de desenvolvimento; (ii) de testes e introduo
no mercado; (iii) de crescimento rpido no mercado; (iv) de estabilidade no mercado; e (v) de
declnio.
No estgio de desenvolvimento de produtos, o interesse recai sobre informaes como
potencial de mercado para demanda do produto desenvolvido, produtos similares no mercado,
segmento de mercado do produto, como e onde alocar recursos e esforos em Pesquisa e
Desenvolvimento (P&D), qual ser a demanda do novo produto e ciclo de vida do novo
produto (CHAMBERS; MULLICK; SMITH, 1971).
A seleo dos mtodos utilizados neste estgio depende do mercado e da concepo
do produto. Para um mercado estabelecido deve-se primeiramente comparar o produto
proposto com similares de concorrentes ou da prpria organizao atravs da utilizao de
uma equipe multidisciplinar. Os mtodos quantitativos so utilizados nesta fase quando

80

possvel obter informaes (sries histricas e variveis causais) de produtos anlogos. Para
um mercado indefinido onde no h histricos para comparao e/ou o item proposto tem um
novo conceito para o mercado, utilizam-se mtodos qualitativos (LO, 1994; ARMSTRONG;
BRODIE, 1999).
No estgio de testes e introduo no mercado, o interesse recai sobre informaes
como os mercados em que o produto entrar e em que quantidade, qual a capacidade
produtiva necessria neste estgio do ciclo de vida do item, taxa de crescimento da demanda
para dimensionar capacidade futura e a alocao de recurso em P&D. As previses neste
estgio devem oferecer trs estimativas: (i) quando iniciar o estgio de crescimento rpido de
demanda; (ii) a taxa de penetrao no mercado durante o estgio de crescimento rpido; e (iii)
a demanda no estgio de crescimento rpido (CHAMBERS; MULLICK; SMITH, 1971).
Neste estgio ainda no h dados sobre a demanda do produto para o uso de mtodos
quantitativos. Os mtodos indicados, assim, so Pesquisa de Inteno e Delphi (CHAMBERS;
MULLICK; SMITH, 1971; LO, 1994).
Quando um produto entra no estgio de crescimento rpido no mercado deve-se
analisar a taxa prevista inicialmente para este estgio e prever quando o produto atingir
estabilidade de crescimento (CHAMBERS; MULLICK; SMITH, 1971). Neste estgio j
esto disponveis sries histricas para a utilizao de mtodos estatsticos (Mdia mvel,
Suavizao exponencial e Box-Jenkins) e causais (Anlise de Regresso e Mtodos
Economtricos). A combinao com mtodos qualitativos de previso (Analogia, Pesquisa de
Inteno e Delphi) recomendada para a obteno de previses mais precisas (LO, 1994).
No prximo estgio do ciclo de vida, que o de estabilidade no mercado, tendncia e
taxas de demanda tornam-se estveis e as preocupaes da organizao concentram-se no
planejamento de produo e em estratgias de mercado para evitar declnios na demanda. No
planejamento de produo necessitam-se de previses de curto, mdio e longo prazo do nvel
de demanda e da taxa de crescimento. Os mtodos utilizados devem oferecer estimativas de
tendncias e sazonalidades (Mdia Mvel, Suavizao Exponencial e Box-Jenkins) e/ou
relacionar o nvel de demandas futuras a fatores de fcil previsibilidade (Anlises de
Regresso) (CHAMBERS; MULLICK; SMITH, 1971).
No estgio de declnio do produto, a demanda apresenta uma tendncia decrescente.
Neste estgio geralmente utilizam-se mtodos de previso mais simples devido ao baixo valor
do produto para a organizao (MENTZER; GOMES, 1989). Utiliza-se, assim, como valor de

81

previso o ltimo valor observado de demanda (srie histrica), ajustando subjetivamente o


valor quando ocorrerem eventos especiais (LO, 1994).

2.6.3 Metodologias de seleo de mtodos de previso

Metodologias de seleo de mtodos de previso permitem que qualquer profissional


possa tomar decises qualificadas quanto utilizao dos mtodos, sem necessitar de
conhecimento aprofundado em sistemas de previso de demanda e suporte de especialistas no
assunto (LO, 1994). Uma metodologia de seleo de mtodos de previso desenvolvida por
Armstrong (2001b) apresentada na Figura 11.
A quantidade suficiente de dados para modelagem matemtica depende da fonte dos
dados, da relevncia dos dados, da variabilidade e da confiabilidade dos dados, e das
restries dos modelos matemticos dos mtodos quantitativos (ARMSTRONG, 2001b).
Segundo a rvore de Seleo na Figura 11, quando h dados disponveis os mtodos
baseados em modelos matemticos so mais indicados. Quando no h dados disponveis para
uma modelagem matemtica, a opo recai sobre mtodos baseados principalmente em
anlises subjetivas. Neste caso, deve-se determinar se haver grandes mudanas contextuais
no futuro, se h necessidade de previses freqentes, se h conflitos entre os tomadores de
deciso, se casos similares existem e se diferentes polticas (marketing, produo, recursos
humanos, distribuio, etc) devem ser consideradas (ARMSTRONG, 2001b).
Se grandes mudanas no so esperadas, a previso ser atravs de mtodos de
previses de Opinio de Especialistas ou Bootstrapping Subjetivo. A previso de Opinio de
Especialistas utilizada quando o custo das previses baixo ou no so exigidas predies
em um curto intervalo de tempo. Os mtodos de Opinio de Especialistas so usados para
todos os horizontes de previso, principalmente para previses corporativas e de linhas e
famlias

de

produtos

(MAKRIDAKIS;

WHEELWRIGHT;

HYNDMAN,

1998;

ARMSTRONG, 2001b). Nos casos em que a previso dos especialistas tem alto custo e so
necessrias previses freqentes utiliza-se o Bootstrapping Subjetivo, que automatiza a
previso dos especialistas (ARMSTRONG, 2001b).

82

Dados suficientes para modelagem matemtica?


No

Sim

(mtodos qualitativos)

(mtodos qualitativos)

Grandes mudanas
so esperadas?
No

Bom conhecimento de
relao entre variveis?

Sim

No

Alto custo de especialistas


ou necessidade de
previses freqentes?
No

Conflito entre
tomadores de deciso?

Sim

No

Sim

amostrais

Casos similares
existem?

No

Grandes mudanas
so esperadas?

Tipos de dados

Sim

Anlise de diferentes
polticas?

Sim

No

sries temporais

Anlise de diferentes
polticas?

Sim

No

No

Sim

Bom conhecimento
contextual?

Sim

Sim

No

Melhor fonte

especialistas

Opinio de
Especialistas

Bootstrapping
Subjetivo

participantes

Anlise
Conjunta

Intenes

Jogo de
Representao

Sistema
Especialista

Analogia

Previso baseada
em regras

Extrapolao

Modelos
causais ou
economtricos

Diferentes
mtodos
oferecem
previses
relevantes?
Implementar o melhor mtodo

No

Sim

Combinar previses

Figura 11: rvore de seleo de mtodos de previso (linhas pontilhadas indicam possveis relaes) (Adaptado de ARMSTRONG, 2001b)
82

83

Se grandes mudanas so esperadas e no h conflito entre os tomadores de deciso,


deve-se analisar se necessria a insero de informaes sobre polticas da empresa. Se no
for necessria, utiliza-se o mtodo de Pesquisa de Intenes ou Opinio de especialistas, o
qual pode ser mais rpido e barato que Pesquisa de Intenes. No caso das polticas
organizacionais influenciarem o processo preditivo, a predio pode ser pelo mtodo
Bootstrapping Subjetivo ou por Anlise Conjunta. No caso de haver conflito entre os
tomadores de deciso, o critrio de seleo a existncia ou no de casos similares. O mtodo
de Analogias utilizado quando situaes similares esto acessveis ao processo preditivo;
caso contrrio o mtodo de Jogos de Representao o mais indicado (ARMSTRONG,
2001b).
Quando h dados suficientes para uma modelagem matemtica, considera-se o nvel
de conhecimento sobre as relaes entre variveis, as mudanas esperadas no padro de
demanda, o tipo de dado disponvel, a necessidade de anlises de diferentes polticas e a
extenso do domnio de conhecimento (ARMSTRONG, 2001b).
Em situaes em que h pouco conhecimento das relaes das variveis envolvidas no
processo preditivo e os dados disponveis so uma amostra restrita de dados e no uma srie
temporal, o critrio de seleo a necessidade de anlise das polticas da empresa. O mtodo
de Analogias utilizado quando no h necessidade desta anlise e, caso contrrio, utilizado
o mtodo de Sistemas Especialistas ou o mtodo de Bootstrapping Subjetivo, dependendo da
complexidade e custo desejado (ARMSTRONG, 2001b).
No caso dos dados disponveis constiturem uma srie temporal, o critrio de seleo
ser o domnio de conhecimento. Quando h domnio de conhecimento usa-se Previso
baseada em regras; se no h domnio de conhecimento por parte dos especialistas a opo a
utilizao de mtodos de Extrapolao. Os mtodos de Extrapolao tambm so utilizados
quando h um bom conhecimento das relaes entre as variveis e grandes mudanas futuras
no so esperadas. Se grandes mudanas so esperadas, os mtodos Economtricos ou
mtodos Causais so a melhor opo (ARMSTRONG, 2001b).
Se poucos dados histricos esto disponveis, as tcnicas simples de extrapolao so
as mais indicadas. Com o aumento da quantidade de dados pode-se usar tcnicas mais
complexas de extrapolao ou mtodos causais (MENTZER; GOMES, 1989). Modelos
complexos de extrapolao geralmente oferecem melhores ajustes aos dados histricos, mas
nem sempre oferecem melhor acurcia de previso do que mtodos simples de extrapolao.

84

Uma alternativa analisar, alm do ajuste do modelo matemtico aos dados histricos, a
previso gerada pelo modelo para valores recentes de demanda (SCHNAARS, 1986).
No desenvolvimento de sua metodologia, Armstrong (2001b) obteve evidncias de
que mtodos quantitativos so mais precisos que mtodos qualitativos para situaes em que
dados encontram-se disponveis. Tambm verificou que mtodos simples devem ser
priorizados em relao a mtodos complexos, pois os primeiros so de fcil entendimento,
tem menor custo e raramente so menos acurados que os mtodos complexos.
Chambers, Mullick e Smith (1971) desenvolveram uma metodologia com 7 critrios
para seleo de 18 mtodos de previso. Georgoff e Murdick (1986) desenvolveram um
mtodo de seleo que considerava 20 mtodos de previso em funo de 16 critrios de
seleo. Uma compilao da metodologia apresentada em Chambers, Mullick e Smith (1971)
e Georgoff e Murdick (1986) apresentada no APNDICE A. A compilao apresenta
somente os mtodos comuns a esta dissertao e aos estudos de Chambers, Mullick e Smith
(1971) e Georgoff e Murdick (1986).
No Captulo 3 proposta uma metodologia de seleo de mtodos de previso, a qual
agrega todo o levantamento de fatores de seleo descritos nesta seo. A metodologia
proposta testada nos estudos de caso apresentados no Captulo 4 deste trabalho.

85

CAPTULO 3

3 METODOLOGIA PROPOSTA

Neste captulo apresenta-se uma metodologia para seleo de mtodos de previso de


acordo com fatores de deciso pr-definidos. A metodologia proposta baseia-se no
levantamento de fatores de direcionamento de escolha de mtodos de previso de demanda, e
na adaptao e integrao das metodologias de seleo propostas por Armstrong (2001b),
Georgoff e Murdick (1986) e Chambers, Mullick e Smith (1971).
A metodologia proposta tambm aborda os passos de desenvolvimento de um modelo
geral para um sistema de previso de demanda (Figura 10) que auxiliam no direcionamento da
escolha de um mtodo ou de integrao de diferentes mtodos de previso.
Com a aplicao de uma metodologia de seleo de mtodos de previso pode-se
determinar a acurcia, a complexidade e o detalhamento requeridos pelo mtodo de previso,
alm dos recursos comprometidos e as restries que iro direcionar a seleo do mtodo de
previso (CHAMBERS; MULLICK; SMITH, 1971; LO, 1994).
As etapas da metodologia proposta, apresentadas na Figura 12, so: (i) Definio do
problema; (ii) Obteno de dados; (iii) Escolha do(s) mtodo(s) de previso; (iv) Seleo do
pacote computacional; (v) Implementao do(s) mtodo(s); e (vi) Validao do(s) mtodo(s).
As etapas so detalhadas na seqncia.

86

DEFINIO DO
PROBLEMA

Nveis industriais
das previses

Definio dos fatores


temporais

Priorizao dos
itens a serem previstos

Anlise do ciclo de vida


dos itens a serem previstos

OBTENO DE
DADOS

Definio dos dados de


entrada e sada
Coleta e preparao
dos dados

ESCOLHA DE MTODOS
DE PREVISO

Anlise dos fatores de seleo de mtodos


(Utilizar Fluxograma apresentado na Figura 13)

NO

Mtodos Qualitativos

Necessidade de
integrao de mtodos
quantitativos e qualitativos?

Mtodos Quantitativos

SIM

Ajuste Subjetivo e/ou


Decomposio de sries temporais e/ou
Combinao de previses e/ou
Desenvolvimento de um modelo de previso

Mtodos com integrao


SELEO DO PACOTE
COMPUTACIONAL
IMPLEMENTAO
DO(S) MTODO(S)

VALIDAO DO(S)
MTODO(S) DE PREVISO

Figura 12: Metodologia proposta para seleo de mtodos de previso de demanda

87

3.1 DEFINIO DO PROBLEMA

O primeiro passo no processo de escolha de um mtodo de previso de demanda a


definio do problema a ser resolvido com a obteno das previses. Primeiramente deve-se
identificar quais previses so necessrias (varivel a ser prevista), as decises
organizacionais que sero afetadas pelos resultados obtidos e se estas decises resolvero o
problema formulado. A identificao destas informaes relevantes na etapa de definio do
problema operacionalizada atravs de brainstorming de especialistas.
Os responsveis pelo processo de previso devem separ-lo do processo de
planejamento para evitar resultados tendenciosos, ou seja, fazer com que metas sejam
consideradas previses. Este princpio importante e muitas vezes ignorado pelas empresas
(ARMSTRONG, 2001e).
A formulao do problema a ser resolvido direciona a definio do escopo da previso
(MURDICK; GEORGOFF, 1993). O propsito da previso fornecer informaes para a
tomada de deciso, como, por exemplo, para desenvolvimento de produtos, estratgias de
marketing, planejamento de capacidade de produo, contratao de recursos humanos,
planejamento financeiro, controle de estoques e promoes.

3.2 OBTENO DE DADOS

O prximo passo na escolha de um mtodo de previso envolve a obteno de dados


para resolver o problema formulado. Os dados coletadas auxiliam na especificao dos fatores
que direcionam a seleo, dos processos envolvidos e dos possveis dados de entrada e
resultados do sistema preditivo implementado.
O processo de obteno de dados engloba: (i) Discriminao dos nveis industriais de
previso; (ii) Definio dos fatores temporais; (iii) Priorizao dos itens a serem previstos;
(iv) Anlise do ciclo de vida dos itens a serem previstos; (v) Definio dos dados de entrada e
sada; e (vi) Coleta e preparao de dados.

88

3.2.1 Discriminao dos nveis industriais de previso

A formulao do problema a ser resolvido pela obteno de previses auxilia na


discriminao dos nveis de previso abordados no processo de tomada de decises. O nvel
da previso uma considerao crtica, pois diferentes nveis de previso freqentemente
requerem diferentes mtodos de previso de demanda e direcionam o nvel de escopo das
previses (setorial, nacional, regional, etc).
Os cinco nveis industriais que podem ser abordados em processos preditivos so
(KAHN, 1998): (i) Nvel setorial, que objetiva previses de todo mercado/indstria em que a
organizao est inserida; (ii) Nvel corporativo, onde so necessrias previses das
atividades da organizao quando todos produtos e servios so agregados no processo
preditivo; (iii) Nvel da unidade estratgica de negcios, que utiliza previses de atividades de
unidades individuais de negcio dentro da organizao; (iv) Nvel da unidade de manuteno
de estoque, alimentado com previses de linhas individuais de produo ou de itens
produzidos; e (v) Nvel local, que necessita de previses de centros de distribuio ou do nvel
de atividade de consumo por linha de produo ou por itens produzidos.
Dependendo do problema a ser resolvido, podem ser necessrias previses para
diferentes nveis industriais, o que acarretar na seleo de diferentes mtodos de previso de
demanda. Quanto mais operacional o nvel de previso (nvel da unidade de manuteno de
estoque e nvel local): (i) maior o nmero e freqncia das previses necessrias; (ii) maior a
dificuldade de incorporao de anlises subjetivas no processo preditivo devido ao curto
perodo para obteno das previses e anlise de fatores contextuais que influenciam na
varivel a ser prevista; e (iii) menor o horizonte necessrio das previses a serem utilizadas
para planejamentos, indicando, assim, a necessidade de mtodos quantitativos de previso, em
especial, mtodos de extrapolao de sries temporais. Para previses de carter estratgico
(associadas aos nveis setorial, corporativo e da unidade estratgica de negcios), os
desdobramentos so diametralmente opostos, indicando a utilizao de mtodos qualitativos e
mtodos causais.

3.2.2 Definio dos fatores temporais

Nesta etapa da metodologia os fatores temporais do processo preditivo que


influenciam a seleo de mtodos devem ser definidos: perodo, intervalo e horizonte de

89

previso. O perodo de previso pode ser expresso em dias, semanas, meses, semestres, anos,
ou outra unidade de tempo. O perodo de previso depender do problema a ser resolvido, ou
seja, depende da unidade de previso requerida para a tomada de deciso (PELLEGRINI,
2000). Para uma programao mensal de produo, por exemplo, seria definido um perodo
mensal de previso (valores mensais seriam previstos).
O intervalo de previso est diretamente associado necessidade de maior ou menor
freqncia das previses no processo de tomada de decises e capacidade do processo
preditivo de ser flexvel o suficiente para gerar previses com urgncia. A definio do
intervalo depende da estabilidade da varivel a ser prevista e da continuidade do padro de
demanda no futuro. Se a varivel instvel, ou seja, h tendncia de mudanas no padro de
demanda e o mercado em que ela est inserida dinmico, menor deve ser o intervalo de
previso de demanda (MONTGOMERY; JOHNSON; GARDINER, 1990). Os custos de
alguns mtodos dependem da freqncia com que sero utilizados, se estaro inseridos na
rotina operacional da empresa ou se sero utilizados esporadicamente (MAKRIDAKIS;
WHEELWRIGHT; HYNDMAN, 1998).
Quanto mais operacional o nvel industrial de previso, menor a unidade do perodo e
do intervalo de previso necessrios, sendo mais indicados os mtodos quantitativos de
previso mais simples e mais automticos (mtodos de extrapolao). Quanto mais estratgico
o nvel industrial de previso, maior o perodo e o intervalo de previso necessrios,
utilizando-se nestes casos mtodos qualitativos de previso e mtodos quantitativos mais
complexos (mtodos causais).
O horizonte de previso o nmero de perodos futuros gerados no processo preditivo,
estando associado tanto estabilidade e continuidade do padro de demanda da varivel
analisada, quanto necessidade de informaes para a tomada de deciso. No horizonte de
curto prazo, onde no se esperam grandes mudanas no padro de demanda da varivel de
previso, utilizam-se os mtodos de extrapolao de sries temporais (MAKRIDAKIS;
WHEELWRIGHT; HYNDMAN, 1998). Previses de curto prazo so utilizadas em
planejamentos de pedidos de matrias-primas, de programao de produo, de otimizao
dos nveis de estoques, entre outros.
No caso de haver amplas flutuaes nas demandas, a rpida adaptao das tcnicas de
extrapolao a essas situaes faz com que elas se ajustem bem a previses de curto prazo
(MENTZER; COX, 1984). Os mtodos causais exigem um investimento maior e necessitam

90

de maior tempo de desenvolvimento, no sendo adequados para previses de curto prazo


(MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998).
Horizontes de previso de mdio e longo prazo so afetadas por numerosos fatores
contextuais. Em horizontes de mdio prazo pode-se utilizar mtodos de extrapolao, mtodos
causais e tcnicas qualitativas, dependendo da estabilidade de mercado e do padro de
demanda da varivel que ser prevista. Neste horizonte de previso so geradas, por exemplo,
previses de famlias de produtos (MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998).
Em previses de mdio prazo deve-se levar em conta que sempre depois de um
crescimento de vendas acontece um perodo de recesso. O difcil prever quando vai iniciar
a recesso e qual a sua magnitude para desenvolver planos de contingncia. Uma alternativa
monitorar variveis crticas que indicam a chegada de recesso ou aumento de vendas, o que
pode ser uma vantagem competitiva no sentido em que este procedimento auxiliar na
previso do incio destes eventos antes dos concorrentes e suas implicaes no planejamento e
estratgia da empresa (MAKRIDAKIS, 1988; MAKRIDAKIS;

WHEELWRIGHT;

HYNDMAN, 1998).
Nos horizontes de previso de longo prazo utilizam-se modelos causais e as tcnicas
qualitativas de previso. As estimativas de longo prazo no podem ser extrapolaes de dados
passados devido a mudanas tecnolgicas e mercadolgicas e diminuio da similaridade
entre passado e futuro (CHAMBERS; MULLICK; SMITH, 1971; WEBBY; OCONNOR,
1996). Previses de longo prazo so necessrias, por exemplo, para lanamento de novos
produtos no mercado e formulao de metas de vendas de longo prazo das organizaes.
Previses de longo prazo so difceis e desafiantes, pois aumentam a complexidade, o
custo e o tempo de desenvolvimento de um sistema de previso de demanda (GEORGOFF;
MURDICK, 1986).

3.2.3 Priorizao dos itens a serem previstos

Os recursos humanos e financeiros, geralmente escassos, podem ser direcionados para


os itens com maior impacto sobre o desempenho financeiro das empresas. As empresas que
no fazem previses para todos os itens produzidos geralmente utilizam uma anlise adicional
para determinar o que priorizar. A prtica mais comum fazer previses por linha de
produo ao invs de considerar cada item produzido. A curva do ciclo de vida do produto

91

tambm pode ser usada para priorizar previses de produtos nos estgios de desenvolvimento
de produto, de teste e introduo no mercado, de crescimento rpido e de estabilidade no
mercado.
Um mtodo bastante popular que permite priorizar itens para o direcionamento de
recursos o sistema de classificao ABC. A varivel classificatria do mtodo ABC gerada
considerando volume de demanda e preo do item, ou seja, o preo unitrio de cada item
multiplicado pela sua demanda mdia no perodo considerado na anlise (KRAJEWSKI;
RITZMAN, 2002).
As observaes percentualizadas da varivel classificatria resultante so organizadas
em ordem decrescente, sendo acumuladas para formar os grupos A, B e C de itens. Itens
classificados como A, que correspondem em mdia a 80% do faturamento, so priorizados no
processo de previso de demanda (itens que tem alto valor monetrio) e recebem tratamento
diferenciado, com modelagem individual dos produtos, estratificados conforme interesse da
organizao (por exemplo, por tipo de cliente ou regio) e revises constantes das previses.
Os itens classificados como B (valor monetrio intermedirio), que correspondem a 15% do
faturamento, no so estratificados no processo de previso, as revises das previses so
realizadas em intervalos maiores, mas ainda com previso de demanda individual dos
produtos. Os itens classificados como C (menor valor monetrio) correspondem a
aproximadamente 5% do faturamento e so agregados para a obteno das previses
(PELLEGRINI; FOGLIATTO, 2001; KRAJEWSKI; RITZMAN, 2002).

3.2.4 Anlise do ciclo de vida do item a ser previsto

A fase do ciclo de vida do item a ser previsto determinante na escolha do mtodo de


previso, pois diferentes estgios do ciclo de vida do item analisado implicam na utilizao de
diferentes mtodos de previso. Conforme exposto anteriormente, o ciclo de vida de um
produto pode ser dividido em cinco fases (de desenvolvimento, de testes e introduo no
mercado, de crescimento rpido no mercado, de estabilidade no mercado e de declnio). Uma
vez identificada a fase do item analisado, a escolha do mtodo adequado de previso pode ser
feita seguindo as recomendaes na seo 2.6.2.

92

3.2.5 Definio dos dados de entrada e sada

Os componentes do sistema de previso e a estrutura do mercado devem ser


identificados completamente para a correta seleo de um mtodo de previso (MURDICK;
GEORGOFF, 1993; ARMSTRONG, 2001e). Nesta etapa do processo seletivo devem ser
especificados os diferentes tipos de dados de entrada (dados disponveis) e sada do processo
de previso de demanda. A definio das dimenses e caractersticas dos dados de entrada e
de sada so essenciais na escolha do mtodo de previso mais adequado para a situao
analisada.
Todos os dados corporativos que representam a situao da previso devem ser
analisados antes de considerar a praticidade de um mtodo de previso particular. Deve-se
considerar diferentes fontes de dados, informaes de exatido conhecida como, por exemplo,
demanda histrica, e de exatido desconhecida como, por exemplo, greves de colaboradores
da organizao ou de outras empresas da cadeia de suprimentos da organizao (REMUS;
OCONNOR; GRIGGS, 1998).
As principais informaes que devem ser utilizadas como dados de entrada so
(GOODWIN; WRIGHT, 1993; WRIGHT; LAWRENCE; COLLOPY, 1996; ARMSTRONG,
2001e): (i) sries temporais da varivel estudada e de variveis causais; (ii) informaes
contextuais como, por exemplo, poltica de promoes, tendncias de mercado, aes do
governo, expectativas econmicas e estimativas de aes/reaes da concorrncia; (iii)
informao sobre situaes ou produtos anlogos; e (iv) informaes de experimentos de
campo.
Tambm se considera nesta etapa a previsibilidade de eventos e sries relacionadas a
varivel a ser prevista, e a definio da unidade de medida da previso, por exemplo, a
previso ser de produtos ou hora-mquina (ARMSTRONG, 2001e).
A definio da importncia do padro de demanda passado nas estimativas do futuro
fundamental para o processo de seleo e determinao dos dados de entrada do processo
preditivo. Os dados histricos so geralmente a melhor informao para o desenvolvimento de
modelos de previso e estimativa de comportamentos futuros de variveis com padro
histrico de demanda. Nas situaes em que poucos dados sobre a varivel de previso esto
disponveis, utilizam-se dados de situaes anlogas ou de experimentos de campo.

93

As relaes causais entre a varivel de demanda e outras variveis e/ou eventos


futuros tambm devem ser considerados para a quantificao do impacto destes fatores nas
variveis a serem previstas (LO, 1994; ARMSTRONG, 2001e).
Analisar as interaes entre elementos do sistema de distribuio, sistema de vendas e
sistema de produo da organizao, entre outros, esclarece quais efeitos cada sistema causa
no sistema operacional da organizao e quais sistemas so importantes para o processo
preditivo. Define-se assim onde se ir buscar as informaes utilizadas no mtodo de
previso. Quanto menor o nmero de dados disponveis e maior o custo de obteno destes
dados, mais limitado o nmero de mtodos de previso disponveis para seleo
(CHAMBERS; MULLICK; SMITH, 1971; LO, 1994).
Os resultados obtidos pelos mtodos de previso devem obedecer dois critrios
(MENTZER; GOMES, 1989): (i) devem ser de fcil compreenso pelos usurios das
previses; e (ii) devem oferecer informaes em um intervalo, perodo e horizonte de tempo
compatveis com o processo em estudo. Diversas informaes podem ser requeridas pelo
processo preditivo, como, por exemplo (LO, 1994): demanda potencial de um novo produto
para um mercado definido ou indefinido; previses de inovaes tecnolgicas (produtos e
processos); vendas iniciais e taxa de penetrao de mercado de um novo produto; previso de
margens de lucro; identificao de turning points (mudanas de direo da demanda ) futuros;
e previso de tendncias, comportamentos cclicos e sazonais da demanda.
A apresentao das previses e dados deve ser simples, oferecendo uma explanao
completa, simples e clara dos mtodos utilizados e consideraes utilizadas nas estimativas.
Assim o tomador de deciso pode avaliar a incerteza que cerca estas estimativas e a extenso
de uso das previses em outras situaes. Se os usurios das previses no entendem as
estimativas e as consideraes no processo preditivo eles podem tomar decises erradas para a
organizao (FISCHHOFF, 1988; ARMSTRONG, 2001e).
As previses podem ser valores pontuais ou intervalos de previso. Intervalos de
previso devem ser apresentados quando a incerteza grande e as tomadas de deciso
dependem do risco envolvido. Os intervalos de previso indicam a probabilidade de incerteza
sobre valores pontuais. O desenvolvimento dos intervalos de previso feito usando
estimativas empricas baseadas na srie histrica da varivel analisada (ARMSTRONG,
2001e). Os softwares de previso disponveis geralmente oferecem os dois tipos de resultados.

94

3.2.6 Coleta e preparao de dados

Atravs da identificao de fontes de dados relevantes, vlidas e confiveis pode-se


estruturar a coleta de dados para o processo de previso de demanda (MOON et al., 1998).
Todos os dados importantes para a previso devem ser coletados e organizados em um
banco de dados atualizado periodicamente e com filtros de pesquisa (clientes, vendedores,
regio, etc.). Por exemplo, para novos produtos coletam-se dados de produtos similares
existentes, de pesquisas de intenes e previses de especialistas. Para produtos consolidados
no mercado coletam-se dados recentes como, por exemplo, a srie temporal de demanda e
informaes sobre eventos especiais nas sries (ARMSTRONG, 2001e).
Procedimentos de coleta sistemticos e no tendenciosos devem ser utilizados para
assegurar maior acurcia dos mtodos de previso, pois dados irrelevantes podem confundir
especialistas quando estes fazem previses subjetivas e introduzem nos mtodos quantitativos
dados incorretos sobre padres de demanda e relaes entre variveis (ARMSTRONG,
2001e).
Os dados coletados por pessoas ou organizaes que tm interesses nos resultados do
processo preditivo podem ser tendenciosos e devem ser identificados antes de serem
utilizados. Uma alternativa, para evitar a utilizao de dados tendenciosos nos mtodos de
previso e diminuir o erro das previses, coletar dados da mesma varivel de interesse em
fontes independentes com o intuito de analisar a similaridade dos dados. Tambm pode-se
utilizar uma combinao dos dados das diferentes fontes se os dados forem discrepantes.
Outra alternativa seria a obteno de dados de situaes ou produtos/servios similares ao
analisado para a previso (ARMSTRONG, 2001e).
Os dados qualitativos e quantitativos coletados devem ser analisados e refinados com
o intuito de tornarem o processo preditivo confivel. Dados qualitativos devem ser validados
pelos especialistas envolvidos nas previses de demanda. Dados quantitativos, em especial
sries temporais, devem ser tratados (remoo de valores esprios ou atpicos) e ento
validados.
A anlise da srie temporal deve ser realizada para a identificar o nmero de
observaes da srie de interesse e o perfil de demanda, ou seja, qualquer regularidade ou
variao sistemtica na srie devido a sazonalidades, padres cclicos que se repetem a cada
dois anos ou mais, tendncias dos dados e taxa de crescimento destas tendncias

95

(CHAMBERS; MULLICK; SMITH, 1971). O tamanho das sries temporais influencia


principalmente a escolha de mtodos quantitativos de extrapolao.
Uma anlise grfica preliminar pode ser utilizada para avaliar o padro de demanda, a
variabilidade, identificar erros de leitura, lacunas (valores perdidos por falta de mensurao) e
localizar dados atpicos devidos a eventos especiais passados e no sistemticos, como, por
exemplo, promoes, entrada de novos concorrentes no mercado, redues espordicas nos
preos dos produtos concorrentes e falhas no planejamento da produo ou na compra de
matrias-primas (MAKRIDAKIS, 1988; COLLOPY; ARMSTRONG, 1992; SOHL;
VENKATACHALAM, 1995; ARMSTRONG, 2001e).
Deve-se ajustar as sries temporais atravs de tcnicas estatsticas, agregao dos
dados (agregao temporal dos dados ou em funo de unidades de deciso) e conhecimento
de especialistas. O especialista deve trabalhar com o nvel de agregao dos dados que resulta
nas previses mais acuradas. Quanto maior o nmero de itens agregados na previso, mais
homogneos forem os dados, menor o horizonte de previso e menor a variabilidade na
demanda, mais acurada ser a previso e maior a confiabilidade dos dados de entrada do
mtodo

de

previso

(MAKRIDAKIS,

1988;

COLLOPY;

ARMSTRONG,

1992;

ARMSTRONG, 2001e).
As regras de desagregao tambm devem ser definidas. As previses podem, por
exemplo, ser obtidas para famlias de produtos (produtos ou servios com demanda similar e
processo, mo-de-obra e matrias-primas comuns) ao invs de previses para produtos
individuais. A previso para uma famlia desagregada em previses para os itens individuais
pela proporo histrica do item na famlia analisada ou fatores de mercado, de forma que a
soma das previses individuais seja igual previso da famlia (MURDICK; GEORGOFF,
1986).
A agregao de itens pode perder informaes importantes sobre o comportamento
individual dos itens agregados, alm dos dados agregados serem influenciados por fatores que
no influenciam os dados dos itens individuais (DANGERFIELD; MORRIS, 1992;
COLLOPY; ARMSTRONG, 1992).
Para futuras referncias de como os dados foram tratados nesta etapa, documentam-se
as causas das variaes sistemticas e no sistemticas nas sries temporais, os ajustes
realizados e as aes tomadas. A decomposio de sries temporais em funo de foras
causais tambm pode ser utilizada para anlise e ajuste das mesmas (ARMSTRONG, 2001e).

96

3.3 ESCOLHA DO MTODO DE PREVISO

Dada a descrio da situao onde se situa o processo de previso, concentra-se no


prximo passo, que a determinao do mtodo de previso. O mtodo de previso deve
oferecer um modelo preditivo que represente o mais prximo possvel a situao em estudo. A
metodologia de seleo visa direcionar a utilizao de um mtodo ou vrios mtodos que
gerem o menor erro de previso.
A preferncia deve ser por mtodos de previso estruturados, com passos sistemticos
e detalhados que podem ser descritos e replicados (ARMSTRONG, 2001e). Deve-se
privilegiar tcnicas quantitativas e simples com poucas variveis e relaes simples entre elas,
pois estas tendem a ser menos tendenciosas, fazem uso mais eficiente dos dados, ajudam no
entendimento e aceitabilidade do mtodo, reduzem erros e reduzem custos. Mtodos simples
tambm so utilizados quando a incerteza grande e poucos dados so teis. Mtodos mais
complexos s devem ser utilizados quando houver evidncias para utilizao destes mtodos,
pois podem incluir erros que se propagam atravs do sistema de previso ou que so difceis
de detectar (ARMSTRONG, 2001e).
A facilidade de utilizao tem sido o critrio mais importante na escolha de um
mtodo de previso dentro das organizaes, e a acurcia da previso resultante tem sido o
critrio para continuar a us-lo (SANDERS; MANRODT, 1994). Estudos apontam a acurcia
como o critrio mais importante na utilizao de determinado mtodo (CARBONE;
ARMSTRONG, 1982; KAHN; MENTZER, 1995).
Entretanto, a importncia relativa de vrios outros critrios alternativos (facilidade de
interpretao, facilidade de implementao, custos de implementao, velocidade em oferecer
previses, habilidade do mtodo em prever mudanas nos padres de demanda devido a
eventos futuros, horizonte de previso, entre outros) depende da situao de aplicao e da
funo que o selecionador do mtodo desempenha (MURDICK; GEORGOFF, 1993;
YOKUM; ARMSTRONG, 1995, ARMSTRONG, 2001b). Considerar trade-offs na obteno
de um maior custo/benefcio com o processo de previso fundamental no processo de
seleo (MURDICK; GEORGOFF, 1993).

97

3.3.1 Anlise de fatores de seleo de mtodos de previso

Deve ser feita uma anlise dos critrios de seleo mais importantes, como, por
exemplo, a disponibilidade e tipo de dados, conhecimento de especialistas, presena de
conflitos e se so esperadas mudanas contextuais no futuro.
Dois macrocritrios so utilizados para a escolha de mtodos quantitativos ou
qualitativos: (i) nvel industrial da previso e (ii) estgio do ciclo de vida do produto. Estes
dois critrios atuam como filtros iniciais, direcionando a escolha de mtodos qualitativos e/ou
quantitativos (mtodos Causais ou de Extrapolao). Definida a escolha neste nvel de
classificao dos mtodos de previso de demanda, so utilizados critrios mais detalhados
para a escolha dos diferentes mtodos qualitativos e/ou quantitativos. Na Figura 13
apresentado um fluxograma, que rene diversos fatores para auxiliar a etapa de seleo de
mtodos de previso. O fluxograma para escolha de mtodos no rgido, ou seja, na
utilizao do mesmo pode-se seguir mais de um caminho de seleo para um cenrio
analisado. Os mtodos de Analogia, Anlise Conjunta, Bootstrapping Subjetivo, Previso
baseada em regras, Modelos Economtricos e Sistemas Especialistas integram os mtodos
subseqentes. Por exemplo, a seleo do mtodo de Analogia indica a necessidade de
integrao de um mtodo de Opinio de Especialistas com mtodos de Extrapolao.
No caso dos mtodos qualitativos serem mais apropriados deve-se determinar se
haver grandes mudanas contextuais no futuro, se h necessidade de previses freqentes, se
o custo de previses de especialistas alto, se h conflitos entre os tomadores de deciso, se
casos similares existem, se diferentes polticas (marketing, produo, recursos humanos,
distribuio, etc) devem ser consideradas e as melhores fontes de informaes para os
mtodos.
No caso de mtodos quantitativos serem os mais indicados para a situao analisada
considera-se o nvel de conhecimento sobre as relaes entre variveis, as mudanas
esperadas no padro de demanda, o tipo de dado disponvel, a necessidade de anlises de
diferentes polticas, disponibilidade de recursos, disponibilidade de dados de variveis causais
e a o domnio de conhecimento sobre fatores econmicos que afetam o processo preditivo.
Selecionando o mtodo ou os mtodos mais apropriados podem-se verificar algumas
caractersticas importantes dos mtodos, com o intuito de confirmar se o mtodo escolhido
adequado para a situao analisada.

98

Nvel Industrial da previso

Nvel Setorial

Nvel Corporativo

Nvel da Unidade
Estratgica de Negcios

Nvel da Unidade de
Manuteno de Estoque

Estgio do ciclo de vida do produto:


Crescimento rpido no mercado
Estabilidade no mercado
Declnio do produto

Estgio do ciclo de vida do produto

Desenvolvimento de produtos
Teste e introduo de mercado
Crescimento rpido no mercado

Crescimento rpido no mercado


Estabilidade no mercado

Decllnio do produto

Dados suficientes para modelagem


matemtica,mas preferncia por
mtodos simples

Dados insuficientes para


modelagem matemtica

Disponibilidade de sries
histricas de variveis de
interesse e/ou causais

Mtodos Causais

Mtodos Qualitativos

No

No

Bom conhecimento da relao entre


variveis que influenciam a previso?

Sim

No

Conflito entre
tomadores de deciso?
No

Sim

amostrais

Casos similares
existem?
No

Opinio de
especilaistas
(Delphi)

Bootstrapping
Subjetivo *

No

Pesquisa de Intenes
ou
Opinio de especialistas
(Delphi)

Sim

Alto custo de especialistas?


Necessidade de previses freqentes?
Sim

Jogo de
Representao

Analogia

Bootstrapping
Subjetivo*

No

Sistema
Especialista

Anlise de
Regresso

Pesquisa de
Intenes

Opinio de
especilaistas
(Delphi)

Mtodos de
Extrapolao**

No

Previso
baseada
em regras

Mdia Mvel ou
Suavizao Exponencial
Simples

Sim

Mtodos causais
Mtodos de
Extrapolao**

Recursos limitados
para implementao?
Sim

Srie sem tendncia e


elementos sazonais
Opinio de
especilaistas
(Delphi)

No

Bom conhecimento
contextual?

Sim

No

participantes

Anlise
Conjunta

Grandes mudanas so esperadas?


Dados de variveis causais disponveis?

sries temporais

Anlise de diferentes
polticas?

Sim

Melhor fonte de informaes


especialistas

Sim

Tipos de dados

Sim

Anlise de diferentes polticas?


Necessidade de previses freqentes?
Sim

Mtodos de Extrapolao

Mtodos Quantitativos

Grandes mudanas so esperadas?

Alto custo de especialistas?


Necessidade de previses freqentes?

Nvel local

Anlise dos componentes


da srie temporal

Srie com tendncia, mas


sem elementos sazonais
Suavizao Exponencial
Linear de Holt

Bom conhecimento de fatores


econmicos
relacionados a previso?
No

Sim

No

Box-Jenkins

Anlise de
Regresso

Modelos
Economtricos

Srie com
elementos sazonais
Mtodo de
Holt-Winters

Opinio de
especilaistas
(Delphi)

Anlise de
Regresso

Figura 13: Fluxograma para a escolha de mtodos de previso (Adaptado de ARMSTRONG, 2001b)

98

99

Nos Apndices A (adaptado de CHAMBERS; MULLICK; SMITH, 1971;


GEORGOFF; MURDICK, 1986) e B (elaborado pelo autor) so relacionadas as seguintes
caractersticas de cada mtodo apresentado neste trabalho: (i) horizonte de previso com boa
acurcia; (ii) rapidez na gerao das previses, tempo de desenvolvimento e execuo; (iii)
facilidade para atualizaes das previses; (iv) recursos matemticos e computacionais
necessrios; (v) custos de implementao e manuteno do mtodo; (vi) necessidade de dados
histricos; (vii) facilidade para trabalhar com a variabilidade das sries temporais; (viii)
habilidade para incorporar mudanas nas decises gerenciais, nos fatores contextuais e nas
relaes entre variveis; (ix) capacidade de obter previses para os componentes das sries
temporais; (x) o grau de acurcia; e (xi) a capacidade de identificar e incorporar mudanas de
direo da demanda (turning points).
Diferentes mtodos podem ser teis para a maioria dos problemas de previso. Em
algumas

situaes

mtodos

qualitativos

quantitativos

podem

ser

integrados

(ARMSTRONG, 2001e). Comparar diversos mtodos pode ajudar na obteno de uma


previso mais precisa, mas esta anlise pode ser cara e consumir muito tempo.

3.3.2 Integrao de Mtodos Qualitativos e Quantitativos

Aps a utilizao do fluxograma para escolha de mtodos de previso analisa-se a


necessidade de integrao de mtodos qualitativos e quantitativos. O processo de integrao
muito utilizado quando informaes relevantes ao sistema de previso no esto incorporadas
nos mtodos quantitativos.
O processo de integrao deve ser estruturado e depende dos dados de entrada e sada,
tipos de mtodos e informao dos especialistas (ARMSTRONG, 2001e). A integrao pode
se dar de quatro maneiras (WEBBY; OCONNOR, 1996): (i) Ajuste subjetivo; (ii)
Decomposio de sries temporais; (iii) Combinao de previses; e (iv) Desenvolvimento de
um modelo de previso. A escolha do melhor mtodo de integrao depender das condies
especficas aplicadas situao de previso analisada.
O desenvolvimento de modelos de previso com integrao exige a incorporao de
inferncias subjetivas como entradas do modelo de previso. Os mtodos de Analogia,
Anlise Conjunta, Bootstrapping Subjetivo, Previso baseada em regras, Modelos
Economtricos e Sistemas Especialistas utilizam modelos de previso desenvolvidos a partir

100

da integrao de mtodos quantitativos e qualitativos. A escolha destes mtodos pode ser


efetuada com a utilizao do fluxograma apresentado na Figura 13.
A utilizao dos demais mtodos de integrao definida posteriormente a escolha de
um ou mais mtodos. A integrao de diferentes mtodos selecionados depender da situao
analisada no processo preditivo.
O ajuste subjetivo utilizado para ajustar a estimativa quantitativa atravs da anlise
de fatores contextuais (passados e futuros) e produzir a previso final. A decomposio de
sries temporais til na previso de cada componente das sries, quando o interesse
remover os efeitos dos fatores contextuais passados da srie temporal e gerar a previso
quantitativa ajustando esta com fatores contextuais futuros. A combinao de previses
usada quando h incerteza sobre qual mtodo melhor para determinada situao e/ou
grandes erros de previso devem ser evitados. Para a identificao de qual mtodo de
integrao mais adequado para a situao de estudo deve-se seguir as recomendaes na
seo 2.5.

3.4 SELEO DO PACOTE COMPUTACIONAL

Os mtodos quantitativos so geralmente implementados atravs da utilizao de


softwares. Na seleo de um software para obteno de previses deve-se considerar se o
mesmo satisfaz as necessidades do processo de previso, o seu custo e o nvel de suporte de
manuteno requerido (para hardware e software). O software deve ser compatvel com o
sistema corporativo. As limitaes quanto ao nmero e tipos de previses e a sua flexibilidade
quanto a variaes e volume de dados de entrada, ajustes subjetivos, capacidade e mtodos de
previso disponveis devem ser analisados na escolha de um pacote computacional. Alguns
pacotes oferecem somente um mtodo, enquanto outros oferecem uma variedade de mtodos
(MENTZER; GOMES, 1989).
Na Figura 14 so apresentados diversos softwares aplicados a sistemas de previso de
demanda e os mtodos de previso oferecidos por cada aplicativo (TASHMAN; HOOVER,
2001). Outros softwares existem, mas no o foco dessa dissertao apresentar todos os
aplicativos computacionais para implementao de mtodos de previso de demanda.

101

Planilhas eletrnicas
Excel Data Analysis Tools
BCB Predictor
Insight.xla
Pacotes estatsticos
Minitab

Mtodos de previso disponveis


Anlise de Regresso
Suavizao Exponencial
Mtodos de previso disponveis
ARIMA (Box-Jenkins)

Redes Neurais
NeuroShell Predictor
NeuroShell Professional Time Series

Anlise de Regresso
Suavizao exponencial

Redes Neurais

SPSS Neural Connection


Pacotes especficos
Autobox

Decomposio de sries temporais


SPSS Trends

Mtodos de previso disponveis

Mtodos de previso disponveis


ARIMA (Box-Jenkins)
Suavizao exponencial
ARIMA (Box-Jenkins)

Forecast Pro

Decomposio de sries temporais


Anlise de Regresso
Suavizao exponencial
Decomposio de sries temporais

SAS/ETS

SmartForecasts

Anlise Regresso
Suavizao exponencial

ARIMA (Box-Jenkins)

ARIMA (Box-Jenkins)

Decomposio de sries temporais

Decomposio de sries temporais

Anlise de Regresso
Soritec for W 95/NT

Time Series Expert

Anlise de Regresso

Suavizao exponencial

Suavizao exponencial

Modelos economtricos

Modelos economtricos
ARIMA (Box-Jenkins)
tsMeetrix

Anlise de Regresso
Suavizao exponencial

Figura 14: Pacotes computacionais para previso de demanda (Adaptado de TASHMAN; HOOVER, 2001)
101

102

Os pacotes computacionais podem ser de quatro tipos (TASHMAN; HOOVER, 2001):


(i) planilhas eletrnicas; (ii) pacotes computacionais estatsticos de uso genrico; (iii)
programas de redes neurais; e (iv) pacotes computacionais especficos. As planilhas
eletrnicas possuem ferramentas de regresso rudimentares e algumas tcnicas de
extrapolao, mas no oferecem opes de preparao de dados, seleo de mtodos ou
avaliao da acurcia das previses. Os pacotes estatsticos genricos oferecem ferramentas
para preparao dos dados, mas no disponibilizam ferramentas para seleo e avaliao de
mtodos de previso. Os aplicativos de redes neurais apresentam facilidades quanto a
preparao de dados e avaliao dos modelos de redes neurais, falhando na falta de
comparao com outros mtodos de previso. Os pacotes computacionais especficos de
previso oferecem facilidades na preparao de dados, seleo, implementao e avaliao de
mtodos.
A utilizao de softwares de previso deve ser acompanhada do monitoramento do
processo preditivo no intuito de garantir a atualizao e confiabilidade dos dados de entrada
dos softwares. Alguns pacotes computacionais demandam tempo e recursos financeiros em
grande escala, mas no apresentam previses acuradas, devido ao fato da implementao do
sistema computacional de previso no ser acompanhada do efetivo controle e monitoramento
do processo de previso (MOON et al., 1998).

3.5 IMPLEMENTAO DO(S) MTODO(S)

Aps a escolha do(s) mtodo(s) apropriado(s) e anlise da necessidade de integrao


de mtodos, implementa-se o(s) mtodo(s) de previso e geram-se resultados.
Nesta etapa necessria a integrao do processo de previso de demanda com o
ambiente operacional da empresa (ALTABET, 1998) e a obteno de inputs de especialistas
de diferentes reas funcionais, os quais contribuem com informaes relevantes e percepes
que podem melhorar a preciso das previses (MOON et al., 1998). O especialista
responsvel pela previso pode controlar e monitorar melhor o processo de previso se
facilitar o envolvimento dos usurios das previses.
Muitas empresas tm falhado na obteno de previses precisas devido ao fato da
implementao dos mtodos no ser efetivamente monitorada (MOON et al., 1998). O

103

monitoramento ir permitir estabelecer padres e/ou relaes e identificar erros persistentes


nas previses (MAKRIDAKIS, 1988).
Descries detalhadas do mtodo utilizado permitem auditorias do mtodo de previso
e replicaes, e so importantes quando o mtodo necessita de dados subjetivos ou quando os
mtodos so usados pela primeira vez para uma dada situao (ARMSTRONG, 2001e).
A metodologia de seleo pode direcionar o tomador de deciso na escolha de um
mtodo individual (qualitativo ou quantitativo) ou integrao de mtodos. Para a
implementao dos mtodos de integrao deve-se seguir as recomendaes na seo 2.5.

3.5.1 Implementao de Mtodos Qualitativos

Escolhido o mtodo qualitativo a ser implementado (Delphi, Jogo de Representao ou


Pesquisa de Intenes) inicia-se uma avaliao (pr-teste) para assegurar que a amostra de
respondentes potenciais (especialistas ou consumidores) entende os questionamentos do
mtodo aplicado e se os questionamentos esto relacionados aos objetivos do problema
(ARMSTRONG, 2001e).
A maneira como as perguntas elaboradas por cada mtodo so apresentadas pode
afetar a previso. Algumas vezes, pequenas mudanas nas palavras conduzem a mudanas
substanciais nas respostas, exigindo um cuidado muito grande na aplicao destes mtodos.
Validados os questionamentos no pr-teste, aplica-se o mtodo e geram-se as previses. Os
respondentes (especialistas ou consumidores) devem justificar e documentar suas
consideraes sobre as previses para facilitar o aprendizado do processo preditivo e melhorar
continuamente a acurcia dos resultados (ARMSTRONG, 2001e).
Para incorporar uma maior variedade de informaes contextuais no processo
preditivo deve-se obter previses de um grupo heterogneo de respondentes, ou seja,
participantes que possuem informaes e conhecimento diferentes sobre o assunto em questo
(ARMSTRONG, 2001e).

3.5.2 Implementao de Mtodos Quantitativos

A implementao de mtodos quantitativos (Extrapolao e Modelos Causais) deve


ser baseada no conhecimento de especialistas sobre as sries temporais histricas, a seleo de

104

variveis causais ou explanatrias e a especificao das relaes entre variveis


(ARMSTRONG, 2001e). A implementao destes mtodos facilitada pela utilizao de
pacotes computacionais genricos ou especficos.
A implementao de mtodos quantitativos que utilizam como dados de entrada sries
temporais deve seguir alguns passos. O primeiro dividir a srie temporal em duas partes:
uma parte ser a srie para inicializao e a outra a srie para teste. Esta separao feita no
intuito de conduzir uma avaliao da acurcia do mtodo de previso (MAKRIDAKIS;
WHEELWRIGHT; HYNDMAN, 1998; TASHMAN; 2000).
A srie para inicializao usada para iniciar o mtodo de previso, ou seja, realizar o
ajuste de um modelo matemtico. Estimativas de parmetros, componentes sazonais e
componentes de ciclo so obtidos neste estgio. Esta uma etapa iterativa; se os parmetros
iniciais no so timos, modifica-se o processo de inicializao e/ou procura-se pelos valores
timos dos parmetros do modelo. O mtodo aplicado na srie para teste para analisar o
ajuste do modelo de previso aos dados que no foram usados na estimativa dos componentes
do modelo. Depois de cada previso as medidas de aurcia so determinadas
(MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998).
Dependendo do objetivo da previso, a atualizao dos modelos deve ocorrer
freqentemente, revisando os seus parmetros quando mudanas recentes e muita incerteza
nas relaes entre as variveis analisadas so esperadas (ARMSTRONG, 2001e).

3.6 VALIDAO DO(S) MTODO(S) DE PREVISO

A validao dos mtodos de previso faz-se necessria para assegurar que o processo
de previso funcione apropriadamente e para oferecer uma reviso formal dos mtodos de
previso (SANDERS, 1997a; KLASSEN; FLORES, 2001). O objetivo desta etapa a
avaliao da eficincia do mtodo utilizado e do seu potencial para utilizao futura.
Os mtodos so avaliados atravs da acurcia das previses, ou seja, avaliando as
previses de um determinado perodo (TASHMAN; 2000). A acurcia da previso depende
da preciso dos dados, da estabilidade no processo gerador dos dados, do horizonte de
previso e do mtodo de previso utilizado (ELSAYED; BOUCHER, 1994).
Na validao dos mtodos comparam-se as previses com os valores realizados de
demanda para obter a acurcia. A escolha do nmero de perodos para validao do mtodo

105

arbitrria. Um possvel critrio a utilizao de 1 a 3 perodos para previses de curto prazo e


de 4 a 8 perodos para previses de mdio e longo prazo (HIBON; EVGENIOU, 2005). O
mtodo considerado validado se os resultados so melhores (mais acurados) que os do
procedimento atual de previso (ARMSTRONG, 2001e).
Existem diferentes medidas de acurcia sob a forma de percentuais de erro absoluto ou
erros quadrados (Tabela 1). Utilizam-se diferentes medidas quando h incerteza sobre a
melhor maneira de calcular o erro. A escolha de uma medida de erro varia de acordo com a
situao de uso e do nmero de sries temporais analisadas. O MAPE a medida de acurcia
mais utilizada nos estudos empricos. Quanto menor o valor da medida de acurcia utilizada,
melhor a preciso do mtodo.
Erros de previso podem proporcionar informaes sobre propriedades dinmicas do
sistema, as quais podem auxiliar na melhoria de previses futuras, atravs da identificao de
inconsistncias nas suposies, no modelo ou nos dados usados anteriormente (LINDBERG;
ZACKRISSON, 1991).
A identificao das fontes de erro e de melhoria de acurcia dos mtodos de previso
tambm objetivo desta etapa. O tamanho e a persistncia dos erros obtidos em previses
dependem dos seguintes fatores: flutuaes inerentes aos processos, identificao errada de
padres de demanda, padres inexatos e mudanas de padres (MAKRIDAKIS, 1988).
H casos em que um mtodo gera previses acuradas, mas de difcil entendimento, a
metodologia muito complexa e/ou os dados de entrada so de difcil acesso. Um mtodo de
fcil entendimento ou mais simples pode ser prefervel, mesmo que ele reduza a acurcia da
previso (ARMSTRONG, 2001e).
Replicaes do mtodo devem ser realizadas especialmente quando um mtodo
complexo utilizado e quando previses podem ser afetadas por fatores contextuais.
Replicaes que contm variaes em elementos importantes da situao de previso ou do
mtodo so importantes para generalizar a sua utilizao e definir a situao em que ele
melhor se aplica (ARMSTRONG, 2001e).

106

CAPTULO 4

4 ESTUDO DE CASO

Este captulo destina-se aplicao da metodologia proposta em duas empresas com


problemas diferenciados em relao aos seus sistemas de previso de demanda.
O primeiro estudo de caso descreve a seleo de mtodos de previso para obteno de
previses de demanda de produtos consolidados no mercado de eletroeletrnicos e que
possuem histrico de demanda. O segundo estudo de caso aborda a aplicao da metodologia
para previses de demanda de um produto novo no mercado de distribuio de energia
eltrica, sem histrico de demanda.
A investigao de organizaes com necessidades e caractersticas distintas em relao
aos produtos analisados justificada pela necessidade de validao da metodologia para
diferentes cenrios de mercado.

4.1 PREVISO DE PRODUTOS CONSOLIDADOS NO MERCADO

4.1.1 Definio do Problema

O problema a ser resolvido neste estudo de caso a obteno de previses de demanda


acuradas para uma empresa de manufatura de ar-condicionado. Mais especificamente para 3
produtos (denominados 10K, 18K e 30K) consolidados no mercado interno, cujas demandas
so afetadas por fatores contextuais.

107

A empresa apresenta restries de capacidade e flexibilidade limitada para responder a


mudanas no curto prazo, sendo que a acurcia da previso de demanda crtica para o
desempenho operacional da empresa. As previses sero utilizadas para programao de
produo, planejamento de capacidade de produo, controle de estoques, aquisio de
matrias-primas e contratao de mo-de-obra.
Os recursos disponibilizados pela empresa para os especialistas em planejamento
operacional so restritos quanto ao sistema de previso. Os especialistas no dispem de
software de previso e no possuem treinamento em metodologias de previso de demanda.
Desta forma uma das restries na escolha do mtodo mais adequado de previso a
complexidade do mtodo, ou seja, deve-se optar por mtodos mais simples e de fcil
entendimento.

4.1.2 Obteno de Informaes

O processo de obteno de informaes engloba: (i) discriminao dos nveis


industriais de previso; (ii) definio dos fatores temporais; (iii) priorizao dos itens a serem
previstos; (iv) anlise do ciclo de vida dos itens a serem previstos; (v) definio dos dados de
entrada e sada; e (vi)coleta e preparao de dados .
A definio do problema a ser resolvido auxiliou na discriminao do nvel industrial
de previso em nvel local, o qual necessita de previses de demanda por itens produzidos
para auxiliar no planejamento operacional da empresa. A definio do nvel local direciona a
seleo de mtodos quantitativos de previso (mtodos de Extrapolao de sries temporais),
pois o planejamento operacional neste nvel demanda um maior nmero e freqncia de
previses, e um menor horizonte de previso. Devido ao curto intervalo necessrio para
obteno das previses e anlise de fatores contextuais, a incorporao de anlises subjetivas
no processo preditivo dificultada para previses no nvel local.
O perodo de previso depende do problema a ser resolvido; como o planejamento
operacional da empresa mensal, o perodo de previso ser mensal. O intervalo entre
previses tambm ser mensal; o modelo matemtico do mtodo quantitativo implementado
deve ser continuamente revisado, pois h incerteza sobre a continuidade do nvel de demanda
no futuro. Como os custos aumentam com previses mais freqentes, deve-se priorizar
mtodos que possam ser inseridos na rotina operacional da empresa. Um horizonte de

108

previso de curto prazo (3 meses) foi definido, pois para a situao analisada no se espera
grandes mudanas no padro de demanda no curto prazo.
Como a empresa restringiu o processo de previso a trs produtos especficos no
houve necessidade de priorizao dos itens a serem previstos atravs de classificao ABC.
Os produtos analisados neste estudo de caso esto no estgio de estabilidade no mercado, o
que direciona a escolha para mtodos de Extrapolao (Mdia Mvel, Suavizao
Exponencial ou Box-Jenkins) e/ou mtodos causais (Anlises de Regresso). As preocupaes
da organizao neste estgio do produto so referentes ao planejamento de produo e
estratgias de mercado para evitar declnios na demanda.
Nesta etapa tambm foram especificados os diferentes tipos de dados de entrada. A
organizao disponibilizou dados histricos de demanda mensal no mercado interno,
estimativas subjetivas de participao de mercado dos produtos de interesse e a previso de
demanda feita pelos especialista da empresa. As informaes quantitativas e qualitativas
foram analisadas quanto a sua confiabilidade e relevncia para o processo preditivo.
A entrada de um novo concorrente no mercado nacional de ar-condicionado estava
afetando a demanda dos produtos da empresa analisada e conseqentemente o seu
desempenho. O concorrente estava atuando com uma estratgia de preos abaixo do mercado
para ganhar participao no mercado nacional. Os especialistas da empresa esperavam uma
queda significativa nas vendas dos produtos da empresa; similar ao nvel da queda de
demanda devido aos efeitos de racionamento nacional de energia (apago).
A Tabela 2 apresenta as estimativas subjetivas dos especialistas da empresa em relao
a perdas mensais de participao no mercado dos produtos 10K, 18K e 30K. As estimativas
foram obtidas considerando um horizonte de 3 meses de previso, ou seja, os especialistas
esperavam as perdas estimadas para os meses de dezembro de 2003, janeiro de 2004 e
fevereiro de 2004.

Tabela 2: Estimativas de perdas mensais de participao de mercado dos produtos 10K, 18K e
30K

Perdas Mensais

10K

Produto
18K

30K

5%

15%

25%

109

Os produtos foram afetados diferentemente pela estratgia do concorrente. O 30K


seria o principal produto afetado devido ao foco do concorrente em produtos similares com
baixo preo; no horizonte de previso considerado pelos especialistas. Previses subjetivas da
demanda mensal dos produtos (em unidades) tambm foram disponibilizadas pelos
especialistas da empresa (Tabela 3). As previses subjetivas foram validadas pelos
especialistas da empresa.

Tabela 3: Previses de demanda mensal dos especialistas para os produtos 10K, 18K e 30K

dezembro-03
janeiro-04
fevereiro-04

Previses
10K
5.968
4.680
381

dos especialistas
18K
30K
2.491
1.313
1.488
956
1.559
830

Os histricos de demanda foram fornecidos pelo setor de vendas da empresa, ou seja,


so histricos de vendas e no de produo. Como a empresa utiliza uma estratgia de
produo para estoque deve-se ajustar futuramente as previses de vendas para previses de
produo, com o intuito de apoiar mais precisamente decises sobre o planejamento da
produo e controle de estoques.
Informaes sobre nveis de estoque e produtividade no foram disponibilizados para
este estudo. A organizao no possua histrico de variveis causais para a anlise da
adequao de mtodos causais ou do impacto destas variveis explanatrias nas variveis a
serem previstas.
Os dados histricos foram organizados em um banco de dados sem filtros, pois as
demandas histricas correspondiam a vendas mensais em todo mercado nacional, sem
estratificaes por regio ou tipo de cliente. Depois de organizados, uma anlise grfica
preliminar foi utilizada para avaliar o padro de demanda, identificar erros de leitura, lacunas
e localizar dados esprios devidos a eventos especiais passados e no sistemticos. Os dados
foram validados com a participao dos especialistas da empresa, sendo que valores esprios
e valores influenciados por eventos especiais no sistemticos foram ajustados nas sries
temporais.

110

A demanda de produtos relacionados ao consumo de energia eltrica sofreu a


influncia do racionamento nacional de energia (apago), imposto nos perodos entre junho de
2001 e fevereiro de 2002 (ANEEL, 2005a). Os perodos mensais afetados pelos efeitos do
apago foram ajustados substituindo seus valores de demanda pela mdia aritmtica dos
valores do mesmo perodo dos anos anterior e posterior ao do perodo analisado. Os dados
histricos originais e ajustados so apresentados nos Apndices C e D. A Figura 15 apresenta
graficamente os dados originais de demanda e os dados ajustados aps anlise do perodo de
racionamento de energia.

a) Srie temporal original do produto 10K

b) Srie temporal ajustada do produto 10K

12000

12000

10000

10000

8000

8000

6000

6000

4000

4000

2000

2000

2000

2001

2002

2003

2004

2000

c) Srie temporal original do produto 18K


3000

2500

2500

2000

2000

1500

1500

1000

1000

2001

2002

2003

2004

500
2000

e) Srie temporal original do produto 30K

1500

1000

1000

500

500

2001

2002

2003

2004

2001

2002

2003

2004

2003

2004

f) Srie temporal ajustada do produto 30K

1500

2000

2002

d) Srie temporal ajustada do produto 18K

3000

500
2000

2001

2003

2004

2000

2001

2002

Figura 15: Sries temporais originais e ajustadas dos produtos 10K, 18K e 30K

Analisando as sries temporais dos produtos estudados, nota-se uma queda na


demanda dos produtos no ltimo ano das sries. Esta queda reflete a influncia de fatores
contextuais, em especial, as aes de reduo de preo dos produtos do novo concorrente. A

111

previso de retrao do mercado, apresentada na Tabela 2, na verdade complementa a queda


vista nos grficos. O produto 30K, para o qual os especialistas previram uma queda maior na
Tabela 2 justamente o que no tem uma grande queda no grfico; a queda nas vendas do
produto 30K menor se comparada a dos outros produtos. Entretanto, os especialistas
esperavam uma queda de demanda mais severa no horizonte de previso considerado. Os
especialistas previam que o novo concorrente baixaria mais ainda o preo do seu produto
similar ao 30K para aproveitar os meses de grande demanda pelo produto e ganhar mercado.
Os produtos no foram agregados para a realizao das previses devido ao interesse da
empresa nas previses individuais dos mesmos.
As previses de cada produto foram obtidas e apresentadas sob a forma de valores
pontuais e de intervalos de previso. Os valores pontuais foram utilizados para anlise de
acurcia e os intervalos foram disponibilizados para auxiliar na tomadas de deciso dos
especialistas da empresa.

4.1.3 Escolha do Mtodo de Previso

Nesta etapa da aplicao da metodologia proposta utiliza-se o fluxograma para seleo


de mtodos. Na Figura 16 so apresentados os fatores de escolha considerados para definio
do mtodo de previso para os produtos consolidados no mercado que so analisados neste
estudo de caso.
A definio do nvel industrial da previso em nvel local e do estgio do ciclo de vida
do produto em estgio de estabilidade de mercado indicou a utilizao de mtodos
quantitativos. A metodologia de seleo indica que os mtodos de Suavizao Exponencial
(Mtodo de Holt-Winters) ou de Box-Jenkins so os mais adequados para a situao de
previso.
A empresa no disponibilizou informaes sobre variveis que influenciam a varivel
de previso e os especialistas envolvidos no trabalho no tinham um bom conhecimento sobre
as relaes entre as variveis do processo preditivo. Os tipos de dados disponibilizados foram
sries temporais da varivel a ser prevista.

112

Nvel Industrial da previso

Nvel Setorial

Nvel Corporativo

Nvel da Unidade
Estratgica de Negcios

Nvel da Unidade de
Manuteno de Estoque

Estgio do ciclo de vida do produto:


Crescimento rpido no mercado
Estabilidade no mercado
Declnio do produto

Estgio do ciclo de vida do produto

Desenvolvimento de produtos
Teste e introduo de mercado
Crescimento rpido no mercado

Crescimento rpido no mercado


Estabilidade no mercado

Decllnio do produto

Dados suficientes para modelagem


matemtica,mas preferncia por
mtodos simples

Dados insuficientes para


modelagem matemtica

Disponibilidade de sries
histricas de variveis de
interesse e/ou causais

Mtodos Causais

Mtodos Qualitativos

Bom conhecimento da relao entre


variveis que influenciam a previso?

Sim

No

No

Conflito entre
tomadores de deciso?

Alto custo de especialistas?


Necessidade de previses freqentes?

No

Sim

amostrais

Casos similares
existem?
No

Opinio de
especilaistas
(Delphi)

Bootstrapping
Subjetivo *

Sim

No

Sim

Sim

Alto custo de especialistas?


Necessidade de previses freqentes?
Sim

Pesquisa de Intenes
ou
Opinio de especialistas
(Delphi)

Jogo de
Representao

Analogia

Bootstrapping
Subjetivo*

No

Sistema
Especialista

Anlise de
Regresso

Pesquisa de
Intenes

Opinio de
especilaistas
(Delphi)

Mtodos de
Extrapolao**

No

Previso
baseada
em regras

Mdia Mvel ou
Suavizao Exponencial
Simples

Sim

Mtodos causais
Mtodos de
Extrapolao**
Recursos limitados
para implementao?
Sim

Srie sem tendncia e


elementos sazonais
Opinio de
especilaistas
(Delphi)

No

Bom conhecimento
contextual?

No

participantes

Anlise
Conjunta

Grandes mudanas so esperadas?


Dados de variveis causais disponveis?

sries temporais

Anlise de diferentes
polticas?

Melhor fonte de informaes


especialistas

Sim

Tipos de dados

Sim

Anlise de diferentes polticas?


Necessidade de previses freqentes?
Sim

Mtodos de Extrapolao

Mtodos Quantitativos

Grandes mudanas so esperadas?


No

Nvel local

Anlise dos componentes


da srie temporal

Srie com tendncia, mas


sem elementos sazonais

Bom conhecimento de fatores


econmicos
relacionados a previso?
No

Sim

No

Box-Jenkins

Anlise de
Regresso

Modelos
Economtricos

Srie com
elementos sazonais

Suavizao Exponencial
Linear de Holt

Opinio de
especilaistas
(Delphi)

Anlise de
Regresso

112

Figura 16: Mtodos de previso selecionados no primeiro estudo de caso

Mtodo de
Holt-Winters

113

No havia um grande domnio de conhecimento contextual por parte dos especialistas,


pois os especialistas afirmaram que as quedas percentuais esperadas para os produtos
considerados seriam similares as ocorridas devido aos efeitos de racionamento nacional de
energia, no entanto as estimativas dos especialistas ficaram muito abaixo dos valores
percentuais mdios de queda de demanda durante o apago (Tabela 4). Os valores referentes
ao apago na Tabela 4 so mdias dos percentuais de queda de demanda de cada produto nos
meses de dezembro de 2001, janeiro de 2002 e fevereiro de 2002. Concluiu-se que os
especialistas no conseguiam traduzir a informao contextual para o processo preditivo.
Desta forma, optou-se por uma previso inicial com mtodos baseados exclusivamente na
extrapolao de sries histricas.

Tabela 4: Perdas mensais mdias de demanda para os produtos 10K, 18K e 30K (estimadas
pelos especialistas e observadas durante o racionamento de energia)

Perdas mensais estimadas


Perdas mensais durante o apago

10K

Produto
18K

30K

5%
30%

15%
50%

25%
38%

A empresa limitou os recursos disponibilizados tanto para investimentos em software


de previso quanto em treinamento dos especialistas da empresa. Nesse contexto, mtodos de
Extrapolao mais simples so mais adequados.
A anlise grfica realizada na etapa de coleta e preparao de dados indicou
sazonalidades nas sries temporais, direcionando a escolha do mtodo de Holt-Winters para os
produtos em estudo. Caractersticas importantes do mtodo selecionado podem ser avaliadas
no APNDICE A.
A comparao do mtodo de Holt-Winters com o mtodo de Box-Jenkins foi realizada
para anlise da acurcia das previses (Tabelas 12 e 13). No caso da acurcia ser maior com a
implementao do mtodo de Box-Jenkins, a empresa poderia rever a restrio de
investimentos em recursos humanos e computacionais para o processo preditivo.
Como os mtodos quantitativos no agregam informaes contextuais futuras,
estimativas de fatores ou eventos futuros devem ser incorporados no processo preditivo
atravs de ajustes nas previses quantitativas. Os especialistas da empresa disponibilizaram

114

previses subjetivas de percentual de queda mensal na participao de mercado, sendo que o


ajuste subjetivo da estimativa quantitativa visou a comparao da acurcia de previses
quantitativas sem ajuste e com ajuste subjetivo.

4.1.4 Seleo do Pacote Computacional

Para facilitar a implementao dos mtodos quantitativos selecionados utilizou-se um


software especfico para previses de demanda. O pacote computacional escolhido foi o
ForecastPro, o qual disponibiliza os mtodos de Suavizao Exponencial e Box-Jenkins.
O ForecastPro tem um custo de aquisio moderado, sendo acessvel para as empresas;
alm disso de fcil entendimento e utilizao. O software pode fazer previses de vrias
sries temporais em paralelo e oferece uma opo de seleo automtica pelo prprio software
do melhor mtodo para a srie analisada, exigindo a mnima interao dos especialistas e
usurios das previses com modelos matemticos de previso e anlises subjetivas sobre o
padro de demanda das sries alimentadas no software.
O software selecionado no consegue incorporar o ajuste subjetivo, sendo que as
previses quantitativas obtidas com a utilizao do software so ajustadas com a utilizao de
uma planilha eletrnica.

4.1.5 Implementao do(s) Mtodos(s)

Esta etapa da metodologia proposta foi realizada em dois passos: (i) implementao
dos mtodos quantitativos; e (ii) ajuste subjetivo das previses quantitativas.

4.1.5.1 Implementao dos Mtodos de Extrapolao

A implementao de mtodos quantitativos (Suavizao Exponencial e Box-Jenkins)


foi operacionalizada com a utilizao do pacote computacional especfico. As sries
temporais foram divididas em duas partes, uma parte para o ajuste do modelo matemtico (47
perodos mensais) e a outra para validao do mtodo (3 ltimos perodos mensais). O
horizonte de previso foi definido anteriormente em 3 meses, reservando, assim, os ltimos
valores de demanda das sries para a avaliao da acurcia das previses obtidas. As

115

modelagens das sries foram realizadas com a aplicao dos mtodos de Suavizao
Exponencial (Holt-Winters) e Box-Jenkins.
A srie utilizada para o ajuste do modelo matemtico tem aproximadamente o
tamanho recomendado para a obteno de uma boa estimativa dos coeficientes de
autocorrelao do mtodo de Box-Jenkins (pelo menos 50 observaes da varivel analisada)
(PELLEGRINI, 2000). Desta forma, considerou-se no haver restries a implementao do
mtodo de Box-Jenkins.
Dado que os padres de demanda dos produtos analisados so bem caracterizados
pelos componentes da srie e no se esperam mudanas repentinas durante o horizonte de
previso, considerou-se que os erros so aleatrios, normalmente distribudos e constantes;
sendo obtidos os intervalos de confiana para as previses (MAKRIDAKIS, 1988).

Produto 10K

O software de previso ajusta modelos matemticos aos dados da srie temporal. A


modelagem da srie ajustada vem apresenta na Figura 17, conjuntamente com as previses
pontuais e o intervalo de confiana para a previso (nvel de confiana = 95%). A linha preta
corresponde srie temporal histrica; a linha vermelha, aos valores pontuais de ajuste e de
previso; as linhas em azul delimitam o intervalo de confiana das previses.
O ajuste mensurado pelo coeficiente de determinao (R2), sendo que um ajuste
perfeito do modelo aos dados da srie resulta em um valor igual a 1 para R2. Consideram-se
aceitveis valores com R2 > 0,6 (PELLEGRINI, 2000). O software tambm calcula a mdia
dos erros percentuais absolutos (MAPE) dos valores ajustados em relao aos valores da srie
histrica. A Tabela 5 apresenta informaes relativas aos diferentes modelos matemticos
ajustados. O mtodo de Suavizao Exponencial apresentou melhor ajuste que o mtodo de
Box-Jenkins. As previses obtidas (em unidades de produto) com a implementao dos
mtodos quantitativos e os limites inferior e superior do intervalo de confiana so
apresentadas na Tabela 6.

116

a) Modelagem de srie temporal pelo mtodo de Suavizao Exponencial


12000
10000
8000
6000
4000
2000
0
2000

2001

2002

2003

2004

b) Modelagem de srie temporal pelo mtodo de Box-Jenkins


12000
10000
8000
6000
4000
2000

2000

2001

2002

2003

2004

Figura 17: Modelagem para as sries temporais do produto 10K

Tabela 5: Dados dos modelos selecionados para o produto 10K


Mtodo de Suavizao Exponencial
Modelo matemtico Suavizao Exponencial
sem tendncia
sazonalidade multiplicativa
2

R
MAPE

Mtodo de Box-Jenkins
Modelo matemtico ARIMA(0,1,0)*(0,1,0)12

0,9473
0,1543

R
MAPE

0,9036
0,1341

Tabela 6: Demandas mensais previstas (em unidades de produto), limites inferior e limites
superior (nvel de confiana = 95%) para o produto 10K

Perodo
dezembro-03
janeiro-04
fevereiro-04

Mtodo de Suavizao Exponencial


Limite
Previso
Limite
inferior
Pontual
Superior
974
358
293

4.693
2.581
2.533

8.412
4.804
4.772

Mtodo de Box-Jenkins
Limite
Previso
Limite
inferior
Pontual Superior
2.488
1.019
886

3.972
1.975
1.992

6.342
3.828
4.481

117

Produto 18K

A Figura 18 apresenta as modelagens da srie temporal do produto 18K para os


diferentes mtodos de previso, conjuntamente com as previses pontuais e o intervalo de
confiana para a previso (nvel de confiana = 95%). A Tabela 7 apresenta informaes
relativas aos modelos matemticos ajustados e a Tabela 8 fornece as previses de demanda
(em unidades de produto) obtidas com a implementao dos mtodos quantitativos.

a) Modelagem de srie temporal pelo mtodo de Suavizao Exponencial

3000
2500
2000
1500
1000
500
0
2000

2001

2002

2003

2004

b) Modelagem de srie temporal pelo mtodo de Box-Jenkins


4000
3500
3000
2500
2000
1500
1000
500
2000

2001

2002

2003

2004

Figura 18: Modelagem para as sries temporais do produto 18k

Tabela 7: Dados dos modelos selecionados para o produto 18K


Mtodo de Suavizao Exponencial
Modelo matemtico Suavizao Exponencial
tendncia linear
sazonalidade multiplicativa
2

R
MAPE

0,7101
0,2522

Mtodo de Box-Jenkins
Modelo matemtico ARIMA(1,0,0)*(0,1,0)12

R
MAPE

0,5872
0,212

118

Tabela 8: Demandas mensais previstas (em unidades de produto), limites inferior e limites
superior (nvel de confiana = 95%) para o produto 18K
Mtodo de Suavizao Exponencial
Limite
Previso
Limite
Perodo
inferior
Pontual
Superior
dezembro-03
292
1.857
3.422
janeiro-04
109
1.038
1.966
fevereiro-04
49
974
1.899

Mtodo de Box-Jenkins
Limite
Previso
Limite
inferior
Pontual Superior
1.087
2.146
4.234
504
1.033
2.119
627
1.291
2.658

O modelo matemtico do mtodo de Suavizao Exponencial apresenta melhor ajuste aos


dados da srie histrica (Tabela 7), sendo o mais indicado para a previso de demanda do
produto 18K.

Produto 30K

A Figura 19 apresenta as modelagens da srie temporal para os diferentes mtodos de


previso, conjuntamente com as previses pontuais e o intervalo de confiana para a previso
do produto 30K.
A Tabela 9 apresenta informaes relativas aos modelos matemticos ajustados e a
Tabela 10 fornece as previses obtidas (em unidades de produto) com a implementao dos
mtodos. O modelo matemtico do mtodo de Suavizao Exponencial apresenta o melhor
ajuste aos dados da srie histrica e o mais adequado para a previso do produto 30K.

119

a) Modelagem de srie temporal pelo mtodo de Suavizao Exponencial

2000

1500

1000

500

2000

2001

2002

2003

2004

b) Modelagem de srie temporal pelo mtodo de Box-Jenkins

1500

1000

500

2000

2001

2002

2003

2004

Figura 19: Modelagem para as sries temporais do produto 30K

Tabela 9: Dados dos modelos selecionados para o produto 30K


Mtodo de Suavizao Exponencial
Modelo matemtico Suavizao Exponencial
sem tendncia
sazonalidade multiplicativa
2

R
MAPE

Mtodo de Box-Jenkins
Modelo matemtico ARIMA(1,0,0)*(0,1,0)12

0,7924
0,2148

R
MAPE

0,791
0,1565

Tabela 10: Demandas mensais previstas (em unidades de produto), limites inferior e limites
superior (nvel de confiana = 95%) para o produto 30K
Mtodo de Suavizao Exponencial

Mtodo de Box-Jenkins

Perodo

Limite
inferior

Previso
Pontual

Limite
Superior

Limite
inferior

Previso
Pontual

Limite
Superior

dezembro-03
janeiro-04
fevereiro-04

433
307
205

1.390
992
670

2.348
1.676
1.135

846
559
293

1.337
1.011
644

1.940
1.597
1.133

120

4.1.5.2 Ajuste Subjetivo das previses quantitativas

Um ajuste subjetivo foi realizado para incorporar o conhecimento contextual futuro no


processo preditivo. As previses ajustadas em funo das estimativas de perda de participao
de mercado so apresentadas na Tabela 11. As previses pontuais apresentada nas Tabelas 6,
8 e 10 foram multiplicadas pelo percentual complementar do apresentado na Tabela 2.

Tabela 11: Demandas pontuais previstas (em unidades de produto/ms) aps ajuste subjetivo
das previses individuais para os produtos 10K, 18K e 30K

Produto
10k

18k

30k

Perodo
dezembro-03
janeiro-04
fevereiro-04
dezembro-03
janeiro-04
fevereiro-04
dezembro-03
janeiro-04
fevereiro-04

Previses individuais
Mtodo de
Mtodo de
Suavizao
Box-Jenkins
Exponencial
Previso
Previso
Pontual
Pontual
4.458
3.773
2.452
1.876
2.406
1.893
1.578
1.824
882
878
828
1.097
1.043
1.003
744
759
502
483

4.1.6 Validao do(s) mtodo(s) de previso

As previses obtidas foram comparadas com as previses empricas dos especialistas


da empresa. A comparao visa determinar se a acurcia obtida com uma metodologia
estruturada de previso maior que a das previses atuais da empresa. Nesta etapa foram
obtidas a acurcia das previses puramente quantitativas (sem ajustes), das previses
ajustadas subjetivamente e das previses subjetivas dos especialistas (Tabela 3).
Os mtodos foram avaliados atravs da acurcia das previses para um horizonte de 3
meses. Utilizou-se a mdia dos erros percentuais absolutos (MAPE) e o erro percentual
absoluto (APE) como medidas de acurcia dos mtodos. O MAPE indica a mdia do erro no

121

horizonte de previso e o APE o erro para cada perodo que compem o horizonte de
previso, facilitando a anlise da preciso mensal das previses. Os resultados da anlise de
acurcia das previses sem ajuste subjetivo (Tabelas 6, 8 e 10) so apresentados na Tabela 12.
A Tabela 13 apresenta a acurcia das previses ajustadas subjetivamente com as estimativas
de perdas de participao no mercado. Comparando as Tabelas 12 e 13, pode-se definir os
mtodos mais precisos em funo da anlise das medidas de acurcia e evidenciar as
melhorias na preciso com o ajuste subjetivo. O ajuste subjetivo melhorou a acurcia das
previses dos trs produtos para os dois mtodos implementados.
Para os produtos 10K e 30K o mtodo que ofereceu a melhor acurcia foi o mtodo de
Box-Jenkins com ajuste subjetivo (valores em vermelho indicam o menor valor de MAPE
obtido para cada produto). Para o produto 18K o mtodo mais adequado o de Suavizao
Exponencial com ajuste subjetivo. A Tabela 14 compara a acurcia dos mtodos mais
precisos (Box-Jenkins para os produtos 10K e 30K; e Suavizao Exponencial para o produto
18K) com a acurcia das previses dos especialistas da empresa.

Tabela 12: Acurcia das demandas pontuais previstas sem ajuste subjetivo das previses para
os produtos 10K, 18K e 30K
Mtodo de Suavizao
Exponencial
Produto
10k

18k

30k

Demanda
real
dezembro-03
3.852
janeiro-04
1.988
fevereiro-04
1.679
dezembro-03
1.569
janeiro-04
896
fevereiro-04
661
dezembro-03
888
janeiro-04
571
fevereiro-04
341
Perodo

Previso
Pontual
4.693
2.581
2.533
1.857
1.038
974
1.390
992
670

Mtodo de Box-Jenkins
APE

MAPE

0,2183
0,2984 0,3417
0,5084

Previso
Pontual
3.972
1.975
1.992

0,0311
0,0064
0,1867

0,0747

0,1835
0,1582 0,2719
0,4740
0,5658
0,7367 0,7557
0,9646

2.146
1.033
1.291
1.337
1.011
644

0,3675
0,1534
0,9529
0,5060
0,7713
0,8894

APE

MAPE

0,4913

0,7222

122

Tabela 13: Acurcia das demandas pontuais previstas com ajuste subjetivo das estimativas de
perdas de participao no mercado para os produtos 10K, 18K e 30K
Mtodo de Suavizao
Exponencial
Produto

Perodo
dezembro-03
janeiro-04
fevereiro-04
dezembro-03
janeiro-04
fevereiro-04
dezembro-03
janeiro-04
fevereiro-04

10k

18k

30k

Demanda
real
3.852
1.988
1.679
1.569
896
661
888
571
341

Previso
Pontual
4.458
2.452
2.406
1.578
882
828
1.043
744
502

APE

Mtodo de Box-Jenkins

MAPE

0,1574
0,2335 0,2746
0,4329
0,0060
0,0155 0,0915
0,2529
0,1744
0,3026 0,3168
0,4734

Previso
Pontual
3.773
1.876
1.893
1.824
878
1.097
1.003
759
483

APE
0,0205
0,0561
0,1273
0,1624
0,0196
0,6600
0,1295
0,3285
0,4170

MAPE
0,0680

0,2807

0,2917

Tabela 14: Acurcia das demandas pontuais previstas pelos especialistas da empresa e pelos
mtodos mais adequados para os produtos 10K, 18K e 30K
Mtodo proposto
Produto
10k

18k

30k

Perodo
dezembro-03
janeiro-04
fevereiro-04
dezembro-03
janeiro-04
fevereiro-04
dezembro-03
janeiro-04
fevereiro-04

Demanda
real
3.852
1.988
1.679
1.569
896
661
888
571
341

Previso
Pontual
3.773
1.876
1.893
1.578
882
828
1.003
759
483

APE
0,0205
0,0561
0,1273
0,0060
0,0155
0,2529
0,1295
0,3285
0,4170

Especialistas da empresa
MAPE
0,0680

0,0915

0,2917

Previso
Pontual
5.968
4.680
381
2.491
1.488
1.559
1.313
956
830

APE
0,5493
1,3541
0,7731
0,5876
0,6607
1,3585
0,4786
0,6743
1,4340

MAPE
0,8922

0,8690

0,8623

A metodologia proposta foi validada; os resultados (previses) obtidos pelo mtodo


proposto de Extrapolao com ajuste subjetivo so mais acurados que (i) as previses dos
especialistas da empresa realizadas sem o apoio de mtodos quantitativos e que (ii) as
previses quantitativas sem o ajuste subjetivo. Mesmo que a empresa decida no investir em
software de previso para implementao do mtodo de Box-Jenkins, mantendo sua poltica
de restrio de recursos para o sistema de previso, a implementao do mtodo de
Suavizao Exponencial satisfatria em termos de preciso. O ajuste subjetivo das previses
dos mtodos de Suavizao gerou previses com menores erros em comparao com as

123

previses dos especialistas da empresa. Comparaes dos mtodos selecionados com outros
mtodos estruturados de previso podem ser realizadas futuramente para a otimizao do
sistema de previses da empresa e comparaes de acurcia.

4.2 PREVISO DE PRODUTOS NOVOS NO MERCADO

4.2.1 Definio do Problema

O segundo estudo de caso foi desenvolvido em parceria com uma empresa que produz
medidores de energia eltrica. Os medidores de energia so fornecidos para empresas de
distribuio de energia tanto do Brasil quanto do exterior. O produto de interesse neste estudo
um medidor eletrnico de energia eltrica, o qual vem sendo introduzido lentamente no
mercado brasileiro. O medidor eletrnico foi desenvolvido para substituir os medidores
eletromecnicos fabricados pela empresa, especialmente na classe de consumidores
residenciais das distribuidoras de energia eltrica.
O desenvolvimento de novas tecnologias na rea de mensurao de consumo de
energia tem trazido benefcios tanto para o consumidor quanto para as distribuidoras de
energia. A substituio de medidores eletromecnicos por medidores eletrnicos favorece o
consumidor final e as distribuidoras. Entre os benefcios da substituio esto: a avaliao
otimizada e detalhada de consumo (perfil de consumo e curva de carga); a armazenagem de
dados; a facilidade de calibrao, teste e instalao; a facilidade de leitura (tradicional, atravs
de rdio ou por modem); a reduo de custos de operao de medio; e a disponibilizao de
novos servios para consumidores residenciais (DOS SANTOS; CAPDEVILLE, 2002).
A entrada desses modelos de medidores no mercado nacional deve resolver os
problemas mais comuns enfrentados pelas distribuidoras de energia eltrica, como a falta de
opo para cobrana de tarifas diferenciadas e impossibilidade de transmisso de dados online. Alm disso, ajudar a garantir um consumo racional de energia por parte da populao e
poder oferecer uma tarifao pr-paga, onde o consumidor poder comprar energia eltrica
com um carto inteligente e abastecer o medidor com os kilowatts que necessitar para um
determinado perodo de tempo.
Previses de demanda desses medidores no mercado brasileiro so essenciais para
planejamentos ttico e estratgico da empresa, sendo utilizadas para o planejamento agregado

124

de produo, dimensionamento da capacidade produtiva e alocao de recursos em P&D. Os


planejamentos de mdio e longo prazo necessitam de estimativas da taxa de penetrao no
mercado para prever a demanda do produto e para dimensionar capacidade futura.
O sistema de previso de demanda da empresa no estruturado e as previses so
obtidas atravs de anlises subjetivas dos especialistas, que no dispem de software de
previso e no possuem treinamento em mtodos de previso de demanda.
Definiu-se como problema a ser resolvido a previso de demanda de medidores
eletrnicos (todos os modelos agregados) para o mercado interno. Estas previses tm sido
superestimadas pelos especialistas da empresa, dificultando o planejamento de produo de
curto e mdio prazo. Como a empresa estava se baseando numa estimativa de demanda
errnea para a programao de produo, gerava estoques desnecessrios de matria-prima.
As previses dos especialistas consideravam que a substituio de medidores se
concentraria nos consumidores residenciais de energia, que so os consumidores que
demandam maior quantidade de medidores. A substituio de medidores na classe residencial
de consumo depende, alm do interesse das distribuidoras, do interesse dos rgos
reguladores do setor. Uma mudana de cenrio pode afetar diretamente a demanda pelo novo
produto, como, por exemplo, a mudana de leis sobre medio de energia em nvel
residencial. O objetivo deste estudo de caso no a previso de cenrios e sim a previso de
demanda do produto dentro do atual cenrio de mercado e considerando a continuidade deste
cenrio no curto e mdio prazo.

4.2.2 Obteno de Informaes

As previses para os medidores eletrnicos foram obtidas para o nvel da unidade


estratgica de negcios, ou seja, previses de demanda agregadas para a unidade de
montagem de medidores eletrnicos da empresa. Previses para este nvel industrial de
previso podem ser obtidas pela utilizao de mtodos qualitativos e/ou mtodos
quantitativos. Neste caso um menor nmero e freqncia de previses so necessrios, o
horizonte das previses deve ser para mdio e/ou longo prazo e a incorporao de fatores
contextuais no processo preditivo atravs de anlises subjetivas se faz necessria.
Os produtos analisados neste estudo de caso esto no estgio de testes e introduo no
mercado. Assim, a utilizao de mtodos quantitativos de previso est condicionada

125

disponibilidade de informaes sobre sries histricas e/ou variveis causais de produtos


anlogos para comparao. Nesta fase do ciclo de vida do produto no h disponibilidade de
informaes histricas de demanda do prprio produto, sendo indicados mtodos qualitativos.
A estrutura do mercado deve ser identificada completamente para a previso de
demanda de novos produtos. No caso de previses de vendas do novo produto no h dados
histricos diretos para a previso atravs de projees de tendncia ou anlise causal.
Entretanto, outras formas de dados primrios e secundrios esto disponveis e, na extenso
que os recursos permitem, utilizam-se anlises subjetivas na tomada de deciso sobre o novo
produto.
O nvel industrial de previses direciona a definio dos elementos temporais do
processo de previso. O perodo de previso mensal foi definido em funo da unidade de
previso requerida para as tomadas de deciso quanto ao planejamento de produo da
empresa e dimensionamento de estoques de matrias-primas.
O intervalo entre previses foi definido como de 6 meses. Foi considerado que no
havia necessidade de alocao de recursos para revises freqentes das previses at que os
produtos entrassem no ciclo de crescimento rpido no mercado.
Como os produtos esto numa fase do ciclo de vida que influenciada por numerosos
fatores contextuais, um horizonte de previso de mdio prazo (6 meses) foi estipulado. O
mercado para medidores de energia eltrica est sujeito a diversos fatores, como decises
governamentais sobre o setor de energia eltrica e sobre a utilizao de medidores eletrnicos
para consumidores residenciais.
A etapa de priorizao dos itens a serem previstos no foi necessria, pois o interesse
da empresa era por previses de demanda agregada dos diferentes modelos de medidores
eletrnicos.
A organizao disponibilizou informaes contextuais sobre o mercado em que esto
inseridos os medidores eletrnicos e o histrico de demanda do produto similar (medidores
eletromecnicos). As informaes contextuais foram coletadas em fontes independentes
(literatura e especialistas do setor de distribuio de energia eltrica). A confiabilidade e
relevncia dos dados para o processo preditivo foram confirmadas pelos especialistas da
empresa. As informaes contextuais foram utilizadas para a aplicao do mtodo qualitativo
de previso e a srie histrica anloga para a implementao de mtodos quantitativos.

126

O mercado de distribuio de energia eltrica atendido por 64 concessionrias,


estatais ou privadas, em todo o pas. So atendidos cerca de 47 milhes de unidades
consumidoras, das quais 85% so consumidores residenciais (ANEEL, 2005b).
Os medidores eletrnicos tm sido usados preferencialmente em consumidores
comerciais e industriais no Brasil. A demanda por este tipo de medidor funo da
necessidade de discriminao de consumo por segmento de horrio (ponta e fora de ponta), de
energia consumida e de demanda mxima verificada. Essa estratificao do consumo permite
diferentes mtodos de taxao atravs da mensurao de uso de cargas, horrio de uso ou pico
de carga (FROST; SULLIVAN, 2003). Este tipo de medidor facilita o desenvolvimento de
sistemas de leitura remota de energia eltrica (DOS SANTOS; CAPDEVILLE, 2002). As
vantagens dos medidores eletrnicos em relao aos eletromecnicos so apresentadas na
Figura 20.

Sistemas com medio eletrnica


Vrias grandezas no mesmo instrumento
Leituras instantneas permitem o registro histrico
de todas as grandezas eltricas

Sistemas com medidores eletromecnicos


Um instrumento para cada grandeza
Valores precisam ser processados

Demanda e fator de potncia projetados quando


so instalados medidores de energia reativa
Leitura de tenso e corrente por fase
No informa valores de tenses e correntes
Leituras de potncia por fase (ativa, reativa e total)
No informa valores de potncia
Valores de consumo devem ser acumulados pelo
Leituras de consumo acumulado (ativo e reativo)
sistema de gerenciamento
Consistncia pode ser quebrada por falta de
Consistncia dos dados total
energia nos diversos componentes do sistema
Leituras detalhadas auxiliam a conferncia da
Requer muita experincia para garantir a correta
ligao do prprio medidor
ligao dos medidores
Menor nmero de componentes
Vrios componentes adicionais
(apenas os medidores e gerenciador)
(emissores de pulsos, placas de entrada, etc.)
Maior confiabilidade e preciso (at 0,2%)
Partes mveis diminuem a preciso (entre 1 e 2%)
Calibrao nica
Necessidade de calibraes peridicas
Demanda e fator de potncia instantneos

Figura 20: Vantagens dos medidores eletrnicos em relao aos medidores eletromecnicos
(Fonte: ENGECOMP, 1999)

O mercado de medidores eletrnicos na Europa est em fase de reestruturao, sendo


estimado um aumento na participao de mercado dos atuais 57% para 76% at 2010,
substituindo os medidores eletromecnicos a uma taxa mdia de 2,4% ao ano. Este aumento

127

se deve utilizao destes medidores no setor residencial, que utiliza principalmente


medidores eletromecnicos (FROST; SULLIVAN, 2003).
O mercado de medidores eletromecnicos, por outro lado, est esttico na Europa. As
razes para a demanda por este tipo de medidor so o preo em relao ao eletrnico e a sua
vida til (de 30 a 40 anos), duas vezes maior do que a dos medidores eletrnicos. Os
medidores eletrnicos custam entre 20 e 25% a mais que os eletromecnicos. Mesmo com um
aumento de custo na compra destes medidores, grandes mercados como Escandinvia, Reino
Unido, Frana e Itlia tm substitudo sistematicamente os medidores eletromecnicos por
medidores eletrnicos. Na Itlia sero instalados mais de 20 milhes de medidores eletrnicos
em residncias at o final de 2005 (FROST; SULLIVAN, 2003). Baseado nestas tendncias
mundiais a empresa do estudo de caso desenvolveu seu produto, priorizando no mercado
nacional a classe residencial de consumidores.
A previso discriminada na etapa de formulao do problema a ser resolvido para a
classe de medidores eletrnicos (todos os modelos), no necessitando assim de regras de
desagregao das previses para modelos individuais. Os dados de demanda histrica do
produto similar foram disponibilizados pelo setor de planejamento e programao da empresa
e correspondem ao volume de produo, que equivale ao volume de vendas devido ao fato da
unidade de produo de medidores eletrnicos produzir contra-pedido. Os dados de demanda
dos medidores eletromecnicos monofsicos e polifsicos so apresentados no APNDICE E.
A empresa produz os medidores eletrnicos para substituio dos medidores
eletromecnicos polifsicos. Desta forma, o estudo de caso focou na taxa de substituio deste
tipo de medidor pelo novo produto. A srie temporal dos medidores polifsicos foi analisada
graficamente para identificao de erros de leitura, lacunas e para localizar dados atpicos
decorrentes de eventos especiais passados e no sistemticos. Os especialistas da empresa
optaram por no ajustar nenhum valor da srie temporal dos medidores polifsicos (Figura
21).
Os resultados requeridos pela implementao dos mtodos de previso so as
estimativas da taxa de penetrao de mercado (que correspondem a taxa de substituio dos
medidores eletromecnicos por medidores eletrnicos no mercado nacional) e valores
pontuais mensais de demanda de medidores eletrnicos.

128

25000

20000

15000

2002

2003

2004

Figura 21: Srie temporal dos medidores eletromecnicos polifsicos

4.2.3 Escolha do Mtodo de Previso

A definio do nvel industrial da previso em nvel da unidade estratgica de


negcios e do estgio do ciclo de vida do produto em estgio de teste e introduo no mercado
indicou a necessidade de mtodos qualitativos (Figura 22).
Como grandes mudanas so esperadas no contexto de mercado destes produtos
(mudanas de leis que regularizem a utilizao de medidores eletrnicos a nvel residencial e
mudanas nos programas de substituio de medidores de energia eletromecnicos), conflitos
entre os tomadores de deciso so esperados (especialistas com diferentes estratgias de
penetrao de mercado) e casos similares existem, o mtodo de Analogia indicado como o
mais adequado para a situao do estudo de caso. A escolha do mtodo de Analogia
justificada pelo fato dos medidores eletrnicos e eletromecnicos possurem funcionalidades
semelhantes e o mesmo mercado consumidor.
Caractersticas importantes do mtodo selecionado podem ser avaliadas nos quadros
apresentado no APNDICE A. O mtodo de Analogia utiliza, para a anlise dos dados e
previso de demanda, mtodos de Extrapolao de sries temporais integrados com mtodos
baseados em Opinies de Especialistas (Figura 22).

129

Nvel Industrial da previso

Nvel Setorial

Nvel Corporativo

Nvel da Unidade
Estratgica de Negcios

Nvel da Unidade de
Manuteno de Estoque

Estgio do ciclo de vida do produto:


Crescimento rpido no mercado
Estabilidade no mercado
Declnio do produto

Estgio do ciclo de vida do produto

Desenvolvimento de produtos
Teste e introduo de mercado
Crescimento rpido no mercado

Crescimento rpido no mercado


Estabilidade no mercado

Decllnio do produto

Dados suficientes para modelagem


matemtica,mas preferncia por
mtodos simples

Dados insuficientes para


modelagem matemtica

Disponibilidade de sries
histricas de variveis de
interesse e/ou causais

Mtodos Causais

Mtodos Qualitativos

Bom conhecimento da relao entre


variveis que influenciam a previso?

Sim

No

No

Conflito entre
tomadores de deciso?

Alto custo de especialistas?


Necessidade de previses freqentes?

No

Sim

amostrais

Casos similares
existem?
No

Opinio de
especilaistas
(Delphi)

Bootstrapping
Subjetivo *

Sim

No

Sim

Sim

Alto custo de especialistas?


Necessidade de previses freqentes?
Sim

Pesquisa de Intenes
ou
Opinio de especialistas
(Delphi)

Jogo de
Representao

Analogia

Bootstrapping
Subjetivo*

No

Sistema
Especialista

Anlise de
Regresso

Pesquisa de
Intenes

Opinio de
especilaistas
(Delphi)

Mtodos de
Extrapolao**

No

Previso
baseada
em regras

Mdia Mvel ou
Suavizao Exponencial
Simples

Sim

Mtodos causais
Mtodos de
Extrapolao**
Recursos limitados
para implementao?
Sim

Srie sem tendncia e


elementos sazonais
Opinio de
especilaistas
(Delphi)

No

Bom conhecimento
contextual?

No

participantes

Anlise
Conjunta

Grandes mudanas so esperadas?


Dados de variveis causais disponveis?

sries temporais

Anlise de diferentes
polticas?

Melhor fonte de informaes


especialistas

Sim

Tipos de dados

Sim

Anlise de diferentes polticas?


Necessidade de previses freqentes?
Sim

Mtodos de Extrapolao

Mtodos Quantitativos

Grandes mudanas so esperadas?


No

Nvel local

Anlise dos componentes


da srie temporal

Srie com tendncia, mas


sem elementos sazonais

Bom conhecimento de fatores


econmicos
relacionados a previso?
No

Sim

No

Box-Jenkins

Anlise de
Regresso

Modelos
Economtricos

Srie com
elementos sazonais

Suavizao Exponencial
Linear de Holt

Opinio de
especilaistas
(Delphi)

Anlise de
Regresso

129

Figura 22: Mtodos de previso selecionados no segundo estudo de caso

Mtodo de
Holt-Winters

130

A empresa no mostrou restries a investimentos no seu sistema de previso de


demanda, podendo assim ser implementados mtodos de Extrapolao complexos. A anlise
grfica realizada na srie temporal dos medidores eletromecnicos polifsicos no indicou
sazonalidades ou tendncias aparentes, mas como graficamente no podamos concluir sobre
a existncia destes componentes do padro de demanda optou-se pela implememntao de
todos os mtodos de Extrapolao Simples. Devido aos fatores descritos acima a metodologia
de seleo direcionou a implementao dos mtodos de Mdia Mvel, Suavizao
Exponencial (Simples, Linear de Holt e de Holt-Winters) e Box-Jenkins; e uma posterior
escolha do mtodo de Extrapolao mais adequado para a situao estudada. Caractersticas
importantes dos mtodos selecionados podem ser avaliadas no APNDICE A.
Os mtodos de Extrapolao foram utilizados para obter previses de demanda dos
medidores eletromecnicos polifsicos, para os quais existem sries histricas disponveis, e o
mtodo Delphi, baseado em opinies de especialistas, para estimar o percentual de
substituio no mercado dos medidores eletromecnicos pelo seu anlogo eletrnico. As
previses dos mtodos de Extrapolao para as sries anlogas sero ajustadas subjetivamente
pelas previses obtidas com o mtodo Delphi para a obteno das previses finais de
demanda de medidores eletrnicos.

4.2.4 Seleo do Pacote Computacional

As sries temporais da demanda de produtos similares (medidores eletromecnicos)


sero utilizadas na implementao dos mtodos quantitativos. Como a metodologia de seleo
direcionou a escolha de mtodos de Extrapolao, um software de previso facilita a
implementao dos mesmos.
Como no estudo de caso anterior, optou-se pelo ForecastPro, cujas vantagens e
caractersticas foram citadas anteriormente. A utilizao do software na situao em estudo
vai auxiliar na diminuio do tempo de implementao da metodologia proposta, o qual pode
ser potencialmente longo devido utilizao do mtodo Delphi. O ajuste subjetivo foi
realizado com a utilizao de uma planilha eletrnica.

131

4.2.5 Implementao do(s) Mtodo(s)

Para um novo produto lanado em um mercado estabelecido, como no caso em estudo,


deve-se primeiramente comparar o produto proposto com similares de concorrentes ou da
prpria organizao atravs da utilizao de uma equipe multidisciplinar. O mapeamento do
domnio de conhecimento de um produto existente foi utilizado para definir inferncias sobre
o novo produto. Os dados de demanda relativos aos medidores eletromecnicos foram
utilizados para a implementao do mtodo de Analogia (mtodo de Extrapolao integrado
ao mtodo de Opinies de Especialistas).
A implementao do mtodo de Analogia seguiu os seguintes passos: (i)
implementao do mtodo Delphi (Opinio de Especialistas); (ii) implementao dos mtodos
de Extrapolao; e (iii) integrao dos mtodos.

4.2.5.1 Implementao do Mtodo Delphi

A implementao do mtodo Delphi foi realizada em seis etapas: (i) definio dos
respondentes e elaborao do questionrio; (ii) validao do questionrio a ser aplicado; (iii)
aplicao do questionrio; (iv) tabulao e anlise dos dados; (v) nova rodada de aplicao do
questionrio; e (vi) obteno das previses finais. O objetivo do Delphi era obter informaes
sobre taxa de substituio dos medidores para ajuste das previses quantitativas dos
medidores eletromecnicos.
A amostra de respondentes foi definida em funo da disponibilidade das
distribuidoras (concessionrias) de energia em responder o questionrio. Foram convidadas a
participar da pesquisa 4 distribuidoras, mas somente 2 distribuidoras e a empresa fornecedora
foram entrevistadas. Cada empresa determinou um especialista para participar da aplicao do
Delphi, o que prejudicou a anlise devido a pequena amostra de especialistas, mas facilitou a
obteno de consenso sobre a previso requerida. A pesquisa tambm buscou uma
aproximao entre as empresa fornecedora e seus clientes, para um melhor entendimento das
intenes e do comportamento dos mesmos.
O questionrio, apresentado no APNDICE F, foi elaborado com base nas
informaes de mercado obtidas com especialistas da empresa parceira e em literatura

132

especializada de pesquisa de mercado (CHURCHILL, 2001; MALHOTRA, 2001;


MESQUITA; SANTORO, 2004).
Um pr-teste foi realizado com o especialista da empresa de medidores e o
questionrio, validado. O pr-teste foi utilizado tambm para obter informaes sobre o
sistema de previso de demanda utilizado pela empresa de medidores. Os questionamentos
relativos a esse levantamento foram excludos para a aplicao nas concessionrias.
A empresa fornecedora fazia previses mensais de demanda de medidores eletrnicos,
em intervalos mensais e para horizontes trimestrais, baseando-se em contatos comerciais para
levantamento das intenes de compra de seus clientes. A empresa tem capacidade instalada
para produo de aproximadamente 1.000 medidores/dia, com flexibilidade para duplicao
da capacidade instalada. O preo do novo produto praticamente o mesmo em comparao
aos dos produtos similares (medidores eletrnicos) das 5 empresas concorrentes. A vida til
do medidor desenvolvido de aproximadamente 15 anos, com custo de manuteno mais
baixo em relao aos custos relacionados aos medidores eletromecnicos.
Mtodos quantitativos de previso no eram utilizados pela empresa, pois o mercado
de penetrao do novo produto estava sendo prospectado, sem uma delimitao definida. O
especialista acreditava que a utilizao de mtodos estatsticos s poderia ocorrer com a
delimitao do mercado consumidor do novo produto. O especialista responsvel pela
previso de demanda tinha conhecimento somente sobre mtodos estatsticos simples (Mdia
Mvel) e no utilizava software de previso de demanda para auxiliar o processo preditivo.
Medidas de acurcia das previses no eram utilizadas para o monitoramento do sistema de
previso da empresa.
O questionrio aplicado s empresas distribuidoras no contm perguntas relacionadas
ao levantamento de informaes do sistema de previso da empresa fornecedora (detalhado
nos pargrafos anteriores). O questionrio foi aplicado aos trs especialistas e os dados
tabulados conforme apresentado no APNDICE G.
Foram obtidas informaes sobre o mercado e substituio dos medidores
eletromecnicos por medidores eletrnicos. O mercado potencial para a entrada do novo
produto muito grande (aproximadamente 70.000 medidores/ano) dado que as distribuidoras
pesquisadas j esto substituindo ou pretendem substituir os seus medidores eletromecnicos
obsoletos pelos eletrnicos e instalar medidores eletrnicos para novos consumidores. As
concessionrias vislumbram a substituio dos medidores eletromecnicos do tipo monofsico

133

e polifsico, mas a empresa parceira est focando na substituio dos polifsicos. Desta
forma, considerou-se somente a substituio dos polifsicos neste estudo de caso, pois a
empresa pretende retirar do mercado os polifsicos ofertados atualmente.
As distribuidoras discordaram da empresa quanto utilizao do cenrio europeu
como base para inferncias sobre o mercado nacional de distribuio de energia. De acordo
com especialistas das distribuidoras, o cenrio europeu poderia ser utilizado apenas como um
ponto de partida para estimativas iniciais de demanda. Devido complexidade do assunto,
apesar dos respondentes receberem todas as respostas da primeira rodada do Delphi, a
segunda rodada focou nas questes de estimativas das taxas de substituio (objetivo principal
da aplicao do Delphi) e consideraes utilizadas no processo preditivo (Questes 4, 5, 6 e 7
do APNDICE G). A segunda rodada no incorporou novos questionamentos.
Analisando as taxas de substituio fornecidas pelos respondentes (Questes 4, 5, 6 e
7) nota-se um otimismo da empresa fornecedora quanto a inteno de compra dos medidores
eletrnicos para substituio dos medidores eletromecnicos. As taxas de substituio
informadas pelos especialistas diferiram quanto aos seus valores, o que gerou a necessidade
de uma nova rodada do questionrio para a obteno do consenso. As concessionrias tm
intenes de substituio bem menores do que as vislumbradas pela empresa fornecedora. Os
valores das estimativas foram tabulados (analisaram-se os resultados e previses mdias
foram geradas) conforme apresentado na Tabela 15 e retornados para a segunda rodada do
Delphi, juntamente com as justificativas fornecidas para as estimativas da primeira rodada. A
Tabela 15 apresenta as taxas de substituio estimadas pelos especialistas. Analisou-se a
substituio dos medidores monofsicos e polifsicos pelos eletrnicos na classe residencial.

Tabela 15: Taxas estimadas de substituio dos medidores eletromecnicos pelos eletrnicos
na primeira rodada do Delphi
Medidores Eletromecnicos
Monofsicos
Muito pouco Condies
Muito
Cenrio
favorvel
atuais
favorvel
Distribuidora A
1%
3%
4,5%
Distribuidora B
1%
4%
100%
Empresa
0%
50%
Mdia
0,7%
3,5%
51,5%

Polifsicos
Muito pouco Condies
Muito
favorvel
atuais
favorvel
2%
3%
4,5%
0,5%
1%
100%
5%
10%
100%
2,5%
4,7%
68,2%

134

O objetivo da segunda rodada era revisar as respostas da primeira baseando-se nas


novas informaes disponibilizadas por outros especialistas. Assim, foi dada aos respondentes
a oportunidade de alterar suas estimativas iniciais com base no feedback fornecido. Os
questionamentos da segunda rodada e as respostas dos especialistas so apresentados no
APNDICE H. Com a segunda rodada de aplicao do questionrio obteve-se consenso para
algumas estimativas. Outras apresentaram valores muito prximos; foram consideradas,
assim, as mdias dos valores. Os valores que apresentaram grandes diferenas no
influenciavam os objetivos deste estudo; desta forma, a aplicao do mtodo Delphi foi
finalizada aps a segunda rodada.
Os valores de maior interesse so as taxas de substituio dos polifsicos para os
cenrios atual e muito pouco favorvel de demanda dos medidores eletrnicos na classe de
consumidores residenciais. Somente estes dois cenrios sero abordados devido ao horizonte
de previso de mdio prazo considerado neste estudo de caso e no qual no se esperam
favorecimentos de fatores contextuais para uma maior demanda de medidores eletrnicos.
Os resultados da segunda rodada so apresentados na Tabela 16. Como a amostra
muito pequena no se utilizou um critrio para evidenciar o consenso. Geralmente utiliza-se a
anlise da variabilidade da amostra dos resultados.
O tempo de implementao do mtodo foi de aproximadamente 2 meses, pois apesar
da complexidade do tema, o nmero de respondentes engajados na pesquisa era limitado e o
domnio de conhecimento destes especialistas muito grande. O mtodo Delphi foi
previamente explicado a cada participante da pesquisa. Assim, os especialistas estavam
cientes de que uma convergncia rpida do mtodo seria obtida mediante consenso, o que
explica os valores apresentados na segunda rodada.

Tabela 16: Taxas estimadas de substituio dos medidores eletromecnicos pelos eletrnicos
na segunda rodada do Delphi
Medidores Eletromecnicos
Monofsicos
Muito pouco Condies
Muito
Cenrio
favorvel
atuais
favorvel
Distribuidora A
1%
3,5%
51,5%
Distribuidora B
1%
3,5%
100%
Empresa
1%
3,5%
50%
Mdia
1%
3,5%
67,2%

Polifsicos
Muito pouco Condies Muito
favorvel
atuais
favorvel
2%
3%
68,1%
2,5%
3%
100%
2,5%
4,7%
100%
2,3%
3,6%
89,4%

135

4.2.5.2 Implementao dos Mtodos de Extrapolao

Com a utilizao do software de previso foi possvel implementar os mtodos de


Extrapolao. As sries temporais foram divididas em duas partes, uma parte para o ajuste do
modelo matemtico (39 perodos mensais) e a outra para validao do mtodo (6 ltimos
perodos mensais), em funo do horizonte de previso definido. O tamanho da srie para
ajuste do modelo matemtico direciona para a implementao de mtodos de Mdia Mvel e
Suavizao Exponencial; para a implementao do mtodo de Box-Jenkins so necessrias
pelo menos 50 observaes da varivel analisada (PELLEGRINI, 2000).
A primeira anlise focou no perodo ideal para a mdia mvel. Desta forma,
comparou-se a mdia dos erros percentuais absolutos (MAPE) dos valores ajustados em
relao aos valores da srie histrica para Mdias Mveis com diferentes perodos (n = 1, 2, 3,
4, 5 e 6). O perodo com menor MAPE correspondeu a n = 3 (Tabela 17), sendo este utilizado
para comparaes com o mtodo de Suavizao Exponencial.

Tabela 17: MAPE para o mtodo de Mdia Mvel com diferentes perodos
Mdia Mvel
MAPE

n=1
n=2
n=3
n=4
n=5
n=6
0,1956 0,2075 0,1953 0,1964 0,2106 0,2131

As modelagens da srie temporal de polifsicos vm apresentadas na Figura 23,


conjuntamente com as previses pontuais e o intervalo de confiana para a previso (nvel de
confiana = 95%). A Tabela 18 apresenta informaes relativas aos diferentes modelos
matemticos ajustados. O mtodo de Suavizao Exponencial apresentou um ajuste
deficiente, com valor muito baixo de R2. As previses obtidas com a implementao dos
mtodos quantitativos e os limites inferior e superior do intervalo de confiana so
apresentados na Tabela 19.

136

a) Modelagem de srie temporal pelo mtodo de Mdia Mvel (n=3)

1
X 10000
2002

2003

2004

b) Modelagem de srie temporal pelo mtodo de Suavizao Exponencial

30000

25000

20000

15000

10000
2002

2003

2004

Figura 23: Modelagens para as sries temporais do medidor eletromecnico polifsico

Tabela 18: Dados dos modelos selecionados para o medidor eletromecnico polifsico
Mtodo

Mtodo de
Mdia Mvel

Modelo matemtico

n=3

MAPE

Mtodo de Suavizao
Exponencial
Suavizao Exponencial
sem tendncia
sazonalidade multiplicativa

0,1539

0,1953

0,1832

137

Tabela 19: Demandas previstas (em unidades de produto), limites inferior e limites superior
(nvel de confiana = 95%) para o medidor eletromecnico polifsico
Mtodo

Mdia Mvel
Previso
Limite
Pontual
Superior

Suavizao Exponencial
Limite
Previso
Limite
inferior
Pontual
Superior

Perodo

Limite
inferior

julho-04

14.871

24.257

33.643

13.116

23.916

34.716

agosto-04

10.983

24.257

37.531

9.959

18.174

26.390

setembro-04

8.000

24.257

40.514

10.409

19.004

27.598

outubro-04

5.485

24.257

43.029

11.069

20.213

29.358

novembro-04

3.269

24.257

45.245

10.576

19.327

28.079

dezembro-04

1.266

24.257

47.248

9.636

17.628

25.620

4.2.5.3

Integrao dos Mtodos

As previses finais foram obtidas atravs da integrao do Delphi e dos mtodos de


Extrapolao. Utilizou-se um ajuste da previso quantitativa (valores da Tabela 19) utilizando
as taxas de substituio mdia dos medidores polifsicos para os cenrios atual e muito pouco
favorvel (Tabela 16). Os valores de previso pontual da Tabela 19 foram multiplicados pelos
percentuais mdios de substituio (cenrios atual e muito pouco favorvel) dos medidores
polifsicos. As previses pontuais finais dos medidores eletrnicos so apresentadas na
Tabela 20.

Tabela 20: Previses de demandas pontuais finais em unidades de medidores eletrnicos


(cenrios atual e muito pouco favorvel)
Mtodo
Cenrios

Mdia Mvel
Muito pouco
Atual
favorvel

Suavizao Exponencial
Muito pouco
Atual
favorvel

julho-04

873

558

861

550

agosto-04

873

558

654

418

setembro-04

873

558

684

437

outubro-04

873

558

728

465

novembro-04

873

558

696

445

dezembro-04

873

558

635

405

138

4.2.6 Validao do(s) Mtodo(s) de Previso

As previses obtidas pelo mtodo de Analogias para os dois cenrios foram


comparadas com as previses dos especialistas da empresa. Os mtodos foram avaliados
atravs da acurcia das previses para um horizonte de 6 meses. Utilizou-se a mdia dos erros
percentuais absoluto (MAPE) e o erro percentual absoluto (APE) como medidas de acurcia
dos mtodos.
Os resultados da anlise de acurcia das previses com taxa de substituio para o
cenrio atual so apresentados na Tabela 21. A Tabela 22 apresenta a acurcia das previses
com taxa de substituio para o cenrio muito pouco favorvel (valores em vermelho indicam
o menor valor de MAPE de cada tabela).

Tabela 21: Acurcia das previses de demanda dos medidores eletrnicos (cenrio atual)
Mtodo
Demanda
real

Mdia Mvel
Previso
APE
Pontual

MAPE

Suavizao Exponencial
Previso
APE
MAPE
Pontual

julho-04

44

873

18,8466

861

18,5676

agosto-04

178

873

3,9059

654

2,6756

setembro-04

744

873

0,1737

684

0,0805

outubro-04

79

873

10,0538

728

8,2110

novembro-04

40

873

20,8313

696

16,3943

dezembro-04

70

873

11,4750

635

8,0658

10,8811

8,9991

Tabela 22: Acurcia das previses de demanda dos medidores eletrnicos (cenrio muito
pouco favorvel)
Mdia Mvel

Mtodo

Suavizao Exponencial
Previso
Pontual

APE

11,6798

550

11,5015

558

2,1343

418

1,3483

744

558

0,2501

437

0,4125

outubro-04

79

558

6,0622

465

4,8848

novembro-04

40

558

12,9478

445

10,1130

dezembro-04

70

558

6,9702

405

4,7921

Demanda
real

Previso
Pontual

APE

julho-04

44

558

agosto-04

178

setembro-04

MAPE

6,6741

MAPE

5,5087

139

Analisando as Tabelas 21 e 22, o menor MAPE (5,5087) foi obtido para o mtodo de
Suavizao Exponencial ajustado com a taxa de substituio para o cenrio muito pouco
favorvel. As previses obtidas por este mtodo e para o cenrio muito pouco favorvel foram
comparadas com as previses dos especialistas da empresa conforme apresentado na Tabela
23. Os valores de APE e MAPE evidenciam os erros obtidos com o mtodo de previso
selecionado pela metodologia proposta, o que justificado pela incerteza inerente ao processo
de previso de novos produtos.

Tabela 23: Acurcia das demandas pontuais previstas pelos especialistas da empresa e pelo
mtodo selecionado para os medidores eletrnicos
Mtodo
Demanda
real

Suavizao Exponencial
Previso
APE MAPE
Pontual

Especialistas
Previso
APE
Pontual

julho-04

44

550

11,5015

2000

44,4545

agosto-04

178

418

1,3483

3000

15,8539

setembro-04

744

437

0,4125

2700

2,6290

outubro-04

79

465

4,8848

3000

36,9747

novembro-04

40

445

10,1130

700

16,5000

dezembro-04

70

405

4,7921

4800

67,5714

5,5087

MAPE

30,6639

O mtodo selecionado apresentou menor MAPE que o obtido para as previses dos
especialistas da empresa. Apesar do erro obtido com o mtodo de Analogia ser grande, o
mtodo oferece previses com menor erro que as dos especialistas da empresa. A vantagem
de utilizao do mtodo de Analogia foi a utilizao do mtodo qualitativo (Delphi), o qual
disponibilizou informaes contextuais de suma importncia para o processo preditivo.
A melhoria de acurcia das previses com o mtodo proposto pode ser traduzida em
melhorias no planejamento do processo produtivo dos medidores eletrnicos, principalmente
na compra de matria-prima, programao de produo e alocao de mo-de-obra. Previses
mais precisas poderiam, possivelmente, ser obtidas com a aplicao do Delphi com uma
amostra maior de respondentes. A amostra limitou a pesquisa Delphi em exploratria, no
podendo ser considerada uma pesquisa conclusiva sobre o assunto abordado.

140

CAPTULO 5

5 CONCLUSO

Essa dissertao teve como objetivo principal a apresentao de uma metodologia para
direcionar a escolha de mtodos de previso de demanda mais apropriados para diferentes
cenrios. Para atingir este objetivo foi necessria uma reviso bibliogrfica atualizada sobre
fatores de direcionamento de escolha de mtodos de previso. Foram detalhados 13 mtodos
de previso de demanda, apresentados nos estudos de Armstrong (2001b), Georgoff e
Murdick (1986) e Chambers, Mullick e Smith (1971).
Este levantamento permitiu a anlise das caractersticas de mtodos qualitativos e
quantitativos de previso, sua implementao e situaes adequadas para a sua aplicao. A
integrao de mtodos qualitativos e quantitativos tambm foi abordada visando inserir
melhorias estruturadas de acurcia nos processos preditivos. Uma breve reviso de medidas
de acurcia foi realizada, j que havia a necessidade de validao dos mtodos de previso
selecionados.
A aplicabilidade da metodologia proposta foi validada atravs de dois estudos de caso.
No primeiro estudo investigou-se o caso de um produto eletroeletrnico j consolidado no
mercado (isto , apresentando demanda regular). No segundo estudo, detalhou-se o processo
de previso para um cenrio de lanamento de um novo produto em um mercado estabilizado
do setor de distribuio de energia eltrica (isto , para um produto apresentando um padro
de demanda irregular).

141

O estudo de caso para os produtos no estgio de estabilidade no mercado utilizou


dados de demanda histrica dos produtos e estimativas subjetivas de taxas de perda de
participao no mercado. A metodologia proposta indicou que mtodos de Extrapolao com
ajuste subjetivo das previses quantitativas eram mais adequados. As previses obtidas so
mais acuradas que as previses dos especialistas da empresa e que as previses quantitativas
sem o ajuste subjetivo, validando as concluses de diversos estudos sobre integrao de
mtodos qualitativos e quantitativos (RINGUEST; TANG, 1987; CLEMEN, 1989;
BLATTBERG; HOCH, 1990; COLLOPY; ARMSTRONG, 1992a; WERNER, 2004).
A aplicao da metodologia para o produto no estgio de teste e introduo no
mercado resultou na utilizao do mtodo de Analogia, integrando mtodos de Extrapolao
(Mdias Mveis e Suavizao Exponencial) com mtodo de Opinio de Especialistas
(Delphi). Utilizaram-se dados de demanda histrica de produtos similares ao lanado no
mercado e informaes contextuais sobre o novo produto e seu mercado potencial. A preciso
das previses resultou em baixa acurcia. Entretanto, apesar do grande erro das previses com
o mtodo selecionado, estas apresentaram menor erro que as previses dos especialistas da
empresa.
A pesquisa Delphi apresentou evidncias de respostas tendenciosas. Apesar de um dos
princpios do mtodo ser a eliminao do domnio de um especialista sobre o processo
preditivo, o mesmo no prev que os respondentes possam no estar motivados a diversas
rodadas de aplicao do questionrio. No estudo de caso apresentado nesta dissertao ficou
evidente o desejo dos especialistas em encontrar a previso consensual rapidamente. Apesar
desse fator pesar nos resultados, as previses obtidas foram mais acuradas (se comparadas
quelas obtidas pelo mtodo quantitativo), favorecendo o planejamento ttico e estratgico da
empresa.
A metodologia mostrou-se eficiente para a seleo de mtodos mais adequados para a
previso de demanda de produtos, podendo ser extrapolada para situaes no abordadas nos
estudos de caso. Cenrios diversos podem ser avaliados com a metodologia proposta.
Os mtodos de previso abordados neste estudo ficaram restritos a uma lista de 13
mtodos. A incorporao de outros mtodos de previso e de outros fatores de seleo, que
eventualmente no foram abordados neste trabalho, constitui-se em sugesto para estudos
futuros de ampliao da metodologia proposta. A anlise das melhorias do desempenho

142

econmico/financeiro dos processo produtivos beneficiados com as previses mais acuradas


dos mtodos selecionados tambm se abre como possibilidade de trabalhos futuros.
Outra possibilidade seria a utilizao da metodologia proposta para o desenvolvimento
de um software com interface com pacotes computacionais especficos de previso de
demanda em um sistema de apoio deciso. A metodologia auxiliaria o processo de tomada
de deciso das empresas, direcionando o tomador de deciso nas definies e levantamento de
informaes necessrias para a implementao de um sistema de previso. O software
selecionaria o mtodo mais adequado e/ou a integrao de mtodos mais adequada em funo
das informaes alimentadas no mesmo. Um pacote computacional especfico seria utilizado
para a implementao de mtodos quantitativos de previso, se estes forem os mais adequados
para o cenrio analisado.

143

REFERNCIAS

ADYA, M.; COLLOPY, F; ARMSTRONG, J. S.; KENNEDY, M. Automatic Identification


of Times Series Features for Rule-Based Forecasting. International Journal of Forecasting.
v. 17, n. 2, p. 143-157, 2001.
ALLEN, P. G.; FILDES, R. Econometric Forecasting. In: ARMSTRONG, J. Principles of
Forecasting: a Handbook for Researchers and Practitioners. Boston: Kluwer Academic
Publishers, 2001.
ANEEL. Disponvel em: <http://www.aneel.gov.br/area.cfm?id_area=73> Acesso em: 10 jan.
2005a.
ANEEL. Disponvel em: <http://www.aneel.gov.br/48.htm> Acesso em: 10 jan. 2005b.
ANDERSON, E. Judgmental and Statistical Methods of Peak Electric Load Management.
International Journal of Forecasting. v. 11, n. 2, p. 295-305, 1995.
ALTABET, R. The Forecaster as a Key Member of Strategic Planning Team. Jornal of
Business Forecasting Methods & Systems. v. 17, n.3, p. 3-6, 1998.
ARCHER, B. Forecasting Demand: Quantitative and Intuitive Techniques. International
Journal of Tourism Management. v.1, n.1, p. 5-12, 1980.
ARMSTRONG, J. Principles of Forecasting: a Handbook for Researchers and
Practitioners. Boston: Kluwer Academic Publishers, 2001a.
ARMSTRONG, J. Selecting Forecasting Methods. In: ARMSTRONG, J. Principles of
Forecasting: a Handbook for Researchers and Practitioners. Boston: Kluwer Academic
Publishers, 2001b.
ARMSTRONG, J. Role Playing: A Method to Forecast Decisions. In: ARMSTRONG, J.
Principles of Forecasting: a Handbook for Researchers and Practitioners. Boston:
Kluwer Academic Publishers, 2001c.

144

ARMSTRONG, J. S. Extrapolation for Time-series and Cross-sectional data. In:


ARMSTRONG, J. Principles of Forecasting: a Handbook for Researchers and
Practitioners. Boston: Kluwer Academic Publishers, 2001d.
ARMSTRONG, J. Standards and Practices for Forecasting. In: ARMSTRONG, J. Principles
of Forecasting: a Handbook for Researchers and Practitioners. Boston: Kluwer Academic
Publishers, 2001e.
ARMSTRONG, J. S. Combinig Forecasts. In: ARMSTRONG, J. Principles of Forecasting:
a Handbook for Researchers and Practitioners. Boston: Kluwer Academic Publishers,
2001f.
ARMSTRONG, J. S. Judgmental Bootstrapping: Inferring Experts Rules for Forecasting. In:
ARMSTRONG, J. Principles of Forecasting: a Handbook for Researchers and
Practitioners. Boston: Kluwer Academic Publishers, 2001g.
ARMSTRONG, J. Research Needs in Forecasting. International Journal of Forecasting. v.
4, n. 3, p. 449-465, 1988.
ARMSTRONG, J. Forecasting Methods for Conflict Situations. In: WRIGHT, G.; AYTON,
P. Judgmental Forecasting. New York: John Wiley & Sons, 1987.
ARMSTRONG, J. S. Long-rang Forecasting. 2. ed., New York: John Wiley & Sons, 1985.
ARMSTRONG, J. Strategic Planning and Forecasting Fundamentals. In: ALBERT, K. The
Startegic Management Handbook. New York: MacGraw Hill, 1983.
ARMSTRONG, J. S.; ADYA, M.; COLLOPY, F. Ruled-based Forecasting: Using
Judgmental in Time-series Extrapolation. In: ARMSTRONG, J. Principles of Forecasting: a
Handbook for Researchers and Practitioners. Boston: Kluwer Academic Publishers, 2001.
ARMSTRONG, J. S.; BRODIE, R. J. Forecasting for Marketing. In: HOOLEY, G. J.;
HUSSEY, M. K. Quantitative Methods in Marketing. 2. ed., London: International
Thompson Business Press, 1999.
ARMSTRONG, J. S.; COLLOPY, F. Error Measures for Generalinzing about Forecasting
Methods: Empirical Comparisons. International Journal of Forecasting. v. 8, n. 1, p. 69-80,
1992.
ARMSTRONG, J. S.; COLLOPY, F.; YOKUM, J. T. Decomposition by Causal Forces: A
Procedure for Forecasting Complex Time Series. International Journal of Forecasting. v.
21, n. 1, p. 25-36, 2005.
ASHTON, A. H.; ASHTON, R. H. Aggregating Subjective Forecasts: Some Empirical
Results. Management Science. v. 31, n. 12, p. 1499-1508, 1985.
BALLOU, R. H. Gerenciamento da Cadeia de Suprimentos: Planejamento, Organizao
e Logstica Empresarial. 4. ed., Porto Alegre: Bookman, 2001.
BATES, J. M.; GRANGER, C. W. J. The Combination of Forecast. Operational Research
Quarterly. v. 20, n. 4, p. 451-468, 1969.

145

BLATTBERG, R. C.; HOCH, S. J. Database Models and Managerial Intuition: 50% Model +
50% Manager. Management Science. v. 36, n. 8, p. 887-899, 1990.
BOPP, A. E. On Combining Forecasts: Some Extensions and Results. Management Science.
v. 31, n. 12, p. 1492-1498, 1985.
BOX, G. E. P.; JENKINS, G. M.; REINSELL, G. C. Time Series Analysis: Forecasting and
Control. New Jersey: Prentice Hall, 1994.
BUNN, D.; WRIGHT, G. Iteraction of Judgemental and Statistical Forecasting Methods:
Issues & Analysis. Management Science. v. 37, n. 5, p. 501-518, 1991.
BUSINGER, M. P.; READ, R. R. Identification of Demand Patterns for Selective Processing:
A Case Study. Omega. v. 27, n. 2, p. 189-200, 1999.
CARBONE, R.; ARMSTRONG, J. S. Evaluation of Extrapolative Forecasting Methods:
Results of a Survey of Academicians and Practitioners. Journal of Forecasting. v. 1, n. 2, p.
215-217, 1982.
CHAMBERS, J. C.; MULLICK, S. K.; SMITH, D. D. How to Choose the Right Forecasting
Technique. Harvard Business Review. v. 49, July-August, p. 45-57, 1971.
CHEN, K.; KUNG, S. Synthesis of Qualitative and Quantitative Approaches to Long-range
Forecasting. Technological Forecasting and Social Change. v. 26, n. 3, p. 255-266, 1984.
CHURCHILL, G. A. Basic Marketing Research. 4 Ed., New York: The Dryden Press,
2001.
CLEMEN, R. T. Combining Forecasts: A Review and Annotated Bibliography. International
Journal of Forecasting. v. 5, n. 4, p. 559-583, 1989.
COLLOPY, F.; ADYA, M.; ARMSTRONG, J. S. Expert Systems for Forecasting. In:
ARMSTRONG, J. Principles of forecasting: a Handbook for Researchers and
Practitioners. Boston: Kluwer Academic Publishers, 2001.
COLLOPY, F.; ARMSTRONG, J. S. Expert Opinions about Extrapolation and the Mystery of
the Overlooked Discontinuities. International Journal of Forecasting. v. 8, n. 4, p. 575582, 1992a.
COLLOPY, F.; ARMSTRONG, J. S. Ruled-based Forecasting: Development and Validation
of an Expert System Approach to Combining Time Series Extrapolations. Management
Science. v. 38, n. 10, p. 1394-1414, 1992b.
DALKEY, N. C. Delphi. In: MARTINO, J. P. An Introduction to Technological
Forecasting. New York: Gordon & Breach Publishers, 1972.
DANGERFIELD, B. J.; MORRIS, J. S. Top-down or Bottom-up: Aggregate versus
Disaggregate Extrapolations. International Journal of Forecasting. v. 8, n. 2, p. 233-241,
1992.
DAVIS, M.; AQUILANO, N.; CHASE, R. Fundamentos da Administrao da Produo.
Porto Alegre: Bookman, 2001.

146

DEUTSH, M.; GRANGER, C. W. J.; TERSVIRTA, T. The Combination of Forecasts


Using Changing Weights. International Journal of Forecasting. v. 10, n. 1, p. 47-57, 1994.
DIETZ, T. Methods for Analyzing Data from Delphi Panels: Some Evidence from
Forecasting Study. Technological Forecasting and Social Change. v. 31, n. 1, p. 79-85,
1987.
DOS SANTOS, N. A. M.; CAPDEVILLE, C. Construo de Base de Dados de Medio
Utilizando de Ferramentas de Telemetria, Agregao e Anlise Via Web. Seminrio
Internacional sobre Automao de Redes de Distribuio de Energia Eltrica e Centros
de Controle. So Paulo, 2002
ENGECOMP. O Novo Conceito de Gerenciamento de Energia Eltrica. Revista Intech
Brasil. Ano 2, n. 16, 1999 Disponvel em: <http://www.engecomp.com.br/gereletr.html>
Acesso em: 12 dez. 2004.
ELSAYED, E.; BOUCHER, T. Analysis and Control of Production Systems. 2. ed., New
Jersey: Prentice-Hall, 1994.
EVANS, J. Psychological Pitfalls in Forecasting. Futures. v. 14, n. 4, p. 258-265, 1982.
FILDES, R. Quantitative Forecasting the State of the Art: Econometric Models. Journal of
the Operational Research Society. v. 36, n. 7, p. 549-580, 1985.
FISCHHOFF, B. Judgmental Aspects of Forecasts: Needs and Possible Trends. International
Journal of Forecasting. v. 4, n. 3, p. 331-339, 1988.
FLORES, B. E.; OLSON, D. L. Judgmental Adjustment of Forecasts: A Comparison of
Methods. International Journal of Forecasting. v. 7, n. 4, p. 421-433, 1992.
FLORES, B. E.; WHITE, E. M. A. Framework for the Combination of Forecasts. Journal of
the Academy of Marketing Science. v. 16 n. 3-4, p. 95-103, 1988.
FROST, __; SULLIVAN; __. Eletronic Meters set to dominate Utilites. 2003. Disponvel em:
<http://www. engineeringtalk.com/news/fro/fro199.html > Acesso em: 23 out. 2004.
GEORGOFF, D. M.; MURDICK, R. G. Managers Guide to Forecasting. Harvard Business
Review. v. 64, n. 1, p. 110-120, 1986.
GIL, A. Mtodos e Tcnicas de Pesquisa Social. So Paulo: Atlas, 1995.
GOODWIN, P. Integrating Management Judgment and Statistical Methods to Improve Shortterm Forecasts. Omega. v. 30, n. 2, p. 127-135, 2002.
GOODWIN, P. Improving the Voluntary Integration of Statistical Forecasts and Judgment.
International Journal of Forecasting. v. 16, n. 1, p. 85-99, 2000a.
GOODWIN, P. Correct or Combine? Mechanically Integrating Judgmental Forecasts with
Statistical Methods. International Journal of Forecasting. v. 16, n. 2, p. 261-275, 2000b.
GOODWIN, P.; WRIGHT, G. Heuristics, Biases and Improvement Strategies in Judgmental
Time Series Forecasting. Omega. v. 22, n. 6, p. 553-568, 1994.

147

GOODWIN, P.; WRIGHT, G. Improving Judgmental Time Series Forecasting: A Review of


the Guidance Provided Research. International Journal of Forecasting. v. 9, n. 2, p. 147161, 1993.
GREEN, K. Forecasting Decisions in Conflict Situations: Acomparison of Game Theory,
Role Playing, and Unaided Judgment. International Journal of Forecasting. v. 18, n. 3, p.
321-344, 2002.
GUPTA, U.; CLARKE, R. Theory and Aplicantion of Delphi Technique: A Bibliography
(1975 -1994). Technological Forecasting and Social Change. v. 53, n. 2, p. 185-211, 1996.
HIBON, M.; EVGENIOU, T. To Combine or Not to Combine: Selecting Among Forecasts
and Their Combinations. International Journal of Forecasting. v. 21, n. 1, p. 15-24, 2005.
HOGARTH, R.M.; MAKRIDAKIS, S. Forecasting and Planning: an Evaluation.
Management Science. v. 27, n. 2, p. 393-404, 1981.
HOLT, C. C. Forecasting Seasonals and Trends by Exponentially Weighted Moving
Averages. International Journal of Forecasting. v. 20, n. 1, p. 5-10, 2004.
HUTH, L. W.; EPPRIGHT, R. D.; TAUBE, M. P. The Indexes of Consumer Sentiment and
Confidence: Leading or Misleading Guides to Future Buyer Behavior. Journal of Business
Research. v. 29, n. 3, p. 199-206, 1994.
JICK, T. D. Mixing Qualitative and Quantitative Methods: Triangulation in Action.
Administrative Science Quarterly. v.24, n. 11, p. 602-611, 1979.
JUSTER, F. T. Consumer Buying Intentions and Purchase Probability: an Experiment in
Survey Design. Journal of the American Statistical Association. v.61, n. 315, p. 658-696,
1966.
KAHN, K. An Exploratory Investigation of New Product Forecasting Practices. The Journal
of Product Innovation Management. v. 19, n. 2, p. 133-143, 2002.
KAHN, K. Benchmarking Sales Forecasting Performance Measures. The Journal of
Business Forecasting. Winter, p. 19-23, 1998.
KAHN, K.; MENTZER, J. Forecasting in Consumer and Industrial Markets. Jornal of
Business Forecasting Methods & Systems. v.14, n. 2, p. 21-28, 1995.
KAYO, E.; SECURATO, J. Mtodo Delphi: Fundamentos, Crticas e Vieses. Caderno de
Pesquisas em Administrao. So Paulo, v. 1, n. 4, p. 51-61, 1997.
KLASSEN, R.; FLORES, B. Forecasting Practices of Canadian Firms: Survey Results and
Comparisons. International Journal of Production Economics. v.70, n.2, p. 163-174, 2001.
KIPPER, D.; HAR-EVEN, D. Role-playing Techniques: the Differential Effect of Behavior
Simulation Interventions on the Readiness to Inflict Pain. Journal of Clinical Psychology.
v.40, p. 936-941, 1984.
KOTLER, P. Marketing Management: Analysis, Planning, Implementation, and Control.
New Jersey: Prentice-Hall, 1991.

148

KRAJEWSKI, L. J.; RITZMAN, L. P. Operations Management: Strategy and Analysis. 6.


ed., New Jersey: Prentice-Hall, 2002.
LAWRENCE, M. J.; EDMUNDSON, R. H.; OCONNOR, M. J. The Accuracy of Combining
Judgemental and Statistical Forecasts. Management Science. v. 32, n. 12, p. 1521-1532,
1986.
LEMOS, D. L.; PORTO, A.C. Technological Forecasting Techniques and Competitive
Intelligence: Tools for Improving the Innovation Process. Industrial Management & Data
Systems. v. 98, n. 7, p. 330-337, 1998.
LINDBERG, E; ZACKRISSON, U. Deciding about the Uncertain: The Use of Forecasts as an
Aid to Decision-making. Scandinavian Journal of Management. v. 7, n. 4, p. 271-283,
1991.
LIM, J. S.; O`CONNOR, M. J. Judgmental Forecasting with in Time Series and Causal
Information. International Journal of Forecasting. v. 12, n. 1, p. 139-153, 1996.
LO, T. An Expert System for Choosing Demand Forecasting Techniques. International
Journal of Production Economics. v. 33, n. 1, p. 5-15, 1994.
LYNN, G.; SCHNAARS, S.; SKOV, R. Survey of New Product Forecasting Practices in
Industrial High Technology and Low Technology Businesses. Industrial Marketing
Management. v. 28, n. 6, p. 565-571, 1999.
MacGREGOR, D. J. Decomposition for Judgmental Forecasting and Estimation. In:
ARMSTRONG, J. Principles of Forecasting: a Handbook for Researchers and
Practitioners. Boston: Kluwer Academic Publishers, 2001.
MACKAY, M. M.; METCALFE M. Multiple Methods Forecast for Discontinuous
Innovations. Technological Forecasting & Social Change. v. 69, n. 3, p. 221-232, 2002.
MAKRIDAKIS, S. Forecasting: Its Role and Value for Planning and Strategy. International
Journal of Forecasting. v. 12, n. 4, p. 513-537, 1996.
MAKRIDAKIS, S. Metaforecasting: Ways of Improving Forecasting Accuracy and
Usefulness. International Journal of Forecasting. v. 4, n. 3, p. 467-491, 1988.
MAKRIDAKIS, S.; HIBON, M. ARMA Models and the Box-Jenkins Methodology. Journal
of Forecasting. v. 16, n. 3, p. 147-163, 1997.
MAKRIDAKIS, S.; WINKLER, R. Averages of Forecasts: Some Empirical Results.
Management Science. v. 29, n. 9, p. 987-996, 1983.
MAKRIDAKIS, S.; WHEELWRIGHT, S.; HYNDMAN, R. Forecasting: Methods and
Applications. 3. ed., New York: John Wiley & Sons, 1998.
MALHOTRA, N.K. Pesquisa de Marketing: Uma Orientao Aplicada. 3 Ed., Porto
Alegre: Bookman, 2001.
MENTZER, J. T.; COX, Jr. J. E. Familiarity, Application, and Performance of Sales
Forecasting Techniques. Journal of Forecasting. v. 3, n.1, p. 27-36, 1984.

149

MENTZER, J. T.; GOMES, R. Evaluating a Decision Support Forecasting System. Industrial


Marketing Management. v. 18, n. 4, p. 313 -323, 1989.
MESQUITA, M. A.; SANTORO, M. C. Anlise de Modelos e Prticas de Planejamento e
Controle de Produo na Indstria Farmacutica. Revista Produo. v. 14, n.1, p. 64-77,
2004.
MILLER, C. M; CLEMEN; R. T.; WINKLER, R. L. The Effect of Nonstationarity on
Combined Forecasts. International Journal of Forecasting. v. 7, n. 4, p. 515-529, 1992.
MONTGOMERY, D.; JOHNSON, L.; GARDINER, J. Forecasting and Time Series
Analysis. New York: McGraw-Hill, 1990.
MOON, M; MENTZER, J.; SMITH, C.; GARVER, M. Seven Keys to Better Forecasting.
Business Horizons. v. 41, n. 5, p. 44-52, 1998.
MORWITZ, V. G. Methods for Forecasting from Intentions Data. In: ARMSTRONG, J.
Principles of Forecasting: a Handbook for Researchers and Practitioners. Boston:
Kluwer Academic Publishers, 2001.
MURDICK, R. G.; GEORGOFF, D. M. Forecasting: a Systems Approach. Technological
Forecasting and Social Change. v. 44, n. 1, p. 1-16, 1993.
PELLEGRINI, F. R. Metodologia para implementao de sistemas de previso de
demanda. Porto Alegre: UFRGS, 2000. Dissertao (Mestrado em Engenharia de Produo),
Departamento de Engenharia de Produo e Transportes, Universidade Federal do Rio Grande
do Sul, 2000.
PELLEGRINI, F. R.; FOGLIATTO, F. S. Passos para implantao de sistemas de previso de
demanda Tcnicas e estudo de Caso. Revista Produo. v. 11, n.1, p. 43-64, 2001.
PREBLE, J. Public Sector Use of the Delphi Technique. Technological Forecasting and
Social Change. v. 23, n. 1, p. 75-88, 1983.
POLLOCK, A. C.; MACAULAY, A.; NKAL-ATAY, D.; WILKIE-THOMSON, M. E.
Evaluating Predictive Performance of Judgemental Extrapolations from Simulated Currency
Series. European Journal of Operational Research. v. 114, n. 2, p. 281-293, 1999.
RASMUSSEN, R. On Time Series Data and Optimal Parameters. Omega. v. 32, n. 2, p. 111120, 2004.
REMUS, W.; OCONNOR, M.; GRIGGS, K. The Impact of Information of Unknown
Correctness on Judgmental Forecasting Process. International Journal of Forecasting. v.
14, n. 3, p. 313-322, 1998.
RINGUEST, J. L.; TANG, K. Simple Rules for Combining Forecasts: Some Empirical
Results. Socio-Economic Planning Sience. v. 21, n. 14, p. 239-243, 1987.
ROWE, G.; WRIGHT, G. The Delphi Technique as a Forecasting Tool: Issues and Analysis.
International Journal of Forecasting. v. 15, n. 4, p. 353-375, 1999.

150

SANDERS, N. R. The Status of Forecasting in Manufacturing Firms. Production and


Inventory Management Journal. v. 25, n. 5, p. 32-35, 1997a.
SANDERS, N. R. The Impact of Task Properties Feedback on Time Series Judgmental
Forecasting Tasks. Omega. v. 25, n. 5, p. 135-144, 1997b.
SANDERS, N. R.; MANRODT, K. Forecasting Practices in US Corporations: Survey
Results. Interfaces. v. 24, n. 2, p. 92-100, 1994.
SANDERS, N. R.; RITZMAN, L. P. Judgmental Adjustment of Statistical Forecasts. In:
ARMSTRONG, J. Principles of Forecasting: a Handbook for Researchers and
Practitioners. Boston: Kluwer Academic Publishers, 2001.
SANDERS, N. R.; RITZMAN, L. P. Bringing Judgment into Combination Forecasts. Journal
of Operations Management. v. 13, n. 4, p. 311-321, 1995.
SCHNAARS, S. P. An Evaluation of Rules for Selecting an Extrapolation Model on Yearly
Sales Forecasts. Interfaces. v. 16, n. 6, p. 100-107, 1986.
SILVA, E.; MENEZES, E. Metodologia da Pesquisa e Elaborao de Dissertao. 3. ed.,
Florianpolis: Laboratrio de Ensino a Distncia da UFSC, 2001.
SOHL, J. E.; VENKATACHALAM, A. R. A Neural Network Approach to Forecating Model
Selection. Information & Management. v. 29, n. 6, p. 297-303, 1995.
SOUDER, W.; THOMAS, R. Significant Issues for the Future of Product Innovation. The
Journal of Product Innovation Management. v. 11, n. 4, p. 344-353, 1994.
SPEDDING, T; CHAN, K. Forecasting Demand and Inventory Management Using Bayesian
Time Series. Integrated Manufacturing Systems. v. 11, n. 5, p. 331-339, 2000.
SYNTETOS, A. A.; BOYLAN, J. E. The Accuracy of Intermittent Demand Estimates.
International Journal of Forecasting. v. 21, n. 2, p. 303-314, 2005.
TASHMAN, L. J.; HOOVER, J. Diffusion of Forecasting Principles through Software. In:
ARMSTRONG, J. Principles of Forecasting: a Handbook for Researchers and
Practitioners. Boston: Kluwer Academic Publishers, 2001.
TASHMAN, L. J. Out-of-sample Tests of Forecasting accuracy: An Analysis and Review.
International Jornal of Forecasting. v. 16, n. 4, p. 437-450, 2000.
TAYLOR, J. W. Exponetial Smoothing with a Damped Multiplicative Trend. International
Journal of Forecasting. v. 19, n. 4, p. 715 -725, 2003.
THOMAS, R. J. Estimating Demand for Services: Issues in Combining Sales Forecasts.
Journal of Retailing and Consumer Services. v. 3, n. 4, p. 241-250, 1996.
THOMAS, R. J. Forecasting New Product Market Potential: Combining Multiple Methods.
The Journal of Product Innovation Management. v. 4, n. 2, p. 109-119, 1987.

151

THOMAS, R. J. Estimating Market Growth for New Products: an Analogical Diffusion


Model Approach. The Journal of Product Innovation Management. v. 2, n. 2, p. 45-55,
1985.
WALKER, K. B.; McCLELLAND, L. A. Management Forecasts and Statistical Prediction
Model Forecasts in Corporate Budgeting. Journal of Accounting Research. v. 29, n. 2, p.
371-381, 1991.
WEBBY, R.; OCONNOR, M.; EDMUNDSON, B. Forecasting Support Systems for the
Incorporation of Event Information: an Empirical Investigation. International Journal of
Forecasting. v. 21, n. 3, p. 411-423, 2004.
WEBBY, R.; OCONNOR, M. Judgmental Time-series Forecasting Using Domain
Knowledge. In: ARMSTRONG, J. Principles of Forecasting: a Handbook for Researchers
and Practitioners. Boston: Kluwer Academic Publishers, 2001.
WEBBY, R.; OCONNOR, M. Judgmental and Statistical Time Series Forecasting: a Review
of the Literature. International Journal of Forecasting. v. 12, n. 1, p. 91-118, 1996.
WERNER, L. Um modelo composto para realizar previso de demanda atravs da
integrao da combinao de previses e do ajuste baseado na opinio. Porto Alegre:
UFRGS, 2004. Tese (Doutorado em Engenharia de Produo), Departamento de Engenharia
de Produo e Transportes, Universidade Federal do Rio Grande do Sul, 2004.
WEST, D. Number of Sales Forecast Methods and Marketing Management. Journal of
Forecasting. v. 13, n. 4, p. 395-407, 1994.
WINKLER, R. L. Combining Forecasts: a Philosophical Basis and Some Current Issues.
International Journal of Forecasting. v. 5, n. 4, p. 605-609, 1989.
WINKLHOFER, H.; DIAMANTOPOULOS, A.; WITT, S. Forecasting Practice: a Review of
the Empirical Literature and an Agenda for Future Research. International Journal of
Forecasting. v. 12, n. 2, p. 193-221, 1996.
WINTERS, P. R. Forecasting Sales by Exponentially Weighted Moving Average.
Management Science. v. 6, p. 324-342, 1960.
WITTINK, D. R.; BERGESTUEN, T. Forecasting with Conjoint Analysis. In:
ARMSTRONG, J. Principles of Forecasting: a Handbook for Researchers and
Practitioners. Boston: Kluwer Academic Publishers, 2001.
WRIGHT, G.; LAWRENCE, M.; COLLOPY, F. The Role and Validity of Judgment in
Forecasting. International Journal of Forecasting. v. 12, n. 1, p. 1-8, 1996.
WRIGHT, J.; GIOVINAZZO, R. Delphi Uma ferramenta de Apoio ao Planejamento
Prospectivo. Caderno de Pesquisas em Administrao. So Paulo, v.1, n. 12, p. 54-65,
2000.
YIN, R. Case Study Research: Design and Methods. Thousand Oaks: Sage Publications,
1994.

152

YOKUM, J.T; ARMSTRONG, J. S. Beyond Accuracy: Comparison of Criteria Used to Select


Forecasting Methods. International Journal of Forecasting. v. 11, n. 4, p. 591-597, 1995.
ZHOU, W. Integration of Different Forecasting Models. Journal of Business Forecasting
Methods & Systems. v. 18, n.3, p. 26-28, 1999.

153

APNDICE A Metodologia de seleo de mtodos de previso de demanda (Adaptado de


CHAMBERS; MULLICK; SMITH, 1971; GEORGOFF; MURDICK, 1986)

154

Mtodo de Previso
Fatores de seleo

Pesquisa de Intenes

Delphi

Mdia mvel

curto prazo
mdio prazo

curto prazo
mdio prazo
longo prazo

curto prazo
mdio prazo

A coleta de dados pode


demandar muito tempo.

Urgncia de previses
compromete o mtodo.

Previso pode ser obtida


rapidamente.

Tempo de desenvolvimento do
mtodo

moderado

moderado

curto

Tempo de execuo do mtodo

longo

moderado a longo

curto

Horizonte de previso com boa


acurcia

Urgncia de previses (rapidez na


gerao das previses)

Necessidade de atualizaes de
previses

Mtodo geralmente utilizado


Mtodo geralmente utilizado
para previses nicas, mas pode
para previses nicas, mas pode
O mtodo permite atualizaes
ser revisado se novas
freqentes das previses.
ser revisado em intevalos
informaes estiverem
grandes de tempo.
disponveis.
Conhecimento
matemtico/estatstico
necessrio.

Conhecimento
matemtico/estatstico
necessrio.

Conhecimento
matemtico/estatstico
necessrio.

Necessidade de recursos
computacionais

Recursos computacionais
auxiliam no processo preditivo.

Recursos computacionais no
so essenciais.

Recursos computacionais so
necessrios para atualizaes
das previses.

Custos de implementao e
manuteno do mtodo

Os custos dependem do tipo de Os custos dependem do tipo de


pesquisa (entrevista pessoal,
aplicao do Delphi (entrevista
correio eletrnico, etc),
pessoal, correio eletrnico, etc),
geralmente tem custo elevado. mas geralmente tem baixo custo.

Dados histricos disponveis

Dados histricos no so
Dados histricos no so
essenciais, mas podem auxiliar o essenciais, mas podem auxiliar o Dados histricos so essenciais.
processo preditivo.
processo preditivo.

Necessidade de utilizao de
recursos matemticos sofisticados

Se os dados de entrada do
mtodo esto disponveis, os
custos so baixos.

Variabilidade das sries temporais

Dificuldade para trabalhar com


variabilidade das sries, mas O mtodo suaviza influncias no Pode acomodar a variabilidade
pode acompanhar
curto prazo e variabilidade
com perodo de mdia mvel
frequentemente a variabilidade
aleatria.
apropriado.
com pesquisas freqentes.

Mudanas nas decises gerenciais


so esperadas.

Pode incorporar mudanas, mas


a facilidade em agregar elas na No pode incorporar mudanas
Mudanas significativas no
nas decises gerenciais.
so agregadas freqentemente. previso depende da experincia
dos entrevistados.
Incorpora bem as mudanas
contextuais nas previses.

Incorpora bem as mudanas


contextuais nas previses.

No pode incorporar mudanas


contextuais nas previses.

Raramente incorpora mudanas


nas relaes entre variveis.

Adapta-se bem a mudanas.

No pode incorporar mudanas


nas relaes entre variveis.

Necessidade de previses dos


componentes da srie temporal

Pode ser utilizado para previses


de componentes, mas o escopo
pode ser limitado.

Geralmente utilizado para


previses agregadas.

Pode ser utilizado para previses


de componentes.

Grau de acurcia

Pode ser mais acurado para


Pode ser mais acurado para
previses de produtos no
Mtodo gera previses acuradas
situaes dinmicas e previses
durveis, tendo limitaes nas
sob condies estveis.
de longo prazo.
previses de produtos durveis.

Mudanas contextuais so
esperadas

Mudanas nas relaes entre


variveis so esperadas

Capacidade de identificar mudanas


Geralmente no pode antecipar
de direo da demanda (turning
turning points.
points )

Sob condies dinmicas o


mtodo muito bom para
identificar turning points.

No pode antecipar turning


points.

155

Mtodo de Previso
Fatores de seleo
Horizonte de previso com boa
acurcia

Urgncia de previses (rapidez na


gerao das previses)

Suavizao exponencial

Box-Jenkins

Anlise de Regresso

curto prazo
mdio prazo

curto prazo
mdio prazo
longo prazo

curto prazo
mdio prazo
longo prazo

Previso pode ser obtida


rapidamente.

O desenvolvimento do modelo O desenvolvimento do modelo


pode demandar muito tempo, pode demandar muito tempo, mas
uma vez definido o modelo as
mas uma vez definido o modelo
previses podem ser obtidas
as previses podem ser obtidas
rapidamente.
rapidamente.

Tempo de desenvolvimento do
mtodo

curto

longo

moderado a longo

Tempo de execuo do mtodo

curto

moderado

curto a moderado

Necessidade de atualizaes de
previses

O mtodo permite atualizaes


freqentes das previses.

O mtodo permite atualizaes


freqentes das previses.

O mtodo permite atualizaes


freqentes das previses.

Conhecimento
matemtico/estatstico
necessrio.

Um alto nvel de conhecimento


matemtico/ estatstico
necessrio.

Conhecimento
matemtico/estatstico
necessrio.

Necessidade de recursos
computacionais

Recursos computacionais so
necessrios para atualizaes
das previses.

Recursos computacionais so
essenciais.

Recursos computacionais so
essenciais.

Custos de implementao e
manuteno do mtodo

Se os dados de entrada do
mtodo esto disponveis, os
custos so baixos.

Custos elevados de
implementao e manuteno.

Se os dados de entrada do
mtodo esto disponveis, os
custos so moderados.

Dados histricos disponveis

Dados atuais e previses


recentes so necessrios.

Necessidade de utilizao de
recursos matemticos sofisticados

Dados histricos detalhados so Dados histricos detalhados so


essenciais.
essenciais.

Variabilidade das sries temporais

Pode acomodar variabilidade


com parmetros de suavizao
adequados.

Mudanas nas decises gerenciais


so esperadas.

No pode incorporar mudanas


nas decises gerenciais.

Mudanas contextuais so
esperadas

Pode incorporar moderadamente Pode incorporar moderadamente


Incorpora bem mudanas se elas
mudanas se estas
mudanas se estas
so agregadas apropriadamente
acompanharem tendncias
acompanharem tendncias
nas variveis dependentes.
passadas.
passadas.

Mudanas nas relaes entre


variveis so esperadas

Pode incorporar moderadamente Pode incorporar moderadamente


mudanas se estas
mudanas se estas
Baixa acurcia das previses se
acompanharem tendncias
acompanharem tendncias
mudanas ocorrerem.
passadas.
passadas.

Necessidade de previses dos


componentes da srie temporal

Previses de componentes pode


Pode ser utilizado para previses Pode ser utilizado para previses
comprometer substancialmente a
de componentes.
de componentes.
acurcia da previso.

Grau de acurcia

Muito acurado para previses


de curto prazo.

Capacidade de identificar mudanas


de direo da demanda (turning
points )

No pode antecipar turning


points.

Trabalha a variabilidade
efetivamente.

Trabalha a variabilidade bem,


com variveis independetes
apropriadas.

Insensvel a mudanas nas


No pode incorporar mudanas decises, mas pode incorporar as
nas decises gerenciais.
mudanas nas variveis
dependentes.

Pode ser acurado se as relaes


Muito acurado para previses das variveis se mantm estveis
de curto e mdio prazo.
e a proporo explicada pela
varincia alta.

Fraca capacidade de
identificao de turning points .

Se as relaes entre as variveis


so estveis o mtodo pode
prever efetivamente turning
points.

156

Mtodo de Previso
Fatores de seleo
Horizonte de previso com boa
acurcia

Urgncia de previses (rapidez na


gerao das previses)

Decomposio de sries
temporais
curto prazo
mdio prazo

Analogias

Modelos economtricos

mdio prazo
longo prazo

curto prazo
mdio prazo
longo prazo

O desenvolvimento do modelo e
O desenvolvimento do modelo e
As previses podem ser obtidas
coleta de dados podem demandar
coleta de dados podem demandar
rapidamente, mas a coleta de
muito tempo, mas uma vez
muito tempo, mas uma vez
dados pode atrasar o processo
definido o modelo as previses
definido o modelo as previses
preditivo.
podem ser obtidas rapidamente.
podem ser obtidas rapidamente.

Tempo de desenvolvimento do
mtodo

moderado

moderado

longo

Tempo de execuo do mtodo

curto

moderado

curto a moderado

Necessidade de atualizaes de
previses

O mtodo permite atualizaes


freqentes das previses.

Mtodo geralmente utilizado para


previses nicas, mas pode ser
revisado se novas informaes
estiverem disponveis.

O mtodo permite atualizaes


freqentes das previses se os
dados de entrada do mtodo
estiverem disponveis.

Conhecimento
matemtico/estatstico
necessrio.

Conhecimento
matemtico/estatstico
necessrio.

Um alto nvel de conhecimento


matemtico/ estatstico
necessrio.

Necessidade de utilizao de
recursos matemticos sofisticados
Necessidade de recursos
computacionais

Custos de implementao e
manuteno do mtodo

Dados histricos disponveis

Recursos computacionais so
Recursos computacionais
necessrios para atualizaes das
auxiliam no processo preditivo.
previses.

Custos moderados de
implementao e manuteno.

Se os dados de entrada do
mtodo esto disponveis, os
custos so baixos.

Recursos computacionais so
essenciais.

Custos de implementao
elevados e custos de
manuteno moderados.

Dados histricos detalhados so


Dados histricos detalhados so
Dados histricos so essenciais.
essenciais.
essenciais.

Pode isolar e determinar os


O mtodo suaviza influncias no
curto prazo e variabilidade
Variabilidade das sries temporais efeitos dos componentes sobre a
variabilidade das sries.
aleatria.

Pode refletir mudanas nas


decises gerenciais.

Pode ajustar sistematicamente


padres aleatrios.

Insensvel a mudanas, ao menos


que incorpore a mudana nos
indicadores.

Mudanas nas decises gerenciais


so esperadas.

No pode incorporar mudanas


nas decises gerenciais.

Mudanas contextuais so
esperadas

Pode incorporar moderadamente


Pode incorporar mudanas, mas a
mudanas se estas
qualidade da previso pode
acompanharem tendncias
variar substancialmente.
passadas.

Mudanas nas relaes entre


variveis so esperadas

Pode incorporar moderadamente


mudanas se estas
acompanharem tendncias
passadas.

Pode incorporar mudanas das


relaes entre variveis nas
previses.

Baixa acurcia das previses se


mudanas ocorrerem.

Necessidade de previses dos


componentes da srie temporal

Pode ser utilizado para previses


de componentes.

Geralmente utilizado para


previses agregadas.

Geralmente utilizado para


previses agregadas.

Grau de acurcia

Isola efetivamente os
componentes indentificveis.

Baixa acurcia.

Acurcia moderada em ambientes


dinmicos.

Capacidade de identificar mudanas


de direo da demanda (turning
points )

Geralmente no pode prever


turning points.

Pode prever somente mudanas


no cclicas.

Especialmente efetivo em
previses de mudanas cclicas.

Mtodo altamente sensvel a


mudanas.

157

APNDICE B Fatores de seleo versus mtodos de previso de demanda

158

Fatores de seleo

Mtodo de Previso
Bootstrapping Subjetivo

Anlise Conjunta

Jogo de Representao

curto prazo
mdio prazo
longo prazo
Urgncia de previses
compromete o mtodo.
O desenvolvimento do modelo
pode demandar muito tempo.

curto prazo
mdio prazo
longo prazo
Urgncia de previses
compromete o mtodo.
O desenvolvimento do modelo
pode demandar muito tempo.

curto prazo
mdio prazo
longo prazo

Tempo de desenvolvimento do
mtodo

moderado a longo

moderado a longo

moderado

Tempo de execuo do mtodo

moderado a longo

moderado a longo

moderado a longo

Necessidade de atualizaes de
previses

Mtodo pode ser revisado em


intevalos grandes de tempo.

Mtodo pode ser revisado em


intevalos grandes de tempo.

Mtodo geralmente utilizado para


previses nicas, mas pode ser
revisado se novas informaes
estiverem disponveis.

Conhecimento
matemtico/estatstico
necessrio.

Conhecimento
matemtico/estatstico
necessrio.

Conhecimento
matemtico/estatstico
necessrio.

Recursos computacionais so
essenciais.

Recursos computacionais so
essenciais.

Recursos computacionais no
so essenciais.

Custos de implementao e
manuteno do mtodo

Os custos dependem do tipo de


anlise dos especialistas, mas
geralmente tem baixo custo.

Os custos dependem do tipo de


pesquisa (entrevista pessoal,
correio eletrnico, etc),
geralmente tem custo elevado.

Os custos dependem do tipo de


interao (pessoal ou virtual),
mas geralmente tem baixo custo.

Dados histricos disponveis

Dados histricos no so
essenciais, mas podem auxiliar o
processo preditivo.

Horizonte de previso com boa


acurcia
Urgncia de previses (rapidez na
gerao das previses)

Necessidade de utilizao de
recursos matemticos sofisticados
Necessidade de recursos
computacionais

Variabilidade das sries temporais

Mudanas nas decises gerenciais


so esperadas.

Mudanas contextuais so
esperadas

Mudanas nas relaes entre


variveis so esperadas

Necessidade de previses dos


componentes da srie temporal

Grau de acurcia

Capacidade de identificar mudanas


de direo da demanda (turning
points )
Capacidade de incorporar
prontamente mudanas de direo
da demanda na previso

Urgncia de previses
compromete o mtodo.

Dados histricos no so
Dados histricos no so
essenciais, mas podem auxiliar o essenciais, mas podem auxiliar o
processo preditivo.
processo preditivo.
Dificuldade para trabalhar com
variabilidade das sries, mas
O mtodo suaviza influncias no
O mtodo suaviza influncias no
curto prazo e variabilidade
pode acompanhar
curto prazo e variabilidade
aleatria.
frequentemente a variabilidade
aleatria.
com pesquisas freqentes.
Pode incorporar mudanas, mas a
Pode incorporar mudanas, mas a
facilidade em agregar elas na
facilidade em agregar elas na
Mudanas significativas no so
previso depende da experincia
agregadas freqentemente.
previso depende da experincia
dos entrevistados.
dos participantes.
Incorpora bem as mudanas
contextuais nas previses.

Incorpora bem mudanas se elas


so agregadas apropriadamente
nas variveis dependentes.

Incorpora bem as mudanas


contextuais nas previses.

Baixa acurcia das previses se


mudanas ocorrerem.

Raramente incorpora mudanas


nas relaes entre variveis.

Adapta-se bem a mudanas.

Geralmente utilizado para


previses agregadas.

Pode ser utilizado para previses


de componentes, mas o escopo
pode ser limitado.

Geralmente utilizado para


previses agregadas.

Pode ser mais acurado para


Pode ser mais acurado para
Pode ser acurado se as relaes
situaes dinmicas e previses
situaes dinmicas e previses
das variveis se mantm estveis.
de longo prazo.
de longo prazo.
Sob condies dinmicas o
mtodo muito bom para
identificar turning points.

Se as relaes entre as variveis


so estveis o mtodo pode
prever efetivamente turning
points.

Sob condies dinmicas o


mtodo muito bom para
identificar turning points.

Pode ajustar muito bem a


previso sob condies
dinmicas.

Pode responder muito bem a


mudanas.

Pode ajustar muito bem a


previso sob condies
dinmicas.

159

Fatores de seleo

Mtodo de Previso
Previso baseada em regras

Sistema Especialista

curto prazo
mdio prazo
longo prazo

curto prazo
mdio prazo
longo prazo

Urgncia de previses compromete o


mtodo. O desenvolvimento do modelo
pode demandar muito tempo.

Urgncia de previses
compromete o mtodo.
O desenvolvimento do modelo
pode demandar muito tempo.

Tempo de desenvolvimento do
mtodo

moderado a longo

longo

Tempo de execuo do mtodo

curto a moderado

moderado a longo

Necessidade de atualizaes de
previses

Mtodo pode ser revisado em intevalos


grandes de tempo.

Mtodo pode ser revisado em


intevalos grandes de tempo.

Um alto nvel de conhecimento


matemtico/ estatstico necessrio.

Um alto nvel de conhecimento


matemtico/ estatstico
necessrio.

Recursos computacionais so
essenciais.

Recursos computacionais so
essenciais.

Horizonte de previso com boa


acurcia

Urgncia de previses (rapidez na


gerao das previses)

Necessidade de utilizao de
recursos matemticos sofisticados
Necessidade de recursos
computacionais
Custos de implementao e
manuteno do mtodo

Os custos dependem do tipo de anlise Os custos dependem do tipo de


dos especialistas, mas geralmente tem
anlise do especialista,
custo moderado.
geralmente tem custo elevado.
Dados histricos detalhados so
essenciais.

Dados histricos detalhados so


essenciais.

Variabilidade das sries temporais

Trabalha a variabilidade efetivamente.

Trabalha a variabilidade
efetivamente.

Mudanas nas decises gerenciais


so esperadas.

Pode incorporar mudanas, mas a


Pode incorporar mudanas, mas a
facilidade em agregar elas na previso
facilidade em agregar elas na
depende da experincia dos
previso depende da experincia
especialistas.
dos especialistas.

Dados histricos disponveis

Mudanas contextuais so
esperadas

Pode incorporar moderadamente


mudanas se estas acompanharem
tendncias passadas.

Incorpora bem as mudanas


contextuais nas previses.

Mudanas nas relaes entre


variveis so esperadas

Pode incorporar moderadamente


mudanas se estas acompanharem
tendncias passadas.

Pode incorporar moderadamente


mudanas se estas
acompanharem tendncias
passadas.

Pode ser utilizado para previses de


componentes.

Pode ser utilizado para previses


de componentes.

Necessidade de previses dos


componentes da srie temporal

Grau de acurcia

Pode ser mais acurado para


Muito acurado para previses de curto
situaes dinmicas e previses
e mdio prazo.
de longo prazo.

Capacidade de identificar mudanas


de direo da demanda (turning
points )

Pode antecipar turning points.

Sob condies dinmicas o


mtodo muito bom para
identificar turning points.

Capacidade de incorporar
prontamente mudanas de direo
da demanda na previso

Quando os turning points so


identificados o mtodo ajusta
rapidamente a previso.

Pode ajustar muito bem a


previso sob condies
dinmicas.

160

APNDICE C Sries histricas da demanda em unidades dos produtos (ar-condicionado)


consolidados no mercado
PRODUTOS
PERODO
janeiro-00
fevereiro-00
maro-00
abril-00
maio-00
junho-00
julho-00
agosto-00
setembro-00
outubro-00
novembro-00
dezembro-00
janeiro-01
fevereiro-01
maro-01
abril-01
maio-01
junho-01
julho-01
agosto-01
setembro-01
outubro-01
novembro-01
dezembro-01
janeiro-02
fevereiro-02
maro-02
abril-02
maio-02
junho-02
julho-02
agosto-02
setembro-02
outubro-02
novembro-02
dezembro-02

10k
5.749
2.790
2.947
2.204
1.977
1.762
1.897
3.943
5.728
8.496
10.629
8.273
6.558
3.937
4.573
2.792
2.225
1.180
740
1.778
3.084
3.204
4.671
7.030
2.372
3.420
2.392
2.414
2.850
1.845
2.036
3.874
5.761
8.443
12.427
7.611

18k
1.957
1.238
1.429
1.033
877
1.024
747
942
2.519
1.906
3.370
2.905
1.643
1.850
1.394
1.918
1.171
648
713
964
1.337
1.758
1.449
1.226
752
1.090
1.167
2.745
1.173
1.181
953
1.395
1.987
3.163
3.453
2.620

30k
1.183
1.005
589
630
509
391
463
614
1.361
1.109
1.682
1.763
1.168
843
578
1.283
887
369
214
483
1.081
606
771
1.072
448
714
871
940
723
595
441
783
1.270
957
1.892
1.451

PERODO
janeiro-03
fevereiro-03
maro-03
abril-03
maio-03
junho-03
julho-03
agosto-03
setembro-03
outubro-03
novembro-03
dezembro-03
janeiro-04
fevereiro-04

10k

18k

30k

3.785
3.818
2.135
1.206
1.127
964
1.138
2.218
4.401
4.752
6.485
3.852
1.988
1.679

1.106
1.321
885
877
845
1.953
472
820
1.531
1.501
1.918
1.569
896
661

1.054
659
1.294
539
320
254
222
542
951
804
1.600
888
571
341

161

APNDICE D Sries histricas ajustadas da demanda em unidades dos produtos (ar


condicionado) consolidados no mercado (3 ltimos perodos compem a srie para teste)
PRODUTOS
PERODO
janeiro-00
fevereiro-00
maro-00
abril-00
maio-00
junho-00
julho-00
agosto-00
setembro-00
outubro-00
novembro-00
dezembro-00
janeiro-01
fevereiro-01
maro-01
abril-01
maio-01
junho-01
julho-01
agosto-01
setembro-01
outubro-01
novembro-01
dezembro-01
janeiro-02
fevereiro-02
maro-02
abril-02
maio-02
junho-02
julho-02
agosto-02
setembro-02
outubro-02
novembro-02
dezembro-02

10k
5.749
2.790
2.947
2.204
1.977
1.762
1.897
3.943
5.728
8.496
10.629
8.273
6.558
3.937
4.573
2.792
2.225
1.804
1.967
3.909
5.745
8.470
11.528
7.942
5.172
3.878
2.392
2.414
2.850
1.845
2.036
3.874
5.761
8.443
12.427
7.611

18k 30k
1.957
1.238
1.429
1.033
877
1.024
747
942
2.519
1.906
3.370
2.905
1.643
1.850
1.394
1.918
1.171
1.103
850
1.169
2.253
2.535
3.412
2.763
1.375
1.586
1.167
2.745
1.173
1.181
953
1.395
1.987
3.163
3.453
2.620

1.183
1.005
589
630
509
391
463
614
1.361
1.109
1.682
1.763
1.168
843
578
1.283
887
493
452
699
1.316
1.033
1.787
1.607
1.111
751
871
940
723
595
441
783
1.270
957
1.892
1.451

10k 12k 30k


PERODO
janeiro-03
fevereiro-03
maro-03
abril-03
maio-03
junho-03
julho-03
agosto-03
setembro-03
outubro-03
novembro-03
dezembro-03
janeiro-04
fevereiro-04

3.785
3.818
2.135
1.206
1.127
964
1.138
2.218
4.401
4.752
6.485
3.852
1.988
1.679

1.106
1.321
885
877
845
1.953
472
820
1.531
1.501
1.918
1.569
896
661

1.054
659
1.294
539
320
254
222
542
951
804
1.600
888
571
341

162

APNDICE E Srie histrica da demanda em unidades dos medidores eletromecnicos


monofsicos e polifsicos (6 ltimos perodos compem a srie para teste)
PERODO
outubro-01
novembro-01
dezembro-01
janeiro-02
fevereiro-02
maro-02

MONOFSICO POLIFSICO
24.666
11.700
19.807
18.092
40.197
23.351
44.092
34.506

23.140
15.882

48.089

26.000

abril-02

60.462

27.481

maio-02

56.543

22.517

junho-02

62.714

21.336

julho-02

42.876

22.500

agosto-02

18.115

11.242

setembro-02
outubro-02
novembro-02
dezembro-02

32.889
36.123
23.463

12.159
20.568
17.225

9.900

15.321

janeiro-03

33.000

20.396

fevereiro-03

32.540

20.596

maro-03

26.205

20.740

abril-03

38.448

22.516

maio-03

30.856

21.265

junho-03

18.588

20.935

julho-03

34.400

25.755

agosto-03

33.613

21.179

setembro-03

30.024

22.706

outubro-03

29.206

25.374

novembro-03

28.196

20.759

dezembro-03

8.866

13.156

janeiro-04

19.968

16.721

fevereiro-04

27.271

18.024

maro-04

51.123

26.580

abril-04

37.885

21.418

maio-04

37.034

22.773

junho-04
julho-04
agosto-04

40.235
66.227

26.259
29.744

67.781

26.446

setembro-04

63.343

23.031

outubro-04

37.840

7.834

novembro-04

18.142

6.710

dezembro-04

19.942

21.582

163

APNDICE F Roteiro de entrevista para pesquisa de campo

164

Apresentao

Esta pesquisa destina-se a fazer um levantamento de informaes sobre a substituio de


medidores eletromecnicos por medidores eletrnicos em consumidores residenciais, comerciais,
industriais, rurais e outros. A partir dos dados obtidos neste levantamento, pretende-se aprimorar o
sistema de previso de vendas de medidores eletrnicos no mercado interno da Empresa X. Para que
este estudo seja bem sucedido, fundamental a colaborao da empresa pesquisada. Vale ressaltar
que os dados referentes empresa sero mantidos em sigilo e s sero divulgados mediante
autorizao da mesma. Quaisquer esclarecimentos necessrios, favor entrar em contato com
Fernando Lemos pelo telefone (51) 33164005 ou pelo e-mail ferlemos@producao.ufrgs.br.

Fique vontade para fazer quaisquer sugestes ou comentrios. Obrigado !

1. A empresa faz previses de demanda de medidores eletrnicos de forma sistemtica e


estruturada?

Sim

No

Como so feitas as previses de demanda de medidores eletrnicos na empresa?

2. Com que freqncia realizada a previso de demanda?


Quinzenal

Mensal

Bimestral

Semestral

Outra: ___________

Semestral

Outra: ___________

3. As previses obtidas so de demanda:


Quinzenal

Mensal

Bimestral

4. Qual o horizonte de previso normalmente considerado?


Ms

Trimestre

Semestre

Ano

Outro: ___________

165

5. Utilizam Mtodos estatsticos na previso de demanda?

Sim

No

Por qu?

6. Dentre os mtodos abaixo, quais so conhecidos? So efetivamente utilizados?


Mdia mvel

Sim

No

Suavizao Exponencial Simples

Sim

No

Suavizao Exponencial com tendncia

Sim

No

Suavizao Exponencial com Sazonalidade

Sim

No

Regreso Linear Simples

Sim

No

Regresso Linear Mltipla

Sim

No

Projeo com auto-correlao (ARIMA)

Sim

No

Modelos Qualitativos baseados em consenso

Sim

No

Outros modelos:_______________________

Sim

No

7. Quais as dificuldades na utilizao de Modelos Estatsticos na Previso de demanda?

8. Utilizam software para previso de demanda?

Sim

No

Qual? Quando foi implantado? Quais razes que levaram aquisio deste software?

166

9. Quais os indicadores de erro de previso utilizados?


Erro mdio

Erro percentual mdio

Erro absoluto mdio

Erro absoluto percentual mdio

Erro quadrtico mdio

Visualizao grfica

Outros:___________________

10. Acredita que modelos de otimizao e tcnicas estatsticas podem contribuir para melhoria do
processo de planejamento da produo em sua empresa? Por qu?

11. Qual a capacidade instalada de produo de medidores eletrnicos?

12. A tabela abaixo apresenta uma comparao entre sistemas baseados em medio eletrnica, e
os sistemas com medidores eletromecnicos.
Sistemas com medio eletrnica
Vrias grandezas no mesmo instrumento
Leituras instantneas permitem o registro histrico
de todas as grandezas eltricas

Sistemas com medidores eletromecnicos


Um instrumento para cada grandeza
Valores precisam ser processados

Demanda e fator de potncia projetados quando


so instalados medidores de energia reativa
Leitura de tenso e corrente por fase
No informa valores de tenses e correntes
Leituras de potncia por fase (ativa, reativa e total)
No informa valores de potncia
Valores de consumo devem ser acumulados pelo
Leituras de consumo acumulado (ativo e reativo)
sistema de gerenciamento
Consistncia pode ser quebrada por falta de
Consistncia dos dados total
energia nos diversos componentes do sistema
Leituras detalhadas auxiliam a conferncia da
Requer muita experincia para garantir a correta
ligao do prprio medidor
ligao dos medidores
Menor nmero de componentes
Vrios componentes adicionais
(apenas os medidores e gerenciador)
(emissores de pulsos, placas de entrada, etc.)
Maior confiabilidade e preciso (at 0,2%)
Partes mveis diminuem a preciso (entre 1 e 2%)
Calibrao nica
Necessidade de calibraes peridicas
Demanda e fator de potncia instantneos

167

H alguma vantagem relevante de utilizao do medidor eletrnico em relao ao


eletromecnico que no foi citada?

13. Quanto ao preo em relao aos concorrentes os medidores eletrnicos da Empresa X so:
mais caros

mais baratos

praticamente o mesmo preo

Quanto mais caro ou mais barato?

14. Quanto ao custo de manuteno do medidor eletrnico em relao aos eletromecnicos, eles
so:
mais altos

mais baixos

praticamente os mesmos

15. Qual a vida til do medidor eletrnico?

16. Quais os principais fatores que afetam a demanda de medidores eletrnicos? Quais so as
principais barreiras (econmicas, polticas, regulatrias do setor, tecnolgicas, etc.) para a
entrada destes medidores no mercado brasileiro?

168

17. Quais so os principais concorrentes no mercado interno de medidores eletrnicos?

18. Qual o potencial de mercado para os medidores eletrnicos? Qual a taxa atual de penetrao
de medidores eletrnicos no mercado interno?

19. O mercado de medidores eletrnicos na Europa est em fase de reestruturao, sendo estimado
um aumento na participao de mercado de 19% at 2010, substituindo os medidores
eletromecnicos uma taxa mdia de 2,4% ao ano. Este aumento se deve pela utilizao
destes medidores no setor residencial, setor que utiliza medidores eletromecnicos. Esta
tendncia de mercado tambm verificada no Brasil?

20. Os medidores eletrnicos substituiro os medidores eletromecnicos:


monofsicos

polifsicos

ambos

Qual a taxa de substituio anual esperada na classe residencial?


Monofsicos: ____ %
Justificativa (caso ache necessrio):

Polifsicos: ______%

169

21. Em uma condio muito favorvel de mercado, qual seria a taxa de substituio anual
esperada na classe residencial?
Monofsicos: ____ %

Polifsicos: ______%

Justificativa (caso ache necessrio):

22. Em uma condio muito pouco favorvel de mercado, qual seria a taxa de substituio anual
esperada na classe residencial?
Monofsicos: ____ %

Polifsicos: ______%

Justificativa (caso ache necessrio):

23. O custo/benefcio dos medidores eletrnicos encoraja a substituio dos eletromecnicos?


Sim

No

24. Que fatores justificariam a substituio de medidores?

25. Nos prximos 5 anos haver um aumento no consumo de medidores eletrnicos em


detrimento aos medidores eletromecnicos?

170

Em qual Classe de consumidores este aumento vai acontecer?


Comercial

Industrial

Residencial

Rural

Outros

26. Em relao a demanda de medidores eletromecnicos, voc acredita que no curto prazo, a
demanda de medidores eletrnico ser:
mais alta

mais baixa

O quanto mais alta ou mais baixa?

praticamente a mesma
_______ %

27. As principais razes para a compra de medidores eletromecnicos so o preo em relao ao


eletrnico, o qual custa entre 20 e 25% a mais que os eletromecnicos, e a disponibilidade de
medidores mais robustos, com uma vida til de 30 a 40 anos, duas vezes maior que a dos
medidores eletrnicos. Mesmo com um aumento de custo na compra destes medidores grandes
mercados como Escandinvia, Reino Unido, Frana e Itlia tm substitudo sistematicamente
os medidores eletromecnicos por medidores eletrnicos. Na Itlia sero instalados mais de 20
milhes de medidores eletrnicos em residncias at o final de 2005. No Brasil a tendncia a
mesma observada no mercado Europeu?

Sim

No

Por qu?

Identificao: Para facilitar futuros contatos e esclarecimento de dvidas.

Nome:

Cargo:

Telefone:

e-mail:

171

APNDICE G Respostas dos entrevistados na primeira rodada de aplicao do DELPHI

172

1. A tabela abaixo apresenta uma comparao entre sistemas baseados em medio eletrnica, e
os sistemas com medidores eletromecnicos.
Sistemas com medio eletrnica
Vrias grandezas no mesmo instrumento
Leituras instantneas permitem o registro histrico
de todas as grandezas eltricas

Sistemas com medidores eletromecnicos


Um instrumento para cada grandeza
Valores precisam ser processados

Demanda e fator de potncia projetados quando


so instalados medidores de energia reativa
Leitura de tenso e corrente por fase
No informa valores de tenses e correntes
Leituras de potncia por fase (ativa, reativa e total)
No informa valores de potncia
Valores de consumo devem ser acumulados pelo
Leituras de consumo acumulado (ativo e reativo)
sistema de gerenciamento
Consistncia pode ser quebrada por falta de
Consistncia dos dados total
energia nos diversos componentes do sistema
Leituras detalhadas auxiliam a conferncia da
Requer muita experincia para garantir a correta
ligao do prprio medidor
ligao dos medidores
Menor nmero de componentes
Vrios componentes adicionais
(apenas os medidores e gerenciador)
(emissores de pulsos, placas de entrada, etc.)
Maior confiabilidade e preciso (at 0,2%)
Partes mveis diminuem a preciso (entre 1 e 2%)
Calibrao nica
Necessidade de calibraes peridicas
Demanda e fator de potncia instantneos

H alguma vantagem relevante de utilizao do medidor eletrnico em relao ao


eletromecnico que no foi citada?
Linearidade do erro de medio em toda faixa de medio;
DISTRIBUIDORA A:

Possibilidade de implementao da telemetria; e


Controle e combate fraude.
Gerao de arquivo com memria de massa (curva de carga);

DISTRIBUIDORA B:

Operao remota; e
Sensibilidade a pequenas cargas.

EMPRESA
FORNECEDORA:

Recursos anti-fraude.

173

2. Quais os principais fatores que afetam a demanda de medidores eletrnicos? Quais so as


principais barreiras (econmicas, polticas, regulatrias do setor, tecnolgicas, etc.) para a
entrada destes medidores no mercado brasileiro?

DISTRIBUIDORA A:

Custos versus Robustez.

Os principais fatores so preo ( muito alto) e desconhecimento da


vida til dos medidores eletrnicos em situaes reais. Os
medidores eletromecnicos possuem vida til de 25 anos. Outro
DISTRIBUIDORA B:

fator no menos importante a falta de um regulamento tcnico


metrolgico, definido pelos organismos oficiais nacional (ABNT /
INMETRO) que permita certificar/homologar hardware e software
relacionados a medio eletrnica.
O conservadorismo dos nossos clientes, deviodo ao fato de no

EMPRESA

terem experincia em larga escala com o medidor eletrnico. Para

FORNECEDORA:

os clientes seria trocar o certo pelo duvidoso. Por isso que


atualmente trabalhamos nichos especficos de mercado.

3. Qual o potencial de mercado para os medidores eletrnicos? Qual a taxa atual de penetrao
de medidores eletrnicos no mercado interno?

DISTRIBUIDORA A:

O potencial de mercado ser grande. Atualmente a Distribuidora A


tem menos de 0,5% dos consumidores com medidor eletrnico.
O futuro dos medidores eletrnicos. Na Distribuidora B a poltica
de substituio de medidores limita-se a troca de medidores

DISTRIBUIDORA B:

eletromecnicos por eletrnicos quando da falha ou retirada por


obsolescncia dos eletromecnicos - 60.000 medidores/ano. O
crescimento vegetativo tambm ser suprido por medidores
eletrnicos - 250.000 medidores/ano.

EMPRESA
FORNECEDORA:

Acreditamos em 70 ou 80.000 medidores/ano como total. Valor


no expressivo, considerando que o mercado do medidor
eletromecnico de 2.000.000 medidores/ano.

174

4. O mercado de medidores eletrnicos na Europa est em fase de reestruturao, sendo estimado


um aumento na participao de mercado de 19% at 2010, substituindo os medidores
eletromecnicos uma taxa mdia de 2,4% ao ano. Este aumento se deve pela utilizao
destes medidores no setor residencial, setor que utiliza medidores eletromecnicos. Esta
tendncia de mercado tambm verificada no Brasil?
Acredito que uma taxa de 3% ao ano possvel no Brasil, pois o
DISTRIBUIDORA A:

crescimento de unidades consumidoras (populao) deve ser maior


que no mercado Europeu.
Sim
Pelos recursos disponiveis na Europa, acho esta taxa muito baixa.
No maior porque o medidor eletromecnico no um problema

DISTRIBUIDORA B:

to grande assim. As perdas no tcnicas decorrente da utilizao


de medidores eletromecnicos so muito pequenas quando
comparadas a outros fatores como, por exemplo, a fraude no
sistema de medio.
No concordo, pois os mercados so totalmente diferentes. Mas a

EMPRESA

substituio dever acontecer rapidamente, pois a diferena de

FORNECEDORA:

preo entre eletrnicos e eletromecnico no to grande, alm do


valor agregado nos eletrnicos.

5. Os medidores eletrnicos substituiro os medidores eletromecnicos:


monofsicos

polifsicos

ambos

Qual a taxa de substituio anual esperada na classe residencial?


Monofsicos: ____ %

Polifsicos: ______%

Justificativa (caso ache necessrio):

Ambos
Taxa de substituio de monofsicos: 3%
DISTRIBUIDORA A:

Taxa de substituio de polifsicos: 3%


A taxa de substituio estar atrelada ao crescimento vegetativo j
que os medidores existentes no sero descartados.

175

Ambos
DISTRIBUIDORA B:

Taxa de substituio de monofsicos: 4%


Taxa de substituio de polifsicos: 1%
A Distribuidora B possui 5,5 milhes de medidores instalados,
trocando anualmente de 200.000 a 300.000 medidores.
Polifsicos
Taxa de substituio de monofsicos: -

EMPRESA

Taxa de substituio de polifsicos: 10%

FORNECEDORA:

Inicialmente acreditamos que a substituio ser no medidor


polifsico com tendncia da sua totalidade. O monofsico ainda
uma incgnita.

6. Em uma condio muito favorvel de mercado, qual seria a taxa de substituio anual
esperada na classe residencial?
Monofsicos: ____ %

Polifsicos: ______%
Taxa de substituio de monofsicos: 4,5%
Taxa de substituio de polifsicos: 4,5%

DISTRIBUIDORA A:

A taxa pode ser maior pois no estou incluindo os medidores


avariados, que numa condio muito favorvel provavelmente no
compensaria o custo do conserto.
Taxa de substituio de monofsicos: 100%
Taxa de substituio de polifsicos: 100%

DISTRIBUIDORA B:

Estamos falando de 550.000 medidores, o que representa 2.500


medidores/dia til, o que provocaria um impacto muito grande nas
equipes de atendimento.
Taxa de substituio de monofsicos: 50%

EMPRESA
FORNECEDORA:

Taxa de substituio de polifsicos: 100%


Inicialmente acreditamos que a substituio ser no medidor
polifsico com tendncia da sua totalidade 100%. O monofsico
ainda uma incgnita.

7. Em uma condio muito pouco favorvel de mercado, qual seria a taxa de substituio anual
esperada na classe residencial?
Monofsicos: ____ %
Justificativa (caso ache necessrio):

Polifsicos: ______%

176

Taxa de substituio de monofsicos: 1%


Taxa de substituio de polifsicos: 2%
DISTRIBUIDORA A:

Aumento na recuperao de medidores e a permanncia em uso de


medidores considerados obsoletos porm funcionando dentro de
valores aceitos.

DISTRIBUIDORA B:

Taxa de substituio de monofsicos: 1%


Taxa de substituio de polifsicos: 0,5%

EMPRESA

Taxa de substituio de monofsicos: 0%

FORNECEDORA:

Taxa de substituio de polifsicos: 5%

8. O custo/benefcio dos medidores eletrnicos encoraja a substituio dos eletromecnicos?


Sim

No

DISTRIBUIDORA A:

No

DISTRIBUIDORA B:

No

EMPRESA
FORNECEDORA:

Sim

177

9. Que fatores justificariam a substituio de medidores?


Custo/benefcio favorvel; e
DISTRIBUIDORA A:

Exigncia de tarifao diferenciada (para aqueles consumidores


que ainda no tem).
Telemetria;

DISTRIBUIDORA B:

Combate fraude; e
Condominios Verticais.

EMPRESA
FORNECEDORA:

Pelos alto valor agregado do medidor;


Medio de outras grandezas; e
Caracteristicas antifraude.

10. Nos prximos 5 anos haver um aumento no consumo de medidores eletrnicos em


detrimento aos medidores eletromecnicos?

DISTRIBUIDORA A:

uma tendncia natural (evoluo tecnolgica) o aumento no


consumo de medidores eletrnicos.

Case Distribuidora B: A meta adquirir somente medidores


DISTRIBUIDORA B:

eletrnicos, a menos que os fornecedores no tenham condies de


suprir nossa demanda como em 2004.

EMPRESA
FORNECEDORA:

Sim, principalmente no medidor polifsico. Acreditamos que em


4/5 anos no dever acontecer nada muito significativo em relao
aos monofsicos no Brasil.

Em qual Classe de consumidores este aumento vai acontecer?


Comercial

Industrial

Residencial

Rural

Outros

178

Comercial
DISTRIBUIDORA A:

Industrial
Residencial
Comercial

DISTRIBUIDORA B:

Industrial
Residencial

EMPRESA
FORNECEDORA:

Comercial
Industrial
Residencial

11. Em relao a demanda de medidores eletromecnicos, voc acredita que no curto prazo, a
demanda de medidores eletrnicos ser:
mais alta

mais baixa

praticamente a mesma

O quanto mais alta ou mais baixa?

DISTRIBUIDORA A:

mais baixa
96% menor

DISTRIBUIDORA B:

mais baixa
------------

EMPRESA

mais baixa

FORNECEDORA:

-------------

_______ %

179

12. As principais razes para a compra de medidores eletromecnicos so o preo em relao ao


eletrnico, o qual custa entre 20 e 25% a mais que os eletromecnicos, e a disponibilidade de
medidores mais robustos, com uma vida til de 30 a 40 anos, duas vezes maior que a dos
medidores eletrnicos. Mesmo com um aumento de custo na compra destes medidores grandes
mercados como Escandinvia, Reino Unido, Frana e Itlia tm substitudo sistematicamente
os medidores eletromecnicos por medidores eletrnicos. Na Itlia sero instalados mais de 20
milhes de medidores eletrnicos em residncias at o final de 2005. No Brasil a tendncia a
mesma observada no mercado Europeu?

Sim

No

Por qu?

No
O custo para o conserto de um medidor eletromecnico no Brasil
DISTRIBUIDORA A:

muito menor que na Europa (onde a mo-de-obra muito cara), e


pelo fato de ainda sermos um pas pobre onde esta substituio
significa muito investimento.
Sim
A oferta de medidores eletromecnico tende a diminuir na medida

DISTRIBUIDORA B:

em que os medidores eletrnicos se mostrem confiveis (taxa de


falha ainda muito alta - 10 a 15% ao ano). As limitaes no so
s financeiras, mas tambm de capacidade das equipes para
substituio em campo.
Sim

EMPRESA
FORNECEDORA:

Tem que se tomar muito cuidado com esta afirmao. A tendncia


a longo prazo poder ser a mesma mas as razes so totalmente
diferentes, porque os produtos/custos tambm so muitos
diferentes.

180

APNDICE H Respostas dos entrevistados na segunda rodada de aplicao do DELPHI

181

1. O mercado de medidores eletrnicos na Europa est em fase de reestruturao, sendo estimado


um aumento na participao de mercado de 19% at 2010, substituindo os medidores
eletromecnicos uma taxa mdia de 2,4% ao ano. Este aumento se deve pela utilizao
destes medidores no setor residencial, setor que utiliza medidores eletromecnicos. Esta
tendncia de mercado tambm verificada no Brasil?

DISTRIBUIDORA A:

Acredito que a taxa de 2,4% ao ano pode ser utilizada.

No mximo uma taxa de 1% ao ano, pelo menos em um curto

DISTRIBUIDORA B:

espao de tempo.

EMPRESA

Sim

FORNECEDORA:

Mantenho a resposta da primeira rodada.

2. Os medidores eletrnicos substituiro os medidores eletromecnicos:


monofsicos

polifsicos

ambos

Qual a taxa de substituio anual esperada na classe residencial?


Monofsicos: ____ %
Justificativa (caso ache necessrio):

Polifsicos: ______%

182

Ambos
Taxa de substituio de monofsicos: 3,5%
DISTRIBUIDORA A:

Taxa de substituio de polifsicos: 3%


Para os monofsicos o valor mdio pode ser considerado, mas para
o polifsico mantenho a estimativa anterior.
Ambos
Taxa de substituio de monofsicos: 3,5%

DISTRIBUIDORA B:

Taxa de substituio de polifsicos: 3%


Utilizar a mdia para o monofsico. Para o polifsico considero a
mdia e a estima da empresa.muito altas. O valor estimado pela
empresa A pode ser considerado.
Taxa de substituio de monofsicos: 3,5%

EMPRESA

Taxa de substituio de polifsicos: 4,7%

FORNECEDORA:

As taxas mdias dos mono e polifsicos podem ser consideradas


como valores iniciais.

3. Em uma condio muito favorvel de mercado, qual seria a taxa de substituio anual
esperada na classe residencial?
Monofsicos: ____ %

Polifsicos: ______%

Justificativa (caso ache necessrio):


Taxa de substituio de monofsicos: 51,50%
DISTRIBUIDORA A:

Taxa de substituio de polifsicos: 68,2%


Considero que as mdias podem ser utilizadas, mas para previses
de longo prazo.
Taxa de substituio de monofsicos: 100%

DISTRIBUIDORA B:

Taxa de substituio de polifsicos: 100%


Mantenho respostas anteriores

EMPRESA
FORNECEDORA:

Taxa de substituio de monofsicos: 50%


Taxa de substituio de polifsicos: 100%
O monofsico ainda uma incgnita.

183

4. Em uma condio muito pouco favorvel de mercado, qual seria a taxa de substituio anual
esperada na classe residencial?
Monofsicos: ____ %

Polifsicos: ______%

Justificativa (caso ache necessrio):

DISTRIBUIDORA A:

Taxa de substituio de monofsicos: 1%


Taxa de substituio de polifsicos: 2%

DISTRIBUIDORA B:

Taxa de substituio de monofsicos: 1%


Taxa de substituio de polifsicos: 2,5%
Taxa de substituio de monofsicos: 1%

EMPRESA

Taxa de substituio de polifsicos: 2,5%

FORNECEDORA:

Para o monofsico vou considerar os valores dos outros


participantes e para os polifsicos a mdia apresentada.