Escolar Documentos
Profissional Documentos
Cultura Documentos
JOINVILLE, SC
2015
PATRÍCIA BUDAL BRUNATO
JOINVILLE, SC
2015
PATRÍCIA BUDAL BRUNATO
Banca Examinadora:
Orientadora:
______________________________________
Elisa Henning, Dra.
Universidade do Estado de Santa Catarina
Membro:
______________________________________
Membro:
______________________________________
Agradeço à minha família por todo o apoio oferecido durante a graduação, e por
sempre terem confiado no meu sucesso.
Agradeço à minha mãe, Érica, por ter sido minha grande incentivadora e exemplo em
toda minha vida acadêmica e profissional, ressaltando a importância da educação. Agradeço
também por ter sempre me apoiado em todas as minhas decisões, pelo seu carinho e
dedicação em todos os momentos.
Ao meu padrasto, Paulo, por ter sido minha referência como Engenheiro e pelo seu
grande reconhecimento profissional. Além disso, por ter sido muitas vezes a quem eu recorri
quando tive dúvidas e hesitações, e acima de tudo, por ter sido sempre um grande amigo.
Ao meu namorado, André, por ter sido meu grande companheiro durante a minha
graduação. Agradeço por toda a paciência e tempo dedicado. Por compreender minha
ausência, quando foi necessária. Por me incentivar todos os dias e me animar quando mais
precisei. E, principalmente, por acreditar em mim em todos esses momentos.
À minha irmã, Ana, por ter sido uma grande amiga sempre que precisei.
À minha orientadora, Elisa, por sua dedicação, conhecimento e competência durante
toda a minha graduação. Por ter sido um exemplo como professora, o que me proporcionou
desenvolver um grande interesse por Estatística. Por seu esforço para me orientar neste
trabalho, esclarecendo minhas dúvidas e me guiando pelo melhor caminho.
Agradeço aos amigos que conheci na UDESC, que permitiram que a minha graduação
fosse muito mais leve e interessante. Em especial à Amanda, que teve uma grande
contribuição neste trabalho.
RESUMO
Figura 1 – Balança comercial de artigos têxteis para o lar (em milhões de US$) .................... 14
Figura 2 – Fluxo de informação entre as previsões de vendas e o planejamento do negócio .. 16
Figura 3 – Fluxograma do processo de previsão de vendas ..................................................... 18
Figura 4 – Classificação dos métodos de SE quanto à tendência e sazonalidade .................... 22
Figura 5 – Classificação dos métodos de SE quanto ao erro, tendência e sazonalidade .......... 22
Figura 6 – Exemplo de gráfico de uma série temporal estacionária ......................................... 24
Figura 7 – Gráfico de ACF de um MA(1) ................................................................................ 24
Figura 8 – Descrição do modelo geral ARIMA sazonal .......................................................... 25
Figura 10 – Histograma da série ............................................................................................... 34
Figura 11 – Apresentação da série “vendas” ............................................................................ 34
Figura 12 – Gráfico da série decomposta ................................................................................. 35
Figura 13 – Gráficos de ACF dos modelos 3, 5 e 6 ................................................................. 37
Figura 14 – Gráficos de ACF dos modelos 1, 2 e 4 ................................................................. 38
Figura 15 – Gráficos ACF e PACF da série vendas ................................................................. 39
Figura 16 – Modelo A .............................................................................................................. 40
Figura 17 – ACF e PACF do Modelo A ................................................................................... 41
Figura 18 – ACF e PACF do modelo ARIMA (1,0,1) (0,1,1)₁₂ com drift............................... 46
Figura 19 – Gráfico da previsão para o Modelo B. .................................................................. 47
Figura 20 – Comparação entre os valores observados e as previsões ...................................... 49
LISTA DE TABELAS
1 INTRODUÇÃO ............................................................................................................. 11
2 REVISÃO BIBLIOGRÁFICA ..................................................................................... 13
2.1 PANORAMA DO SETOR TÊXTIL .............................................................................. 13
2.2 PREVISÃO DE VENDAS .............................................................................................. 15
2.2.1 Métodos de Previsão de Vendas ................................................................................... 16
2.3 SÉRIES TEMPORAIS .................................................................................................... 19
2.4 MÉTODOS DE SUAVIZAÇÃO EXPONENCIAL ....................................................... 20
2.4.1 Médias Móveis Simples (MMS) .................................................................................... 20
2.4.2 Suavização Exponencial Simples (SES) ....................................................................... 21
2.4.3 Suavização Exponencial de Holt (SEH) ....................................................................... 21
2.4.4 Suavização Exponencial Sazonal de Holt-Winters (HW) .......................................... 21
2.4.5 Classificação dos Métodos de Suavização Exponencial ............................................. 21
2.4.6 Comparação entre os Métodos de Suavização Exponencial ...................................... 22
2.5 MÉTODO ARIMA ......................................................................................................... 23
2.5.1 Modelo ARIMA Não Sazonal ....................................................................................... 23
2.5.2 Modelo ARIMA Sazonal ............................................................................................... 25
2.5.3 Modelo ARIMA com drift ............................................................................................. 25
2.5.4 Metodologia Box-Jenkins .............................................................................................. 25
2.6 ADEQUAÇÃO DO MODELO ...................................................................................... 26
2.7 SELEÇÃO DO MODELO .............................................................................................. 27
3 PROCEDIMENTOS METODOLÓGICOS ............................................................... 29
3.1 MÉTODO DE PESQUISA ............................................................................................. 29
3.2 COLETA E PROCEDIMENTOS PARA ANÁLISE DOS DADOS ............................. 30
4 APRESENTAÇÃO E ANÁLISE DOS RESULTADOS ............................................ 31
4.1 Apresentação da empresa ................................................................................................ 31
4.2 DESCRIÇÃO DO PROBLEMA..................................................................................... 31
4.3 APRESENTAÇÃO DOS DADOS ................................................................................. 33
4.3.1 Análise Exploratória dos Dados ................................................................................... 33
4.4 DIAGNÓSTICO DOS MODELOS ................................................................................ 36
4.4.1 Modelos de Suavização Exponencial (SE) ................................................................... 36
4.4.2 Modelos Autorregressivos Integrados de Médias Móveis (ARIMA) ........................ 39
4.5 SELEÇÃO DO MODELO .............................................................................................. 44
4.5.1 Apresentação do Modelo Selecionado ......................................................................... 46
4.6 COMPARAÇÃO DO MODELO PROPOSTO COM O UTILIZADO PELA
EMPRESA.......................................................................................................................48
6 CONSIDERAÇÕES FINAIS ....................................................................................... 50
REFERÊNCIAS BIBLIOGRÁFICAS ........................................................................ 52
11
1 INTRODUÇÃO
2 REVISÃO BIBLIOGRÁFICA
O setor têxtil é um dos mais tradicionais do país, tendo iniciado suas atividades no
final do século XIX. Por muito tempo, esse setor experimentou um protecionismo que
garantia que, independente das condições ou práticas comerciais, as empresas permanecessem
competitivas no mercado. A partir da década de 90, com a queda das barreiras tarifárias, a
indústria vivenciou um período crítico, quando passou a competir com indústrias
internacionais, e, portanto, atentar-se a fatores como a produtividade e qualidade dos produtos
(AZEVEDO, 1997).
A globalização permitiu que grande parte da produção mundial fosse deslocada para
países emergentes em busca de uma redução no custo de produção, especialmente referente à
mão de obra (COSTA; ROCHA; 2009). Em 2012, China e Hong Kong foram os principais
produtores mundiais, com o equivalente a 54,0% da produção mundial (ABIT, 2015). Nesse
mesmo ano, o Brasil ocupou a quinta posição no ranking mundial dos maiores produtores de
manufaturas têxteis, respondendo por 2,7% do total produzido, como mostra a Tabela 1.
O setor têxtil, juntamente com o setor de confecção, tem uma grande participação na
economia nacional, representando 5,7% do valor total da produção da indústria da
transformação. Unidos, os dois setores correspondem a 33.000 empresas, com um
faturamento de US$55,4 bilhões em 2014. Apesar de ser um grande produtor e consumidor de
produtos têxteis, o Brasil tem sua participação no mercado mundial reduzida, representando
aproximadamente 0,5% dos exportadores (ABIT, 2015). Para que possa ter um valor mais
expressivo no mercado internacional, é necessário o desenvolvimento de novas políticas e
estratégias competitivas.
Em relação ao mercado interno, nota-se que houve um aumento do consumo nos
últimos anos, acompanhada de uma queda da produção têxtil no Brasil. Isso representa a
perda de participação da indústria nacional, que tem sua demanda sendo substituída
progressivamente por produtos importados (ABIT, 2015). O resultado da balança comercial
(Figura 1) evidencia esse fato: entre 2009 e 2013, houve uma queda 22,3% ao ano nas
exportações. Em contrapartida, no mesmo período, as importações tiveram um crescimento de
30,2% ao ano (IEMI, 2014).
Figura 1 – Balança comercial de artigos têxteis para o lar (em milhões de US$)
400000
300000
200000
100000 Exportação
0 Importação
-100000 2009 2010 2011 2012 2013
Saldo
-200000
-300000
-400000
Visto o cenário atual do setor, é imprescindível para as indústrias têxteis que realizem
um planejamento capaz de manter a empresa competitiva no mercado, garantindo assim sua
permanência. Nesse contexto, a previsão de vendas mostra-se uma ferramenta eficaz para
auxílio no desenvolvimento do planejamento estratégico da empresa, assim como o
dimensionamento correto da produção e estoques.
15
como o método atenderá os objetivos da organização. Na segunda etapa, deve ser realizada a
coleta de dados históricos, assim como a avaliação dos gerentes envolvidos no processo. A
seguir, o responsável deve fazer a análise exploratória dos dados, construindo gráficos e
decompondo a série de dados, caso seja necessário. O objetivo dessa etapa, é que a análise
aponte quais métodos de previsão são mais adequados para a série apresentada.
Na quarta etapa, a seleção dos métodos é efetivada, e inicia-se o ajuste dos modelos.
Diversos modelos devem ser testados, com o objetivo de encontrar o modelo com maior
acurácia e menores erros possíveis. Na próxima etapa, esse modelo selecionado pode ser
utilizado para predizer as vendas da organização. Entretanto, o desempenho desse modelo só
poderá ser avaliado efetivamente após os dados reais poderem ser comparados com os
preditos. A última etapa é de grande importância, pois o processo deve ser monitorado
continuamente para garantir bons resultados. Caso seja identificado algum desvio, é
necessário que o modelo seja reavaliado.
Segundo Ehlers (2009, p. 1) “uma série temporal é uma coleção de observações feitas
sequencialmente ao longo do tempo”. A principal característica desse tipo de conjuntos de
dados é que suas observações são relacionadas, e que é possível analisar e modelar esta
relação, com o objetivo de estimar como essas observações se comportarão no futuro.
Os modelos adequados para descrever séries temporais são processos estocásticos.
Processos estocásticos são aqueles controlados por leis probabilísticas. Outro fato a respeito
de séries temporais é que devem ser estacionárias, ou seja, devem se desenvolver
aleatoriamente ao longo do tempo. De acordo com Box, Jenkins e Reinsel (1994), as
seguintes condições devem ser cumpridas para que a série seja estacionária:
- a série não deve apresentar evidência de mudança de média ao longo do tempo;
- a série deve apresentar variância constante ao longo do tempo.
Entretanto, ao trabalhar com dados reais, é comum encontrar séries não estacionárias.
Neste caso, é necessário transformar os dados para que formem uma série estacionária. Uma
forma de realizar esta transformação é realizar sucessivas diferenciações até a obtenção da
série desejada (MORETTIN, TOLOI, 2006).
As séries temporais possuem três componentes básicos: tendência, sazonalidade e
ciclo (SAMOHYL; SOUZA; MIRANDA, 2008). A tendência ocorre quando há um
crescimento ou decrescimento nos dados, a longo termo. A sazonalidade existe quando a série
é influenciada por fatores sazonais, como um período específico do ano, o mês, ou dia da
semana, por exemplo. Já o ciclo ocorre quando os dados variam em um período arbitrário. A
principal diferença entre a sazonalidade e o ciclo é que o último não apresenta constância de
ocorrência, como a sazonalidade. Os ciclos geralmente apresentam um período maior de
incidência, comparados aos períodos sazonais (MAKRIDAKIS, WHEELWRIGHT;
HYNDMAN, 1998).
Para analisar o comportamento desses parâmetros das séries temporais, podem ser
construídos gráficos específicos. A partir de um correlograma, por exemplo, é possível
analisar a estacionariedade de uma série temporal (EHLERS, 2009). Existe um tipo específico
de série temporal, conhecido como ruído branco, que possui as seguintes características:
ausência de correlação serial, variância constante, e média igual à zero. Idealmente, os
resíduos de um modelo de previsão devem ser um ruído branco (MONTGOMERY;
JENNINGS; KULAHCI, 2008).
20
O método de médias móveis simples pode ser considerado o mais ingênuo dentre os
métodos desta categoria. Ele consiste em calcular a média aritmética das observações. O
termo “média móvel” é utilizado para descrever o procedimento porque a cada nova
observação, uma nova média pode ser computada, substituindo o dado mais antigo pelo mais
novo. Portanto, o método considera que todos os valores da série têm a mesma significância.
A principal desvantagem do método é que só pode ser utilizado em séries estacionárias.
21
A suavização exponencial simples pode ser descrita por uma média ponderada que
atribui pesos maiores às observações mais recentes, em relação às observações anteriores que
têm seu peso decaído exponencialmente. Assim como o método de MMS, este método não
considera a tendência e a sazonalidade da série.
Hyndman et al. (2002) sugerem uma nomenclatura específica para a classificação dos
métodos descritos anteriormente em relação à tendência e sazonalidade, conforme mostra a
Figura 4. A primeira letra do método representa a tendência, enquanto a segunda letra
representa a sazonalidade. A letra “N” indica que o parâmetro é inexistente. A letra “A”
corresponde à aditivo, enquanto a letra “M” corresponde à multiplicativo. Caso a tendência
seja amortecida (utilizada em tendências não lineares), a classificação conterá a letra “a”.
22
O modelo geral é conhecido como ARIMA (p, d, q), onde: p representa a ordem da
parte autorregressiva, d é referente ao processo de diferenciação envolvido, e q representa o
processo de média móvel. Contudo, sua utilização requer um maior conhecimento estatístico e
depende da análise correta dos dados para uma estimação correta dos parâmetros do modelo.
Para a estimação do parâmetro autorregressivo (p), é necessário analisar a função de
autocorrelação parcial (PACF), que mede o grau de associação entre as variáveis 𝑌𝑡 e 𝑌𝑡−𝑘
quando os efeitos das outras defasagens (1, 2, 3, ..., k - 1) são removidos. Neste trabalho,
optou-se por fazer essa análise a partir do gráfico da PACF, e por isso as equações pertinentes
não são citadas. A partir da análise, será possível identificar a ordem do parâmetro p do
modelo mais adequada.
Em relação ao processo de diferenciação (d), é necessário identificar, primeiramente,
se a série apresenta comportamento estacionário ou não. Esta análise pode ser feita a partir do
24
Contudo, é importante destacar que os parâmetros sugeridos por meio da análise são
modelos potenciais, e que diversos modelos devem ser testados com o intuito de determinar
qual deles é o mais adequado. A adequação e seleção do modelo ideal serão discutidas
posteriormente nesse capítulo.
25
A parte sazonal do modelo pode ser identificada através dos picos nos gráficos de
PACF e ACF. Um modelo ARIMA (0,0,0) (0,0,1)₁₂, por exemplo, no seu gráfico de ACF,
apresentará picos no período 12, e não terá outros picos significativos. Já no gráfico de PACF,
ele apresentará um decaimento exponencial nos picos múltiplos que representam a
sazonalidade (12, 24, 36, ...). Em alguns casos, pode ser necessário realizar diferenciações
sazonais na série, com o objetivo de torná-la estacionária.
De acordo com Cribari Neto (1990, p. 382) por intermédio do teorema de Beveridge-
Nelson “(...) qualquer série que possa ser modelada através de um ARIMA (p,d,q) (...) possui
uma tendência estocástica do tipo passeio casual com drift”. Neste caso, o drift representa
uma tendência linear existente na série, que pode ser positiva ou negativa. A inclusão do drift
possibilita que essa tendência seja representada no modelo por meio de uma constante
(HYNDMAN, 2014). É importante ressaltar que, segundo Hyndman (2014), mesmo séries
diferenciadas podem conter constantes de tendências, e que o pesquisador deve determinar a
necessidade de incluí-las no modelo.
A seguir, deve ser analisada a variância dos resíduos. Eles devem ter variância
constante, caso contrário, os testes de hipótese utilizados para interpretar os outros parâmetros
podem ter sua confiabilidade alterada (SOUZA, 2005). Esta característica também pode ser
analisada a partir dos correlogramas, pois se os resíduos forem um ruído branco, isso significa
que têm a variância constante.
Por fim, deve-se verificar se os resíduos seguem uma distribuição normal. Para
analisar a normalidade, serão efetuados os testes Shapiro-Wilk e Jarque-Bera. Os testes
aceitam a hipótese que os dados apresentam distribuição normal se p-valor > α, onde α
representa o nível de significância desejado. Pelos cálculos deste trabalho serem executados
por intermédio do software R, optou-se por omitir as equações dos testes citados nesta seção.
Já o erro absoluto médio – mean absolute error (MAE) – tem sua fórmula semelhante
à do ME, mas utiliza os valores absolutos individuais (desconsidera os sinais) ao tomar o
módulo das observações, como pode ser observado na Equação 2. Ele representa uma medida
da qualidade da previsão, contudo, é mais indicado para previsões de um único produto.
1
𝑀𝐴𝐸 = ∑𝑛𝑡=1 |𝑃𝑡 − 𝑂𝑡 |. (2)
𝑛
O erro quadrático médio – mean square error (MSE) – também procura uma forma de
neutralizar os problemas provenientes do uso dos sinais, e, assim, utiliza o quadrado dos
erros, conforme exemplifica a Equação 3. Essa medida é mais utilizada que as anteriores,
especialmente por matemáticos e estatísticos. Entretanto, sua principal limitação é referente à
sua dificuldade de comparação com outros produtos e técnicas, por ser expresso em valores
absolutos, e não percentuais.
1 2
𝑀𝑆𝐸 = ∑𝑛𝑡=1(𝑃𝑡 − 𝑂𝑡 ) . (3)
𝑛
Assim como o MSE, o erro percentual absoluto médio – mean absolute percentual
error (MAPE) – também neutraliza o sinal das observações, como mostra a Equação 4. Ele é
o critério mais utilizado para erros de previsão, especialmente por engenheiros e
administradores, pois pode ser utilizado tanto para produtos como para técnicas.
1 𝑃𝑡 − 𝑂𝑡
𝑀𝐴𝑃𝐸 = ∑𝑛𝑡=1 | |. (4)
𝑛 𝑂𝑡
Para a seleção de modelos deste trabalho, diversos erros serão avaliados, entretanto, as
estatísticas U de Theil e o MAPE das previsões (dentro e fora da amostra) terão maior valor
nas decisões. Outro critério que deverá ser observado é a parcimônia, visto que quanto mais
parcimonioso o modelo, ou seja, quanto menor for o número de parâmetros envolvidos,
melhor será a previsão.
29
3 PROCEDIMENTOS METODOLÓGICOS
O objetivo principal deste trabalho é desenvolver uma previsão de vendas, por meio
dos métodos de séries temporais, para uma indústria do setor têxtil. Espera-se que a previsão
de vendas possa ser utilizada pela empresa como ferramenta para auxiliar a tomada de decisão
e o planejamento da empresa em seus diversos setores.
De acordo com seus objetivos, a pesquisa pode ser classificada como exploratória,
descritiva ou explicativa (GIL, 2002). No presente trabalho, a pesquisa pode ser classificada
como descritiva e exploratória. Descritiva, pois pretende compreender o relacionamento entre
variáveis (PINHEIRO, 2010), e exploratória porque busca ampliar o conhecimento a respeito
do problema, a partir de análise bibliográfica (GIL, 2002).
Pinheiro (2010) sugere ainda, que a pesquisa científica seja classificada de acordo com
seu ponto de vista da natureza. Nesse contexto, a pesquisa pode ser definida como aplicada,
visto que tem como objetivo o estudo de dados reais de uma empresa para a solução do
problema. Em relação à abordagem do problema, o autor também sugere que seja
categorizada em quantitativa ou qualitativa.
Como determinado previamente, este trabalho aborda os processos de previsão
quantitativos, por meio do uso de métodos estatísticos. A principal vantagem da pesquisa
quantitativa é a precisão dos resultados, assim como a ausência do subjetivismo do
pesquisador. Para Goldemberg (2002, p. 284, apud MARCONI; LAKATOS, 2008), os
métodos quantitativos “simplificam a vida social limitando-a aos fenômenos que podem ser
enunciados”. Todavia, a pesquisa também pode ser classificada como qualitativa, visto que
realiza uma comparação entre a previsão proposta neste trabalho, e a previsão utilizada
atualmente pela empresa.
De acordo com Gil (2002), a pesquisa pode também ser definida como ex-post facto,
já que nesse tipo de pesquisa o estudo é realizado com base em fatos passados, que no caso
deste trabalho é representado pela análise de dados históricos. Segundo o autor, seu propósito
básico é verificar a existência de relação entre as variáveis. É possível afirmar que o principio
de séries temporais, revisado no capítulo anterior, aceita esta hipótese como verdadeira.
30
A presente pesquisa pode, ainda, ser classificada como pesquisa de campo, já que foi
realizada no departamento comercial de uma indústria têxtil. De acordo com Fachin (2001), a
pesquisa de campo utiliza observações dos fatos sociais captados no seu ambiente natural, e
livre de interferências. Os dados foram coletados diretamente no setor responsável da
empresa, que realiza o controle desses dados a partir de um software de gestão empresarial.
Foram coletados dados mensais dos últimos 6 anos da empresa para o desenvolvimento da
previsão, referente aos anos de 2009 a 2014. Os dados dos sete primeiros meses de 2015
também foram coletados, com o intuito de medir a acurácia e os erros de previsão dos
modelos desenvolvidos.
. Para o desenvolvimento do trabalho, foi necessário então realizar uma pesquisa
bibliográfica que possibilitasse a identificação de técnicas e métodos possíveis. A seguir, foi
realizada uma análise exploratória dos dados coletados previamente. Algumas variáveis foram
analisadas com o objetivo de estabelecer uma relação causal, todavia, nenhuma das variáveis
abordadas apresentou uma correlação significativa com a série histórica de vendas da
empresa, optando-se então pelos métodos temporais não causais.
Para o auxílio no desenvolvimento dos modelos, assim como na análise exploratória
dos dados, foi selecionado o software R (R CORE TEAM, 2015). O R consiste em um
sistema para computação estatística e gráfica. Ele contém diversos pacotes que permitem a
aplicação de um grande universo de técnicas estatísticas. O pacote “forecast” (HYNDMAN;
KHANDAKAR, 2008) pode ser utilizado para o desenvolvimento de previsões de séries
temporais. Ele abrange os métodos de Suavização Exponencial e ARIMA, que foram
utilizados na elaboração deste trabalho.
Através do software, foram realizados diversos testes que contemplam diferentes
modelos potenciais. A seleção do método mais apropriado foi realizada com base na acurácia
e nos erros de previsão. O modelo selecionado foi, então, comparado ao modelo utilizado pela
empresa para realizar previsões, atualmente. Por fim, foram discutidos os resultados da
pesquisa com a proposta de aplicação do método selecionado para a solução do problema
inicial.
31
A empresa objeto de estudo deste trabalho é uma indústria do setor têxtil, atuante no
segmento de cama mesa e banho. Situada em Joinville, Santa Catarina, atualmente conta com
aproximadamente 700 colaboradores. Os seus produtos são destinados, principalmente, ao
mercado interno brasileiro, com exportação para alguns países da América Latina, como
Venezuela e Bolívia.
A estrutura organizacional da empresa é dividida em três níveis: estratégico, tático e
operacional. O nível estratégico é composto pelos sócios, presidente e diretores. Já o nível
tático, é composto pelos gerentes, supervisores e coordenadores, enquanto o nível operacional
é formado pelos analistas, operadores, auxiliares, dentre outros cargos. A participação dos
sócios no nível estratégico da empresa é determinada pelo fato de que essa empresa ainda
segue padrões de uma empresa familiar.
Os setores responsáveis pela definição de estratégias de vendas na organização são os
departamentos de marketing e comercial. O departamento comercial da empresa conta com
uma equipe interna de vendas e representantes comerciais. Na estrutura atual, a definição de
metas e previsões de vendas é atribuição do departamento comercial. O departamento de
marketing tem atuação voltada ao desenvolvimento de ações direcionadas a clientes, e ao
lançamento de novos produtos.
O principal desafio dessa organização atualmente é enfrentar a perda crescente de
participação de mercado devido ao suprimento da demanda por produtos importados,
especialmente de países asiáticos. Esse cenário faz com que a empresa vivencie um período
de incertezas em relação à sua demanda. Assim, o desenvolvimento de uma previsão de
vendas para a empresa se torna uma ferramenta essencial no auxílio do seu planejamento e
tomada de decisão.
comerciais. Para tanto, são analisados dados históricos de vendas. A equipe de vendas
também realiza uma estimação
Após o seu desenvolvimento, as previsões são apresentadas à diretoria da empresa,
que comumente realiza ajustes. De acordo com as observações anteriores, pode-se afirmar que
as previsões da empresa têm caráter qualitativo e quantitativo. Todavia, para a elaboração das
previsões, a empresa não segue uma metodologia específica. Para Samohyl, Souza e Miranda
(2008), as atividades empresariais devem ser tratadas como processo, e isso implica que
métodos administrativos sejam aplicados.
Assim, a previsão desenvolvida é utilizada por diversos setores da empresa, bem como
para a elaboração do planejamento estratégico. Inicialmente, ela dá origem ao orçamento da
instituição. O departamento financeiro a utiliza para projetar o fluxo de caixa anual, e para
desenvolver a projeção financeira em si. Já o departamento de produção a utiliza
principalmente para a compra de insumos e para o planejamento e controle da produção
(PCP), e por consequência, para o dimensionamento de recursos humanos.
Contudo, observou-se que a previsão vigente apresenta alta discrepância e baixa
acurácia, como será demonstrado posteriormente neste capítulo. Seus erros percentuais
mensais têm alta variabilidade, o que afeta a confiabilidade desses dados para os gestores da
empresa. Dessa maneira, acredita-se que a empresa pode obter um melhor resultado a partir
da utilização de métodos estatísticos para a estimação de suas previsões.
Outro problema identificado é que a organização utiliza os termos “previsão de
vendas” e “metas de vendas” de forma análoga. Ou seja, não há distinção de valores entre
esses parâmetros. De acordo com Kotler e Keller (2012), a previsão de vendas representa o
nível esperado, enquanto a meta representa o potencial de mercado e o potencial de vendas.
Assim, a previsão de vendas baseada em séries temporais representará o futuro das
demandas de acordo com padrões já estabelecidos previamente. Já a meta está relacionada ao
seu potencial de crescimento, e deve ser estabelecida juntamente com ações que garantirão
atingí-la. Para Peinado e Graeml (2007), é necessária a separação das metas e previsões,
evitando o mau planejamento decorrente de dados equivocados.
Atualmente, também não há um monitoramento da qualidade das previsões. As
previsões são realizadas anualmente, e contemplam o horizonte de doze meses. Assim, caso a
previsão não seja adequada, ela será revista somente no ano conseguinte. É necessário que
sejam estipulados parâmetros de qualidade para que as previsões sejam utilizadas com
sucesso na organização.
33
Por apresentar sazonalidade e tendência, surge a suposição de que a série pode ter
caráter não estacionário. Portanto, optou-se por realizar testes de estacionariedade, como
proposto por Hyndman e Athanasopoulos (2013). Ambos os testes sugeridos pelos autores
(Dickey-Fuller e Phillips-Perron) foram realizados no software R, e rejeitaram a hipótese de
que a série é não estacionária a nível de significância (α) de 5%, como mostra a Tabela 3 (p-
valor < α). Assim, não foi necessário realizar diferenciações na série, e a mesma é adequada
para a aplicação dos métodos ARIMA e Suavização Exponencial.
Como sugerido por Hyndman e Athanasopoulos (2013), vários modelos podem ser
ajustados aos dados. Assim, estes devem ser testados, e a partir da comparação dos seus
parâmetros deve-se selecionar o modelo que atenda às necessidades da empresa. Desse modo,
foram desenvolvidos modelos utilizando os métodos de Suavização Exponencial e ARIMA,
explorados nas seções a seguir.
Os modelos de suavização exponencial variam entre si, de acordo com o tipo de erro
(aditivo ou multiplicativo), sazonalidade (aditiva, multiplicativa ou inexistente) e tendência
(aditiva, aditiva amortecida, multiplicativa, multiplicativa amortecida ou inexistente),
resultando em diversos modelos possíveis em relação à combinação dessas características.
Esta classificação, sugerida por Hyndman et al. (2008), pode ser utilizada no pacote forecast,
no software R, que possui a função “ets”. A função “ets” retorna um modelo automático, mas
permite, ainda, que o usuário defina os parâmetros, visto que o modelo automático nem
sempre é o mais adequado para a série.
A seleção dos modelos deve ser realizada de acordo com a identificação desses
parâmetros. A partir da análise exploratória dos dados, foi possível determinar que a série
objeto de estudo deste trabalho apresenta sazonalidade. Portanto, o método de suavização
exponencial mais adequado para o desenvolvimento dos modelos é o de Holt-Winters (HW).
O primeiro modelo (Modelo 1) analisado foi o resultado automático da função “ets”,
com erro aditivo, tendência inexistente e sazonalidade aditiva, se tratando, portanto, de um
modelo ANA. Entretanto, é necessário comparar seu desempenho em relação a outros
modelos potenciais. De acordo com os parâmetros da série, foi sugerido realizar testes de
modelos com erros multiplicativos, como o MNM (Modelo 3), MAA (Modelo 4), MAM
(Modelo 5) e MAaM (Modelo 6). Também se optou por realizar testes considerando a
existência de tendência na série, como nos modelos AAA (Modelo 2) e MAA (Modelo 4).
Para a análise de adequação destes modelos, foram analisados: a normalidade dos
resíduos por meio dos testes Shapiro-Wilk e Jarque-Bera; a autocorrelação dos resíduos a
partir dos testes Portmanteau (Box-Pierce e Ljung-Box); e os correlogramas dos resíduos. A
Tabela 4 mostra a comparação entre a adequação de seis modelos distintos.
37
Jarque
0,2632 0,6596 0,7914 0,7340 0,5691 0,7006
-Bera
Box-
Autocorre
Ljung-
0,05466 0,8339 0,6986 0,5793 0,8265 0,1983
Box
Não Não Não
Correlogra
Conforme a análise da Tabela 4, se pode afirmar que todos os modelos descritos são
adequados em relação à normalidade. Os testes de autocorrelação (Box-Pierce e Ljung-Box)
também apresentaram resultados apropriados. Contudo, nos modelos 3, 5 e 6 a análise dos
gráficos de ACF identificou defasagens significativas, como se pode observar na Figura 13.
Essas defasagens também foram identificadas na análise dos seus correlogramas parciais.
Assim, se reconhece que estes modelos não são adequados para realizar previsões. Já os
resíduos dos modelos 1, 2 e 4 apresentam característica de ruído branco (Figura 14).
um modelo AAA, considera também a tendência. Portanto, a análise sugere que o Modelo 1
(ANA) tem maior qualidade para realizar previsões por meio do método de SE.
Os modelos de previsão desenvolvidos nesta seção serão comparados, posteriormente,
com as previsões desenvolvidas por meio do método ARIMA, para definir o modelo mais
adequado a essa empresa.
De acordo com Morettin e Toloi (2006) um processo ARMA (p, q) apresentará ACF
com infinita extensão, com decaimento exponencial ou senoidal amortecido após q, e PACF
representado por exponenciais ou senóides amortecidas, com decaimento abrupto após p.
Assim, sugere-se que um modelo adequado para os dados seja um ARIMA (2,0,1) ou um
ARIMA (1,0,1). Entretanto, esta análise gráfica dos parâmetros deve ser vista como uma
sugestão, e outros modelos potenciais devem também ser testados.
40
Como citado anteriormente, sabe-se que a série também conta com uma componente
sazonal, e que, portanto, a mesma deve ser incluída no modelo. Dessa maneira, os modelos
terão a notação ARIMA (p, d, q) (P, D, Q)m (HYNDMAN; ATHANASOPOULOS, 2013).
Por meio da análise da sazonalidade da série na seção 4.3.1, sugere-se que o valor de m
(número de períodos) adotado para os modelos seja 12.
Para a estimação dos modelos ARIMA, o pacote forecast conta com a função
“auto.arima”. Essa função sugere um modelo automático para a série. Todavia, o modelo
sugerido pelo software pode não ser a melhor opção. Apesar dessa característica, é
recomendado que o modelo seja testado, pois de acordo com seu diagnóstico e por meio do
ajuste de alguns parâmetros, ele permite a identificação de outros modelos possíveis. O
modelo sugerido pelo software é um ARIMA (1,0,0) (2,1,0)₁₂ com drift, denominado Modelo
A (Figura 16).
De acordo com a Figura 16, é possível identificar que além das constantes
autorregressiva e sazonais, a constante drift foi incorporada ao modelo automático. O drift
representa a dependência linear da série, e sua inclusão no Modelo A sugere que a série
apresenta tendência. Dessa forma, é recomendado que sejam testados, posteriormente,
modelos com e sem drift, para avaliar o comportamento dos modelos frente a esta constante.
Figura 16 – Modelo A
O modelo proposto parece adequado, pois seus resíduos seguem uma distribuição
normal, e não são autocorrelacionados. Entretanto, na análise gráfica do correlograma e
correlograma parcial do modelo (Figura 17) foram identificadas defasagens significativas.
Dessa forma, os resíduos não têm a característica de um ruído branco, o que sugere que o
modelo pode não apresentar confiabilidade nos seus resultados.
41
Dessa forma, optou-se por analisar a adequação dos modelos com drift somente, visto
que apresentaram melhor qualidade no desenvolvimento de previsões para a série vendas.
42
Assim, foram selecionados doze modelos para um diagnóstico em relação à sua adequação
para a realização de previsões (Tabela 7).
De acordo com a Tabela 7, é possível afirmar que todos os modelos analisados são
adequados para realizar previsões quanto à normalidade e autocorrelação dos resíduos. A
nível de significância de 5%, os testes de Shapiro-Wilk e Jarque-Bera aceitam a hipótese nula
que os dados têm distribuição normal se p-valor>0,05; e os testes Box-Pierce e Ljung-Box
aceitam a hipótese nula que se p-valor>0,05, os dados não são autocorrelacionados.
Entretanto, na análise dos gráficos ACF e PACF dos modelos, foram identificadas
algumas irregularidades. Os modelos ARIMA (1,0,1) (2,1,0)₁₂ com drift, ARIMA (1,0,1)
(1,1,0)₁₂ com drift, e ARIMA (1,0,1) (0,0,0) com drift, indicaram defasagens significativas.
Dessa maneira, esses modelos não podem ser aceitos, visto que os gráficos não apresentam as
características de um ruído branco, e, assim, violam os parâmetros de adequação dos modelos.
Optou-se por excluir também o Modelo A ((1,0,0) (2,1,0)₁₂ com drift), visto que o gráfico dos
seus resíduos é semelhante ao dos modelos descartados nesta etapa.
Assim, restaram oito modelos adequados para realizar previsões. Os modelos serão
comparados quanto à qualidade de suas previsões, da mesma maneira que os modelos de
Suavização Exponencial, com o objetivo de possibilitar a comparação entre os métodos
distintos posteriormente. Na Tabela 8 foram relacionados os resultados da estatística U de
Theil para os modelos. De acordo com Samohyl, Souza e Miranda (2008), para o
desenvolvimento de previsões com maior precisão, esse valor deve variar entre zero e um, e,
quanto mais próximo de zero, melhor a qualidade da previsão. Dessa maneira, foram
43
selecionados os modelos com os quatro menores valores do U de Theil para análise dos erros.
Os modelos selecionados estão destacados na tabela abaixo (Tabela 8).
(0,1,1)₁₂ com drift (0,1,1)₁₂ com drift (0,1,1)₁₂ com drift (1,1,1)₁₂ com drift
Dentro Fora Dentro Fora Dentro Fora Dentro Fora
ME 23466 200608 19791 163682 20512 159537 22620 176015
MAE 888132 898983 921629 866330 892762 872297 951372 840770
MPE -0,974 1,885 -1,097 1,494 -1,036 1,475 -1,057 1,644
MAPE 8,516 8,358 8,879 7,968 8,581 8,078 9,115 7,790
U de Theil – 0,4252 – 0,4228 – 0,4194 – 0,4167
Fonte: Primária (2015)
(B, C, e D), apresentam características semelhantes quanto aos valores dos erros e do U de
Theil, o que sugere que outras características dos modelos sejam também verificadas.
Hyndman e Athanasopoulos (2013) sugerem que sejam comparados os critérios AIC,
AICc e BIC na seleção do modelo. Segundo os autores, esses critérios são medidas relativas
de qualidade. Quanto mais próximos de zero os valores do AIC, AICc e BIC, maior a
qualidade do modelo. Assim, optou-se por analisar também essas medidas, conforme a Tabela
10. Após diagnóstico da Tabela 10, nota-se que o Modelo B apresenta os menores valores
para o AIC, AICc e BIC. Já o Modelo D apresenta os maiores valores. Portanto, optou-se por
eliminar o Modelo D nesta etapa.
ao MAPE, por exemplo, o Modelo 2 apresentou o menor valor fora da amostra, mas um valor
alto dentro da amostra.
De acordo com a Tabela 12, pode-se afirmar que o Modelo 2 apresentou os menores
erros percentuais, enquanto o Modelo 1 apresentou os maiores erros. Ao analisar os erros
46
dentro da amostra (Tabela 11), também se percebe que este modelo revela a maior
discrepância dentre os quatro modelos estudados. Dessa forma, o Modelo 1 foi descartado.
O Modelo 2, apesar de possuir os menores erros em geral, apresenta dois erros
significativos, com valores que extrapolam os limites aceitáveis para a empresa. Esta
alteração é evidenciada por meio do valor do desvio padrão dos seus erros, que apresenta um
valor elevado quando comparado aos outros modelos. Portanto, sugere-se que esse modelo
também seja eliminado.
Os outros dois modelos (B e C) possuem maior consistência em relação à variância
dos erros, representando alternativas melhores para a realização de previsões. Contudo, os
Modelos B e C apresentam erros próximos, tanto dentro quanto fora da amostra, assim como
U de Theil de valores semelhantes (Tabela 8), o que dificulta a escolha do melhor modelo.
Entretanto, o Modelo B mostra-se mais parcimonioso, já que não possui o coeficiente AR2
(processo autorregressivo de segunda ordem). Portanto, o Modelo B foi selecionado para
realizar a previsão de vendas neste trabalho.
O Modelo B é identificado como um ARIMA (1,0,0) (0,1,1)₁₂ com drift. Como visto
anteriormente, este modelo representa adequadamente os dados, visto que satisfaz as
condições de adequação: os resíduos apresentam distribuição normal, têm variância constante,
e não são autocorrelacionados. Portanto, foi desenvolvida uma previsão de vendas baseada
nos parâmetros desse modelo. Os gráficos de autocorrelação e autocorrelação parcial do
modelo têm característica de um ruído branco, como se pode observar na Figura 18.
Na Tabela 13, é apresentada a previsão de vendas para os sete primeiros meses do ano
de 2015. Os valores preditos foram comparados aos valores observados, com o intuito de
quantificar a discrepância entre estas medidas.
O propósito deste trabalho é desenvolver uma previsão de vendas para uma indústria
têxtil, que apresente desempenho satisfatório quando comparada à previsão utilizada
atualmente. Portanto, é necessário comparar a previsão atual utilizada com a previsão
proposta neste trabalho.
A previsão atual da empresa é resultado de uma combinação entre métodos
quantitativos e qualitativos. Quantitativos por utilizarem dados históricos para o
desenvolvimento da previsão, e qualitativos por considerarem também a opinião da equipe de
vendas e dos diretores da empresa. Entretanto, não é utilizado um método específico para o
desenvolvimento da previsão.
Para o cálculo da previsão, a empresa utiliza dados passados, variando entre dois a três
anos. A esses dados é aplicado um crescimento esperado para a empresa, resultando assim na
previsão estimada. A previsão é então encaminhada para os gerentes e diretores, que, de
acordo com a sua opinião e expectativa de mercado e dos seus principais clientes, realizam
ajustes.
A Tabela 14 apresenta uma comparação entre a previsão atual e a previsão proposta
neste trabalho. Para efeito de comparação, foram utilizados os dados referentes aos sete
primeiros meses de 2015, com o intuito de quantificar e comparar os erros das previsões com
os valores observados.
Portanto, de acordo com a análise da Tabela 14, é possível determinar que, de forma
geral, o modelo atual apresenta erros mensais mais altos que o modelo proposto. Além disso,
pode-se afirmar que o modelo utilizado pela empresa apresenta maior instabilidade, visto que
em algumas observações apresentou uma alta discrepância. Portanto, o modelo utilizado
49
apresenta um maior risco ao ser utilizado como ferramenta gerencial devido à grande
amplitude nos seus erros percentuais.
De acordo com a Tabela 15, é possível determinar que, em todos os erros analisados
neste trabalho, o modelo proposto teve desempenho superior ao modelo atual de previsão. O
MAPE do modelo atual é de 13,0302%, enquanto o MAPE do modelo proposto é de 8,358%.
Já o U de Theil do modelo atual é 0,7016, enquanto o U de Theil do Modelo B (proposto) é
0,4252. Portanto, as estatísticas confirmam que o modelo sugerido neste trabalho tem maior
acurácia do que a previsão utilizada na empresa atualmente.
Previsões
Proposta Atual
Fora da amostra Fora da amostra
ME 200.608 -1.052.116
MAE 898.983 1.335.414
MPE 1,885 -10,599
MAPE 8,358 13,030
U de Theil 0,4252 0,7010
Fonte: Primária (2015)
6 CONSIDERAÇÕES FINAIS
Este trabalho foi desenvolvido com o objetivo de desenvolver uma previsão de vendas
para uma indústria têxtil, por meio da aplicação de métodos de previsão de séries temporais.
O modelo utilizado pela empresa atualmente não contempla uma metodologia específica, e,
portanto, busca-se evidenciar que por meio da aplicação de métodos estatísticos, a indústria
será capaz de desenvolver modelos de melhor qualidade, com menores erros de previsão.
Para o desenvolvimento dos modelos, foram utilizados os métodos de Suavização
Exponencial e a metodologia ARIMA de Box-Jenkins. Ambas as metodologias exigem que o
pesquisador identifique o modelo que define o comportamento dos dados de melhor modo.
Assim, após o desenvolvimento dos modelos, deve-se verificar a adequação dos mesmos. Os
modelos adequados, então, são analisados quanto à sua acurácia.
De acordo com o método de Suavização Exponencial de Holt-Winters, foi possível
selecionar dois modelos adequados. Após análise dos seus comportamentos, um dos modelos
(AAA) foi identificado como inapropriado para realizar previsões, visto que apresenta grande
variabilidade entre os resíduos. O outro modelo de SE, com erro aditivo, sem tendência, e
com sazonalidade aditiva (ANA), apesar de apresentar valores mais altos para os erros, pode
ser utilizado para o desenvolvimento de previsões.
Já a metodologia de Box-Jenkins apontou diversos modelos como adequados. A
metodologia permite um grande número de combinações de modelos possíveis, e, portanto,
revela-se um modelo versátil. Entretanto, devido à grande variação de modelos, o pesquisador
pode encontrar dificuldade na seleção do modelo de maior qualidade.
Todavia, após a análise de diversas características dos modelos, como os erros
percentuais, o MAPE, a estatística U de Theil, e a avaliação da sua parcimônia, foi eleito o
modelo de maior qualidade. Esse modelo também apresentou melhor desempenho quando
comparado ao modelo selecionado pelo método de Holt-Winters.
Por conseguinte, o modelo ARIMA (1,0,0) (0,1,1)₁₂ com drift, nomeado Modelo B
neste trabalho, apresentou a melhor qualidade dentre os modelos testados. Esse modelo
selecionado foi confrontado também com o modelo de previsão atualmente utilizado pela
empresa. De acordo com a comparação, pode-se afirmar que o modelo proposto neste trabalho
evidencia uma melhor opção de previsão para a empresa, visto que apresenta menores erros
de previsão, além de revelar-se um modelo mais estável.
51
Assim, com base nos resultados atingidos neste trabalho, se aceita a hipótese de que,
por meio da aplicação de métodos de previsão de séries temporais é possível desenvolver
modelos de previsão com menores discrepâncias, e consequentemente, de melhor qualidade.
A redução dos erros de previsão é de grande valia para a empresa, visto que seu planejamento
estratégico é fundamentado de acordo com os resultados esperados a partir da previsão de
vendas.
De acordo com a previsão, também é avaliado se a empresa apresenta resultados que
satisfazem às expectativas dos gerentes e diretores executivos. Caso o modelo represente um
cenário negativo para a organização, é possível o desenvolvimento de um plano de ações que
permita que a mesma apresente resultados futuros melhores. Dessa forma, a previsão funciona
também como ferramenta preventiva nessa organização.
Os resultados obtidos neste trabalho retratam a previsão de vendas da empresa,
contudo, deve-se ressaltar que a previsão em si é apenas um meio, e não uma decisão. Ou
seja, a previsão, por si só, não é capaz de determinar sua aplicabilidade. Sua eficiência como
ferramenta auxiliar na estratégia da organização e no seu planejamento e controle de insumos
e estoques dependerá da sua aplicação.
Como continuidade a este trabalho, sugere-se que a empresa passe a monitorar a
qualidade de suas previsões. O monitoramento das previsões é tão importante quanto seu
desenvolvimento, pois esse acompanhamento permite que a empresa identifique o momento
em que a previsão deixa de representar o comportamento dos dados de forma coerente.
Sugere-se também, que sejam realizados estudos relacionando a capacidade produtiva da
indústria com a previsão de demanda desenvolvida neste trabalho.
Os resultados atingidos neste trabalho podem, ainda, ser comparados com outros
métodos de realizar previsões. Nesse cenário, poderiam ser explorados modelos causais, como
os de regressão linear, múltipla, e dinâmica, e também métodos qualitativos. Sugere-se
também que sejam realizadas mais pesquisas aplicadas de modelos autorregressivos de
médias móveis que incluam a constante drift, visto que sua inserção representou maior
dificuldade no desenvolvimento deste trabalho devido à limitação de pesquisas que abordem o
tema.
52
REFERÊNCIAS BIBLIOGRÁFICAS
BOX, G. E. P.; JENKINS, G. M.; REINSEL, G. C. Time Series Analysis: forecasting and
control. Englewood Cliffs: Prentice Hall, Inc., 1994.
GIL, A. C. Como Elaborar Projetos de Pesquisa. 4. ed. São Paulo: Atlas, 2002.
HYNDMAN, R. J. Testing for trend in ARIMA models. 2014. Disponível em: <
http://robjhyndman.com/hyndsight/arima-trends/>. Acesso em 15 out. 2015.
HYNDMAN, R. J., KANDAKHAR, Y. Automatic time series forecasting: the forecast package
for R. Journal of Statistical Software, v. 26, n. 3, p. 1-22, 2008. Disponível em:
<http://ideas.repec.org/a/jss/jstsof/27i03.html>. Acesso em 15 ago. 2015.
53
HYNDMAN, R. J.; KOEHLER, A. B.; SNYDER, R. D.; GROSE, S. A state space framework for
automatic forecasting using exponential smoothing methods. International Journal of
Forecasting, v. 18, p. 439-454, set. 2002.
IEMI. Instituto de Estudos e Marketing Industrial. Mercado Potencial de Cama, Mesa, Banho e
Decorativos. São Paulo, 2014.
KOTLER, P.; KELLER, K. L. Administração de Marketing. 14. ed. São Paulo: Pearson
Education do Brasil, 2012.
MARCONI, M. A.; LAKATOS, E. M. Metodologia Científica. 5. ed. São Paulo: Atlas, 2008.
MORETTIN, P. A.; TOLOI, C. M. C. Análise de Séries Temporais. 2. ed. São Paulo: Blücher,
2006.
R CORE TEAM. R: A language and environment for statistical computing. R Foundation for
Statistical Computing, Vienna, Austria. Disponível em: <http://www.R-project.org>. Acesso em:
15 ago. 2015.