Estatística e Modelos de Previsão

Modelos de Previsão

EPS 7000
Prof. Eduardo Ferreira da Silva

Engenharia de Produção
EPS CTC UFSC
Prof. Eduardo F. Silva
 Conceitos Básicos

Uma série temporal é um conjunto de

observações sobre uma variável quantitativa,
recolhidos ao longo do tempo.

Prof. Eduardo F. Silva 11-2

 Conceitos Básicos
Uma série temporal é um conjunto de
observações sobre uma variável quantitativa,
recolhidos ao longo do tempo.

Prof. Eduardo F. Silva 11-3

 Conceitos Básicos
Uma série temporal é um conjunto de
observações sobre uma variável quantitativa,
recolhidos ao longo do tempo.

Exemplos:
Dados das bolsas de valores
Médias históricas de vendas, inventários, contas
de clientes, taxas de juros, custos, etc.

Prof. Eduardo F. Silva 11-4

 Conceitos Básicos
Uma série temporal é um conjunto de
observações sobre uma variável quantitativa,
recolhidos ao longo do tempo.

Exemplos:
Dados das bolsas de valores
Médias históricas de vendas, inventários, contas
de clientes, taxas de juros, custos, etc.
As empresas frequentemente estão muito
interessadas na previsão variáveis de série de
tempo. Por que?
Prof. Eduardo F. Silva 11-5
 Conceitos Básicos
As empresas frequentemente estão muito
interessadas na previsão variáveis de série de
tempo. Por que?

A previsão é a base para o planejamento

estratégico da produção, vendas e finanças da
empresa.
• Permite que os administradores destes sistemas
antevejam o futuro e planejem adequadamente suas
ações.

11-6
Prof. Eduardo F. Silva
 Bad predictions 

7
Prof. Eduardo F. Silva
 Prever nem sempre é fácil
Underlying Cash Balance: indicador do impacto financeiro das
operações do governo no restante da economia.

8
Prof. Eduardo F. Silva
 Prever nem sempre é fácil

9
Prof. Eduardo F. Silva
 Etapas de um processo de modelagem
Entenda o que se espera do Modelo

Coleta Visualização e análise dos dados

Seleção da técnica de previsão

Obtenção das previsões

Avaliação do modelo
Prof. Eduardo F. Silva
 Objetivo do Modelo
• Entender como esta previsão será usada.
• Que produto, ou famílias de produtos, serão estudados.
• Qual será o grau de corretude (“accuracy”) e precisão.
• E quais recursos estarão disponíveis para esta previsão.

 A sofisticação e o detalhamento do modelo depende

da importância relativa do produto (ou família de
produtos) a ser previsto e do horizonte ao qual a
previsão se destina.
 Itens pouco significativos podem ser previstos com
maior margem de erro, empregando-se técnicas
simples. Assim como admite-se margem de erro maior
para previsões de longo prazo, empregando-se dados
agregados de famílias de produtos.
Prof. Eduardo F. Silva
 Corretude/accuracy vs precisão

correto e correto e incorreto e incorreto e

preciso impreciso preciso impreciso

Prof. Eduardo F. Silva

 Coleta e Análise dos Dados
Alguns cuidados básicos:
• Quanto mais dados históricos forem coletados e
analisados, mais confiável a técnica de previsão será;
• Variações extraordinárias da demanda (greves,
promoções, ...) devem ser analisadas e substituídas por
valores médios, compatíveis com o comportamento
normal da demanda;
• O tamanho do período de consolidação dos dados
(semanal, mensal,...) tem influência direta na escolha da
técnica de previsão mais adequada, assim como na análise
das variações extraordinárias.
• Os dados devem buscar a caracterização da demanda real
pelos produtos da empresa, que não é necessariamente
igual as vendas passadas (demanda não atendida,
postergação na entrega,...);
Prof. Eduardo F. Silva
 Seleção da Técnica de Previsão
Existem Técnicas Qualitativas e Quantitativas.
Alguns fatores merecem destaque na escolha da
Técnica de Previsão:
• Decidir em cima da curva “custo-corretude”;
• A disponibilidade de dados históricos;
• A disponibilidade de recursos computacionais;
• A experiência passada com a aplicação de determinada
técnica;
• A disponibilidade de tempo para coletar, analisar e
preparar os dados e a previsão;
• O período de planejamento para o qual se necessita
da previsão.
Prof. Eduardo F. Silva 14
 Técnicas de Previsão
Técnicas qualitativas privilegiam principalmente dados
subjetivos, os quais são difíceis de representar
numericamente. Estão baseadas na opinião e no
julgamento de pessoas chaves, especialistas nos
produtos ou nos mercados onde atuam estes produtos;

Técnicas quantitativas envolvem a análise numérica dos

dados passados, isentando-se de opiniões pessoais ou
palpites. Empregam-se modelos matemáticos para
projetar a demanda futura.
• Podem ser subdivididas em dois grandes grupos: as

técnicas baseadas em séries temporais, e as técnicas

causais (Mais conhecidos: Regressão Simples e Múltipla)
Prof. Eduardo F. Silva 15
 Técnicas de Previsão
Técnicas Qualitativas
- Pouco tempo para coleta de dados, introdução de
novos produtos, cenário político/econômico instável
- Questões estratégicas em conjunto com modelos
matemáticos e técnicas quantitativas

Técnicas Quantitativas (nosso foco)

Séries Temporais – modelo matemático da demanda
futura relacionando dados históricos de vendas do
produto com o tempo
Causais – associar dados históricos de vendas do
produto com uma ou mais variáveis relacionadas à
demanda
Prof. Eduardo F. Silva 16
 Alguns Métodos Qualitativos

• Técnica Delphi
• Análise iterativa de questionários
• Análise de Cenários
• Cenários otimista, mais provável, pessimista, ...
Aplicação
• Carência de dados históricos
• Situações muito complexas
• Geralmente utilizado para o longo prazo
• Aplicado quando não há parâmetros que permitam
uma previsão segura

Prof. Eduardo F. Silva

 Métodos de Previsão (somente uma amostra)
Métodos de
Previsão

Quantitativos Qualitativos

Modelos de Séries Modelos

Delphi
Temporais Causais

Média Móvel Regressão Pesquisa de

Linear mercado

Suavização
Exponencial
Modelo previamente definido (fixo)
(O modelo é mais facilmente compreendido)
ARIMA
Modelo aberto
Prof. Eduardo F. Silva 18
 Princípios para aplicação dos modelos
Os modelos partem do princípio de que a demanda futura
será uma projeção dos seus valores passados, não
sofrendo influência de outras variáveis.
• Métodos simples tendem a oferecer resultados razoáveis.

• Antes de partir para o modelo de previsão, é interessante

VISUALIZAR os dados passados e procurar por fatores que
podem estar influenciando seu comportamento (Previsão final =
composição dos fatores).

• Uma curva temporal incorpora características bem particulares

como tendência, sazonalidade, e outras variações
irregulares e aleatórias (há técnicas para tratar cada um destes
aspectos).
Prof. Eduardo F. Silva 19
 Conceitos Básicos
Uma série temporal é dita estacionária quando
ela se desenvolve ao redor de uma média
constante.

Prof. Eduardo F. Silva

 Conceitos Básicos
Muitos métodos presumem uma série estacionária.

A transformação não é complexa.

Prof. Eduardo F. Silva

 Termos técnicos
Série estacionária - uma série temporal
(sequencia de dados no tempo) que não exibe
nenhuma tendência significativa (ascendente ou
descendente) longo do tempo.
Série não estacionária – uma série temporal
(sequencia de dados no tempo) que apresenta
alguma tendência significativa (ascendente ou
descendente) longo do tempo.
Dados sazonais - série temporal (sequencia de
dados no tempo) que exibe padrões de variação
em intervalos regulares ao longo do tempo.
Prof. Eduardo F. Silva 11-22
 Tendência x Sazonalidade

Sazonalidade Tendência
70
60
50
Dem an d a

40
30
20 Variação irregular
Variação randônica
10
0
Jan. Fev. Mar. Abr. Mai. Jun. Jul. Ago. Set. Out. Nov. Dez.

Prof. Eduardo F. Silva 23

 Padrões encontrados
Tendência (trend)
Padrão que se traduz em uma variação continua ao
longo do tempo (aumento e decréscimo)
Sazonalidade (seasonal)
é um padrão regular e repetitivo em dados de séries
temporais. (Exemplo: estações do ano, dia da
semana)
Ciclos (cyclic)
Dados mostram aumento ou queda que não seguem
um período fixo (Exemplo: a economia apresentou
um ciclo de queda de 2 anos)

Prof. Eduardo F. Silva 24