Previsão de Vendas

Métodos
Quantitativos
 Módulo 4

Previsão de Vendas

Métodos Quantitativos
TÓPICOS:
Métodos Causais
Métodos de Séries Temporais
 Técnicas Quantitativas
de Previsão de Vendas

Os métodos de previsão de vendas quantitativos, são aqueles que

se baseiam em dados e informações do histórico de vendas da empresa e se
utilizam de métodos estatísticos para entender padrões do comportamento da
demanda do passado para estimar o comportamento da demanda no futuro.
Geralmente, métodos quantitativos são mais assertivos que os métodos
qualitativos, pois, não sofrem interferência de julgamentos errados. As técnicas
quantitativas, também são conhecidas como métodos científicos. Podemos
dividir as técnicas quantitativas em dois tipos:

Séries Temporais Técnicas Causais

 Técnicas de Previsão
de Demanda

Métodos Quantitativos

Séries Temporais Casual

Médias Móveis Regressão Simples

Suavização Exponencial Regressão Múltipla
ARIMA ARIMAX
 Introdução às Séries
Temporais

Os dados de séries temporais surgem frequentemente

quando se monitora processos industriais, vendas ou métricas de negócios
corporativos. A diferença essencial entre modelar dados via métodos de séries
temporais ou usar os outros métodos de monitoramento é que a análise de
séries temporais leva em consideração o fato que os pontos de dados
tomados no decorrer do tempo podem ter uma estrutura interna que deverá
ser considerada.
Neste módulo teremos uma visão geral e conceitual de algumas das
técnicas mais usadas no crescente campo de modelagem e análise de
séries temporais.
 Introdução às Séries Temporais

As séries temporais são uma sequência ordenada de valores de uma variável

em intervalos de tempo igualmente espaçados. As séries temporais ocorrem
frequentemente quando observamos dados comerciais ou industriais.
As principais aplicações dos modelos de séries temporais são duas:
Obter um entendimento das forças e estrutura subjacentes
que produziram os dados observados
Ajustar um modelo e proceder a previsão, monitoramento
ou mesmo controles de indicadores.
Um dos principais usos das séries temporais são:

Previsões de Vendas Projeções de Rendimentos

Análise Orçamentária Análise de Mercado de Ações
Previsões Econômicas Processos e Controles de Qualidade
 Introdução às Séries Temporais

Existem muitos métodos usados para modelar e prever séries temporais,

incluindo os seguintes:
Métodos de Cálculo da Média Móvel
Técnicas de Suavização Exponencial
Modelos ARIMA de Box-Jenkins
A aplicação e preferência do analista determinará a seleção da técnica
mais apropriada. No entanto, não se pretende neste módulo esgotar todos
estes métodos.
 Representação gráfica –
séries temporal

Gráfico temporal e comportamento de série temporal

Para as séries temporais, a representação gráfica mais usual é o gráfico temporal, que revela
qualquer tendência ao longo do tempo, comportamento sazonal regular e outras características
sistemáticas dos dados. Estas características necessitam de ser identificadas para que possam ser
incorporadas num modelo estatístico.
Para selecionar o modelo de previsão mais apropriado é preciso considerar os tipos de
comportamentos dos dados, de modo a usar o modelo mais apropriado para a análise.

Gráfico sazonal
Um gráfico sazonal é semelhante a um gráfico temporal com os dados para cada época
sobrepostos, como se estivessem representados em função da época em que foram observados.
Este tipo de gráfico permite observar o comportamento sazonal com mais facilidade, assim
como identificar quaisquer desvios substanciais do comportamento sazonal.
 Séries Temporais
11500
11000
Population, thousands

10500
10000
9500
9000
8500

8000
1961 1970 1980 1990 2000 2010
 Séries Temporais
Séries Temporais Univariadas

As Séries Temporais Univariadas são séries temporais que consistem de

observações únicas registradas sequencialmente durante espaços iguais de
tempo. Alguns exemplos aplicados a abordagem de Previsão de Vendas são
a quantidade vendida do produto XX ou Faturamento bruto da Empresa ABC no
Canal E-commerce, ou Venda do produto WW na região Sul.
Embora um conjunto de dados de uma série temporal univariada seja
geralmente dado como uma única coluna de números, o tempo é de fato uma
variável implícita na série temporal. A variável tempo pode algumas vezes ser
explicitamente usada para plotar a série. Entretanto, não é usada no modelo de
série temporal em si.
 Séries Temporais

As Séries Temporais podem ser estudadas de duas maneiras:

Análise da série temporal: metodologia para tentar

entender a série temporal, de forma a entender a estrutura que gerou
a série.

Previsão a partir da série temporal: procura

construir um modelo matemático a partir do qual seja possível
prever valores futuros da série.
 Séries Temporais

Os modelos para estudar as séries temporais são muito conhecidos por

seus acrônimos em inglês, montados a partir de AR (modelos auto-regressivos),
'I' (modelos integrados) e MA (modelos de média móvel). Por exemplo, o modelo
ARIMA é um modelo auto-regressivo, integrado e de média móvel.

Normalmente as séries temporais são analisadas a partir de seus principais

movimentos descritos como: tendência, ciclo, sazonalidade e variações
aleatórias.
 Séries Temporais

Características das Séries Temporais:

As observações vizinhas são dependentes e o interesse é analisar

e modelar esta dependência.
Enquanto nos modelos de regressão linear a ordem das observações
é irrelevante para a análise, em séries temporais a ordem dos dados é
fundamental. Precisamos levar em conta a ordem temporal das observações.
O tempo pode ser substituído por outra variável como espaço, profundidade, etc.
Fatores complicadores como presença de tendências e variação sazonal ou
cíclica podem ser difíceis de estimar ou remover.
 Séries Temporais
Em algumas situações, tem-se como objetivo usar as Séries temporais
para fazer previsões de valores futuros. Por outro lado, em outras situações o
interesse principal pode ser o estudo da estrutura da série ou sua relação com
outras séries. De um modo geral, os principais objetivos em se estudar Séries
Temporais são:
Descrição: Descrever propriedades da série, como, por exemplo, o
padrão de tendência, a existência de variação sazonal ou cíclica, etc.
Explicação: Usar a variação em uma série para explicar a variação
em outra série.
Predição: predizer valores futuros com base em valores passados.
Aqui assume-se que o futuro envolve incerteza, ou seja, as previsões
não são perfeitas.
Controle: Os valores da série temporal medem a “qualidade” de um
processo de manufatura e o objetivo é o controle do processo.
 Séries Temporais

SAZONALIDADE: Muitas séries temporais exibem um comportamento que

tende a se repetir a cada s períodos de tempo. Por exemplo, é natural esperar
que as vendas mensais de brinquedos em uma rede de lojas no Brasil terão
um pico no mês de dezembro e talvez um pico secundário em outubro. Este
padrão possivelmente se repetirá ao longo de vários anos.
Tipos de Sazonalidade:
Aditiva: A série apresenta flutuações sazonais mais ou menos
constantes não importando o nível global da série.
Multiplicativa: O tamanho das flutuações sazonais varia
dependendo do nível global da série.
 Séries Temporais
No exemplo dos brinquedos, suponha que o aumento esperado nas vendas nos
meses de dezembro é de 1 milhão de reais em relação à média anual. Então as
previsões para os meses de dezembro dos próximos anos deve somar a quantia
de 1 milhão de reais à uma média anual para levar em conta esta flutuação
sazonal. Isto é o que se chama de sazonalidade aditiva.
 Séries Temporais
Suponha agora que o aumento esperado nos meses de dezembro seja de 30%.
Então o aumento esperado (em valor absoluto) de vendas em dezembro será
pequeno ou grande dependendo da média anual de vendas ser baixa ou alta.
Nas previsões para os próximos meses de dezembro deve-se multiplicar a média
anual pelo fator 1,3. Isto é o que se chama de sazonalidade multiplicativa.
 Séries Temporais

TENDÊNCIA: Globalmente, uma série pode exibir tendência de crescimento

(ou decrescimento) com vários possíveis padrões.
Crescimento linear: por exemplo, a cada ano o aumento
esperado nas vendas de um certo brinquedo é de 1 milhão de reais.
Crescimento exponencial: por exemplo, a cada ano as
vendas de um certo brinquedo aumentam de um fator 1,3.
Crescimento amortecido: por exemplo, as vendas de um certo
brinquedo tem uma aumento esperado de 70% sobre o ano anterior. Se o
aumento esperado for de 1 milhão de reais no primeiro ano, no segundo ano
será de 700 mil reais, no terceiro ano será de 490 mil reais e assim por diante.
 Séries Temporais
vendas do brinquedo xyz
(rs mil)

R$ 18.000

R$ 16.000

R$ 14.000

R$ 12.000

R$ 10.000

R$ 8.000

R$ 6.000

R$ 4.000

R$ 2.000

R$ 0
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010

linear Exponencial Amortizado

 Séries Temporais

MÉTODOS DE PREVISÃO EM SÉRIES TEMPORAIS

Em algumas situações o objetivo do uso de Séries Temporais será fazer
previsões de valores futuros, com base em valores passados.

MÉTODOS SIMPLES DE PREVISÃO

São os métodos que efetuam a previsão do valor futuro da série temporal
pela identificação do padrão básico presente nos dados históricos para, então,
usar esse padrão para prever os valores futuros.
O mais conhecido método de previsão é a Média Móvel.
 Séries Temporais

MÉDIA MÓVEL EM SÉRIES TEMPORAIS

Esse método considera como previsão para o período futuro a média

das observações passadas mais atuais. A média móvel para o período de
tempo t é definida por

Onde n representa o número de observações incluídas na média ct.

Utilizamos o termo móvel, pois à medida que a próxima observação se torna
disponível, a média das observações é recalculada, incluindo essa observação
no conjunto de observações e desprezando a observação mais antiga.
 Médias Móveis
Por exemplo, suponha que uma indústria qualquer teve um faturamento
mensal nos últimos 3 meses, conforme segue:
FATURAMENTO EM MILHÕES DE R$
JAN FEV MAR ABR MAIO JUNHO
100 120 140 120 120 120

120 126,7 126,7 126,7

Para obter uma previsão usando médias móveis, você simplesmente

calcula a média desses últimos 3 meses e no mês seguinte retira o primeiro mês
da anterior e acrescenta o dado do último mês. No ex. acima a primeira média
móvel é 120 (referente a Jan–Fev–Mar), já a segunda média móvel é 126,7, para o
cálculo se descarta o dado de Jan e se acrescenta o dado de abril (assim, é
referente a Fev-Mar–Abr), e assim por diante.
 Técnicas de Suavização
Exponencial

Este é um esquema muito popular para produzir uma Série Temporal

suavizada, enquanto na Média Móvel Simples as observações passadas são
ponderadas igualmente, a Suavização Exponencial atribui pesos decrescentes
exponencialmente quando a observação fica mais antiga. Ou seja, observações
recentes são tomadas com mais peso relativamente na previsão que as
observações mais antigas.
No caso de médias móveis, os pesos que são atribuídos às observações são
os mesmos e iguais a 1/N. Na suavização exponencial, entretanto, existem um ou
mais parâmetros de suavização a serem determinados (ou estimados) e estas
escolhas determinam os pesos atribuídos às observações.
Fontes:
CASTRO, Luciano Thomé; NEVES, Marcos Fava; CÔNSOLI, Matheus Alberto – 2.
ed. – e. Administração de vendas. 2 ed. Rio de Janeiro: Atlas, 2018.
GOBE, Antonio Carlos et al. Administração de vendas. 2. ed. São Paulo:
Saraiva, 2007.
WANKE, P. e JULIANELLI, l. (organizadores). Previsão de Vendas: Processos
organizacionais & métodos quantitativos e qualitativos. São Paulo: Atlas, 2006
(Coleção Coppead de Administração)