Introdução à Previsão e ao uso de

Métodos Quantitativos e Qualitativos

Prof. Márcio Luiz Ribeiro
Disciplina: Administração de Produção II
Curso de Graduação em Administração (CCSA)
Universidade Estadual do Oeste do Paraná (UNIOESTE)
 Introdução
• Algumas previsões são precisas. Sabemos exatamente a que horas o sol aparecerá no
horizonte em qualquer lugar da Terra, amanhã ou um dia qualquer do próximo mês ou
mesmo do próximo ano.
• Mas a previsão em um ambiente de negócios é muito mais difícil (sujeita a erros). Não
sabemos com precisão quantos pedidos receberemos ou quantos clientes entrarão amanhã
por nossa porta, no próximo mês ou ano.
• As previsões são necessárias para ajudar os gerentes a tomar decisões sobre como reunir
recursos para a organização no futuro.
 Previsão – Quais opções considerar?
• Simplesmente saber que a demanda por seus produtos ou serviços está aumentando ou
diminuindo não é suficiente.
• Conhecer a taxa de mudança é com certeza vital para o planejamento do negócio.
• ESCRITÓRIO DE ADVOCACIA: decisão sobre a contratação de mais um sócio (processo
de recrutamento).
• GERENTE DE FÁBRICA: compra de novos equipamentos para lidar com o crescimento
da demanda.
• GOVERNO: planejamento de novos aeroportos; construção de pistas de aterrissagem;
decisão de como as escolas de ensino fundamental serão construídas e quantas serão.
 Exemplo sobre o que considerar na previsão
• Um passo-chave em previsão é conhecer as opções possíveis e os tempos de espera exigidos
para cada uma.
• Conhecendo as várias opções, os gerentes podem decidir a escala de tempo para suas
previsões. De fato, várias previsões podem ser necessárias a curto, a médio ou a longo prazo.
 Em essência, a previsão é simples
• Para saber quantas crianças poderão aparecer na escola amanhã, você pode usar o número
de crianças que apareceu hoje.
• A longo prazo, para prever quantas crianças em idade escolar irão aparecer em uma escola
daqui a cinco anos, é necessário, simplesmente, examinar as estatísticas de nascimento para
aquele ano em determinado distrito escolar.
Mas essas abordagens simples estão sujeitas a
problemas: existem muitas variáveis contextuais
• Pode ser a taxa de mortalidade
infantil entre o nascimento e os
cinco anos de idade. Isso pode
depender de localização, com taxas
de mortalidade maiores em áreas
mais pobres em comparação a áreas
mais ricas.
• Outro fator mais significativo
abrange imigração e emigração,
conforme as pessoas mudam de um
lugar para outro. Tal fator será
afetado por disponibilidade de
moradia e por novos projetos
habitacionais, pelo fluxo e refluxo
de empregos e por variações na
prosperidade econômica da área.
 Abordagens para a previsão
• MÉTODOS QUALITATIVOS
• Às vezes, os gerentes usam métodos qualitativos baseados em opiniões, na experiência
passada e mesmo nas melhores suposições.
• MÉTODOS QUANTITATIVOS
• Há também uma variedade de técnicas quantitativas de previsão disponíveis para ajudar os
gerentes a avaliar tendências e relacionamentos causais e a fazer previsões sobre o futuro. As
técnicas de previsão quantitativa podem ser usadas para modelar dados.
• Qual é a melhor opção?
• Embora nenhuma abordagem ou técnica resulte em previsão exata, uma combinação de
abordagens qualitativas e quantitativas pode ser usada com ótimo efeito para integrar
pareceres especializados e modelos preditivos.
 Métodos qualitativos
• Uma abordagem qualitativa envolve coletar e avaliar julgamentos, opções, inclusive boas
suposições de “especialistas” em fazer previsões.
• Há várias formas para se fazer isso:
• Abordagem de painel;
• Método Delphi;
• Planejamento de cenário.
 Abordagem de painel
• Assim como painéis de especialistas em futebol reúnem-se para especular sobre prováveis
resultados, também o fazem políticos, líderes empresariais, analistas de mercado de capitais,
bancos e linhas aéreas.
• O painel atua como um grupo de foco e permite que todos falem aberta e francamente.
Embora haja grande vantagem de vários cérebros juntos serem melhor do que um, pode ser
difícil chegar a um consenso ou, às vezes, as visões de quem fala mais alto ou tem status
mais elevado predominam (efeito adesão).
• Embora mais confiável do que as visões de uma pessoa isolada, a abordagem de painel ainda
apresenta a fraqueza de que mesmo os especialistas podem estar errados.
 Método Delphi
• Gera previsões usando especialistas. Esse é um método mais formal, que tenta reduzir as
influências dos procedimentos dos encontros face a face.
• Emprega um questionário que é enviado pelo correio ou por e-mail a especialistas. As respostas
são analisadas, resumidas e retornam anonimamente para todos os especialistas.
• Cada membro do grupo é solicitado a reconsiderar sua resposta original à luz das respostas e
argumentos elaborados por outros especialistas.
• Esse processo é repetido várias vezes para concluir com um consenso ou, no mínimo, com uma
faixa de decisões mais estreita.
• Um aperfeiçoamento desta abordagem é atribuir pesos aos indivíduos e suas sugestões, baseados,
por exemplo, em sua experiência, seu sucesso anterior com previsões ou visões de terceiros sobre
suas habilidades.
• Os problemas evidentes associados a esse método são como elaborar um questionário adequado,
selecionar um painel de especialistas apropriado e tentar lidar com seus vieses inerentes.
 Planejamento de cenário
• Um método de lidar com situações de incerteza maior ainda é o planejamento de cenário.
Geralmente, é aplicado a previsões de longo prazo, novamente usando um painel.
• Os membros do painel geralmente são solicitados a imaginar vários cenários futuros. Cada
cenário pode então ser discutido, e os riscos inerentes, considerados.
• Diferentemente do método Delphi, o planejamento de cenário não implica necessariamente se
chegar a um consenso, mas examinar a possível variedade de opções e planejar para tentar
evitar os cenários menos desejados, adotando ações para seguir os mais desejados.
 Métodos quantitativos
• Há duas abordagens principais para a previsão quantitativa: a análise de séries temporais e as
técnicas de modelagem causal.
• As SÉRIES TEMPORAIS examinam o padrão de comportamento passado de um único
fenômeno ao longo do tempo, levando em consideração as razões para a variação de
tendência, de modo a usar a análise para prever o comportamento futuro do fenômeno.
• A MODELAGEM CAUSAL é uma abordagem que descreve e avalia os relacionamentos
complexos de causa e efeito entre variáveis-chave.
 Análise de séries temporais
• As séries temporais simples mapeiam uma variável ao longo do tempo e, ao remover as
variações subjacentes com causas assinaláveis, usam extrapolação para prever o
comportamento futuro.
• Ponto fraco: simplesmente olha o comportamento passado para prever o futuro, ignorando
as variáveis causais que são levadas em consideração em outros métodos.
 Exemplo de Séries Temporais
• Suponha que uma empresa esteja tentando
prever as vendas futuras de um produto. As
vendas dos últimos três anos, trimestre a
trimestre, são mostradas na Figura S5.3(a).
• Essa série de vendas passadas pode ser
analisada para indicar as vendas futuras.
• Na série pode haver uma tendência de
aumento linear nas vendas. Se isso for
eliminado dos dados, como na Figura S5.3(b),
ficamos com uma variação sazonal cíclica.
• O desvio médio da linha de tendência para
cada trimestre pode ser considerado agora
para calcular o desvio sazonal médio. O que
resta é a variação aleatória das linhas de
tendências e de sazonalidades, como na
Figura S5.3(c).
 Previsão baseada na Média Móvel
• Abordagem para a previsão que considera os dados da
demanda real dos n períodos anteriores, calcula a
demanda média nesses n períodos e usa essa média como
previsão para a demanda do próximo período.

• Nenhum dado mais antigo do que o dos n períodos tem

influência na previsão do período seguinte. O valor de n
pode ser definido em qualquer nível, mas normalmente
está na faixa de 4 a 7.

• Ex.: A Tabela S5.2 mostra a demanda semanal de uma

empresa de entrega de encomendas. A demanda semanal
é medida em termos do número de encomendas que
recebe para entregar. Cada semana, a demanda da
semana seguinte é prevista pela média móvel da
demanda real das quatro semanas precedentes. Logo, se
a previsão de demanda para a semana t for Ft e a
demanda real para a semana t for At, então:
 Ajuste exponencial (ou “suavizamento exponencial”)
• Dois inconvenientes da previsão por média móvel: 1) em sua forma
básica, atribui peso igual a todos os n períodos prévios usados nos
cálculos (pode ser resolvido atribuindo-se pesos diferentes a cada
um dos n períodos); 2) não usa dados fora dos n períodos com os
quais é calculada a média móvel. Esses problemas são resolvidos
por ajuste exponencial.

• Com ajuste exponencial, é prevista a demanda no próximo período

considerando a demanda real no período atual e a previsão feita
anteriormente para o período atual. Segue-se a fórmula, onde α é a
constante de ajuste.

• A constante de ajuste α é o peso atribuído à última informação

disponível a quem faz a previsão. Outra expressão na fórmula
inclui a previsão para o período atual, que inclui a demanda real do
período precedente e assim por diante.

• Assim, todos os dados prévios têm efeito (mais reduzido quanto

mais antigos forem) na próxima previsão. A Tabela S5.3 mostra os
dados para as previsões usando esse método de ajuste exponencial,
onde α = 0,2. Por exemplo, a previsão para a semana 35 é:
Ajuste exponencial
• O valor de α determina o equilíbrio entre a capacidade de resposta das previsões às mudanças na
demanda e a estabilidade das previsões.
• Quanto mais próximo α estiver de zero, mais as previsões serão amortecidas pelas previsões
anteriores (não muito sensíveis, porém mais estáveis). A Figura S5.4 mostra os dados de volume
da empresa para uma média móvel de quatro semanas, ajuste exponencial com α = 0,2 e com α =
0,3.
 Modelos causais
• Modelos causais empregam técnicas para entender a força do
relacionamento entre um conjunto de variáveis e o impacto que
uma variável exerce sobre a outra.

• Modelos de regressão simples tentam determinar a expressão

de “melhor ajuste” entre duas variáveis.

• Ex.: suponha que um fabricante de sorvete esteja tente prever

suas vendas futuras. Depois de examinar a demanda
precedente, percebe que a principal influência sobre a demanda
na fábrica é a temperatura média da semana anterior.

• Para ver essa relação, a empresa faz um gráfico da demanda em

função das temperaturas da semana anterior (Figura S5.5).

• Pelo gráfico, a empresa pode fazer uma previsão razoável da

demanda, conhecendo a temperatura média, desde que as
outras condições existentes no mercado permaneçam
razoavelmente estáveis.

• Se elas não o forem, outros fatores que influenciaram a

demanda precisam ser incluídos no modelo de regressão.
 Considerações finais
• Os modelos de previsão são amplamente usados na tomada de decisões gerenciais, embora o
desempenho dos modelos esteja longe de ser impressionante.
• Em geral, não é bom o desempenho obtido por previsões, tanto usando julgamentos subjetivos
como sofisticados métodos matemáticos.
• Porém determinadas técnicas de previsão têm melhor desempenho sob certas circunstâncias.
• Na previsão a curto prazo existe inércia na maioria dos fenômenos econômicos e naturais. Assim,
métodos relativamente simples, como os usados nas previsões de séries temporais, em geral,
podem fazer previsões detalhadas a curto prazo.
• Os métodos de previsão a longo prazo parecem ser mais adequados para uma abordagem causal
objetiva. Métodos econométricos oferecem previsões a longo prazo mais exatas do que as
opiniões de especialistas ou análises de séries temporais.
• Nas próximas aulas veremos outras abordagens e teremos exercícios práticos sobre “Previsão”.
 Referência
SLACK, N.; BRANDON-JONES, A.; JOHNSTON, R. Administração da produção. São Paulo:
Atlas, 2018 (Suplemento do Cap. 5).
Obrigado! Bons estudos.
E-mail: marcio.ribeiro2@unioeste.br