PREVISO DE DEMANDA: UMA APLICAO DOS MODELOS BOXJENKINS NA REA DE ASSISTNCIA TCNICA DE COMPUTADORES PESSOAIS

Liane Werner
Departamento de Estatstica, Universidade Federal do Rio Grande do Sul, Rua Bento Gonalves, 9500, CEP 91509-000, Porto Alegre, RS, e-mail: lianew@mat.ufrgs.br

Jos Luis Duarte Ribeiro

Programa de Ps-graduao em Engenharia de Produo, Universidade Federal do Rio Grande do Sul, Praa Argentina, 9, 2o andar, sala LOPP, CEP 90040-020, Porto Alegre, RS, e-mail: ribeiro@ufrgs.br

v.10, n.1, p.47-67, abr. 2003

Resumo A previso de demanda uma atividade importante para auxiliar na determinao dos recursos necessrios para a empresa. Neste artigo, a metodologia de Box-Jenkins foi utilizada para analisar dados histricos de uma empresa de assistncia tcnica de computadores pessoais e obter previses do nmero de atendimentos. A empresa estudada apresenta trs tipos de clientes diferenciados: contratos, garantia e avulsos. Como cada segmento de clientes tem suas peculiaridades, a previso de demanda foi direcionada a cada tipo, buscando representar o comportamento de tendncia e a sazonalidade por meio dos modelos de Box-Jenkins. A obteno dos modelos mais adequados foi baseada na anlise de grficos e em testes estatsticos prprios da metodologia, os quais subsidiaram a deciso de adotar o modelo AR(1) para prever o nmero de atendimentos dos clientes tipo contrato, o modelo ARIMA(2,1,0) para os clientes tipo garantia e um modelo sazonal SARIMA(0,1,0)(0,1,1)12 para os clientes tipo avulsos. Palavras-chave: previso de demanda, modelos Box-Jenkins, modelos ARIMA, sries temporais, assistncia tcnica.

48

Werner & Ribeiro Previso de Demanda: Uma Aplicao dos Modelos Box-Jenkins...

1. Introduo

a ltima dcada, a globalizao passou a ser a palavra-chave no mercado mundial. As empresas que desejam se manter nele, ou mesmo em seus mercados locais, precisam, antes de tudo, analisar a situao que as rodeiam e atentar aos rumos tomados no mbito da globalizao. Segundo Makridakis et al. (1998), realizar previses de demanda importante para auxiliar na determinao dos recursos necessrios para a empresa. Em tempos de abertura de mercados, essa atividade torna-se fundamental. Os mercados que podem ser acessados pela empresa, assim como a concorrncia que os disputa, mudam continuamente, exigindo novas previses de demanda em perodos mais curtos. Na rea de assistncia tcnica de computadores, prever a demanda dos servios est intimamente ligado disponibilizao de recursos, tanto humanos como de equipamentos, para um atendimento eficaz aos clientes. As previses de demanda so elaboradas utilizando tcnicas quanti e qualitativas ou, ainda, uma mistura de ambas. Segundo Pellegrini & Fogliatto (2000), mtodos quantitativos utilizam dados histricos para prever a demanda em perodos futuros. Uma das tcnicas quantitativas mais difundida a metodologia de Box-Jenkins, descrita por esses autores na dcada de 70. Os modelos de BoxJenkins partem da idia de que cada valor da srie (temporal) pode ser explicado por valores prvios, a partir do uso da estrutura de correlao temporal que geralmente h entre os valores da srie. Segundo Abdel-Aal & Al-Garni (1997), os modelos Box-Jenkins tm sido largamente utilizados para modelagem e previso em aplicaes mdicas, ambientais, financeiras e de engenharia. Os prprios autores aplicaram essa metodologia para prever o consumo mensal de energia eltrica no leste da Arbia Saudita. Para Slini et al. (2001), a modelagem de sries temporais apropriada previso da qualidade

do ar. Esses autores aplicaram a metodologia de Box-Jenkins para prever a qualidade do ar na cidade de Atenas, na Grcia. Alm de aplicaes nas reas citadas, Lim & McAleer (2001) mencionam, com base em diferentes mtodos de previso de sries temporais, que a literatura na rea de previso de demanda turstica numerosa. Os referidos autores aplicaram a metodologia de Box-Jenkins e modelaram a demanda de turistas que chegam Austrlia provenientes de trs pases da sia. Neste artigo, a metodologia de Box-Jenkins aplicada aos dados histricos de uma empresa que atua no setor de servios, fornecendo assistncia tcnica para computadores pessoais. A principal contribuio deste artigo pode ser resumida em trs aspectos: 1. apresentao passo a passo do emprego da metodologia; 2. uso seqencial de grficos e testes estatsticos para subsidiar a construo e a escolha dos modelos mais adequados; e 3. nfase na modelagem orientada a cada segmento de cliente, uma vez que eles so influenciados por diferentes fatores e, assim, apresentam comportamento distinto no que se refere tendncia e sazonalidade.

2. Modelos Box-Jenkins
Conforme Morretin & Toloi (1987), uma srie temporal qualquer conjunto de observaes ordenadas no tempo. Sries temporais so compostas por quatro elementos: 1. Tendncia: verifica o sentido de deslocamento da srie ao longo de vrios anos. 2. Ciclo: movimento ondulatrio que ao longo de vrios anos tende a ser peridico. 3. Sazonalidade: movimento ondulatrio de curta durao, em geral, inferior a um ano; associada, na maioria dos casos, a mudanas climticas. 4. Rudo aleatrio ou erro: compreende a variabilidade intrnseca aos dados e no pode ser modelado.

GESTO & PRODUO, v.10, n.1, p.47-67, abr. 2003

49

Como uma srie temporal tem os dados coletados seqencialmente ao longo do tempo, espera-se que ela apresente correlao seriada no tempo. Os modelos de Box-Jenkins, genericamente conhecidos por ARIMA (Auto Regressive Integrated Moving Averages) e na literatura em portugus por Auto-regressivos Integrados de Mdias Mveis, so modelos matemticos que visam captar o comportamento da correlao seriada ou autocorrelao entre os valores da srie temporal, e com base nesse comportamento realizar previses futuras. Se essa estrutura de correlao for bem modelada, fornecer boas previses. Segundo Fava (2000), os modelos ARIMA resultam da combinao de trs componentes denominados filtros: o componente auto-regressivo (AR), o filtro de integrao (I) e o componente de mdias mveis (MA). Uma srie pode ser modelada pelos trs filtros ou apenas um subconjunto deles, resultando em vrios modelos abordados a seguir. 2.1 Modelos estacionrios Modelos estacionrios so aqueles que assumem que o processo est em equilbrio. Um processo considerado fracamente estacionrio se suas mdia e varincia se mantm constantes ao longo do tempo e a funo de autocovarincia depende apenas da defasagem entre os instantes de tempo. Um processo fortemente estacionrio se todos os momentos conjuntos so invariantes a translaes no tempo. Modelo auto-regressivo (AR) Em um modelo auto-regressivo, a srie de dados histricos Zt descrita por seus valores passados regredidos e pelo rudo aleatrio t. Assim, um modelo AR(p) dado por:

~ Zt = Z t ;
~ i o parmetro que descreve como Zt se rela~ ciona com o valor Zt i para i = 1, 2,..., p.
O modelo AR(p) dado pela equao 2.1 pode ser reescrito conforme apresentado na equao 2.2, utilizando o operador de defasagem L (aplicando o operador de defasagem em Zt 3 temos L3Zt). ~ (1 1L 2L2 ... p Lp )Zt =

~ = (L )Zt = t

(2.2)

O modelo auto-regressivo de ordem 1 ou AR(1) a verso mais simples dessa classe de modelos. Sua apresentao algbrica dada pela equao 2.3: ~ ~ (2.3) Zt = 1 Zt 1 + t Para o modelo ser estacionrio necessrio que |1| < 1(condio de estacionariedade) e que as autocovarincias (k) sejam independentes. No caso do modelo AR(1), as autocovarincias so dadas por:
k k = 1 0

(2.4)

e as autocorrelaes k so dadas pela equao 2.5:

k =

k k = 1 k = 0,1,2, ... 0

(2.5)

A funo de autocorrelao decai exponencialmente quando 1 positivo; quando 1 negativo, a funo de autocorrelao tambm decai exponencialmente, mas apresenta alternncia de sinais positivos e negativos. Modelos de mdias mveis (MA) Em um modelo de mdias mveis (do ingls moving average), a srie Zt resulta da combinao dos rudos brancos do perodo atual com aqueles ocorridos em perodos anteriores. Assim, um modelo de mdias mveis de ordem q ou MA(q) dado por: ~ Zt = t + 1t 1 + 2t 2 + ... + q t q (2.6)

~ ~ ~ ~ Zt = 1 Zt 1 + 2 Zt 2 + ... + p Zt p + t
em que:

(2.1)

50

Werner & Ribeiro Previso de Demanda: Uma Aplicao dos Modelos Box-Jenkins...

em que: ~ Zt = Z t ; i o parmetro que descreve como Zt se relaciona com o valor t i para i = 1, 2,..., q. O modelo MA(q) dado pela equao 2.6 pode ser reescrito, como em 2.7, utilizando o operador de defasagem L.

(1 1L 2L2 ... q Lq )t = ~ = (L )t = Zt

Modelos auto-regressivos de mdias mveis (ARMA) Em alguns casos, pode ser necessrio utilizar um grande nmero de parmetros em modelos puramente AR ou puramente MA. Nesses casos, vantajoso misturar os componentes de um modelo AR como os componentes de um modelo MA, gerando, assim, um modelo ARMA. O modelo ARMA(p,q) exigir um nmero menor de termos e pode ser expresso conforme a equao 2.10:

(2.7)

O modelo MA(1) a verso mais simples dessa classe de modelos. Sua apresentao algbrica dada pela equao 2.8: ~ (2.8) Zt = 1 + 1 t 1 As autocorrelaes k, que nada mais so do que as autocovarincias dividas pela varincia, so dadas por:
2 1 1 1 = 1 = = e 2 2 2 0 (1 + 1 ) (1 + 1 )

~ ~ ~ Zt = 1 Zt 1 + ... + p Zt p + t 1t 1 ... q t q
(2.10)

O modelo ARMA mais simples o ARMA(1,1), dado pela equao 2.11:

~ ~ Zt = 1 Zt 1 + t 1 t 1

(2.11)

A funo de autocorrelao do modelo ARMA(1,1) dada por: (2.9)

k = 0 k > 1

1 =

A funo de autocorrelao do modelo MA(1) apresenta apenas a primeira autocorrelao nonula e as demais iguais a zero. A primeira autocorrelao ser positiva se 1 for menor que zero e negativa se 1 for maior que zero. Segundo Nelson (1973), uma propriedade importante da MA(1), proveniente da funo de autocorrelao, que sua memria de somente um perodo. Uma dada observao, por exemplo Z53, est correlacionada apenas a seu antecessor Z52 e a seu sucessor Z54, mas no a qualquer outro membro da srie. Para obter a condio de invertibilidade, isto , para transformar um modelo MA(1) em um modelo AR(), preciso impor a restrio de que | 1| < 1. Segundo Abraham & Ledolter (1983), para que um processo MA(q) se torne inversvel, necessrio que as razes da equao:

(1 11 )( 1 1 ) 2 1 + 1 + 211
(2.12)

k = 1k 1 para k > 1

A funo de autocorrelao do modelo ARMA(p,q) apresenta caractersticas da funo MA(q) para as defasagens k < q, pelo fato de a memria do componente de mdias mveis durar apenas q perodos. Para defasagens maiores que k + 1 as caractersticas so iguais s de um modelo AR(p). 2.2 Modelos no-estacionrios Quando uma srie temporal apresenta mdia e varincia dependentes do tempo, porque ela no estacionria. A no-estacionariedade de uma srie implica que: a) h inclinao nos dados e eles no permanecem ao redor de uma linha horizontal ao longo do tempo e/ou b) a variao dos dados no permanece essencialmente constante sobre o tempo, isto , as flutuaes

(L ) = (1 1L 2L2 ... q Lq ) = 0
sejam maiores que um.

GESTO & PRODUO, v.10, n.1, p.47-67, abr. 2003

51

aumentam ou diminuem com o passar do tempo, indicando que a varincia est se alterando. Para detectar a no-estacionariedade de uma srie, o comportamento temporal pode ser analisado graficamente, buscando padres (a) e (b) ou, ento, aplicando os testes estatsticos de raiz unitria. O teste de raiz unitria mais usado o de DickeyFuller. Outros detalhes sobre esse teste podem ser vistos em Makridakis et al. (1998), Enders (1995) e Hamilton (1994). Modelos auto-regressivos integrados de mdias mveis (ARIMA) Como a maioria dos procedimentos de anlise estatstica de sries temporais supe que estas sejam estacionrias, ser necessrio transformlas caso ainda no sejam. Segundo Morretin & Toloi (1987), a transformao mais comum consiste em tomar diferenas sucessivas da srie original at obter uma srie estacionria. A primeira diferena de Zt definida por 2.13: Zt = Zt Zt1 a segunda dada por 2.14: D2Zt = D [D Zt ] = D[Zt Zt1] = = Zt 2Zt1 Zt2 (2.14) (2.13)

(1 1L ... p Lp )w t = (1 1L ... q Lq )t
com wt = (1 L)dZt (L) (1 L)d Zt = (L)t 2.3 Modelos sazonais Os modelos ARIMA exploram a autocorrelao entre os valores da srie em instantes sucessivos, mas quando os dados so observados em perodos inferiores a um ano, a srie tambm pode apresentar autocorrelao para uma estao de sazonalidade s. Os modelos que contemplam as sries que apresentam autocorrelao sazonal so conhecidos como SARIMA. Os modelos SARIMA contm uma parte no sazonal, com parmetros (p,d,q), e uma sazonal, com parmetros (P,D,Q)s. O modelo mais geral dado pela equao 2.17: (2.16)

(1 1L ... p Lp )(1 1Ls ... P LPs ) (1 L )d(1 Ls )D Z t = (1 1L ... q Lq ) (1 1Ls ... Q LQs )t
em que:
(1 1L ... p Lp ) a parte auto-regressiva no-sazonal de ordem p;
(1 1Ls ... P LPs ) a parte auto-regressiva sazonal de ordem P e estao sazonal s;

(2.17)

Em situaes normais, ainda segundo os autores citados, ser suficiente tomar uma ou duas diferenas para que a srie se torne estacionria. O nmero d de diferenas necessrias para tornar a srie estacionria denominado ordem de integrao. A incluso do termo de ordem de integrao permite que sejam utilizados os modelos ARIMA(p,d,q) dados pela equao 2.15:

w t = 1w t 1 + ... + p w t p + + t 1t 1 ... q t q (2.15)

em que: wt = dZt. O modelo ARIMA(p,d,q) dado pela equao 2.15 pode ser reescrito, como em 2.16, utilizando o operador de defasagem L.

(1 L )d parte de integrao no-sazonal de ordem d;

(1 Ls )D parte de integrao sazonal de ordem D e estao sazonal s;

(1 1L ... q Lq ) a parte no-sazonal de mdias mveis de ordem q;
(1 1Ls ... Q LQs ) a parte sazonal de mdias mveis de ordem Q e estao sazonal s.

52

Werner & Ribeiro Previso de Demanda: Uma Aplicao dos Modelos Box-Jenkins...

2.4 Etapas da metodologia Box-Jenkins Segundo Morretin & Toloi (1987), a construo dos modelos Box-Jenkins baseada em um ciclo iterativo, no qual a escolha do modelo feita com base nos prprios dados. Segundo Box & Jenkins (1976), so trs as etapas para construo do modelo: 1. Identificao: consiste em descobrir qual dentre as vrias verses dos modelos de Box-Jenkins, sejam eles sazonais ou no, descreve o comportamento da srie. A identificao do modelo a ser estimado ocorre pelo comportamento das funes de autocorrelaes (ACF) e das funes de autocorrelaes parciais (PACF). Outros detalhes referentes obteno dessas funes e a quais comportamentos representam os modelos anteriormente abordados podem ser pesquisados em Makridakis et al. (1998). 2. Estimao: consiste em estimar os parmetros e do componente auto-regressivo, os parmetros e do componente de mdias mveis e a varincia de t. 3. Verificao: consiste em avaliar se o modelo estimado adequado para descrever o comportamento dos dados. Caso o modelo no seja adequado, o ciclo repetido, voltando-se fase de identificao. Um procedimento muito utilizado identificar no s um nico modelo, mas alguns modelos que sero ento estimados e verificados. Quando se obtm um modelo satisfatrio, passa-se para a ltima etapa da metodologia de Box-Jenkins, que constitui o objetivo principal da metodologia: realizar previses. O detalhamento dessas etapas se dar com a aplicao no estudo de caso.

uma empresa prestadora de servios de assistncia tcnica em equipamentos de informtica. Por motivos estratgicos, os dados mais atuais no foram disponibilizados para publicao. No entanto, isso no compromete a apresentao deste artigo, cujo propsito esclarecer a utilizao da metodologia e discutir a importncia da segmentao de clientes. Trata-se de uma empresa de pequeno porte que atualmente conta com duas lojas de atendimento aos clientes na capital gacha, com aproximadamente 40 funcionrios. Essa empresa tem trs tipos diferenciados de clientes: os clientes que assinam contratos de manuteno, em geral pessoas jurdicas; os clientes que trazem o equipamento para manuteno no perodo de garantia; e os clientes avulsos, em geral pessoas fsicas. A empresa realiza servios de manuteno de hardware e/ ou software e, raramente, vende peas sem realizar algum tipo de servio. A demanda da empresa no pode ser estabelecida sem uma anlise segmentada dos tipos de clientes. Cada tipo de cliente atendido pela empresa tem suas peculiaridades, por isso, a previso de demanda total deve ser a soma da previso da demanda individual dos tipos de clientes. Assim, para realizar a previso de demanda da empresa foi empregada a metodologia de Box-Jenkins para o nmero de atendimentos realizados em cada um dos trs tipos de clientes. 3.1 Metodologia Box-Jenkins para clientes tipo contrato 3.1.1 Etapa de identificao Para identificar os modelos apropriados, inicialmente deve ser analisado o grfico de tempo da srie em estudo. A anlise desse grfico pode indicar a presena de tendncia ou alterao na varincia, o que revelaria se a srie ou no estacionria. Quanto ao nmero de atendimentos de clientes tipo contrato, encontrado na Figura 1, observa-se fraca tendncia decrescente. Portanto, como a srie apresenta inclinao muito pequena, ela ser considerada estacionria. Essa

3. Estudo de caso
Com o objetivo de realizar previses de demanda, inicialmente, foram reunidos dados histricos de agosto de 1996 a julho de 2001 de

GESTO & PRODUO, v.10, n.1, p.47-67, abr. 2003

53

suposio coincide com a expectativa da equipe tcnica da empresa, que no acredita que possa ocorrer diminuio do nmero de contratos nos prximos meses. O prximo passo analisar as funes de autocorrelaes (ACF) e de autocorrelaes parciais (PACF). O comportamento dessas funes indica qual o modelo a ser utilizado, bem como auxilia no uso dos testes de razes unitrias para confirmar a estacionariedade. A Figura 2a apresenta a ACF do nmero de atendimentos de clientes tipo contrato. Podese observar que a ACF decai exponencialmente rpido, chegando a zero nas primeiras defasagens, indicao de um modelo AR(1). A PACF apresenta as autocorrelaes parciais, as quais medem a correlao entre o valor de Zt e Zt k, descontadas a influncia dos valores de Zt 1 at Zt k + 1, e so obtidas pelas equaes de Yule-Walker (Figura 2b). Observa-se que apenas a autocorrelao de defasagem 1 significativa, reforando a indicao de um modelo AR(1). Como as ACF e PACF fornecem a indicao de um modelo auto-regressivo de ordem um, testouse a estacionariedade da srie por intermdio do teste Dickey-Fuller, o mais conhecido teste de

razes unitrias. Para tal, utilizou-se o pacote economtrico EViews (verso 3.0), em que a hiptese de no-estacionariedade foi rejeitada em nvel de 5% de significncia. Visto que a srie pode ser considerada estacionria, a ordem de integrao zero, isto , d = 0. 3.1.2 Etapa de estimativa Uma vez indicados os valores de p, d e q, passa-se para a estimativa dos parmetros do 2 modelo proposto, da varincia do resduo e da constante do modelo que, neste caso, o nvel mdio do processo. Para estimar os parmetros do modelo foi usado o pacote estatstico SPSS (verso 8.0), optando-se pelo mtodo de forecasting de mnimos quadrados incondicional. As estimativas para o modelo em estudo foram: 1 = 0,59 e = 95,59. Reescrevendo o modelo dado pela equao 2.3 e substituindo os valores dos coeficientes, temos:

~ ~ Zt = 0,59 Zt 1 + t

Z t 95,59 = 0,59(Z t 1 95,59) + t Z t = 0,59Z t 1 + 39,20 + t

(3.1)

300

250

Nmero de atendimentos

200

150

100

50

0 Ago/96 Fev/97 Ago/97 Fev/98 Ago/98 Fev/99 Ago/99 Fev/00 Ago/00 Fev/01

Ms

Figura 1 Nmero de atendimentos de clientes tipo contrato e sua tendncia.

54

Werner & Ribeiro Previso de Demanda: Uma Aplicao dos Modelos Box-Jenkins...

1,0

(a)
Autocorrelaes parciais

1,0

(b)

Autocorrelaes

0,5

0,5

0,0

0,0

0,5

0,5

1,0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

1,0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Nmero de defasagens k

Nmero de defasagens k

Figura 2 a) Funo de autocorrelao e b) funo de autocorrelao parcial para o nmero de atendimentos de clientes tipo contrato.

3.1.3 Etapa de verificao Essa etapa consiste em verificar se o modelo identificado e estimado adequado. Em caso positivo, ele pode ser utilizado para fazer previses. Em caso negativo, ser necessrio identificar outro modelo e repetir as etapas de estimativa e verificao. Segundo Fava (2000), as formas de verificao comumente utilizadas so: anlise de resduos e avaliao da ordem do modelo. Avaliao por meio da anlise de resduos Os resduos do modelo estimado t so estimativas do rudo branco, sendo assim, devem apresentar esse comportamento se o modelo estiver adequadamente especificado, isto , suas autocorrelaes devem ser no-significantes. Para testar essa suposio, verificou-se o comportamento da ACF para os resduos estimados. A anlise da Figura 3 revela que os resduos apresentam comportamento aleatrio, ou seja, no revelam padro especfico. Assim, a anlise dos resduos confirma a adequao do modelo. O uso do teste de Ljung-Box Q* refora essa afirmativa. Esse teste compara o valor da estatstica de teste com os valores tabelados da distribuio Qui-quadrado com k-p-q graus de liberdade. Aplicando o teste para k = 15 sobre os erros estimados pela aplicao do modelo AR(1), obtm-se uma

estatstica de teste Q* = 21,07, que no significativa quando comparada ao valor da distribuio Quiquadrado com k p = 15 1 = 14 graus de liberdade. Assim, pela anlise do teste de Ljung-Box, os resduos podem ser considerados rudo branco. Avaliao da ordem do modelo O objetivo verificar se o modelo parcimonioso, isto , se no tem parmetros em excesso. Essa verificao realizada com base no erropadro dos coeficientes. Se o valor do coeficiente estimado for pequeno em relao a seu erropadro, conclui-se que ele no significativo, ou seja, no h evidncias estatsticas para suportar a incluso do coeficiente no modelo. Alm disso, a anlise do desvio-padro residual outro indicador para verificar se a ordem do modelo est adequada. Quanto menor o erro-padro, melhores sero as previses. Os critrios de AIC (Akaike Information Criteria) e SBC (Schwartz Bayesian Criteria), utilizados para comparao de modelos e que levam em conta a varincia do erro, o tamanho da amostra T e os valores de p, q, P e Q, tambm so utilizados. Makridakis et al. (1998) indicam que alguns programas computacionais utilizam para o clculo aproximado de AIC a expresso: T(1 + ln(2p)) + T lns2 + 2(p + q + P + Q)

GESTO & PRODUO, v.10, n.1, p.47-67, abr. 2003

55

1,0

0,5

Autocorrelaes

0,0

0,5

1,0 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29

Nmero de defasagens k

Figura 3 Funo de autocorrelao para os resduos do modelo AR(1). A Tabela 1 apresenta uma comparao do modelo escolhido com outros dois modelos propostos para o nmero de atendimentos de clientes tipo contrato. Para o modelo AR(2) observa-se que o coeficiente 2 no significativo (p-value igual a 0,661), logo, a varivel no tempo t 2 no deve ser includa no modelo. Para confirmar a estacionariedade da srie, tomou-se uma diferena e foi estimado o modelo ARIMA(1,1,0) que apresenta desvio-padro residual maior que o modelo indicado. Essas comparaes levaram escolha do modelo AR(1), apresentado na equao 3.1. 3.1.4 Etapa de previso Segundo Box & Jenkins (1976), para um modelo auto-regressivo de primeira ordem, o previsor h passo a frente dado por:
h h Z t (h ) = 1 Z t + 1

(3.2)

em que: Z t (h) a previso h passos a frente com base no tempo t; 1 o coeficiente da varivel em estudo defasada um perodo; e , a mdia do processo.

Tabela 1 Critrios de comparao para verificao do melhor modelo.

Modelo AR(1) p-value dos coeficientes 1: 0,000 nvel do processo: 0,000 1: 0,000 2: 0,661 nvel do processo: 0,000 1: 0,056 nvel do processo: 0,832 Critrio AIC 610,12 (T = 60) 611,95 (T = 60) 609,47 (T = 59) Critrio SBC 614,31 (T = 60) 618,23 (T = 60) 613,63 (T = 59) Desvio-padro residual 38,29 Varincia residual 1.466,46

AR(2)

38,56

1.486,84

ARIMA(1,1,0)

41,62

1.732,37

Fonte: Anlise no pacote SPSS, verso 8.0.

56

Werner & Ribeiro Previso de Demanda: Uma Aplicao dos Modelos Box-Jenkins...

Para o estudo do nmero de atendimentos de clientes tipo contrato, a previso com base no perodo de julho de 2001 que corresponde a t = 60, dada pela equao 3.3:

Z 60(h ) = 0,59h 42 + 95,59 95,59 * 0,59 h

(3.3)

A Tabela 2 apresenta as previses para a demanda do nmero de atendimentos de clientes tipo contrato, de agosto de 2001 a fevereiro de 2002, obtidas com base no perodo de julho de 2001. O grfico com as previses e o intervalo de 95% de confiana para as previses encontrase na Figura 4.

Tabela 2 Previses da demanda do nmero de atendimentos de clientes tipo contrato.

Ms Agosto/2001 Setembro/2001 Outubro/2001 Novembro/2001 Dezembro/2001 Janeiro/2002 Fevereiro/2002 T 61 62 63 64 65 66 67 h 1 2 3 4 5 6 7

Z t (h )

Z 60(1) = 0,591 * 42 + 95,59 95,59 * 0,591 = 63,97 = 64 Z 60(2) = 0,592 * 42 + 95,59 95,59 * 0,592 = 76,94 = 77 Z (3) = 0,593 * 42 + 95,59 95,59 * 0,593 = 84,59 = 85
60

Z 60( 4) = 0,594 * 42 + 95,59 95,59 * 0,594 = 89,10 = 89 Z 60(5) = 0,595 * 42 + 95,59 95,59 * 0,595 = 91,76 = 92 Z (6) = 0,596 * 42 + 95,59 95,59 * 0,596 = 93,33 = 94
60

Z 60(7) = 0,597 * 42 + 95,59 95,59 * 0,597 = 94,26 = 95

300

Nmero de atendimentos

250 200 150 100 50 0 50 Ago/96 Ago/97 Ago/98 Ago/99 Ago/00 Ago/01

Ms Valor observado Previso Limite inferior a 95% Limite superior a 95%

Figura 4 Previso da demanda do nmero de atendimentos de clientes tipo contrato.

GESTO & PRODUO, v.10, n.1, p.47-67, abr. 2003

57

3.2 Metodologia Box-Jenkins para clientes tipo garantia 3.2.1 Etapa de identificao Para identificar os modelos apropriados, inicialmente, foi analisada a Figura 5, que apresenta o grfico de tempo do nmero de atendimentos de clientes tipo garantia. A anlise dessa figura indica a presena de tendncia (crescimento), o que revela uma srie noestacionria. Alm disso, a srie apresenta um nvel mdio que deve ser considerado no modelo a ser proposto. O prximo passo analisar as funes de autocorrelaes (ACF) e autocorrelaes parciais (PACF) que podem auxiliar na verificao da estacionariedade e na definio do modelo mais apropriado. A Figura 6a apresenta a ACF do nmero de atendimentos de clientes tipo garantia e revela um comportamento senoidal, tpico do processo auto-regressivo.

J a PACF mostrada na Figura 6b apresenta as trs primeiras defasagens significativas, reforando a indicao de um modelo autoregressivo, no caso, um AR(3). As ACF e PACF indicam um modelo autoregressivo de ordem trs, contudo, preciso verificar a estacionariedade da srie. A verificao foi realizada por meio do teste DickeyFuller. Para tal, utilizou-se o pacote EViews (verso 3.0), em que a hiptese de no-estacionariedade no foi rejeitada em nvel de 5% de significncia. Assim, em virtude da evidncia de noestacionariedade da srie, necessrio tomar a diferena. Utilizando a primeira diferena e reaplicando o teste Dickey-Fuller verifica-se que a srie estacionria. Assim, tem-se indicaes de que a ordem de integrao deve ser um, isto , d = 1. Para obter a estacionariedade da srie preciso trabalhar com a diferena, portanto, o modelo a ser indicado um ARIMA(3,1,0).

450 400

Nmero de atendimentos

350 300 250 200 150 100 50 0 Ago/96 Fev/97 Ago/97 Fev/98 Ago/98 Fev/99 Ago/99 Fev/00 Ago/00 Fev/01

Ms

Figura 5 Nmero de atendimentos de clientes tipo garantia e sua tendncia.

58

Werner & Ribeiro Previso de Demanda: Uma Aplicao dos Modelos Box-Jenkins...

1,0

(a)
Autocorrelaes parciais

1,0

(b)

Autocorrelaes

0,5

0,5

0,0

0,0

0,5

0,5

1,0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

1,0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Nmero de defasagens k

Nmero de defasagens k

Figura 6 a) Funo de autocorrelao e b) funo de autocorrelao parcial para o nmero de atendimentos de clientes tipo garantia.

3.2.2 Etapa de estimativa Uma vez indicados os valores de p, d e q, passa-se para a estimativa dos parmetros do 2 modelo proposto e da varincia do resduo . Para estimar os parmetros do modelo foi utilizado o pacote estatstico SPSS (verso 8.0), optando-se pelo mtodo de forecasting de mnimos quadrados incondicional. Conforme ser visto na prxima seo, o modelo ARIMA(3,1,0) indicado anteriormente no o mais adequado. O modelo que melhor representa a srie do nmero de atendimentos de clientes tipo garantia o modelo ARIMA (2,1,0). As estimativas dos coeficientes para esse modelo foram: 1 = 0,7865; 2 = 0,3795. Reescrevendo o modelo dado pela equao 2.16 (sem o termo constante), com p = 2, d = 1 e q = 0, e substituindo os valores dos coeficientes, tem-se:

3.2.3 Etapa de verificao Avaliao por meio da anlise de resduos Se o modelo estiver adequadamente especificado, os resduos do modelo estimado sero estimativas de rudo branco e, assim, os coeficientes de autocorrelao dos resduos devem ser estatisticamente iguais a zero. A Figura 7 revela que os resduos efetivamente apresentam comportamento aleatrio (rudo branco), logo, o modelo adequado no que se refere anlise dos resduos. Essa concluso reforada aps a utilizao do teste de Ljung-Box Q*, que no rejeita, para qualquer defasagem k, a hiptese de erros no correlacionados. Assim, podemos considerar que os resduos se comportam como rudo branco. Avaliao da ordem do modelo A Tabela 3 apresenta uma comparao do modelo proposto ARIMA(3,1,0) com outros trs modelos para o nmero de atendimentos dos clientes tipo garantia. A anlise do modelo ARIMA(3,1,0) revela que o coeficiente 3 no significativo (p-value igual a 0,358). Como o

(1 1L 2L2 )(1 L)Zt = t

Z t = 0,2135Z t 1 + 0,407Z t 2 + + 0,3795Z t 3 + t

(3.4)

GESTO & PRODUO, v.10, n.1, p.47-67, abr. 2003

59

terceiro componente no significativo, verificouse o modelo ARIMA(2,1,0). Esse modelo, por sua vez, apresentou o menor desvio-padro residual, assim como os menores valores dos critrios

AIC e SBC, quando comparado a modelos menos parcimoniosos que constam na tabela. Essas comparaes levaram escolha do modelo ARIMA(2,1,0) apresentado na equao 3.4.

1,0

0,5

Autocorrelaes

0,0

0,5

1,0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Nmero de defasagens k

Figura 7 Funo de autocorrelao para os resduos do modelo ARIMA(2,1,0).

Tabela 3 Critrios de comparao para verificao do melhor modelo.

Modelo p-value dos coeficientes 1 : 0,000 2: 0,092 3: 0,358 1: 0,000 2: 0,003 1: 0,063 1: 0,068 1: 0,000 2: 0,004 1: 0,405 Critrio AIC Critrio SBC 673,38 (T = 59) 672,28 (T = 59) 676,28 (T = 59) 673,57 (T = 59) 679,61 (T = 59) 676,43 (T = 59) 680,43 (T = 59) 679,80 (T = 59) Desvio-padro residual 70,54 Varincia residual 4.976,19

ARIMA(3,1,0)

ARIMA(2,1,0) ARIMA(1,1,1)

70,50 73,03

4.969,91 5.333,84

ARIMA(2,1,1)

70,66

4.993,00

Fonte: Anlise no pacote SPSS, verso 8.0.

60

Werner & Ribeiro Previso de Demanda: Uma Aplicao dos Modelos Box-Jenkins...

3.2.4 Etapa de previso Para o modelo ARIMA(2,1,0) estimado, o valor (t + h) dado por:

Z t +h = 0,2135Z t +h 1 + 0,407Z t +h 2 + + 0,3795Z t +h 3 + t +h

(3.5) Assim, o previsor h passos a frente para o estudo do nmero de atendimentos de clientes tipo contrato, dado pelo seguinte conjunto de equaes:

A Tabela 4 apresenta as previses para a demanda do nmero de atendimentos de clientes tipo garantia, de agosto de 2001 a fevereiro de 2002, com base no perodo de julho de 2001, que corresponde a t = 60. O grfico com as previses e o intervalo de 95% de confiana para as previses encontra-se na Figura 8. 3.3 Metodologia Box-Jenkins para clientes tipo avulsos 3.3.1 Etapa de identificao A anlise da Figura 9 auxilia a identificar os possveis modelos a serem utilizados. Essa figura revela a presena de tendncia crescente, o que indica que a srie no estacionria. Alm disso, a srie apresenta valor mdio a ser considerado no modelo a ser proposto (constante). A seguir, realizada a anlise das funes de autocorrelaes (ACF) e autocorrelaes parciais (PACF), que auxiliam na verificao da estacionariedade e na proposio de um modelo.

Z t (1) = 0,2135Z t + 0,407Z t 1 + 0,3795Z t 2 Z ( 2) = 0,2135 Z + 0,407 Z + 0,3795 Z =

t

Z t ( 3) = 0,2135 Z t + 2 + 0,407Z t +1 + 0,3795 Z t = = 0,2135Z (2) + 0,407Z (1) + 0,3795Z

t t

= 0,2135Z t (1) + 0,407Z t + 0,3795Z t 1

t +1

t 1

Z t (h ) = 0,2135Z t (h 1) + 0,407Z t (h 2) + (3.6) + 0,3795 Z ( h 3) h 4

t

Tabela 4 Previses da demanda do nmero de atendimentos de clientes tipo garantia.

Ms Agosto/2001 t 61 h 1

Z t (h )
Z 60 (1) = 0,2135 * 344 + 0,407 * 215 + 0,3795 * 252 257 Z (2) = 0,2135 * Z (1) + 0,407 * Z + 0,3795* Z
60 60 60 59

Z 60 (1) = 0 ,2135 * Z 60 + 0 , 407 * Z 59 + 0 , 3795 * Z 58

Setembro/2001

62

Outubro/2001

63

Novembro/2001

64

Z 60(3) = 0,2135 * 276,38 + 0,407 * 256,58 + 0,3795 * 344 294 Z ( 4 ) = 0 , 2135 * Z ( 3 ) + 0 , 407 * Z ( 2 ) + 0 , 3795 * Z (1 )
Z t ( 4 ) = 0 ,2135 * 293 ,98 + 0 ,407 * 276 ,38 + 0 ,3795 * 256 ,58 273 Z 60 ( 5 ) = 0 ,2135 * Z 60 ( 4 ) + 0 , 407 * Z 60 ( 3) + 0 , 3795 * Z 60 ( 2 ) Z (5) = 0,2135* 272,62+ 0,407* 29398+ 0,3795* 276,38 283 ,
60
t t t t

Z 60(2) = 0,2135* 256,58 + 0,407 * 344 + 0,3795* 215 277 Z ( 3) = 0,2135 * Z ( 2) + 0,407 * Z (1) + 0,3795 Z
60 60 60 60

Dezembro/2001

65

Janeiro/2002

66

Z 60 ( 6) = 0,2135 * 282,74 + 0,407 * 272,62 + 0,3795 * 293,98 283

Z 60 ( 6 ) = 0 ,2135 * Z t ( 5) + 0 ,407 * Z t ( 4 ) + 0 , 3795 * Z t ( 3)

Fevereiro/2002

67

Z 60(7) = 0,2135 * 282,89 + 0,407 * 282,74 + 0,3795* 272,62 279

Z 60 ( 7 ) = 0 , 2135 * Z t ( 6 ) + 0 , 407 * Z t ( 5 ) + 0 , 3795 * Z t ( 4 )

GESTO & PRODUO, v.10, n.1, p.47-67, abr. 2003

61

600

Nmero de atendimentos

500 400 300 200 100 0 100 200 Ago/96 Fev/97 Ago/97 Fev/98 Ago/98 Fev/99 Ago/99 Fev/00 Ago/00 Fev/01 Ago/01 Fev/02

Ms Valor observado Previso Limite inferior a 95% Limite superior a 95%

Figura 8 Previses da demanda do nmero de atendimentos de clientes tipo garantia.

A Figura 10a, contendo a ACF do nmero de atendimentos de clientes tipo avulsos, revela que as autocorrelaes apresentam decaimento exponencial, tpico do processo auto-regressivo. A Figura 10b contm a PACF, a qual apresenta apenas a autocorrelao parcial de ordem um significativa. Assim, h indicao de que a ordem do modelo auto-regressivo um, reforando a indicao de um modelo auto-regressivo, no caso, um modelo AR(1). preciso verificar a estacionariedade da srie, realizada por meio do teste Dickey-Fuller, utilizando o pacote economtrico EViews (verso 3.0). A hiptese de no-estacionariedade no foi rejeitada em nvel de 5% de significncia. Isso indica que, em virtude da evidncia de no-estacionariedade da srie, necessrio utilizar a diferena. Utilizando a primeira diferena e reaplicando o teste DickeyFuller verifica-se que a srie estacionria em nvel de 5%. Assim, tem-se a indicao de que a ordem de integrao deva ser um, isto , d = 1. Com base nas anlises das ACF, PACF e dos testes para verificar a estacionariedade da srie, o modelo indicado m ARIMA(1,1,0). 3.3.2 Etapa de estimativa Para estimar os parmetros do modelo foi utilizado o pacote estatstico SPSS (verso 8.0).

Alm dos parmetros do modelo, foi estimada 2 a varincia dos resduos . O modelo ARIMA(1,1,0) indicado no foi o mais adequado, como ser visto na prxima seo. O modelo que melhor representa a srie do nmero de atendimentos para clientes tipo avulsos o modelo SARIMA (0,1,0) (0,1,1)12, pois a influncia da sazonalidade teve de ser considerada. A estimativa do coeficiente de mdia mvel sazonal obtida para esse modelo foi: 1 = 0,6606. Reescrevendo o modelo dado pela equao 2.17, com D = 1 e Q = 1, e substituindo o valor do coeficiente, tem-se:

(1 L )1(1 L12 )1 Z t = (1 1L12 )t

Zt = Zt 1 + Zt 12 Zt 13 + + t 0,6606t 12
3.3.3 Etapa de verificao Avaliao por meio da anlise de resduos O modelo proposto pela anlise da ACF, PACF e estacionariedade foi o ARIMA(1,1,0); contudo, como pode ser verificado na Figura 11, os resduos no se comportam como rudo branco, pois a PACF revela a defasagem 13 significativa, o que indica a presena de sazonalidade, j referida na Figura 10a. (3.7)

62

Werner & Ribeiro Previso de Demanda: Uma Aplicao dos Modelos Box-Jenkins...

450 400

Nmero de atendimentos

350 300 250 200 150 100 50 0 Ago/96 Fev/97 Ago/97 Fev/98 Ago/98 Fev/99 Ago/99 Fev/00 Ago/00 Fev/01

Ms

Figura 9 Nmero de atendimentos de clientes tipo avulsos e sua tendncia.

1,0

1,0

(a)
Autocorrelaes parciais

(b)

Autocorrelaes

0,5

0,5

0,0

0,0

0,5

0,5

1,0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

1,0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Nmero de defasagens k

Nmero de defasagens k

Figura 10 a) Funo de autocorrelao e b) funo de autocorrelao parcial para o nmero de atendimentos de clientes tipo avulsos.
1,0 1,0

(a)
Autocorrelaes parciais

(b)

Autocorrelaes

0,5

0,5

0,0

0,0

0,5

0,5

1,0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

1,0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Nmero de defasagens k

Nmero de defasagens k

Figura 11 a) Funo de autocorrelao e b) funo de autocorrelao parcial para os resduos do modelo ARIMA(1,1,0).

GESTO & PRODUO, v.10, n.1, p.47-67, abr. 2003

63

Avaliao da ordem do modelo Uma vez que os resduos do modelo proposto indicaram a presena de sazonalidade, foram analisadas as ACF e PACF da primeira diferena em busca de outro modelo. A Figura 12 apresenta as ACF e PACF da primeira diferena, que indicam um modelo auto-regressivo sazonal. A indicao de termos auto-regressivos sazonais vem da significncia das autocorrelaes parciais de defasagens 1 e 13. Assim, foi proposto um modelo SARIMA(0,1,0)(1,0,0)12. Contudo, esse modelo apresentou coeficiente no-significativo para o termo auto-regressivo sazonal. Visando remover a influncia do componente de sazonalidade, utilizou-se tambm a diferena sazonal de tamanho s = 12. Ento, foi verificado o comportamento do modelo SARIMA(0,1,0) (1,1,0)12, que tambm apresentou coeficiente nosignificativo, parecendo no ser o modelo mais adequado para este estudo. A Tabela 5 apresenta alguns dos modelos analisados e os critrios que levaram escolha do modelo SARIMA(0,1,0)(0,1,1)12. Dentre os modelos sazonais abordados, todos apresentam coeficientes no-significativos. Os demais modelos no relacionados aqui ou apresentavam coeficiente no-significativo ou tinham desvio-padro residual maior que o modelo SARIMA(0,1,0)(0,1,1)12 escolhido. As autocorrelaes residuais do modelo SARIMA

(0,1,0)(0,1,1)12 so estatisticamente no-significativas. Isso pode ser afirmado com base na concluso obtida pelo teste de Ljung-Box, que no rejeita, para qualquer defasagem k, a hiptese de erros no correlacionados. Assim, pode-se considerar, com base no teste Ljung-Box, que os resduos comportam-se como rudo branco, sendo este modelo adequado para realizar previses. 3.3.4 Etapa de previso Para o modelo SARIMA(0,1,0)(0,1,1)12 estimado, o valor (t + h) dado por:

Z t + h = Z t +h 1 + Z t + h 12 Z t +h 13 + t + h

0,6606.t +h 12

(3.8)

Assim, o previsor h passos a frente para o estudo do nmero de atendimentos de clientes tipo contrato dado pela equao 3.9. O valor de t+h, que ainda no ocorreu, estimado por sua mdia, ou seja, o valor zero:

Z t (1) = Z t + h 1 + Z t + h 12 Z t + h 13 0,6606.t +h 12 Z t (h ) = Z t (h 1) + Z t + h 12 Z t + h 13 0,6606. t + h 12

sendo: 2 h 12. (3.10) (3.9)

1,0

(a)

1,0

(b)

Autocorrelaes parciais
Transformao: primeira diferena 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Autocorrelaes

0,5

0,5

0,0

0,0

0,5

0,5

1,0

1,0 Transformao: primeira diferena 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Nmero de defasagens k

Nmero de defasagens k

Figura 12 a) Funo de autocorrelao e b) funo de autocorrelao parcial para a primeira diferena da srie do nmero de atendimentos de clientes tipo avulsos.

64

Werner & Ribeiro Previso de Demanda: Uma Aplicao dos Modelos Box-Jenkins...

Tabela 5 Critrios de comparao para verificar o melhor modelo.

Modelo ARIMA(1,1,0) SARIMA(0,1,0)(1,0,0)12 SARIMA(0,1,0)(1,1,0)12 SARIMA(1,1,0)(1,1,0)12 SARIMA(0,1,0)(0,0,1)12 SARIMA(0,1,0)(0,1,1)12 SARIMA(1,1,0)(1,0,0)12 p-value dos coeficientes 1: 0,110 1: 0,100 1: 0,075 1: 0,495 1: 0,053 1: 0,167 1: 0,056 1: 0,034 1: 0,487 Critrio AIC 636,61 (T = 59) 639,90 (T = 59) 525,29 (T = 47) 526,83 (T = 47) 640,30 (T = 59) 523,12 (T = 47) 673,57 (T = 59) Critrio SBC 638,68 (T = 59) 641,99 (T = 59) 527,14 (T = 47) 530,53 (T = 47) 642,38 (T = 59) 524,97 (T = 47) 679,80 (T = 59) Desvio-padro residual 52,81 53,92 63,08 63,84 54,19 58,03 52,96 Varincia residual 2.788,45 2.907,67 3.975,11 3.999,18 2.936,96 3.367,17 2.805,36

Fonte: Anlise no pacote SPSS, verso 8.0.

A Tabela 6 apresenta as previses para a demanda do nmero de atendimentos de clientes tipo avulsos, de agosto de 2001 a fevereiro de 2002. Essas previses foram obtidas aplicandose as equaes 3.9 e 3.10 e tendo por base o perodo de julho de 2001, que corresponde a t = 60. O grfico com as previses e o intervalo de 95% de confiana para as previses encontra-se na Figura 13. 3.4 Previso da demanda futura da empresa A previso de demanda total da empresa, apresentada na Tabela 7, a soma da previso da demanda individual dos trs tipos de clientes. As previses apresentadas referem-se ao perodo de agosto de 2001 a fevereiro de 2002. importante observar que a previso da demanda neste estudo de caso deve ser feita individualmente para cada segmento. A modelagem individual essencial, na medida em que os dife-

rentes segmentos apresentam suas especificidades referentes tendncia, sazonalidade e ordem dos modelos. Vale mencionar que sries simples (contendo apenas tendncia, por exemplo) podem ser modeladas com um nmero relativamente pequeno de observaes, mas sries complexas (contendo termos de sazonalidade com mltiplos perodos, por exemplo) podem exigir 80 ou mais observaes para obter boa modelagem. No caso em estudo, foram utilizadas 60 observaes, pois representam a totalidade dos dados disponibilizados pela empresa. Tambm vale mencionar que, na fase de verificao da metodologia Box-Jenkins, comum reservar uma parte final dos dados disponveis para verificar o desempenho do modelo, comparando as previses com os valores observados. Neste estudo, isso no foi feito por duas razes: a amostra disponvel (60 observaes) era relativamente pequena e, por motivos estratgicos, a empresa no autorizou a divulgao de dados mais atuais.

GESTO & PRODUO, v.10, n.1, p.47-67, abr. 2003

65

Tabela 6 Previses da demanda do nmero de atendimentos de clientes tipo avulsos.

Ms Agosto/2001 T 61 h 1

Z t (h)
Z 60 (1) = 184 + 240 236 + 0 ,6606 * 11 ,12 181 Z 60 (2) = Z 60 (2 1) + Z 60 + 212 Z 60 + 213 0,6606 . 60 + 212

Z 60 (1) = Z 60 +11 + Z 60 +112 Z 60 +113 0,6606 . 60 +112

Setembro/2001

62

Z 60 (2) = 180,65 + 234 240 0,6606 * 12,94 166

60

Outubro/2001

63

Z 60 ( 3) = Z 60 ( 3 1) + Z 60 + 312 + Z 60 + 3 13 0 ,6606 . 60 + 312 Z ( 3) = 166 ,10 + 389 234 0 ,6606 * 175 ,87 205

Novembro/2001

64

Z t ( 4 ) = 204 ,92 + 321 389 0 ,6606 * ( 77 , 40 ) 188

Z 60 ( 4 ) = Z 60 ( 4 1) + Z 60 + 4 12 + Z 60 + 4 13 0,6606 . 60 + 4 12

Dezembro/2001

65

Z 60 (5) = Z 60 (5 1) + Z 60 + 512 + Z 60 + 513 0,6606. 60 + 512 Z ( 5) = 188 + 300 321 0,6606 * 15,87 157
60

Janeiro/2002

66

Z 60 (6) = Z 60 ( 6 1) + Z 60 + 612 + Z 60 + 6 13 0,6606 . 60 + 6 12 Z (6) = 156,52 + 411 300 0,6606 * 94,42 206
60

Fevereiro/2002

67

Z 60 (7) = 205,15 + 326 411 0,6606 * ( 82,72) 175

Z 60(7) = Z 60(7 1) + Z 60+712 + Z 60+713 0,6606.60+712

600 500

Nmero de atendimentos

400 300 200 100 0 100 200 Ago/96 Fev/97 Ago/97 Fev/98 Ago/98 Fev/99 Ago/99 Fev/00 Ago/00 Fev/01 Ago/01 Fev/02

Ms Valor observado Previso Limite inferior a 95% Limite superior a 95%

Figura 13 Previses da demanda do nmero de atendimentos de clientes tipo avulsos.

66

Werner & Ribeiro Previso de Demanda: Uma Aplicao dos Modelos Box-Jenkins...

Tabela 7 Previso da demanda total da empresa e por tipo de cliente.

Previso de demanda Contrato 64 77 85 89 92 94 95 Garantia 257 277 294 273 283 283 279 Avulsos 181 166 205 188 157 206 175 Total 502 520 584 550 532 583 549

Ms Agosto/2001 Setembro/2001 Outubro/2001 Novembro/2001 Dezembro/2001 Janeiro/2002 Fevereiro/2002

4. Concluses
Realizar previso de demanda uma atividade importante, pois pode revelar as tendncias de mercado e contribuir no planejamento estratgico da empresa. As previses de demanda tambm auxiliam na soluo de problemas mais imediatos, como a definio do nmero de tcnicos necessrios para atender o cliente final. Visando alcanar esses objetivos, este trabalho utilizou a metodologia de Box-Jenkins e discutiu sua aplicao por meio de um estudo de caso dirigido ao setor de assistncia tcnica em computadores pessoais. No estudo de caso desenvolvido, a demanda da empresa foi segmentada pelo tipo de clientes: contrato, garantia e avulsos. Verificou-se que cada um desses segmentos apresenta caractersticas prprias. Como cada cliente tem suas peculiaridades, o comportamento de cada um distinto no que se refere tendncia e sazonalidade, exigindo um modelo diferente em sua representao. A aplicao da metodologia de Box-Jenkins requer do pesquisador ateno e prtica para escolher o modelo que melhor define o comportamento temporal dos dados. Com a aplicao dessa metodologia, apoiada em testes estatsticos para subsidiar a modelagem, foi possvel definir modelos apropriados para os trs segmentos de clientes. Para modelar o nmero de atendimento de clientes tipo contrato foi utilizado modelo auto-

regressivo de primeira ordem, AR(1), um modelo simples e amplamente estudado na literatura. Para modelar o nmero de atendimento de clientes tipo garantia foi necessrio um modelo com mais parmetros, contando com termos diferenciais e auto-regressivo de segunda ordem, ARIMA(2,1,0). Por fim, o nmero de atendimento de clientes tipo avulsos revelou um comportamento mais complexo, com sazonalidade mensal. Nesse caso, foi necessrio utilizar um modelo contendo termos diferenciais e sazonais, SARIMA(0,1,0)(0,1,1)12. A modelagem utilizada captou as diferenas existentes entre os segmentos de clientes. Essas diferenas podem ser justificadas tecnicamente. Para os clientes tipo contrato a influncia temporal reduzida, pois a demanda e a concorrncia parecem crescer na mesma taxa. O resultado que o nmero de contratos da empresa varia pouco ao longo do ano. J os clientes tipo garantia revelam maior dependncia temporal, pois as alteraes no mercado e os acordos de assistncia tcnica se refletem gradativamente nos negcios da empresa, ou seja, as mudanas demoram algum tempo para surtirem efeito em campo. Os clientes tipo avulsos, por sua vez, apresentam sazonalidade anual em funo dos hbitos de aquisio (presentes de natal e retorno s aulas, por exemplo), os quais esto intimamente relacionados aos perodos do ano. Por fim, vale mencionar que o trabalho realizado foi de grande utilidade para a empresa, principalmente por dois motivos: a modelagem

GESTO & PRODUO, v.10, n.1, p.47-67, abr. 2003

67

permitiu maior entendimento do comportamento dos diversos clientes; e os resultados foram imediatamente assimilados pela empresa,

constituindo fonte adicional de informao no suporte s decises referentes a investimentos e dimensionamento da equipe tcnica.

Referncias Bibliogrficas
ABDEL-AAL, R. E.; AL-GARNI, Z. Forecasting monthly electric energy consumption in eastern Saudi Arabia using univariate time-series analysis. Energy, v. 22, n. 11, p. 1059-1069, nov. 1997. ABRAHAM, B.; LEDOLTER, J. Statistical methods for forecasting. New York: John Wiley & Sons, 1983. BOX, G. E. P.; JENKINS, G. M. Time series analysis forecasting and control. San Francisco: HoldenDay, 1976. Edio revisada. ENDERS, W. Applied econometric time series. New York: John Wiley & Sons, 1995. FAVA, V. L. Manual de econometria. In: VASCONCELOS, M. A. S.; ALVES, D. So Paulo: Editora Atlas, 2000. HAMILTON, J. D. Time series analysis. New Jersey: Princeton University Press, 1994. LIM, C.; McALEER, M. Time series forecasts of international travel demand for australia. Tourism Management. (Artigo aceito em julho de 2001, aguarda impresso.) MAKRIDAKIS, S.; WHEELWRIGHT, S.; HYNDMAN, R. J. Forecasting methods and applications. 3. ed. New York: John Wiley & Sons, 1998. MORRETIN, P. A.; TOLOI, C. M. C. Previso de sries temporais. 2. ed. So Paulo: Atual Editora, 1987. NELSON, C. R. Applied time series analysis for managerial forecasting. San Francisco: HoldenDay, 1973. PELLEGRINI, F. R.; FOGLIATTO, F. Estudo comparativo entre modelos de Winters e de BoxJenkins para a previso de demanda sazonal. Revista Produto & Produo, v. 4, nmero especial, p. 72-85, abr. 2000. SLINI, L.; KARATZAS, K.; MOUSSIOPOULOS, N. Statistical analysis of environmental data as the basis of forecasting: an air quality application. The Science of the Total Environment, v. 288, p. 227-237, 2001.

DEMAND FORECASTING: AN APPLICATION OF THE BOX-JENKINS MODELS IN THE TECHNICAL ASSISTANCE OF PERSONAL COMPUTER
Abstract Demand forecasting is an important tool to aid on the determination of necessary resources of a given company. In this paper, the Box-Jenkins methodology was applied to analyze historical data of a personal computer repair company and provide a forecast for the number of service calls. The company studied presents three segments of clients: contracts, warranty, and on-call. As each client has it own characteristics, in order to better represent tendency and seasonality behavior through the Box-Jenkins models, a specific forecasting model was developed for each segment. The choice of the optimum models were based into graphic analysis and statistical tests, which lead to the decision of adopting the AR(1) model to foresee the number of contract clients, the ARIMA(2,1,0) model for warranty clients and the SARIMA(0,1,0)(0,1,1)12 seasonal model for on-call clients. Key words: forecasting, Box-Jenkins models, ARIMA models, time series, technical assistance.