Previsão e Gestão de Demanda em Produção e Operações

Devido, principalmente, à inércia decisória, o gestor da operação precisa ter a visão mais clara possível do futuro para tomar uma boa decisão. A decisão tomada hoje deve ser adequada não ao presente, mas ao momento futuro em que ela de fato terá efeito. Essa visão de futuro necessária vem das previsões; ou seja, as previsões são essenciais para suportar o processo decisório em operações.

Erros Comuns em Previsões

1º Erro: Confundir previsões com metas. Um erro subsequente é considerar as metas como se fossem previsões.

• Previsões: São estimativas de como se comportará o mercado demandante no futuro; são especulações sobre o potencial de compra do mercado.
• Metas: Referem-se à parcela desse potencial de compra do mercado que a empresa deseja atender.

2º Erro: Gastar tempo e esforço discutindo se acerta ou se erra nas previsões. O mais relevante é discutir o quanto se está errando e como alterar os processos envolvidos para reduzir estes erros.

3º Erro: Levar em conta, nas previsões que apoiarão decisões em operações, um número só. Previsões para operações devem sempre ser consideradas com dois números: a previsão em si e uma estimativa do erro desta previsão.

4º Erro: Desistir ou não se esforçar o suficiente para melhorar os processos de previsão por não se conseguir acertá-las. Em operações, não é necessário ter previsões perfeitas, mas sim previsões consistentemente melhores que as da concorrência.

Diferentes decisões têm inércias diferentes, ou seja, requerem diferentes períodos de tempo para tomarem efeito.

Demanda Agregada x Demanda Desagregada

• Decisões de inércia pequena envolvem níveis mais moderados de recursos. O efeito de uma decisão equivocada não é tão relevante (Ex: decisão de usar horas extras).
• Decisões de inércia maior envolvem níveis mais elevados de recursos. Os efeitos de uma decisão errada terão maior relevância (Ex: escolha e compra de terreno, projeto industrial, construção e aquisição de equipamentos).

A probabilidade de erro nas previsões cresce com o horizonte.

Em previsões desagregadas (individuais), algumas previsões são superdimensionadas e outras subdimensionadas. Os erros de um tipo tendem, até certo ponto, a compensar os do outro tipo, o que resulta numa previsão agregada muito mais precisa, percentualmente, que a previsão desagregada do mesmo fenômeno.

• As decisões de inércia pequena deverão ser baseadas em previsões desagregadas.
• As decisões de inércia maior deverão ser baseadas em previsões agregadas.

Métodos de Tratamento de Informações

Para tratar as informações disponíveis podem ser usadas as abordagens qualitativas (baseadas em fatores subjetivos ou de julgamento) e as abordagens quantitativas (baseadas em séries históricas projetadas para o futuro segundo algum método).

• Os modelos qualitativos encaixam-se melhor para previsões de produtos novos ou lançamentos, para os quais não há históricos longos.
• Os modelos quantitativos necessitam de longos históricos para identificar os padrões de comportamento que serão projetados para o futuro, sendo mais úteis para prever a demanda de produtos mais maduros.

Métodos Qualitativos

Incorporam mais fatores de julgamento e intuição, em geral mais subjetivos, nas análises dos dados disponíveis. Opiniões de especialistas, experiências e julgamentos individuais são especialmente úteis quando:

• Se espera que esses fatores mais subjetivos possam ter mais capacidade de explicar o futuro.
• Dados quantitativos precisos e completos são muito caros ou difíceis de serem obtidos.

1) Método Delphi

Permite que especialistas, às vezes localizados distantes uns dos outros, incorporem o consenso de suas opiniões subjetivas ao processo de previsão. O processo Delphi visa evitar que uma ou poucas opiniões do grupo consultado predominem por fatores exógenos ao objetivo de gerar boas previsões (como a extroversão ou o escalão hierárquico de um participante).

2) Júri de Executivos

Tenta-se capturar a opinião de pequenos grupos, em geral de executivos, sobre alguma variável que se pretenda prever.

3) Força de Vendas

Cada vendedor ou representante emite sua estimativa localizada e desagregada. O composto agregado de todas as estimativas desagregadas é tomado como a estimativa global. Requer cuidados para evitar manipulação, como a subestimação das estimativas pela força de vendas para facilitar o atingimento das metas.

4) Pesquisa de Mercado

Solicita diretamente dos possíveis clientes ou consumidores sua intenção de compra futura (Ex: "Quantas horas de internet você pretende utilizar nos três próximos meses?").

5) Analogia Histórica

Procura identificar produtos similares dos quais se possuem dados para, por analogia, melhor estimar, por exemplo, um produto novo.

Métodos Quantitativos

São os métodos de previsão baseados em séries de dados históricos nas quais se procura, através de análises, a identificação de padrões de comportamento para que estes sejam projetados no futuro. Uma série de dados histórica é uma sequência de dados sobre determinada variável eqüiespaçada no tempo (dados de vendas diárias, semanais, quinzenais, mensais).

Uma série temporal de dados em geral tem três principais componentes:

• Tendência: É a orientação geral, para cima ou para baixo, dos dados históricos, ou seja, é uma orientação de crescimento ou decrescimento, ao longo do tempo, do valor da variável analisada. A ausência de tendência é também chamada permanência.
• Ciclicidade: São padrões de variação dos dados de uma série que se repetem a cada determinado intervalo de tempo. Quando a ciclicidade tem período anual, denomina-se sazonalidade.

1) Médias Móveis

Os modelos assumem que a melhor estimativa do futuro é dada pela média dos n últimos períodos. Podem-se usar médias móveis de três (MM3), de quatro (MM4) ou mais períodos. Também pode-se atribuir pesos de ponderação maiores para períodos mais recentes, a fim de aumentar a influência dos meses mais recentes na geração das previsões.

2) Suavizamento Exponencial

É um caso particular de médias ponderadas de dados do passado, com peso de ponderação caindo exponencialmente quanto mais antigos forem os dados.

Nova previsão = [(demanda real do último período) x ($\alpha$)] + [(última previsão) x (1 - $\alpha$)]

Erros de Previsão

É sempre importante acompanhar dois tipos de erros de previsão: o chamado viés dos erros (quando os erros ocorrem sistematicamente — tendenciosamente para um lado só; ou quando as previsões são sistematicamente superdimensionadas; ou quando são sistematicamente subdimensionadas) e a amplitude (o tamanho) dos erros.

1) Acompanhamento de possíveis erros do tipo viés

Usa-se o chamado sinal de rastreabilidade (tracking signal ou TS).

• O sinal de rastreabilidade (TS) é calculado dividindo-se o erro aritmético acumulado (EArA) pelo erro médio absoluto (EMA).
• Essa variável deve encontrar-se entre os valores -4 e +4.

2) Acompanhamento da amplitude dos erros

As formas mais populares de acompanhar a amplitude dos erros são: o erro médio e o erro médio quadrático.

• Os desvios absolutos são as diferenças entre previsão e vendas reais, mas em módulo (desconsiderando o sinal).
• Os desvios quadráticos são os valores de desvios absolutos elevados ao quadrado.

3) Calibração de Modelos de Previsão: Definição de Parâmetros

A calibração (ajustamento) dos modelos de previsão é baseada em parâmetros:

• No método de médias móveis, o parâmetro é o (n) - número de períodos passados.
• No método de médias móveis ponderadas, o parâmetro é o ($\alpha$) - peso de ponderação (usando $\alpha$ para representar o peso, embora o texto original use 'x' de forma ambígua).
• No método de suavizamento exponencial, o parâmetro é o ($\alpha$) - constante de suavizamento, que dá a influência percentual da demanda real do último período na previsão do próximo período.

A forma de escolher o melhor valor para o parâmetro é testar diferentes valores para ele e verificar qual seria o menor valor do desvio médio absoluto ou do desvio médio quadrático no passado.

Ferramentas Tecnológicas para Previsões

Um software de previsões é uma ferramenta que gera previsões apoiadas em históricos de dados a partir de um modelo selecionado pelo usuário ou escolhido pelo próprio software, com base nas características dos dados, visando resultar no menor erro.

Um sistema de previsão automatiza o processo de previsão e inclui um sistema para:

• Adquirir dados e informações de várias fontes.
• Tratar esses dados, ajustando níveis de agregação, níveis de desagregação, etc.
• Procurar possíveis problemas de inconsistência/incorreção dos dados, identificando os chamados outliers (dados que claramente encontram-se fora dos padrões esperados).