YARGI YOLU İLE GÖREVLİ VE YETKİLİ MAHKEME

iniões, intuições e experiências das pessoas e ao contexto nos quais elas estão inseridas.

édio e longo prazo, com

aplicabilidade e as fontes onde estas técnicas podem ser encontradas com mais detalhes.

a situação a ser prevista e para resumir os erros em cada horizonte de previsão. Considerando os limites do intervalo de predição (sua amplitude) e a probabilidade associada a este intervalo, é possível avaliar a precis

Embora existam muitos fatores internos e externos ao ambiente da empresa que podem levar a erros de predição, cabe ressaltar que, para que se consolide uma estruturação eficaz para a previsão, é preciso identificar e mensurar os fatores pertinentes à situação que podem impactar a previsão, de forma a reduzir os erros de predição. Isto requer um rigoroso olhar, não só sobre o ambiente no qual a empresa opera, mas sobre outras áreas de atuação ou outras organizações onde mudanças significativas podem estar ocorrendo (como por exemplo, inovações tecnológicas e de administração, mudanças políticas, sociais e de comportamento), o que contribuiria para diferen

Os métodos para gerar previsões são classificados como qualitativos ou quantitativos, dependendo do grau de aplicabilidade de métodos matemáticos e estatísticos usados na previsão (MONTGOMERY; JOHNSON, 1976). Nos métodos qualitativos (ou de julgamento), a ênfase está na interpretação subjetiva dos especialistas envolvidos no processo de previsão, utilizando-se do julgamento e do conhecimento adquirido para, mediante um raciocínio estruturado, realizar previsões. Desta forma, a análise dos dados para se realizar a previsão tende a ser sensível às op

Por envolver julgamento e conhecimento de vários especialistas, são muitas vezes de alto custo para a empresa e, portanto, sua aplicabilidade dá-se, principalmente, em situações em que não se dispõe de dados objetivos suficientes para análise, ou quando estes dados estão desatualizados ou não refletem a situação atual. É o caso, por exemplo, da introdução de novos produtos no mercado ou de mudança de cenário para as variáveis envolvidas no processo que, não garante a continuidade dos padrões observados no passado para a previsão futura. Na sua maior parte, métodos qualitativos são usados em previsões de m

o pode ser observado na caracterização das técnicas a seguir.

As previsões baseadas em métodos qualitativos podem ocorrer de várias formas dependendo da técnica empregada na análise de dados. Algumas das principais técnicas qualitativas estão sumarizadas no Quadro 3.3 com suas características,

Quadro 3.3 Caracterização de algumas das principais técnicas qualitativas aplicadas em previsão.

Métodos Qualitativos

Caracterização Desenvolvimento Aplicabilidade Fonte

Pesquisa de Mercado

A previsão baseia-se na análise das conjecturas formuladas sobre o mercado a partir de um instrumento de pesquisa (questionário) a ser aplicado a um grupo de pessoas (amostra) representativas do mercado (população-alvo) a ser estudado. Análise subjetiva ou ferramentas estatísticas podem ser utilizadas para produzir descrições quantitativas sobre o mercado ou o evento analisado.

Elaboração do questionário estruturado para coleta de dados, com o objetivo de identificar opiniões, situações ou eventos presentes no mercado.

Planejamento das ações futuras para evitar erros de amostragem, medida e inferência. Deve-se avaliar a qualidade do instrumento de pesquisa e sua ligação com os objetivos traçados.

Aplicação do questionário pode ser feita por meio de entrevistas, por fax, e-mail, etc. Análise dos dados para previsão e tomada de decisão.

Em previsões de longo prazo onde não existem dados históricos para análise (como por exemplo, na introdução de novos produtos) ou se o interesse é identificar opiniões, oportunidades ou eventos presentes no mercado. Kress; Snyder (1994), Smith (1994), Sipper; Bulfin (1998), Buffa; Sarin (1987). Análise de Cenários

A previsão é obtida a partir da elaboração de cenários – representação de uma situação futura - onde são identificadas as variáveis que podem impactar a previsão, a extensão ou o peso deste impacto na situação. São simuladas as situações que podem ocorrer em cima de cada cenário e planos de ação são elaborados.

Geralmente três cenários são desenvolvidos: (1) o cenário base – onde são esperadas pequenas mudanças para as variáveis envolvidas e pressupõe a continuidade das tendências; (2) cenário alternativo “otimista” – onde são esperadas mudanças nas variáveis de forma a melhorar a situação futura a ser analisada (inovação, aumento da fatia de mercado, diminuição de juros, etc.); (3) cenário alternativo “pessimista” – onde são esperadas mudanças nas variáveis de forma a piorar a situação futura (aumento da competição, mudanças na economia, etc.).

Inicia-se com a análise dos dados a partir da compreensão da série histórica que caracteriza ou evidencia a situação ou cenário atual. Em seguida identificam-se variáveis ambientais (fatores externos à empresa) e organizacionais (fatores internos à empresa) que impactam nos objetivos organizacionais de longo prazo que devem estar claramente definidos.

Elaboram-se então os cenários considerando o impacto das variáveis e as interações entre as variáveis, para posterior análise das implicações de cada cenário, para o atingimento das metas ou objetivos traçados pela empresa e posterior implementação do plano de atuação.

Em previsões onde o ambiente a ser analisado aponta para mudanças, em cima do horizonte de previsão, que são difíceis de mensurar por meio de modelos quantitativos.

Se muitas variáveis estão envolvidas influenciando a previsão futura e exigindo, pela complexidade do cenário, a estruturação da análise para o planejamento de longo prazo.

Wanke; Julianelli (2006), Martino (1983).

Quadro 3.3 (continuação) Caracterização de algumas das principais técnicas qualitativas aplicadas em previsão.

Métodos Qualitativos

Caracterização Desenvolvimento Aplicabilidade Fonte

Role Playing

Role playing é um método para prever

decisões no qual pessoas ou grupos que se interagem, divergem ou estão em conflito sobre a situação. É uma forma de prever as decisões ou reações das partes envolvidas no processo, representando, atuando ou vivenciando a situação real.

Devido à presença de conflito, as incertezas sobre o comportamento das partes é grande e, nesse caso, o role playing proporciona uma simulação das interações entre as partes.

O administrador pede às pessoas para desempenharem um papel específico (utiliza- se de instruções, informações e descrição da situação para desempenhar o papel) e então agirem como eles mesmos reagiriam em determinados papéis e situações, ou para agirem como eles acreditam que as pessoas que eles representam agiriam, simulando assim a situação real. As opiniões e/ou decisões são tomadas como previsões para a situação real. Deve-se evitar erros de interpretações por meio de informações precisas e realistas aos que representam e estes devem delinear suas próprias visões das decisões imparcialmente.

Em previsões em que existe conflito de opiniões sobre as decisões e as partes se interagem. Quando não se dispõe de dados ou informações sobre eventos similares que possam orientar na tomada de decisão ou grandes mudanças são esperadas.

(por exemplo, “Como nossos concorrentes responderiam se abaixássemos os nossos preços?” (ARMSTRONG, 2001, p. 15). Armstrong (2001). Delphi

A previsão é obtida com base na opinião ou julgamento de um grupo de especialistas que utiliza o raciocínio e/ou conhecimento adquirido de forma estruturada para inferir sobre o comportamento futuro da demanda até que um consenso seja estabelecido. A ideia é a de que a análise coletiva estruturada é mais eficiente do que a análise individual. As características principais são: o anonimato dos respondentes, a representação estatística resumindo as respostas de todo o grupo e o

feedback controlado por questionários das

respostas para o grupo.

Ao grupo de especialistas respondentes é aplicado um questionário, devidamente elaborado para que estes possam inferir sobre o tema, justificando suas respostas a cada etapa do processo. Os resultados (ou opiniões) são analisados e, geralmente, resumidos por meio de medidas estatísticas. Ao questionário são feitas correções e/ou incorporação de novas informações (justificativas das opiniões, argumentos e nível de consenso do grupo) e estes são devolvidos aos respondentes iniciando um novo ciclo até um consenso final.

Em previsões de longo prazo em que não existem dados históricos suficientes para análise ou quando estes dados não refletem a situação atual, como por exemplo, na introdução de novos produtos; no planejamento de preço e estratégias de mercado.

Se grandes mudanças são esperadas em cima do horizonte de previsão (como mudanças tecnológicas, inovação do produto, mudanças econômicas e sociais, entre outras) alterando o comportamento do mercado. Armstrong (2001), Sipper; Bulfin (1998), Buffa; Sarin (1987), Martino (1983), Wanke; Julianelli (2006), Linstone; Turoff (1975), Vickers (1992).

Os métodos quantitativos de previsão servem-se da analise de dados históricos para, de posse de um modelo matemático, gerar conhecimento sobre o futuro comportamento do fenômeno ou da variável de interesse (demanda, vendas, custo etc.) Neste caso, dois tipos de modelos podem ser empregados: modelos de séries históricas ou temporais que, admitindo a existência de um padrão de comportamento não aleatório, utilizam-se da análise dos dados no tempo para modelar e, então, projetar comportamentos futuros; e modelos causais que utilizam-se da existência de alguma relação entre as variáveis dependente (ou explicada) e independente (ou explicativa) envolvidas no processo para modelar a relação e, então, usar o modelo e obter uma previsão sobre o comportamento da variável dependente, em questão.

As previsões nos modelos de séries temporais são obtidas a partir da análise dos movimentos da variável sob estudo ao longo do tempo – o que requer a identificação de padrões (componentes básicas) existentes na série histórica, como tendência de aumento ou queda, aleatoriedade, sazonalidade ou ciclo (a longo prazo) para, estabelecer relações entre as observações e um modelo matemático para predizer ou extrapolar o comportamento futuro. A premissa por trás destes modelos é a “suposição de continuidade”, ou seja, aquele comportamento ou padrão que existiu no passado continuará a existir no futuro.

Portanto, a confiabilidade da previsão depende, pesadamente, da disponibilidade e do tamanho da série de dados, da relevância e veracidade das informações e da capacidade do previsor em identificar e modelar o padrão e/ou as relações que, realmente, caracterizam o comportamento da variável em estudo no passado, de modo a garantir que as condições futuras sejam similares às ocorridas no passado.

A escolha do modelo de previsão inicia-se com a representação gráfica das variáveis para a identificação dos elementos ou componentes básicas presentes na série. Em função de suas componentes a série pode ser decomposta e cada elemento analisado, separadamente, para determinar o seu grau de atuação no comportamento da série. As variações ou comportamento global da variável são descritos ou analisados depois da recomposição (ou combinação dos resultados) destes elementos, conduzindo ao modelo de previsão mais adequado para a situação estudada.

Esta decomposição permite quantificar a significância de cada componente sobre o comportamento das variáveis em estudo, facilitando a leitura das relações que podem existir entre os elementos que compõem a série histórica, possibilitando entender o estado presente da situação a partir da reconstituição e compreensão do passado e, assim, prever o comportamento futuro das variáveis.

Os principais padrões ou componentes das séries temporais, conforme destacado, anteriormente, estão caracterizados a seguir:

(i) a tendência indica a direção ou sentido para o qual a série aponta ao longo do tempo,

podendo permanecer constante, ascendente (ou em crescimento) ou descendente (em declínio) no período de tempo considerado.

(ii) os ciclos são movimentos ou oscilações que ocorrem em torno da linha de tendência

durante um período de tempo relativamente grande (geralmente superior a um ano). Estes movimentos (de alta ou baixa demanda, por exemplo) podem ser devido a variações climáticas, datas comemorativas, recessão, etc.. A finalidade do estudo é determinar os pontos de pico (mudança de direção) para entender, modelar e dominar suas causas e efeitos.

(iii) sazonalidade refere-se a oscilações em torno da tendência as quais ocorrem em um

período considerado de curto prazo - inferior a um ano - podendo ser mensal, semanal ou diário. Geralmente, são variações regulares que ocorrem (e repetem) em determinados períodos do ano devido a algum evento como, por exemplo, promoções, pagamento de tributos, aumento no nível de estoque.

(iv) aleatoriedade consiste em movimentos irregulares e esporádicos resultantes de efeitos fortuitos, sem um padrão sequencial determinado, geralmente desconhecidos e imprevisíveis. Ou seja, são as oscilações (ruído ou resíduo) que permanecem na série após o isolamento dos demais componentes. Se estas variações aleatórias são de pequena intensidade ou significância no movimento da série, os demais componentes presentes na série “definem” de maneira satisfatória o comportamento dos dados.

A decomposição de uma série de tempo pode ser obtida a partir de várias abordagens, desde a mais simples e subjetiva como a análise visual do diagrama de dispersão

até as mais elaboradas com o auxilio de pacotes de software como, por exemplo, média móvel

e suas derivações (média móvel centrada, média móvel ponderada, etc.), análise de regressão,

suavização exponencial, decomposição clássica e Census II. Detalhes sobre estes e outros

métodos de decomposição e sobre os modelos para séries temporais podem ser obtidos em Makridakis, Wheelwright e Hyndman, 1998; Yaffee e McGee, 2000; Morettin e Toloi, 2006, por exemplo.

Observa Milone (2006, p. 311) que na análise de séries temporais deve-se olhar com atenção para as consequências associadas aos efeitos de antecipação e defasagens das

possíveis relações de causa e efeito entre os eventos, assim: “Quando os dados são afetados por efeitos defasados, a análise da série exige mudança das datas dos dados; eles são transportados de suas datas históricas para as datas as quais os efeitos se referem”.

Cabe salientar que o modelo para séries temporais baseia-se, diretamente, nos dados em análise e, portanto, pode estar ou não em conformidade com as teorias existentes sobre o assunto em questão. Desta forma, a análise da série de tempo e/ou o modelo a ser especificado devem ser abordados de acordo com os objetivos de interesse do pesquisador/usuário, seja para predizer valores futuros da série, ou para descrever o comportamento da série ou para pesquisar a estrutura causadora da série de tempo, por exemplo.

Alguns métodos de previsão quantitativos são de difícil explicação em um curto espaço de uma seção de um capítulo e, portanto, optou-se, neste trabalho, por apresentar um breve resumo sobre os principais modelos, destacando suas características básicas e condições para a sua aplicação, conforme apresentado no Quadro 3.4 (modelos para séries temporais) e no Quadro 3.5 (modelos causais). No entanto, são fornecidas as fontes em que considerações sobre obtenção de dados, especificação do modelo matemático e/ou econométrico, condições de aplicabilidade, exemplos e limitações dos métodos, por exemplo, podem ser encontradas de forma detalhada.

Quadro 3.4 Caracterização de algumas técnicas quantitativas (modelos para série temporais) aplicadas em previsão.

Quadro 3.4 (continuação) Caracterização de algumas técnicas quantitativas (modelos para série temporais) aplicadas em previsão.

Modelos para Séries

Temporais

Caracterização Aplicabilidade Fonte

Média Móvel

A previsão é obtida a partir da média aritmética dos dados da série de tempo considerando as mais recentes observações para um período determinado. A idéia é, a cada cálculo da média, substituir o dado mais antigo pelo valor da mais nova observação, minimizando os efeitos das variações aleatórias presentes na série histórica e fornecendo uma previsão com menor dispersão para o período (mais próxima da situação atual).

A importância ou peso relativo da inclusão do valor mais recente no cálculo da média móvel está diretamente relacionada com o número de períodos considerados, ou seja, quanto maior o número de períodos menor será o impacto da nova observação e menor será a resposta a uma mudança no processo. O método da média móvel aplica pesos iguais (importâncias iguais) a todas as observações utilizadas no cálculo da média, independente da posição (ou período) dentro da série histórica.

Se o interesse é privilegiar ou conferir um grau de importância para os dados de um determinado período, pesos diferentes podem ser atribuídos para cada período e uma média móvel ponderada pode ser calculada. A escolha dos pesos e do número de períodos considerados pode ser feita por meio da análise de erros. A principal limitação desse modelo é a exigência de um número considerável de dados a serem armazenados, o que afeta a decisão sobre o número de períodos a ser utilizado no processo.

Em situações em que a série de dados não apresenta tendências e nem sazonalidade (processo constante). Makridakis; Wheelwright; Hyndman (1998), Montgomery; Johson (1976), Segundo Buffa e Sarin

(1987) este método é aplicado em previsões de curto prazo, como inventário, programação e controle e cálculo de preços, solicitando dois anos de dados históricos pelo menos. Tubino (2000), Sipper; Bulfin (1998), Wanke; Julianelli (2006), Yaffee; McGee (2000), Morettin; Toloi (2006), Buffa; Sarin (1987). Suavização Exponencial Simples

O método de suavização exponencial simples permite ponderar os dados na série temporal de forma que – para observações mais recentes pode-se atribuir maior peso - ou seja, maior grau de importância para a previsão e, para observações mais distantes são atribuídos pesos que decrescem, exponencialmente, ao longo do tempo.

A previsão para o próximo período é obtida pelo último valor previsto corrigido pelo erro cometido na previsão anterior e por um coeficiente de suavização ou ponderação α compreendido entre 0 e 1 a ser aplicado aos dados. Quanto mais próximo de 1 o valor de α estiver, maior significância está sendo colocada no último valor observado fazendo com que o modelo reaja mais prontamente na direção oposta do erro do período anterior. Assim, um valor de α próximo de 0 leva o modelo (e a previsão) a responder ou refletir mais lentamente às novas informações da demanda (maior suavização dos dados). A escolha do valor α mais adequado para a previsão constitui o principal problema na aplicação desse método. Algoritmos e simulações podem ser realizados para calcular o valor de α com a finalidade de minimizar os erros de previsão. Uma abordagem para a seleção de α pode ser encontrada em Makridakis, Wheelwright e Hyndman (1998), Montgomery e Johson (1976), Wanke e Julianelli (2006).

Cabe lembrar que a presença de tendência na série leva a uma defasagem na previsão e, portanto, este modelo deve ser aplicado em situações em que a série de dados não apresenta tendências e nem sazonalidade.

Este método exige que poucas informações sejam armazenadas – o último valor previsto, o valor atual e o coeficiente de suavização – descartando o registro de dados mais antigos. Assim, seu uso é recomendado em previsões de curto prazo (geralmente dias, semanas ou meses) e em situações em que um número grande de itens deve ser previstos e pouca informação existe sobre a relação de causa e efeito entre a demanda de um item e os fatores que a influenciam (BUFFA; SARIN,1987).

As mesmas do método anterior.

Modelos para Séries

Temporais

Caracterização Aplicabilidade Fonte

Suavização Exponencial Dupla

O Método de suavização exponencial dupla ou método de Holt foi desenvolvido para séries que apresentam tendência linear. Permite que pesos sejam atribuídos às observações ao longo do tempo, privilegiando as observações mais recentes enquanto incorpora a tendência na série. A previsão usando a abordagem Holt envolve a seleção e estimação de duas constantes de suavização α e β utilizadas na ponderação dos dados e na estimativa da tendência. A previsão para o próximo período é obtida incorporando o termo relativo à estimativa da tendência na previsão suavizada exponencialmente adicionada à estimativa da tendência atualizada ou ajustada.

A idéia é minimizar efeitos irregulares por meio de suavização exponencial para a medida de tendência corrigindo o atraso na resposta (ou defasagem na previsão) quando da utilização do modelo simples devido à presença de tendência.

Como mencionado anteriormente, a escolha dos valores de α e β pode ser feita com a finalidade de minimizar erros de previsão e, valores considerados altos (entre 0,5 e 1) levam o modelo a reagir mais rapidamente às mudanças de demanda influenciando a previsão (veja Makridakis, Wheelwright e Hyndman (1998) e Wanke e Julianelli (2006) para maiores detalhes). Alguns pacotes computacionais incorporam a metodologia para esse tipo de ajuste do nível dos coeficientes.

O método de suavização exponencial dupla é útil quando os dados apresenta- rem tendência, e variações aleatórias estiverem presen- tes. Pode ser aplicado em situações que envolvem muitos itens a serem previstos como, por exemplo, em previsões de demanda de inventário. Makridakis; Wheelwright; Hyndman (1998), Montgomery; Johson (1976), Nahmias (2001), Tubino (2000), Sipper; Bulfin (1998), Wanke; Julianelli (2006), Yaffee; McGee (2000), Morettin; Toloi (2006), Buffa; Sarin (1987). Método de Winter

Em situações em que os dados apresentam tendência e sazonalidade o método de Winter pode ser aplicado. Esse método também dá maior peso ou importância às ocorrências mais recentes, ajustando a previsão para