Académique Documents
Professionnel Documents
Culture Documents
ESCOLA DE ENGENHARIA
PROGRAMA DE PS-GRADUAO EM ENGENHARIA DE PRODUO
Banca Examinadora:
Esta dissertao foi julgada adequada para a obteno do ttulo de Mestre em Engenharia de
Produo e aprovada em sua forma final pelo Orientador e pela Banca Examinadora
designada pelo Programa de Ps-Graduao em Engenharia de Produo.
__________________________________
Prof. Flvio Sanson Fogliatto, Ph.D.
PPGEP / UFRGS
Orientador
___________________________________
Prof. Luis Antnio Lindau, Ph.D.
Coordenador PPGEP/UFRGS
Banca Examinadora:
AGRADECIMENTOS
Fernando Pessoa
7
RESUMO
ABSTRACT
SUMRIO
LISTA DE FIGURAS
Figura 15: Sries temporais originais e ajustadas dos produtos 10K, 18K e 30K .................110
Figura 20: Vantagens dos medidores eletrnicosem relao aos medidores eletromecnicos
...............................................................................................................................126
LISTA DE TABELAS
Tabela 2: Estimativas de perdas mensas de participao de mercado dos produtos 10K, 18K e
30K........................................................................................................................108
Tabela 3: Previses de demanda mensal dos especialistas para os produtos 10K, 18K e 30K
...............................................................................................................................109
Tabela 4: Perdas mensais mdias de demanda para os produtos 10K, 18K e 30K (estimadas
pelos especialistas e observadas durante o racionamento de energia)..................113
Tabela 6: Demandas mensais previstas (em unidades de produto), limites inferior e limites
superior (nvel de confiana = 95%) para o produto 10K.....................................116
Tabela 8: Demandas mensais previstas (em unidades de produto), limites inferior e limites
superior (nvel de confiana = 95%) para o produto 18K.....................................118
Tabela 10: Demandas mensais previstas (em unidades de produto), limites inferior e limites
superior (nvel de confiana = 95%) para o produto 30K.....................................119
Tabela 11: Demandas pontuais previstas (em unidades de produto/ms) aps ajuste subjetivo
das previses individuais para os produtos 10K, 18K e 30K................................120
15
Tabela 12: Acurcia das demandas pontuais previstas sem ajuste subjetivo das previses para
os produtos 10K, 18K e 30K.................................................................................121
Tabela 13: Acurcia das demandas pontuais previstas com ajuste subjetivo das estimativas de
perdas de participao no mercado para os produtos 10K, 18K e 30K................122
Tabela 14: Acurcia das demandas pontuais previstas pelos especialistas da empresa e pelos
mtodos mais adequados para os produtos 10K, 18K e 30K................................122
Tabela 15: Taxas estimadas de substituio dos medidores eletromecnicos pelos eletrnicos
na primeira rodada do Delphi................................................................................133
Tabela 16: Taxas estimadas de substituio dos medidores eletromecnicos pelos eletrnicos
na segunda rodada do Delphi................................................................................134
Tabela 17: MAPE para o mtodo de Mdia Mvel com diferentes perodos.........................135
Tabela 18: Dados dos modelos selecionados para o medidor eletromecnico polifsico.......136
Tabela 19: Demandas previstas (em unidades de produto), limites inferior e limites superior
(nvel de confiana = 95%) para o medidor eletromecnico polifsico................137
Tabela 21: Acurcia das previses de demanda dos medidores eletrnicos (cenrio atual)..138
Tabela 22: Acurcia das previses de demanda dos medidores eletrnicos (cenrio muito
pouco favorvel)....................................................................................................138
Tabela 23: Acurcia das demandas pontuais previstas pelos especialistas da empresa e pelo
mtodo selecionado para os medidores eletrnicos..............................................139
16
CAPTULO 1
1 INTRODUO
Montgomery, Johnson e Gardiner (1990) e Makridakis (1996) afirmam que, para obter
sucesso na formulao de planejamentos e no direcionamento estratgico das empresas, so
necessrias a identificao e a previso correta das mudanas emergentes no ambiente de
negcios, o que torna a previso de demanda um elemento chave na tomada de deciso
gerencial. As empresas podem melhorar sua eficincia se elas puderem antecipar problemas e
desenvolver planos para responder a estes problemas (ARMSTRONG, 1983).
Com o intuito de antecipar estados futuros de fatores e/ou variveis que influenciam o
planejamento estratgico e sobre os quais no se tem controle imediato, mtodos de previso
de demanda tm sido desenvolvidos (ARMSTRONG, 1988).
estratgias, os quais geraro aes. As aes conduzem a resultados que devero ser
registrados e documentados no sistema de informaes da organizao, alimentando o sistema
de planejamento e os mtodos de previso de demanda (ARMSTRONG, 1983).
tcnicas estruturadas, como, por exemplo, Pesquisas de Intenes e Delphi, o processo para
obter a previso subjetivo (MONTGOMERY; JOHNSON; GARDINER, 1990).
Lindberg e Zackrisson (1991) afirmam que um dos maiores problemas associados com
o uso de previses no apoio tomada de decises a escolha do mtodo aplicado para gerar a
previso. Segundo Armstrong (2001b), pesquisas que contribuem para o desenvolvimento e
refinamento de guias para seleo de mtodos de previso so sempre teis.
Usar as ferramentas de previso sabiamente requer conhecimento sobre onde cada tipo
de ferramenta trabalha de forma eficiente (MOON et al., 1998). Um dos problemas principais
com que os mtodos de previso deparam-se que, enquanto h muitos mtodos para
escolher, h pouca indicao sobre quais so mais eficientes em cada situao (LYNN;
SCHNAARS; SKOV, 1999). Segundo Kahn (2002), o uso imprprio de mtodos de previso
sugere a falta de conhecimento acerca da previso e, de modo correspondente, indica a
necessidade de direcionadores sobre quando usar determinado mtodo de previso.
Identificando qual mtodo se ajusta melhor a uma dada situao, pode-se obter
previses mais precisas. Assim, vrias operaes funcionais podem ser planejadas, como, por
exemplo, a compra de matrias-primas e componentes a um menor custo e a obteno de
servios logsticos a custos tambm menores, atravs de contratos de longo prazo (MOON et
al.,1998).
1.3 OBJETIVOS
1.4 METODOLOGIA
Como este trabalho integra pesquisa bibliogrfica com estudo de caso, tendo como
principal finalidade desenvolver e esclarecer conceitos e idias com vistas formulao de
problemas ou hipteses pesquisveis em estudos posteriores, trata-se de uma pesquisa
exploratria (GIL, 1995; GIL apud SILVA; MENEZES, 2001).
A ltima etapa a anlise crtica dos resultados obtidos com a aplicao das tcnicas
mais apropriadas a cada caso e da metodologia proposta. Uma comparao entre a utilizao
23
1.6 DELIMITAES
operacional dos mtodos abordados. No incluiu, neste contexto, uma anlise financeira de
custo-benefcio para cada mtodo de previso. A abordagem de questes econmicas
relacionadas s tcnicas de previso estudadas sugerida como tema de estudos futuros.
CAPTULO 2
2 REFERENCIAL TERICO
2.1 INTRODUO
a) Padro de demanda aleatrio, ou nivelado, sem tendncia nem b) Padro de demanda aleatrio com tendncia, mas sem
elementos sazonais elementos sazonais
Nvel de Demanda
Nvel de Demanda
Demanda real
Demanda mdia Demanda real
Tendncia da srie
Tempo Tempo
Nvel de Demanda
Demanda real
Tendncia da srie
Sazonalidade da srie
Tempo Tempo
Alm dos cinco componentes, existe freqentemente uma autocorrelao, que indica
que a demanda esperada em qualquer ponto altamente correlacionada com seus valores
anteriores da srie histrica de demanda. Quando existe alta correlao, no se espera que a
demanda varie muito de um perodo para o prximo (DAVIS; AQUILANO; CHASE, 2001).
A aplicao de uma anlise subjetiva ao processo de previso deve ser feita de uma
maneira estruturada, pela utilizao de mtodos qualitativos. Estes mtodos so
freqentemente usados para previses de mdio e longo prazo, ou relativas a novas situaes
com dados limitados e nenhum precedente histrico (CHAMBERS; MULLICK; SMITH,
1971; GEORGOFF; MURDICK, 1986).
Estudos de Kahn (2002) sugerem que tomadores de deciso preferem contar com
mtodos qualitativos ao invs de mtodos quantitativos de previses de demanda. Os
responsveis pelas tomadas de deciso no esto familiarizados com mtodos quantitativos e
a utilizao de mtodos qualitativos cria um sentimento de controle e posse sobre o processo
32
O mtodo de Jogo de Representao til nesses casos, pois simula as interaes entre
as partes conflitantes, oferecendo uma melhor percepo sobre o pensamento dos
participantes (ARMSTRONG, 1988; ARMSTRONG, 2001a). Este mtodo especialmente
til quando duas partes interagem, quando h conflitos entre elas, quando os conflitos
envolvem grandes mudanas e pouca informao existe sobre eventos similares no passado
(ARMSTRONG, 2001c). Situaes de conflito so aquelas onde duas ou mais partes tm
objetivos opostos, diferentes estratgias, ou competem por um dado recurso (ARMSTRONG,
1987).
A descrio das funes de cada participante deve ser feita antes deles conhecerem a
descrio da situao, pois a funo afeta a percepo do participante sobre determinada
situao (ARMSTRONG, 2001c). Os participantes podem ser orientados a agir como eles
mesmos agiriam, dado seus papis e a situao. Alternativamente, eles podem ser orientados a
agir da forma como acreditam que as pessoas que eles representam agiriam (ARMSTRONG,
1987). Kipper e Har-Even (1984) apresentam em seus estudos que diferenas na orientao
podem conduzir a diferenas substanciais nos resultados. O melhor procedimento fazer os
participantes seguirem as diferentes orientaes (ARMSTRONG, 2001c).
GREEN, 2002). Jogos de Representao podem ser usados na previso de decises por um
indivduo que no interage com outros diretamente. Entretanto, o procedimento mais efetivo
para situaes nas quais duas partes interagem. Onde muitas partes representam diferentes
pontos de vista, a aplicao do mtodo torna-se difcil (ARMSTRONG, 2001c).
Aplicaes bem sucedidas do mtodo tm sido observadas nas reas militar, jurdica,
de psicologia e de negcios (ARMSTRONG, 1987; ARMSTRONG, 2001c). Este mtodo
muito aplicado em previses da reao dos concorrentes frente a mudanas de estratgia da
organizao ou mudanas de cenrios de mercado (ARMSTRONG, 1983).
Intenes oferecer previses acuradas. Por exemplo, para prever intenes de compra de um
imvel o mtodo muito mais preciso do que para prever inteno de compra de refrigerante
(produto que geralmente no requer um planejamento de compra) (ARMSTRONG, 1985).
Os resultados deste mtodo podem ser influenciados por trs tipos de erros: (i) erro de
amostragem; (ii) erro das respostas; e (iii) erro devido falta de resposta. O erro de
amostragem ocorre quando a amostra no representa a populao pesquisada; o erro de
resposta ocorre quando as pessoas no sabem quais suas reais intenes ou quando so
politicamente corretas nas suas respostas, no expressando suas verdadeiras intenes; o
ltimo erro ocorre quando no possvel obter respostas de indivduos da amostra, seja por
no conseguir encontrar o respondente, seja por este se negar a responder a pesquisa
(ARMSTRONG, 1985).
Para previses de novos produtos, que no possuem similares, este mtodo apresenta
problemas, pois os consumidores potenciais podem no estar suficientemente familiarizados
com o produto proposto. Para produtos com similares no mercado a pesquisa pode se
beneficiar da experincia dos respondentes na compra destes produtos similares
(ARMSTRONG; BRODIE, 1999; MORWITZ, 2001).
O Delphi foi concebido para acabar com os pontos fracos de mtodos tradicionais de
reunies de especialistas. Reunies so freqentemente lentas, caras, dominadas por um ou
poucos indivduos, e h sobrecarga de informaes redundantes ou irrelevantes
(DALKEY,1972). O Delphi contorna estes aspectos indesejveis atravs de suas
caractersticas principais, que so: anonimato dos participantes; procedimentos estruturados e
sistemticos; comunicao clara com os participantes; iteraes repetitivas; feedback
controlado para o grupo; e utilizao de medidas estatsticas para as informaes obtidas
(PREBLE, 1983; DALKEY 1972; ROWE; WRIGHT, 1999).
37
Elaborao do questionrio
INCIO e seleo dos especialistas
Primeira rodada:
respostas e devoluo
necessrio Sim
Introduzir novas Elaborao das
questes? novas questes
No
Nova rodada: Elaborao do
respostas e devoluo novo questionrio
No A convergncia das
respostas satisfatria?
Sim
Concluses gerais
Procedimentos executados
pelos coordenadores
Relatrio para
os respondentes
Procedimentos executados
FIM Relatrio final pelos respondentes
2.3.1 Extrapolao
Nas previses de demanda de curto prazo, com mudanas rpidas na demanda e com
necessidade de um grande nmero de previses freqentes, os mtodos FMTS podem ser
efetivamente utilizados, pois so mtodos simples, de baixo custo e de fcil entendimento.
Estes mtodos so baseados no padro de demanda da srie temporal e na inter-relao de
seus componentes (nvel, tendncia, sazonalidade, ciclo e erro aleatrio), assumindo que um
ou mais desses componentes existem nas sries histricas e projetando-os no futuro. Os
mtodos FMTS tm equaes fixas que so usadas sob consideraes que certos componentes
do padro de demanda existem ou no na srie temporal. Os mtodos de Mdia Mvel e de
Suavizao Exponencial so mtodos FMTS (MENTZER; GOMES, 1989).
Ft +1 = Ft + (Yt Ft ) (1)
Ft +1 = Yt + (1 ) Ft
(2)
n
Ft +1 = (1 )iYt i + (1 )t F1 (3)
i =0
onde Ft+1 a previso para o perodo t+1, Ft a previso para o perodo t, Yt a demanda
realizada no perodo t, n o tamanho da srie temporal e a constante de suavizao com
valor entre 0 e 1.
A previso com Suavizao Exponencial Linear de Holt obtida com o uso de duas
constantes de suavizao, e (com valores entre 0 e 1, e no relacionados), e das equaes
(4), (5) e (6) (MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998; TAYLOR, 2003;
RASMUSSEN, 2004):
Previso: Ft + m = Lt + bt m (4)
Nvel: Lt = Yt + (1 )( Lt 1 + bt 1 ) (5)
A equao (4) utilizada para obter a previso de demanda, sendo que o valor base Lt
adicionado da tendncia (bt) multiplicada pelo nmero de perodos futuros a serem previstos
(horizonte de previso m). A equao (5) ajusta diretamente Lt para a tendncia do perodo
anterior, pela adio de bt-1 ao ltimo valor suavizado de nvel Lt-1. Este procedimento ajuda a
eliminar o atraso na incorporao de mudanas do padro de demanda e conduz o valor de Lt
para um nvel prximo do valor da demanda atual da srie temporal. A equao (6) atualiza a
tendncia atravs da diferena entre os ltimos dois valores suavizados de nvel (Lt e Lt-1). A
tendncia do ltimo perodo (Lt -Lt-1), modificada pela suavizao com , adicionada
estimativa anterior da tendncia (bt-1) multiplicada por (1-) (MAKRIDAKIS;
WHEELWRIGHT; HYNDMAN, 1998).
Mtodo de Holt-Winters
Previso: Ft + m = ( Lt + bt m) St s + m (7)
Yt
Nvel: Lt = + (1 )( Lt 1 + bt 1 ) (8)
St s
Yt
Sazonalidade: St = + (1 ) St s (10)
Lt
A equao (7) utilizada para obter a previso de demanda, sendo obtida pela
multiplicao da estimativa de um componente sazonal (St-s+m) previso do mtodo linear de
Holt [equao (4)]. A equao (8) ajusta Lt para a tendncia do perodo anterior, pela adio
de bt-1 ao ltimo valor suavizado de nvel Lt-1. O primeiro termo da equao (8) dividido por
um termo sazonal (St-s) para eliminar as flutuaes sazonais no clculo do nvel Lt. A equao
(9) atualiza a tendncia atravs da diferena entre os ltimos dois valores suavizados de nvel
(Lt e Lt-1). A equao (10) estima o componente sazonal pela ponderao, atravs de uma
constante de suavizao , da razo de Yt e Lt, (que corresponde a sazonalidade do perodo t)
com a sazonalidade St-s (correspondente a sazonalidade do perodo analisado do ciclo sazonal
anterior) (MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998).
Previso: Ft + m = Lt + bt m + St s + m (11)
2.3.1.3 Box-Jenkins
(MA) parcela de mdia mvel, a qual assume que valores atuais so dependentes
de erros de previso de perodos passados;
Fase 1
Identificao
SELEO DO MODELO
- Examinar dados, ACF e PACF para identificar modelos
potenciais
ESTIMATIVAS
- Estimar parmetros dos modelos potenciais
- Selecionar o melhor modelo usando critrios adequados
Fase 2
Estimao e teste
DIAGNSTICOS
- Checar ACF e PACF dos resduos No
- Os resduos so aleatrios?
Sim
Fase 3 PREVISO
Aplicao - Usar modelo para previso
(Y
t = k +1
t Y )(Yt k Y )
rk = n (15)
(Y
t =1
t Y ) 2
Para sries temporais estacionrias tanto os coeficientes ACF quanto o PACF tendem
a valores prximos de zero; j sries no estacionrias apresentam coeficientes
significativamente diferentes de zero para vrios perodos de tempo (BOX; JENKINS;
REINSELL, 1994).
A tcnica de diferenciao gera uma srie com n-1 valores, onde cada valor da srie
( Yt ) obtido pela equao (17). Se a srie gerada ainda apresentar no estacionariedade
procede-se uma diferenciao de segunda ordem, a qual gerar uma srie ( Yt ) com n-2
valores. Sries obeservadas (situaes reais) geralmente necessitam de at duas diferenciaes
para se tornarem estacionrias (MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998).
Yt = Yt Yt 1 (17)
B mYt = Yt m (18)
Yt d = (1 B) d Yt (19)
52
Por ltimo verifica-se se os resduos (demanda atual subtrada dos valores estimados
pelo modelo potencial) so aleatrios, o que indica que o modelo apropriado. Em caso
contrrio, outro modelo deve ser considerado, seus parmetros estimados e os resduos
avaliados quanto a sua aleatoriedade. Analisando o ACF e PACF dos resduos espera-se que
para erros aleatrios nenhum coeficiente de autocorrelao ou autocorrelao parcial seja
significativo (MAKRIDAKIS; HIBON, 1997; MAKRIDAKIS; WHEELWRIGHT;
HYNDMAN, 1998).
Processos Auto-regressivos
O modelo AR(p) definido pela equao (20), a qual apresenta uma regresso da
varivel dependente em funo de seus valores passados. Esta equao pode ser representada
em termos do operador B [equao (21)] ou na sua forma simplificada [equao (22)] (BOX;
JENKINS; REINSELL, 1994; MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998).
53
(1 1B 2 B 2 K p B p )Yt = t (21)
( B)Yt = t (22)
O modelo de mdia mvel MA(q) faz a regresso da varivel Yt com os erros passados
(et-q), conforme apresentado na equao (23) ou (24), que representa a forma polinomial da
equao (23) (BOX; JENKINS; REINSELL, 1994; MAKRIDAKIS; WHEELWRIGHT;
HYNDMAN, 1998).
Yt = ( B)et (24)
Modelos Sazonais
Na sua forma mais simples este mtodo de previso envolve somente anlise de uma
varivel, isto , a extrapolao de uma dada srie temporal baseada apenas em seu prprio
comportamento histrico. Aplicaes mais sofisticadas utilizam modelos que relacionam o
padro de uma srie temporal estudada com padres de outras sries que afetam a srie
considerada no processo de previso (ARCHER, 1980).
Nas situaes onde h uma varivel Y para ser prevista, diversas variveis
explanatrias (X1, X2,...,Xk), e o objetivo encontrar uma funo que relacione Y com as
demais variveis, utiliza-se a Regresso Mltipla. Um caso especial da Regresso Mltipla a
56
Yi = + X i + ei (30)
onde o coeficiente linear (ponto que intercepta o eixo y), o coeficiente angular
(declividade da reta) e ei o erro aleatrio no perodo i (desvio da observao em relao ao
modelo linear).
O mtodo da Regresso Mltipla formula uma hiptese que relaciona uma varivel
dependente com diferentes variveis independentes (ARCHER, 1980). Definida a hiptese do
mtodo, o prximo passo obter dados para cada varivel independente, preferivelmente uma
srie temporal para cada varivel. Para o desenvolvimento do modelo de regresso ser
necessrio relacionar uma lista de variveis que influenciam Y. A lista inicial de variveis
independentes baseada (i) na experincia de especialistas, (ii) na disponibilidade dos dados e
(iii) em restries de tempo e custo. Esta lista deve ser filtrada usando procedimentos formais
como regresses de subconjuntos de variveis, anlise de componentes principais de todas as
variveis (incluindo Y) para decidir quais so as variveis importantes, entre outros.
Freqentemente uma combinao de procedimentos utilizada para obter a lista final de
variveis explanatrias (MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998). Se a
influncia das variveis independentes listadas sobre a demanda for confirmada, elas podero
ser usadas para prever valores futuros da demanda ou serem excludas, se contribuem pouco
na previso de demanda (MENTZER; GOMES, 1989).
Para obter uma previso com o modelo de Regresso Mltipla um conjunto de valores
futuros das variveis explanatrias deve ser determinado ( X k ,i ). Estes valores so utilizados na
possvel apresentar a relao entre variveis em uma forma linear logartmica (ARCHER,
1980).
b b b
Yi = b0 X 1 1 X 2 2 K X k k ei (33)
Tabela 1: Medidas de acurcia (Fonte: RINGUEST; TANG, 1987; ARMSTRONG; COLLOPY, 1992; ELSAYED; BOUCHER; 1994;
SANDERS; RITZMAN, 1995; POLLOCK et al., 1999; RASMUSSEN, 2004; SYNTETOS; BOYLAN, 2005)
59
60
A escolha de uma medida de erro varia de acordo com a situao de uso (seleo de
mtodos ou calibrao de um dado modelo) e do nmero de sries temporais analisadas. A
utilizao de diferentes medidas de acurcia uma alternativa para compensar os defeitos das
diferentes medidas (ARMSTRONG; COLLOPY, 1992). Elsayed e Boucher (1994) sugerem o
uso do MAE para clculos de acurcia. Carbone e Armstrong (1982) sugerem que o MSE a
medida de acurcia de previso preferida nos estudos empricos, mas esta medida no
recomendada para comparaes entre diferentes sries, pois depende da escala dos dados.
Sob certas condies um ajuste subjetivo estruturado pode conduzir a previses mais
acuradas do que as previses obtidas somente com mtodos quantitativos. O ajuste agrega
informao contextual na previso, informao que o modelo matemtico geralmente no
considera ou que a srie temporal no inclui (WEBBY; OCONNOR, 1996).
Srie temporal
Mtodo Quantitativo Previso Quantitativa
Variveis causais
Previso dos
componentes
Decomposio da srie
Srie temporal Srie temporal decomposta
e remoo de efeitos de fatores
Variveis causais Variveis causais
contextuais passados
Yt = S t + Tt + E t
(34)
Yt = S t Tt E t (35)
Para os casos onde o componente sazonal no estvel e muda com o tempo, uma
mdia mvel usada para determin-lo, permitindo assim mudanas sazonais no tempo.
Transformaes nos modelos tambm podem ser utilizadas, como, por exemplo, a
transformao de um modelo multiplicativo em um aditivo. Maiores detalhes deste mtodo de
integrao e de um modelo de decomposio pseudo-aditivo podem ser obtidos em
Makridakis, Wheelwright e Hyndman (1998).
Fatores Contextuais
Combinao de Previso
previses
H vrias abordagens alternativas. Uma delas define os pesos das previses em funo
da comparao dos erros das previses individuais em um determinado intervalo de tempo
(BUNN apud MILLER; CLEMEN; WINKLER, 1992). O valor de ki na equao (36)
corresponde ao percentual de perodos de um intervalo analisado em que a previso do
mtodo i apresenta o menor erro de previso.
n
fc = ki fi (36)
i =1
Seleo de variveis
Fatores
Especificao da estrutura do modelo
Contextuais
Ajuste de parmetros
Srie temporal
Modelo Previso
Variveis causais
Fonte de conhecimento
subjetiva estatstica
Analogia
Anlise Bootstrapping Previso baseada
Conjunta Subjetivo em regras
Sistema Modelos
Especialista economtricos
As regras utilizadas pelo especialista na previso podem ser especificadas pelo prprio
especialista ou podem ser inferidas aps uma anlise estatstica da previso subjetiva e dos
dados utilizados pelo especialista (ARMSTRONG, 1983). O Bootstrapping Subjetivo
indicado para situaes complexas, onde a anlise puramente subjetiva no confivel e a
previso subjetiva deve ser considerada no processo preditivo (ARMSTRONG, 2001g). O
mtodo utilizado em reas como psicologia, educao, marketing, finanas, entre outros.
Tambm oferece uma alternativa a modelos economtricos em situaes em que no h
disponibilidade de dados sobre as variveis dependentes ou os dados das variveis
independentes apresentam pouca variao histrica. O Bootstrapping Subjetivo com dados
artificiais pode ser uma alternativa Anlise Conjunta, utilizando neste caso especialistas para
estimar as respostas dos consumidores. Para previses de vendas de novos produtos pode ser
apropriada a integrao dos dois mtodos (ARMSTRONG, 2001g).
A seleo de mtodos pode ser em funo de diferentes critrios; por exemplo: (i)
nmero de itens a serem previstos; (ii) acurcia da previso; (iii) perodo, intervalo e
horizonte de previso requeridos para planejamento, programao ou estratgia de produo;
(iv) benefcio da previso para a empresa; (v) facilidade de operao do mtodo e de
entendimento dos resultados; (vi) flexibilidade do mtodo; (vii) incorporao de inferncias
subjetivas; (viii) contexto da previso; (ix) disponibilidade e confiabilidade dos dados
histricos; (x) caractersticas e tipos de dados disponveis; (xi) comportamento do processo a
ser previsto (padro da demanda dos dados histricos); (xii) critrios estatsticos; (xiii) custo
de desenvolvimento, instalao e operao do mtodo; e (xiv) urgncia para tomada de
deciso baseada nas previses (CHAMBERS; MULLICK; SMITH, 1971; MONTGOMERY;
JOHNSON; GARDINER, 1990; MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998;
YOKUM; ARMSTRONG, 1995).
DEFINIO DO
DETERMINAO DO
PROBLEMA
MTODO DE PREVISO
Dimenses e Dimenses
Aplicao da Seleo do IMPLEMENTAO
caractersticas dos do processo
previso mtodo de previso DO MTODO
dados de sada de seleo
Dimenses e
Recursos e
caractersticas dos PREVISO
restries
dados de entrada
No
FEEDBACK
Por fim, o monitoramento das previses faz-se necessrio para assegurar que o
processo de previso funcione apropriadamente e para oferecer um feedback do
funcionamento e efetividade do sistema de previso de demanda e dos mtodos de previso
implementados (KLASSEN; FLORES, 2001). Alguns fatores podem ser utilizados para
avaliar a efetividade de um sistema ou mtodo de previso de demanda. Entre eles esto a
acurcia da previso, o custo do sistema ou do mtodo de previso e a utilidade dos resultados
(MONTGOMERY; JOHNSON; GARDINER, 1990).
possvel obter informaes (sries histricas e variveis causais) de produtos anlogos. Para
um mercado indefinido onde no h histricos para comparao e/ou o item proposto tem um
novo conceito para o mercado, utilizam-se mtodos qualitativos (LO, 1994; ARMSTRONG;
BRODIE, 1999).
No Sim
No Sim No Sim
Melhor fonte
especialistas participantes
Figura 11: rvore de seleo de mtodos de previso (linhas pontilhadas indicam possveis relaes) (Adaptado de ARMSTRONG, 2001b)
82
83
Uma alternativa analisar, alm do ajuste do modelo matemtico aos dados histricos, a
previso gerada pelo modelo para valores recentes de demanda (SCHNAARS, 1986).
CAPTULO 3
3 METODOLOGIA PROPOSTA
DEFINIO DO
PROBLEMA
Nveis industriais
das previses
Coleta e preparao
dos dados
Necessidade de
NO integrao de mtodos SIM
quantitativos e qualitativos?
SELEO DO PACOTE
COMPUTACIONAL
IMPLEMENTAO
DO(S) MTODO(S)
VALIDAO DO(S)
MTODO(S) DE PREVISO
previso. O perodo de previso pode ser expresso em dias, semanas, meses, semestres, anos,
ou outra unidade de tempo. O perodo de previso depender do problema a ser resolvido, ou
seja, depende da unidade de previso requerida para a tomada de deciso (PELLEGRINI,
2000). Para uma programao mensal de produo, por exemplo, seria definido um perodo
mensal de previso (valores mensais seriam previstos).
No caso de haver amplas flutuaes nas demandas, a rpida adaptao das tcnicas de
extrapolao a essas situaes faz com que elas se ajustem bem a previses de curto prazo
(MENTZER; COX, 1984). Os mtodos causais exigem um investimento maior e necessitam
90
tambm pode ser usada para priorizar previses de produtos nos estgios de desenvolvimento
de produto, de teste e introduo no mercado, de crescimento rpido e de estabilidade no
mercado.
A apresentao das previses e dados deve ser simples, oferecendo uma explanao
completa, simples e clara dos mtodos utilizados e consideraes utilizadas nas estimativas.
Assim o tomador de deciso pode avaliar a incerteza que cerca estas estimativas e a extenso
de uso das previses em outras situaes. Se os usurios das previses no entendem as
estimativas e as consideraes no processo preditivo eles podem tomar decises erradas para a
organizao (FISCHHOFF, 1988; ARMSTRONG, 2001e).
Uma anlise grfica preliminar pode ser utilizada para avaliar o padro de demanda, a
variabilidade, identificar erros de leitura, lacunas (valores perdidos por falta de mensurao) e
localizar dados atpicos devidos a eventos especiais passados e no sistemticos, como, por
exemplo, promoes, entrada de novos concorrentes no mercado, redues espordicas nos
preos dos produtos concorrentes e falhas no planejamento da produo ou na compra de
matrias-primas (MAKRIDAKIS, 1988; COLLOPY; ARMSTRONG, 1992; SOHL;
VENKATACHALAM, 1995; ARMSTRONG, 2001e).
Para futuras referncias de como os dados foram tratados nesta etapa, documentam-se
as causas das variaes sistemticas e no sistemticas nas sries temporais, os ajustes
realizados e as aes tomadas. A decomposio de sries temporais em funo de foras
causais tambm pode ser utilizada para anlise e ajuste das mesmas (ARMSTRONG, 2001e).
96
A preferncia deve ser por mtodos de previso estruturados, com passos sistemticos
e detalhados que podem ser descritos e replicados (ARMSTRONG, 2001e). Deve-se
privilegiar tcnicas quantitativas e simples com poucas variveis e relaes simples entre elas,
pois estas tendem a ser menos tendenciosas, fazem uso mais eficiente dos dados, ajudam no
entendimento e aceitabilidade do mtodo, reduzem erros e reduzem custos. Mtodos simples
tambm so utilizados quando a incerteza grande e poucos dados so teis. Mtodos mais
complexos s devem ser utilizados quando houver evidncias para utilizao destes mtodos,
pois podem incluir erros que se propagam atravs do sistema de previso ou que so difceis
de detectar (ARMSTRONG, 2001e).
Deve ser feita uma anlise dos critrios de seleo mais importantes, como, por
exemplo, a disponibilidade e tipo de dados, conhecimento de especialistas, presena de
conflitos e se so esperadas mudanas contextuais no futuro.
Nvel Setorial Nvel Corporativo Nvel da Unidade Nvel da Unidade de Nvel local
Estratgica de Negcios Manuteno de Estoque
No Sim No Sim
Anlise de diferentes polticas? Casos similares Anlise de diferentes Bom conhecimento Mtodos causais
Necessidade de previses freqentes? existem? polticas? contextual?
Mtodos de
No Sim No Sim Sim No
Extrapolao** Bom conhecimento de fatores
Sim No
econmicos
Alto custo de especialistas? relacionados a previso?
Melhor fonte de informaes Necessidade de previses freqentes? Recursos limitados
para implementao? No Sim
especialistas participantes
Sim No
Sim No
Figura 13: Fluxograma para a escolha de mtodos de previso (Adaptado de ARMSTRONG, 2001b)
98
99
Diferentes mtodos podem ser teis para a maioria dos problemas de previso. Em
algumas situaes mtodos qualitativos e quantitativos podem ser integrados
(ARMSTRONG, 2001e). Comparar diversos mtodos pode ajudar na obteno de uma
previso mais precisa, mas esta anlise pode ser cara e consumir muito tempo.
O processo de integrao deve ser estruturado e depende dos dados de entrada e sada,
tipos de mtodos e informao dos especialistas (ARMSTRONG, 2001e). A integrao pode
se dar de quatro maneiras (WEBBY; OCONNOR, 1996): (i) Ajuste subjetivo; (ii)
Decomposio de sries temporais; (iii) Combinao de previses; e (iv) Desenvolvimento de
um modelo de previso. A escolha do melhor mtodo de integrao depender das condies
especficas aplicadas situao de previso analisada.
Planilhas eletrnicas Mtodos de previso disponveis Redes Neurais Mtodos de previso disponveis
Excel Data Analysis Tools NeuroShell Predictor
Anlise de Regresso
BCB Predictor NeuroShell Professional Time Series Redes Neurais
Suavizao Exponencial
Insight.xla SPSS Neural Connection
Pacotes estatsticos Mtodos de previso disponveis Pacotes especficos Mtodos de previso disponveis
ARIMA (Box-Jenkins)
Minitab Autobox
ARIMA (Box-Jenkins) Suavizao exponencial
Decomposio de sries temporais ARIMA (Box-Jenkins)
Anlise de Regresso Decomposio de sries temporais
SPSS Trends Forecast Pro
Suavizao exponencial Anlise de Regresso
Suavizao exponencial
Decomposio de sries temporais
SAS/ETS SmartForecasts Anlise Regresso
Suavizao exponencial
ARIMA (Box-Jenkins) ARIMA (Box-Jenkins)
Decomposio de sries temporais Decomposio de sries temporais
Anlise de Regresso Time Series Expert Anlise de Regresso
Suavizao exponencial Suavizao exponencial
Soritec for W 95/NT
Modelos economtricos Modelos economtricos
ARIMA (Box-Jenkins)
tsMeetrix Anlise de Regresso
Suavizao exponencial
Figura 14: Pacotes computacionais para previso de demanda (Adaptado de TASHMAN; HOOVER, 2001)
101
102
A srie para inicializao usada para iniciar o mtodo de previso, ou seja, realizar o
ajuste de um modelo matemtico. Estimativas de parmetros, componentes sazonais e
componentes de ciclo so obtidos neste estgio. Esta uma etapa iterativa; se os parmetros
iniciais no so timos, modifica-se o processo de inicializao e/ou procura-se pelos valores
timos dos parmetros do modelo. O mtodo aplicado na srie para teste para analisar o
ajuste do modelo de previso aos dados que no foram usados na estimativa dos componentes
do modelo. Depois de cada previso as medidas de aurcia so determinadas
(MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998).
A validao dos mtodos de previso faz-se necessria para assegurar que o processo
de previso funcione apropriadamente e para oferecer uma reviso formal dos mtodos de
previso (SANDERS, 1997a; KLASSEN; FLORES, 2001). O objetivo desta etapa a
avaliao da eficincia do mtodo utilizado e do seu potencial para utilizao futura.
CAPTULO 4
4 ESTUDO DE CASO
previso de curto prazo (3 meses) foi definido, pois para a situao analisada no se espera
grandes mudanas no padro de demanda no curto prazo.
Tabela 2: Estimativas de perdas mensais de participao de mercado dos produtos 10K, 18K e
30K
Produto
10K 18K 30K
Perdas Mensais 5% 15% 25%
109
Tabela 3: Previses de demanda mensal dos especialistas para os produtos 10K, 18K e 30K
a) Srie temporal original do produto 10K b) Srie temporal ajustada do produto 10K
12000 12000
10000 10000
8000 8000
6000 6000
4000 4000
2000 2000
2000 2001 2002 2003 2004 2000 2001 2002 2003 2004
c) Srie temporal original do produto 18K d) Srie temporal ajustada do produto 18K
3000 3000
2500 2500
2000 2000
1500 1500
1000 1000
500 500
2000 2001 2002 2003 2004 2000 2001 2002 2003 2004
e) Srie temporal original do produto 30K f) Srie temporal ajustada do produto 30K
1500 1500
1000 1000
500 500
2000 2001 2002 2003 2004 2000 2001 2002 2003 2004
Figura 15: Sries temporais originais e ajustadas dos produtos 10K, 18K e 30K
Nvel Setorial Nvel Corporativo Nvel da Unidade Nvel da Unidade de Nvel local
Estratgica de Negcios Manuteno de Estoque
No Sim No Sim
Anlise de diferentes polticas? Casos similares Anlise de diferentes Bom conhecimento Mtodos causais
Necessidade de previses freqentes? existem? polticas? contextual?
Mtodos de
No Sim No Sim Sim No
Extrapolao** Bom conhecimento de fatores
Sim No
econmicos
Alto custo de especialistas? relacionados a previso?
Melhor fonte de informaes Necessidade de previses freqentes? Recursos limitados
para implementao? No Sim
especialistas participantes
Sim No
Sim No
112
Figura 16: Mtodos de previso selecionados no primeiro estudo de caso
113
Tabela 4: Perdas mensais mdias de demanda para os produtos 10K, 18K e 30K (estimadas
pelos especialistas e observadas durante o racionamento de energia)
Produto
10K 18K 30K
Perdas mensais estimadas 5% 15% 25%
Perdas mensais durante o apago 30% 50% 38%
Esta etapa da metodologia proposta foi realizada em dois passos: (i) implementao
dos mtodos quantitativos; e (ii) ajuste subjetivo das previses quantitativas.
modelagens das sries foram realizadas com a aplicao dos mtodos de Suavizao
Exponencial (Holt-Winters) e Box-Jenkins.
Produto 10K
10000
8000
6000
4000
2000
0
2000 2001 2002 2003 2004
10000
8000
6000
4000
2000
Tabela 6: Demandas mensais previstas (em unidades de produto), limites inferior e limites
superior (nvel de confiana = 95%) para o produto 10K
Produto 18K
3000
2500
2000
1500
1000
500
0
2000 2001 2002 2003 2004
4000
3500
3000
2500
2000
1500
1000
500
2000 2001 2002 2003 2004
Tabela 8: Demandas mensais previstas (em unidades de produto), limites inferior e limites
superior (nvel de confiana = 95%) para o produto 18K
Produto 30K
2000
1500
1000
500
1500
1000
500
Tabela 10: Demandas mensais previstas (em unidades de produto), limites inferior e limites
superior (nvel de confiana = 95%) para o produto 30K
Tabela 11: Demandas pontuais previstas (em unidades de produto/ms) aps ajuste subjetivo
das previses individuais para os produtos 10K, 18K e 30K
Previses individuais
Mtodo de
Mtodo de
Suavizao
Box-Jenkins
Exponencial
Previso Previso
Produto Perodo
Pontual Pontual
dezembro-03 4.458 3.773
10k janeiro-04 2.452 1.876
fevereiro-04 2.406 1.893
dezembro-03 1.578 1.824
18k janeiro-04 882 878
fevereiro-04 828 1.097
dezembro-03 1.043 1.003
30k janeiro-04 744 759
fevereiro-04 502 483
horizonte de previso e o APE o erro para cada perodo que compem o horizonte de
previso, facilitando a anlise da preciso mensal das previses. Os resultados da anlise de
acurcia das previses sem ajuste subjetivo (Tabelas 6, 8 e 10) so apresentados na Tabela 12.
A Tabela 13 apresenta a acurcia das previses ajustadas subjetivamente com as estimativas
de perdas de participao no mercado. Comparando as Tabelas 12 e 13, pode-se definir os
mtodos mais precisos em funo da anlise das medidas de acurcia e evidenciar as
melhorias na preciso com o ajuste subjetivo. O ajuste subjetivo melhorou a acurcia das
previses dos trs produtos para os dois mtodos implementados.
Para os produtos 10K e 30K o mtodo que ofereceu a melhor acurcia foi o mtodo de
Box-Jenkins com ajuste subjetivo (valores em vermelho indicam o menor valor de MAPE
obtido para cada produto). Para o produto 18K o mtodo mais adequado o de Suavizao
Exponencial com ajuste subjetivo. A Tabela 14 compara a acurcia dos mtodos mais
precisos (Box-Jenkins para os produtos 10K e 30K; e Suavizao Exponencial para o produto
18K) com a acurcia das previses dos especialistas da empresa.
Tabela 12: Acurcia das demandas pontuais previstas sem ajuste subjetivo das previses para
os produtos 10K, 18K e 30K
Mtodo de Suavizao
Mtodo de Box-Jenkins
Exponencial
Tabela 13: Acurcia das demandas pontuais previstas com ajuste subjetivo das estimativas de
perdas de participao no mercado para os produtos 10K, 18K e 30K
Mtodo de Suavizao
Mtodo de Box-Jenkins
Exponencial
Tabela 14: Acurcia das demandas pontuais previstas pelos especialistas da empresa e pelos
mtodos mais adequados para os produtos 10K, 18K e 30K
previses dos especialistas da empresa. Comparaes dos mtodos selecionados com outros
mtodos estruturados de previso podem ser realizadas futuramente para a otimizao do
sistema de previses da empresa e comparaes de acurcia.
O segundo estudo de caso foi desenvolvido em parceria com uma empresa que produz
medidores de energia eltrica. Os medidores de energia so fornecidos para empresas de
distribuio de energia tanto do Brasil quanto do exterior. O produto de interesse neste estudo
um medidor eletrnico de energia eltrica, o qual vem sendo introduzido lentamente no
mercado brasileiro. O medidor eletrnico foi desenvolvido para substituir os medidores
eletromecnicos fabricados pela empresa, especialmente na classe de consumidores
residenciais das distribuidoras de energia eltrica.
O intervalo entre previses foi definido como de 6 meses. Foi considerado que no
havia necessidade de alocao de recursos para revises freqentes das previses at que os
produtos entrassem no ciclo de crescimento rpido no mercado.
Como os produtos esto numa fase do ciclo de vida que influenciada por numerosos
fatores contextuais, um horizonte de previso de mdio prazo (6 meses) foi estipulado. O
mercado para medidores de energia eltrica est sujeito a diversos fatores, como decises
governamentais sobre o setor de energia eltrica e sobre a utilizao de medidores eletrnicos
para consumidores residenciais.
A etapa de priorizao dos itens a serem previstos no foi necessria, pois o interesse
da empresa era por previses de demanda agregada dos diferentes modelos de medidores
eletrnicos.
Figura 20: Vantagens dos medidores eletrnicos em relao aos medidores eletromecnicos
(Fonte: ENGECOMP, 1999)
25000
20000
15000
Nvel Setorial Nvel Corporativo Nvel da Unidade Nvel da Unidade de Nvel local
Estratgica de Negcios Manuteno de Estoque
No Sim No Sim
Anlise de diferentes polticas? Casos similares Anlise de diferentes Bom conhecimento Mtodos causais
Necessidade de previses freqentes? existem? polticas? contextual?
Mtodos de
No Sim No Sim Sim No
Extrapolao** Bom conhecimento de fatores
Sim No
econmicos
Alto custo de especialistas? relacionados a previso?
Melhor fonte de informaes Necessidade de previses freqentes? Recursos limitados
para implementao? No Sim
especialistas participantes
Sim No
Sim No
129
Figura 22: Mtodos de previso selecionados no segundo estudo de caso
130
A implementao do mtodo Delphi foi realizada em seis etapas: (i) definio dos
respondentes e elaborao do questionrio; (ii) validao do questionrio a ser aplicado; (iii)
aplicao do questionrio; (iv) tabulao e anlise dos dados; (v) nova rodada de aplicao do
questionrio; e (vi) obteno das previses finais. O objetivo do Delphi era obter informaes
sobre taxa de substituio dos medidores para ajuste das previses quantitativas dos
medidores eletromecnicos.
e polifsico, mas a empresa parceira est focando na substituio dos polifsicos. Desta
forma, considerou-se somente a substituio dos polifsicos neste estudo de caso, pois a
empresa pretende retirar do mercado os polifsicos ofertados atualmente.
Tabela 15: Taxas estimadas de substituio dos medidores eletromecnicos pelos eletrnicos
na primeira rodada do Delphi
Medidores Eletromecnicos
Monofsicos Polifsicos
Muito pouco Condies Muito Muito pouco Condies Muito
Cenrio
favorvel atuais favorvel favorvel atuais favorvel
Distribuidora A 1% 3% 4,5% 2% 3% 4,5%
Distribuidora B 1% 4% 100% 0,5% 1% 100%
Empresa 0% - 50% 5% 10% 100%
Mdia 0,7% 3,5% 51,5% 2,5% 4,7% 68,2%
134
Tabela 16: Taxas estimadas de substituio dos medidores eletromecnicos pelos eletrnicos
na segunda rodada do Delphi
Medidores Eletromecnicos
Monofsicos Polifsicos
Muito pouco Condies Muito Muito pouco Condies Muito
Cenrio
favorvel atuais favorvel favorvel atuais favorvel
Distribuidora A 1% 3,5% 51,5% 2% 3% 68,1%
Distribuidora B 1% 3,5% 100% 2,5% 3% 100%
Empresa 1% 3,5% 50% 2,5% 4,7% 100%
Mdia 1% 3,5% 67,2% 2,3% 3,6% 89,4%
135
A primeira anlise focou no perodo ideal para a mdia mvel. Desta forma,
comparou-se a mdia dos erros percentuais absolutos (MAPE) dos valores ajustados em
relao aos valores da srie histrica para Mdias Mveis com diferentes perodos (n = 1, 2, 3,
4, 5 e 6). O perodo com menor MAPE correspondeu a n = 3 (Tabela 17), sendo este utilizado
para comparaes com o mtodo de Suavizao Exponencial.
Tabela 17: MAPE para o mtodo de Mdia Mvel com diferentes perodos
X 10000
30000
25000
20000
15000
10000
2002 2003 2004
Tabela 18: Dados dos modelos selecionados para o medidor eletromecnico polifsico
Tabela 19: Demandas previstas (em unidades de produto), limites inferior e limites superior
(nvel de confiana = 95%) para o medidor eletromecnico polifsico
Tabela 21: Acurcia das previses de demanda dos medidores eletrnicos (cenrio atual)
Tabela 22: Acurcia das previses de demanda dos medidores eletrnicos (cenrio muito
pouco favorvel)
Analisando as Tabelas 21 e 22, o menor MAPE (5,5087) foi obtido para o mtodo de
Suavizao Exponencial ajustado com a taxa de substituio para o cenrio muito pouco
favorvel. As previses obtidas por este mtodo e para o cenrio muito pouco favorvel foram
comparadas com as previses dos especialistas da empresa conforme apresentado na Tabela
23. Os valores de APE e MAPE evidenciam os erros obtidos com o mtodo de previso
selecionado pela metodologia proposta, o que justificado pela incerteza inerente ao processo
de previso de novos produtos.
Tabela 23: Acurcia das demandas pontuais previstas pelos especialistas da empresa e pelo
mtodo selecionado para os medidores eletrnicos
O mtodo selecionado apresentou menor MAPE que o obtido para as previses dos
especialistas da empresa. Apesar do erro obtido com o mtodo de Analogia ser grande, o
mtodo oferece previses com menor erro que as dos especialistas da empresa. A vantagem
de utilizao do mtodo de Analogia foi a utilizao do mtodo qualitativo (Delphi), o qual
disponibilizou informaes contextuais de suma importncia para o processo preditivo.
A melhoria de acurcia das previses com o mtodo proposto pode ser traduzida em
melhorias no planejamento do processo produtivo dos medidores eletrnicos, principalmente
na compra de matria-prima, programao de produo e alocao de mo-de-obra. Previses
mais precisas poderiam, possivelmente, ser obtidas com a aplicao do Delphi com uma
amostra maior de respondentes. A amostra limitou a pesquisa Delphi em exploratria, no
podendo ser considerada uma pesquisa conclusiva sobre o assunto abordado.
140
CAPTULO 5
5 CONCLUSO
Essa dissertao teve como objetivo principal a apresentao de uma metodologia para
direcionar a escolha de mtodos de previso de demanda mais apropriados para diferentes
cenrios. Para atingir este objetivo foi necessria uma reviso bibliogrfica atualizada sobre
fatores de direcionamento de escolha de mtodos de previso. Foram detalhados 13 mtodos
de previso de demanda, apresentados nos estudos de Armstrong (2001b), Georgoff e
Murdick (1986) e Chambers, Mullick e Smith (1971).
REFERNCIAS
ARMSTRONG, J. Forecasting Methods for Conflict Situations. In: WRIGHT, G.; AYTON,
P. Judgmental Forecasting. New York: John Wiley & Sons, 1987.
ARMSTRONG, J. S. Long-rang Forecasting. 2. ed., New York: John Wiley & Sons, 1985.
BLATTBERG, R. C.; HOCH, S. J. Database Models and Managerial Intuition: 50% Model +
50% Manager. Management Science. v. 36, n. 8, p. 887-899, 1990.
BOX, G. E. P.; JENKINS, G. M.; REINSELL, G. C. Time Series Analysis: Forecasting and
Control. New Jersey: Prentice Hall, 1994.
CHAMBERS, J. C.; MULLICK, S. K.; SMITH, D. D. How to Choose the Right Forecasting
Technique. Harvard Business Review. v. 49, July-August, p. 45-57, 1971.
CHURCHILL, G. A. Basic Marketing Research. 4 Ed., New York: The Dryden Press,
2001.
COLLOPY, F.; ADYA, M.; ARMSTRONG, J. S. Expert Systems for Forecasting. In:
ARMSTRONG, J. Principles of forecasting: a Handbook for Researchers and
Practitioners. Boston: Kluwer Academic Publishers, 2001.
COLLOPY, F.; ARMSTRONG, J. S. Expert Opinions about Extrapolation and the Mystery of
the Overlooked Discontinuities. International Journal of Forecasting. v. 8, n. 4, p. 575-
582, 1992a.
DIETZ, T. Methods for Analyzing Data from Delphi Panels: Some Evidence from
Forecasting Study. Technological Forecasting and Social Change. v. 31, n. 1, p. 79-85,
1987.
ELSAYED, E.; BOUCHER, T. Analysis and Control of Production Systems. 2. ed., New
Jersey: Prentice-Hall, 1994.
FILDES, R. Quantitative Forecasting the State of the Art: Econometric Models. Journal of
the Operational Research Society. v. 36, n. 7, p. 549-580, 1985.
FROST, __; SULLIVAN; __. Eletronic Meters set to dominate Utilites. 2003. Disponvel em:
<http://www. engineeringtalk.com/news/fro/fro199.html > Acesso em: 23 out. 2004.
HUTH, L. W.; EPPRIGHT, R. D.; TAUBE, M. P. The Indexes of Consumer Sentiment and
Confidence: Leading or Misleading Guides to Future Buyer Behavior. Journal of Business
Research. v. 29, n. 3, p. 199-206, 1994.
KLASSEN, R.; FLORES, B. Forecasting Practices of Canadian Firms: Survey Results and
Comparisons. International Journal of Production Economics. v.70, n.2, p. 163-174, 2001.
LIM, J. S.; O`CONNOR, M. J. Judgmental Forecasting with in Time Series and Causal
Information. International Journal of Forecasting. v. 12, n. 1, p. 139-153, 1996.
LYNN, G.; SCHNAARS, S.; SKOV, R. Survey of New Product Forecasting Practices in
Industrial High Technology and Low Technology Businesses. Industrial Marketing
Management. v. 28, n. 6, p. 565-571, 1999.
MAKRIDAKIS, S. Forecasting: Its Role and Value for Planning and Strategy. International
Journal of Forecasting. v. 12, n. 4, p. 513-537, 1996.
MAKRIDAKIS, S.; HIBON, M. ARMA Models and the Box-Jenkins Methodology. Journal
of Forecasting. v. 16, n. 3, p. 147-163, 1997.
MOON, M; MENTZER, J.; SMITH, C.; GARVER, M. Seven Keys to Better Forecasting.
Business Horizons. v. 41, n. 5, p. 44-52, 1998.
PREBLE, J. Public Sector Use of the Delphi Technique. Technological Forecasting and
Social Change. v. 23, n. 1, p. 75-88, 1983.
RASMUSSEN, R. On Time Series Data and Optimal Parameters. Omega. v. 32, n. 2, p. 111-
120, 2004.
RINGUEST, J. L.; TANG, K. Simple Rules for Combining Forecasts: Some Empirical
Results. Socio-Economic Planning Sience. v. 21, n. 14, p. 239-243, 1987.
ROWE, G.; WRIGHT, G. The Delphi Technique as a Forecasting Tool: Issues and Analysis.
International Journal of Forecasting. v. 15, n. 4, p. 353-375, 1999.
150
SOUDER, W.; THOMAS, R. Significant Issues for the Future of Product Innovation. The
Journal of Product Innovation Management. v. 11, n. 4, p. 344-353, 1994.
WEBBY, R.; OCONNOR, M.; EDMUNDSON, B. Forecasting Support Systems for the
Incorporation of Event Information: an Empirical Investigation. International Journal of
Forecasting. v. 21, n. 3, p. 411-423, 2004.
WEBBY, R.; OCONNOR, M. Judgmental and Statistical Time Series Forecasting: a Review
of the Literature. International Journal of Forecasting. v. 12, n. 1, p. 91-118, 1996.
WRIGHT, G.; LAWRENCE, M.; COLLOPY, F. The Role and Validity of Judgment in
Forecasting. International Journal of Forecasting. v. 12, n. 1, p. 1-8, 1996.
YIN, R. Case Study Research: Design and Methods. Thousand Oaks: Sage Publications,
1994.
152
Mtodo de Previso
Fatores de seleo
Pesquisa de Intenes Delphi Mdia mvel
curto prazo curto prazo curto prazo
Horizonte de previso com boa
mdio prazo mdio prazo mdio prazo
acurcia
longo prazo
Urgncia de previses (rapidez na A coleta de dados pode Urgncia de previses Previso pode ser obtida
gerao das previses) demandar muito tempo. compromete o mtodo. rapidamente.
Tempo de desenvolvimento do
moderado moderado curto
mtodo
Mudanas contextuais so Incorpora bem as mudanas Incorpora bem as mudanas No pode incorporar mudanas
esperadas contextuais nas previses. contextuais nas previses. contextuais nas previses.
Mudanas nas relaes entre Raramente incorpora mudanas No pode incorporar mudanas
Adapta-se bem a mudanas.
variveis so esperadas nas relaes entre variveis. nas relaes entre variveis.
Mtodo de Previso
Fatores de seleo
Suavizao exponencial Box-Jenkins Anlise de Regresso
curto prazo curto prazo curto prazo
Horizonte de previso com boa
mdio prazo mdio prazo mdio prazo
acurcia
longo prazo longo prazo
Tempo de desenvolvimento do
curto longo moderado a longo
mtodo
Necessidade de atualizaes de O mtodo permite atualizaes O mtodo permite atualizaes O mtodo permite atualizaes
previses freqentes das previses. freqentes das previses. freqentes das previses.
Mtodo de Previso
Fatores de seleo Decomposio de sries
Analogias Modelos economtricos
temporais
curto prazo curto prazo
Horizonte de previso com boa
mdio prazo mdio prazo mdio prazo
acurcia
longo prazo longo prazo
Tempo de desenvolvimento do
moderado moderado longo
mtodo
Necessidade de previses dos Pode ser utilizado para previses Geralmente utilizado para Geralmente utilizado para
componentes da srie temporal de componentes. previses agregadas. previses agregadas.
Mtodo de Previso
Fatores de seleo
Bootstrapping Subjetivo Anlise Conjunta Jogo de Representao
curto prazo curto prazo curto prazo
Horizonte de previso com boa
mdio prazo mdio prazo mdio prazo
acurcia
longo prazo longo prazo longo prazo
Urgncia de previses Urgncia de previses
Urgncia de previses (rapidez na compromete o mtodo. compromete o mtodo. Urgncia de previses
gerao das previses) O desenvolvimento do modelo O desenvolvimento do modelo compromete o mtodo.
pode demandar muito tempo. pode demandar muito tempo.
Tempo de desenvolvimento do
moderado a longo moderado a longo moderado
mtodo
Mudanas nas relaes entre Baixa acurcia das previses se Raramente incorpora mudanas
Adapta-se bem a mudanas.
variveis so esperadas mudanas ocorrerem. nas relaes entre variveis.
Pode ser mais acurado para Pode ser mais acurado para
Pode ser acurado se as relaes
Grau de acurcia situaes dinmicas e previses situaes dinmicas e previses
das variveis se mantm estveis.
de longo prazo. de longo prazo.
Capacidade de incorporar Pode ajustar muito bem a Pode ajustar muito bem a
Pode responder muito bem a
prontamente mudanas de direo previso sob condies previso sob condies
mudanas.
da demanda na previso dinmicas. dinmicas.
159
Mtodo de Previso
Fatores de seleo
Previso baseada em regras Sistema Especialista
curto prazo curto prazo
Horizonte de previso com boa
mdio prazo mdio prazo
acurcia
longo prazo longo prazo
Urgncia de previses
Urgncia de previses compromete o
Urgncia de previses (rapidez na compromete o mtodo.
mtodo. O desenvolvimento do modelo
gerao das previses) O desenvolvimento do modelo
pode demandar muito tempo.
pode demandar muito tempo.
Tempo de desenvolvimento do
moderado a longo longo
mtodo
Necessidade de atualizaes de Mtodo pode ser revisado em intevalos Mtodo pode ser revisado em
previses grandes de tempo. intevalos grandes de tempo.
Um alto nvel de conhecimento
Necessidade de utilizao de Um alto nvel de conhecimento
matemtico/ estatstico
recursos matemticos sofisticados matemtico/ estatstico necessrio.
necessrio.
Necessidade de recursos Recursos computacionais so Recursos computacionais so
computacionais essenciais. essenciais.
Necessidade de previses dos Pode ser utilizado para previses de Pode ser utilizado para previses
componentes da srie temporal componentes. de componentes.
Apresentao
Qual? Quando foi implantado? Quais razes que levaram aquisio deste software?
166
Outros:___________________
10. Acredita que modelos de otimizao e tcnicas estatsticas podem contribuir para melhoria do
processo de planejamento da produo em sua empresa? Por qu?
12. A tabela abaixo apresenta uma comparao entre sistemas baseados em medio eletrnica, e
os sistemas com medidores eletromecnicos.
13. Quanto ao preo em relao aos concorrentes os medidores eletrnicos da Empresa X so:
mais caros mais baratos praticamente o mesmo preo
14. Quanto ao custo de manuteno do medidor eletrnico em relao aos eletromecnicos, eles
so:
16. Quais os principais fatores que afetam a demanda de medidores eletrnicos? Quais so as
principais barreiras (econmicas, polticas, regulatrias do setor, tecnolgicas, etc.) para a
entrada destes medidores no mercado brasileiro?
168
18. Qual o potencial de mercado para os medidores eletrnicos? Qual a taxa atual de penetrao
de medidores eletrnicos no mercado interno?
19. O mercado de medidores eletrnicos na Europa est em fase de reestruturao, sendo estimado
um aumento na participao de mercado de 19% at 2010, substituindo os medidores
eletromecnicos uma taxa mdia de 2,4% ao ano. Este aumento se deve pela utilizao
destes medidores no setor residencial, setor que utiliza medidores eletromecnicos. Esta
tendncia de mercado tambm verificada no Brasil?
21. Em uma condio muito favorvel de mercado, qual seria a taxa de substituio anual
esperada na classe residencial?
22. Em uma condio muito pouco favorvel de mercado, qual seria a taxa de substituio anual
esperada na classe residencial?
26. Em relao a demanda de medidores eletromecnicos, voc acredita que no curto prazo, a
demanda de medidores eletrnico ser:
Nome: Cargo:
Telefone: e-mail:
171
1. A tabela abaixo apresenta uma comparao entre sistemas baseados em medio eletrnica, e
os sistemas com medidores eletromecnicos.
EMPRESA
Recursos anti-fraude.
FORNECEDORA:
173
3. Qual o potencial de mercado para os medidores eletrnicos? Qual a taxa atual de penetrao
de medidores eletrnicos no mercado interno?
Sim
Pelos recursos disponiveis na Europa, acho esta taxa muito baixa.
No maior porque o medidor eletromecnico no um problema
DISTRIBUIDORA B: to grande assim. As perdas no tcnicas decorrente da utilizao
de medidores eletromecnicos so muito pequenas quando
comparadas a outros fatores como, por exemplo, a fraude no
sistema de medio.
No concordo, pois os mercados so totalmente diferentes. Mas a
EMPRESA substituio dever acontecer rapidamente, pois a diferena de
FORNECEDORA: preo entre eletrnicos e eletromecnico no to grande, alm do
valor agregado nos eletrnicos.
Ambos
Taxa de substituio de monofsicos: 3%
DISTRIBUIDORA A: Taxa de substituio de polifsicos: 3%
A taxa de substituio estar atrelada ao crescimento vegetativo j
que os medidores existentes no sero descartados.
175
Ambos
Taxa de substituio de monofsicos: 4%
DISTRIBUIDORA B:
Taxa de substituio de polifsicos: 1%
A Distribuidora B possui 5,5 milhes de medidores instalados,
trocando anualmente de 200.000 a 300.000 medidores.
Polifsicos
Taxa de substituio de monofsicos: -
EMPRESA Taxa de substituio de polifsicos: 10%
FORNECEDORA: Inicialmente acreditamos que a substituio ser no medidor
polifsico com tendncia da sua totalidade. O monofsico ainda
uma incgnita.
6. Em uma condio muito favorvel de mercado, qual seria a taxa de substituio anual
esperada na classe residencial?
7. Em uma condio muito pouco favorvel de mercado, qual seria a taxa de substituio anual
esperada na classe residencial?
DISTRIBUIDORA A: No
DISTRIBUIDORA B: No
EMPRESA
Sim
FORNECEDORA:
177
Custo/benefcio favorvel; e
DISTRIBUIDORA A: Exigncia de tarifao diferenciada (para aqueles consumidores
que ainda no tem).
Telemetria;
DISTRIBUIDORA B: Combate fraude; e
Condominios Verticais.
Comercial
DISTRIBUIDORA A: Industrial
Residencial
Comercial
DISTRIBUIDORA B: Industrial
Residencial
Comercial
EMPRESA
Industrial
FORNECEDORA:
Residencial
11. Em relao a demanda de medidores eletromecnicos, voc acredita que no curto prazo, a
demanda de medidores eletrnicos ser:
mais baixa
DISTRIBUIDORA A:
96% menor
mais baixa
DISTRIBUIDORA B:
------------
No
O custo para o conserto de um medidor eletromecnico no Brasil
DISTRIBUIDORA A: muito menor que na Europa (onde a mo-de-obra muito cara), e
pelo fato de ainda sermos um pas pobre onde esta substituio
significa muito investimento.
Sim
A oferta de medidores eletromecnico tende a diminuir na medida
em que os medidores eletrnicos se mostrem confiveis (taxa de
DISTRIBUIDORA B:
falha ainda muito alta - 10 a 15% ao ano). As limitaes no so
s financeiras, mas tambm de capacidade das equipes para
substituio em campo.
Sim
Tem que se tomar muito cuidado com esta afirmao. A tendncia
EMPRESA
a longo prazo poder ser a mesma mas as razes so totalmente
FORNECEDORA:
diferentes, porque os produtos/custos tambm so muitos
diferentes.
180
EMPRESA Sim
FORNECEDORA: Mantenho a resposta da primeira rodada.
Ambos
Taxa de substituio de monofsicos: 3,5%
DISTRIBUIDORA A: Taxa de substituio de polifsicos: 3%
Para os monofsicos o valor mdio pode ser considerado, mas para
o polifsico mantenho a estimativa anterior.
Ambos
Taxa de substituio de monofsicos: 3,5%
Taxa de substituio de polifsicos: 3%
DISTRIBUIDORA B:
Utilizar a mdia para o monofsico. Para o polifsico considero a
mdia e a estima da empresa.muito altas. O valor estimado pela
empresa A pode ser considerado.
Taxa de substituio de monofsicos: 3,5%
EMPRESA Taxa de substituio de polifsicos: 4,7%
FORNECEDORA: As taxas mdias dos mono e polifsicos podem ser consideradas
como valores iniciais.
3. Em uma condio muito favorvel de mercado, qual seria a taxa de substituio anual
esperada na classe residencial?
4. Em uma condio muito pouco favorvel de mercado, qual seria a taxa de substituio anual
esperada na classe residencial?