Logística/Técnicas de previsão/Métodos ARIMA de Box-Jenkins/Aplicação do modelo em previsões

Origem: Wikilivros, livros abertos por um mundo aberto.

Assim que se encontre um modelo adequado, podem ser feitas previsões para um ou mais períodos no futuro. Intervalos de previsão baseados nas previsões podem igualmente ser construídos. Em geral, para um dado grau de confiança, quanto mais longo for o lead time, maior será o intervalo de previsão. Este facto é sensível, uma vez que a incerteza associada à previsão para um instante distante é maior que a da previsão para o instante seguinte. À medida que se vão obtendo mais dados, o mesmo modelo Autoregressivo Integrado de Média Móvel (ARIMA) pode ser usado para gerar revisões de previsões de outras séries temporais. Se o padrão das séries parecer alterar-se com o passar do tempo, os novos dados podem ser usados para estimar novamente os parâmetros do modelo ou, se necessário, para desenvolver um modelo inteiramente de raiz (Hanke et al., 2008, p. 411).

Ao longo da aplicação do modelo é vital ir verificando os erros das previsões. Se os valores do erro forem consistentemente superiores, à medida que se avança no período de previsão, pode ser tempo de reavaliar o modelo. Nesta altura, pode ser necessária mais uma iteração da estratégia de construção do modelo. Este princípio é também aplicado caso, o erros dos períodos mais recentes de previsão, tenderem a ser consistentemente positivos,sub previsíveis ou negativos, sobre previsíveis. (Hanke et al., 2008, p. 411).

As previsões são, segundo alguns especialistas, um dos inputs mais importantes que os gestores desenvolvem para ajudar no processo de decisão. Virtualmente cada decisão importante ao nível das operações depende, em determinado grau, de uma previsão tais como, a relação entre a acumulação de inventários e a previsão da procura esperada, um departamento de recursos humanos que tem de determinar requisitos para contratação e despedimento de pessoal, entre outros. O quadro executivo das empresas, está ciente da importância da previsão, prova disso é a grande quantidade de tempo que se gasta a estudar tendências na economia e assuntos políticos e a forma como estes eventos podem afectar a procura de produtos e/ou serviços. Um dos aspectos interessantes é a importância que os gestores atribuem a métodos de previsão quantitativos versus previsões baseadas estritamente no seu julgamento. Este aspecto é especialmente sensível quando se trata de aspectos que têm um impacto significativo na procura. Um dos problemas com os métodos de previsão quantitativos é a sua dependência em dados históricos (Hanke et al., 2008, p. 444). Um tipo de problema que os gestores enfrentam frequentemente é a necessidade de preparar previsões de curto-prazo para uma variedade de itens. Um exemplo típico disto mesmo é a programação da produção com base na previsão da procura de vária centenas de produtos diferentes que passam pela linha de produção. Nestas situações, os métodos usados mais frequentemente são os de alisamento. As maiores vantagens dos métodos de alisamento exponencial são o baixo custo e a simplicidade de processos que, embora possam não ser tão precisos como a modelação ARIMA, são frequentemente a única escolha possível quando se lida com sistemas com milhares de itens. A metodologia Box-Jenkins tem sido usada sobretudo na (Hanke et al., 2008, p. 445):

  • Estimativa de alterações de preços na indústria do telefone nos Estados Unidos
  • Investigação de relações entre a concentração de amónia, a corrente e a temperatura em rios
  • Previsão do volume de stock anual
  • Previsão do número de poços de petróleo activos
  • Previsão de diferentes categorias de garantia de qualidade de produtos
  • Análise do efeito das promoções na vendas de produtos aos consumidores
  • Análise da competição entre rotas de comboios e aéreas