Logística/Técnicas de previsão/Previsão quantitativa/Métodos Temporais

Introdução

É o método mais simples e usual de previsão, e quando bem elaborado oferece bons resultados.Nada exigem além do conhecimento de valores passados da procura, não sofrendo influência de outras variáveis. O termo série temporal indica apenas uma colecção de valores de procura tomados em instantes específicos de tempo, geralmente com igual espaçamento. O tempo está sempre definido – horas, dias, semanas, para verificar se há uma tendência ou um padrão. Estes métodos são utilizados em situações de curto prazo. Este método produz informação essencial para a tomada de decisões. Utilizam-se métodos estatísticos, como por exemplo: média móvel simples, média ponderada exponencial, análise de regressão e projeção de tendência matemática.

O propósito destes métodos é identificar um padrão básico presente nos dados históricos da série e através deste padrão prever valores futuros. Estes métodos simples têm uma grande popularidade, pois são simples de programar, e o custo computacional é muito pequeno além de obter uma previsão razoável.(Tubino,1997)

Classificação

Segundo (marins,s.d), existem mais de 60 métodos de tipo séries temporais.Estes métodos dividem-se pelas:

• Séries Temporais de Modelo Fixo (Fixed-Model Time-Series) – apresentam equações definidas baseadas em avaliações a priori da existência de determinadas componentes nos dados históricos (Mais simples, séries históricas não muito grandes);

• Séries Temporais de Modelo Aberto (Open-Model Time-Series) – analisam as séries temporais de modo a identificar quais os componentes que realmente estão presentes, para então criar um modelo único que projecte tais componentes, prevendo os valores futuros (Mais elaboradas, maior quantidade de dados).

Séries temporais

Os modelos de previsão de séries temporais baseiam-se no pressuposto de que o futuro é uma função do passado. Por outras palavras, estes modelos olham para o que aconteceu ao longo de um período de tempo e utilizam uma série de dados anteriores para fazer uma previsão. Se estamos a prever vendas semanais de cortadores de relva, usamos as vendas semanais passadas ao fazer as previsões. Uma série de tempo é baseada numa sequência de pontos igualmente espaçados (semanal, mensal, trimestral, e assim por diante) de dados. A previsão de séries temporais de dados implica que os valores futuros são previstos apenas em relação aos valores do passado e que outras variáveis, não importa o quão potencialmente valiosos, podem ser ignoradas (Heizer, 2004, p. 107).

O estudo de séries temporais tem como principais objectivos:

• Descrever o comportamento da série, através da construção de um gráfico mostrando como o fenómeno evolui no tempo.

• Investigar o mecanismo gerador da série como ,por exemplo, o padrão de tendência, a existência de alterações estruturais, etc.

• Fazer previsões dos valores futuros da série

• Controlo estatístico da qualidade(Faria et al., 2008, p. 4).

Existem vários métodos para fazer a previsão de séries temporais, sendo que uns mais complexos que outros, o que não significa necessariamente que os métodos mais complexos ofereçam uma previsão mais eficaz ou mais fiável, pois na maioria das vezes os métodos mais simples cumprem com o objectivo proposto, tendo também a vantagem de uma melhor interpretação e compreensão dos seus resultados. Deve-se, portanto, ponderar os benefícios e os riscos da utilização de um método mais simples ou mais complexo antes de iniciar a previsão da série.

No caso das séries temporais utilizam-se métodos estatísticos, como por exemplo: média móvel simples, média ponderada exponencial, análise de regressão e projeção de tendência matemática. O propósito destes métodos é identificar um padrão básico presente nos dados históricos da série e através deste padrão prever valores futuros. Estes métodos simples têm uma grande popularidade, pois são simples de programar, e o custo computacional é muito pequeno além de obter uma previsão razoável(Faria et al., 2008, p. 5-6).

Componentes de uma série temporal

Figura1 Séries temporal, aleatória e sazonal

A análise de dados de séries temporais exige a identificação do comportamento subjacente da série. Muitas vezes isso pode ser realizado simplesmente traçando os dados e examinar. Estes comportamentos podem ser descritos por:

• Tendência , que reflecte uma evolução global do sentido do crescimento(ou decrescimento) do nível da série, pode ser persistente, positiva ou negativa conforme a sua orientação. o cálculo da tendência é realizado pela identificação da equação que descreva esta recta.

• Ciclicidade,caracteriza-se por um padrão de flutuações de médio prazo da série que afectam a sua tendência global. Ocorre devido a interacções com factores económicos,como por exemplo, a expansão ou recessão da economia, sendo aplicado a séries muito longas.

• Aleatoriedade,flutuações imprevisíveis, caracteriza-se por um comportamento aleatório sem correlações temporais(Tavares et al., 1996,p.236 )

• Sazonalidade,que consiste em flutuações regulares da variável que, com períodos de tempo constantes, poderá provocar a variação(descida ou subida) dos valores da variável em relação ao estado da série.As flutuações sazonais resultam essencialmente da natureza mas podem também ser provocadas pelo comportamento humano.

Por exemplo,a sazonalidade turística é um fenómeno que é caracterizado pela instabilidade entre oferta e procura nos determinados períodos do ano, mais especificamente, no caso do turismo, conhecidos como épocas de alta estação e baixa estação. Estações do ano, férias escolares e de trabalho e poder de compra são factores que podem influênciar a sazonalidade da procura turística.A sazonalidade é indesejável, pois, nas épocas de baixa estação, pode causar falências de empresas e, consequentemente, desempregos. Durante a alta estação, ela pode gerar inflação no núcleo receptor. O ideal é que haja equilíbrio entre oferta e procura durante todo o ano, evitando assim a sazonalidade e os factores prejudiciais à actividade turística que são por ela causados.(Wikipédia)

Alguns destes comportamentos estão ilustrados na figura1.

Técnicas descritivas

Ao analisar-se uma ou mais séries temporais a representação gráfica dos dados sequencialmente ao longo do tempo deve ser sempre o primeiro passo e antecede qualquer análise, sendo fundamental para revelar padrões de comportamento importantes.São muitas vezes facilmente identificadas tendências de crescimento (ou decrescimento), padrões cíclicos, alterações estruturais, observações aberrantes, etc. Estes dados são bastante importantes para uma análise prematura e rigorosa do padrão da série. (Ehlers, 2009, p. 7).

Alguns dos métodos mais utilizadas para a previsão das séries são os métodos de previsão estacionários.

Segundo Casaca (2008) a estacionariedade reflecte se a série estudada tem ou não tendências. Uma série estacionária tem seus valores variando em torno de uma média constante, enquanto uma série não-estacionária contem valores que têm a média incrementada ou decrementada. As séries estacionárias são, assim, séries que crescem no tempo e assumem que as estimativas do nível, da tendência e a sazonalidade não variam com a entrada de novos dados.

Os métodos de previsão estacionários podem dividir-se em: (Casaca, 2008 )

1. Previsão ingénua
2. Média móvel simples

Previsão ingénua

O método mais simples de previsão é a previsão ingénua. Este método assume que a procura no período seguinte será igual à procura do período mais recente. Por exemplo, se as vendas de telemóveis nokia foram de 50 unidades em Janeiro, podemos dizer que a previsão de vendas para o mês de Fevereiro será de 50 telemóveis. Embora à primeira vista a abordagem ingénua possa parecer muito simples, não deixa de ser uma ferramenta legítima de previsão. Podem ser enumeradas algumas vantagens, como: não tem praticamente nenhum custo, é rápido e fácil de preparar pois não é necessário fazer uma análise dos dados , e é fácil de compreender. O principal defeito deste método é sua incapacidade de previsão de alta precisão. No entanto, se a precisão resultante é aceitável, esta abordagem merece séria consideração. Além disso, mesmo que outras técnicas de previsão possam oferecer uma melhor precisão, essas terão tendência a envolver quase sempre um custo maior. A precisão de uma previsão ingénua pode servir como um padrão de comparação para analisar quais os custos e a precisão das outras técnicas. Assim, os gestores devem responder à pergunta: se um método tem maior precisão, quais devem ser os recursos adicionais necessárias para atingir esse precisão?

A previsão ingénua também pode ser aplicada a uma série que apresenta sazonalidade ou tendência. Por exemplo, se as vendas mensais apresentam um padrão sazonal, a procura de Dezembro corrente pode ser baseada na procura de Dezembro anterior, a procura para Janeiro pode ser baseado na procura de Janeiro do ano anterior, e assim por diante.

Se há tendência, o aumento (ou redução) da procura real neste período até á procura no próximo período pode ser estimada como a mesma alteração observada entre os dois últimos períodos. Por exemplo, se a procura em Junho é 90 unidades superior a maio, a previsão ingénua para Julho que permitiu a tendência seria a procura real de Junho adicionando 90 unidades. Então, se a procura em Julho foi apenas 85 unidades maior do que em Junho, a previsão de Agosto seria a procura real de Julho mais 85 unidades. (Stevenson, 1996, p. 475).