Técnicas de Previsão

1. TÉCNICAS DE PREVISÃO

2. Comunicamos que todas as informações contidas neste documento são confidenciais. A utilização, cópia, distribuição e divulgação não autorizadas são expressamente proibidas. Agradecemos a colaboração.© 2020 Visagio. Todos os direitos reservados.

3. INTRODUÇÃO Gestão da Demanda A função gestão da demandainclui esforços em cinco processos principais: previsão da demanda, comunicação com o mercado, influência sobre a demanda, promessa de prazos de entrega, priorização e alocação (Henrique Côrrea, 2001)

4. INTRODUÇÃO Previsão da Demanda A subfunçãoprevisão de demanda consiste na utilização de técnicas e métodos, qualitativos ou quantitativos, para elaboração de uma projeção de demanda de curto, médio ou longo prazo – é a pedra fundamental sobre a qual são agregadas as outras subfunções da gestão de demanda Gestão da Demanda A função gestão da demandainclui esforços em cinco processos principais: previsão da demanda, comunicação com o mercado, influência sobre a demanda, promessa de prazos de entrega, priorização e alocação (Henrique Côrrea, 2001)

5. INTRODUÇÃO • A figura abaixo representa um fluxo geral para a previsão estatística e o planejamento integrado PREVISÃO ESTATÍSTICA Variáveis explicativas Histórico de vendas Eventos específicos Coleta de Dados Construção do Modelo Quantitativo Tratamento estatístico Conjuntura econômica Informações de Clientes Decisões da área comercial Informações dos concorrentes Reunião de Previsão PLANEJ. INTEGRADO Forecast – Previsão de vendas

6. INTRODUÇÃO A única coisa de qual podemos estar 100% certos é que erramos a previsão

7. INTRODUÇÃO A única coisa de qual podemos estar 100% certos é que erramos a previsão Forecastingistheartofsayingwhatwillhappenandthenexplainingwhy it didn’t

8. INTRODUÇÃO A única coisa de qual podemos estar 100% certos é que erramos a previsão Forecastingistheartofsayingwhatwillhappenandthenexplainingwhy it didn’t It isfarbettertoforeseeevenwithoutcertaintythannottoforeseeatall

9. QUAIS SÃO OS TIPOS DE MÉTODOS DE PREVISÃO DE DEMANDA?

10. TIPOS DE MÉTODOS DE PREVISÃO DE DEMANDA Métodos Descrição Temporais - Médias Móveis - Amortecimento Exponencial - Decomposição Clássica Baseados apenas na série temporal da variável em estudo. Procuram identificar os componentes presentes em uma série de dados para a partir dos componentes construir a previsão Causais - Regressão Linear - Regressão Múltipla Procura-se explicar o comportamento da variável de interesse através de outras variáveis auxiliares que estejam relacionadas com a variável principal Qualitativos • Métodos combinados • Métodos baseados em julgamento Baseados na expertise e no julgamento de profissionais do mercado

11. MODELOS TEMPORAIS

12. MODELOS TEMPORAIS | ANÁLISE DE DADOS • O primeiro passo da análise de dados é plotar a série histórica para identificar os padrões da curva... Tendência Nível Nível Nível + Tendência Movimento de longo prazo que indica a evolução do nível da série temporal Componente que se mantém ao longo do tempo. Equivalente ao coeficiente linear de uma reta Sazonalidade Ciclo Nível + Tendência + Ciclo Nível + Tendência + Ciclo + Sazonalidade Movimentos periódicos relacionados a questões de mercado ou geográficas Movimento de longo prazo e indeterminado que indica desvio em relação ao movimento de tendência

13. MODELOS TEMPORAIS | ANÁLISE DE DADOS • O primeiro passo da análise de dados é plotar a série histórica para identificar os padrões da curva... Tendência Nível Nível + Tendência Movimento de longo prazo que indica a evolução do nível da série temporal Sazonalidade Ciclo Nível + Tendência + Ciclo Nível + Tendência + Ciclo + Sazonalidade Movimentos periódicos relacionados a questões de mercado ou geográficas Movimento de longo prazo e indeterminado que indica desvio em relação ao movimento de tendência

14. MODELOS TEMPORAIS | ANÁLISE DE DADOS • O primeiro passo da análise de dados é plotar a série histórica para identificar os padrões da curva... Nível Nível + Tendência Sazonalidade Ciclo Nível + Tendência + Ciclo Nível + Tendência + Ciclo + Sazonalidade Movimentos periódicos relacionados a questões de mercado ou geográficas Movimento de longo prazo e indeterminado que indica desvio em relação ao movimento de tendência

15. MODELOS TEMPORAIS | ANÁLISE DE DADOS • O primeiro passo da análise de dados é plotar a série histórica para identificar os padrões da curva... Nível Nível + Tendência Sazonalidade Nível + Tendência + Ciclo Nível + Tendência + Ciclo + Sazonalidade Movimentos periódicos relacionados a questões de mercado ou geográficas

16. MODELOS TEMPORAIS | ANÁLISE DE DADOS • O primeiro passo da análise de dados é plotar a série histórica para identificar os padrões da curva... Nível Nível + Tendência Nível + Tendência + Ciclo Nível + Tendência + Ciclo + Sazonalidade

17. MODELOS TEMPORAIS | ANÁLISE DE DADOS • ... e identificação de outliers que podem afetar o resultado da previsão Fórmula Visualização Gráfica Mediana ± 1,5 * (3ºQ – 1ºQ) Boa prática: Utilizar ambos os métodos para avaliar outliers e entender os principais com o cliente

18. MODELOS TEMPORAIS | MÉDIAS MÓVEIS • A média móvel pode ser utilizadas em séries que não possui o componente de tendência e em previsões de curto prazo Média Móvel (n=1) Média Móvel (n=5) Definição do n Seleciona-se o critério de comparação para cada n de acordo com: • Indicadores de magnitude • Indicadores de viés • Indicadores que inibe grande erros

19. MODELOS TEMPORAIS | AMORTECIMENTO O amortecimento simples utiliza um fator a que permite um peso diferenciado para os períodos da série histórica (quanto maior o alfa, menor será o peso para os períodos mais distantes) Amortecimento Simples a = 0,3 a = 0,1 Nota: o fator de amortecimento varia entre 0 e 1 Quanto maior o alfa, menor o peso para os períodos mais distantes

20. MODELOS TEMPORAIS | AMORTECIMENTO O amortecimento duplo adiciona um componente para ajustar o padrão de tendência da série histórica e um fator de amortecimento β Amortecimento Duplo MM6 em Série com Tendência MM6 e Amortecimento Duplo Projeção com viés (abaixo do realizado) Nota: os fatores de amortecimento variam entre 0 e 1 Quanto maior o alfa, menor o peso para os períodos mais distantes

21. MODELOS TEMPORAIS | AMORTECIMENTO O amortecimento triplo adiciona um componente para ajustar o padrão de sazonalidade da série histórica e um fator de amortecimento y Amortecimento Triplo Nota: os fatores de amortecimento variam entre 0 e 1 Quanto maior o alfa, menor o peso para os períodos mais distantes

22. MODELOS TEMPORAIS | DECOMPOSIÇÃO Método de previsão que identifica e calcula os diversos componentes de uma série temporal (tendência, sazonalidade, ciclo e variações aleatórias) Decomposição Clássica Série Temporal = T x S x C + Erro Quanto maior o alfa, menor o peso para os períodos mais distantes

23. MODELOS TEMPORAIS | DECOMPOSIÇÃO Retirada do componente sazonal Cálculo dos índices sazonais Cálculo do componente de tendência Construção do modelo Cálculo do componente de ciclo Decomposição Clássica A retirada do componente sazonal é feita através do amortecimento da série temporal por uma média móvel; A média móvel deve ser construída com n igual o número de períodos no ciclo sazonal; A média móvel construída deve ser centrada. Caso o número de períodos no ciclo sazonal seja par, deve-se construir uma média móvel dupla. Quanto maior o alfa, menor o peso para os períodos mais distantes

24. MODELOS TEMPORAIS | DECOMPOSIÇÃO Retirada do componente sazonal Cálculo dos índices sazonais Cálculo do componente de tendência Construção do modelo Cálculo do componente de ciclo Decomposição Clássica Quanto maior o alfa, menor o peso para os períodos mais distantes

25. MODELOS TEMPORAIS | DECOMPOSIÇÃO Retirada do componente sazonal Cálculo dos índices sazonais Cálculo do componente de tendência Construção do modelo Cálculo do componente de ciclo Decomposição Clássica O cálculo dos índices sazonais é feita pela razão entre a série original e a MMC Série Temporal = T x S x C MMC = T x C Série Temporal T x S x C = = S MMC T x C Quanto maior o alfa, menor o peso para os períodos mais distantes

26. MODELOS TEMPORAIS | DECOMPOSIÇÃO Retirada do componente sazonal Cálculo dos índices sazonais Cálculo do componente de tendência Construção do modelo Cálculo do componente de ciclo Decomposição Clássica A normalização dos índices consiste na multiplicação dos indicadores sazonais médios pela razão de n pela soma total dos índices sazonais Soma é igual a n Soma NÃO é igual a n Quanto maior o alfa, menor o peso para os períodos mais distantes

27. MODELOS TEMPORAIS | DECOMPOSIÇÃO Retirada do componente sazonal Cálculo dos índices sazonais Cálculo do componente de tendência Construção do modelo Cálculo do componente de ciclo Decomposição Clássica Após a retirada da componente sazonal utiliza-se a média móvel centrada como base para o cálculo da tendência da série temporal Utiliza-se regressão linear simples para estimar os parâmetros da reta que melhor se ajusta a MMC Esta reta de regressão fornece os valores de tendência para a série histórica e para a série de previsões Quanto maior o alfa, menor o peso para os períodos mais distantes

28. MODELOS TEMPORAIS | DECOMPOSIÇÃO Retirada do componente sazonal Cálculo dos índices sazonais Cálculo do componente de tendência Construção do modelo Cálculo do componente de ciclo Decomposição Clássica A componente de ciclo corresponde a variação de MMC em torno do comportamento esperado representado pela reta de regressão Podemos calcular a componente de ciclo através da equação de decomposição da seguinte razão MMC T x C = = C Reta de Regressão T Quanto maior o alfa, menor o peso para os períodos mais distantes

29. MODELOS TEMPORAIS | DECOMPOSIÇÃO Retirada do componente sazonal Cálculo dos índices sazonais Cálculo do componente de tendência Construção do modelo Cálculo do componente de ciclo Decomposição Clássica Normalmente a variação da componente de ciclo é associada a mudanças nos ciclos da economia (recessão e expansão) Modelos explicativos utilizando variáveis macroeconômicas podem ser concebidos para fornecer projeções para a componente de ciclo. Estes modelos usualmente fornecem bons resultados O procedimento padrão para projeção da componente de ciclo consiste em repetir o último ciclo calculado disponível para os períodos de previsão Quanto maior o alfa, menor o peso para os períodos mais distantes

30. MODELOS TEMPORAIS | DECOMPOSIÇÃO Retirada do componente sazonal Cálculo dos índices sazonais Cálculo do componente de tendência Construção do modelo Cálculo do componente de ciclo Decomposição Clássica

31. MODELOS TEMPORAIS | DECOMPOSIÇÃO Retirada do componente sazonal Cálculo dos índices sazonais Cálculo do componente de tendência Construção do modelo Cálculo do componente de ciclo Decomposição Clássica Após a separação de todas as componentes podemos calcular a curva ajustada a série temporal pela expressão Em seguida a variação aleatória pode ser estimada pela razão entre a série temporal e a curva ajustada Curva Ajustada T x S x C = Série Temporal R = Curva Ajustada P Quanto maior o alfa, menor o peso para os períodos mais distantes

32. MODELOS TEMPORAIS | DECOMPOSIÇÃO Retirada do componente sazonal Cálculo dos índices sazonais Cálculo do componente de tendência Construção do modelo Cálculo do componente de ciclo Decomposição Clássica Quanto maior o alfa, menor o peso para os períodos mais distantes

33. MODELOS CAUSAIS

34. REGRESSÃO LINEAR SIMPLES • Para o cálculo da equação da reta, utiliza-se o método dos mínimos quadrados • Ŷi = β1 + β2 . Xi ei = ( Ŷi - Yi ) • Vendas • Tempo

35. REGRESSÃO LINEAR MÚLTIPLA Os coeficientes dependem da combinação do impacto de cada variável explicativa sobre a variável explicada Variável Explicada Constante VariávelExplicativa VariávelExplicativa VariávelExplicativa Variável Explicada Variável dependente cuja variação está sendo explicada pelas outras variáveis VariávelExplicativa VariávelExplicativa VariávelExplicativa Variável Explicativa Variável independente cuja variação é usada para explicar as variações da variável dependente

36. REGRESSÃO LINEAR | AVALIANDO RESULTADOS • Os indicadores de ajuste local do modelo descrevem o quanto cada variável explicativa/independente colabora com a explicação de cada variável explicada/dependente • A qualidade dos modelos pode ser avaliada pelos seguintes indicadores: • R2 Ajustado: Quão perto a série original está do modelo previsto • P-valor: Testa a hipótese nula de cada coeficiente ser igual a 0 (= não ser relevante) • Estatística t: Mede o afastamento do valor encontrado para o coeficiente de cada variável independente do ponto zero • Teste F: Testa a hipótese de que o modelo como um todo explica ou não de forma estatisticamente significativa variações na variável dependente • Como decidir? •  1 •  0 • < -2 ou > 2 • > 4

37. REGRESSÃO LINEAR | SELEÇÃO DE VARIÁVEIS • Para decidir quais variáveis incluir no modelo, pode-se testar todas as combinações exaustivamente ou utilizar um método alternativo • Exaustivos • Métodos de Seleção Alternativos

38. REGRESSÃO LINEAR | SELEÇÃO DE VARIÁVEIS • Para decidir quais variáveis incluir no modelo, pode-se testar todas as combinações exaustivamente ou utilizar um método alternativo Este método analisa todas as combinações de regressão, ordenando-as pelo critério de seleção escolhido (R², F etc.) - Se existem k variáveis independentes, o número total de possibilidades é de 2k -1 • Exaustivos • Métodos de Seleção • Alternativos

39. REGRESSÃO LINEAR | SELEÇÃO DE VARIÁVEIS • Para decidir quais variáveis incluir no modelo, pode-se testar todas as combinações exaustivamente ou utilizar um método alternativo • Exaustivos • Métodos de Seleção Alternativos

40. REGRESSÃO LINEAR | SELEÇÃO DE VARIÁVEIS • Para decidir quais variáveis incluir no modelo, pode-se testar todas as combinações exaustivamente ou utilizar um método alternativo • Exaustivos • Progressivo • (Forward) • Métodos de Seleção • Alternativos • Regressivo • (Backward) • Passo a Passo • (Stepwise)

41. REGRESSÃO LINEAR | SELEÇÃO DE VARIÁVEIS • Para decidir quais variáveis incluir no modelo, pode-se testar todas as combinações exaustivamente ou utilizar um método alternativo Modelos de regressão simples são feitos com todas as potenciais variáveis e aquele com maior grau de explicação é selecionado Modelos de 2 variáveis são testados com base no escolhido anteriormente e, caso haja um modelo com explicação maior que o anterior, este é selecionado Modelos de ordem superior vão sendo construídos até que não haja melhoria na explicação • Exaustivos • Progressivo • (Forward) • Métodos de Seleção • Alternativos • Regressivo • (Backward) • Passo a Passo • (Stepwise)

42. REGRESSÃO LINEAR | SELEÇÃO DE VARIÁVEIS • Para decidir quais variáveis incluir no modelo, pode-se testar todas as combinações exaustivamente ou utilizar um método alternativo Este é um semelhante, ou simétrico, ao anterior: Um modelo é criado com todas as possíveis variáveis A cada passo, a variável que representa a menor explicação para o modelo é removida • Exaustivos • Progressivo • (Forward) • Métodos de Seleção • Alternativos • Regressivo • (Backward) • Passo a Passo • (Stepwise)

43. REGRESSÃO LINEAR | SELEÇÃO DE VARIÁVEIS • Para decidir quais variáveis incluir no modelo, pode-se testar todas as combinações exaustivamente ou utilizar um método alternativo Neste método os regressores incluídos ou excluídos durante a elaboração do modelo podem ser reexaminados: O método pode começar com apenas uma variável e continuar progressivamente ou começar com todas e seguir regressivamente Caso comece com todas as variáveis, o método verifica a variável que contribui com a menor explicação para ser eliminada e reconsidera todas as variáveis que já foram eliminadas para verificar se alguma poderia contribuir com maior explicação (O análogo ocorre no caso progressivo) • Exaustivos • Progressivo • (Forward) • Métodos de Seleção • Alternativos • Regressivo • (Backward) • Passo a Passo • (Stepwise)

44. REGRESSÃO LINEAR | RISCO DE OVERFITTING O modelo fica extremamente adaptado às especificidades e ruído presentes na amostra, ao invés de refletir a população O que é? Como evitar? Bem ajustado Overfitting A próxima etapa consistiria em testar os modelos escolhidos anteriormente e selecionar o que gerar o menor erro na base de teste

45. REGRESSÃO LINEAR | VARIÁVEIS DUMMY • Variáveis dummies são variáveis artificiais que podem ser incorporadas ao modelo a fim de considerar efeito qualitativo do modelo que não consegue ser capturado pelo histórico de dados quantitativos y y Dummy de Intercepto Dummy de Inclinação x x Utilizavalorescategóricos Utiliza valores numéricos

46. CRITÉRIOS DE SELEÇÃO DO MODELO

47. CRITÉRIOS DE SELEÇÃO DO MODELO | MODELOS MAIS UTILIZADOS ME (MeanError) MAPE (MeanAbsolutePercentageError) MPE (MeanPercentageError) MAE (MeanAbsoluteError) Ri é o valor real Pi é o valor previsto n número de períodos

48. CRITÉRIOS DE SELEÇÃO DO MODELO | MODELOS MAIS UTILIZADOS RMSE (Root Mean Square Error) MASE (MeanAbsoluteScaledError) Ri é o valor real Pi é o valor previsto n número de períodos

49. CRITÉRIOS DE SELEÇÃO DO MODELO | MASE • O MeanAbsoluteScaledError (MASE) pode ser utilizado em séries com períodos zerados Passo a passo: 1. Calcular a Média do Erro Absoluto do modelo Naive MM1; 2. Verificar a relação absoluta entre o erro e o MAE (Error/MAE); 3. Verificar a média do passo anterior; 4. Calcular o MASE, a partir do MAE do modelo NAIVE, para os demais modelos de previsão em questão.

50. CRITÉRIOS DE SELEÇÃO DO MODELO | MASE • O MeanAbsoluteScaledError (MASE) pode ser utilizado em séries com períodos zerados