PLANEJAMENTO E

CONTROLE DA
PRODUÇÃO

Gisele Lozada
Métodos avançados de
previsão de demanda
Objetivos de aprendizagem
Ao final deste texto, você deve apresentar os seguintes aprendizados:

„„ Descrever os diferentes métodos quantitativos para previsão de

demanda.
„„ Aplicar métodos quantitativos para previsão de demanda.
„„ Enumerar software e ferramentas de previsão de demanda.

Introdução
Planejar é uma atividade comum a qualquer tipo de empresa, inde-
pendentemente de tamanho ou de ramo de atuação. É desejável que
todas as áreas estejam envolvidas com o planejamento, ainda que isso
leve à existência de vários tipos de planejamento tratando de assuntos
diferentes conforme a área em que sejam gerados. Diferenças à parte,
há pelo menos uma grande e importante base comum a todo planejamento:
a previsão da demanda. É necessário que a empresa saiba quanto planeja
vender de seus produtos ou serviços no futuro, pois essa expectativa é o
ponto de partida para praticamente todas as decisões organizacionais.
Sendo assim, a previsão da demanda é um processo racional de busca
de informações acerca do valor das vendas futuras.
As vendas podem depender de muitos fatores, como cenário econô-
mico, movimentos de mercados, esforços para aumentar a participação
da empresa no mercado, entre tantos outros, alguns de cunho subjetivo e
outros mais objetivos, levando à possibilidade de existência de diferentes
categorias de métodos para previsão da demanda, sejam eles qualitativos
ou quantitativos. Os métodos quantitativos, em especial, são destinados
à utilização de modelos estatísticos, matemáticos e econométricos, que
são aplicados a conjuntos de dados históricos geralmente bastante vo-
lumosos — o que faz das técnicas quantitativas de previsão métodos
mais avançados para se prever a demanda.
2 Métodos avançados de previsão de demanda

Nesse contexto, é necessário que os gestores conheçam os diferen-

tes métodos quantitativos de previsão da demanda e compreendam
os propósitos essenciais de cada um, para que, assim, sejam capazes
de aplicá-los de forma adequada, ainda que com apoio de software e
ferramentas destinados à previsão de demanda.
Neste capítulo, você vai poder estudar sobre os métodos quantita-
tivos de previsão de demanda, iniciando pela descrição dos diferentes
modelos existentes, avançando com a sua aplicação e terminando com
o reconhecimento de algumas das alternativas de software e ferramentas
que podem auxiliar e facilitar o processo de previsão de demanda.

1 Métodos quantitativos para previsão

de demanda
Previsão consiste em um processo metodológico que visa a determinar valores
futuros de um fenômeno (como a demanda, por exemplo) por meio de mode-
los estatísticos, matemáticos e econométricos, ou, ainda, mediante técnicas
subjetivas sustentadas por uma metodologia de trabalho clara e previamente
definida. Partindo-se dessa definição, os modelos de previsão se subdividem
em duas categorias principais: métodos quantitativos (objetivos) e métodos
qualitativos (subjetivos). No que respeita à previsão da demanda, os métodos
quantitativos costumam assumir a premissa de que o comportamento da de-
manda passada pode ser utilizado como base para a determinação de valores
futuros (MARTINS; LAUGENI, 2000; WANKE; JULIANELLI, 2011).
Em função disso, as técnicas quantitativas de previsão de demanda são base-
adas no uso de dados históricos, os quais precisam ser relevantes (representativos
para as circunstâncias em que serão utilizados), de qualidade e confiáveis (fiéis à
realidade e adequadamente coletados e organizados). Afinal, tais condições é que
sustentam a premissa de que o passado, quando extrapolado, fornece previsões
acuradas do futuro, garantindo a efetividade dos métodos empregados para isso.

Por melhor que seja o método de previsão, ele poderá falhar se aplicado sobre dados
distantes da realidade.
 Métodos avançados de previsão de demanda 3

Os métodos quantitativos de previsão são classificados em dois grupos

principais — séries temporais e modelos causais —, que serão apresentados
a seguir.

Séries temporais
Os modelos de séries temporais têm o objetivo de determinar previsões de
demanda com base na observação de seus dados históricos, acreditando que
o comportamento observado na demanda de períodos passados se repetirá no
futuro. Para tanto, as técnicas de séries temporais buscam identificar padrões
existentes nos dados históricos a fim de que eles sejam utilizados no cálculo
do valor previsto. Ou seja, os métodos de séries temporais se baseiam em
dados históricos, considerando a hipótese de que o futuro é uma continuação
do passado (MARTINS; LAUGENI, 2000; MOREIRA, 2012; WANKE;
JULIANELLI, 2011).

Os modelos de séries temporais se baseiam em dados históricos, ou seja, as previsões

elaboradas por meio deles são apoiadas no entendimento de que o comportamento
passado da demanda se repetirá no futuro.

As técnicas de séries temporais partem do pressuposto de que os dados

históricos apresentam um ou mais dos componentes elencados a seguir.

„„ Nível: representa o comportamento das vendas no caso de não existir

nenhum outro componente, correspondendo ao ponto inicial de uma
série de vendas.
„„ Tendência: representa o comportamento (crescimento ou declínio)
de uma série no médio ou no longo prazo.
„„ Sazonalidade: representa o comportamento da série em função de
flutuações periódicas no curto ou no médio prazo (motivadas por fatores
como as estações do ano).
„„ Ciclo: representa o comportamento da série em função de variações
periódicas no longo prazo, ocorridas a cada três, quatro ou mais anos
(motivadas por fatores como variações econômicas).
4 Métodos avançados de previsão de demanda

„„ Aleatoriedade ou resíduo: representa as demais variações, que não são

explicadas pelos demais componentes e que geralmente são derivadas
de eventos particulares e não recorrentes.

Os modelos de séries temporais podem ser classificados em dois tipos,

com base na forma utilizada para identificar e projetar os componentes apre-
sentados acima, que são as técnicas de séries temporais de modelo fixo
e séries temporais de modelo aberto. As técnicas de séries temporais de
modelo fixo utilizam equações predefinidas que consideram a existência de
determinados componentes nos dados históricos. Nesse caso, destacam-se os
modelos baseados em médias, como a média móvel simples, a média móvel
ponderada e a média móvel exponencialmente ponderada. Já as técnicas de
séries temporais de modelo aberto analisam as séries temporais de modo a
identificar quais são os componentes que estão presentes nelas para, então,
criar um modelo para projetar os componentes e prever valores futuros de
demanda. Destacam-se, nesse caso, os modelos de decomposição clássica.

Modelos causais
Modelos causais de previsão têm o objetivo de explicar flutuações da demanda
em função de fatores internos ou externos à empresa, a partir da identificação
de variáveis que influenciam o comportamento da demanda e da determinação
da relação existente. Ou seja, são modelos que consideram que a demanda
de um item é afetada por um ou mais fatores, como gasto com propaganda
— fator interno (controlável pela empresa) — e inflação — fator externo
(incontrolável para a empresa) —, entre outros (MOREIRA, 2012; WANKE;
JULIANELLI, 2011).

Os modelos causais consideram que a demanda é influenciada por fatores internos

ou externos à empresa e elaboram as previsões com base na relação existente entre
a demanda e essas variáveis.
 Métodos avançados de previsão de demanda 5

Assim, as análises realizadas pelos modelos causais envolvem os dois tipos

de variáveis apresentados a seguir.

„„ Variáveis causais ou independentes: fatores influenciadores da demanda,

normalmente representados por x.
„„ Variável dependente: a demanda, normalmente representada por y.

Nesse contexto, os modelos causais buscam prever o comportamento da(s)

variável(is) causal(is) para, a partir disso, projetar o que acontecerá com a
variável dependente, formulando previsões da demanda.

Pode-se prever a demanda de um produto em função do gasto com propaganda.

Para tanto, investiga-se qual é a relação linear existente entre as vendas — variável
dependente (y) — e o gasto com propaganda — variável independente (x).

A classe dos modelos causais engloba várias técnicas. Entre elas, a mais
conhecida é a análise de regressão linear, que consiste em utilizar pares de
valores da variável dependente e da(s) variável(is) causal(is) com o objetivo
de compreender se existe alguma relação entre elas, investigar a força e a
natureza dessa relação e, então, criar uma ferramenta de previsão.
A regressão se apresenta em variações como a regressão linear simples e
a regressão linear múltipla. A regressão linear simples é aplicável aos casos
em que a demanda está ligada a apenas uma variável causal. Já a regressão
linear múltipla se aplica aos casos em que há duas ou mais variáveis causais
ligadas à demanda.
A seguir, você poderá ver mais detalhadamente quais são os cálculos
envolvidos na elaboração de previsões por meio desses diversos métodos
mencionados, desenvolvidos através de exemplos que facilitam o entendimento.
6 Métodos avançados de previsão de demanda

2 Aplicação dos métodos quantitativos

Modelos causais

Regressão linear simples

O método de regressão linear simples consiste em determinar a função

Y = a + b X, sendo Y a variável dependente e X a variável independente. Para
a execução dos cálculos, inicia-se pelo cálculo da equação da reta, utilizando
a seguinte expressão (MARTINS; LAUGENI, 2000):

Y = Ymédio + b (X – Xmédio)

onde:

„„ Ymédio = Ʃy / n
„„ Xmédio = Ʃx / n

Para calcular b, a técnica mais utilizada é o método dos mínimos quadrados:

b = Sxy / Sxx

onde:

Sxy = Ʃxy – ((Ʃx × Ʃy) / n)

Sxx = Ʃx2 – ((Ʃx) 2 / n)
Syy = Ʃy2 – ((Ʃy) 2 / n)

Depois de calculados os parâmetros da regressão, deve-se verificar se

existe correlação, o que é feito calculando-se o coeficiente de correlação r
por meio da seguinte expressão:

r = b √ (Sxx / Syy) = Sxy / √ Sxx × Syy

 Métodos avançados de previsão de demanda 7

O coeficiente de correlação indica de que maneira a reta determinada se

ajusta aos dados do contexto em estudo: se for igual a 1 (em valor absoluto),
isso significará que a reta ajustada passa exatamente sobre cada um dos pontos
(há a chamada correlação perfeita). Se o coeficiente for igual a 0,5 (valor
absoluto), isso significará que uma reta paralela ao eixo X teria sido ajustada.
Costuma-se entender que r > 0,7 (em valor absoluto) indica uma boa correlação.
Além disso, o coeficiente de correlação fornece importantes informações
sobre a relação entre as variáveis estudadas no que diz respeito a intensidade
e sentido da relação: quanto mais próximo for de 1 (em valor absoluto), mais
forte será a relação; se ele for positivo, isso indicará que as variáveis variam no
mesmo sentido (quando uma cresce, a outra também o faz) e, se for negativo,
indicará o inverso.

A menção a “reta” deriva do fato de que, no estudo de correlação entre variáveis,

é muito comum a utilização de técnicas gráficas que ilustram a relação, facilitando a
interpretação dos dados e a identificação da existência ou não da correlação. Uma das
ferramentas mais utilizadas para esse fim é o diagrama de dispersão. Você pode saber
mais a respeito disso no capítulo 1 da obra Previsão de vendas: processos organizacionais
& métodos quantitativos e qualitativos (WANKE; JULIANELLI, 2011)).

Após isso, procede-se com o cálculo da previsão, que é feito utilizando-

-se a equação da reta apresentada anteriormente. A realização da previsão
com base no método da regressão linear simples é feita mediante três passos
básicos, que são os seguintes.

„„ Passo 1: ajustar a reta e calcular os parâmetros da regressão

„„ Passo 2: calcular o coeficiente de correlação r
„„ Passo 3: determinar a previsão

Para ilustrar o desenvolvimento dos cálculos, vejamos um exemplo. Vamos

considerar o caso de um produto que, nos últimos seis meses, apresentou a
demanda informada na Figura 1. Com base nos dados apresentados, deseja-se
calcular a previsão para os três meses seguintes.
8 Métodos avançados de previsão de demanda

Figura 1. Consumo real do produto em estudo.

Fonte: Martins e Laugeni (2000, p. 178).

Para realizar a previsão, a variável X corresponde aos meses, que foram

enumerados de 1 a 6 na Figura 2, na qual também se apresentam alguns
cálculos, para facilitar as operações seguintes.

Figura 2. Tabela acessória.

Fonte: Adaptada de Martins e Laugeni (2000).

Então, com base nos dados apresentados, procede-se com os cálculos.

Ajuste da reta e cálculo dos parâmetros da regressão (passo 1):

Sxy = Ʃxy – ((Ʃx × Ʃy) / n) = 8.001 – ((21 × 2.226) / 6) = 210

Sxx = Ʃx2 – ((Ʃx) 2 / n) = 91 – ((21) 2 / 6) = 17,5
Syy = Ʃy2 – ((Ʃy) 2 / n) = 828.376 – ((2.226) 2 / 6) = 2.530
b = Sxy / Sxx = 210 / 17,5 = 12

Cálculo do coeficiente de correlação r (passo 2):

r = Sxy / √ Sxx × Syy = 210 / √ (17,5 × 2.530) = 0,998

(boa correlação, pois r > 0,7 e quase igual a 1)
 Métodos avançados de previsão de demanda 9

Cálculo da previsão para os períodos desejados (passo 3), que nos casos
são os meses de julho, agosto e setembro, os quais corresponderão a 7, 8 e 9,
seguindo a mesma atribuição feita para os seis meses anteriores na tabela
acessória:

Y = Ymédio + b (X – Xmédio)

„„ Previsão julho: 371 + 12 (7 – 3,5) = 413

„„ Previsão agosto: 371 + 12 (7 – 3,5) = 425
„„ Previsão setembro: 371 + 12 (7 – 3,5) = 437

Regressão linear múltipla

O método da regressão linear múltipla é utilizado quando se deseja formular

previsões em um contexto no qual a variável dependente Y (a demanda) varia
linearmente segundo um conjunto de n variáveis independentes X1, X2, X3, ...
Xn. Nesse caso, a equação da reta seria (MOREIRA, 2012):

Y = b0 + b1 X1 + b2 X2, + b3 X3, ... + bn Xn

Os coeficientes b0, b1, b2, b3, ... bn podem ser determinados pelo método dos
mínimos quadrados, mas isso resultaria em um sistema de (n + 1) equações.
Sendo assim, no caso da regressão linear múltipla, como o modelo envolve
um grande número de variáveis, a realização de cálculos de forma manual acaba
se tornando inviável na realidade — o que também pode ocorrer em muitos
dos outros métodos apresentados. Nessas situações, a utilização de software
e ferramentas computacionais que auxiliam na elaboração das previsões se
torna a solução mais apropriada. Você conhecerá alguns desses software e
ferramentas na próxima seção deste capítulo.

Séries temporais

Média móvel simples

No método da média móvel simples, a previsão (P) para o período futuro (t)
é calculada como sendo a média aritmética dos n períodos anteriores, sendo
que, para tanto, é necessário escolher sobre quantos períodos a média será
calculada. Ou seja, nesse caso, a previsão pode ser calculada somando-se o
consumo real (C) dos n períodos escolhidos e dividindo-se essa soma por n.
10 Métodos avançados de previsão de demanda

O temo “móvel” se deve ao fato de que, com o passar do tempo, o valor do

período mais recente é incluído no cálculo da média para calcular a previsão do
período seguinte (MARTINS; LAUGENI, 2000; MOREIRA, 2012; WANKE;
JULIANELLI, 2011).
Como exemplo, podemos considerar o caso de um produto que, nos últimos
12 meses (Ano 1), apresentou a demanda (em unidades) exibida na Figura 3
e para o qual se deseja calcular a previsão para o período seguinte (janeiro
do Ano 2).

Figura 3. Consumo real dos últimos doze meses do produto em estudo.

Fonte: Adaptada de Martins e Laugeni (2000, p. 175).

Nesse caso, considerando-se que se escolheu utilizar os dados dos últimos

12 meses, o valor de demanda previsto para janeiro do Ano 2 seria a média
do consumo dos 12 meses do Ano 1, o que, levando-se em conta os dados da
tabela, resultaria no seguinte cálculo:

Pjan2 = 100 + 102 + 101 ... + 103 = 1.228 / 12 = 102,3

Se em janeiro do Ano 2 o consumo real tivesse sido de 104 unidades,

a previsão para fevereiro do Ano 2 seria a média dos 12 meses compreendidos
entre fevereiro do Ano 1 e janeiro do Ano 2, conforme apresentado na Figura 4.

Figura 4. Consumo real dos últimos 12 meses do produto em estudo.

Fonte: Martins e Laugeni (2000, p. 176).
 Métodos avançados de previsão de demanda 11

Nesse caso, considerando-se os dados da tabela, o cálculo da previsão de

demanda para fevereiro do Ano 2 seria o seguinte:

Pfev2 = 102 + 101 ... + 104 = 1.232 / 12 = 102,7

Média móvel ponderada

No método da média móvel simples, os dados relativos aos períodos passados

considerados no cálculo possuem todos o mesmo peso. Já no método da média
móvel ponderada, atribui-se um peso para cada um dos dados, sendo que a
soma desses pesos deve ser igual a 1 (MARTINS; LAUGENI, 2000).
Para exemplificar, vamos considerar os dados apresentados na tabela da
Figura 1. Deseja-se prever a demanda para o mês de janeiro do Ano 2 utilizando-
-se uma média móvel trimestral com fator de ajustamento e considerando-se
os seguintes pesos: 0,7 para Ct-1, 0,2 para Ct-2, 0,1 para Ct-3. Perceba que, de
acordo com o enunciado, decidiu-se utilizar apenas os dados dos três últimos
meses para o cálculo da média.
Nesse caso, considerando-se os dados da tabela e as informações anteriores,
o cálculo da previsão de demanda para janeiro do Ano 2 seria o seguinte:

Pjan2 = (0,7 × Cdez1) + 0,2 × Cnov1) + (0,1 × Cout1)

Pjan2 = (0,7 × 103) + (0,2 × 104) + (0,1 × 103) = 103,2

Se, depois de transcorrido o mês de janeiro do Ano 2, sua demanda real

tivesse sido de 104 unidades e desejássemos calcular a previsão para fevereiro
do Ano 2, o cálculo da previsão seria o seguinte:

Pfev2 = (0,7 × Cjan2) + 0,2 × Cdez1) + (0,1 × Cnov1)

Pfev2 = (0,7 × 104) + (0,2 × 103) + (0,1 × 104) = 103,8

Média móvel exponencialmente ponderada

No método da média móvel com ajustamento exponencial, a previsão P é

calculada considerando-se a previsão do último período (t – 1) e um coeficiente
α que multiplica o consumo real (C) e a previsão no período (Pt-1), de acordo
com a expressão a seguir (MARTINS; LAUGENI, 2000):

Pt = Pt-1 + α (Ct-1 – Pt-1)

12 Métodos avançados de previsão de demanda

A intenção central do método é atribuir um maior peso para os valores

históricos mais recentes, entendendo que eles são mais importantes na deter-
minação da previsão.
O coeficiente α pode ser interpretado como um fator de ponderação que
determina a relevância dos valores mais recentes para cálculo da previsão,
sendo que 0 < α < 1. Quanto mais perto de 1 for o α, mais sensível ao último
valor será a previsão. O coeficiente pode ser definido para cada contexto por
meio de técnicas específicas, como as que o relacionam com o erro médio
ocorrido nas previsões dos períodos anteriores, buscando determinar o α
que minimiza o erro médio de previsão. Contudo, geralmente costumam ser
adotados valores entre 0,1 e 0,3 para α.
Para exemplificar, vamos considerar os dados apresentados na Figura 1,
relativos ao Ano 1, e o consumo real dos três primeiros meses do Ano 2,
conforme apresentado na Figura 5.

Figura 5. Consumo real do produto em estudo.

Fonte: Adaptada de Martins e Laugeni (2000, p. 177).

Desejamos calcular a previsão para abril do Ano 2 utilizando α = 0,3 como

coeficiente de ajustamento. Ou seja, desejamos desenvolver a seguinte equação:

Pabr2 = Pmar2 + α (Cmar2 – Pmar2)

 Métodos avançados de previsão de demanda 13

Para isso, primeiro precisamos calcular a previsão de março do Ano 2. Mas,

para praticar, vamos proceder com esse cálculo para apuração sequencial das
previsões desde fevereiro do Ano 2. Então, teremos os cálculos apresentados a
seguir. No caso do cálculo da previsão de fevereiro do Ano 2, vamos aproveitar
a previsão de janeiro do Ano 2 já calculada anteriormente com base na média
dos últimos 12 meses, que foi de 102,3.

Pfev2 = Pjan2 + α (Cjan2 – Pjan2) = 102,3 + 0,3 (104 – 102,3) = 102,8

Pmar2 = Pfev2 + α (Cfev2 – Pfev2) = 102,8 + 0,3 (103 – 102,8) = 102,9
Pabr2 = Pmar2 + α (Cmar2 – Pmar2) = 102,9 + 0,3 (103 – 102,9) = 102,9

Decomposição clássica ou ajustamento sazonal

O método da decomposição clássica consiste em decompor a série temporal

em seus componentes (tendência, sazonalidade, ciclo e resíduo). A ideia cen-
tral desse modelo é a tentativa de isolar os vários componentes, à exceção
do resíduo (que representa flutuações irregulares), de forma que os efeitos
sobre a demanda possam ser tratados separadamente. Após a análise de cada
componente, a previsão é calculada recompondo a série, o que é feito mediante
seguinte equação (MOREIRA, 2012; WANKE; JULIANELLI, 2011):

P=T×S×C×U

onde:

„„ P = previsão
„„ T = tendência
„„ S = sazonalidade
„„ C = ciclo
„„ U = resíduo

Essa equação pode ser simplificada se forem admitidas as hipóteses sub-

sequentes: o horizonte de previsão é curto o suficiente para que se esteja
sempre na mesma fase do ciclo de negócios, o que faria C ser igual a 1;
os efeitos sazonais e as variações ao acaso podem ser reunidos aproximada-
mente num só efeito, em que S incorpora sazonalidade e resíduo. Com isso,
temos o seguinte modelo simplificado:

P=T×S
14 Métodos avançados de previsão de demanda

Os valores de T são determinados por meio da linha de tendência, ajustada

aos valores reais da demanda mediante uma regressão simples em que a outra
variável é o tempo. Os valores de S (também chamados “índices sazonais”)
são determinados pela observação do afastamento dos valores reais da de-
manda e dos valores previstos pela linha de tendência no passado. A previsão
apurada por meio dessas considerações recebe, às vezes, o nome de “previsão
corrigida pelo efeito sazonal” ou “ajustamento sazonal” (MOREIRA, 2012).
Existem diversos métodos que podem ser utilizados para a realização de
previsões nos casos em que o consumo é sazonal. Contudo, um dos mais uti-
lizados é o método do coeficiente sazonal, cujo desenvolvimento é composto
pelos seguintes passos (MARTINS; LAUGENI, 2000):

„„ Passo 1: determinar a média em cada ano

„„ Passo 2: determinar os coeficientes de sazonalidade em cada período
„„ Passo 3: calcular o coeficiente médio de sazonalidade em cada período
„„ Passo 4: projetar a demanda global para o ano (utilizando um método
de previsão)
„„ Passo 5: determinar a média para cada período do ano previsto
„„ Passo 6: determinar a demanda em cada período do ano utilizando o
coeficiente médio de sazonalidade

Para facilitar o entendimento, vejamos um exemplo. Vamos considerar

o caso de um produto que, nos últimos quatro anos, apresentou a demanda
(em unidades) exibida na Figura 6 e para o qual se deseja calcular a previsão
de demanda trimestral para o ano.

Figura 6. Consumo real do produto em estudo.

Fonte: Adaptada de Martins e Laugeni (2000, p. 180).
 Métodos avançados de previsão de demanda 15

A determinação das médias de cada ano (passo 1) já está apresentada na

tabela anterior. Para determinar o coeficiente de sazonalidade de cada trimestre
em cada ano (passo 2), divide-se a demanda de cada trimestre pela média do
ano. Por exemplo, no caso do trimestre 1, teríamos:

„„ Ano 1 = 45 / 250 = 0,18

„„ Ano 2 = 70 / 300 = 0,23
„„ Ano 3 = 100 / 450 = 0,22
„„ Ano 4 = 100 / 550 = 0,18

Para calcular o coeficiente médio de sazonalidade de cada trimestre (passo 3),

apuramos a média das informações, ou seja, somamos os coeficientes de
cada trimestre ao longo dos quatro anos e dividimos por quatro. Por exemplo,
no caso do trimestre 1, teríamos: (0,18 + 0,23 + 0,22 + 0,18) / 4 = 0,20.
Os valores apurados para os passos 2 e 3 estão informados na Figura 7.

Figura 7. Coeficientes de sazonalidade.

Fonte: Adaptada de Martins e Laugeni (2000, p. 180).

Para projetar a demanda global do ano seguinte (passo 4), vamos supor
que a previsão será de 2.500 unidades, considerando que, nos quatro anos
anteriores, o consumo passou de 1.000 para 2.200 unidades, o que representa
um incremento médio de 300 unidades por ano (ou seja, essa é a tendência da
demanda com base no passado). Assim, teríamos para o ano 5: 2.200 + 300
= 2.500 unidades.
Para determinar a média para cada trimestre do ano previsto (passo 5),
dividimos a demanda global apurada pelo número de períodos (trimestres).
Assim, a média trimestral do ano será: 2.500 / 4 = 625 unidades.
16 Métodos avançados de previsão de demanda

Para determinar a demanda em cada trimestre do ano 5 (passo 6), aplica-

mos a equação apresentada inicialmente (P = T × S), multiplicando a média
trimestral (T) pelo coeficiente médio de sazonalidade (S) de cada trimestre
(apurados no passo 3). Assim, teremos a seguinte previsão para o ano 5:

„„ Trimestre 1 = 625 × 0,20 = 125 unidades

„„ Trimestre 2 = 625 × 1,30 = 813 unidades
„„ Trimestre 3 = 625 × 2,00 = 1.250 unidades
„„ Trimestre 4 = 625 × 0,50 = 313 unidades

É importante comentar que, na bibliografia que trata sobre previsão de

demanda, as equações utilizadas para cálculo da previsão podem ser apre-
sentadas com variações de formato, embora o raciocínio envolvido seja o
mesmo em cada modelo.

3 Software e ferramentas de previsão

de demanda
Em muitas situações, o estudo desenvolvido para formulação da previsão de
demanda envolve n variáveis, o que pode representar um grande número de
fatores a serem considerados e uma infinidade de cálculos a serem realizados,
como costuma ocorrer, por exemplo, no caso da regressão linear múltipla.
Embora seja possível realizar os cálculos manualmente, conforme demonstrado
na seção anterior, isso pode ser impraticável em muitas ocasiões — quando o
estudo envolver muitas variáveis independentes (que é o que costuma ocorrer
na realidade). Por conta disso, casos práticos que apresentem tais condições
costumam ser solucionados com a utilização de pacotes para regressão múltipla
existentes no mercado de microcomputadores (MOREIRA, 2012).
Entre as alternativas mais utilizadas e populares para lidar com esse cenário,
cabe citar o módulo gráfico e a ferramenta de regressão integrante do módulo
de análise de dados presente no suplemento de ferramentas de análise do
software Excel, do pacote Microsoft Office, conforme sinalizado na Figura 8
(WANKE; JULIANELLI, 2011).
 Métodos avançados de previsão de demanda 17

Figura 8. Ferramenta de regressão do Microsoft Office.

Se o comando “análise de dados” não estiver disponível no seu Excel, é possível carregar
o programa suplementar “ferramentas de análise” por meio dos seguintes passos.
1. Clique, na guia “arquivo”, em “opções” e, depois, na categoria “suplementos”.
Se você estiver usando o Excel 2007, clique no botão do Microsoft Office Imagem
do botão do Office e, em seguida, clique em “opções do Excel”.
2. Na caixa “gerenciar”, selecione “suplementos do Excel” e clique em “ir”. Se estiver
usando o Excel para Mac, no menu “arquivo”, acesse “ferramentas” > “suplementos
do Excel”.
3. Na caixa “suplementos”, marque a caixa “ferramentas de análise” e clique em “OK”.

Além dessa alternativa do Microsoft Excel, existem muitas outras ferra-

mentas disponíveis, algumas oferecidas por meio de determinados sistemas
de gestão empresarial — os chamados ERP (do inglês enterprise resource
planning), que possuem módulos de previsão incorporados. Além disso,
há também a oferta de diversos aplicativos mais especializados, que permitem
uma maior automatização do processo de previsão da demanda. Existem
diversos pacotes disponíveis no mercado, os quais utilizam desde técnicas de
análise de dados históricos até simulações e inteligência artificial. Embora
essas ferramentas não representem novos métodos de previsão, elas imple-
mentam as técnicas existentes em associação a ferramentas de análise de tal
18 Métodos avançados de previsão de demanda

maneira que, além de permitir o exame de grandes quantidades de dados de

forma simultânea e veloz, ainda possibilitam a elaboração de previsões mais
acuradas, ou seja, com a minimização dos erros de previsões (CAVALHEIRO,
2003; DIAS, 2004; FRANÇA, 2019).
Essas ferramentas podem ser segmentadas em duas categorias: os soft-
ware em pacotes computacionais estatísticos de uso genérico e os pacotes
computacionais específicos. Pacotes estatísticos genéricos são software que
apresentam uma opção de análise de previsão, embora esse não seja seu
propósito exclusivo. Tais pacotes permitem uma análise estatística e gráfica
detalhada dos dados, mas a análise limita-se aos seus módulos de previsão.
Já os pacotes computacionais específicos para análise de previsão, como o
próprio nome já sugere, são focados em previsões, dispondo das ferramentas
estatísticas necessárias para a análise das séries temporais e a geração das
previsões, incluindo técnicas de previsão não encontradas em pacotes de uso
genérico. Dentre os pacotes específicos para análise de previsão, destacam-se
o Forecast Pro e o Autobox, sobre os quais são apresentados alguns detalhes
no Quadro 1.

Quadro 1. Comparação entre os software Forecast Pro e Autobox

Forecast Pro Autobox

Caracterização “Fácil de aprender e usar, o Promete “proporcionar

sistema combina métodos um ambiente
estatísticos com um sistema desenvolvido para facilitar
especialista para obter uma o processo de previsão
previsão exata.” com a utilização de uma
ou mil séries”

Empresa Business Forecast Systems, Automatic Forecasting

desenvolvedora Inc. Systems

Endereço http://www.forecastpro.com http://www.autobox.com

Vantagens e Pode ser combinado com Possui recursos/

recursos outros softwares, sendo ferramentas de análises
opção de previsão para os gráficas que facilitam a
sistemas de planejamento análise das previsões,
para ERP, SCM, MRP além de apresentar
gráficos de ferramentas
estatísticas

(Continua)
 Métodos avançados de previsão de demanda 19

(Continuação)

Quadro 1. Comparação entre os software Forecast Pro e Autobox

Forecast Pro Autobox

Processo de O sistema especialista Não seleciona um

previsão escolhe automaticamente modelo, mas ajusta o
qual é o melhor método de modelo de previsão
previsão de demanda ao a cada problema,
analisar os dados de entrada analisando dados de
entrada à procura de
ciclos, sazonalidade e
tendências

Técnicas Suavização exponencial, Suavização exponencial

implementadas métodos de Holt e Winters, simples, Box Jenkins e
média móvel, regressão métodos de regressão
linear e Box Jenkins

Fonte: Adaptado de Dias (2004).

Além dessas duas alternativas, existem ainda muitas outras ferramentas,

tais como: NCSS (Number Cruncher Statistical System), Statgraphics e SPSS
(Statistical Package for Social Science), Statistica, Minitab, PP-autocast, Smart
Forecasts, ForecastX, Decision Pro, Gauss, Neuralworks Predict, Time Trends
Forecast, entre outras.

“Forecast” é uma palavra inglesa que significa “previsão”, o que explica a sua presença
em muitos nomes de softwares destinados à elaboração de previsões.

Por fim, cabe comentar que muitas empresas optam por desenvolver seus
próprios sistemas de previsão de demanda, entendendo que, assim, podem me-
lhor adequar os sistemas às características e particularidades de seus problemas.
20 Métodos avançados de previsão de demanda

CAVALHEIRO, D. Método de previsão de demanda aplicada ao planejamento da produção

de indústrias de alimentos. 2003. Dissertação (Mestrado em Engenharia Mecânica) –
Universidade Federal de Santa Catarina, Florianópolis, 2003.
DIAS, A. S. Uso de conhecimento teórico e de especialista para previsão de demanda. 2004.
Dissertação (Mestrado em Engenharia de Produção) – Universidade Federal de São
Carlos, São Carlos, 2004.
FRANÇA, L. F. Análise e aplicação de métodos de previsão de demanda no Software
Forecast Pro baseados em séries temporais em um estabelecimento do setor de locação
de filmes. Revista Científica Multidisciplinar Núcleo do Conhecimento, São Paulo, ano 4,
ed. 3, v. 10, p. 91-112, jun. 2019. Disponível em: https://www.nucleodoconhecimento.
com.br/engenharia-de-producao/analise-e-aplicacao. Acesso em: 11 ago. 2020.
MARTINS, P. G.; LAUGENI, F. P. Administração da produção. São Paulo: Saraiva, 2000.
MOREIRA, D. A. Administração da produção e operações. 2. ed. São Paulo: Cengage
Learning, 2012.
WANKE, P.; JULIANELLI, L. (Orgs.). Previsão de vendas: processos organizacionais e mé-
todos quantitativos e qualitativos. 2. ed. São Paulo: Atlas, 2011.

Os links para sites da web fornecidos neste capítulo foram todos testados, e seu fun-
cionamento foi comprovado no momento da publicação do material. No entanto, a
rede é extremamente dinâmica; suas páginas estão constantemente mudando de
local e conteúdo. Assim, os editores declaram não ter qualquer responsabilidade
sobre qualidade, precisão ou integralidade das informações referidas em tais links.