IEFA — CPAINT

Código: FCST201
Nível: Intermediário
Pré-requisitos: DATA201, STAT101

Foco na Tomada de Decisão

Como o público-alvo desta trilha são gestores e tomadores de decisão, e não matemáticos puros, o foco principal deve ser:

Quando usar cada método.
Por que usar um método em detrimento de outro.
Vantagens e Desvantagens práticas de cada abordagem.
Interpretação dos resultados para o negócio.

Objetivos de Aprendizagem

Ao final desta matéria, o aluno deverá ser capaz de:

Aplicar o método de Média Móvel Simples e Ponderada.
Utilizar Suavização Exponencial Simples (SES) para previsões de curto prazo.
Entender e calcular o erro da previsão (MAD, MSE, MAPE).
Saber quando utilizar métodos qualitativos vs. quantitativos.

Cobertura no Cronograma

Módulo	Tópico	Tipo
Módulo 2	O método de Médias Móveis Simples	Teoria+Prática
Módulo 5	Erro de Previsão vs. Ruptura de Estoque	Teoria+Prática
Módulo 5	Ajustando previsões para Sazonalidade	Prática
Módulo 10	Limitações da Média Móvel; Média Móvel Ponderada	Teoria+Prática
Módulo 10	Definindo pesos para dados recentes	Prática
Módulo 11	Suavização Exponencial Simples (SES)	Teoria+Prática
Módulo 11	O parâmetro Alpha	Prática
Módulo 12	Métricas de Erro (MAD, MSE, MAPE)	Teoria
Módulo 12	Viés (Bias) de Previsão	Teoria

Tópicos Abordados

Horizonte de Previsão

Curto prazo (dias a semanas): Operacional — reposição de estoque, programação de produção.
Médio prazo (meses): Tático — orçamento de suprimentos, planejamento de contratos.
Longo prazo (anos): Estratégico — capacidade de armazém, negociação de acordos.

Regra prática: quanto maior o horizonte, menor a acurácia esperada — projete a incerteza junto com a previsão.

Médias Móveis Simples (MMS)

Conceito: Média dos últimos n períodos, deslizando a cada novo dado.
Parâmetro n: Janela de tempo. Valor grande → previsão suave, reage lentamente. Valor pequeno → reage rápido, mas com mais ruído.
Limitação principal: Todos os períodos têm o mesmo peso — não distingue dados recentes de dados antigos.
Fórmula: Previsão(t+1) = [D(t) + D(t-1) + ... + D(t-n+1)] / n

Médias Móveis Ponderadas (MMP)

Conceito: Igual à MMS, mas com pesos diferentes para cada período — dados mais recentes recebem peso maior.
Vantagem: Mais responsiva a mudanças de tendência que a MMS.
Desafio: Escolher os pesos otimamente. O Excel Solver pode automatizar isso.
Fórmula: Previsão(t+1) = w₁·D(t) + w₂·D(t-1) + ... + wₙ·D(t-n+1) onde Σwᵢ = 1

Suavização Exponencial Simples (SES)

Conceito: Caso especial de MMP onde os pesos decaem exponencialmente. Dados mais antigos recebem peso cada vez menor, sem nunca chegarem a zero.
Parâmetro Alpha (α): Entre 0 e 1. Controla a velocidade de esquecimento.
- α próximo de 1 → quase igual ao último valor observado (reativo).
- α próximo de 0 → média histórica pesada (estável, pouco reativa).
Fórmula: F(t+1) = α · D(t) + (1 - α) · F(t)
Otimização de α: Usar Excel Solver para minimizar o erro histórico (MAD ou MSE).

SES vs. MMS

SES usa todos os dados históricos (com peso decrescente); MMS usa apenas os últimos n períodos com peso igual. Para a maioria dos itens de suprimento, SES é superior.

Sazonalidade

Definição: Padrão que se repete em ciclos regulares (anual, mensal, semanal).
Índice Sazonal: Razão entre a demanda do período e a média do ano. Índice > 1 = acima da média; < 1 = abaixo.
Ajuste: Previsão ajustada = Previsão base × Índice Sazonal do período
Conexão: A decomposição de séries temporais (ensinada em DATA201) é o passo anterior à construção dos índices.

Métricas de Erro

Métrica	Fórmula	Interpretação
MAD (Erro Médio Absoluto)	`Σ	Real - Prev
MSE (Erro Quadrático Médio)	`Σ(Real - Prev)² / n`	Penaliza erros grandes. Usado na otimização.
MAPE (Erro Percentual Médio Absoluto)	`Σ	Real - Prev

MAPE < 10% é considerado excelente na maioria dos contextos de suprimento.

Viés (Bias) de Previsão

Definição: Erro sistemático — o modelo consistentemente superestima ou subestima.
Fórmula: Viés = Σ(Real - Previsão) / n. Positivo = subestimando. Negativo = superestimando.
Consequência do viés positivo: rupturas recorrentes.
Consequência do viés negativo: excesso de estoque e capital parado.

Erro de Previsão vs. Ruptura de Estoque

Previsão imprecisa → Estoque de Segurança subdimensionado → ruptura.
A relação é direta: ES = Z × σ_erro_previsão × √Lead Time.
Reduzir o erro de previsão (MAPE) permite reduzir o ES sem aumentar o risco.

Overfitting e Validação

O perigo de "encaixar perfeitamente" nos dados históricos.
Separação de dados em conjuntos de treino e teste.
Validação: testar se o modelo funciona em dados não vistos.
Conceito: Passado perfeito ≠ Futuro garantido.
Modelos Ingênuos: Último valor, Média histórica — úteis como linha de base para comparação.
Horizontes de Previsão: Curto vs. Longo prazo.

Ferramentas Práticas

Excel

Fórmulas: MÉDIA, DESVPAD, SOMARPRODUTO para MMP.
Solver: Minimizar MAD ou MSE variando n (MMS/MMP) ou α (SES).
Competição de previsão (Módulo 10): comparar MMS vs. MMP em dataset real.

Materiais de Consulta

Livro: "Business Forecasting" - Hanke & Wichern.
Ferramenta: Solver do Excel para otimização de parâmetros.

Avaliação

Exercícios Práticos

Calcular MMS com n=3 e n=6 para uma série de 12 meses. Comparar MAD de cada janela.
Implementar SES com α=0,2 e α=0,8 em Excel. Usar Solver para encontrar o α ótimo.
Dado um MAPE de 15%, estimar o impacto no Estoque de Segurança vs. um modelo com MAPE de 8%.
Diagnosticar viés em um modelo: identificar se as rupturas do semestre têm causa estatística ou conjuntural.

FCST201 - Métodos de Previsão