Previsão de Demanda e Análise de Séries Temporais

Séries temporais são usadas quando um histórico de dados de vários anos para um produto ou linha de produtos está disponível e quando os relacionamentos e as tendências entre as variáveis são claras e relativamente estáveis.

• Um dos princípios básicos da previsão estatística é usar os dados do desempenho passado para obter uma leitura da taxa de crescimento atual e de quão rápido está aumentando ou diminuindo. 
• A taxa atual e as mudanças na taxa (aceleração” e desaceleração) constituem a base da previsão.
• No entanto, a questão não é tão simples … as taxas e tendências não são imediatamente óbvias..
• Elas estão misturadas com variações sazonais e invariavelmente distorcidas por fatores, como os efeitos de uma grande campanha de promoção de vendas. 
• Os dados brutos precisam ser tratados antes que sejam utilizáveis e isso é feito com frequência, é um imperativo, quando do uso da análise de séries temporais.
• Descobrir padrões é uma atividade essencial na escolha do tipo de método de previsão.
• Um padrão significa que elementos de um conjunto de dados se repetem de maneira previsível.
• A figura ilustra quatro padrões básicos da maioria das séries temporais.
• Existe também um quinto padrão chamado “aleatório” quando variações dos dados históricos são tão irregulares que se torna muito difícil a previsão de eventos futuros.es

Séries Temporais e Fundamentos.

A máxima é: Previsão = Tendência vezes Sazonalidades.

• A previsão de séries temporais é uma técnica de análise de dados para prever valores futuros com base em dados históricos que são coletados em intervalos regulares ao longo do tempo.
• A principal finalidade é identificar e modelar padrões e tendências nos dados históricos para extrapolar esses padrões para o futuro.
• A previsão de séries temporais ocorre quando você faz previsões científicas – com base em dados históricos com registro de data e hora.
• As séries temporais existem nas mais variadas áreas de aplicação, como: finanças, marketing, economia, etc.

• O método de análise de séries temporais identifica fatores de tendências e sazonalidades.
• O fundamento do método é que o volume de serviços pode ser influenciado e previsto por uma série de fatores que podem ser isolados e utilizados para estimar o que ocorrerá no tempo futuro abrangido pelo forecast.
• Em termos de equação, podemos dizer que f_Previsão = f_{tendência anual} vezes f_{sazonalidade mensal} .
• Fatorando mais ainda … f_Previsão = f_{tendência anual} x f_{sazonalidade mensal} x f_{sazonalidade semanal} x f_{sazonalidade diária}
• Diante disso, o primeiro passo numa análise de séries temporais é “isolar” o efeito da tendência das taxas de sazonalidade.
• A primeira métrica, “tendência” está associada à taxa de crescimento.
• A segunda, “sazonalidade” está associada à padrões de variações de carga de trabalho ao longo do tempo – mensal, semanal e intradiário.

Cálculo da Tendência de Crescimento Anual.

Como calcular a tendência de crescimento anual para elaborar o forecast?

Veja o gráfico e tabela:

1. Uma taxa média anual de crescimento (tendência de crescimento anual), pode ser calculada comparando dois anos mês a mês, identificando as taxas de crescimento de cada mês e calculando a média de crescimento entre todos os crescimentos mensais.
2. O cálculo da taxa de crescimento de janeiro = (132.00 – 115.000) / 115.000 = 14,8%, para os demais meses, o cálculo é similar.
3. A média anual de crescimento do exemplo é 15,1%, que é a média das doze taxas de crescimento anual e essa é um informação utilizada para fornecer estimativa inicial do volume de serviços (que pode ser demanda de contatos, chamadas, registros de atendimento, etc), para o ano N+1.
4. Considerando que em muitas vezes o período de amostra ou de forecast é inferior a um ano, utiliza-se também a tendência mensal (taxa de mudança mensal), que neste exemplo seria calculada como 15,1% / 12 = 1,26%.
5. Ou um fator de crescimento médio mensal = 1, 0126, onde fator de crescimento mensal = (1  + taxa de crescimento mensal).

Cálculo da Sazonalidade Mensal.

Após calculada a tendência (crescimento), os próximos passos são para calcular a sazonalidade, ou seja, as mudanças, oscilações mensais, semanais e intervalos no dia. Identificar mudanças não “isolando a tendência”, pode induzir a erros de interpretação, já que a tendência de crescimento está atuando.

Os passos 5 e 6 ilustram uma forma de calculam a sazonalidade sem a interferência da tendência de crescimento, da seguinte forma:

•Passo 5 – deslocar para o valor presente todos os valores dos últimos 12 meses em relação ao último mês, no nosso exemplo dezembro. Por exemplo, para descontarmos a tendência de crescimento de novembro basta considerarmos o crescimento de 1 mês. Isto é, multiplicar 177.000 (tráfego de novembro) pelo fator de crescimento mensal = 1,0126 e obteremos 179.225 (isto é, o valor que novembro representaria em dezembro). Para o mês de outubro, deveremos considerar dois meses ou 168.000 x 1,01266 (fator de crescimento de outubro) x 1,0126 (fator de crescimento de novembro) = 172.251 e assim por diante, para calcular todos os outros meses.

•Passo 6 – calcular o fator de sazonalidade para cada mês, dividindo o volume de chamadas de cada mês pela média do volume de chamadas (desconsiderando o fator de crescimento).

O fator de sazonalidade permite, agora, comparar as contribuições sazonais sem interferência do fator de crescimento. Por exemplo: o mês de dezembro é o mês de maior volume, com 12,8% de volume de chamadas acima do tráfego médio anual; já o mês de julho, é o mês de menor tráfego, com menos 15,1% abaixo da média de tráfego anual e assim por diante. Maio apresenta um volume de chamadas relativamente maior que agosto.

Forecast de curto semanal, diário e intradiário.

Após completar o cálculo das tendências e sazonalidades, o próximo passo é fazer ajustes relacionados aos pesos dos dias da semana.

Pontos de Atenção.

• Meses com cinco segundas feiras – se, por exemplo, julho (ou qualquer mês de 31 dias) começa num sábado, domingo, ou segunda-feira, nesse mês existirão cinco segundas-feiras no mês, em vez de quatro. Uma vez que as segundas-feiras são, geralmente, os dias de maior tráfego da semana, o volume mensal poderá necessitar de ajustes para refletir o volume de chamadas adicional.

• Feriados – meses com feriados poderão necessitar de ajustes, especialmente aqueles móveis (Ex.: Natal). Meses com feriados estáveis – feriado toda terceira segunda-feira do mês, por exemplo, não necessitarão de ajustes.

• Reflexos de fatores de negócios – forecast de curto prazo – mensais – provavelmente necessitarão de ajustes para incorporar e refletir possíveis mudanças em vários fatores de negócios, tais como campanhas de marketing, novas versões de produtos, implementação de inovações ou diferentes tecnologias, dentre outros.

• Informações de cada tipo de evento – É crucial ter informações de cada tipo de evento, seja interno ou externo, que possa afetar ou influenciar o volume de serviços ou contatos para validar e tornar mais preciso o forecast mensal (curto prazo).

Forecasting Diário.

• Como calcular os fatores do dos dias das semana?
• Elaborado o forecast mensal, e ajustes tenham sido feitos, o próximo passo é analisar o forecast diário.
• Para isso, é primordial olhar os padrões dentro do mês para determinar se todas as semanas são similares ou se existem variações de padrões semanais que devam ser considerados (ex.: Feriados).
• O próximo passo é determinar o padrão de cada um dos dias da semanas?
• Na maioria dos casos, o dia de maior movimento (DMM) é a segunda-feira, mas existem exceções.
• Para identificar padrões semanais, devem ser coletadas várias semanas, com dados claros e representativos. Esses dados devem estar livres de feriados e anormalidades. O período de amostragem (meses considerados) deve ser escolhido com cuidado – se uma operação é influenciada pelas estações do ano, as semanas escolhidas devem refletir isso.

Depois de completado o forecast diário, o próximo passo é calcular o forecast intradiário. O cálculo é análogo ao de dias na semana por meio de fatores. Aliás, o uso de fatores é uma regra geral.

Após o cálculo dos índices, anuais, mensais, semanais e diários, eles poderão ser usados para elaboração de novos forecast usando uma abordagem funil.  

Se “todos os fatores são conhecidos”, fica relativamente fácil desdobrar um volume anual de chamadas em estimativas a cada meia hora do dia.

Observe a tabela …

A abordagem funil inicia com uma estimativa do volume anual de chamadas, e usa cada uma das suposições (fatores) para calcular o forecast de um mês,  de um dia e de um horário.

A tabela acima exemplifica o desdobramento funil para calcular um exemplo hipotético de cálculo do HMM (horário de maior movimento), para efeito de dimensionamento para um dado mês e ilustra como a abordagem funil simplifica bastante o processo.

Problemas frequentes na formulação de forecast.

Ausência de um processo sistemático – devem ser adotados padrões empresariais para que as informações sejam consistentes e aproveitáveis por toda a empresa. 

Considerar que o software de forecast é soberano – As ferramentas são muito importantes, mas dependem de conhecimentos e habilidades para ajustar desvios e atender os objetivos de negócios.  

Não considerar o skill na elaboração do forecast – o TMA é fundamentalmente afetado pelo grupo de skill. Esse nível de detalhamento é fundamental na elaboração do forecast. 

Não dar a devida importância para o forecast – se os forecast têm sido imprecisos no passado ou se ninguém entende as premissas usadas no processo, haverá um acúmulo de imprecisões.  

Eventos que deveriam ser exceções tornam-se parte do forecast – campanhas de marketing, eventos geradores de problemas em serviços para clientes, guerra de preços e flutuações atreladas ao produto devem ser separadas e analisadas no processo de forecast.

Inexistência de boas alianças entre departamentos – o todo deve funcionar bem para que previsões, processos, resultados obtidos, proposições de melhorias e ajustes funcionem adequados.

Planos são feitos baseados em metas e não na realidade – O forecast deve estar apoiado em dados reais e devem ser planejados treinamentos, refinamentos em processos, melhorias em sistemas para alcançar padrões estáveis, que possam ser considerados em futuros forecast. 

Não existir equipes especializadas para planejamento e controle – são necessárias equipes que conheçam os processos, os produtos, que identifiquem os desvios, avaliem os impactos desses desvios, sinalizem para a empresa de forma proativa ações corretivas. 

Desconsideração de atividades pós-chamadas – procedimentos corretos e consistentes são fatores chave para programar adequadamente as previsões. O corretismo e a consistência andam de mãos dadas. 

Não fazer a conexão com a equipe – de nada significa existir o forecast se este não estiver associado ao correto dimensionamento das equipes de agentes e à disponibilidade da infraestrutura de telecomunicações requerida.

•O forecast preciso depende não só das previsões apoiadas em histórico de dados normalizados; depende, também, de registros de dados corretos e consistentes ao longo da operação. A precisão do forecasting deve ser medida a cada intervalo de 30 minutos.