Food Connection faz parte da divisão Informa Markets da Informa PLC

Este site é operado por uma empresa ou empresas de propriedade da Informa PLC e todos os direitos autorais residem com eles. A sede da Informa PLC é 5 Howick Place, Londres SW1P 1WG. Registrado na Inglaterra e no País de Gales. Número 8860726.

analise preditiva.jpg

Modelos Preditivos para Tomada de Decisão

Como a análise de séries temporais pode ajudar uma organização num momento de crise

Um problema recorrente em organizações, sejam essas gigantes ou startups em início dos trabalhos, consiste em prever a demanda e o comportamento de mercado para projetar seus custos, despesas e investimentos. Em detrimento da quantidade de modelos que existem com tal propósito e as práticas de mercado, há sempre uma incerteza e com ela o risco de se tomar uma decisão prejudicial ao negócio.

Segundo Schwab (2017)[1], com o big data existem dados sobre as comunidades como nunca antes fora visto, e a capacidade de analisar esses dados vem crescendo. Assim, transformar essa massa de dados em oportunidades face aos riscos envolvidos será cada vez mais um diferencial competitivo organizacional.

A análise de séries temporais é sempre uma ferramenta interessante para as previsões, e seu conhecimento superficial pode levar a erros consideráveis, causando verdadeiras tragédias corporativas. A primeira análise que normalmente se faz de um gráfico sequencial (de séries temporais) é a verificação da sua tendência, que indica se a variável se mantém no tempo num mesmo patamar (reta paralela ao eixo X), se ela cresce ou diminui, conforme sua inclinação. Contudo, é necessário saber que há mais três componentes nessa curva que, caso não sejam entendidos, podem influenciar na própria percepção da tendência. São elas a ciclicidade, a sazonalidade e as irregularidades.

Além da decomposição de curvas, existem outras opções para projeção com a própria análise de tendência, o cálculo das médias móveis, e modelos como o ARMA (AutoRegressive Moving Average) ou suas variantes para séries não-estacionárias (aquelas que apresentam tendência positiva ou negativa com o tempo) como o ARIMA (AutoRegressive Integrated Moving Average). Contudo, qualquer que seja a forma escolhida, além do comportamento da curva e das estatísticas de erro, é preciso verificar se a sua distribuição está próxima da curva normal, se a média dos resíduos é aproximadamente zero e se seus pontos são igualmente distribuídos acima e abaixo dessa linha média.

Num exemplo atual, as empresas têm se baseado em estatísticas com os dados públicos sobre o COVID para decidirem sobre o protocolo de ocupação de suas empresas, sobretudo as fábricas que não podem parar de produzir e para isso dependem das pessoas. Além da observação das bandeiras de isolamento (vermelha, amarela, laranja etc.) uma ferramenta útil se bem empregada é justamente a análise de séries temporais da região com a projeção futura por curvas “S” ou quadráticas, que proporcionam, diariamente se necessário, informações acerca da evolução de contaminação e da taxa de ocupação dos leitos hospitalares. Dessa forma, mesmo com um quadro brando, amarelo por exemplo, se a predição da ocupação dos hospitais tenderem a um colapso em 2 ou 3 semanas, pode ser interessante manter o pessoal administrativo em casa por mais alguns dias e assim contribuir para a redução de risco futuro.

Nesse cenário hipotético, o pessoal operacional também pode ser distribuído conforme uma demanda prevista nesse cenário de contaminação, num princípio lean de atendimento a um plano de produção que supra eficazmente ao consumo sem riscos de ruptura e facilitando uma retomada quando o cenário for menos propenso à propagação da doença. Logicamente que em momento nenhum se está falando em flexibilizar qualquer protocolo de segurança e o bom 5S já tratado em artigo anterior[2].

Numa última reflexão, o diferencial nessas análises, além da aplicação correta da ferramenta, é a qualidade técnica do pessoal. Não existe modelo perfeito, todos apresentarão erros e a capacidade analítica do profissional que construir e analisar o modelo consiste num diferencial competitivo, pois pessoas diferentes podem chegar a conclusões diversas e, consequentemente, adotarem estratégias distintas para um mesmo problema. Podemos alimentar sistemas ou programar máquinas para aprenderem com as previsões pelo machine learning, mas o analista será necessário para interpretar os dados, validar as saídas e corrigir eventuais discrepâncias.

Observação importante: o propósito desse artigo foi apresentar uma reflexão sobre a utilidade da análise de séries temporais nos dias atuais sem aprofundar nos pilares teóricos, com o propósito de aguçar que a curiosidade do leitor sobre o tema. Para aprofundar o assunto, sugere-se o contato com os especialistas, que geralmente são os estatísticos ou os belts do Lean Seis Sigma.

 

[1] Schwab, Klaus. A quarta revolução industrial. Edipro, 2017

Ocultar comentários
account-default-image

Comments

  • Allowed HTML tags: <em> <strong> <blockquote> <br> <p>

Plain text

  • No HTML tags allowed.
  • Web page addresses and e-mail addresses turn into links automatically.
  • Lines and paragraphs break automatically.
Publicar