Beruflich Dokumente
Kultur Dokumente
Jorge Eduardo Scarpin Brasil Mestre em Contabilidade e Controladoria UNOPAR R. Henrique Dias, 580 apto 501 Londrina PR Brasil Tel: (43) 3342-9015 Fax: (43) 3324-2608 e-mail: jorgescarpin@onda.com.br Mrcia Regina Santiago Brasil Ps Graduada em Administrao Industrial UEL R. Samuel Moura, 367 apto 1003 Londrina PR Brasil Tel: (43) 3328-7909 Fax: (43) 3338-3500 e-mail: marciasantiago@onda.com.br Maria Aparecida Scarpin Brasil Mestre em Contabilidade e Controladoria UNOPAR R. Henrique Dias, 580 apto 501 Londrina PR Brasil Tel: (43) 3342-9015 Fax: (43) 3324-2608 e-mail: jorgescarpin@onda.com.br
O USO DE MODELOS DE PREVISO COMO ELEMENTO CENTRAL PARA PLANEJAMENTO E ORAMENTO EMPRESARIAL
Palavra-chaves: Previso, Oramento, Planejamento
RESUMO
Em situaes de gerenciamento em uma organizao, a necessidade de planejamento muito grande devido necessidade de tomada de decises de longo prazo (no caso de investimentos de capital), de mdio prazo (aquisio de equipamentos) ou de curto prazo (transporte de mercadorias e necessidades financeiras). Em todos estes casos, a previso um importante aliado em um planejamento eficiente e eficaz. Oramento uma importante ferramenta de planejamento. Por meio dele, projetam-se informaes sobre o futuro e, a previso, parte fundamental disto. Se no h previso ou a previso errada, causar uma srie de problemas e custos. Os custos podem ser operacionais, de marketing, financeiros e pode provocar tambm impactos na satisfao do consumidor. Este trabalho enfocar a necessidade de um modelo de previso com a construo do mesmo, utilizando como base um estudo de caso em uma empresa de Servios Auxiliares de Transportes Areos do Paran.
1. CARACTERIZAO
Atualmente, vrios setores da economia, so fortemente afetadas pelo fator concorrncia. Esta, muitas vezes, utiliza-se de mecanismos como marketing e produo para atrair novos mercados ou para aumentar sua fatia em mercados j existentes. No obstante, as empresas enfrentam ainda as interferncias econmicas, causadas por intervenes em nvel de macro e microeconomia. Essas situaes, apesar de saudveis pois obrigam s empresas a tornarem-se cada vez mais dinmicas - geram um grande problema para o planejamento do processo produtivo, pois interferem diretamente na demanda, gerando oscilaes entre o previsto e as vendas. Segundo LAS CASAS (1999), estas diferenas geram um impacto bastante expressivo nos setores de produo, pessoal, finanas e em outros setores da empresa. As oscilaes entre o previsto e as vendas reais, variam de negcio para negcio, entretanto, na maioria das vezes, esse fato ocorre porque os mtodos utilizados, na gerao das previses de venda, so insuficientes para gerar boas previses. A situao se agrava ainda mais quando as previses so de mdio e longo prazos. Segundo MOSIMANN & FISCH (1999), citando LOPES A sofisticao tecnolgica, os imensos mercados que se abriram e as maneiras de se chegar a eles, a produo em massa, a concepo de estrutura empresarial, a acirrada competio inter e intra nacional exigem do administrador extraordinria ateno necessidade de, com razovel antecedncia, estabelecer misses e objetivos da empresa, estudar e selecionar os caminhos alternativos implantar a estrutura e implementar os planos e idias escolhidas. Em outras palavras, PLANEJAR. O presente trabalho foi desenvolvimento junto a uma empresa de Servios Auxiliares de Transportes Areos do Norte do Paran. A empresa faz o atendimento em terra (check-in, handling e check-out de vos) de uma companhia area. Sua remunerao feita com base no nmero de passageiros atendidos (no caso o nmero de passageiros embarcados). Para a elaborao dos oramentos financeiros desta empresa, fundamental que haja um sistema de previso de embarque de passageiros, para, com isso, ter uma previso de receitas. O objetivo deste trabalho elaborar um sistema de previso de demanda, hoje praticamente inexistente na empresa. Para tanto, foram obtidos dados histricos de embarque de passageiros no Aeroporto de 1984 at maio de 2002.
2. PLANEJAMENTO
Segundo MOSIMANN & FISCH (1999), citando LOPES A sofisticao tecnolgica, os imensos mercados que se abriram e as maneiras de se chegar a eles, a produo em massa, a concepo de estrutura empresarial, a acirrada competio inter e intra nacional exigem do administrador extraordinria ateno necessidade de, com razovel antecedncia, estabelecer misses e objetivos da empresa, estudar e selecionar os caminhos alternativos implantar a estrutura e implementar os planos e idias escolhidas. Em outras palavras, PLANEJAR. A misso que o objetivo determinado e a Continuidade que o objetivo natural so objetivos permanentes a serem perseguidos pela empresa e so fruto de um planejamento que Antecede a todos os demais. Podemos portanto definir Planejamento como sendo a determinao dos objetivos a serem atingidos e dos meios pelos quais esses objetivos devem ser alcanados. a ponte que serve de elo entre o onde estamos e para onde vamos. A figura a seguir ilustra o que conceitua-se sobre planejamento:
MISSO
CONTINUIDADE
CRENAS E VALORES
PLANEJAMENTO
SITUAO ATUAL SITUAO DESEJADA
Planejamento a funo bsica que garante o sucesso das demais, antecede a ao. O Planejamento se preocupa com os efeitos futuros das decises tomadas no presente, algo que se faz antes das aes efetivas. O Planejamento se divide em Estratgico e Operacional.
fazendo-se a partir da projees que levam em conta cenrios alternativos mais provveis no futuro. Alguns fatores externos podem impactar o desempenho da empresa, por exemplo: a) Econmicos: taxas de juros, inflao. b) Sociais: nveis de emprego, demandas, hbitos, rendas, presses sindicais. c) Polticos: decises governamentais, programas de partidos polticos. d) Legais: projetos de leis, interpretaes legais. e) Tecnolgicos: novas tecnologias e seus impactos sobre estruturas de processos industriais e do mercado. f) Etc. A avaliao destes fatores permite a identificao dos pontos fortes e fracos da empresa bem como as oportunidades e ameaas do mercado.
2.2.1. Oramento
uma pea constante do planejamento empresarial. Segundo FREZATTI (2000), a funo do oramento controlar o resultado futuro. O controle fundamental para o entendimento do grau de desempenho atingido e quo prximo o resultado
almejado se situou em relao ao planejado. Uma vez atingida tal etapa, possvel redirecionar, enfatizar, ajustar as aes para atingir os objetivos previamente traados. a operacionalizao do planejamento atravs de expresses quantitativas. " o enfoque sistemtico e formal execuo das responsabilidades de planejamento, coordenao e controle da administrao". WELSCH (1996). Seus objetivos so: a) Projetar o resultado econmico financeiro b) Controlar o desempenho organizacional diante dos objetivos e metas prestabelecidas c) Os propsitos e usos do oramento so: d) Acompanhar o desempenho da empresa e) Assegurar a anlise dos desvios dos planos f) Garantir o controle dos desvios planejados g) Quantificar os objetivos de todas as subunidades da organizao (reas de responsabilidade) Posto que o lucro o objetivo essencial de toda a empresa, a meta do controle oramentrio consiste no planejamento do lucro que se quer atingir mediante a realizao de certo volume de operaes para determinado perodo de tempo (CAMPIGLIA & CAMPIGLIA, 1995). Vantagens de um Sistema de Oramento a) Fixao de objetivos, poltica, estratgias e planos; b) Harmonizao dos objetivos individuais como os da organizao; c) Quantificao de datas e atividades; d) Reduo do envolvimento dos altos escales com operaes rotineiras; e) Julgamento do desempenho das unidades da empresa; f) Racionalizao no uso dos recursos; g) Atuao como instrumento de comunicao e coordenao. Obstculos do Oramento a) Dados estimados; b) Incerteza quanto ao ambiente externo e interno; c) Anlise do custo x benefcio do sistema; d) No deve substituir a flexibilidade, criatividade e bom senso dos gestores.
Tendo tambm o oramento como pea para acompanhamento e controle do planejamento de vendas.
3.1. Previso
De acordo com MENTZER & BIENSTOCK (1998), previso uma projeo para o futuro de uma demanda esperada, dado um determinado conjunto de condies. Temos de distinguir aqui o que se refere como planejamento de vendas e previso de vendas. A previso de vendas uma parte do planejamento, visto que uma projeo tcnica da procura em potencial para um perodo especfico e de acordo com determinadas hipteses. Uma previso de vendas ser transformada num plano de vendas quando a administrao tiver acrescentado o seu julgamento, as suas estratgias, as aplicaes de recursos e a sua dedicao no sentido de tomar medidas agressivas para alcanar os objetivos das vendas (WELSCH, 1996). Por sua vez, MENTZER & BIENSTOCK (1998) distinguem previso de planejamento, quando afirmam que o planejamento de vendas definido como aes gerenciais especficas a serem tomadas para atingir ou exceder a previso de vendas. Segundo MAKRIDAKIS; WHEELWRIGHT & HYNDMAN (1998) h cinco passos bsicos para a elaborao de uma previso. Passo 1: Definio do Problema Algumas vezes, a definio do problema pode ser o aspecto mais difcil de uma previso. Envolve o desenvolvimento de um profundo entendimento sobre como a previso ser usada, quem requereu a previso e como a funo de previso enquadrase dentro da organizao. Passo 2: Coleta de dados e informaes H sempre pelo menos dois tipos de informaes disponveis. Os dados estatsticos e o julgamento das pessoas chaves na organizao. Os dois tipos de dados e informaes so requeridos para a elaborao da previso. Passo 3: Anlise preliminar (exploratria) O que os dados representam para a organizao? Quais dados devem ser necessariamente usados? Os dados apresentam algum tipo de tendncia ou sazonalidade? As respostas a estas questes devem ser procuradas para que o processo de previso transcorra de forma satisfatria. Passo 4: Escolha do modelo de previso O passo 4 envolve a escolha dentre vrios modelos de previso existentes, tais como modelos de alisamento exponencial, modelos de regresso, modelos BoxJenkins, modelos ARIMA e tambm modelos no lineares, tais como regresso com erros de ARIMA, modelos de interveno, modelos de ARIMA multivariados etc. Passo 5: Uso e avaliao do modelo de previso Uma vez escolhido o modelo e seus parmetros, o modelo estar pronto para ser usado e necessrio que ocorram avaliaes constantes dos erros da previso, inclusive para incremento do modelo.
Introduo de Novos Produtos Metas de Vendas Estrutura de Custos Produo e Logstica no dia-a-dia Os problemas causados pela falha em previses esto relacionadas, segundo WELSCH, 1996), MENTZER & BIENSTOCK (1998), MAKRIDAKIS; WHEELWRIGHT & HYNDMAN (1998), dentre outros com, alm de consideraes dos autores: Decises Estratgicas Erros em previses podem levar a empresa a tomar decises estratgicas equivocadas, provocando, muitas vezes, problemas para a continuidade da empresa, como por exemplo: Instalao de uma empresa em local onde no h demanda; Sub ou super dimensionamento de plantas de produo; Desenvolvimento de novo produto sem haver demanda; Erro em deciso de formao de preo de venda; Custos Operacionais Normalmente envolvem custos Logsticos e de Produo, tais como: Produzir produtos errados baseado na previso; Visto o erro anterior, a alterao do setup da fbrica causa custos altos; Custos com Materiais mais elevados, levando inclusive a decises de compras erradas; Pode ocasionar o envio do produto errado ao lugar errado no tempo errado; Custos de Marketing Pode levar a campanhas de marketing sub ou super dimensionadas pela previso errada de venda de um produto; Pode levar a promoes de reduo de preo baseada em falsa previso; Metas para quotas de venda inadequadas; Custos Financeiros Uma previso errada traz conseqncias diretas para a rea financeira de qualquer empresa que trabalhe com algum tipo de oramento (por mais simples que seja), tais como: Super dimensionamento da previso de vendas, fazendo com que haja um super dimensionamento da sobra financeira da empresa, o que, em no ocorrendo, traz efeitos danosos, como, por exemplo, a necessidade de ir buscar recursos de terceiros para coberturas de caixa; Sub dimensionamento da previso de vendas, fazendo com que a empresa busque recursos de terceiros para prevenir um suposta quebra de caixa que no ocorrer; Necessidades de alteraes oramentrias aps o mesmo ter entrado em operao, por ocasio; Satisfao do Consumidor Alm de custos, erros em previso podem tambm trazer problemas quanto a satisfao de consumidores. Os problemas podem ser, dentre outros: Produzir produtos que os consumidores no querem; No fazer um produto que os consumidores querem; No ter produtos nos lugares e nas quantidades que os consumidores querem.
4. ESTUDO DE CASO
O estudo de caso deu-se em uma empresa de Servios Auxiliares de Transportes areos do Norte do Paran, com dados de 1984 at maio de 2002. Os dados
da srie histrica representam 221 meses, aqui discriminados em algarismos arbicos, numerando-os de 01 a 221. Para a elaborao do modelo, ser feita uma decomposio clssica, utilizando os mtodos Holt Winters, Arima e Regresso para a previso.
Obs. 207 208 209 210 211 212 213 214 215 216
Por sua vez, pelo mtodo multiplicativo, os resultados foram os seguintes: Observ. Mdia Mvel Fator Saz. Srie Ajust. Tendncia Comp.Irreg. 6300,968 6587,866 97,7928 6443,183 6365,725 1,012168 7204,000 6541,283 109,2730 6592,661 6424,234 1,026218 6433,548 6390,960 96,8143 6645,248 6512,865 1,020326 5947,000 6272,877 100,5908 5912,071 6553,562 0,902116 8078,710 6176,022 111,7789 7227,399 6639,378 1,088566 7403,226 6129,490 107,1706 6907,890 6473,127 1,067164 5820,000 6108,110 100,5696 5787,035 6080,388 0,951754 5882,903 6072,385 105,1732 5593,536 5672,377 0,986101 5405,000 6127,551 105,3168 5132,135 5442,904 0,942904 5164,839 6149,890 93,4888 5524,554 5469,257 1,010111
A decomposio traz como principal benefcio, nesta srie de dados, que os mesmos possuem uma tendncia definida e um fator sazonal importante, o que mostra que, provavelmente, o mtodo Holt Winters funcionar melhor do que o Holt, que, na metodologia Arima, o melhor modelo ter um componente sazonal e que, na regresso, a incluso de um conjunto de variveis dummy trar bons resultados. Estas observaes, entretanto, so apenas suposies, sendo que as comprovaes viro com a apresentao dos modelos.
A utilizao da srie completa foi a que apresentou melhores resultados, j que foram feitos testes usando apenas os dados mais recentes ou metade dos dados. Tal constatao tambm foi encontrada quando foi utilizado o software Statistica para a modelagem da srie. Quando a modelagem do mtodo de Holt Winters multiplicativo foi feita no software Statistica, um software mais poderoso, a previso melhorou, apresentando um erro absoluto mdio de 274,73 (e erro percentual na casa dos 10%), o que no foi uma diferena to significativa. Os ndices trabalhados foram os seguintes: Nvel = 0,655; Tendncia = 1,00 e Sazonalidade = 0,00. Apesar de serem ndices diferenciados, isto facilmente explicado, j que, enquanto o Excel considerou todo o peso na Sazonalidade e quase nenhum na Tendncia, o Statistica fez o inverso, sendo que, em ambos os casos, o ndice de Nvel foi semelhante. A previso para os seis meses seguintes foi: Observ. Previso 222 6554,440 223 7935,173 224 7090,151 225 6057,839 226 6832,937 227 6647,461
Quadro 3 - Previso - Holt Winters Multiplicativo - Statistica
10000
O mtodo aditivo foi descartado, visto que o erro absoluto mdio foi de 285,43.
4.3. Arima
Na metodologia ARIMA, a primeira coisa a ser feita estacionar os dados. Os grficos a seguir comprovam que os dados realmente apresentam uma no estacionariedade, conforme se observam nos grficos a seguir:
Res duos
A u to c o r r e l a tio n F u n c tio n E M B A RQUE ( S ta n d a r d e r r o r s a r e w h ite - n o i s e e s ti m a te s ) Lag 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Corr. +,963 +,927 +,909 +,896 +,872 +,853 +,840 +,837 +,825 +,804 +,791 +,788 +,757 +,722 +,706 S.E. ,0668 ,0667 ,0665 ,0664 ,0662 ,0660 ,0659 ,0657 ,0656 ,0654 ,0653 ,0651 ,0650 ,0648 ,0647 - 1 ,0 - 0 ,5 0 ,0 0 ,5 Q 207,7 401,0 587,8 770,1 943,7 1110, 1273, 1435, 1593, 1744, 1891, 2037, 2173, 2297, 2417, 1 ,0 p 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000 0,000
Na anlise do PACF, a no estacionariedade dos dados ainda mais visvel, visto que h um grande prego na lag 1 e caindo a praticamente 0 na lag 2.
P a r ti a l A u to c o r r e la tio n F u n c ti o n E M B A R QUE ( S ta n d a r d e r r o r s a s s u m e A R o r d e r o f k - 1 ) Lag 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Corr. +,963 -,005 +,231 +,063 -,086 +,069 +,043 +,158 -,067 -,094 +,098 +,052 -,349 -,010 +,136 S.E. ,0673 ,0673 ,0673 ,0673 ,0673 ,0673 ,0673 ,0673 ,0673 ,0673 ,0673 ,0673 ,0673 ,0673 ,0673 - 1 ,0 - 0 ,5 0 ,0 0 ,5 1 ,0
Para tornar a srie estacionria, utilizou-se a primeira diferena o que trouxe bons resultados. Para anlise, foi utilizado tanto a srie completa quanto a srie a partir de julho de 1994 (poca da entrada em vigor do Plano Real). Os modelos com a srie completa (desde janeiro de 1984) trouxeram melhores resultados. O primeiro modelo testado foi o ARIMA (1,1,1,). A anlise do modelo mostrou um prego na lag 4 (um pouco positivo), na lag 7 (um pouco negativo), na lag 12 (fortemente positivo) e na lag 14 (um pouco negativo). Diante disso, observou-se uma possibilidade de sazonalidade, para a explicao do prego na lag 12, e o erro observado foi de 2965, sendo que as previses ficaram quase que lineares. Foi-se ento utilizados modelos SARIMA. O primeiro teste foi com o modelo SARIMA (1,1,1) (1,0,0) 12. Este modelo foi mais preciso, com um erro de 2205. A anlise dos pregos tambm mostrou-se melhor, j que s houve um pequeno prego na lag 4 (ligeiramente positivo) e pregos nas lag 7 e 14 (ligeiramente negativo). Para eliminar o prego na lag 4, foi adicionado mais um fator de sazonalidade, passando o modelo para SARIMA (1,1,1) (2,0,0)12. Este modelo deixou apenas os pregos nas lag 7 e 14 (ligeiramente negativo), com um erro de 1898. A eliminao de todos os pregos aconteceu no modelo SARIMA (3,1,7) (2,0,0)12. Este modelo, alm de eliminar todos os pregos, trouxe o menor erro (1751). Pela anlise comparativa dos modelos, o modelo que apresentou melhor representatividade (pelo valor de p) e tambm melhor erro, foi o modelo com
sazonalidade, modelo SARIMA (1,1,1,) (2,0,0)12 com a transformao da primeira diferena. Foram feitas previses para os seis meses seguintes, originando os seguintes resultados, com intervalo de confiana de 95%. Inferior Superior Previsto 95,0000% 95,0000% Erro Padro. 222 6596,186 5771,144 7421,227 418,4980 223 7861,108 6778,262 8943,953 549,2677 224 7338,221 6057,918 8618,523 649,4269 225 5862,823 4436,649 7288,998 723,4195 226 6419,794 4813,530 8026,059 814,7694 227 5837,843 4102,511 7573,175 880,2382
Quadro 4 - Previso - Arima
A u to c o r r e l a ti o n F u n c ti o n P A X _ O B S : A R IM A ( 3 ,1 ,7 ) ( 2 ,0 ,0 ) r e s i d u a l s ; Lag 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Corr. +,008 -,014 -,014 -,007 +,066 +,004 -,086 -,054 +,137 +,002 -,049 -,012 -,072 -,090 +,073 S.E. ,0674 ,0674 ,0674 ,0674 ,0675 ,0677 ,0677 ,0682 ,0684 ,0697 ,0697 ,0698 ,0698 ,0702 ,0707 - 1 ,0 - 0 ,5 0 ,0 0 ,5 1 ,0 Q ,01 ,06 ,10 ,11 1,11 1,11 2,79 3,47 7,83 7,83 8,40 8,43 9,67 11,57 12,83 p ,9099 ,9723 ,9919 ,9985 ,9535 ,9811 ,9040 ,9016 ,5517 ,6456 ,6772 ,7504 ,7210 ,6405 ,6153
F o r e c a s t s ; M o d e l: ( 3 , 1 , 7 ) ( 2 , 0 , 0 ) S e a s o n a l la g : 1 2 Input: P A X _O B S S t a rt o f o r ig in : 1 E n d o f o r ig in : 2 2 1 12000 10000 8000 6000 4000 2000 0 -2 0 0 0 -2 0 12000 10000 8000 6000 4000 2000 0 -2 0 0 0 240
20
40
60
80
100
120
140
160
180
200
220
O b s e rv e d
F o re c a s t
95,0000%
4.4. Regresso
A tcnica da Regresso foi feita com as seguintes variveis: percentual de aumento de preo das passagens areas (preo), ndice de pessoas empregadas (emprego), ndice de inflao medido pelo IBGE (IPCA), o valor do PIB em dlares (PIB), a cotao mdia do dlar comercial (DOLAR), alm da criao de variveis Dummy para a sazonalidade dos dados. Foi tambm utilizado como varivel o nmero de passageiros embarcados do ms anterior (PAX_ANT), fazendo com que tenhamos uma regresso dinmica, com a defasagem de 1 ms. O valor de p para as variveis foram: p-level Intercepto 0,292491 PRECO 0,920294 EMPREGO 0,375275 IPCA 0,089340 PIB 0,772183 DOLAR 0,849539 JAN 0,039735 FEV 0,695247 MAR 0,002745 ABR 0,011471 MAI 0,825141 JUN 0,587267 JUL 0,000374 AGO 0,941116 SET 0,202317 OUT 0,044181 NOV 0,994025 PAX_ANT 0,000000
Quadro 5 - Valor de p para todas as variveis
O valor do R quadrado ajustado foi de 0,93196278 e o erro padro foi de 636,07425153. Pela anlise dos valores de p, com a retirada de algumas variveis, a tendncia do modelo melhorar. Foram excludas as seguintes variveis: preo, emprego, pib, dlar, fevereiro, junho, agosto, setembro e novembro (p superior a 5%), Com a excluso, tem-se os seguintes valores de p para as variveis:
O valor do R quadrado ajustado foi de 0,93550360 e o erro padro foi de 619,30171402. Pela anlise dos valores de p, o modelo, com a retirada das variveis, trouxe uma previso com menores erros. O prximo passo foi a incluso de defasagens nas variveis existentes e a incluso de duas novas variveis, o embarque no ms anterior do seu principal concorrente e o embarque total de passageiros do Aeroporto de Londrina no ms anterior (tais dados so fornecidos s companhias areas pela Infraero). Neste novo modelo foram acrescentadas as seguintes variveis: Embarque do Principal concorrente com 1 Defasagem, Embarque Total do Aeroporto com 1 Defasagem, Nvel de Emprego Formal com 2 Defasagens e Cotao do Dlar com 1 Defasagem, alm da reintroduo da varivel dummy referente ao ms de setembro. Tambm foi excludo do modelo o Intercepto, visto que, alm do valor de p ser alto (neste novo modelo chegou a 0,70, o erro padro foi menor quando o mesmo foi excludo). As outras variveis com defasagens pioraram o modelo. O valor de p para o novo modelo ficou o seguinte: p-level PAX_ANT 0,000006 EMP2D 0,546719 IPCA 0,121887 DOLAR1D 0,010145 CONC1D 0,007750 AERO1D 0,227795 JAN 0,014530 MAR 0,000327 ABR 0,000365 JUL 0,000002 SET 0,094082 OUT 0,006589
Quadro 7 - Valores de p para as variveis resultantes no modelo com defasagens
Apesar das variveis IPCA, Dlar com 1 Defasagem, Movimento do Aeroporto com 1 Defasagem e o ms de Setembro ficarem com um valor de p superior a 5%, decidiu-se aceitar o modelo, j que o erro padro foi diminudo. O valor do R quadrado ajustado e o erro padro do modelo foram de, respectivamente, 0,98794571 e 596,59. A equao de previso encontrada foi a seguinte: Previso = PAX_ANT x 0,685,854 + EMP2D x (-3,407) + IPCA x (-200,019) + DOLAR1D x 919,144 + CONC1D x (-0,310) + AERO1D x 0,134 + JAN x (-579,169) + MAR x (970,962) + ABR x (907,132) + JUL x (1278,367) + SET x (-399,965) + OUT x (656,075). A equao demonstra, com relao sazonalidade, que os meses com embarque muito superior aos demais so maro (com aumento de 970 passageiros), abril (aumento de 907), julho (aumento de 1.278) e outubro (aumento de 656), enquanto que o ms de janeiro e setembro apresentam uma baixa expressiva (com reduo de 579 e 400 passageiros respectivamente). Todos esses valores so aumentos extraordinrios, alm do que a equao da previso mostra.
O grfico dos valores previstos e observados, com intervalo de confiana de 95% ficou o seguinte:
Valores Previstos vs Valores Observados Varivel Dependente: Passageiros Embarcados 12000
10000
Valores Observados
8000
6000
4000
5. CONCLUSO
O Planejamento a funo bsica que garante o sucesso das demais funes. Porm, para que o planejamento seja executado de maneira apropriada, h a necessidade de ferramentas de apoio. A previso uma tcnica fundamental para o sucesso de um planejamento de vendas, visto que, com uma previso de vendas mal feita, todo o planejamento cai por terra, trazendo inmeros problemas para a organizao. Um dos itens mais afetados pela ausncia ou previso equivocada o oramento, trazendo distores de custos de todas as espcies, principalmente operacionais, marketing e financeiros, alm de trazer graves problemas quanto satisfao do consumidor. Em relao ao estudo de caso, Pela anlise dos mtodos apresentados (Holt Winters, Arima e Regresso), tm-se a seguinte concluso: A metodologia Holt Winters apresentou resultados altamente satisfatrios, tanto utilizando o software Microsoft Excel quanto utilizando o software Statistica, apresentando erros consideravelmente baixos, alm de ser de fcil utilizao, visto que so necessrios apenas os valores observados. O mtodo Arima apresentou resultados bons, porm menos precisos do que Holt Winters. Alm disso, a metodologia Arima tem algumas desvantagens tais como: a necessidade de um software especializado para sua soluo; estudo mais aprofundado para a verificao dos pregos e escolha de um modelo apropriado. A regresso no apresentou resultados satisfatrios, visto que, a varivel que mais explica os embarques de um ms o embarque do ms anterior, o que mostra que modelos que consideram apenas a srie temporal adequam-se bem a isto. As outras variveis includas na regresso, no trouxeram muito auxlio previso, mesmo utilizando-se defasagens. Neste estudo, o mtodo que apresentou melhores previses, com um erro absoluto mdio menor, foi o mtodo Holt Winters, o que recomendado para uso, alm tambm de ser a metodologia mais simples, dentre as trs aqui especificadas.
BIBLIOGRAFIA
BIO, Srgio Rodrigues - Sistemas de Informao - Um enfoque Gerencial. So Paulo: Atlas, 1996. CAMPIGLIA, Amrico Oswaldo & CAMPIGLIA, Oswaldo Roberto P. Controles de Gesto. So Paulo: Atlas, 1995. DRUCKER, Peter Manegement: Tasks Responsabilities, Practices. New York: Haper & Row 1974. FERNANDEZ, Jos Domingues Estudo de um modelo integrado de informaes econmico financeira e sua integrao com o processo decisrio (Dissertao de Mestrado) So Paulo FEA Universidade de So Paulo 1989. FERREIRA, Aurlio Buarque de Holanda Novo Dicionrio da Lingua Portuguesa Rio de Janeiro Nova Fronteira, 1986. FIGUEIREDO, Sandra e CAGGIANO, Paulo Cesar. Controladoria Teoria e Prtica. So Paulo: Atlas, 1997. FREZATTI, Fbio Oramento Empresarial. So Paulo: Atlas, 2000. GLAUTIER, Michel W. & UNDERDOWN, Brian Accounting Theory and Practice. 7a ed. Financial Times Prof, 2000. LAS CASAS, Alexandre Luzzi. Administrao de vendas. 5 ed. So Paulo : Atlas, 1999. MAKRIDAKIS, Spyros; WHEELWRIGHT, Steven C. & HYNDMAN, Rob J. Forecasting Methods and applications. New York: John Wiley & Sons Inc, 1998. MAXIMIANO, Antonio Cesar Amaru - Introduo Administrao 5a ed. So Paulo: Atlas, 2000. MENTZER, John T. & BIENSTOCK, Carol C. Sales Forecasting Management. London: Sage Publications Inc, 1998. MOSIMANN, Clara Pellegrinello, FISCH, Silvio Controladoria seu papel na Administrao de empresas. So Paulo: Atlas, 1999. NAKAGAWA, Masayuki Introduo Controladoria. So Paulo: Atlas, 1995. OLIVEIRA, Djalma P. R. - Planejamento Estratgico: Conceitos Metodologia e Prticas. 17a ed. So Paulo: Atlas, 2002. WELSCH, Glenn A. Oramento Empresarial. 4a ed. So Paulo: Atlas, 1996. Informaes de sries histricas obtidas junto ao IBGE e ao Banco Central do Brasil (www.ibge.gov.br e www.bcb.gov.br respectivamente).