Uma tarefa de previsão geralmente envolve cinco etapas básicas.
Frequentemente, essa é a parte mais difícil da previsão.
Definir o problema cuidadosamente requer um entendimento de como as previsões serão usadas, quem as requer e como a função de previsão se encaixa na organização que as requer.
Um previsor precisa gastar tempo conversando com todos que estarão envolvidos na coleta de dados, manutenção de bancos de dados e uso de previsões para planejamento futuro.
Sempre há pelo menos dois tipos de informações necessárias:
dados estatísticos, e
a experiência acumulada das pessoas que coletam os dados e usam as previsões.
Frequentemente, será difícil obter dados históricos suficientes para caber em um bom modelo estatístico. Nesse caso, os métodos de previsão de julgamento podem ser usados. Ocasionalmente, dados antigos serão menos úteis devido a mudanças estruturais no sistema que está sendo previsto; então podemos escolher usar apenas os dados mais recentes. No entanto, lembre-se de que bons modelos estatísticos lidarão com mudanças evolutivas no sistema; não jogue fora dados bons desnecessariamente.
Sempre comece fazendo um gráfico dos dados.
Existem padrões consistentes? Existe uma tendência significativa? A sazonalidade é importante? Há evidências da presença de ciclos de negócios? Há alguma discrepância nos dados que precisa ser explicada por aqueles com conhecimento especializado? Quão fortes são as relações entre as variáveis disponíveis para análise?
O melhor modelo a ser usado depende da disponibilidade de dados históricos, da força dos relacionamentos entre a variável de previsão e quaisquer variáveis explicativas e da maneira como as previsões devem ser usadas. É comum comparar dois ou três modelos potenciais. Cada modelo é em si uma construção artificial baseada em um conjunto de suposições (explícitas e implícitas) e geralmente envolve um ou mais parâmetros que devem ser estimados usando os dados históricos conhecidos. Modelos de regressão, métodos de suavização exponencial, modelos Box-Jenkins ARIMA, modelos de regressão dinâmica, Previsão hierárquica e vários métodos avançados, incluindo redes neurais e vetores autoregressivos.
Vários métodos foram desenvolvidos para ajudar a avaliar a precisão das previsões. Existem também problemas organizacionais no uso e atuação nas previsões. Ao usar um modelo de previsão na prática, surgem várias questões, como como lidar com valores ausentes e outliers ou como lidar com séries temporais curtas. Era isso! Até o próximo!
Keep calm and analysing data!