Seção 8. Módulo de Previsão: Previsão

8.A. Previsões de consumo

As previsões baseadas no consumo, que se baseiam em dados históricos de consumo, são mais úteis em programas maduros e estáveis, que dispõem de um fornecimento completo de unidades de planeamento e de dados fiáveis. Este método pode ser o preditor mais confiável do consumo futuro se o uso futuro for muito semelhante ao passado. Assim, um utilizador deve ser capaz de extrapolar dados históricos (idealmente, estão disponíveis mais de 24 meses de dados de consumo real mensal) e os dados devem ser uma série de dados ao longo do tempo (ou seja, consumo mensal real ajustado).

Existem quatro componentes básicos para uma previsão de consumo:

Previsão $\cong$ Base + Tendência + Temporada + Aleatório

Diferentes modelos de extrapolação utilizarão diferentes métodos estatísticos para estimar estes diferentes componentes e produzir uma previsão. No QAT, os usuários seguirão três etapas para produzir uma previsão baseada no consumo:

1. Importar/inserir dados de consumo real: Isso pode ser feito importando dados do módulo QAT Supply Planning ou inserindo dados manualmente.
2. Ajuste os dados de consumo real: Adicionando taxas de relatórios e rupturas de estoque e/ou interpolando dados ausentes.
3. Extrapolar dados de consumo real: Para produzir uma previsão. QAT tem cinco métodos de extrapolação diferentes para escolher: médias móveis, semi-médias, regressão linear, suavização exponencial tripla (TES, Holt-Winters) e média móvel integrada auto-regressiva (ARIMA).

###8.A.1. Importar/Inserir dados reais

Existem duas maneiras pelas quais um usuário pode adicionar dados de consumo reais ao seu programa:

1. Importar dados de consumo real de um programa existente no módulo QAT Supply Planning, ou
2. Insira os dados manualmente na tela “Inserção de dados e ajustes” no módulo QAT Forecasting.

Etapas para importar dados do módulo QAT Supply Planning:

1. Navegue até a tela Previsão Baseada em Consumo → Importar do Plano de Fornecimento QAT.
2. Escolha o Programa de Previsão, os dados da Faixa de Consumo Real a serem importados, o programa Plano de Fornecimento e depois a versão do Plano de Fornecimento. Observação: apenas os programas de previsão que foram baixados para o computador local do usuário estarão disponíveis no menu suspenso “Programa de previsão”. Consulte Baixar/Excluir programa para saber como baixar um programa para o computador local.
3. Os usuários mapearão então a Unidade de Planejamento do Plano de Fornecimento para a Unidade de Planejamento de Previsão. Nota: somente as unidades de planejamento que foram adicionadas ao Programa de Previsão na tela “Atualizar Unidades de Planejamento” e para as quais marcamos a caixa de seleção de previsão de consumo estarão disponíveis no menu suspenso “Unidade de Planejamento de Previsão”. Consulte Unidades de planejamento do módulo de previsão para saber como adicionar unidades de planejamento a um programa de previsão.
4. Escolha “Não importar” no menu suspenso para quaisquer PUs que não correspondam automaticamente. Caso você tenha muitas PUs e queira selecionar “Não importar” para todas as unidades não mapeadas você pode marcar a caixa “Não importar todas as unidades de planejamento não mapeadas”.
5. Os usuários escolhem qual região deve ser importada para o programa de previsão e também fornecem informações sobre a porcentagem do consumo real que deve ser importada para o programa de previsão.
6. A última etapa permitirá que os usuários verifiquem novamente os dados de consumo real do plano de abastecimento para garantir que estão importando a unidade de medida e os meses de dados corretos. Se os dados já existirem no programa de previsão, eles serão destacados em amarelo. Se um usuário importar dados destacados em amarelo, essa nova importação substituirá os dados que já existem no programa de previsão. Os usuários podem desmarcar manualmente os meses de dados que não serão importados, se desejarem.
7. Clique em Importar.

Etapas para inserir dados de consumo real manualmente:

1. Navegue até a tela Previsão Baseada em Consumo → Entrada de Dados e Ajustes.
2. Selecione o programa de previsão e o período de revisão desejado. Por padrão, o QAT pré-seleciona um intervalo de datas de 36 meses antes do início do período de previsão. Uma tabela não editável e todos os produtos relacionados a este programa de previsão são exibidos, juntamente com seus dados de consumo ajustados, caso você tenha inserido esses dados anteriormente; caso contrário, você verá células amarelas indicando que nenhum dado de consumo foi inserido. Por padrão, os produtos e o consumo são mostrados em unidades de planejamento. O usuário também pode expandir cada linha da tabela para exibir o consumo por região, caso esteja gerenciando um programa multirregional.
3. Na tabela superior, clique em uma unidade de planejamento para exibir a tabela de dados detalhada abaixo dessa unidade de planejamento. A tabela de dados detalhada terá uma seção para cada região do seu programa.
4. A tabela de dados detalhada permite aos usuários adicionar, editar, ajustar ou excluir registros históricos de consumo.
   • uma. Se desejar inserir os dados manualmente, insira o consumo histórico de cada região e mês na linha ‘Consumo Real’.
   • b. Se você importou dados do QAT, verá o consumo histórico importado na linha ‘Consumo Real’.
   • c. Por padrão, presume-se que os dados sejam inseridos na Unidade de Planejamento. No entanto, o usuário pode especificar a unidade apropriada para os dados detalhados clicando no link “alterar” sob o nome da Unidade de Planejamento e no pop-up subsequente, escolhendo inserir dados usando a unidade de planejamento, as quantidades da unidade de previsão (aplicando um fator de conversão gerenciado pelo domínio) ou outra unidade inserida pelo usuário (e fator de conversão).
5. Assim que o usuário inserir os dados na linha “Consumo real” na tabela de dados inferior, clique em Enviar para salvar as entradas e visualizá-las no gráfico.
   • Os usuários também podem copiar e colar dados de um Excel ou outros formatos tabulares na linha “Consumo real”.

###8.A.2. Ajustes

Objetivo: permitir que os usuários preparem dados históricos de consumo antes de passar para a tela ‘Extrapolação’. O consumo real histórico pode ser quantidades vendidas, quantidades distribuídas ao usuário ou quantidades emitidas por instalações de armazenamento. Nesta tela, os usuários podem ajustar os dados históricos de consumo que foram inseridos manualmente nesta tela ou que foram importados de um programa de plano de fornecimento QAT.

Usando esta tela:

2. Métodos de extrapolação disponíveis no QAT: Os métodos de previsão no QAT são organizados do simples ao sofisticado.
   • uma. Média Móvel: A média móvel é uma média que se move ao longo do tempo, descartando dados mais antigos à medida que incorpora dados mais recentes. Para que o QAT calcule a média móvel, insira o número de meses anteriores que você gostaria de usar no cálculo da média. O usuário pode selecionar qualquer número inteiro positivo para este campo. Inserir 5, por exemplo, significaria que a projeção para o próximo mês da série seria a média do consumo dos cinco meses anteriores. Este método é mais útil para previsões de curto prazo e é sensível às tendências. Não é apropriado para dados sazonais.
   • b. Semimédias: A semimédia estima tendências com base em duas metades de uma série. O QAT divide os dados reais em duas partes iguais (metades) e a média aritmética dos valores de cada parte (metade) é calculada como os valores ‘y’ de dois pontos em uma linha. A inclinação da linha de tendência é determinada pela diferença entre estes valores ‘y’ ao longo do tempo, conforme definido pela diferença dos pontos médios das duas metades da série, ou valores ‘x’, dos pontos. Este método é sensível às tendências e útil para previsões de curto e médio prazo, mas não é apropriado para dados sazonais.
   • ** c. Regressão Linear:** A regressão linear modela a relação entre duas variáveis ​​ajustando uma equação linear aos dados observados. Intervalo de confiança: entre 0% e 100% (exclusivo), por exemplo, o nível de confiança de 90% indica que 90% dos possíveis pontos futuros devem cair dentro deste raio da previsão representada pela linha de regressão. Este método não é apropriado para dados sazonais.
   • d. Suavização exponencial tripla (Holt-Winters): Nas estatísticas, diferentes tipos de suavização são usados ​​para filtrar o ruído para que possamos ver os padrões em um conjunto de dados de série temporal com mais clareza. A suavização exponencial usa dados mais antigos com pesos decrescentes exponencialmente ao longo do tempo. Os parâmetros de suavização na suavização exponencial são definidos entre 0 e 1, com valores próximos de 1 favorecendo valores recentes e valores próximos de 0 favorecendo valores mais antigos. Os usuários que utilizam suavização exponencial tripla podem escolher quatro parâmetros:
     • alfa, aplica-se ao nível ou linha de base do conjunto de dados. Valores alfa mais altos dão mais peso aos dados mais recentes. O parâmetro padrão QAT para alfa é 0,2.
     • beta, determina quão fortemente as tendências recentes devem ser valorizadas em comparação com tendências mais antigas. O parâmetro padrão QAT para beta é 0,2.
     • gama, reflete o componente sazonal da previsão. Sazonal geralmente se refere à repetição de padrões dentro de um ano. Quanto maior o gama, maior será o peso aplicado ao componente sazonal mais recente dos dados. O parâmetro padrão QAT para gama é 0,2.
     • Intervalo de confiança: entre 0% e 100% (exclusivo), por exemplo. O nível de confiança de 90% indica que 90% dos pontos futuros cairão dentro deste raio da previsão. O intervalo de confiança padrão do QAT é de 85%.
     • O QAT calculará apenas as previsões do TES para conjuntos de dados com 24 ou mais meses de dados.
   • e. ARIMA: ARIMA ou média móvel integrada autoregressiva permite que dois modelos estatísticos projetados para séries temporais estacionárias sejam integrados e aplicados a séries temporais não estacionárias, ou seja, séries temporais que possuem tendências ou estações. Muitas vezes é aplicado a previsões de curto prazo. “Auto-regressivo” significa que cada ponto na regressão é influenciado pelos seus valores anteriores e “média móvel” implica que cada ponto é uma média, uma combinação linear de um ou mais pontos adjacentes. Tanto a auto-regressão quanto a média móvel são "integradas" juntas para ajustar o melhor modelo para a série por meio de diferenciação ou, literalmente, usando a diferença entre pontos em uma série temporal para a análise, em vez dos valores brutos. Os modelos ARIMA possuem três parâmetros:
     • p ou AR (ordem de defasagem): o número de observações de defasagem no modelo. O parâmetro padrão QAT

er para p é 0.

• d ou I (grau de diferenciação): o número de vezes que as observações brutas são diferenciadas. Este valor normalmente é 1 (se houver tendência) ou 0 (sem tendência). Outros valores mais elevados são possíveis, mas não esperados. O parâmetro padrão QAT para d é 1.
• q ou MA (ordem da média móvel): o tamanho da janela da média móvel ou o número de observações diferenciadas a serem calculadas. O parâmetro padrão QAT para q é 1.
• Intervalo de confiança: entre 0% e 100% (exclusivo), por exemplo. O nível de confiança de 90% indica que 90% dos pontos futuros cairão dentro deste raio da previsão. O intervalo de confiança padrão do QAT é de 85%.
• O cálculo ARIMA pode ser sazonal ou não sazonal, com base na escolha e compreensão do usuário sobre seus dados e expectativas sobre se o consumo de um determinado produto está ou não sujeito a influências sazonais. A seleção padrão do QAT é para ARIMA sazonal. O QAT calculará previsões ARIMA apenas para conjuntos de dados com 13 ou mais meses de dados.

1. Existem três maneiras de ajustar os dados:

   • uma. Ajuste para subnotificação: O valor padrão é 100% de relatórios todos os meses. O usuário pode alterar isso para o valor correto. O QAT calculará o consumo ajustado por subnotificação. O cálculo pressupõe que as instalações que não reportaram qualquer consumo tiveram a mesma taxa de consumo que as que o fizeram.
   • b. Ajuste para rupturas de estoque: Para dados importados, o número de dias de ruptura de estoque é obtido do programa de plano de fornecimento QAT, se os dados forem coletados. O valor padrão para dias de ruptura é zero dias (produto assumido sempre em estoque). O usuário pode alterar para o valor correto e o QAT calculará o consumo ajustado por ruptura de estoque. O cálculo pressupõe que os dias em que o produto esteve em estoque teriam a mesma taxa de consumo do restante do tempo em que o produto esteve em estoque. O valor padrão para o número de dias em um mês é baseado nos dias corridos, mas os usuários podem ajustar o número de dias usados ​​para o cálculo de falta de estoque em ‘Atualizar configurações de versão’. Taxa de falta de estoque = falta de estoque (dias) / número de dias no mês Consumo ajustado = Consumo real / [Taxa de relatório $\vezes$ (1 - Taxa de ruptura de estoque)] Exemplo: Para um determinado mês, um produto teve um consumo de 1.000 unidades, ficou fora de estoque por 5 dos 31 dias do mês e a taxa de relatório foi de 98%: Taxa de ruptura de estoque = 5/31 = 16,1% Consumo Ajustado = 1.000 / [0,98 $\vezes$ (1 - 0,161)] = 1.217 unidades
   • ** c. Ajuste para valores faltantes:** Clique no botão verde ‘Interpolar’ no centro direito da tela para pesquisar os períodos onde o valor de consumo está em branco e substituí-los por um valor interpolado. O QAT interpola encontrando os valores mais próximos em ambos os lados (antes ou depois do espaço em branco), calcula a linha reta entre eles e usa essa fórmula linear para calcular o valor do(s) espaço(s) em branco. Observe que o QAT não interpolará para meses em que o consumo real seja zero. QAT interpolará apenas se houver pelo menos um ponto de dados antes e um ponto de dados depois do(s) valor(es) em branco. Matematicamente:
     • Onde $x$ representam meses e $y$ representam o consumo real,
     • Onde os valores de dados conhecidos são $(x_0 , y_0)$ e $(x_1 , y_1)$
     • Onde quaisquer valores de dados desconhecidos são $(x, y)$
       • A fórmula para a linha interpolada é $y = y_0 + (x - x_0) \times (y_1 - y_0) / (x_1 - x_0)$

2. Utilize a tabela Dados Detalhados para revisar o consumo ajustado.

3. Clique em Enviar para salvar quaisquer dados inseridos/ajustados. Assim que os ajustes forem salvos, o gráfico será atualizado.

4. Repita as etapas 1 a 3 para cada unidade de planejamento que precisa ser ajustada.

###8.A.3. Extrapolação

Objetivo: permitir que os usuários criem uma previsão identificando tendências e estações a partir de dados históricos de séries temporais inseridos pelo usuário na tela "Entrada e ajuste de dados". Várias opções de extrapolação estatística estão disponíveis. As extrapolações dos dados de consumo são feitas unidade de planejamento por unidade de planejamento.

Usando esta tela:

1. Introdução à extrapolação:

   • Antes de usar esta tela, certifique-se de ter preenchido a tela ‘Inserção e ajuste de dados’ para cada unidade de planejamento e região que você gostaria de extrapolar.
   • Use os filtros na parte superior desta tela para selecionar a unidade de planejamento, a região a ser extrapolada e o intervalo de datas para utilização dos dados históricos.
   • O utilizador poderá selecionar um ou vários dos métodos de extrapolação disponíveis no QAT, conforme adequado ao padrão geral de consumo e aos dados disponíveis.
   • Observe que as alterações nesta tela são opcionais – o QAT aplica automaticamente os parâmetros de extrapolação padrão a todas as unidades de planejamento após a conclusão da tela Ajustes. O usuário então faz a seleção final da previsão na tela ‘Comparar e Selecionar’.

2. Qual método de extrapolação devo usar? Abaixo estão algumas considerações para selecionar um método de previsão. Os métodos de previsão no QAT são organizados do simples ao sofisticado. Em geral,

   • Modelos mais sofisticados são mais sensíveis a problemas nos dados.
   • Se você tiver dados mais pobres (pontos de dados ausentes, taxas de relatórios variáveis, <12 meses de dados), métodos de previsão mais simples, como médias móveis, serão provavelmente mais úteis.
   • A escolha do método de extrapolação depende do padrão esperado nos dados. Alguns padrões típicos incluem:
     • Estacionário, onde o intervalo de valores observados ao longo do tempo gira em torno de uma média. Os modelos aplicados a tais conjuntos de dados podem incluir: Média Móvel, ARIMA (não sazonal).
     • Tendência sem componente sazonal, onde os valores observados apresentam tendência crescente ou decrescente. Os modelos aplicados a tais conjuntos de dados podem incluir: Semimédias, Regressão Linear.
     • Tendência e Sazonal, onde os valores observados em um conjunto de dados têm componentes de tendência e sazonais. Os modelos aplicados a tais conjuntos de dados podem incluir: ARIMA (sazonal), Suavização Exponencial Tripla (Holt-Winters).
     • Sazonal sem tendência, onde os valores observados têm uma componente sazonal mas não têm tendência. Os modelos aplicados a tais conjuntos de dados podem incluir: Suavização Exponencial Tripla (Holt-Winters).
   • Os modelos aqui sugeridos não são exaustivos nem exclusivos. O QAT permite ao usuário aplicar uma variedade de métodos de extrapolação e depois compará-los usando métricas de melhor ajuste ou erro de previsão.
   • O segundo passo é considerar se se espera que os valores de previsão reflitam de perto os padrões históricos nos seus dados e, portanto, se você usará as métricas de erro para informar sua seleção. Ao escolher um resultado (seja desconsiderando ou não a métrica de erro), será importante documentar sua justificativa para fazê-lo, para informar discussões ou revisões de sua previsão e para ajudar futuros previsores a apoiar suas decisões.

3. Como interpreto erros? O QAT calcula automaticamente as métricas de erro de previsão usando vários métodos. Estes incluem:

   • MAPE (Erro Percentual Médio Absoluto): Pode ser interpretado como a diferença percentual média entre as previsões e seus alvos pretendidos no conjunto de dados. Por exemplo, se o MAPE for 15%, então as suas previsões estão, em média, 15% distantes dos valores reais. MAPE = (1 / N) $\vezes \soma$ |(real - previsão) / real| $\vezes$ 100
   • WAPE (Erro Percentual Absoluto Ponderado): WAPE é uma métrica apropriada para quando o conjunto de dados utilizado possui valores baixos ou intermitentes. Uma porcentagem WAPE de 5 significa que a previsão estava errada em 5% em todo o conjunto de dados para um determinado período de avaliação. Dependendo do caso de uso, é recomendável escolher um modelo que forneça o menor valor WAPE. WAPE = [$\sum$ |real - previsão| / $\soma$ real] $\vezes$ 100
   • RMSE (Root Mean Squared Error): RMSE pode ser interpretado como o erro médio que as previsões do modelo apresentam em comparação com o real, com peso extra adicionado a erros de previsão maiores. Geralmente, quanto mais próximo o RMSE estiver de zero, mais preciso será o modelo. RMSE = $\sqrt$[$\sum$ (real - previsão)$^2$ / N]
   • MSE (Erro Quadrático Médio): MSE é a média agregada da diferença quadrática entre os valores reais e as previsões. Grandes erros são destacados devido a esta quadratura. O MSE é útil ao trabalhar em modelos onde grandes erros ocasionais devem ser minimizados. Geralmente, quanto mais próximo de 0, mais preciso é o modelo. MSE = $\sum$ (real - previsão)$^2$ / N
   • R² (Coeficiente de Determinação): $R^2$ = 1 - SSR/SST Onde a soma quadrada dos resíduos da regressão (SSR) é a soma de seus resíduos ao quadrado, e a soma total dos quadrados (SST) é a soma da distância que os dados estão longe da média, tudo ao quadrado. O valor $R^2$ é sempre um número entre 0 e 1. $R^2$ é uma medida do ajuste de uma linha de regressão a uma série de observações históricas com valores mais próximos de 1 indicando uma correspondência mais forte entre os valores reais e previstos (modelo de regressão). Não é uma medida de erro e não deve ser usada por si só para avaliar a adequação de uma previsão, mas em combinação com outras métricas de erro e com o conhecimento do programa pelo usuário.

   Além de $R^2$, quanto menor a pontuação, mais próximo o resultado do método de previsão se ajusta aos dados históricos. Em modelos em que se espera que os padrões históricos num conjunto de dados sejam refletidos nos valores futuros, um valor de erro baixo poderia ser usado para ajudar a selecionar um método de extrapolação preferido, e o QAT destacará esses melhores ajustes numa tabela. Contudo, se forem previstas alterações substanciais que não se ajustam aos dados históricos, a extrapolação mais adequada pode não ser a previsão mais adequada a seleccionar. Para fazer a melhor seleção entre os métodos de extrapolação para o seu propósito, antes de revisar as métricas de erro, o mais importante é primeiro entender qual método de extrapolação é mais apropriado para o padrão esperado nos dados.

4. Otimização dos parâmetros de previsão TES e ARIMA: Os usuários são livres para usar os padrões do QAT ou inserir parâmetros de previsão alternativos com a intenção de reduzir as métricas de erro, aumentando assim a correspondência entre os resultados do método de previsão e os pontos de dados reais no período de dados históricos. Se o usuário estiver trabalhando online, o QAT pode otimizar os parâmetros TES e ARIMA iterando, calculando o RMSE de cada iteração e selecionando os parâmetros que produzem o RMSE mais baixo.

   • Para o TES, o QAT calcula 125 iterações da previsão, testando cada um dos parâmetros alfa, beta e gama em combinação com os seguintes valores: 0, 0,2, 0,4, 0,8 e 1. Qualquer uma das 125 combinações para um determinado produto que produza o resultado com o RMSE mais baixo será exibido na tela de extrapolação.
   • Para ARIMA ou ARIMA sazonal, o QAT calcula 24 iterações da previsão, testando cada um dos parâmetros p, d e q em combinação, usando os seguintes valores:
     • p: 0 ou 1
     • d: 0, 1 ou 2
     • q: 0, 1, 2 ou 3 Qualquer uma das 24 combinações para um determinado produto que produza o resultado ARIMA com o RMSE mais baixo será exibida na tela de extrapolação.
   • Nota: Estatísticas não são mágicas. A suposição subjacente a todos estes métodos de extrapolação é que as tendências e padrões nos dados históricos continuarão no futuro. Portanto, métricas de erro baixas não garantem necessariamente uma previsão melhor.

5. Extrapolação em massa: Na tela de extrapolação QAT, o usuário pode comparar os resultados dos vários métodos de extrapolação tanto graficamente quanto em uma tabela de resultados, produto por produto. Isso permite que o usuário desmarque os métodos de extrapolação que eles acham que não se aplicam a um determinado produto para limitar as opções na tela Comparar e Selecionar apenas aquelas que o usuário escolhe exibir. Se o usuário preferir enviar todos os resultados dos métodos de extrapolação disponíveis para mais de um produto diretamente para a tela Comparar e Selecionar, o usuário poderá selecionar a extrapolação em massa. Na janela pop-up Extrapolação em massa, o usuário pode então selecionar um intervalo de datas históricas a partir do qual extrapolar a previsão (apenas um intervalo de datas por extrapolação em massa), se deseja aplicar sazonalidade ao seu cálculo ARIMA, quais unidades de planejamento e regiões (se forem usados ​​dados regionais) incluir na extrapolação em massa e se deve ou não otimizar os parâmetros ARIMA e TES para a extrapolação. Depois de executar a extrapolação em massa, todos os resultados podem ser visualizados na tela de extrapolação, na tela de comparação e seleção e na caixa suspensa da tela de resumo de previsão (regional). O usuário pode selecionar seu método de extrapolação preferido na tela Comparar e Selecionar ou na tela Resumo de Previsão (regional). A extrapolação em massa no QAT é particularmente útil ao trabalhar com um grande conjunto de produtos para os quais estão disponíveis dados de consumo oportunos, completos e precisos por 12 meses ou mais.

8.B. Previsões de árvores

Os usuários podem realizar uma previsão baseada em árvore se os dados necessários para uma previsão baseada no consumo não estiverem disponíveis ou não forem úteis na previsão do consumo futuro. As previsões em árvore acomodam com flexibilidade todos os outros métodos de previsão, como morbidade, serviços e métodos demográficos. Os usuários podem especificar alterações ao longo do tempo em uma árvore, especificando diretamente a taxa de alteração ou extrapolando dados anteriores.

###8.B.1. Construindo uma árvore

Objetivo: Permitir que os usuários:

1. Veja uma lista das árvores existentes.
2. Edite uma árvore existente clicando em qualquer linha.
3. Clique com o botão direito em uma linha para:
   • Duplicar árvores existentes: Os usuários também podem duplicar uma árvore existente para outro programa. Os usuários devem ter acesso a ambos os programas e baixá-los em seu computador local para duplicação.
   • Excluir árvores existentes: Haverá uma tela de confirmação, mas esta ação será irreversível. No entanto, se você excluir acidentalmente uma árvore, poderá baixar novamente um programa se o backup da árvore excluída tiver sido feito no servidor.
   • Tabela em Árvore: Permite ao usuário editar a árvore selecionada na tela Tabela em Árvore.
4. Adicione uma nova árvore a um programa baixado clicando no menu suspenso ‘Criar ou Selecionar’ no canto superior direito da tela. Novas árvores podem ser construídas:
   • Manualmente - selecione ‘+ Desenhe sua própria árvore’
   • Em um modelo de árvore - selecione o nome do modelo desejado.

Observação: os Forecast Viewers podem visualizar qualquer árvore que tenha sido carregada no servidor e à qual tenham acesso; no entanto, apenas usuários/administradores do Forecast poderão criar e editar/atualizar árvores.

Usando esta tela:

• Um programa de previsão deve primeiro ser baixado para construir ou editar uma árvore.
• Antes de construir e editar uma árvore, primeiro adicione as unidades de planejamento do programa de previsão na tela ‘Atualizar Unidades de Planejamento’.
• Construir uma árvore semelhante a uma árvore existente?
  • Mesma estrutura, números diferentes: Construa apenas uma árvore e use o recurso de cenário.
  • Estrutura ligeiramente diferente: Duplique uma árvore existente clicando com o botão direito em uma linha e selecionando “Duplicar Árvore”.
• Os usuários também podem excluir árvores clicando com o botão direito em uma linha e selecionando “Excluir árvore”.

###8.B.2. Tipos e funções de nós

Construindo a Árvore: A árvore de previsão é construída de cima para baixo, usando diferentes tipos de “nós”. Cada árvore de previsão deve começar com um nó Agregação ou um nó Número e incluir um ou mais nós Unidade de Planejamento, que formam a saída da previsão.

Ações do nó:

• Excluir: Exclui o nó selecionado e todos os seus filhos.
• Copiar/Mover: Copia ou move o nó selecionado e todos os filhos sob o nó.
• Adicionar modelo de ramificação: Adiciona um modelo de árvore como uma ramificação abaixo do nó escolhido.
• Adicionar: Adiciona um filho ao nó selecionado.
• Recolher/Expandir: Recolher/Expandir o nó atual e todos os seus filhos.

Tipos de nós:

Tipo de nó	Valor	Filhos Potenciais
Agregação $\soma$	Soma dos nós filhos.	$\soma$ ou Número
Número #	Definido neste nó.	% ou FU
Porcentagem %	Porcentagem do pai.	% ou FU
Nó do funil	Soma dos nós de origem vinculados.	% ou FU
Unidade de previsão	Porcentagem dos parâmetros pai e da unidade de previsão.	Unidade de Planejamento
Unidade de Planejamento	Porcentagem dos parâmetros pai e da unidade de planejamento.	Nenhum

Atributos do nó:

• $\sum$ Atributos específicos do nó de agregação: Nenhum – é definido pela soma de seus filhos.
• # Número de atributos específicos do nó:
  • Unidade do nó: Menu suspenso que consiste em paciente, cliente, cliente, pessoas ou unidade.
  • Mês: Escolha o mês/ano a partir do qual esses dados foram relatados.
  • Valor do nó: Defina o valor numérico para este nó.
• % Porcentagem de atributos específicos do nó:
  • Unidade do nó: Menu suspenso que consiste em paciente, cliente, cliente, pessoas ou unidade.
  • Mês: Escolha o mês/ano a partir do qual esses dados foram relatados.
  • Porcentagem do pai: Defina a porcentagem do nó pai.
  • Valor principal por mês: Não editável e fornecido apenas como referência.
  • Valor do nó: Calculado automaticamente pelo QAT com base na porcentagem definida pelo usuário e no valor pai.
• Atributos específicos do nó da unidade de previsão:
  • Mês: Escolha o mês/ano a partir do qual esses dados foram relatados.
  • Porcentagem do pai: Defina a porcentagem do nó pai.
  • Valor principal por mês: Não editável e fornecido apenas como referência.
  • Porcentagem do valor pai por mês: Não editável e fornecido apenas como referência.
  • Categoria do rastreador: Menu suspenso que pode ser usado para ajudar a restringir as unidades de previsão, mas será preenchido automaticamente assim que a unidade de previsão for escolhida.
  • Copiar do modelo: Funcionalidade avançada, na qual um usuário pode utilizar um modelo de uso para auxiliar na construção de uma árvore com eficiência.
  • Unidade de previsão: Lista suspensa de todas as unidades de previsão disponíveis no programa do usuário.
  • Unidade de planejamento: Menu suspenso filtrado com base na unidade de previsão escolhida.
  • Tipo de Uso:
    • Discreto: Cada _______ [unidade do nó pai] requer _________ [unidade de medida de previsão] __________ vezes por [dia/semana/mês/ano] para _____________ [dia/semana/mês/ano]
      • Calcular (Tudo no Primeiro Mês/Mês a Mês): Se selecionado “Tudo no Primeiro Mês”, o QAT irá antecipar a quantidade total prevista para o mês inicial do nó. Se selecionado “Mês a mês”, o QAT calculará a quantidade discretamente mês a mês.
      • Uso único (Sim/Não): Permite ao usuário determinar se esta unidade de previsão é usada durante um período específico de tempo.
    • Contínuo: Cada _______ [unidade do nó pai] requer _________ [unidade de medida de previsão] a cada _______ [dia/semana/mês/ano]
      • Atraso em meses: Usado para detalhar se uma unidade de previsão está atrasada ou tem uso de produto em fases.
• Atributos específicos do nó da Unidade de Planejamento: Nó criado automaticamente quando a unidade de previsão é adicionada a uma árvore. A maioria dos atributos não é editável; no entanto, a Substituição de cálculo permite que os usuários optem por usar o cálculo automático do QAT para o número de unidades de planejamento ou inserir um valor manualmente.

###8.B.3. Mudanças ao longo do tempo

Embora a estrutura da árvore permaneça constante ao longo do tempo, as porcentagens e os valores dos nós podem mudar com o tempo. Use o menu suspenso de data para visualizar a árvore em qualquer mês. As três funcionalidades abaixo estão disponíveis em cada nó e permitem ao usuário controlar como os nós mudam ao longo do tempo:

• ⇅ Modelagem: Permite ao usuário especificar a taxa exata de mudança.
• Transferência: permite que os usuários vinculem dois nós – de forma que a diminuição do nó de origem esteja vinculada ao aumento do nó de destino. Útil para transições.
• Extrapolação: permite que os usuários usem dados históricos para extrapolar alterações futuras.

###8.B.4. Noções básicas de construção de árvores

As árvores de previsão são construídas de cima para baixo usando diferentes tipos de nós. Cada árvore de previsão deve começar com um nó Agregação ou Número e incluir um ou mais nós Unidade de Planejamento. Os nós da Unidade de Planejamento devem ser filhos de um nó da Unidade de Previsão. Assim, um usuário deve ter pelo menos três níveis de nós para produzir uma saída de previsão.

Etapas para construir uma árvore manual:

1. Baixe um programa.
2. Navegue até a tela Árvore de previsão → Gerenciar árvore.
3. No canto superior direito da tela, clique no menu suspenso azul ‘Criar ou Selecionar’ e selecione ‘+ Desenhe sua própria árvore’ no menu suspenso.
4. Defina os detalhes da árvore, como método de previsão (demográfico, morbidade ou serviços), nome da árvore e região.
5. Por padrão, QAT começará com um nó numérico com valor zero no Nível 0. Clique neste nó padrão para editar/atualizar o nó.
6. Adicione um novo nó (filho) abaixo do nó pai clicando em Adicionar e escolhendo o tipo de nó apropriado.
7. Os usuários podem inserir um modelo de árvore no corpo da árvore clicando no ícone Adicionar modelo de ramificação.
8. Clique nos níveis da árvore para nomear os níveis de uma árvore ou reordenar os ramos.
9. As árvores QAT são salvas automaticamente no computador local.
10. Para editar valores em lote em uma árvore, o usuário pode usar a tela Tabela em Árvore.

###8.B.5. Cenários

Uso de cenários: Cenários são usados para modelar valores diferentes para a mesma árvore. Os cenários são úteis quando os usuários desejam analisar o resultado de diferentes mudanças ao longo do tempo, mas desejam manter a mesma estrutura básica. Para criar uma árvore com estruturas diferentes, recomenda-se criar outra árvore.

Corrigido para todos os cenários	Único para cada cenário
Estrutura da árvore	Valor do nó
Título do nó	Mês
Tipo de nó	Notas
	Modelagem/Transferência/Extrapolação

Notas:

• Por padrão, apenas os cenários ativos são mostrados.
• Os usuários podem escolher diferentes combinações de cenários de árvore para cada unidade de planejamento na tela Comparar e Selecionar.

###8.B.6. Modelagem/Transferências

Objetivo: Se um nó mudar ao longo do tempo, um usuário poderá utilizar a guia Modelagem/Transferência para modelar o crescimento/perda dentro de um único nó ou uma transferência de um nó para outro. Observe que esta funcionalidade está disponível apenas para nós de número (#) e nós de porcentagem (%).

Usando esta guia:

Os usuários podem inserir manualmente quaisquer alterações desejadas ao longo do tempo na tabela superior ou podem utilizar a Calculadora de Modelagem.

• Regras para nós de transferência:
  • Os nós numéricos só podem ser transferidos para outros nós numéricos e devem pertencer ao mesmo nível.
  • Os nós percentuais só podem ser transferidos para outros nós percentuais e devem pertencer ao mesmo pai.
  • As transferências são sempre negativas do nó de origem e positivas para o nó de destino.
  • A extrapolação não é permitida em um nó que também possua transferência.

Tipos de modelagem:

Tipo de modelagem	# Cálculo do nó	% Cálculo de nós
Linear (#)	+/- um número estático a cada mês	N/A
Linear (%)	+/- uma percentagem estática por mês	N/A
Exonencial (%)	+/- uma percentagem por mês (circulante)	N/A
Linear (% ponto)	N/A	+/- uma percentagem estática por mês

Sazonalidade e alterações manuais:

Clique em “Mostrar dados mensais” para mostrar uma tabela e gráfico com o valor do nó ao longo do tempo.

• Os usuários podem adicionar uma alteração manual para um mês específico ou inserir uma porcentagem do índice de sazonalidade.
• Insira um % positivo para um valor aumentado neste mês ou um valor negativo para um valor diminuído.

###8.B.7. Calculadora de Modelagem

Clique no ícone da calculadora de modelagem se precisar de ajuda para calcular a taxa de variação mensal.

Valor/Alteração Final:

Use isto se você tiver um valor alvo (não cumulativo) ou uma mudança total desejada durante um período específico.

1. A Data de início, a Data prevista e o Valor de início são calculados ou inseridos.
2. Insira os dados em: Valor Final Alvo, Alteração Alvo (%) ou Alteração Alvo (#).
3. As fórmulas utilizadas dependem do Tipo de Modelagem (% Linear, # Linear, % Exponencial).

Meta Anual:

Use isto se você tiver valores-alvo (acumulados ao longo de um ano). O QAT interpola entre pontos médios calculando uma taxa de mudança mensal linear ou exponencial.

###8.B.8. Guia Extrapolação

Objetivo: A guia de extrapolação permite que os usuários prevejam valores futuros de nós extrapolando valores passados em um nó de árvore.

Usando esta guia:

1. Marque a caixa de seleção ao lado de ‘Extrapolar’.
2. Selecione ‘Mostrar dados’.
3. Insira os valores reais e as taxas de relatório.
4. Clique em “Extrapolar”.

###8.B.9. Técnicas Avançadas

• Uso do produto atrasado ou em fases: Use o campo Lag no nó Unidade de previsão.
• Uso discreto do produto por um longo período de tempo: Escolha entre "Tudo no primeiro mês" ou "Mês a mês".
• Nós de funil: Agregue vários nós em um nó antes de adicionar nós adicionais abaixo.
  • Como vincular valores: Indique nós de origem, crie nós de funil e selecione nós de origem.

8.C. Validações de modelagem

Objetivo: Depois que uma árvore for construída, os usuários poderão usar a tela Validação de modelagem para visualizar a mudança ao longo do tempo.

8.D. Validações de produto

Objetivo: Depois que uma árvore for construída, os usuários poderão usar a tela Validações de Produto para verificar o uso dos produtos na árvore de previsão.

8.E. Usando modelos

###8.E.1. Modelos de árvore Objetivo: permitir que os usuários comecem a projetar sua árvore de previsão a partir de um modelo pré-estabelecido.

###8.E.2. Modelos de filial Objetivo: Os modelos de ramificação permitem que os usuários adicionem um modelo de árvore como uma ramificação dentro de uma árvore pré-existente.

###8.E.3. Modelos de uso Objetivo: Os modelos de uso permitem que o usuário preencha os detalhes de um nó de unidade de previsão de uma só vez.