Introdução

A previsão de demanda é essencial para organizações no planejamento de suas operações, estimando o comportamento futuro com base em séries históricas ou fatores causais. Existem métodos de previsão de demanda quantitativos e qualitativos [1], aplicados ao consumo e à produção de bens ou de serviços. Nos anos 1970, introduziram o modelo ARIMA, e com o avanço da computação, modelos de inteligência artificial passaram a ser utilizados, destacando-se redes neurais artificiais e abordagens compostas.

Previsão de Demanda Quantitativa

De acordo com Ackermann 1:

Eles podem ser classificados em duas categorias principais: métodos casuais e métodos temporais.

Métodos Casuais

Baseiam-se na relação entre variáveis e são úteis para entender a influência de variáveis externas na variável de interesse.

Métodos Temporais

Baseiam-se no padrão histórico da própria variável e são úteis para captar tendências e padrões sazonais ao longo do tempo.

Como aplicar isso na prática?

Exemplo

Uma empresa de tecnologia pode utilizar dados históricos de consumo de infraestrutura de cloud (como AWS ou Azure) para prever a demanda futura, otimizando a alocação de recursos e evitando tanto gastos excessivos quanto a falta de capacidade em períodos de picos de demanda.

• Objetivo: Estimar a demanda futura por recursos de computação em nuvem, como CPU, memória e armazenamento.
• Método Quantitativo: Utilizar séries temporais para analisar dados históricos de consumo de serviços de nuvem ao longo de meses ou anos.

Regressão Linear Múltipla

Regressão linear múltipla é uma técnica estatística que modela a relação entre uma variável dependente e duas ou mais variáveis independentes. Ela busca encontrar a melhor linha (ou plano, em mais de duas variáveis) que minimiza a diferença entre os valores previstos e os valores reais, permitindo previsões e análises sobre como diferentes fatores influenciam o resultado.

A regressão linear múltipla é um método casual porque modela a relação entre uma variável dependente e várias variáveis independentes. Ela é usada para prever a variável de interesse com base na influência de múltiplas variáveis explicativas.

Dado uma tabela fictícia com dados de uso de CPU e memória ao longo de 6 meses:

• Iremos tentar prever qual vai ser a a demanda necessária de recursos até o final do ano.

Com base nesses dados, podemos aplicar a regressão linear múltipla para prever a demanda futura de recursos, como CPU, utilizando o tempo (meses) como variável preditora. A seguir, está uma ilustração do modelo, que nos permite visualizar a relação entre o uso de CPU e GB ao longo do tempo e prever a utilização futura:

Predição de Tendências

A predição de tendências é um método temporal porque se concentra em identificar e extrapolar padrões e tendências ao longo do tempo. Utiliza dados históricos da mesma variável para prever futuras observações, muitas vezes empregando modelos de séries temporais que capturam tendências e padrões sazonais. Foi utilizado Support Vector Regression (SVR) como algoritmo de predição. SVR é uma técnica de aprendizado de máquina que usa vetores de suporte para prever valores contínuos. Em vez de encontrar uma linha de ajuste como na regressão linear.

*Fonte: Os Autores, baseado em Pellegrini 2

Meses do ano	Uso de CPU (horas)	Uso de Memória (GB)
Julho	180.39	13.83
Agosto	207.39	14.80
Setembro	242.07	16.05
Outubro	285.37	17.61
Novembro	338.25	19.52
Dezembro	401.69	21.81

Foi usado o seguinte modelo de SVR:

modelo_cpu = SVR(kernel='poly', C=1000, gamma=0.1)
modelo_memoria = SVR(kernel='poly', C=1000, gamma=0.1)

Previsão de Demanda Qualitativa

De acordo com Ackermann 1:

Exemplo

Após o incidente da CrowdStrike 3, uma empresa de consultoria em cibersegurança pode prever um aumento significativo na demanda por seus serviços.

• Objetivo: Antecipar a demanda futura por serviços de consultoria em cibersegurança após grandes mudanças no cenário regulatório ou incidentes de segurança em larga escala (como vazamentos de dados ou ataques cibernéticos).

Pesquisa de Mercado em Cibersegurança

No contexto de incidentes como o da CrowdStrike, a pesquisa de mercado tem um papel essencial em prever mudanças no comportamento dos clientes. Por exemplo, após uma interrupção causada por uma atualização defeituosa da CrowdStrike, analistas apontaram que algumas empresas rivais no setor de segurança cibernética, como SentinelOne, Palo Alto Networks e Microsoft, poderiam se beneficiar, pois os clientes podem procurar alternativas mais confiáveis.

A partir dessas análises, as empresas de cibersegurança podem ajustar suas estratégias de marketing, promover soluções diferenciadas e aumentar seus investimentos em inovação para capitalizar sobre as preocupações com falhas em segurança de grandes players do mercado.

IA como Técnica de previsão de demanda

Os métodos de inteligência artificial (IA) imitam a capacidade do cérebro humano de processar informações, identificando relações complexas e não lineares em séries temporais. As redes neurais artificiais (RNAs) têm sido amplamente utilizadas em previsões de demanda, vendas e outras áreas como saúde e finanças, devido à sua habilidade em detectar padrões complicados. Além disso, a lógica difusa, combinada com redes neurais (neuro-fuzzy), é uma abordagem eficaz para lidar com dados não lineares e linguísticos, facilitando previsões mais precisas.

Redes neurais multicamadas, com suas várias camadas ocultas, aumentam a capacidade de aprendizado e generalização, sendo ideais para modelar problemas complexos. Elas ajustam os pesos das conexões durante o treinamento para aprender a relação entre as variáveis de entrada e saída. Além disso, técnicas como o k-NN (k-vizinhos mais próximos) têm sido utilizadas para prever comportamentos caóticos em sistemas dinâmicos, como clusters de empresas, ajudando a antecipar tendências estratégicas.

Exemplo

Um exemplo prático de implementação de uma rede neural em Python pode ser feito com a biblioteca tensorflow. Aqui está uma demonstração simples que prevê valores com base em um conjunto de dados fictício:

• Suponha que queremos prever a quantidade de demanda água necessária para o ano de 2024 e só temos essas informações

*Fonte: Os Autores

Referencias