Um dos pontos críticos de qualquer modelo de negócio é prever a procura pelo produto(s) que vendemos ou pelo serviço(s) que prestamos. Da previsão da procura depende todo o modelo: receitas, custos, fluxos de caixa, indicadores de viabilidade, simulação de resultados, enfim, tudo terá uma relação mais ou menos direta com a procura.

Infelizmente, no entanto, não dispomos de uma bola de cristal que nos permita saber com toda a certeza quanto iremos vender no futuro, o que torna este exercício muito difícil de executar na prática. Talvez por isso, muitos gestores desprezam a previsão da procura condicionando fortemente a construção dos modelos.

Há várias técnicas que podemos usar para prever eficazmente a procura. De uma forma geral, podemos categorizá-las nas seguintes:

• Técnicas extrapolativas. Nesta técnica usamos informação passada para prever o que irá acontecer no futuro. É a técnica mais adequada quando lidamos com setores estáveis.
• Técnicas causais. Neste caso, vamos procurar encontrar e modelar as razões fundamentais que determinam a procura.
• Técnicas baseadas em julgamentos. Usamos o senso comum, a experiência e a intuição para prever a procura. São usadas na prática na maior parte das situações, isoladamente ou em conjunto com as anteriores, e, particularmente, no caso de não existir informação histórica ou quando a mesma não é relevante para prever o futuro.

Devemos ter o cuidado de não depender excessivamente de métodos quantitativos para prever a procura. A dinâmica do mercado e as preferências dos consumidores podem alterar-se subitamente sem que o modelo de previsão da procura utilizado seja suficientemente robusto para acompanhar essas mudanças.

No gráfico seguinte podemos ver as vendas mensais de gasolina de uma empresa em milhares de litros. Analisando visualmente o gráfico, é possível reparar que as vendas parecem aumentar ao longo dos anos e que existem ao longo do ano alguns altos e baixos:

Vamos acrescentar uma linha de tendência ao gráfico. Clicando no botão direito do rato sobre a linha azul e escolhendo a opção: “Add Trendline”, abre-se um painel lateral que nos permite escolher diversas opções de linha de tendência:

Das várias opções disponíveis, vamos selecionar a mais simples: a linear. Deslocando para baixo, vamos marcar as caixas: “Display Equaton on chart” e “Display R-Squared on chart”. Estas opções mostram respetivamente na área do gráfico:

• A regressão linear da linha de tendência, do tipo y=a.x+b
• O coeficiente de determinação, que indica a percentagem da variação total de y que é explicada pela relação linear. Este coeficiente varia entre 0 e 1, sendo que quanto mais se aproxima de 1, mais se explica a variação de y pelas variações de x.

O Excel constrói a linha de tendência seguindo o método dos mínimos quadrados. Este método, numa explicação resumida, pode ser descrito da seguinte forma:

1. Calcula-se a diferença entre cada valor observado de y pelo valor estimado pela regressão linear,
2. Eleva-se essa diferença ao quadrado. Ao fazê-lo estamos a evitar que os desvios negativos se anulem com os desvios positivos,
3. Soma-se todos os quadrados dos desvios.

Assim, quando o Excel determina a regressão linear, vai tentar encontrar a expressão que minimize a soma do quadrado dos desvios. Teríamos então o resultado seguinte:

Como podemos ver na linha a tracejado, parece existir uma tendência para o aumento das vendas a cada mês. Tal é confirmado pela expressão y=0,0082.x-211,26 que indica que a cada mês as vendas aumentam 0,82%.

O coeficiente de determinação mostra que 13,58% das variações das vendas são explicadas pela série temporal. Este valor parece ser baixo, o que sugere que há mais do que uma tendência a explicar o comportamento das vendas ao longo do tempo.

Uma alternativa para determinar a regressão sem utilizar o gráfico, são as fórmulas SLOPE e INTERCEPT do Excel, que calculam respetivamente o declive e a constante.

Os argumentos destas fórmulas são idênticos: no primeiro argumento introduzimos a série de valores y conhecidos, ou seja, os valores de vendas de gasolina e no segundo introduzimos a série de valores x conhecidos, ou seja, os meses de janeiro de 2012 a julho de 2017.

O resultado será, como expectável:

• Slope: 0,0082
• Intercept: -211,26

Para calcular o coeficiente de determinação usando uma fórmula, usaríamos a RSQ, com os mesmos argumentos que as fórmulas anteriores, que devolve 0,1358.