introdução sales & operation • classificação dos sistemas...

SALES & OPERATION PLANNING

Eduardo Pécora, Ph.D.

Tuesday, 7 May, 13

Nossa caminhada

• Introdução• Classificação dos Sistemas Produtivos• Planejamento de Vendas e Operações• Gestão da Demanda

Tuesday, 7 May, 13

Gestão da Demanda: Planejamento de Vendas e Operações

Tuesday, 7 May, 13

AGENDA

•Definição, Posicionamento e Objetivo

•Processo, Interfaces e Calendário

•Composição da Demanda

•Previsão da Demanda

•Princípios de Influência na Demanda

•Métodos de Previsão

•Erros de Previsão

4Tuesday, 7 May, 13

IMPORTÂNCIA

5Tuesday, 7 May, 13

PLANEJAMENTO DA DEMANDA:DEFINIÇÃO

! Planejamento da Demanda não é:

! Simplesmente previsão de vendas;

! Uma área;

! Uma função ou um cargo;

Planejamento da Demanda é o processo responsável por integrar (coordenar com transparência) as funções organizacionais necessárias na geração de um plano de demanda (irrestrito) consensual e devidamente embasado e comunicado.

Tuesday, 7 May, 13

O QUE É DEMANDA ?

! Demanda:! A necessidade de um cliente/consumidor

por um determinado produto ou serviço por local no tempo;

! Demanda Independente:! Produtos acabados;! Independente das ações da empresa:

! Não pode ser calculada pela empresa:

! Demanda Dependente:! Demanda por matéria-prima e

componentes;! É calculada em função da demanda

independente ou derivada em determinado elo;

! Demanda Derivada:! Produtos acabados;! Pode ser calculada pela empresa a partir

de:! Demanda ou previsões dos próximos

elos na cadeia;! Pode ser gerida através de ações da

empresa;

DISTRIBUIDOR VAREJISTA CONSUMIDOR

DEMANDAINDEPENDENTE

DEMANDAINDEPENDENTE

PREVISÃO 1PREVISÃO 2

DISTRIBUIDOR VAREJISTA CONSUMIDOR

DEMANDADERIVADA

DEMANDAINDEPENDENTE

PREVISÃO 1

INFORMAÇÕES DE DEMANDA

7Tuesday, 7 May, 13

ALINHAMENTO CONCEITUAL

• Metas:• Desejo da organização;• Estabelecidas para:

• Motivar a produtividade e as vendas;• Orientar o planejamento organizacional;• Devem ser desafiadoras, porém factíveis

• Previsão de Demanda:• Projeção (irrestrita) da demanda esperada, a partir de um conjunto de

variáveis de contexto (cenário);

• Previsão de Vendas:• Projeção (restrita) das vendas da organização, a partir de um plano de

demanda e do conjunto de restrições organizacionais;

• Plano:• Conjunto de ações planejadas e justificadas a serem executadas para

atingir determinados objetivos organizacionais (p.e.: metas, demanda, produção ou vendas);

• É um compromisso consensual da organização.

8Tuesday, 7 May, 13

GESTÃO DE DEMANDA E ESTRATÉGIAS DE PRODUÇÃO

• Estratégias diferentes:

• Focos primários distintos da gestão da demanda;

• Projeto e produção por pedido:

•Gestão das ordens de clientes;

•Montagem por pedido:

•Gestão das ordens de clientes e da distribuição;

•Nosso foco primário:

• Produção para estoque (Make to stock - MTS);

Estratégias de produção:Previsão x Conhecimento:

PEDIDOSMTS

PEDIDOSATO

PEDIDOSE/MTO

PREVISÃO

•Engineering to Order (ETO)•Make to order (MTO)•Assemble to Order (ATO)•Make-to-stock (MTS)

9Tuesday, 7 May, 13

PLANEJAMENTO DA DEMANDA:OBJETIVO

Criar um plano de demanda realista, consensual e devidamente comunicado, que supra às aspirações da organização através de ações de influência coerentes com as estratégias da organização.

10Tuesday, 7 May, 13

OBJETIVO GERAL DA GESTÃO DA DEMANDA

• Coordenação:

• Organização das atividades no tempo;

• Factibilidade de custos e prazo;

• Qualidade;

• Transparência:

• Visibilidade na execução das atividades:

• Processos, papéis e responsabilidades claros;

• Domínio de métodos e técnicas;

• Registro de hipóteses e premissas;

Gerar confiança e favorecer o aprendizado através do planejamento da demanda baseado na:


OBJETIVO ESPECÍFICO E PRINCÍPIOS DA GESTÃO DA DEMANDA

Criar um fluxo coordenado da demanda e de materiais na cadeia de suprimentos através da aplicação dos princípios: planejamento, comunicação, influência e priorização da demanda.

INFLUENCIAR

PRIORIZARPLANEJAR

COMUNICAR


GESTÃO DA DEMANDA: PROCESSOS E INTERFACES

13Tuesday, 7 May, 13 Tuesday, 7 May, 13

PRODUTOS DA GESTÃO DA DEMANDA

• Plano de demanda:

•Quanto seria vendido caso a organização não possuísse quaisquer restrições de capacidade?

• Plano de atendimento:

•Quais os pedidos que serão atendidos, quando e por quê?

• Plano de distribuição:

•O que, quanto, quando e para quem a organização distribuirá?

• Plano de vendas e operações:

•O que será feito?

•Compromisso consensual de operações.


PLANEJAMENTO HIERÁRQUICO:

Unidade de Estocagem (SKU)

Tamanho da Embalagem

Marcas

Linha de Produtos

Família de Produtos

Unidadede Negócio

Organ.


INFORMAÇÕES GERADAS PELA GESTÃO DA DEMANDA

• Diferentes áreas:• Diferentes necessidades;• Diferentes horizontes;• Diferentes intervalos;

• Processo:• Robustez;• Agilidade;


PLANEJAMENTO DA DEMANDA

• Definição, Posicionamento e Objetivo Empresarial• Métodos e Técnicas• Processo, Interfaces e Calendário• Composição da Demanda• Previsão da Demanda• Princípios de Influência na Demanda• Previsão para Novos Produtos• Medição de Desempenho• Princípios de Comunicação


PLANEJAMENTO DA DEMANDA:POSICIONAMENTO

Tuesday, 7 May, 13

PLANEJAMENTO DA DEMANDA:PRINCÍPIOS E TÉCNICAS

• Princípios:

• Planejar a demanda;

• Influenciar a demanda;

• Comunicar a demanda;

• Métodos quantitativos:

• Séries temporais;

• Métodos de correlação;

• Métodos qualitativos:

• Conhecimento de Especialistas;

• Coordenação:

• Calendário de atividades;


TÉCNICAS DA GESTÃO DA DEMANDA

• Planejamento contínuo:

• Replanejamento mensal “em rolagem” do completo horizonte de planejamento utilizado;

• Gestão por exceção:

• Tratamento apenas das modificações significativas no plano;

• Gestão por categorias:

• Gestão agregada: permite o tratamento de todos os produtos da organização;

• Implica:

• Foco no futuro;

• Confiança no processo;

• Em muitos casos: mudança cultural.


PLANEJAMENTO DA DEMANDA:PROCESSO

Tuesday, 7 May, 13

PLANEJAMENTO DA DEMANDA:INTERFACES E CALENDÁRIO

Tuesday, 7 May, 13

PLANEJAMENTO DA DEMANDA:PRODUTO: PLANO DE DEMANDA

INFORMAÇÕESDE MARKETING

ANÁLISEESTATÍSTICA

INFORMAÇÕESDE VENDAS

PLANOESTRATÉGICO

INFORMAÇÕESDE PORTFOLIO

•Plano de Demanda:

•Irrestrito;

•Consensual;

•Realista;

•Comunicado.

•Unidades:

•Quantidade;

•Receita;

•Horizonte:

•1-18+;

PLANO DE DEMANDA

• HORIZONTE: 1-18+• $ E UNIDADES

Tuesday, 7 May, 13

LIÇÕES APRENDIDAS EM PROJETOS DE GESTÃO DA DEMANDA

Lição 1:Objetivos, princípios e técnicas são mais

importantes do que o processo!

Lição 2:O processo apresentado:

Apenas uma forma de aplicar as técnicas e princípios para atingir os objetivos!

Lição 3:Projeto de Gestão de Demanda pode ser (mas

não necessariamente o é) um projeto de Mudança Organizacional!


Previsão da Demanda / Vendas

Tuesday, 7 May, 13

PREVISÃO DA DEMANDA:DEFINIÇÃO E FONTES

•Previsão:

•Projeção futura da demanda esperada, a partir de um conjunto de variáveis de contexto (cenário);

•Pode ser determinada:

•Matematicamente, utilizando-se o histórico e outras variáveis quantificáveis;

•Subjetivamente, utilizando-se o conhecimento;

•Por combinação;


PREVISÕES CLÁSSICAS

• “Computadores no futuro não pesarão mais que 1.5 toneladas.” - Revista Popular Mechanics, 1949. “

•Acho que o mercado mundial para computadores deve estar em 5 máquinas no máximo.” - Thomas Watson, diretor-chefe da IBM, 1943

• “Já viajei muito nesse país e conversei com os melhores especialistas da área e sei agora que o processamento de dados é apenas moda superficial e não vai demorar nem um ano para sumir completamente.” Chefe – Editora Prentice Hall, 1957

• “Não existe a mínima justificativa para alguém querer um computador em casa.” Ken Olson, Presidente, Digital Equipment Corp., 1977

• "640K deve ser o bastante para qualquer um" -- Bill Gates (1955-), em 1981



• “Ninguém vai querer escutar atores falando.” H.M. Warner, Warner Brothers, 1927.

• “Nos não gostamos do som deles e, também, música de guitarra está caindo em popularidade.” Decca Recording Co. rejeitando os Beatles, 1962.

• “Máquinas voadoras mais pesadas que o ar são impossíveis.” Lord Kelvin, presidente, Royal Society de Ciências, 1895.

• Procurar petróleo perfurando a terra? Quer dizer procurar petróleo em baixo da terra? Você é louco!” Colegas do Edwin L. Drake tentando vender uma idéia nova em 1859.

• “Essa bomba não vai se detonar e sou perito em bombas.” Almirante William Leahy, Projeto da bomba atômica, EUA em 1940.

• “A caixa de música sem fio (rádio) não tem nenhum valor comercial. Não há mercado para mensagens enviadas para ninguém especificamente.” Sócios do David Sarnoff, pioneiro em rádio, 1920s.



• “Aviões são brinquedos excelentes sem absolutamente nenhum valor militar.” Marechal Ferdinand Foch, Professor de Estratégias de Guerra, Ecole Superieure de Guerre. 1910.

• “É absolutamente impossível o ser humano alcançar a lua até mesmo considerando todas as possibilidades futuras da ciência.” Dr. Lee De Forest, pai de televisão. 1940

• “Esse tal do telefone é cheio de defeitos e não pode ser considerado seriamente como meio de comunicação. Ele não tem nenhum valor intrínseco para nos.” Western Union 1876

• “O que?!?! Senhor, você faria um barco navegar contra o vento e as correntes acendendo uma fogueira sob o seu convés? Me desculpe, eu não tenho tempo para ouvir tal disparate.” - Napoleão Bonaparte, comentando sobre o barco a vapor Robert Fulton.

• "A teoria dos germes de Louis Pasteur é uma ficção ridícula” - Pierre Pachet, Professor de Fisiologia em Toulouse, 1872


PREVISÕES

Felizmente não estamos fazendo previsões de longo prazo, mas sim uma previsão de curto prazo, dentro do alcance da ciência, matemática e estatística de hoje.


PREVISÃO DA DEMANDA:POSICIONAMENTO E ATIVIDADES

Tuesday, 7 May, 13

PREVISÃO DA DEMANDA:MOTIVOS E IMPACTOS

• Planejar o futuro e reduzir a incerteza;

• Antecipar e gerenciar mudanças;

• Aumentar a comunicação e a integração do planejamento;

• Antecipar as necessidades de estoques e capacidade;

• Gerenciar tempos de produção e entrega (lead-times);

• Projetar custos das operações;

• Aumentar a competitividade e produtividade reduzindo-se custos;

• Aumentar a responsividade à necessidade do consumidor;

• Gerar flexibilidade;

Por que prever?


POR QUE PREVER?

Tuesday, 7 May, 13

PREVISÃO DA DEMANDA:MOTIVOS E IMPACTOS

• Decisões de investimentos;

• Decisões de compras;

• Decisões de distribuição;

• Planejamento de estoques;

• Planejamento de capacidade;

• Orçamento;

• Gestão dos tempos de entrega;

• Decisões de projeto de novos produtos;

Impactos da Previsão:


13

PREVISÃO DA DEMANDA:QUANDO PREVER?

Varia

bilid

ade

da D

eman

da

Volume

Alta

Baixo Alto

Séries TemporaisMétodos causais;Ajustes Qualitativos;Informações de Marketing;

Séries TemporaisMétodos causais;Ajustes Qualitativos;

Por que o produto está no Porflólio?

Informações de Marketing;Ponto de Reposição;Estoque de Segurança;

Força de Vendas;Clientes;Estoque de Segurança;

Tuesday, 7 May, 13

PREVISÃO DA DEMANDA:UNIDADE E PARÂMETROS DE PREVISÃO

• Intervalo (time-bucket): é o período mínimo para o qual se deseja prever:

• Previsão do mês / da semana / do ano;

• Freqüência: é o número de previsões em determinado tempo;

• Previsão mensal: faz-se a previsão uma vez por mês;

• Previsão semanal: faz-se a previsão uma vez por semana;

• Nível de Agregação: é o nível em que se deseja prever:

• Produto – SKU – Stock Keeping Unit;

• Produto x Local – SKUL – SKU Location;

• Categoria, etc.

• Horizonte de Previsão: é o tempo no futuro para o qual se deseja prever;


PREVISÃO DA DEMANDA:ABORDAGENS

• Top-Down:

• Parte de uma previsão agregada (da empresa, da categoria, etc.) para gerar as previsões desagregadas (SKU);

• Geralmente utiliza previsões financeiras que são transformadas em demandas de quantidade;

• Adequada para previsões de longo prazo:

• Considera mudanças no mix de produtos;

• Bottom up:

• Parte das previsões desagregadas (Unidades/SKU) para gerar as previsões agregadas (financeira da empresa, da categoria, etc.);

• Adequada para previsões de curto- e médio-prazos:

• Premissa: mix de produtos constante;


PREVISÃO DA DEMANDA:INTEGRAÇÃO DE ABORDAGENS

Tuesday, 7 May, 13

PREVISÃO DA DEMANDA:TÉCNICAS E FATORES

Tripé da Previsão de Demanda:

Fatores que afetam a demanda:

! Externos:! Competição;! Novos clientes / consumidores;! Planos dos maiores clientes;! Políticas governamentais;! Agências reguladoras;! Condições econômicas;! Tendências etc.

! Internos:! Ciclo de vida do produto;! Mudanças de preço;! Mudanças na força de vendas;! Limitações de recursos;! Promoções de marketing e vendas;! Comunicação e propaganda;

Previsão da DemandaSé

ries T

empo

rais Qualitativo

Métodos de Correlação

Tuesday, 7 May, 13

ERROS FREQÜENTES EM PREVISÕES

• Erro 1 das previsões: confundir previsões com metas e, um erro subseqüente, considerar as metas como se fossem previsões.

• Erro 2 das previsões: gastar tempo e esforço discutido se se "acerta" ou "erra" nas previsões, quando o mais relevante é discutir "o quanto" se está errando e as formas de alterar processos envolvidos, de forma a reduzir estes "erros".

• Erro 3 das previsões: levar em conta, nas previsões que servirão a apoiar decisões em operações, um número só. Previsões, para operações, devem sempre ser consideradas com dois "números": a previsão em si e uma estimativa do erro desta previsão.

• Erro 4 das previsões: desistir ou não se esforçar o suficiente para melhorar os processos de previsão por não se conseguir "acertar" as previsões, quando, em operações, não se necessita ter previsões perfeitas, mas sim, previsões consistentemente melhores que as da concorrência.

Tuesday, 7 May, 13

ERROS ESPERADOS CRESCEM COM HORIZONTE

Tuesday, 7 May, 13

Sanduíche Previsão para o mês passado (feita há um ano e meio)

Quarteirão com queijo 2500

Big Mac 6000

Hamburger 4500

Cheeseburger 3000

Filé de peixe 1200

MacChicken 1800

Total 18.000

EFEITO DA AGREGAÇÃO DOS DADOS

Tuesday, 7 May, 13

Sanduíche Vendas efetivas no mês passado na loja analisada

% erro da previsão

Quarteirão com queijo 1930 22,8% Média dos

Big Mac 7269 21,5% erros das

Hamburger 4980 10,6% previsões por

Cheeseburger 2730 9,0% Sanduíche

Filé de peixe 1429 19,0% 20,8%

MacChicken 1050 41,6%

Total 18.443 2,4%

EFEITO DA AGREGAÇÃO DOS DADOS

Tuesday, 7 May, 13

EFEITOS DOS HORIZONTES E DA AGREGAÇÃO DOS DADOS NAS PREVISÕES


PREVISÃO DA DEMANDA:COMPOSIÇÃO DA DEMANDA


NOTAÇÃO

Indica a variável sendo

prevista ou observada

Indica se é previsão ou observação

Indica o período da previsão ou observação


PREVISÃO DA DEMANDA:COMPOSIÇÃO DA DEMANDA

! Nível (N): é a linha horizontal que representada patamares estáveis da previsão;

! Tendência (T): é o padrão persistente de aumento ou diminuição da demanda. Pode ser uma reta ou uma curva;

! Sazonalidade (S): é o padrão de repetição de crescimento e diminuição da demanda, como os picos de vendas observados em estações ou datas específicas no ano;

! Parcela Causal (F): é a parcela da demanda que não é contínua nem recorrente, como a sazonalidade ou o nível. É gerada por fatores causais como ações promocionais, ações da concorrência etc.;

! Erro ou Ruído (ε): é flutuação aleatória imprevisível da demanda. É formado, sobretudo, por dois componentes:

! Incerteza implícita da demanda e do comportamento do consumidor;

! Erro de estimação, gerado pela utilização dos modelos estatísticos simplificados.

p é produto;t é período;


PREVISÃO DA DEMANDA:ABORDAGEM COMPOSICIONAL

Erro por natureza imprevisível

Fator Causal: Relação Causa & Efeito

Sazonalidade: Comportamento Repetitivo

Tendência: Comportamento Repetitivo

Nível: Comportamento Repetitivo

Dem

anda

In

crem

enta

lD

eman

da

Bas

e


PREVISÃO DA DEMANDA: PREVISÃO ESTATÍSTICA

! Séries temporais:! Modelos endógenos:

! Consideram apenas o histórico;! Útil para:

! Parcela repetitiva da demanda;

! Correlação:! Modelos exógenos;

! Consideram outras variáveis que não somente o histórico;

! Relação entre variáveis:! Pode indicar: causa & efeito;

! Para prever parcela repetitiva e parcela causal:! Necessidade de separação do histórico - limpeza;

Previsão Estatística

Séries Temporais

Métodos de Correlação

Tuesday, 7 May, 13

PREVISÃO DA DEMANDA: CUIDADOS COM O HISTÓRICO

• Informação utilizada:• Qual informação deve ser utilizada?

• Demanda;• Vendas;• Atendimentos;

• Intervalo de tempo:• Quão longo deve ser o histórico?

• Registro correto:• Dos eventos que influenciaram a demanda; • Dos dados por mercado/consumidor;• Dos produtos demandados;• Da data da demanda;

Tuesday, 7 May, 13

PREVISÃO DA DEMANDA: PREPARAÇÃO DO HISTÓRICO

• Necessidade de separar os fatores causais dos fatores repetitivos:

• Demanda incremental da demanda base;

• Técnicas de previsão diferentes;

• A esta tarefa dá-se o nome de limpeza do histórico e define-se:

• Histórico Real ou Sujo: possui todas as parcelas da demanda;

• Histórico Corrigido ou Limpo: possui apenas a demanda base;

• Histórico Incremental: possui apenas a demanda incremental.

• Importante: avaliação do método de previsão:

• Onde está o erro de previsão?

• Quais das técnicas precisa ser melhorada?

• Erro de Previsão da Série Temporal: histórico limpo;

• Erro do Método de Correlação: histórico incremental;

• Erro de Previsão Total: histórico sujo;

Tuesday, 7 May, 13

PREVISÃO DA DEMANDA: PREPARAÇÃO DO HISTÓRICO

! Como limpar o histórico?

! Tarefa bastante delicada;

! Não existe método estatístico geral e comprovado para limpeza;

! Depende do tipo de produto e das variáveis que afetam a demanda;

! Em geral é realizado através da avaliação qualitativa do histórico por especialistas;

! Quando existem muitos produtos é interessante que exista um método automático para a limpeza do histórico:

! Exemplos:

! Nestlé Americana:

! Método estatístico: outlier correction;

! Nestlé Brasileira:

! Método determinístico: conjunto de regras de limpeza;

Tuesday, 7 May, 13

PREVISÃO DA DEMANDA: EFEITO DO HISTÓRICO SUJO

Pico Causal;Não é um comportamento que se repete;

Não pode ser utilizado na previsão;Linha de tendência errada;

Tuesday, 7 May, 13

PREVISÃO DA DEMANDA: HISTÓRICO LIMPO

Tuesday, 7 May, 13

INTERPOLAÇÃO LINEAR

a ba + b

2

a + b

2=

a

2+

b

2= 0.5 ⇤ a + 0.5 ⇤ b


PLANEJAMENTO DA DEMANDA:QUANTIFICANDO AS AÇÕES ORGANIZACIONAIS

• Como calcular o impacto das ações na demanda?

• Técnicas Qualitativas – Julgamento Estruturado;

• Técnicas Quantitativas – Correlação;

• Premissa:

• Ações não se repetem em ciclos definidos;

• Ações variam no seu conteúdo;

• Existe uma relação de causa e efeito entre os parâmetros das ações e demanda incremental;

Tuesday, 7 May, 13

PREVISÃO CAUSAL:TÉCNICAS

• Previsão Causal (Incremental):

• Previsão Incremental é função das ações organizacionais;

• Princípio:

• Existe uma correlação entre histórico e fatores ambientais;

• Técnicas Quantitativas:

• Técnicas de Correlação:

• Identificação da a relação matemática entre parâmetros da ação e demanda, a fim de se prever o futuro;

• Baseiam-se em outras informações além do histórico;

• Técnicas Qualitativas:

• Transformar, de forma estruturada, o conhecimento de especialistas em previsão;

Tuesday, 7 May, 13

PREVISÃO INCREMENTAL:REGRESSÃO LINEAR

Questão:Dada a função, quais são os

coeficientes an que melhor relacionam o tempo de propaganda e o aumento

de vendas?

Premissa:Existe um histórico de

propagandas e resultados de aumento de vendas.

Tuesday, 7 May, 13

! Objetivo:

! Encontrar:

! Tal que:

! Para isso:

! Mínimo quando:

! Resultado:

! Sistema de equações lineares nos parâmetros:

PREVISÃO INCREMENTAL:REGRESSÃO LINEAR

! Dada uma função escolhida:

! Considerando:! A função é linear nos seus

parâmetros:

! E um conjunto de observações:

Tuesday, 7 May, 13

! Duas formas:! Regressão Simples:

! Adicionar Linha de Tendência;! Regressão Simples e Múltipla:

! Análise de dados: regressão;

! Adicionar Linha de Tendência:! Equações pré-definidas:! Linear:

! Logarítmica:

! Polinomial (ordem k):

! Potência:

! Exponencial:

PREVISÃO INCREMENTALREGRESSÃO LINEAR NO EXCEL

Tuesday, 7 May, 13

PREVISÃO INCREMENTAL:REGRESSÃO LINEAR MÚLTIPLA – EXEMPLO

! Taxista:! y " receita diária (R$);! d " distância percorrida (km);! t " tempo de trabalho (h);

! Dados:

! Assumindo a equação:

! Qual é a relação entre receita do taxista, distância e tempo?

! No Excel:! Função Regressão;

Tuesday, 7 May, 13

PREVISÃO INCREMENTAL:UTILIZANDO O EXCEL - ANÁLISE DE DADOS

! Regressão Linear Múltipla:! Função de regressão:

! Função:! Análise de Dados " Regressão

Obs.: se o seu Excel não possuir a função Análise de Dados, acione esta através do menu :

Ferramentas " Suplementos.

Tuesday, 7 May, 13


! Dados:! Necessidade de troca de variáveis;

! Incluindo os dados:

Tuesday, 7 May, 13


! Resultados da Regressão: ! Resultado da Regressão:

! R2: qualidade da regressão;! Relação entre variâncias:

! Das observações;! Da regressão;

! Relação entre as distâncias:! Das observações à média;! Da regressão à média;

Tuesday, 7 May, 13

ANÁLISE DO R

Correlação Linear Positiva

Correlação Linear Negativa

Correlação Linear Inexistente


PREVISÃO INCREMENTAL:CORRELAÇÃO E CAUSALIDADE

• O método de regressão:• Indica a correlação entre fatores;• Não indica a relação de causa e efeito;

• Mas não queríamos prever as vendas a mais causadas por determinado fator?

• A relação de causa e efeito é identificada pela lógica, através das questões:• Existe correlação entre as variáveis?

• Se não, não existe causa e efeito;• As variáveis independentes da

regressão sempre mudam antes da variável dependente?• Se não, a as variáveis

independentes não estão causando as mudanças na variável dependente;

• Tem lógica a relação de causa e efeito entre as variáveis?• Se não, pode ser uma correlação

acidental e não efetivamente uma relação de causa e efeito;

! Exemplo:! Relação das vendas de guarda-chuva com a

umidade:

VendasUmidade

Correlação?

Chuva

SIM!

Causa e Efeito?SIM

Conclusão:A previsão de vendas efetivamente causal é

realizada através da análise completa de regressão, desde a seleção das variáveis até a análise do

modelo, e não simplesmente pela previsão através da regressão!

Tuesday, 7 May, 13

PREVISÃO INCREMENTAL:CORRELAÇÃO E CAUSALIDADE - EXEMPLO

Tuesday, 7 May, 13

PREVISÃO ESTATÍSTICA: SÉRIES TEMPORAIS

! Séries Temporais:

! Premissa:

! Comportamento repetível da demanda no tempo.

! Baseiam-se única e exclusivamente no histórico – informações endógenas.

! Técnicas mais utilizadas:! Média Simples;! Média Móvel;! Suavização Exponencial

Simples;! Modelo de Holt;! Modelo de Holt - Winters;

Tuesday, 7 May, 13

PREVISÃO INGÊNUA

•“O que aconteceu ontem vai se repetir hoje”

•Método mais simples

•Não é necessário histórico nem componentes da previsão


PREVISÃO INGÊNUA


PREVISÃO INGÊNUA - N PERÍODOS À FRENTE


U DE THEIL

• Baseia-se na comparação entre os erros de uma determinada técnica de previsão com o erro da previsão ingênua

• Decisivo na determinação de utilização ou não de uma técnica

• Coeficiente de desigualdade

• Valores entre O e 1

Erro do método de previsão Erro da previsão ingênua

U =

U =

qPp(Demp � Prevp)2

qPp(Demp �Demp�1)2


U DE THEIL

0.0

1.0

Valores de U de Theil

Previsões PIORES que o método

ingênuo

Previsões MELHORES que o

método ingênuo

Previsões PERFEITAS


NOTAÇÃO

Indica a variável sendo

prevista ou observada

Indica se é previsão ou observação

Indica o período da previsão ou observação


SÉRIES TEMPORAIS: MÉDIA SIMPLES

•Fórmula:

•Princípio:• A demanda tem média

constante;

• Características:• Filtra as flutuações da demanda:

•Elimina a parcela erro;•Elimina qualquer flutuação –

inclusive flutuações do comportamento da demanda;•Filtra tendência;•Filtra a sazonalidade;

• Adequada para demandas estacionárias;

• Previsão para qualquer período no futuro é igual a previsão para o próximo período;

• Requer, a cada previsão, o armazenamento de mais dados;

Tuesday, 7 May, 13

SÉRIES TEMPORAIS: MÉDIA SIMPLES

Previsão


SÉRIES TEMPORAIS: MÉDIA MÓVEL

! Fórmula:

! Princípio:! Demanda no futuro próximo mais

próxima do passado mais recente;

! Assim:

! Utiliza-se apenas os períodos mais recentes para previsão;

! Qual o valor ideal de N?! Filtrar o ruído da demanda, mas

não o comportamento repetível:

! Características:! Maior N:

! Mais próximo da média;! Filtra flutuações;! Se N maior que o período

sazonal, este é filtrado;Menor N:

! Mais reativa, aproximando-se da última demanda;

! Previsão “atrasada”;

Tuesday, 7 May, 13


Previsão



Previsão


SÉRIES TEMPORAIS: SUAVIZAÇÃO EXPONENCIAL DE 1ª. ORDEM

Princípio:! Os períodos mais recentes da média

móvel possuem maior peso na previsão do próximo período;

! Idéia:

! Ponderar de forma decrescente os períodos do histórico, do mais recente para o mais remoto;

! Nomenclatura Original:! Média móvel ponderada

exponencialmente;

! Características:! Base de diversos modelos de

previsão;! α: parâmetro de projeto que

determina a ponderação dos períodos passados na série;

! Escolha de α:! Maior α:

! Mais reativa é a série;! Maior fator de ponderação para

os últimos períodos;

Exemplo �

d = demanda

ˆd = demanda prevista

� = parametro de suavizacao exponencial

dt+1 = dt + �et

dt+1 = dt + �(dt � dt)

dt+1 = �dt + (1� �)dt

! Fórmula:

Tuesday, 7 May, 13


dt+1 = �dt + (1� �)dt

Previsão no INSTANTE

t+1

Observado no INSTANTE

t

Previsto para o INSTANTE

t

Fator de ponderação



Alfa = 0.0001



Alfa = 0.25



Alfa = 0.50



Alfa = 0.9999


PREVISÃO DA DEMANDA: SÉRIES COM TENDÊNCIA

Suavização exponencial simples (1ª. ordem): não é adequada para séries com tendência!

E como incluir a tendência na previsão?

Tuesday, 7 May, 13

SÉRIES TEMPORAIS:SUAVIZAÇÃO EXPONENCIAL DE 2ª. ORDEM

Tuesday, 7 May, 13

SÉRIES TEMPORAIS:MODELO DE HOLT

Define-se a previsão como:

Equações da SuavizaçãoExponencial de 2ª. ordem:

Modelo de Holt

Coeficiente de suavização do nível:"Quanto mais alto, mais reativa a parcela do nível;" Pondera-se mais os níveis mais recentes;

Coeficiente de suavização da tendência:" Quanto mais alto, mais reativa a parcela da tendência;"Pondera-se mais os valores de tendência mais recentes;

Para iniciar:" N0 = D0

" T0 = D1 – D0

Tuesday, 7 May, 13

SÉRIES TEMPORAIS:EXEMPLO MODELO DE HOLT

Previsão


SÉRIES TEMPORAIS:EXEMPLO MODELO DE HOLT

Previsão


SÉRIES TEMPORAIS:INCLUINDO A SAZONALIDADE

Tuesday, 7 May, 13

SÉRIES TEMPORAIS:MODELO DE HOLT-WINTERS

Modelo de Holt-Winters:

Coeficiente de suavização do nível:"Quanto mais alto, mais reativa a parcela do nível;" Pondera-se mais os níveis mais recentes;

Coeficiente de suavização da tendência:-Quanto mais alto, mais reativa a parcela da tendência;

-Pondera-se mais os valores de tendência mais recentes;

Coeficiente de suavização do índice de sazonalidade:-Quanto mais alto, mais reativa a parcela da sazonalidade;

-Pondera-se mais os índices de sazonalidade mais recentes;

Ao tipo de sazonalidade do modelo de Winters, denomina-se sazonalidade multiplicativa.

Inicialização:

Para St-C onde t-C < 1:

• St-C = 1

E....• N0 = D0;

• T0 = D1 – D0;

Tuesday, 7 May, 13

SÉRIES TEMPORAIS:EXEMPLO HOLT-WINTERS

GAMA = 0



GAMA = 0.25



GAMA = 1


PLANEJAMENTO DA DEMANDA:MEDIÇÃO DE DESEMPENHO

• Indicadores:• Erro do planejamento -> erro de

previsão;

• Por que medir o erro?• Elevado impacto na cadeia;• Beergame!

• Origens do erro:• Método inadequado;• Falta de comprometimento;• Falta de conhecimento do

processo;• Falta de informações

adequadas:• Incompatibilidade entre o

sistema e o processo;• Dados errados;• Dados inapropriados;• Falta de monitoração e controle;

• Quais são os impactos do erro?• Estoque;• Falta de produto;• “Incêndios”;• Custos extras, etc.;

• Como gerenciar o erro?• Erro x flexibilidade;• Eliminar x reduzir o erro;• Erro conhecido x desconhecido;

Limite Superior

Limite Inferior

Tuesday, 7 May, 13

PLANEJAMENTO DA DEMANDA:COMO MEDIR O DESEMPENHO?

! Como medir a qualidade do planejamento da demanda?! Indicadores de desempenho;

! Quais as dimensões da previsão de demanda que devem ser medidas?! Métricas Multidimensionais:

! Erro (ou acurácia) – quão bons somos em prever a demanda?! Custos – qual o retorno da previsão para o acionista?! Satisfação dos consumidores – quão satisfeitos estão nossos consumidores?

! Devem permitir identificar:! Responsabilidades;! Causas dos erros;

! Investimento no Planejamento de Demanda:! Investimento em redução de custos na cadeia de suprimentos;! Melhoria do nível de atendimento ao consumidor;

Só pode ser gerenciado aquilo que é medido!

Tuesday, 7 May, 13

PLANEJAMENTO DA DEMANDA:ERRO DE PREVISÃO

! Índices de erro:

! Indicam quão próximas da realidade foram as previsões realizadas;

! Mais importante do que medir é entender:

! Qual o significado de cada medida de erro?

! Como se pode aprender com a interpretação das medidas?

! Os relatórios de erro devem conter:

! Medidas agregadas para a gerência:

! Ponderação do erro;! Impacto do erro no

negócio;! Medidas das técnicas de

previsão:! Erro no período;! Erro da série;

! Medidas do comportamento do erro:

! Medidas de tendência central;

! Medidas de dispersão;

Tuesday, 7 May, 13

PLANEJAMENTO DA DEMANDA:MEDIDAS ERRO DE PREVISÃO

• Erro no Período t:

• Erro Médio nos Períodos

• t = 1,...,n:

• Erro Médio Absoluto:

• Erro Médio Quadrático:

• Raiz do Erro Médio Quadrático:

• Erro Médio Percentual:

• Erro Médio Absoluto Percentual:

Objetivo das medidas:Indicar a adequação de cada método à previsão de demanda do produto.

Tuesday, 7 May, 13

PLANEJAMENTO DA DEMANDA:INTERPRETAÇÃO DAS MEDIDAS DE ERRO

Ideal:" Medir todos os aspectos do erro através de diferentes medidas;" Erro com média zero;" Erro com comportamento aleatório e distribuição normal;" Erro com menor desvio padrão possível – menor dimensão absoluta e percentual;

Tuesday, 7 May, 13

PLANEJAMENTO DA DEMANDA:MEDIDAS AGREGADAS DE ERRO

• Objetivos:• Demonstrar o impacto do erro de previsão no

negócio;• Controlar uma medida agregada de erro para

diversos produtos;

• Agregação pela média ponderada:

• E: medida de erro desejada;

• τ: o critério de ponderação;

• p: produto;

• Em geral:

• MAPE: medida de erro;

• Receita Bruta: critério de ponderação;

• Interpretação:

• Foco nos produtos mais importantes da empresa – aqueles que trazem maior receita total.

Tuesday, 7 May, 13

PLANEJAMENTO DE DEMANDA:LIÇÕES APRENDIDAS

Lição 1:Muito cuidado com o histórico!

Lição 2:Integração, clareza e transparência são fundamentais!

Lição 3:Reconheça os limites da estatística e das pessoas!

Lição 4:Foco no aprendizado:

Interpretação correta das medidas de erro!

Lição 5:Disciplina, disciplina, disciplina!

Tuesday, 7 May, 13

introdução sales & operation • classificação dos sistemas...

Documents