previsão de demanda - parte i

PREVISÃO DE DEMANDA

Prof. Msc. Mauro Enrique Carozzo Todaro

“Processo metodológico para determinação de dados (demanda) futuros baseados em modelos estatísticos, matemáticos ou econométricos ou ainda em modelos subjetivos apoiados em uma metodologia de trabalho clara e previamente definida.”

Martins e Laugeni (2006, P. 226)

O QUE É?


• reduzir a incerteza sobre o futuro• reduzir os riscos na tomada de decisão


QUAL É O OBJETIVO?

•Porque existem demoras na provisão.•Servem como base para o planejamento.


POR QUE SÃO NECESSÁRIAS?

CARACTERÍSTICAS


Diretamente relacionada com a satisfação do cliente e a rentabilidade no longo prazo.

Quase todas as previsões se baseiam na suposição de que o passado ira se repetir.

Previsões raramente são perfeitas.

As previsões de demanda agregada são, normalmente, mais precisas que as individuais (menos aleatoriedade).

ELEMENTOS PRESENTES EM UMA BOA PREVISÃO


O horizonte de previsão precisa cobrir o tempo necessário à implementação das possíveis mudanças.

Previsões eficazes requerem uma base de dados de demanda precisa.

Registrar a demanda (não vendas) em tempo real, não depois.

• Média, intervalo e estimação de probabilidade do intervalo.

Ex: 100 (+/-) 20, com uma probabilidade de 95%

• Intervalo de confiança = F ± z. SDEF: previsão para o período tz: numero de desvio padrão correspondente a área sob a curva normal. z = 1,64 (confiança de 90%), z = 1,96 (95%) e z = 3,0 (99,7%).SDE: desvio padrão do erro.


ELEMENTOS PRESENTES EM UMA BOA PREVISÃO

DEVE SER EXATA

Curto: 1 a 3 meses, por semanas ou mesesMédio:3 meses a 2 anos, por meses ou trimestresLongo: 2 a 10 anos, por trimestres ou anos


HORIZONTES DE PREVISÃO

MÉTODOS DE PREVISÃOMÉTODOS

QUANTITATIVOS

INTRÍNSECOS

EXTRÍNSECOS

QUALITATIVOS


• Baseados na análise de séries de tempo*.• Modelam o padrão do passado para projetá-lo no

futuro.• Horizonte: Médio e curto prazo.

*Série de tempo: Sucessão de observações de uma mesma variável em intervalos regulares de tempo.


QUANTITATIVOS

INTRÍNSECOS

MÉTODOS DE PREVISÃO

Exemplos:

• Médias móveis.• Ajustamento exponencial.• Decomposição.• Crescimento linear e não linear.• Entre outros.


QUANTITATIVOS

INTRÍNSECOS


• Para demanda agregada e desagregada.• Objetividade (erro médio, desvio padrão, etc.).• Baixo custo.• Pode ser repetido muitas vezes.• Não prevê mudanças futuras.


QUANTITATIVOS

INTRÍNSECOS


• Modelos causais (explicativos ou econométricos).• Horizonte: Longo prazo.

Modelam a relação entre a demanda e outras variáveis (variáveis independentes) para projetar o futuro.


QUANTITATIVOS

EXTRÍNSECOS


• Regressão simples, múltipla, linear e não linear.• Para demandas agregadas, dado que são muito

custosos.• Grandes corporações.• Mais complexos que os intrínsecos (requerem

previsão de variáveis externas).


QUANTITATIVOS

EXTRÍNSECOS


Baseados em juízos e opiniões:

• Método Delphi; • Pesquisa de mercados; • Painéis de expertos.


QUALITATIVOS


São úteis:

• quando não existem dados históricos suficientes (novos produtos);

• em previsões de longo prazo, quando não se pode supor que o passado ira-se repetir;

• para ajustar valores obtidos por métodos quantitativos.


QUALITATIVOS


PREVISÃO DE DEMANDA – MÉTODOS INTRÍNSECOS

020406080

100120

1 6 11 16 21 26 31 36 41

Aleatoriedade

0

200

400

600

800

1 6 11 16 21 26 31 36 41

Tendência

0

50

100

150

1 6 11 16 21 26 31 36 41

Autocorrelação

EXEMPLOS DE SÉRIES TEMPORAIS


EXEMPLOS DE SÉRIES TEMPORAIS

050

100150200250

1 6 11 16 21 26 31 36 41

Sazonalidade

0

200

400

600

800

1 6 11 16 21 26 31 36 41

Tendência e Sazonalidade

0

200

400

600

800

1 6 11 16 21 26 31 36 41

Série obsevada


Período a período - horizonte deslizante.

Ex: Se prevêem12 meses, cada mês que passa, volto a prever outros 12 meses (revisou os 11 que tinha previsto e acrescento 1)

Na revisão se modificam previsões realizadas e se acrescenta um período novo.

REVISÃO DA PREVISÃO


A determinação do erro de previsão é fundamental para:•Determinar a efetividade do método•Comparar métodos

Notação:

Y: Demanda real observada no período tF: Previsão para o período tN: Quantidade de períodos observados

Erro de previsão et = Yt – Ft

Erro médio ē =

Um bom modelo de previsão tem erro médio próximo de zero.

N

t

tt

N

t

t FYN

eN 11

)(11


ERRO DE PREVISÃO

Desvio padrão do erro:

Um bom modelo de previsão minimiza o desvio padrão dos erros (reduz estoque)

11

2

)(

NSDE

N

tt ee


ERRO DE PREVISÃO

Médias Móveis SimplesPrevisão com médias moveis:

•Usar n grande para séries muito aleatórias.

•Usar n pequeno para autocorrelação (n pequeno suaviza o padrão)

•Não modela tendência, nem sazonalidade.

•Otimização de n: minimizar o SDE considerando N períodos históricos

Obs: Com n = 1, a previsão é igual ao mês anterior.

n

YYYF

ntttt

...21

MÉTODOS INTRÍNSECOS – MÉDIAS MÓVEIS SIMPLES

MÉTODOS INTRÍNSECOS – MÉDIAS MÓVEIS SIMPLESPer. Mês Dem. Hist.

t Yt Ft et Ft et Ft et1 Jan 892 Fev 923 Mar 100 90,5 9,54 Abr 107 96,0 11,05 Maio 89 103,5 -14,5 97,0 -8,06 Jun 90 98,0 -8,0 97,0 -7,07 Jul 87 89,5 -2,5 96,5 -9,58 Ago 93 88,5 4,5 93,3 -0,39 Set 92 90,0 2,0 89,8 2,3 93,4 -1,4

10 Out 110 92,5 17,5 90,5 19,5 93,8 16,311 Nov 86 101,0 -15,0 95,5 -9,5 96,0 -10,012 Dez 107 98,0 9,0 95,3 11,8 94,3 12,813 Jan 92 96,5 -4,5 98,8 -6,8 94,3 -2,314 Fev 87 99,5 -12,5 98,8 -11,8 94,6 -7,615 Mar 90 89,5 0,5 93,0 -3,0 94,3 -4,316 Abr 87 88,5 -1,5 94,0 -7,0 94,6 -7,617 Maio 91 88,5 2,5 89,0 2,0 93,9 -2,918 Jun 95 89,0 6,0 88,8 6,3 93,8 1,319 Jul 100 93,0 7,0 90,8 9,3 91,9 8,120 Ago 94 97,5 -3,5 93,3 0,8 93,6 0,421 Set 84 97,0 -13,0 95,0 -11,0 92,0 -8,022 Out 94 89,0 5,0 93,3 0,8 91,0 3,023 Nov 101 89,0 12,0 93,0 8,0 91,9 9,124 Dez 96 97,5 -1,5 93,3 2,8 93,3 2,8

98,5 93,8 94,40,63 0,89 0,609,07 8,81 7,75

2 per 4 per 8 per

Desv. Pad. do erro (9 a 24)

Previsão mês 25Erro médio (9 a 24)

MÉTODOS INTRÍNSECOS – MÉDIAS MÓVEIS SIMPLES

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24CE6605660al

CE6605660al

CE6605660al

Médias Moveis Simples

Dem. Hist. 2 per 4 per 8 per

Suavização Exponencial Simples

Previsão:

Aonde . Como valor inicial se considera: F1 = Y1

• É um dos métodos mais utilizados.•Usar α alto para séries muito suaves, α baixo para séries muito aleatórias.•Com alta (baixa) autocorrelação usar altos (baixos) valores de α.•Com α alto reage mais rápido à tendência, mas também às flutuações aleatórias.•Não modela tendência nem sazonalidade.•Otimização de α : minimizar o SDE considerando N períodos históricosObs: o método necessita só os dados do período anterior, mas implicitamente estão todos.

11111 1 tttttt FYFYFF 10

MÉTODOS INTRÍNSECOS – SUAVIZAÇÃO EXPONENCIAL SIMPLES

MÉTODOS INTRÍNSECOS – SUAVIZAÇÃO EXPONENCIAL SIMPLESPer. Mês Dem. Hist.

t Yt Ft et Ft et Ft et1 Jan 89 89,00 89 892 Fev 92 89,00 89,00 89,003 Mar 100 89,90 10,1 90,50 9,5 91,40 8,64 Abr 107 92,93 14,1 95,25 11,8 98,28 8,75 Maio 89 97,15 -8,2 101,13 -12,1 105,26 -16,36 Jun 90 94,71 -4,7 95,06 -5,1 92,25 -2,37 Jul 87 93,29 -6,3 92,53 -5,5 90,45 -3,58 Ago 93 91,41 1,6 89,77 3,2 87,69 5,39 Set 92 91,88 0,1 91,38 0,6 91,94 0,1

10 Out 110 91,92 18,1 91,69 18,3 91,99 18,011 Nov 86 97,34 -11,3 100,85 -14,8 106,40 -20,412 Dez 107 93,94 13,1 93,42 13,6 90,08 16,913 Jan 92 97,86 -5,9 100,21 -8,2 103,62 -11,614 Fev 87 96,10 -9,1 96,11 -9,1 94,32 -7,315 Mar 90 93,37 -3,4 91,55 -1,6 88,46 1,516 Abr 87 92,36 -5,4 90,78 -3,8 89,69 -2,717 Maio 91 90,75 0,2 88,89 2,1 87,54 3,518 Jun 95 90,83 4,2 89,94 5,1 90,31 4,719 Jul 100 92,08 7,9 92,47 7,5 94,06 5,920 Ago 94 94,45 -0,5 96,24 -2,2 98,81 -4,821 Set 84 94,32 -10,3 95,12 -11,1 94,96 -11,022 Out 94 91,22 2,8 89,56 4,4 86,19 7,823 Nov 101 92,06 8,9 91,78 9,2 92,44 8,624 Dez 96 94,74 1,3 96,39 -0,4 99,29 -3,3

95,12 96,19 96,660,79 0,52 0,308,39 8,90 9,86

= 0,3 b = 0,5 g = 0,8

Desv. Pad. do erro (3 a 24)

Previsão mês 25Erro médio (3 a 24)

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24CE6605660al

CE6605660al

CE6605660al

Suav. Exp. Simples

Dem. Hist. a = 0,3 b = 0,5 g = 0,8

Referências Bibliográficas

MARTINS, P. G. e LAUGENI, F. P. Capítulo 8: Previsão de Vendas. In: Administração da produção. Petrônio Garcia Martins e Fernando P. Laugeni. 2 ed. São Paulo: Saraiva, 2006. MOREIRA, D. A. Capítulo 11: Previsão da Demanda. In: Administração da produção e operações. MOREIRA, Daniel Augusto. 2 ed. São Paulo: Cengage Learning, 2011. STEVENSON, W. Capítulo 3: Previsões. In: Administração das operações de produção. STEVENSON, Willam J. 6 ed. Rio de Janeiro: LTC, 2001.

previsão de demanda - parte i

Business