Previsão da Demanda I

1

PREVISÃO DE DEMANDAParte 1

Prof. Dr. Mauro Enrique Carozzo Todaro

Saiba mais em https://pcpengenharia.wordpress.com/previsao/

O QUE É?

PREVISÃO DE DEMANDA

2

“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)

3

QUAL É O OBJETIVO?

PREVISÃO DE DEMANDA

• Reduzir a incerteza sobre o futuro;• Reduzir os riscos na tomada de decisão.

4

POR QUE SÃO NECESSÁRIAS?

PREVISÃO DE DEMANDA

• Porque existem demoras na provisão;• Servem como base para o planejamento estratégico da

produção, vendas e finanças;• São fundamentais para os planos de capacidade, de fluxo de

caixa, de vendas, de produção, de estoque, de mão de obra e de compras.

5

CARACTERÍSTICAS

PREVISÃO DE DEMANDA

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 irá se repetir.

Previsões raramente são perfeitas e a precisão diminui com o aumento do período de tempo sondado.

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

ELEMENTOS PRESENTES EM UMA BOA PREVISÃO

PREVISÃO DE DEMANDA

6

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.

PREVISÃO DE DEMANDA

• Média, intervalo e estimação de probabilidade do intervalo.

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

• Intervalo de confiança = F ± z. SDEOnde:F: Previsão para o período tz: Número 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.

7

DEVE SER EXATA

ELEMENTOS PRESENTES EM UMA BOA PREVISÃO

8

COMO SÃO USADAS PELO PCP?

PREVISÃO DE DEMANDA

9

HORIZONTES DE PREVISÃO

PREVISÃO DE DEMANDA

• Curto - 1 a 3 meses, por semanas ou meses;• Médio - 3 meses a 2 anos, por meses ou trimestres;• Longo - 2 a 10 anos, por trimestres ou anos.

Obs.: Quanto maior for o horizonte pretendido, menor a confiabilidade da demanda prevista.

10

ETAPAS DE UM MODELO DE PREVISÃO

PREVISÃO DE DEMANDA

Objetivo do modelo

Coleta e análise de dados

Seleção da técnica de previsão

Obtenção das previsões

Monitoração do modelo

11

MÉTODOS

QUANTITATIVOS

INTRÍNSECOS(Séries Temporais)

EXTRÍNSECOS(Regressões)

QUALITATIVOS

TÉCNICAS DE PREVISÃO

PREVISÃO DE DEMANDA

12

MÉTODOS DE PREVISÃO

PREVISÃO DE DEMANDA

• 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

13

MÉTODOS DE PREVISÃO

PREVISÃO DE DEMANDA

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

QUANTITATIVOS

INTRÍNSECOS

14

MÉTODOS DE PREVISÃO

PREVISÃO DE DEMANDA

• Para demanda agregada e desagregada;• Os modelos de previsão pode conter tendência, sazonalidade,

autocorrelação, entre outros;• Objetividade (erro médio, desvio padrão, etc.);• Baixo custo;• Pode ser repetido muitas vezes;• Não prevê mudanças futuras.

QUANTITATIVOS

INTRÍNSECOS

15

MÉTODOS DE PREVISÃO

PREVISÃO DE DEMANDA

• 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

16

MÉTODOS DE PREVISÃO

PREVISÃO DE DEMANDA

• 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

MÉTODOS DE PREVISÃO

PREVISÃO DE DEMANDA

Baseados em juízos e opiniões: • Método Delphi; • Pesquisa de Mercados; • Painéis de Expertos.

17

QUALITATIVOS

MÉTODOS DE PREVISÃO

PREVISÃO DE DEMANDA

São úteis: • Quando não existem dados históricos suficientes (novos

produtos);• Em previsões de longo prazo, quando não se pode supor

que o passado irá se repetir; • Para ajustar valores obtidos por métodos quantitativos.

18

QUALITATIVOS

EXEMPLOS DE SÉRIES TEMPORAIS

PREVISÃO DE DEMANDA – MÉTODOS INTRÍSECOS

19

020406080

100120

1 6 11 16 21 26 31 36 41

Aleatoriedade

0

50

100

150

1 6 11 16 21 26 31 36 41

Autocorrelação

0200400600800

1 6 11 16 21 26 31 36 41

Tendência

EXEMPLOS DE SÉRIES TEMPORAIS

PREVISÃO DE DEMANDA – MÉTODOS INTRÍSECOS

20

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

PREVISÃO DE DEMANDA – MÉTODOS INTRÍSECOS

21

0

200

400

600

800

1 6 11 16 21 26 31 36 41

Série obsevada

22

REVISÃO DA PREVISÃO

• Período a período - horizonte deslizante.

Ex: Se preveem 12 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.

PREVISÃO DE DEMANDA – MÉTODOS INTRÍSECOS

23

ERRO DE PREVISÃO

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

Erro de previsão: et = Yt – Ft

Erro médio: ē =

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

N

1t

tt

N

1t

t )F(YN1e

N1

Onde:Yt: Demanda real observada no período tFt: Previsão para o período tN: Quantidade de períodos observados

PREVISÃO DE DEMANDA – MÉTODOS INTRÍSECOS

24

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

PREVISÃO DE DEMANDA – MÉTODOS INTRÍSECOS

25

MÉDIA MÓVEIS SIMPLES (MMS)

• Previsão com médias móveis:

• 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.

nYYYF nttt

t

...21

MÉTODOS INTRÍSECOS

26

MÉTODOS INTRÍSECOS – MÉDIA MÓVEIS SIMPLESPer Dem. Hist.

t Yt Ft et Ft et Ft et1 Jan 3.256 2 Fev 3.315 3 Mar 3.006 4 Abr 3.560 3.192 368 5 Mai 3.300 3.294 6 6 Jun 3.051 3.289 238- 7 Jul 3.425 3.304 121 3.248 177 8 Ago 3.703 3.259 444 3.276 427 9 Set 3.240 3.393 153- 3.341 101-

10 Out 3.231 3.456 225- 3.380 149- 11 Nov 2.887 3.391 504- 3.325 438- 12 Dez 3.918 3.119 799 3.256 662 13 Jan 3.271 3.345 74- 3.401 130- 3.324 53- 14 Fev 3.073 3.359 286- 3.375 302- 3.326 253- 15 Mar 3.396 3.421 25- 3.270 126 3.305 91 16 Abr 3.036 3.247 211- 3.296 260- 3.338 302- 17 Mai 3.196 3.168 28 3.264 68- 3.294 98- 18 Jun 4.106 3.209 897 3.315 791 3.286 820 19 Jul 3.449 3.446 3 3.346 103 3.374 76 20 Ago 3.913 3.584 329 3.376 537 3.376 538 21 Set 3.324 3.823 499- 3.516 192- 3.393 69- 22 Out 3.277 3.562 285- 3.504 227- 3.400 123- 23 Nov 3.204 3.505 301- 3.544 340- 3.404 200- 24 Dez 4.079 3.268 811 3.546 534 3.430 649

3.520 3.541 3.444 388 572 1.075

32 48 90 438 379 373Desv. Pad. do erro (13 a 24)

Erro acumulado (13 a 24)

MêsPer 3 Per 6 Per 12

Previsão mês 25

Erro médio ( 13 a 24)

Consulte este exemplo em https://pcpengenharia.wordpress.com/previsao/

27Consulte o gráfico em https://pcpengenharia.wordpress.com/previsao/

MÉTODOS INTRÍSECOS – MÉDIA MÓVEIS SIMPLES

SUAVIZAÇÃO EXPONENCIAL SIMPLES*

• Previsão:

Obs.: Onde , e 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 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 históricos.

Obs.: o método necessita só os dados do período anterior, mas implicitamente estão todos.

* Também denominado Ajustamento ou Amortecimento Exponencial Simples.28

10

11111 1 tttttt FYFYFF

MÉTODOS INTRÍSECOS

29

Per Dem. Hist.t Yt Ft et Ft et Ft et1 Jan 3.256 2 Fev 3.315 3.256 59 3.256 59 3.256 59 3 Mar 3.006 3.262 256- 3.286 280- 3.303 297- 4 Abr 3.560 3.236 324 3.146 414 3.065 495 5 Mai 3.300 3.269 31 3.353 53- 3.461 161- 6 Jun 3.051 3.272 221- 3.326 275- 3.332 281- 7 Jul 3.425 3.250 175 3.189 236 3.107 318 8 Ago 3.703 3.267 436 3.307 396 3.361 342 9 Set 3.240 3.311 71- 3.505 265- 3.635 395-

10 Out 3.231 3.304 73- 3.372 141- 3.319 88- 11 Nov 2.887 3.296 409- 3.302 415- 3.249 362- 12 Dez 3.918 3.256 662 3.094 824 2.959 959 13 Jan 3.271 3.322 51- 3.506 235- 3.726 455- 14 Fev 3.073 3.317 244- 3.389 316- 3.362 289- 15 Mar 3.396 3.292 104 3.231 165 3.131 265 16 Abr 3.036 3.303 267- 3.313 277- 3.343 307- 17 Mai 3.196 3.276 80- 3.175 21 3.097 99 18 Jun 4.106 3.268 838 3.185 921 3.176 930 19 Jul 3.449 3.352 97 3.646 197- 3.920 471- 20 Ago 3.913 3.362 551 3.547 366 3.543 370 21 Set 3.324 3.417 93- 3.730 406- 3.839 515- 22 Out 3.277 3.407 130- 3.527 250- 3.427 150- 23 Nov 3.204 3.394 190- 3.402 198- 3.307 103- 24 Dez 4.079 3.375 704 3.303 776 3.225 854

3.446 3.691 3.908 1.897 870 815

82 38 35 346 405 455

Erro acumulado (2 a 24)Erro médio (2 a 24)

Desv. Pad. do erro (2 a 24)

Mês α= 0,10 α= 0,50 α= 0,80

Previsão mês 25

MÉTODOS INTRÍSECOS – SUAVIZAÇÃO EXPONENCIAL SIMPLES

Consulte este exemplo em https://pcpengenharia.wordpress.com/previsao/

30Consulte este exemplo em https://pcpengenharia.wordpress.com/previsao/

MÉTODOS INTRÍSECOS – SUAVIZAÇÃO EXPONENCIAL SIMPLES

31

REFERÊNCIAS

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.

TUBINO, D. F. Capítulo 2: Previsão da Demanda. In: Planejamento e Controle da Produção - Teoria e Prática. 2 ed. São Paulo: Atlas, 2009.