MB 756 PESQUISA OPERACIONAL APLICADA À PRODUÇÃOrodrigo/Disciplinas/MB756/S02.pdf · Abordagens de pesquisa operacional para suportar o processo decisório: 2.1. Modelos de Previsão

MB – 756

PESQUISA OPERACIONAL

APLICADA À PRODUÇÃO

Professor: Rodrigo A. Scarpel

[email protected]

www.mec.ita.br/~rodrigo

mailto:[email protected]

http://www.mec.ita.br/~rodrigo

Programa do curso:

Semana Conteúdo

1

Princípios de POAP :

1. O processo decisório no âmbito da produção e da pesquisa operacional;

2. Abordagens de pesquisa operacional para suportar o processo decisório:

2.1. Modelos de Previsão

2.2. Extração de Conhecimento de Bases de Dados

2.3. Otimização

2.4. Simulação

2

Métodos de Previsão em POAP :

1. Propósitos da Previsão

2. Processo de Criação de Modelos de previsão

2.1. Previsão por séries temporais

2.2. Previsão por modelos causais

2.3. Previsão para variáveis categóricas

3

Extração de Conhecimento de Bases de Dados em POAP :

1. O Processo de Extração de Conhecimento de Bases de Dados (ECBD)

2. Aplicações do Processo ECBD em problemas da Cadeia de Suprimentos:

2.1. Redução de dimensão e visualização

2.2. Segmentação

2.3. Classificação

4

Otimização em POAP :

1. Aplicação de métodos de Otimização em problemas da Cadeia de Suprimentos:

1.1. Planejamento logístico: transporte e distribuição, localização e cobertura, caminho mais curto.

1.2. Planejamento da Produção: planejamento agregado, otimização em múltiplos períodos, dimensionamento de

estoques.

1.3. Avaliação de eficiência: análise de envoltória de dados

1.4. Gerenciamento de projetos: seleção de projetos, problema do caminho crítico.

5 Prova: 04/12/14

MB – 756

MÉTODOS DE PREVISÃO

Professor: Rodrigo A. Scarpel

[email protected]

www.mec.ita.br/~rodrigo

mailto:[email protected]

http://www.mec.ita.br/~rodrigo

Processo Analítico:

Precificação orientada ao mercado:

25,00%

27,00%

29,00%

31,00%

33,00%

35,00%

37,00%

39,00%

41,00%

JUL 2003

AGO 2003

SEP 2003

OCT 2003

NOV 2003

DEC 2003

JAN 2004

FEB 2004

MAR 2004

APR 2004

MAY 2004

JUN 2004

JUL 2004

FA

TIA

(%

)

PERÍODO

EVOLUÇÃO DA FATIA DE MERCADO (MARCA A)

5,00%

10,00%

15,00%

20,00%

25,00%

30,00%

35,00%

40,00%

45,00%

JUL 2003

AGO 2003

SEP 2003

OCT 2003

NOV 2003

DEC 2003

JAN 2004

FEB 2004

MAR 2004

APR 2004

MAY 2004

JUN 2004

JUL 2004

FA

TIA

(%

)

PERÍODO

EVOLUÇÃO DA FATIA DE MERCADO (MARCA A e B)

Preço A (R$) 4,08

Preço B (R$) 3,85

Fatia de Mercado 39,78%

Tamanho do Mercado (un) 3.000.000

Receita (R$) 4.871.663,98

Custo Variável (un) 2,25

Custo Fixo (R$) 785.000,00

Lucro (R$) 1.401.206,59

Otimização na Reposição de Numerário:

Efetuar a previsão de demanda de numerário nos terminais de auto

atendimento (TA): localização, dia-da-semana, eventos, …

Determinar níveis mínimos e máximos de estoque de numerário nos TA

Rede de Atendimento

Custódia

Instituições Financeiras

Instituições

Financeiras

Custódia

Rede de

Atendimento

Efetuar o agendamento de viagens entre as custódias e os TA

Definir datas e quantias a serem entregues pelas Instituições Financeiras

às custódias

Supply Chain Solution Space

Source: Supply Chain Management Review

Supply Operations Logistics Demand

Strategic

Tactical

Execution DADOS Product

Data

Mgmt

Mfg.

Exec.

Systems Transportation

Execution

Warehouse

Mgmt.

Order

Mgmt. Customer

Asset

Mgmt.

Analytical

Transactional

Component

Supplier

Management

Advanced

Planning &

Scheduling Transportation

Planning

Demand

Planning

Inventory

Planning

Facility, Product &

Capacity

Planning

Qual o própósito da criação de previsões?

O que, especificamente, se quer prever (ex: demanda do

mercado, tendência tecnológica)?

Quão importante é o passado na previsão do futuro?

Qual a influência nós temos na construção do futuro?

Quais fatores podem modificar as previsões?

Como podemos mitigar os erros de previsão?

Questões gerenciais relacionadas às previsões:

Planejamento de Demanda:

Demand

Modeling

Long-Term

Forecasting

Operational

Forecasting

New Product

Forecasting Forecast

Performance

Definir um processo para a criação de previsões levando em consideração:

Quem vai utilizar as previsões geradas?

Qual o horizonte da previsão?

Demand

Modeling

• Planejamento da produção • Planejamento de estoques e materiais

• Preparação de orçamento • Planejamento de vendas • Planejamento de recursos humanos • Desenvolvimento de novos produtos • Planejamento de aquisição de novos equipamentos

• Planejamento de expansão

Operacional (até 30 dias)

Tático (de 1 a 12 meses)

Estratégico (maior que 1 ano)


Demand

Modeling

Long-Term

Forecasting

Operational

Forecasting

New Product


Performance

Definir um processo para a criação de previsões levando em consideração:

Os diferentes níveis de agregação das previsões (por sku, família de

produto, região geográfica)

O impacto da tendência, sazonalidade, e outras variáveis explicativas

na demanda

Fonte dos dados: BCB, SIDRA, IPEA-DATA

Demand

Modeling

Processo de Previsão:

Traffic

Forecast (RPK)

LF

Assumptions

Capacity

Forecast (ASK)

ASK Share

by Category

Forecast

Future ASK

per Category

Productivity

Assumptions

Fleet Required

per Category

Projected

New Deliveries

(Open Market)

Historical

Fleet

Backlog

Retirement

Pre-owned

Aircraft

Frequency x

Range Analysis

DISTÂNCIA (KM)

DEN

SID

AD

E D

O M

ERC

AD

O

(ASS

ENTO

S/D

IA)

2.000

1.5001.500

500

1

234

67

10

1.200

9

J 151-180: 32%J 181-210: 42%

J WB: 17%

J 151-180: 12%J 181-210: 45%

J WB: 39%

J 121-150: 38%J 151-180: 13%J 181-210: 22%

J WB: 13%

J 121-150: 33%J 151-180: 11%J 181-210: 34%

J WB: 11%

J 30-60: 42%J 61-90: 35%

J 121-150: 13%

J 61-90: 16%J 91-120: 12%

J 121-150: 37%J 151-180: 13%

J 30-60: 37%J 61-90: 13%

J 121-150: 26%J 151-180: 13%

J 30-60: 88%

500

5

J 30-60: 12%J 121-150: 42%J 151-180: 15%J 181-210: 14%

8

11

TP 61-90: 11%J 30-60: 48%J 61-90: 13%

J 121-150: 18%

TP 30-60: 24%J 30-60: 64%

19,15% 19,00% 18,21% 20,36% 22,49% 21,90% 23,56% 21,75% 20,62% 19,65% 16,15% 15,12%

16,29% 17,52% 17,14%21,61%

23,82% 23,52% 22,94% 23,86% 26,59% 25,97% 29,42% 32,63%

28,45%30,65% 31,86%

29,80%30,33% 33,37% 34,75% 35,73% 36,22% 38,54% 39,58% 39,30%

35,33% 32,02% 32,10%27,05%

22,14% 19,72% 17,44% 17,30% 15,27% 14,50% 13,59% 11,65%

0,00%

10,00%

20,00%

30,00%

40,00%

50,00%

60,00%

70,00%

80,00%

90,00%

100,00%

2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011

EUA - Participação das Categorias

i JET WB

h JET 181-210

g JET 151-180

f JET 121-150

e JET 91-120

d JET 61-90

c JET 30-60

79,74%74,80%

65,57%58,57%

51,97% 49,57% 45,61% 44,02%39,40%

34,97% 33,09% 31,17%

1,74%

2,38%

1,86%2,43%

2,21% 2,07%4,05%

4,74% 6,07% 7,67%

8,12%12,69%

22,32% 31,19%36,61% 38,75%

41,44% 44,36% 45,68%46,18% 46,89% 47,83%

0,00%

10,00%

20,00%

30,00%

40,00%

50,00%

60,00%

70,00%

80,00%

90,00%

100,00%

2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011

EUA - Participação das Categorias

i JET WB

h JET 181-210

g JET 151-180

f JET 121-150

e JET 91-120

d JET 61-90

c JET 30-60

b TP 61-90

a TP 30-60

Previsão em Transporte Aéreo:

y = 8,1676x1,2246

R² = 0,9779

-

200.000

400.000

600.000

800.000

1.000.000

1.200.000

6.000 7.000 8.000 9.000 10.000 11.000 12.000 13.000 14.000 15.000

DO

M R

PK

EU

A (M

illio

n)

GDP (Billion US$ 2005)

Traffic

Forecast (RPK)

Interest Rate

Trade Balance

Exchange rate

GDP

Population

Macro

Economic

Variables

Controle do

Espaço Aérea (ATFM)

Aeroportos

(PAX, MOV)

Airlines (PAX -

ROTA)

Fabricantes de

Aeronaves (Aeronaves -Categoria)

1. Definição do objetivo do modelo:

1. Análise estrutural (determinar os fatores mais importantes)

2. Fazer inferências (testar estatísticamente hipóteses)

3. Criar previsões (análises “se-então”)

2. Definição das variáveis (dependente e independentes) do modelo

3. Definição da forma funcional do modelo

4. Conjecturas em relação ao sinal dos coeficientes

5. Coleta dos dados e ajuste do modelo

6. Análise dos resultados:

1. Qualidade da aderência

2. Inferência em relação aos parâmetros estimados

7. Conclusões e recomendações


Processo de ECBD:


Qual é a

origem

dos

dados

Quais

dados

serão

utilizados

Como os dados

serão pré-

processados e

transformados

Qual

método

de

previsão

será

usado

Como os

resultados

serão

avaliados e

utilizados

Demand

Modeling

Long-Term

Forecasting

Operational

Forecasting

New Product


Performance

Criar previsões para suportar decisões no nível operacional

Identificar previsões problemáticas e resolver as exceções

Reconciliar as múltiplas previsões (gerar previsões consensuais)

Operational

Forecasting


Não Grandes mudanças no ambiente?

Conhecimento dos relacionamentos?

Há dados das variáveis causais?

Sim

Sim

Sim

Extrapolação / método automático

Modelo causal

Seleção de métodos de Previsão:

Não

Não

Não Dados objetivos disponíveis?

Sim

Método Julgamental

Previsão por Extrapolação:

São métodos que replicam no futuro os padrões

(tendência e sazonalidade) identificados no passado

Série Original

Componente Sazonal

Componente de Tendência

Componente Aleatória

Previsão por Extrapolação

Modelos Baseados em média móvel

Modelos de suavização exponencial

(Holt-Winters)

Modelos da família ARIMA (AR, MA,

ARIMA, SARIMA)

Métodos automáticos de previsão:

Os métodos automáticos de previsão são aqueles em que se faz

necessária pouca ou nenhuma intervenção.

Os métodos automáticos, normalmente, decompõem os dados

(série temporal) e tratam os componentes sazonal e de tendência

automaticamente, gerando previsões a partir destas.

Dentre os modelos automáticos de previsão destacam-se os

métodos de suavização exponential simples, Holt e Holt-Winters.

Suavização exponencial simples:

Método de Holt:

Método de Holt-Winters:

Versão aditiva:

Versão multiplicativa: no R

Métodos automáticos de previsão :

ttt1t YYYY

1t1ttt

1t1tttttnt

T.1EE.T

TE.1Y.EqueemT.nEY

ptttt

1t1ttt

1t1tpttt

pntttnt

S.1EY.S

T.1EE.T

TE.1SY.E

queemST.nEY

Ilustração: Holt-Winters - vendas de Guaraná (Pet 2L)

GUA=read.delim(file='C:/... /Guarana.txt')

GUA_TS = ts(GUA,frequency=12,start=c(2001,1))

plot(GUA_TS)

(model = HoltWinters(GUA_TS[,2], seasonal=‘mult’))

pred = predict(model, n.ahead=12)

plot(model, pred)

Ilustração: Holt-Winters - vendas de Guaraná (Pet 2L)

Smoothing

parameters:

alpha: 0.062

beta : 1.0

gamma: 0.453

Coefficients:

a 38.14

b -0.152

s1 0.847

s2 0.867

s3 0.986

s4 0.959

s5 0.799

s6 0.776

s7 0.875

s8 0.868

s9 0.987

s10 1.074

s11 1.122

s12 1.744

Demand

Modeling

Long-Term

Forecasting

Operational

Forecasting

New Product


Performance

Criar previsões no nível agregado para suportar atividades de planejamento

estratégico (planejamento anual, decisões de capacidade, etc)

Atividades de inteligência de mercado (segmentação, definição do alvo e

posicionamento)

Long-Term

Forecasting

Supply Operations Logistics Demand

Strategic

Tactical

ExecutionDADOSProduct

Data

Mgmt

Mfg.

Exec.

SystemsTransportation

Execution

Warehouse

Mgmt.

Order

Mgmt.Customer

Asset

Mgmt.

Analytical

Transactional

Component

Supplier

Management

Advanced

Planning &

SchedulingTransportation

Planning

Demand

Planning

Inventory

Planning

Facility, Product &

Capacity

Planning


É assim que os métodos automáticos de previsão trabalham...

Isso é o que os modelos causais podem fazer pelo processo de previsão…

-

100.000

200.000

300.000

400.000

500.000

19

80

19

81

19

82

19

83

19

84

19

85

19

86

19

87

19

88

19

89

19

90

19

91

19

92

19

93

19

94

19

95

19

96

19

97

19

98

19

99

20

00

20

01

20

02

20

03

20

04

20

05

20

06

20

07

20

08

20

09

20

10

PA

X I

NT

RP

K (

mill

ion

s)

Sep 11 &

SARS

Exemplos que “quebra” nos padrões:

0

200

400

600

800

1.000

1.200

1.400

1.600Ja

n-9

0

Sep

-90

May

-91

Jan

-92

Sep

-92

May

-93

Jan

-94

Sep

-94

May

-95

Jan

-96

Sep

-96

May

-97

Jan

-98

Sep

-98

May

-99

Jan

-00

Sep

-00

May

-01

Jan

-02

Sep

-02

May

-03

Jan

-04

Sep

-04

May

-05

Jan

-06

Sep

-06

May

-07

Jan

-08

Sep

-08

May

-09

Jan

-10

Sep

-10

Pas

sen

gers

(tp

pm

)

Period

PAX DOM SPGR 0

200

400

600

800

1.000

1.200

1.400

1.600

1.800Ja

n-9

0

Jul-

90

Jan

-91

Jul-

91

Jan

-92

Jul-

92

Jan

-93

Jul-

93

Jan

-94

Jul-

94

Jan

-95

Jul-

95

Jan

-96

Jul-

96

Jan

-97

Jul-

97

Jan

-98

Jul-

98

Jan

-99

Jul-

99

Jan

-00

Jul-

00

Jan

-01

Jul-

01

Jan

-02

Jul-

02

Jan

-03

Jul-

03

Jan

-04

Jul-

04

Jan

-05

Jul-

05

Jan

-06

Jul-

06

Jan

-07

Jul-

07

Jan

-08

Jul-

08

Jan

-09

Jul-

09

Jan

-10

Jul-

10

Pas

sen

gers

(tp

pm

)

Period

PAX DOM SPGR

PAX DOM SPSP

Não

Não

Dados objetivos disponíveis?

Grandes mudanças no ambiente?

Conhecimento dos relacionamentos?

Há dados das variáveis causais?

Sim

Sim

Sim

Sim

Método Julgamental

Modelo causal

Seleção de métodos de Previsão:

Não

Não

Extrapolação / método automático

• Sistema de classificação que particiona o espaço de atributos de forma a criar regras para definir as classes

• Resultado: um conjunto de regras e uma árvore (diagrama)

• Algoritmo: CART (Classification And Regression Trees)

• Elementos da árvore de decisão

▫ Nó raiz (primeira questão)

▫ Ligações ou ramos (possíveis respostas)

▫ Outros nós (outras questões)

▫ Nó terminal (decisão final)

• A classificação de uma observação inicia no nó raiz e segue as ligações correspondentes às respostas corretas até chegar no nó terminal.

AUTOMATIC INTERACTION DETECTION

MD: Modelos de previsão


Ilustração: classificação em risco

IDADE > 35

NÃO SIM

Alto risco Renda anual maiorque R$100.000,00

NÃO SIM

Médio risco Baixo risco

Acurácia = 92.54 %

IDADE > 35

NÃO SIM

Alto risco Renda anual maiorque R$100.000,00

NÃO SIM

Médio risco Baixo risco

Acurácia = 92.54 %Idade (anos)

Ren

da

an

ual

(R$)

MD: Modelos de classificação


Ilustração: previsão de inadimplência


IDADE > 35

NÃO SIM

Inadimplência = 37% Renda anual maior que R$100.000,00

NÃO SIM

R2

IDADE > 35

NÃO SIM

Renda anual maior que R$100.000,00

NÃO SIM

= 87.46 %

Inadimplência = 12% Inadimplência = 3%

Esse modelo é construído a partir de um conjunto de treinamento seguindo algumas regras:

• Partição: escolha da melhor partição

• Parada: quando parar de particionar

A acurácia é obtida a partir de um conjunto de teste.

• Exemplo: Qualidade do vinho (código.2)

• Y: qualidade (nota de 3 a 8)

• X: 11 atributos (pH, densidade, conc. álcool,…)

• Objetivo:

• Identificar quais atributos mais se correlacionam a

qualidade dos vinhos

• Criar uma regra de previsão da qualidade de vinhos


• Exemplo: Eficiência energética de residências

• Y: Carga energética necessária para resfriar o imóvel

• X: 7 atributos (área – paredes, superície, telhado, orientação,…)

• Objetivo:

• Identificar quais atributos mais se correlacionam a eficiência

energética de residências

• Criar uma regra de previsão da carga energética necessária

para resfriar um imóvel


Vendas

Atuais

Função

Resposta

Min

Max

Gasto

Atual

Ven

das

Gastos com Publicidade

Modelos causais:

Retornos Decrescentes

Y

X

Linear

Y

X

Y = a + bX

Y = a + bX c (c<1) Y = aebx (x>0, b<0)

Modelos causais:

Y

X

Decaimento exponencial

Y = aXb (x>0, b<0) Y = aXb (x>0, 0<b<1)

Saturação

Y

X

Y = a (1 – e–bx) + c

Y = + d

Formato S

Y

X

Xc

d + Xc

Y = b + (a–b)

Modelos causais:

Y = abcX + d (a>0, 0<b<1, c<1)

a

1 + e-(b+cX)

Retornos Crescentes

Y

X

Y = a + bX c (c>1)

Y = aebx (x>0, b>0)

Y = aXb (x>0, b>1)

• Exemplo: Qualidade do vinho

• Y: qualidade (nota de 3 a 8)

• X: 11 atributos (pH, densidade, conc. álcool,…)

• Objetivo:

• Criar um modelo de previsão da qualidade de vinhos

Modelos causais:

• Exemplo: Eficiência energética de residências

• Y: Carga energética necessária para resfriar o imóvel

• X: 7 atributos (área – paredes, superície, telhado, orientação,…)

• Objetivo:

• Criar um modelo de previsão da carga energética necessária

para resfriar um imóvel

Modelos causais:

Exemplo: previsão de fatia de mercado

PERIODO VOLUME Share Volume Share Valor Share Gôndola Relação de Preço

1999.II 1.222 49,923 52,928 40,750 1,0602

1999.III 1.331 49,886 52,539 40,406 1,0532

1999.IV 1.358 49,682 52,207 39,464 1,0508

2000.I 1.378 49,309 52,213 38,560 1,0589

2000.II 1.283 48,213 52,202 35,350 1,0827

2000.III 1.183 46,734 51,797 36,054 1,1083

2000.IV 1.221 46,889 51,865 35,216 1,1061

2001.I 1.268 47,605 52,197 35,809 1,0965

2001.II 1.408 48,941 52,977 34,800 1,0825

2001.III 1.416 47,813 52,908 34,061 1,1066

2001.IV 1.348 47,390 52,805 34,185 1,1143

2002.I 1.267 46,971 53,308 33,029 1,1349

2002.II 1.246 46,545 53,816 34,735 1,1562

2002.III 1.321 46,028 53,632 36,197 1,1652

2002.IV 1.327 45,174 53,321 36,943 1,1803

2003.I 1.390 44,225 52,909 37,721 1,1964

2003.II 1.288 45,281 54,102 38,189 1,1948

2003.III 1.269 45,309 53,803 37,725 1,1875

2003.IV 1.306 46,814 55,232 38,260 1,1798

Unidades Toneladas % % %

Fonte Empresa ACNIELSEN ACNIELSEN ACNIELSEN

Modelos causais:

Demand

Modeling

Long-Term

Forecasting

Operational

Forecasting

New Product


Performance New Product

Forecasting

Identificação de

Oportunidades

Definição do

conceito e teste

Segmentação de mercado

Posicionamento de novas ofertas

Mensurar a Importância dos atributos

Definição da composição dos atributos

Desenvolv. do

produto

Teste de

mercado

Teste de produto

Pesquisa de preço

Produção e

comercialização

Análise do

negócio

Potencial de mercado

Previsão de vendas

0

1000

2000

3000

4000

5000

6000

0 5 10 15 20 25 30

Ve

nd

as (

un

idad

es)

Períodos Após o Lançamento

Combinações:

• Tamanho

• Celular(S/N)

• Viva voz

• Extended

Battery

• Wireless

Internet

• Preço


Demand Planning:

Demand

Modeling

Long-Term

Forecasting

Operational

Forecasting

New Product


Performance

Padrão de difusão: Identificar itens similares

Projeto: Criar perfis de venda dos produtos e associar a seus atributos

Teste de mercado: Definir mercados para realização de testes

Generalizar as previsões dos testes de mercado

Monitorar a performance das previsões e fazer ajustes (novas informações)

New Product

Forecasting

Desafios em previsão de produtos novos:

Identificar os principais determinantes que afetaram a

difusão de um novo produto / tecnologia ao longo do tempo

Considerar o ciclo de vida do produto / tecnologia

Permitir realizar previsões com poucos ou nenhum dado

Vendas (

un)

Tempo (t)

Fase embrionária: conhecimento da

tecnologia e do potencial de mercado é

pequeno (risco, retorno)

Fase de crescimento

Fase da maturidade

Fase da queda

Modelos de Difusão de Produtos novos:

População

(tamanho fixo)

Imitadores

Timing de

compra dos

Inovadores

Padrão de Vendas de

Produtos Novos

Inovadores

influênciam

os Imitadores

Inovadores

Timing de

compra dos

Imitadores

Tempo

Tamanho fixo

Da População

Vendas Acumuladas

do Produto

O modelo de Bass:

É o modelo mais utilizado em difusão

11

11

tt

ttt Smm

SqSmpSS

em que:

St = unidades vendidas / participação de mercado, até o período t

m = potencial de mercado / penetração de mercado

p = coeficiente de inovação

q = coeficiente de imitação

St = p Potenciais + q Adotadores (Restante) Potentiais (Restante)

Efeito de Inovação Efeito de Imitação

MODELO DE BASS (m=100)

0

10

20

30

40

50

60

70

80

90

100

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

PERÍODO

VE

ND

AS

AC

UM

UL

AD

AS

0

1

2

3

4

5

6

7

8

9

VE

ND

AS

NO

PE

RÍO

DO

VENDAS ACUMULADAS VENDAS

imitação (q) > inovação (p)

q = 0,20 p = 0,05


0

10

20

30

40

50

60

70

80

90

100

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

PERÍODO

VE

ND

AS

AC

UM

UL

AD

AS

0

2

4

6

8

10

12

VE

ND

AS

NO

PE

RÍO

DO


imitação (q) = inovação (p)

q = 0,10 p = 0,10


0

10

20

30

40

50

60

70

80

90

100

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

PERÍODO

VE

ND

AS

AC

UM

UL

AD

AS

0

5

10

15

20

25

VE

ND

AS

NO

PE

RÍO

DO


imitação (q) < inovação (p)

q = 0,05 p = 0,20

A ordem de grandeza de p e de q definem o quão rápido se chega na saturação do mercado

O modelo de Bass:

O modelo de Bass: Alguns exemplos…

O modelo de Bass:

Estimação: por análise de regressão

t1t1t

1t1tt eSmm

SqSmpSS

t1t1t1tt eSmSm

qpSS

Vendas no

período t

1t1t1ttt

n

1t

2

t

SmSm

qpSSe.A.S

eMin.O.F

Variáveis de decisão: p, q, m

Ilustração: Difusão de Novas Tecnologias

Assuma que o uma nova tecnologia que está chegando no Brasil.

A partir do histórico de venda no mercado Norte-Americano,

pretende-se prever a difusão dessa “nova” tecnologia no Brasil.

Vendas (mil unidades)

0

500

1000

1500

2000

2500

3000

3500

4000

0 2 4 6 8 10 12

Ano t Vendas

1983 1 5

1984 2 25

1985 3 75

1986 4 280

1987 5 300

1988 6 700

1989 7 1370

1990 8 1900

1991 9 3100

1992 10 3750

O modelo de Bass: Ilustração

Potencial de mercado: 31.750.000 unidades

Pico de vendas: ~11 anos após sua introdução (1994)

Tempo para atender todo potencial: 18 anos (2001)

p = 0,061

q = 0,664

Seleção dos parâmetros por analogia:

1. Contexto no ambiente: "link" entre os participantes do mercado

2. Estrutura de mercado: monopólio, concorrência perfeita, concorrência

monopolística.

3. Comportamento do comprador: grau de complexidade, demanda

mudanças significativas na forma de fazer ?

4. Estratégia de marketing-mix: natureza e efeitos dos esforços de

promoção, canais de comunicação utilizados

5. Características de inovação: benefícios são observáveis? Alta vantagem

em relação aos produtos existentes? Grau de compatibilidade (em

relação ao que existe)

OBS: Diferenciar a seleção para produtos (ex: Ipad, Xbox One) e mercados (ex: Tablet, Jogos)

Seleção dos parâmetros por analogia:

Entradas do modelo:

Saídas do modelo: vendas por período e períodos até a

saturação do mercado

Modelos de previsão de captura de mercado:

Os modelos de difusão geram previsões agregadas (não

consideram os fatores de captura de mercado)

Alternativa:

Ações de Marketing

(Entradas)

Ações dos Competidores

Market

Response

Model

Condições do Ambiente

Objetivos

Atributos do Produto

Preço

Publicidade

Esforços de Venda

etc.

Nível de Preferência

Vendas

Avaliação

Modelos de previsão de captura de mercado:

Modelo de resposta de mercado:

Modelo causal (restrição: disponibilidade de dados)

Análise conjunta:

ijkijkijk

k3j2i1

ijkk3j2i1ijk

yexpyexpp:MercadodeFatia

0queem

y

yijk: nota atribuída à combinação de atributos

1i: opção i do atributos 1

⁞

1k: opção k do atributos 3

DADOS:

1. Definição dos atributos que serão testados (atributos e os

respectivos níveis):

• Tamanho

• Celular(S/N)

• Hands free

• Extended

Battery

• Wireless

Internet

• Preço

Análise conjunta (conjoint analysis) :

Combinações:

• Tamanho

• Celular(S/N)

• Hands free

• Extended

Battery

• Wireless

Internet

• Preço

2. Planejamento da coleta dos dados:

• Criação dos produtos hipotéticos


Exemplo: Um fabricante de chocolate precisa decidir qual a

combinação de atributos (tipo, centro, nuts) que seu novo

lançamento precisa ter.

Objetivo: Selecionar os atributos do chocolate que será

lançado

Tipo: dark ou milk

Centro: hard ou soft

Nuts: nuts, no nuts


Ilustração do método:

Um fabricante de veículos pretende lançar um novo produto

no segmento de sedans compactos.

Utilizaremos a análise conjunta para ajudar o fabricante.

Atributos: marca (Volkswagen, Fiat, Chevrolet e Renault),

preço + itens de série (A: R$28.000,00, B: R$33.000,00, C:

R$38.000,00), potência / economia (75CV / 10km/l, 105CV /

8km/l), volume do porta-malas (350l, 425l, 500l).

A: carro básico

B: A + trio elétrico e ar-condicionado

C: B + câmbio automatizado + itens “tecnológicos” (sensores,…)


Ilustração do método:

Coleta dos dados:

Análise dos dados…

MARCA Preço (R$) Porta-malas(l) Potência (CV) PREFERÊNCIA NOTA (0 a 10)

Fiat 33.000 500 105

Renault 38.000 500 105

Ford 38.000 350 105

Chevrolet 38.000 425 75

VW 38.000 350 75

Fiat 28.000 425 105

Ford 28.000 500 75

VW 33.000 425 105

Chevrolet 28.000 350 105

Renault 33.000 350 75


Demand Planning:

Demand

Modeling

Long-Term

Forecasting

Operational

Forecasting

New Product


Performance

Forecast

Performance

Monitorar a performance das previsões

Gerenciar os dados para suportar a criação dos modelos

Aquisição de conhecimento para melhorar o processo de modelagem

da demanda

OBSERVAÇÃO

Este material refere-se às notas de aula do curso

MB-756 (Pesquisa Operacional Aplicada à

Produção) do Instituto Tecnológico de Aeronáutica

(ITA). Não substitui o livro texto, as referências

recomendadas e nem as aulas expositivas. Este

material não pode ser reproduzido sem autorização

prévia do autor. Quando autorizado, seu uso é

exclusivo para atividades de ensino e pesquisa em

instituições sem fins lucrativos.

Documents

MB 756 PESQUISA OPERACIONAL APLICADA À PRODUÇÃOrodrigo/Disciplinas/MB756/S02.pdf · Abordagens de pesquisa operacional para suportar o processo decisório: 2.1. Modelos de Previsão