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?


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

4

POR QUE SÃO NECESSÁRIAS?


• 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


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


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.


• 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?


9

HORIZONTES DE PREVISÃO


• 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


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


12

MÉTODOS DE PREVISÃO


• 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



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

QUANTITATIVOS

INTRÍNSECOS

14



• 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



• 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



• 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.

17

QUALITATIVOS



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


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


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.


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


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


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.

Engineering

Previsão da Demanda I