Upload
mauro-enrique
View
1.462
Download
0
Embed Size (px)
Citation preview
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.