Módulo 3
Previsão e Estimação da Demanda
Conteúdo Programático
MÓDULO 3: Previsão e Estimação da Demanda
3.1 Gestão da Demanda em Ambientes de PPCP
3.2 As Interfaces com o Sistema de PPCP
3.3 Padrões de Demanda
3.4 Tipos de Previsão e Componentes da Demanda
3.5 Projeto do Sistema de Previsão
3.5 Métodos e Técnicas de Previsão
3.6 Ferramentas Tecnológicas para a Previsão da Demanda
3.7 Impacto Estratégico da Previsão da Demanda
3.1 Gestão da Demanda em Ambientes de PPCP
Gestão da Demanda
Alinhamento
Estratégia Global
Ambientes de Produção
Necessidades dos Clientes
Ponto de Desacoplamento
Ponto de Entrada
Vollmann et al (2006)
3.1 Gestão da Demanda em Ambientes de PPCP
Ponto de Desacoplamento
O ponto em que a demanda muda de independente para dependente
Ponto de Entrada
O cliente tem prioridade de escolha sobre os requisitos da produção
Vollmann et al (2006)
3.1 Gestão da Demanda em Ambientes de PPCP
Demanda Dependente
O consumo futuro dos itens pode ser calculado com base em fatores
sob controle da operação
Demanda Independente
É aquela que depende das condições de mercado, fora do controle
imediato da empresa
Vollmann et al (2006)
3.1 Gestão da Demanda em Ambientes de PPCP
Make to Stock
MTS
Ambientes de Produção
O foco está na manutenção de estoques de produtos acabados
Assemble to Order
ATO
Combinação de um número de componentes para atender as
especificações dos clientes em termos de montagem de suas opções
Make to Order
MTO
Fabricação de produtos para clientes a partir de matérias-primas, peças
e componentes
Vollmann et al (2006)
3.1 Gestão da Demanda em Ambientes de PPCP
Engineer to Order
Ambientes de Produção
MTS
Projeto realizado em conjunto com o cliente para configurar o produto e
posteriormente produzi-lo a partir de materiais comprados, peças e
componentes
Localização dos estoques
Fornecedores
MP
WIP
Produtos Acabados
ETO
MTO
ATO
MTS
Ponto de entrada do pedido
Ambiente
Vollmann et al (2006)
3.2 As Interfaces com o Sistema de PPCP
Fronteira do PPCP
Planejamento
de Recursos
PVO
PMP
Vollmann et al (2006)
Gestão da
Demanda
Mercado
Front End
3.2 As Interfaces com o Sistema de PPCP
Previsão da demanda
PPCP
PPCP
Influência sobre o mercado
Gestão da Demanda
PPCP
Promessas de prazos
PPCP
PPCP
Comunicação com o mercado
Corrêa, Gianesi e Caon (2006)
Priorização e alocação
3.3 Padrões de Demanda
O que é uma previsão?
Prognóstico de eventos futuros, usado para propósitos de planejamento
A demanda para um bem ou produto em sua ordem de ocorrência
formam um padrão conhecido como séries temporais
Horizontais
Tendencial
Krajewski, Ritzman e Malhotra (2006)
Sazonal
Cíclico
Aleatório
3.4 Tipos de Previsão e Componentes da Demanda
Qualitativa
Análise de Séries Temporais
Relações Causais
Simulação
Chase, Jacobs e Aquilano (2006)
Tipos Básicos de Previsão
3.4 Tipos de Previsão e Componentes da Demanda
Demanda Média do Período
Componentes da Demanda
Tendência
Elemento Sazonal
Elementos Cíclicos
Auto-correlação
Variação Aleatória
Chase, Jacobs e Aquilano (2006)
3.5 Projeto do Sistema de Previsão
Decidindo o que deve ser previsto
Nível de Agregação
Unidades de Medida
Decidindo o tipo de técnica de previsão
Decidindo que tipo de software usar
Krajewski, Ritzman e Malhotra (2009)
3.5 Projeto do Sistema de Previsão
Decidindo o que deve ser previsto
Nível de Agregação
Previsão para o agrupamento de vários serviços ou produtos
semelhantes
Famílias de bens e/ou serviços
Previsão em Dois Níveis
Produtos Individuais
SKU
Krajewski, Ritzman e Malhotra (2009)
3.5 Projeto do Sistema de Previsão
Decidindo o que deve ser previsto
Unidades de Medida
As previsões mais úteis para planejar e analisar problemas de
operações começam com unidades de serviço ou bem
Dificuldades na previsão do número de unidades de demanda
Facilidade na previsão do padrão dos recursos críticos
Krajewski, Ritzman e Malhotra (2009)
3.5 Projeto do Sistema de Previsão
Decidindo o tipo de técnica de previsão
Métodos de Avaliação Qualitativos
Métodos de Avaliação Quantitativos
Análise de Séries Temporais
Métodos Causais
Krajewski, Ritzman e Malhotra (2009)
3.5 Projeto do Sistema de Previsão
Decidindo o tipo de técnica de previsão
Aplicação
CP (0 – 3 meses)
MP (3 meses – 2 anos)
LP (+ 2 anos)
Quantidade Prevista
• Produtos
Individuais
• Vendas Totais
• Grupos ou famílias
• Vendas Totais
Área de Decisão
• Estoques
• Montagem final
• Força de trabalho
• PMP
• Pessoas
• Produção
• PMP
• Compra
• Distribuição
• Localização
• Capacidade
• Processo
Tipo de Previsão
• Séries Temporais
• Causal
• Avaliação
• Causal
• Avaliação
• Causal
• Avaliação
Krajewski, Ritzman e Malhotra (2009)
3.5 Projeto do Sistema de Previsão
Decidindo que tipo de software usar
Manugistics
Forecast Pro
SAS
www.lionhrtpub.com/orms/surveys/FSS/fss-fr
www.morris.wharton.upenn.edu/forecast/software
Collaborative Planning, Forecasting and Replenishment
CPFR
Krajewski, Ritzman e Malhotra (2009)
3.5 Métodos e Técnicas de Previsão
Qualitativo
Subjetivo, arbitrário e baseado em estimativas e opiniões.
Usado especialmente quando os dados históricos da empresa não são
confiáveis, não permitindo projeções com o grau de segurança
desejável
Análise de Séries Temporais
Baseia-se na idéia de que a história dos acontecimentos ao longo do
tempo pode ser usada para prever o futuro.
Chase, Jacobs e Aquilano (2006)
3.5 Métodos e Técnicas de Previsão
Causal
Tenta compreender o sistema subjacente e que permeia o item sendo
previsto.
Modelos de Simulação
Modelos dinâmicos, geralmente informatizados, que permitem ao
elaborador da previsão fazer suposições sobre as variáveis internas e
ambiente externo no modelo.
Chase, Jacobs e Aquilano (2006)
3.5 Métodos e Técnicas de Previsão
Chase, Jacobs e Aquilano (2006)
Qualitativo
Grass Roots
Júri de Executivos
Pesquisa de Mercado
Analogia Histórica
Painel de Consenso
Método Delphi
Análise de Séries Temporais
Média Móvel Simples
Análise de Regressão
Média Móvel Ponderada
Box Jenkins
Suavizamento Exponencial
Séries Temporais de Shiskin
Projeções de Tendência
3.5 Métodos e Técnicas de Previsão
Causal
Análise de Regressão
Modelos Econométricos
Modelos de Input/Output
Indicadores de Orientação
Chase, Jacobs e Aquilano (2006)
3.5 Métodos e Técnicas de Previsão
Qualitativo
Grass Roots
Produz uma previsão reunindo informações daqueles ao final da
hierarquia que lidam com o que está sendo previsto
Pesquisa de Mercado
Reúne dados de diversas maneiras para testar hipóteses sobre o
mercado. É geralmente usada para realizar previsões de longo prazo e
de venda de novos produtos, pontos fortes e fracos dos produtos,
produtos concorrentes.
Painel de Consenso
Intercâmbio aberto de idéias em reuniões. A idéia é que a discussão
realizada em grupo produza previsões melhores que individualmente.
Chase, Jacobs e Aquilano (2006)
3.5 Métodos e Técnicas de Previsão
Júri de Executivos
Qualitativo
Krajewski, Ritzman e Malhotra (2009)
Opiniões, experiências e conhecimentos técnicos de um ou mais
executivos são resumidos para se chegar a uma única previsão
Analogia Histórica
Conecta o que está sendo previsto a um item semelhante. Importante
no planejamento de novos produtos em que a previsão pode ser gerada
utilizando-se o histórico de um produto semelhante.
Método Delphi
Um grupo de especialistas responde a um questionário. Um moderador
reúne os resultados e formula um novo questionário que é encaminhado
ao grupo. Assim, há um processo de aprendizagem de grupo à medida
que ele recebe novas informações , e não há influência da pressão do
grupo ou de indivíduos com perfil mais dominante.
3.5 Métodos e Técnicas de Previsão
Qualitativo
Método Delphi
a) Escolher os especialistas que vão participar
b) Obter as previsões por meio de um questionário dos participantes
c) Resumir os resultados e redistribuí-los aos participantes com novas
questões
d) Fazer um novo resumo, refinando as previsões e condições e,
novamente, desenvolver as questões
e) Repetir a etapa (d) se necessário
f) Distribuir os resultados finais a todos os participantes
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
O modelo de previsão a ser escolhido depende dos seguintes fatores:
Horizonte de tempo a ser previsto
Disponibilidade de dados
Exatidão necessária
Volume do orçamento da previsão
Disponibilidade de pessoal qualificado
Reflexo de uma previsão inadequada
Grau de flexibilidade de uma empresa
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Média Móvel
Previsão baseada na média das últimas demandas registradas pela
empresa, durante determinado período fixado pela organização. A cada
nova demanda, a média é recalculada substituindo o dado mais antigo
pelo dado mais recente
Quando a demanda não aumenta ou diminui rapidamente
Não apresenta características sazonais
Baseada em dados históricos para prever o período subseqüente
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Média Móvel Simples
Ft
=
A t-1 + A t-2 + A t-3 + ... + A t-n
n
Ft = Previsão do Período que está por vir
n = Número de períodos a ter a média calculada
A t-1 = Ocorrência real no período anterior
A t-2, A t-3, e A t-n = Ocorrências reais de dois, três e “n” períodos anteriores
3.5 Métodos e Técnicas de Previsão
Média Móvel Simples
Análise de Séries Temporais
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Média Móvel Ponderada
Permite que qualquer peso seja colocado em cada elemento, desde
que a soma de todos os pesos seja 01 (um).
Ft
Mês 1
Mês 2
Mês 3
Mês 4
Mês 5
100
90
105
95
?
0,10
0,20
0,30
0,40
= 0,40 (95) + 0,30 (105) + 0,20 (90) + 0,10 (100)
= 38 + 31,5 + 18 + 10
= 97,5
n
∑Wi=1
n-1
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Média Móvel Ponderada
Ft = W1 A t-1 + W2 A t-1 + ... + W n A t-n
W1 = Peso a ser atribuído à ocorrência do período t-1
W2 = Peso a ser atribuído à ocorrência do período t-2
W n = Peso a ser atribuído à ocorrência do período t-n
n = Número total de períodos na previsão
Mês 1
Mês 2
Mês 3
Mês 4
Mês 5
Mês 6
100
90
105
95
110
?
0,10
0,20
0,30
0,40
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Suavizamento Exponencial
Valores de dados recentes são ponderados mais com o peso declinado
exponencialmente à medida que os dados se tornam mais antigos
Os modelo exponenciais são mais exatos
Facilidades
A formulação de um modelo exponencial é relativamente fácil
O usuário consegue entender como o modelo funciona
O modelo não requer muitos cálculos para ser usado
As especificações de capacidade de armazenagem dos PC’s são baixas
Testes fáceis de exatidão para verificar o desempenho do modelo
3.5 Métodos e Técnicas de Previsão
Suavizamento Exponencial
Análise de Séries Temporais
Peso em α = 0,05
Peso mais recente = α (1 – α) 0
0,0500
Dado de um período mais antigo = α (1 – α) 1
0,0475
Dado de um período mais antigo = α (1 – α) 2
0,0451
Dado de um período mais antigo = α (1 – α) 3
0,0429
A previsão mais recente
Demanda Real ocorrida nesse período
Constante de Suavizamento (α)
Dados Necessários
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Suavizamento Exponencial
Ft = F t-1 + α (A t-1 – F t-1)
Ft
= Previsão exponencial suavizada para o período t
F t-1 = Previsão exponencial suavizada para o período anterior
A t-1 = Demanda Real no período anterior
α
= Índice de Resposta desejado ou constante de suavizamento
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Suavizamento Exponencial
Suponha que a previsão do mês passado (F t-1) tenha sido de 1.050
unidades. Se 1.000 unidades foram de fato demandadas, qual seria a
previsão deste mês, considerando um α de 0,05.
Ft = F t-1 + α (A t-1 – F t-1)
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Suavizamento Exponencial
Efeitos de Tendência no Suavizamento Exponencial
Constante de Suavizamento α
FIT t = F t + T t
Constante de Suavizamento δ
Ft = FIT t-1 + α (A t-1 – FIT t-1)
FIT - Forecast Including Trend
T t = T t-1 + δ (F t – FIT t-1)
Ft
= Previsão exponencial suavizada para o período t
Tt
= Tendência exponencial suavizada para o período t
FIT t = Previsão incluindo tendência para o período t
FIT t-1 = Previsão incluindo tendência realizada para o anterior
A t-1 = Demanda Real do período anterior
α = Constante de Suavizamento
δ = Constante de Suavizamento
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Suavizamento Exponencial
Suponha um F t inicial de 100 unidades, uma tendência de 10 unidades,
um alfa de 0,20 e um delta de 0,30. Se a demanda real acabar sendo de
115 em vez das previstas 100, calcule a previsão do próximo período.
FIT t = F t + T t
Ft = FIT t-1 + α (A t-1 – FIT t-1)
T t = T t-1 + δ (F t – FIT t-1)
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Suavizamento Exponencial
Determinando o valor adequado de Alfa
Dois ou mais valores predeterminados de Alfa
Valores calculados de Alfa
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Suavizamento Exponencial
Erros de Previsão
Origens do Erro
Medidas de Erro
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Suavizamento Exponencial
Erros de Previsão
Origens do Erro
Projeção de Tendências passadas no futuro
Erros de Viés
Erros Aleatórios
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Suavizamento Exponencial
Erros de Previsão
Medidas de Erro
DAM – Desvio Médio Absoluto
n
∑ |A t – F 1|
n-1
DAM = -------------------------n
É o erro médio nas previsões, utilizando valores absolutos. Mede a
dispersão de algum valor observado em algum valor esperado.
t
= Número de Período
A = Demanda Real do Período
F
= Demanda prevista para o período
n
= Número total de períodos
| | = Símbolo para indicar o valor absoluto
Erros Distribuídos
1 Desvio-Padrão = √π/2 x DAM
1 DAM = 0,8 Desvio-Padrão
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Suavizamento Exponencial
Erros de Previsão
Medidas de Erro
RSFE
Sinal de Rastreabilidade
TS = -----------------DAM
É a medida que indica se a média da previsão está acompanhando
Mudanças reais na demanda para cima ou para baixo
RSFE = Soma sucessiva de erros de previsão considerando-se a
natureza do erro
DAM
= Média de todos os erros de previsão. É a média dos desvios
absolutos
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Suavizamento Exponencial
Erros de Previsão
Mês
PD
Real
1
1.000
950
2
1.000
1.070
3
1.000
1.100
4
1.000
960
5
1.000
1.090
6
1.000
1.050
Desvio
RSFE
DA
Soma DA
DAM
TS
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Suavizamento Exponencial
Erros de Previsão
Mês
PD
1
1.000
2
Real
Desvio
RSFE
950
-50
-50
1.000
1.070
+70
3
1.000
1.100
4
1.000
5
6
DA
Soma DA
DAM
TS
50
50
50
-1
+20
70
120
60
0,33
+100
+120
100
220
73,3
1,64
960
-40
+80
40
260
65
1,2
1.000
1.090
+90
+170
90
350
70
2,4
1.000
1.050
+50
+220
50
400
66,7
3,3
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Suavizamento Exponencial
Erros de Previsão
4
3.5
3
2.5
2
1.5
1
0.5
0
-0.5 0
-1
-1.5
Representação Gráfica dos TS
Real excede a
previsão
2
4
6
8
Real é inferior
a previsão
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Suavizamento Exponencial
Erros de Previsão
Muitas vezes o DAM é usado para prever erros
DAM t = α |A t-1 – F t-1| + (1- α) DAM t-1
DAM t = DAM previsto para o período t
α
= Constante de Suavizamento (entre 0,05 a 0,20)
A t-1
= Demanda real no período t-1
F t-1
= Demanda prevista para período t-1
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Análise de Regressão Linear
Apresenta uma linha reta geralmente relacionando os valores de
dados com o tempo. Os mínimos quadrados são a técnica mais
comum utilizada.
O termo regressão pode ser definido como uma relação funcional
entre duas ou mais variáveis correlacionadas. Usado para prever
uma variável a partir de outra.
A regressão linear se refere à categoria especial de regressão em
que a relação entre as variáveis forma uma linha reta.
Existe uma reta que se ajusta à evolução da demanda, num registro
gráfico ao longo do tempo. Esta tendência pode ser de evolução
crescente, decrescente ou estável que não se altera com o tempo
3.5 Métodos e Técnicas de Previsão
Análise de Regressão Linear
Y=a+bX
X = Período
Variável independente
Y = Demanda
Variável dependente
a = Tendência
Intercepto de Y
b = Declive da linha
Coeficiente Angular
Análise de Séries Temporais
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Análise de Regressão Linear
Trimestre
Vendas
1
600
2
1.550
3
1.500
4
1.500
5
2.400
6
3.100
7
2.600
8
2.900
9
3.800
10
4.500
11
4.000
12
4.900
3.5 Métodos e Técnicas de Previsão
Análise de Regressão Linear
Análise de Séries Temporais
3.5 Métodos e Técnicas de Previsão
Análise de Regressão Linear
Análise de Séries Temporais
O Método dos Mínimos Quadrados
O método dos mínimos quadrados tenta ajustar a linha aos dados
que minimize a soma doas quadrados da distância vertical entre
cada ponto de dados e seu ponto correspondente na linha. A melhor
linha a ser usada é aquela que minimiza esse total. Assim:
(y1 – Y1)² + (y2 – Y2)² + (y3 – Y3)² + ... + (y12 – Y12)²
Y=a+bX
a=y-bx
3.5 Métodos e Técnicas de Previsão
Análise de Regressão Linear
Análise de Séries Temporais
O Método dos Mínimos Quadrados
a = Intercepto de Y
b = Declive da Linha
y = Média de todos os Y
b=
∑ x . y - nx . y
∑ x² - nx ²
x = Média de todos os X
x = Valor “x” em cada ponto de dados
y = Valor “y” em cada ponto de dados
n = Número de pontos de dados
Y = Valor da variável dependente calculado com a equação de regressão
3.5 Métodos e Técnicas de Previsão
Análise de Regressão Linear
xy
x²
Análise de Séries Temporais
O Método dos Mínimos Quadrados
x
y
y²
Y
1
600
600
1
360.000
2
1.550
3.100
4
2.402.500
1.160,9
3
1.500
4.500
9
2.250.000
1.520,5
4
1.500
6.000
16
2.250.000
1.880,1
5
2.400
12.000
25
5.760.000
2.239,7
6
3.100
18.600
36
9.610.000
2.599,4
7
2.600
18.200
49
6.760.000
2.959,0
8
2.900
23.200
64
8.410.000
3.318,6
9
3.800
34.200
81
14.440.000
3.678,2
10
4.500
45.000
100
20.250.000
4.037,8
11
4.000
44.000
121
16.000.000
4.397,4
12
4.900
58.800
144
24.010.000
3.757,1
78
33.350
268.200
650
112.502.500
801,3
x = 6,5
y = 2.779,17
b = 359,6153
a = 441,6666
Y = 441,66 + 359,6 . x
3.5 Métodos e Técnicas de Previsão
Análise de Regressão Linear
Análise de Séries Temporais
O Método dos Mínimos Quadrados
Y 13 = 441,66 + 359,6 (13) = 5.116,4
Erro-Padrão
Y 14 = 441,66 + 359,6 (14) = 5.476,0
Y 15 = 441,66 + 359,6 (15) = 5.835,6
Y 16 = 441,66 + 359,6 (16) = 6.195,2
S yx =
n-2
(600-801,3)² + (1.550-1.160,0)² + (1.500-1.520,5)² +...+ (4.900-3.757,1) ²
10
S yx = 363,9
S yx =
∑n i = 1 (y1 – Y1) ²
3.5 Métodos e Técnicas de Previsão
Guia de escolha do método
Método
Quantidade de
Dados
Padrão dos Dados
Horizonte
Média Móvel Simples
6 a 12 meses
Dados Estacionários
Curto a Médio
Média Móvel Ponderada
e Suavizamento Simples
5 a 10
observações
Dados Estacionários
Curto
Suavizamento com
Tendência
5 a 10
observações
Dados Estacionários
com Tendência
Curto
10 a 20
observações
Dados sazonais,
estacionários,
tendência e
sazonalidade
Curto a Médio
Regressão Linear
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Decomposição de uma Série Temporal
Uma série temporal representa dados organizados cronologicamente
que podem conter um ou mais componentes da demanda
A decomposição de uma série temporal significa identificar e separar
os dados das séries temporais nesses componentes, no sentido de se
facilitar a identificação, por exemplo de um componente sazonal
Tipos de Variação Sazonal
Variação Sazonal Aditiva
Variação Sazonal Multiplicativa
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Decomposição de uma Série Temporal
Variação Sazonal Aditiva
Supõe que o valor sazonal seja uma constante, independente de qual
seja o valor de tendência ou de média.
Previsão Incluindo Tendência e Sazonal = Tendência + Sazonal
Variação Sazonal Multiplicativa
A tendência é multiplicada por fatores sazonais
Previsão Incluindo Tendência e Sazonal = Tendência x Sazonal
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Decomposição de uma Série Temporal
Fator Sazonal
Um fator sazonal é a quantidade de correção necessária em uma série
temporal para o ajuste à estação do ano
Sazonal
Cíclico
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Decomposição de uma Série Temporal
Fator Sazonal
Suponha que, nos últimos anos, uma empresa vendeu uma média de
1.000 unidades de determinada linha de produtos em cada ano. Em
média, 200 unidades foram vendidas na primavera, 350 no verão, 300
no outono e 150 no inverno.
Quantidade do Período
FS = ----------------------------------------Média de Todos os Períodos
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Decomposição de uma Série Temporal
Fator Sazonal
Período
Vendas
Primavera
200
Verão
350
Outono
300
Inverno
150
Total
Vendas Médias
FS
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Decomposição de uma Série Temporal
Fator Sazonal
Período
Vendas
Vendas Médias
FS
Primavera
200
250
200/250 = 0,8
Verão
350
250
350/250 = 1,4
Outono
300
250
300/250 = 1,2
Inverno
150
250
150/250 = 0,6
Total
1.000
Usando esses fatores, se esperássemos que a demanda do próximo
ano fosse 1.100, qual seria a demanda prevista?
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Decomposição de uma Série Temporal
Fator Sazonal
Período
Demanda Esperada
Primavera
Verão
Outono
Inverno
Total
1.100
Vendas Médias
FS
Previsão
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Decomposição de uma Série Temporal
Fator Sazonal
Período
Vendas Médias
FS
Previsão
Primavera
275
0,8
220
Verão
275
1,4
385
Outono
275
1,2
330
Inverno
275
0,6
165
Total
Demanda Esperada
1.100
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Decomposição de uma Série Temporal
Fator Sazonal
Usando o fator sazonal e de tendência calcule o FITS para 2006
Forecast Including Trend and Seasonal Factors
Trimestre
Ano
Vendas
1
2004
300
2
2004
200
3
2004
220
4
2004
530
1
2005
520
2
2005
420
3
2005
400
4
2005
700
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Decomposição de uma Série Temporal
Fator Sazonal
Trimestre
Ano
Vendas
Pela Equação
Razão
1
2004
300
225
1,33
2
2004
200
280
0,71
3
2004
220
335
0,66
4
2004
530
390
1,36
1
2005
520
445
1,17
2
2005
420
500
0,84
3
2005
400
555
0,72
4
2005
700
610
1,15
FS
1,25
0,78
0,69
1,26
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Decomposição de uma Série Temporal
Fator Sazonal
Trimestre
Ano
FITS t= Tendência x Sazonal
Vendas
FITS
Cálculo
FITS
1 2006
300
9
[176 + 52 (9)] x 1,25
805
2 2006
200
10
[176 + 52 (10)] x 0,78
542
3 2006
220
11
[176 + 52 (11)] x 0,69
516
4 2006
530
12
[176 + 52 (12)] x 1,26
1.008
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Decomposição de uma Série Temporal
Decomposição usando a Regressão dos Mínimos Quadrados
a) Decompor a série temporal em seus componentes
• Encontrar o componente sazonal
• Dessazonalizar a demanda
b) Prever os valores futuros de cada componente
• Projetar o componente de tendência no futuro
• Multiplicar o componente de tendência pelo componente sazonal
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Decomposição de uma Série Temporal
Período
Trimestre
Demanda
1
I
600
2
II
1.550
3
III
1.500
4
IV
1.500
5
I
2.400
6
II
3.100
7
III
2.600
8
IV
2.900
9
I
3.800
10
II
4.500
11
III
4.000
12
IV
4.900
Média dos Tri
FS
DD
X²
X . Yd
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Decomposição de uma Série Temporal
Período
Trimestre
Demanda
1
I
600
2
II
1.550
3
III
1.500
4
IV
1.500
5
I
2.400
6
II
3.100
7
III
2.600
8
IV
2.900
9
I
3.800
10
II
4.500
11
III
4.000
12
IV
4.900
78
33.350
Média dos Tri
FS
DD
X²
X . Yd
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Decomposição de uma Série Temporal
Período
Trimestre
Demanda
Média dos Tri
1
I
600
2
II
1.550
3.050
3
III
1.500
2.700
4
IV
1.500
3.100
5
I
2.400
6
II
3.100
7
III
2.600
8
IV
2.900
9
I
3.800
10
II
4.500
11
III
4.000
12
IV
4.900
78
33.350
2.266,7
FS
DD
X²
X . Yd
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Decomposição de uma Série Temporal
Período
Trimestre
Demanda
Média dos Tri
FS
2.266,7
0,82
1
I
600
2
II
1.550
3.050
1,10
3
III
1.500
2.700
0,97
4
IV
1.500
3.100
1,12
5
I
2.400
0,82
6
II
3.100
1,10
7
III
2.600
0,97
8
IV
2.900
1,12
9
I
3.800
0,82
10
II
4.500
1,10
11
III
4.000
0,97
12
IV
4.900
1,12
33.350
12,03
78
DD
X²
X . Yd
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Decomposição de uma Série Temporal
Período
Trimestre
Demanda
Média dos Tri
FS
DD
2.266,7
0,82
731,70
1
I
600
2
II
1.550
3.050
1,10
1.409,10
3
III
1.500
2.700
0,97
1.546,39
4
IV
1.500
3.100
1,12
1.339,28
5
I
2.400
0,82
2.926,83
6
II
3.100
1,10
2.818,18
7
III
2.600
0,97
2.680,41
8
IV
2.900
1,12
2.589,29
9
I
3.800
0,82
4.634,15
10
II
4.500
1,10
4.090,9
11
III
4.000
0,97
4.123,71
12
IV
4.900
1,12
4.375,00
33.350
12,03
33.264,94
78
X²
X . Yd
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Decomposição de uma Série Temporal
Período
Trimestre
Demanda
Média dos Tri
FS
DD
X²
2.266,7
0,82
731,70
1
1
I
600
2
II
1.550
3.050
1,10
1.409,10
4
3
III
1.500
2.700
0,97
1.546,39
9
4
IV
1.500
3.100
1,12
1.339,28
16
5
I
2.400
0,82
2.926,83
25
6
II
3.100
1,10
2.818,18
36
7
III
2.600
0,97
2.680,41
49
8
IV
2.900
1,12
2.589,29
64
9
I
3.800
0,82
4.634,15
81
10
II
4.500
1,10
4.090,9
100
11
III
4.000
0,97
4.123,71
121
12
IV
4.900
1,12
4.375,00
144
33.350
12,03
33.264,94
650
78
X . Yd
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Decomposição de uma Série Temporal
Período
Trimestre
Demanda
Média dos Tri
FS
DD
X²
X . Yd
2.266,7
0,82
731,70
1
731,70
1
I
600
2
II
1.550
3.050
1,10
1.409,10
4
2.818,20
3
III
1.500
2.700
0,97
1.546,39
9
4.639,17
4
IV
1.500
3.100
1,12
1.339,28
16
5.357,12
5
I
2.400
0,82
2.926,83
25
14.634,15
6
II
3.100
1,10
2.818,18
36
16.909,08
7
III
2.600
0,97
2.680,41
49
18.762,87
8
IV
2.900
1,12
2.589,29
64
20.714,32
9
I
3.800
0,82
4.634,15
81
41.707,35
10
II
4.500
1,10
4.090,9
100
40.909,00
11
III
4.000
0,97
4.123,71
121
45.360,81
12
IV
4.900
1,12
4.375,00
144
52.500,00
33.350
12,03
33.264,94
650
78
265.043,77
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Decomposição de uma Série Temporal
Decomposição usando a Regressão dos Mínimos Quadrados
X = 78/12 = 6,5
a = Yd - b . X
Yd = 33.350 / 12 = 2.770,80
a = 2.770,8 – 342,1 (6,5) = 547,15
Y = a + b . X = 547,15 + 342,1 . x
b=
∑ X . Yd - nX . Yd
∑ X² - nX ²
b=
265.043,77 - 12 (6,5) . 2.770,8
650 – 12 (6,5)²
b = 342,1
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Decomposição de uma Série Temporal
Previsão da Demanda para os quatro trimestres do quarto ano
Etapa 1: Determinar o FS
FS = (33.350/12) = 2.770,8
Etapa 2: Dessazonalizar os dados originais
Dados Originais/FS
Etapa 3: Criar uma linha de regressão de mínimos quadrados para os DD
Y = a + b . x | Y = 547,15 + 342,1 . x
Etapa 4: Projetar a linha de regressão através do período a ser previsto
Y13 = 547,15 + (342,1 . 13)
Etapa 4: Projetar a linha de regressão através do período a ser previsto
Previsão 13 = 547,15 + (342,1 . 13) x FS
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Decomposição de uma Série Temporal
Decomposição usando a Regressão dos Mínimos Quadrados
Período
Trimestre
Y da linha de Regressão
FS
Previsão
13
1
4.994,45
0,82
4.095,45
14
2
5.336,90
1,10
5.870,59
15
3
5.679,00
0,97
5.508,63
16
4
6.020,75
1,12
6.743,24
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Decomposição de uma Série Temporal
Intervalo de Erro
Quando uma linha reta é traçada pelos pontos de dados e então usada
para fazer a previsão, os erros podem surgir a partir de duas origens:
Erros de Desvio-Padrão
Intervalo
de Previsão
Erros de Plotagem da Linha
Intervalo
de Previsão
Demanda
Passado
Presente
Tempo
Futuro
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Previsão de Relação Causal
Para que seja válida para finalidade de previsão, qualquer variável
independente deve ser um indicador de direção. Há uma relação
causal, em que um evento resulta em outro. Se o elemento causal for
conhecido com bastante antecedência, ele pode ser usado como base
para a previsão.
Identificação dos eventos
A Carpet City, em Carpentaria, manteve um registro de suas vendas
(em jardas quadradas) de cada ano, juntamente com o número de
licenças para a construção de novas casas na região. O gerente de
operações da Carpet City acha que a previsão de vendas é possível,
se a loja souber qual é o número de obras esperado para o anos.
Os dados estão representados na figura.
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Previsão de Relação Causal
X = Número de Licenças de Obras
Y = Vendas de Carpete
Ano
Licenças
Vendas
1997
18
13.000
1998
15
12.000
1999
12
11.000
2000
10
10.000
2001
20
14.000
2002
28
16.000
2003
35
19.000
2004
30
17.000
2005
20
13.000
3.5 Métodos e Técnicas de Previsão
Previsão de Relação Causal
Análise de Séries Temporais
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Previsão de Relação Causal
Suponha que existam 25 licenças de construção em 2006. Qual a
previsão de vendas para 2006.
Y 2006 = 6.698 + 344 (25) = 15.298
3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais
Análise de Regressão Múltipla
A elaboração de regressão múltipla é adequada quando diversos
fatores influenciam uma variável de interesse
S = B + Bm (M) + Bh (H) + Bi (I) + Bt (T)
S = Vendas Brutas no ano
B = Vendas base, ponto inicial a partir do qual outros fatores exercem influência
M = Casamentos durante o ano
H = Construções de casas durante o ano
I = Renda pessoal anual disponível
T = Tendência do tempo (1° ano = 1, 2° ano = 2, 3° ano = 3, ...)
3.6 Ferramentas Tecnológicas para a Previsão da Demanda
3.6 Ferramentas Tecnológicas para a Previsão da Demanda
3.6 Ferramentas Tecnológicas para a Previsão da Demanda
Planejamento Colaborativo de Previsão e Reposição
Nível “n”
Fornecedor
Nível 3
Fornecedor
Nível 2
Fornecedor
Nível 1
Fabricação e
Fornecedor Montagem Final
Planejamento da Produção e
Informações de Compras
Fluxo de Material
Fluxo de Informação
CPFR
Centro de
Distribuição
Informações
de Reposição
Varejista
Informações
de Previsão
3.6 Ferramentas Tecnológicas para a Previsão da Demanda
Planejamento Colaborativo de Previsão e Reposição
Etapas
a) Criação de um acordo de parceria desde a fase inicial
b) Planejamento comercial conjunto
c) Desenvolvimento de previsões de demanda
d) Compartilhamento de previsões
e) Reposição de estoque
3.7 Impacto Estratégico da Previsão da Demanda
As previsões estão diretamente relacionadas à qualidade das decisões
tomadas
Decisões mais estratégicas são as que têm mais inércia
Em curto prazo, previsões adequadas podem refletir em uma maior
aumento do nível de serviço em atendimento a demanda
O atendimento da demanda impacta na intenção de recompra dos
clientes e da taxa de rentabilidade do negócio