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