Previsão e Gestão da
Demanda
Administração de Produção II
Prof.: André Luiz Anjos de Figueiredo, M.Sc.
1
Motivo de previsões em produção e
operações
Decisões de investimento;
Necessidade de prever recursos de pequeno,
médio e longo prazo;
Impacto nos objetivos de desempenho:
Qualidade; Custo; Atendimento (Programação
da Produção), Confiabilidade, Flexibilidade.
2
Previsão
Previsões são estimativas de como se vai
comportar o mercado demandante no futuro,
são especulações sobre o potencial de
compra do mercado;
Metas são a parcela desse potencial de
compra do mercado a que a empresa deseja
atender e pode ter um objetivo motivacional.
3
Previsão
Previsões SEMPRE estão erradas, é de sua natureza.
É uma visão obtida antes de as coisas acontecerem;
É inútil discutir sobre acertar ou errar previsões, mas
é essencial para a gestão de operações saber o
quanto se “erra” nas previsões e como se pode fazer
para reduzir este erro;
A qualidade das previsões depende de técnicas e
processos;
4
Erros freqüentes em previsões
Erro 1 das previsões: confundir previsões
com metas e, um erro subseqüente,
considerar as metas como se fossem
previsões;
Erro 2 das previsões: gastar tempo e esforço
discutido se se "acerta" ou "erra" nas
previsões, quando o mais relevante é discutir
"o quanto" se está errando e as formas de
alterar processos envolvidos, de forma a
reduzir estes "erros".
5
Erros freqüentes em previsões
Erro 3 das previsões: levar em conta, nas previsões que servirão
a apoiar decisões em operações, um número só. Previsões, para
operações, devem sempre ser consideradas com dois
"números": a previsão em si e uma estimativa do erro desta
previsão
Pela estimativa de erros passados derivam importantes decisões como:
decisão de estoque de segurança, níveis de capacidade, transporte e etc.)
Erro 4 das previsões: desistir ou não se esforçar o suficiente
para melhorar os processos de previsão por não se conseguir
"acertar" as previsões, quando, em operações, não se necessita
ter previsões perfeitas, mas sim, previsões consistentemente
melhores que as da concorrência.
6
Por que prever?
hoje
Horizontes de planejamento
curto prazo
tempo
médio prazo
Longo prazo
decisões
Efeito da
decisão A
Efeito da
decisão B
Efeito da
decisão C
A
B
C
7
Erros esperados crescem com
horizonte
Previsão de
demanda / erro
Previsão
Hoje
Faixa de erro esperado
Erros esperados de previsão crescem com o horizonte
Horizonte futuro
(tempo)
8
Efeito da agregação dos dados sobre o
horizonte de planejamento
A agregação da visão que faz reduzir o nível
de incerteza das previsões compensa, até
certo ponto, o aumento de incerteza causado
pelo necessário AUMENTO DO HORIZONTE
DE PLANEJAMENTO.
9
Efeito da agregação dos dados
Sanduíche
Sanduíche
Previsão para o mês
passado (feita há um
ano e meio)
Vendas efetivas no mês
passado na loja
analisada
% erro da
previsão
Quarteirão com
queijo
1930
22,8%
Média dos
Big Mac
7269
21,5%
erros das
Quarteirão com
queijo
2500
Big Mac
6000
Hamburger
4500
Hamburger
4980
10,6%
previsões
por
Cheeseburger
3000
Cheeseburger
2730
9,0%
Sanduíche
Filé de peixe
1200
Filé de peixe
1429
19,0%
20,8%
MacChicken
1800
MacChicken
1050
41,6%
18.443
2,4%
Total
18.000
Total
10
Agregação de dados
Decisões diferentes requerem níveis
diferentes de agregação de dados
No caso do Mcdonalds uma decisão de
expansão da loja requer uma visão de
futuro agregada e não desagregada.
11
Efeitos dos horizontes e da
agregação dos dados nas previsões
Agregação dos dados pode ser maior para decisões de longo prazo
Previsão
Hoje
Horizonte futuro
Agregação gradualmente maior
dos dados faz erros gradualmente
diminuirem
Previsão de
demanda / erro
Erros esperados de previsão crescem com o horizonte
(tempo)
12
Previsão como processo
Projeto e melhoramento contínuo do processo de gerar
previsões
PIB, taxa de juros, padrões de
renda, mercados-alvos
Planos de promoções,
lançamentos e relançamentos de
produtos
Processo
Informações que
expliquem
comportamento
atípico
Informações da
conjuntura
econômica
Decisões da área
comercial
Input de correlação de variáveis
que podem afetar a demanda da
sua empresa. Ex: empresas de
internet estarão interessadas
para saber a tendência de
compras pela internet.
Outras informações
do mercado
Tratamento
quantitativo
Tratamento
estatístico
dos
dados
dede
vendas
ee
dos
dados
vendas
outras
variáveis
outras
variáveis
Tratamento
Tratamentoqualitativo
estatístico
dosdas
dados
informações
de vendas e
outras variáveis
Informações de
clientes
Informações de
concorrentes
Intenções de compra de seus
clientes, programação de
produção
Planos de expansão ou retração,
distribuição, promoções e etc.
Dados
históricos de
vendas
Dados de
variáveis que
expliquem as
vendas
Incêndio na
concorrência
Levantamento de
dados no sistema
Input de variáveis
correlacionadas com
as vendas como
“feriados”
Legitimidade,
credibilidade e
qualidade
Reunião de Previsão
Comprometimento das áreas
envolvidas
Tratamento
Tratamentodas
das
informações disponíveis
Previsão
Previsãode
devendas
vendas
Avaliação crítica do processo de gerar previsões
13
Técnicas de previsão
Técnicas de
previsão
Produtos atuantes no
mercados, já maduros
Quantitativas
Intrínsecas
Médias móveis
Suavizamento
exponencial
Projeção de
tendências
Decomposição
Curto prazo (até 3
meses)
Extrínsecas
Regressão
simples
Regressão
múltipla
Médio prazo (3 a
12 meses)
Qualitativas
Produtos novos,
lançamentos
Método Delphi
Consenso de um
grupo de especialistas
em anonimato
Juri de
executivos
Opinião de um ou
dois executivos
Força de
vendas
Equipe de vendas
Pesquisa de
mercado
Intenção de compras
dos consumidores
Analogia
histórica
Identificação de
produtos similares
Longo prazo
(acima 12 meses)
14
Previsão de Vendas de Curto
Prazo (3 meses): Projeções
Demanda
Vendas reais do passado
Faixa de erro
identificada no passado
e projetada para o futuro
Ciclicidade identificada no passado
e projetada no futuro
X
X
X
Previsões de curto prazo
feitas com base nas projeções
Tendência identificada no passado
e projetada no futuro
tempo
passado
futuro
Para previsões de curto prazo (até 3 meses), normalmente, aceita-se a hipótese de que o futuro seja uma continuação do passado,
ao menos recente, ou seja, as mesmas tendências de crescimento ou declínio observadas no passado devem permanecer no
futuro, assim como a sazonalidade (anual) e a ciclicidade observadas no passado. Faz-se uma correlação entre as vendas
15
passadas e o tempo, projetando-se o comportamento (padrão de variação) similar para o futuro.
Previsão de vendas de médio
prazo (3 a 12 meses)
Quando o horizonte da previsão começa
a aumentar, a hipótese de que o futuro
vai repetir o passado (nos padrões de
variação) deixa, em geral de ser válida.
O peso de uma análise após o modelo
matemático ter sido feito passa a ser
mais relevante do que o próprio
modelo.
16
Previsão de vendas de médio
prazo (3 a 12 meses)
Neste caso usa-se os modelos extrínsecos
ou causais de explicação;
A idéia é de que se procure estabelecer as
relações entre as vendas do passado e outras
variáveis que expliquem seu comportamento;
Ex: número de clientes nos parques de diversão
da Disney em relação a temperatura, condições
climáticas, ocorrência de feriados e etc.
17
Previsão de vendas de longo prazo
(acima 12 meses)
Quando o horizonte aumenta ainda mais (vários anos), a
hipótese de que as relações que havia no passado entre a
demanda e outras variáveis continuam a valer no futuro
deixa muitas vezes de ser válida;
O futuro não guarda relação direta com o passado, não
uma relação que se possa modelar matematicamente;
A previsão necessita ser derivada da opiniões de
especialistas;
Pode-se usar modelos matemáticos, porém o peso maior
a análise e opiniões de especialistas deve ser muito maior.
18
Abordagem qualitativa vs quantitativa
Presença crescente da hipótese de “continuidade”
dos padrões de comportamento
Presença crescente de históricos longos e confiáveis de dados
“parcela” qualitativa
da previsão
“parcela” quantitativa
da previsão
Quanto mais se tem presente a hipótese de que o futuro deve repetir os padrões de
comportamento do passado, mais se podem basear as previsões no histórico de dados, pois ele
deve conter informações bem representativas de como o futuro deverá ser.
19
Métodos qualitativos
Incorporam mais fatores de julgamento e intuição,
em geral mais subjetivos, nas análises dos dados
disponíveis.
Opiniões de especialistas, experiências e julgamentos
individuais e outros fatores.
São úteis quando se espera que esses fatores mais
subjetivos possam ter capacidade de explicar o futuro
ou quando dados quantitativos precisos e completos
são muito caros ou difíceis de serem obtidos.
20
Decomposição de séries temporais
Uma série temporal de dados em geral
tem três principais componentes:
tendência, ciclicidade e aleatoriedade.
21
Decomposição de séries temporais
Tendência: é a orientação geral para
cima ou para baixo, dos dados
históricos.
22
Decomposição de séries temporais
Ciclicidade: padrões de variação dos
dados de uma série que se repetem a
cada determinado intervalo de tempo.
Ex: vendas que se concentram nos últimos
dias do mês
Quando a ciclicidade tem período anual,
denomina-se sazonalidade.
23
Decomposição de séries temporais
Aleatoriedade: erros ou variações da
série histórica de dados que não são
devidas a variáveis presentes no
modelo de previsão.
Ex: Impacto da chuva na entrega de
assinantes de jornal.
Ex: compra de um livro por impulso em
aeroporto.
24
Séries históricas
450
400
Unidades
350
300
250
200
150
100
50
nov/03
set/03
jul/03
mai/03
mar/03
jan/03
nov/02
set/02
jul/02
mai/02
mar/02
jan/02
nov/01
set/01
jul/01
mai/01
mar/01
jan/01
0
Meses
Vendas
tendência
Ciclicidade
A soma da influência de pequenos fatores explica a aleatoriedade. A aleatoriedade explica as diferenças
entre a curva de ciclicidade média identificada, que se sobrepõe à curva de tendência crescente, e as vendas
reais
25
Modelos quantitativos para
demanda relativamente estável
Assume que a demanda encontra-se
relativamente
estável,
flutuando
aleatoriamente em torno de um
patamar que se deseja estimar.
É necessário atenuar, suavizar a
flutuação aleatória para se estimar o
valor do patamar.
26
Médias móveis
Vendas reais
Média móvel de 3 períodos
de copos
MM3
Janeiro
154
Fevereiro
114
Março
165
Abril
152
(154 + 114 + 165) / 3 = 144,3
Maio
176
(114 + 165 + 152) / 3 = 143,7
Junho
134
(165 + 152 + 176) / 3 = 164,3
Julho
123
(152 + 176 + 134) / 3 = 154,0
Agosto
154
(176 + 134 + 123) / 3 = 144,3
Setembro
134
(134 + 123 + 154) / 3 = 137,0
Outubro
156
(123 + 154 + 134) / 3 = 137,0
Novembro
123
(154 + 134 + 156) / 3 = 148,0
Dezembro
145
(134 + 156 + 123) / 3 = 137,7
27
Média móvel ponderada
Vendas reais
Média móvel de 3 períodos
de copos
ponderada com pesos 3, 2 e 1
Janeiro
154
Fevereiro
114
Março
165
Abril
152
[(1*154) + (2*114) + (3*165)] / 6 = 146,2
Maio
176
[(1*114) + (2*165) + (3*152)] / 6 = 150,0
Junho
134
[(1*165) + (2*152) + (3*176)] / 6 = 166,2
Julho
123
[(1*152) + (2*176) + (3*134)] / 6 = 151,0
Agosto
154
[(1*176) + (2*134) + (3*123)] / 6 = 135,5
Setembro
134
[(1*134) + (2*123) + (3*154)] / 6 = 140,3
Outubro
156
[(1*123) + (2*154) + (3*134)] / 6 = 138,8
Novembro
123
[(1*154) + (2*134) + (3*156)] / 6 = 148,3
Dezembro
145
[(1*134) + (2*156) + (3*123)] / 6 = 135,8
28
Suavizamento Exponencial
Peso
das
ponderações
caem
exponencialmente, quanto mais antigos
forem os dados
29
Suavizamento Exponencial
Nova previsão = [(demanda real do último
período) x (alfa)] + [(última previsão)] x (1alfa)]
1. Onde: alfa é a constante de suvizamento que é um número entre 0 e 1 e dá a
influência percentual da demanda real do último período na previsão do próximo
período;
2. (1-alfa) é a taxa exponencial com que caem os pesos de ponderações dos dados
históricos, de alfa referente ao mês passado mais recente.
30
Suavizamento exponencial
Vendas reais
Suavizamento exponencial com alfa
Suavizamento exponencial
de copos
0,1
0,8
última previsão (feita em dezembro)
Janeiro
154
150
150
Fevereiro
114
[(0,1)*(154) + (1 - 0,1)*(150)] = 150,4
153,2
Março
165
[(0,1)*(114) + (1 - 0,1)*(150,4)] = 146,8
121,8
Abril
152
[(0,1)*(165) + (1 - 0,1)*(146,8)] = 148,6
156,4
Maio
176
[(0,1)*(152) + (1 - 0,1)*(148,6)] = 148,9
152,9
Junho
134
[(0,1)*(176) + (1 - 0,1)*(148,9)] = 151,6
171,4
Julho
123
[(0,1)*(134) + (1 - 0,1)*(151,6)] = 149,9
141,5
Agosto
154
[(0,1)*(123) + (1 - 0,1)*(149,9)] = 147,2
126,7
Setembro
134
[(0,1)*(154) + (1 - 0,1)*(147,2)] = 147,9
148,5
Outubro
156
[(0,1)*(134) + (1 - 0,1)*(147,9)] = 146,5
136,9
Novembro
123
[(0,1)*(156) + (1 - 0,1)*(146,5)] = 147,4
152,2
Dezembro
145
[(0,1)*(123) + (1 - 0,1)*(147,4)] = 145,0
128,8
31
Efeito do parâmetro 
32
Erros de previsão
É sempre importante acompanhar dois
tipos de erros de previsão: a
“amplitude” ou o “tamanho do erro” e o
chamado “viés”.
33
Viés
O viés ocorre quando os erros ocorrem sistematicamente
(tendenciosamente) para um lado só: ou quando as
previsões são sistematicamente superdimensionadas ou
subdimensionadas.
Isso ocorre pela influência de alguma variável deixada de
fora do modelo de previsão cuja influência singular está
influenciando significativamente os erros de previsão;
Uma vez identificada a ocorrência de viés, as causas
devem ser investigadas e eliminadas (incorporando a
variável “causa” no modelo de previsão).
34
Viés
Usa-se o sinal de rastreabilidade ou tracking
signal para acompanhar as possíveis
ocorrência de viés de previsão;
Se um viés for identificado e a causa for
eliminada ou incorporada ao modelo de
previsão, o cálculo do TS deve ser reiniciado.
35
Acompanhamento dos erros de
previsão: viés
Vendas reais
de copos
(V)
Previsão
MM3
(P)
Erro
aritmético
(V-P)
Erro
aritmético
acumulado
EArA
Erro
absoluto
V-P
Erro
Erro médio Tracking
absoluto
absoluto
signal
acumulado (EAA/n)
EArA/EMA
EAA
EMA
TS
Janeiro
154
Fevereiro
114
Março
165
Abril
152
144,3
-7,7
-7,7
7,7
7,7
7,7
-1,0
Maio
176
143,7
-32,3
-40,0
32,3
40,0
20,0
-2,0
Junho
134
164,3
30,3
-9,7
30,3
70,3
23,4
-0,4
Julho
123
154,0
31,0
21,3
31,0
101,3
25,3
0,8
Agosto
154
144,3
-9,7
11,7
9,7
111,0
22,2
0,5
Setembro
134
137,0
3,0
14,7
3,0
114,0
19,0
0,8
Outubro
156
137,0
-19,0
-4,3
19,0
133,0
19,0
-0,2
Novembro
123
148,0
25,0
20,7
25,0
158,0
19,8
1,0
Dezembro
145
137,7
-7,3
13,3
7,3
165,3
18,4
0,7
36
Limites para “tracking signal”
Tracking signal
Ag
os
to
Se
te
m
br
o
O
ut
ub
ro
No
ve
m
br
o
De
ze
m
br
o
Ju
lh
o
Ju
nh
o
ai
o
M
Ab
ril
5,00
4,00
3,00
2,00
1,00
0,00
-1,00
-2,00
-3,00
-4,00
-5,00
Limite superior
Limite inferior
37
Acompanhamento da magnitude
dos erros (Amplitude)
São várias as formas possíveis de
mensurar e acompanhar a amplitude
dos erros de previsão. As mais
populares são o erro médio absoluto e o
erro médio quadrático.
38
Acompanhamento da magnitude dos
erros (Amplitude)
Previsão
Suav. Expon
Vendas reais Alfa = 0,1
Previsão
Suav. Expon
Alfa = 0,8
Desvio
Desvio
Desvio
Desvio
absoluto absoluto quadrático quadrático
Alfa = 0,1 Alfa = 0,8 Alfa = 0,1 Alfa = 0,8
Janeiro
154
150,0
150,0
4,0
4,0
16,0
16,0
Fevereiro
114
150,4
153,2
36,4
39,2
1325,0
1536,6
Março
165
146,8
121,8
18,2
43,2
332,7
1862,8
Abril
152
148,6
156,4
3,4
4,4
11,7
19,1
Maio
176
148,9
152,9
27,1
23,1
733,0
534,8
Junho
134
151,6
171,4
17,6
37,4
310,9
1396,9
Julho
123
149,9
141,5
26,9
18,5
722,0
341,3
Agosto
154
147,2
126,7
6,8
27,3
46,5
745,6
Setembro
134
147,9
148,5
13,9
14,5
192,2
211,4
Outubro
156
146,5
136,9
9,5
19,1
90,7
364,5
Novembro
123
147,4
152,2
24,4
29,2
596,8
851,6
Dezembro
145
145,0
128,8
0,0
16,2
0,0
261,3
Desvios médios
15,69
23,00
364,79
678,48
39
Qual suavização a escolher?
Aquela que apresentar
o menor erro
40
Como definir os parâmetros de Alfa ou o melhor
número de períodos?
Possuindo os dados do passado pode-se
testar uma série de diferentes valores
de alfa e mensurar para qual valor de
alfa o valor do desvio médio absoluto
ou do desvio médio quadrático teria
sido menor no passado.
41
Uso de métodos quantitativos com a
presença de tendência e ciclicidades
Os métodos apresentados até agora (médias
móveis e suavizamento) pressupõem a
hípótese de permanência, ou seja, assumem
que a variável a ser prevista não tem
tendência de crescimento ou decrescimento
geral e também não tem presença de
ciclicidades importantes, tendo apenas uma
flutuação aleatória em torno de um patamar
que se deseja estimar.
42
Uso de métodos quantitativos com a
presença de tendência e ciclicidades
Isso muitas vezes não pode ser assumido.
Nesses casos, modelos expostos até aqui não
podem ser usados, sob pena de gerarem
previsões com grande erro ou ainda com viés
43
Séries históricas
450
400
Unidades
350
300
250
200
150
100
50
nov/03
set/03
jul/03
mai/03
mar/03
jan/03
nov/02
set/02
jul/02
mai/02
mar/02
jan/02
nov/01
set/01
jul/01
mai/01
mar/01
jan/01
0
Meses
Vendas
tendência
Ciclicidade
Presença tanto de tendência geral de crescimento de vendas de um livro, como presença de
ciclicidades, relacionadas com os períodos letivos de primeiro e segundo semestres.
44
Projeções com tendência
400
350
300
250
200
150
100
50
Nov/03
Set/03
Jul/03
Mai/03
Mar/03
Jan/03
Nov/02
Set/02
Jul/02
Mai/02
Mar/02
Jan/02
Nov/01
Set/01
Jul/01
0
Mai/01
Vendas
2003
199
175
88
112
149
140
154
275
90
120
226
360
Mar/01
Vendas
2002
146
113
92
160
188
190
168
235
122
97
186
354
Jan/01
Janeiro
Fevereiro
Março
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
Vendas
2001
112
146
122
125
127
157
150
235
60
92
206
312
45
Consideração de ciclicidades
Janeiro
Fevereiro
Março
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
Janeiro
Fevereiro
Março
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
Vendas
2001
112
146
122
125
127
157
150
235
60
92
206
312
Vendas
2002
146
113
92
160
188
190
168
235
122
97
186
354
Vendas
2003
199
175
88
112
149
140
154
275
90
120
112 / 133,8 = 0,837
226
360
Reta de
Reta de
Reta de
tendência tendência tendência
2001
2002
2003
133,8
155,4
177,1
135,6
157,2
178,9
137,4
159,0
180,7
139,2
160,8
182,5
141,0
162,6
184,3
142,8
164,4
186,1
144,6
166,2
187,9
146,4
168,0
189,7
148,2
169,9
191,5
150,0
171,7
193,3
151,8
173,5
195,1
153,6
175,3
196,9
Janeiro
Fevereiro
Março
Abril
Maio
Junho
Julho
Agosto
Setembro
Outubro
Novembro
Dezembro
Vendas/ Vendas/ Vendas/
Tendência Tendência Tendência
2001
2002
2003
0,837
0,939
1,124
1,077
0,719
0,978
0,888
0,579
0,487
0,898
0,995
0,614
0,901
1,156
0,809
1,100
1,155
0,752
1,037
1,011
0,820
1,605
1,398
1,450
0,405
0,718
0,470
0,613
0,565
0,621
1,357
1,072
1,158
2,031
2,020
1,828
Média
0,967
0,925
0,651
0,836
0,955
1,002
0,956
1,484
0,531
0,600
1,196
1,960
46
Presença de
tendência e
ciclicidade
47
Tecnologia para previsões
Info rmatio n A dvantage
0,4%
Syncra Systems
0,4%
P rescient
0,7%
LP A
1,5%
Decisio neering
1,5%
Co mshare
2,2%
M ercia
2,2%
JDE
2,5%
P eo pleso ft
2,5%
Hyperio n
Lo gility
4,0%
4,7%
5,8%
Co gno
9,4%
Demad So lutio ns
i2
13,4%
Oracle
13,4%
14,9%
M anugistics
20,7%
SA P
0,0%
5,0%
10,0%
15,0%
20,0%
25,0%
48
Gestão da Demanda
Mais que apenas prevista, a demanda
das organizações também deve ser
gerenciada.
49
Razões para gerenciar a demanda
Dificuldade de flexibilidade para mudar
a produção de um período para outro;
Para algumas empresas parte da
demanda é interna ou de subsidiárias,
permitindo administração;
Possibilidade de parceria para gestão de
demanda
50
Razões para gerenciar a demanda
Demandas podem ser criadas ou
modificadas em termos de quantidade e
momentos através de: marketing,
promoções, propagandas, esforço de
vendas e etc;
51
Como gerenciar a demanda
Habilidade para prever a demanda (qualitativa e
quantitativa)
Canal de comunicação com o mercado: trazer
informações dos clientes e do mercado para a
empresa, numa base contínua e permanente;
Poder de influência sobre a demanda: promoção,
propaganda, preços;
Habilidade de priorização e alocação para clientes
(distribuição e vendas)
52
CPFR Collorative, Planning, Forecasting and Replenishment –
sistema colaborativo de planejamento, previsão e reposição
É um sistema para administração da
cadeia de valor, no qual a previsão
desempenha um papel central, que
possibilita ao fabricante e seus clientes
colaborarem na realização de previsões
usando a internet.
53