PREVISÃO E PROGRAMAÇÃO DA DISTRIBUIÇÃO PREVISÃO DE DEMANDA Demanda é a soma das diferentes necessidades dos diferentes consumidores (usuários ou demandantes). DEMANDAS Desejos por produtos específicos, respaldados pela habilidade e disposição de compra (KOTLER, 1998). EMPRESAS devem mensurar DESEJOS Se tornam demanda quando apoiados pelo poder de compra. Quantas pessoas desejam seu produto Quantas estão dispostas e habilitadas a comprá-lo TIPOS DE DEMANDA CICLICIDADE DEMANDA PREVISTA TENDÊNCIA DEMANDA REAL SAZONALIDADE PASSADO ATUAL FUTURO TEMPO ETAPAS DE UM MODELO DE PREVISÃO OBJETIVO DO MODELO COLETA E ANÁLISE DOS DADOS SELEÇÃO DA TÉCNICA DE PREVISÃO OBTENÇÃO DAS PREVISÕES MONITORAÇÃO MÉTODOS DE PREVISÃO DE DEMANDA QUANTITATIVOS QUALITATIVOS Séries Temporais – modelo matemático da demanda futura relacionando dados históricos de vendas do produto com o tempo Causais – associar dados históricos de vendas do produto com uma ou mais variáveis relacionadas à demanda Pouco tempo para coleta de dados, introdução de novos produtos, cenário político/econômico instável Questões estratégicas – em conjunto com modelos matemáticos e técnicas quantitativas DESCRIÇÃO ABORDAGEM QUALITATIVA ABORDAGEM QUANTITATIVA Aplicabilidade Utilizada quando a situação é vaga e existem poucas informações (por exemplo, novos produtos e tecnologias) Utilizada quando a situação é estável e há histórico de informações (por exemplo, produtos existentes, tecnologia corrente) Considerações Envolve intuição e experiência Envolve técnicas matemáticas Técnicas Júri de opinião executiva Composto por força de vendas Método Delphi Pesquisa de mercado consumidor Modelos de séries temporais Modelos causais MÉTODOS QUANTITATIVOS DE PREVISÃO DE DEMANDA TÉCNICAS CAUSAIS Baseadas na premissa de que as mesmas leis de dependência entre variáveis explicativas e a demanda permanecerá no futuro. Buscam estabelecer uma função matemática, correlacionando a demanda com uma série de variáveis independentes (VI’s), e utilizam esta função para gerar novas previsões. Pressupõe que a previsão de demanda seja amplamente correlacionada com alguns fatores conjunturais (situação econômica, taxa de juros etc.). Faz-se uma previsão dos fatores conjunturais relacionados à demanda para prevê-la. Com esse método, é possível determinar o impacto na demanda em razão de uma promoção. Regressão linear simples O objetivo encontrar uma equação linear de previsão, do tipo Y = a + bX (onde Y é a variável dependente a ser prevista e X a variável independente da previsão), de forma que a soma dos quadrados dos erros de previsão (b) seja a mínima possível. Este método também é conhecido como “regressão dos mínimos quadrados”. Y a bX b XY X Y n X X Y Y = a + bX n 2 2 Y b X a n Y = Variável Dependente; a = Intercepto no eixo dos Y; b = Coeficiente angular; X = variável Independente; n = número de períodos observados. 2 0 X EXEMPLO REGRESSÃO LINEAR Semana(X) Demanda(Y) 1 2 3 4 5 6 7 8 450 430 470 480 450 500 520 530 3830 X 1 3 6 10 15 21 28 36 8 17770 36 3830 4280 b 12,73 8 204 36 36 336 a 3830 12,73 36 421,46 8 X 2 1 5 14 30 55 91 140 204 XY 450 860 1410 1920 2250 3000 3640 4240 17770 Y = 421,46 + 12,73 X EXERCÍCIO Uma cadeia de fastfood verificou que as vendas mensais de refeições em suas casas estão relacionadas ao número de alunos matriculados em escolas situadas num raio de 2 quilômetros em torno da casa. A empresa pretende instalar uma nova casa numa região onde o número de alunos é de 13750. Qual a previsão da demanda para esta nova casa? b XY X Y = 13 5224,86 143,10 450,71 2,99 13 1663,37 143,10 n X X n 2 Y b X a = n 2 450,71 2,99 143,10 1,757 13 Y 1,757 2,99 13,75 42,869 ou seja 42869 refeições 2 Vendas Mensais em Lojas de uma Cadeia de Fastfood SÉRIES TEMPORAIS Baseadas em padrões históricos, e nas alterações destes padrões para gerar as previsões. São usada para identificar: • variações sistemáticas resultantes de fatores sazonais, •padrões cíclicos, • tendências • faixas de variações destas tendências. As técnicas baseadas em séries temporais propõem que o futuro será muito próximo do passado. COMPONENTES DE UMA SÉRIE TEMPORAL Tendência (Tt) - Orientação de longo prazo, passível de ser descrita por uma curva básica. Ciclo (Ct) - Flutuação não-periódica, com repercussões no médio prazo, habitualmente atribuível aos ciclos econômicos Sazonalidade (St) - Oscilação periódica, sentida no curto prazo, associada a divisões significativas do tempo (ano, mês, semana ou dia) Erro / Resíduo (Rt) -Variação aleatória, não explicada. Partem do princípio de que a demanda futura será uma projeção dos seus valores passados, não sofrendo influência de outras variáveis. É o método mais simples e usual de previsão, e quando bem elaborado oferece bons resultados. Para se montar o modelo de previsão, é necessário plotar os dados passados e identificar os fatores que estão por trás das características da curva obtida (Previsão final = composição dos fatores). Uma curva temporal de previsão pode conter tendência, sazonalidade, variações irregulares e variações randômicas (há técnicas para tratar cada um destes aspectos). Tendência Sazonalidade 60 Demanda 50 40 30 20 0 Jan. Variação irregular Variação randônica 10 Fev. Mar. Abr. Mai. Jun. Jul. Ago. Set. Out. Nov. Dez. Modelo Fixo SÉRIES TEMPORAIS Modelo Aberto ST DE MODELO FIXO Apresentam equações definidas baseadas em avaliações a priori da existência de determinadas componentes nos dados históricos (Mais simples, séries históricas não muito grandes) ST DE MODELO ABERTO Analisam as ST de modo a identificar quais componentes realmente estão presentes, para então criar um modelo único que projete tais componentes, prevendo os valores futuros (Mais elaboradas, maior quantidade de dados). PREVISÃO DA MÉDIA 4.500 Demanda (kg) 4.000 3.500 3.000 2.500 2.000 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Períodos (meses) Média móvel: usa dados de um número predeterminado de períodos para gerar sua previsão Média exponencial móvel: o peso de cada observação decresce no tempo em progressão geométrica, ou de forma exponencial MÉDIA MÓVEL SIMPLES MÉDIA MÓVEL PONDERADA Não é indicada quando há Tendência ou Sazonalidade Média Simples Média aritmética simples de todas as vendas passadas: n Pt 1 R t 1 n Rt t P t+1 Previsão para o próximo período; R t Valor real observado no período t; n Número de períodos no histórico de vendas passadas Utilizado quando a demanda não apresenta tendência ou sazonalidade Modelo de Média Móvel n Mmn Di i 1 n Mmn = média móvel de n períodos; Di = demanda ocorrida no período i; n = número de períodos; i = índice do período (i= 1,2,3,...) n Mmn D i 1 n i Modelo de Média Exponencial Móvel Cada nova previsão é obtida com base na previsão anterior, acrescida do erro cometido na previsão anterior, corrigido por um coeficiente de ponderação α. Mt Mt 1 Dt 1 Mt 1 Mt= previsão para o período t; Mt-1 = previsão para o período t-1 = coeficiente de ponderação Dt-1 = demanda para o período t-1 0<==<1 Quanto maior o , mais sensível à variação real de demanda =1, previsões sujeitas a variações aleatorias Quanto menor o , previsões defasadas da demanda real Valores típicos: entre 0,05 e 0,5 Trata demandas médias e acompanha pequenos movimentos de tendência. 4.500 Demanda (kg) 4.000 3.500 3.000 M 0,10 D.Real 2.500 M 0,50 M 0,80 2.000 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Períodos (meses) Exemplo da adoção de coeficientes Mt Mt 1 Dt 1 Mt 1 = 0,10 = 0,50 = 0,80 Mt Mt 1 Dt 1 Mt 1 M4 3262 0,13006 3262 M4 3262 0,1 256 M4 3262 25,6 M4 3236 Amortecimento Exponencial Duplo (Método de Holt) Utilizado para séries que apresentam tendência. N t Rt (1 )(N t 1 Tt 1 ) Tt ( N t N t 1 ) (1 )Tt 1 Pt p N t pTt Nt: Componente nível (valor sem tendência) Tt: Componente tendência ß: Coeficiente de amortecimento para a estimativa da tendência –0ß1 α: Coeficiente de amortecimento –0α1 Trata demandas médias e acompanha pequenos movimentos de tendência. Amortecimento Exponencial Triplo (Método de Winter) Adequado para previsão de séries que apresentam tendências e sazonalidades Rt Nt Rt St Nt (1 ) St c : ajuste sazonal calculado para o período t St - c: ajuste sazonal calculado c períodos atrás. Para previsão mensal (semanal) e sazonalidade ao longo do ano (mês), usa-se c = 12 (4). St : Componente sazonal ỵ: : Coeficiente de amortecimento para a estimativa da sazonalidade 0 ỵ 1. CALCULO DA TENDÊNCIA CÁLCULO DO NÍVEL CONSIDERANDO O AJUSTE SAZONAL PREVISÃO Tt ( Nt Nt 1 ) (1 )Tt 1 Rt N t S t c (1 )(N t 1 Tt 1 ) Pt p ( Nt pTt )St c p EXERCÍCIOS 1. A RenTV ltda. É uma empresa operando no ramo de aluguel de TV, videocassete e aparelhos de som. A organização mantém uma equipe permanente de manutenção, dado que consta em contrato que aparelhos com problemas serão inicialmente vistoriados por um técnico na casa do cliente. Se for impossível o conserto imediato, o aparelho será então substituído por outro num prazo máximo de 24 horas. Como parte da equipe de manutenção deve ser alocada a serviços internos de reparos, a RenTV deseja uma previsão semanal do número de chamadas de clientes, para que a escala de trabalho possa ser feita na 2ª feira de manhã. Todas as chamadas são anotadas. Os registros das 10 últimas semanas estão dados a seguir: SEMANA 1 2 3 4 5 6 7 8 9 10 CHAMADAS 13 10 10 25 8 17 12 15 12 20 Preparar uma previsão do número de chamadas na semana 11: utilizando MMS com n = 4 utilizando MMP com n = 4 e pesos 1; 2; 3; 4 para as 4 semanas mais recentes (o peso 4 corresponde à mais recente, o peso 3 à segunda mais recente e assim por diante). EXERCÍCIOS 2) dada demanda real de 15 meses, calcule a demanda futura (próximos 12 meses), utilizando o método da média Móvel. 3) Utilize os mesmos dados para calcular a demanda dos próximos meses, utilizando o método da média móvel ponderada. Pesos: (n-3)= 0.1, (n-2)= 0.2, (n-1)=0.3, (n)=0.5; 4) Utilize os mesmos dados para calcular a demanda dos próximos meses, utilizando o método mínimos quadrados MÉTODOS QUALITATIVOS DE PREVISÃO DE DEMANDA Método qualitativo Descrição Júri de opinião executiva As opiniões de um pequeno grupo de gestores de alto nível são conciliadas e, juntas, estimam a demanda. O grupo utiliza suas experiências de gerenciamento e, em alguns casos, combinam os resultados dos modelos estatísticos. Estimativa da força de vendas É solicitado que os vendedores (por exemplo, para uma cobertura territorial) projetem suas vendas. Porque o vendedor é a pessoa mais próxima do mercado, ele sabe o que o cliente deseja. Essas projeções são então combinadas municipal, rural e regionalmente. Método Delphi Defini-se um grupo de especialistas como: tomador de decisões, funcionário comum ou especialista do setor, sendo que cada um deles poderá , individualmente, fornecer seu parecer sobre a demanda. Um processo repetitivo é conduzido até que os especialistas cheguem a um consenso. Pesquisa de mercado consumidor Pergunta-se aos clientes quais são seus planos de compra e seus comportamentos planejados de compra. Um grande número de entrevistados é necessário para que seja possível generalizar certos resultados. TÉCNICA DELPHI Reunião de um grupo de pessoas que devem opinar sobre um certo assunto, dentro de regras determinadas para a coleta e a depuração das opiniões. Envolvem geralmente situações de longo prazo, onde os dados são escassos ou mesmo inexistentes, sendo o julgamento pessoal uma das poucas alternativas abertas à previsão. O çomitê Delphi é formado inicialmente com as pessoas que participarão do processo; esses participantes, evidentemente, são especialistas no assunto em pauta e/ou em assuntos correlatos. Para que uma personalidade não se sobreponha à outra, as opiniões são expressas independentemente TÉCNICA DELPHI Características: anonimato, realimentação controlada das informações, quantificação das respostas (escala numérica), resposta estatística (pode não haver consenso) Processo: 1o. Passo – Coordenador elabora Questionário 2o. Passo - Grupo responde Questionário (escala numérica) 3o. Passo – Coordenador confere coerência das respostas, altera questões (se necessário), processa análise estatística, sistematiza os argumentos manifestados 4o. Passo – Grupo responde novo Questionário (com as informações da análise estatística e dos argumentos), respostas discrepantes com relação à Média devem ser justificados 5o.Passo – Coordenador verifica se não houve variações significativas (Fim - Relatório), caso contrário retornar ao Passo 2. TÉCNICA DELPHI Ótimo método para lidar com aspectos inesperados de um problema Previsões com carência de dados históricos VANTAGENS DA TÉCNICA DELPHI Interesse pessoal dos participantes Minimiza pressões psicológicas Não exige presença física Processo lento, média de 6 meses DESVANTAGENS DA TÉCNICA DELPHI Dependência dos participantes Dificuldade de redigir o questionário Possibilidade de consenso forçado Disponibilidade de dados, tempo e recursos FATORES IMPORTANTES PARA A PREVISÃO Determinação do horizonte de previsão Capacidade para interpretar os dados A existência de histórico da demanda passada Planejamento das campanhas publicitárias Fatores que podem influenciar a escolha do modelo adequado de demanda Localização física das instalações Conjuntura econômica Planejamento de descontos e preços Ações dos concorrentes METODOLOGIAS DE SELEÇÃO DE MODELO SELEÇÃO A PRIORI SELEÇÃO PELA PRECISÃO n Mean Absolute Deviation (MAD) MAD Onde: Rt | R P | t 1 t n Valores reais de venda Pt Valores Previstos n Número de períodos de previsão Evita o problema de um erro negativo cancelar o positivo t SELEÇÃO PELA PRECISÃO ( Rt Pt ) Rt t 1 MPE n n Mean Percentual Error (MPE) Onde: Rt Valores reais de venda Pt Valores Previstos n Número de períodos de previsão Mede se os valores previstos estão sistematicamente acima ou abaixo das vendas reais: Se o valor de MPE for positivo, tem-se que a previsão está freqüentemente abaixo da venda real; Se o valor de MPE for negativo, tem-se que a previsão está freqüentemente acima da venda real. SELEÇÃO PELA PRECISÃO Mean Absolute Percentual Error (MAPE) Onde: Rt | Rt Pt | Rt t 1 MAPE n n Valores reais de venda Pt Valores Previstos n Número de períodos de previsão Avalia a magnitude do erro com relação à serie histórica SELEÇÃO PELA PRECISÃO (Rooted) Mean Squared Error (R )MSE Onde: Rt ( Rt Pt ) 2 RMSE n t 1 n Valores reais de venda Pt Valores Previstos n Número de períodos de previsão Os grandes erros se destacam devido ao cálculo da média ao quadrado Mas os erros outliers receberão grande significância (deveriam ser desconsiderados) MSE : erros avaliados na unidade ao quadrado RMSE – Raiz quadrada do MSE SISTEMA LOGÍSTICO GLOBAL O sistema logístico global é muito complexo. Para que o produto chegue ao cliente no local em que ele está, no momento que ele deseja e no preço que ele acha que o produto vale, todas as atividades devem ser planejadas, projetadas, executadas e coordenadas de forma otimizada. SISTEMA LOGÍSTICO OBJETIVOS QUE DEVEM SER CONSIDERADOS 1) Melhoria do serviço 2) Redução do capital empatado 3) Redução do custo operacional Aspectos de natureza espacial Problemas de configuração de redes Aspectos de natureza temporal O aspecto espacial, ou geográfico refere-se à localização dessas instalações e aos fluxos entre pontos, de forma a minimizar os custos relacionados ao atendimento da demanda. O aspecto temporal refere-se à disponibilidade dos produtos solicitados pelos clientes, no prazo adequado, considerando o tempo de ciclo do pedido e o prazo de atendimento esperado. Elementos de Análise e Projeto de uma Rede Logística Variáveis Relevantes na Modelagem de Redes Etapas de um projeto de redes logísticas