Previsão da Demanda I

PREVISÃO DE DEMANDA
Parte 1
Prof. Dr. Mauro Enrique Carozzo Todaro
1
Saiba mais em https://pcpengenharia.wordpress.com/previsao/

O QUE É?
2
“Processo metodológico para determinação de dados (demanda)
futuros baseados em modelos estatísticos, matemáticos ou
econométricos ou ainda em modelos subjetivos apoiados em
uma metodologia de trabalho clara e previamente definida.”
Martins e Laugeni (2006, P. 226)

QUAL É O OBJETIVO?
• Reduzir a incerteza sobre o futuro;
• Reduzir os riscos na tomada de decisão.
3

POR QUE SÃO NECESSÁRIAS?
4
• Porque existem demoras na provisão;
• Servem como base para o planejamento estratégico da
produção, vendas e finanças;
• São fundamentais para os planos de capacidade, de fluxo de
caixa, de vendas, de produção, de estoque, de mão de obra e
de compras.

CARACTERÍSTICAS
Diretamente relacionada com a satisfação do cliente e a
rentabilidade no longo prazo.
Quase todas as previsões se baseiam na suposição de
que o passado irá se repetir.
Previsões raramente são perfeitas e a precisão diminui
com o aumento do período de tempo sondado.
As previsões de demanda agregada são, normalmente,
mais precisas que as individuais (menor aleatoriedade).
5

ELEMENTOS PRESENTES EM UMA BOA PREVISÃO
6
O horizonte de previsão precisa cobrir o tempo
necessário à implementação das possíveis mudanças.
Previsões eficazes requerem uma base de dados de
demanda precisa.
Registrar a demanda (não vendas) em tempo real, não
depois.
Devem-se detectar demandas irregulares.

• Média, intervalo e estimação de probabilidade do intervalo.
Ex: 100 (+/-) 20, com uma probabilidade de 95%
• Intervalo de confiança = F ± z. SDE
Onde:
F: Previsão para o período t
z: Número de desvio padrão correspondente a área sob a curva normal.
z = 1,64 (confiança de 90%), z = 1,96 (95%) e z = 3,0 (99,7%).
SDE: Desvio padrão do erro.
7
DEVE SER EXATA
ELEMENTOS PRESENTES EM UMA BOA PREVISÃO

COMO SÃO USADAS PELO PCP?
8
Planejar o uso do sistema produtivo – MPS e Programação
Previsões detalhada a
médio e curto prazo.
Utilização dos recursos
disponíveis.
Definição da produção,
reposição de estoque,
sequenciamento, etc.
Planejar o sistema produtivo – Planejamento Estratégico
Previsões agregadas a
longo prazo.
Define a família de
produtos e serviços.
Define instalações,
equipamentos, mão de
obra, etc.

HORIZONTES DE PREVISÃO
• Curto - 1 a 3 meses, por semanas ou meses;
• Médio - 3 meses a 2 anos, por meses ou trimestres;
• Longo - 2 a 10 anos, por trimestres ou anos.
Obs.: Quanto maior for o horizonte pretendido, menor a confiabilidade da
demanda prevista.
9

ETAPAS DE UM MODELO DE PREVISÃO
10
Objetivo do modelo
Coleta e análise de dados
Seleção da técnica de previsão
Obtenção das previsões
Monitoração do modelo

MÉTODOS
QUANTITATIVOS
INTRÍNSECOS
(Séries Temporais)
EXTRÍNSECOS
(Regressões)
QUALITATIVOS
TÉCNICAS DE PREVISÃO
11

MÉTODOS DE PREVISÃO
• Baseados na análise de séries de tempo*;
• Modelam o padrão do passado para projetá-lo no futuro;
• Horizonte: Médio e curto prazo.
*Série de tempo: Sucessão de observações de uma mesma variável em
intervalos regulares de tempo.
12
QUANTITATIVOS
INTRÍNSECOS

Exemplos:
• Médias móveis;
• Ajustamento exponencial;
• Decomposição;
• Crescimento linear e não linear;
• Entre outros.
13
QUANTITATIVOS
INTRÍNSECOS

• Para demanda agregada e desagregada;
• Os modelos de previsão pode conter tendência, sazonalidade,
autocorrelação, entre outros;
• Objetividade (erro médio, desvio padrão, etc.);
• Baixo custo;
• Pode ser repetido muitas vezes;
• Não prevê mudanças futuras.
14
QUANTITATIVOS
INTRÍNSECOS

• Modelos causais (explicativos ou econométricos);
• Horizonte: Longo prazo;
• Modelam a relação entre a demanda e outras variáveis
(variáveis independentes) para projetar o futuro.
15
QUANTITATIVOS
EXTRÍNSECOS

• Regressão simples, múltipla, linear e não linear;
• Para demandas agregadas, dado que são muito custosos;
• Grandes corporações;
• Mais complexos que os intrínsecos (requerem previsão de
variáveis externas).
16
QUANTITATIVOS
EXTRÍNSECOS

Baseados em juízos e opiniões:
• Método Delphi;
• Pesquisa de Mercados;
• Painéis de Expertos.
17
QUALITATIVOS

São úteis:
• Quando não existem dados históricos suficientes (novos
produtos);
• Em previsões de longo prazo, quando não se pode supor
que o passado irá se repetir;
• Para ajustar valores obtidos por métodos quantitativos.
18
QUALITATIVOS

EXEMPLOS DE SÉRIES TEMPORAIS
PREVISÃO DE DEMANDA – MÉTODOS INTRÍSECOS
19
0
20
40
60
80
100
120
1 6 11 16 21 26 31 36 41
Aleatoriedade
0
50
100
150
1 6 11 16 21 26 31 36 41
Autocorrelação
0
200
400
600
800
1 6 11 16 21 26 31 36 41
Tendência

EXEMPLOS DE SÉRIES TEMPORAIS
20
0
50
100
150
200
250
1 6 11 16 21 26 31 36 41
Sazonalidade
0
200
400
600
800
1 6 11 16 21 26 31 36 41
Tendência e Sazonalidade

21
0
200
400
600
800
1 6 11 16 21 26 31 36 41
Série obsevada

REVISÃO DA PREVISÃO
• Período a período - horizonte deslizante.
Ex: Se preveem 12 meses, cada mês que passa, volto a prever
outros 12 meses (revisou os 11 que tinha previsto e acrescento 1)
• Na revisão se modificam previsões realizadas e se acrescenta
um período novo.
22

ERRO DE PREVISÃO
A determinação do erro de previsão é fundamental para:
• Determinar a efetividade do método;
• Comparar métodos.
Erro de previsão: et = Yt – Ft
Erro médio: ē =
Um bom modelo de previsão tem erro médio próximo de zero.
23
 

N
1t
tt
N
1t
t )F(Y
N
1
e
N
1
Onde:
Yt: Demanda real observada no
período t
Ft: Previsão para o período t
N: Quantidade de períodos
observados

ERRO DE PREVISÃO
Desvio padrão do erro:
Um bom modelo de previsão minimiza o desvio padrão dos
erros (reduz estoque).
24
1
1
2
)(


 

N
SDE
N
t
t ee

MÉDIA MÓVEIS SIMPLES (MMS)
• Previsão com médias móveis:
• Usar n grande para séries muito aleatórias;
• Usar n pequeno para autocorrelação (n pequeno suaviza o
padrão);
• Não modela tendência, nem sazonalidade;
• Otimização de n: minimizar o SDE considerando N períodos
históricos.
Obs.: Com n = 1, a previsão é igual ao mês anterior.
25
n
YYY
F
nttt
t
 

...21
MÉTODOS INTRÍSECOS

26
MÉTODOS INTRÍSECOS – MÉDIA MÓVEIS SIMPLES
Per Dem. Hist.
t Yt Ft et Ft et Ft et
1 Jan 3.256
2 Fev 3.315
3 Mar 3.006
4 Abr 3.560 3.192 368
5 Mai 3.300 3.294 6
6 Jun 3.051 3.289 238-
7 Jul 3.425 3.304 121 3.248 177
8 Ago 3.703 3.259 444 3.276 427
9 Set 3.240 3.393 153- 3.341 101-
10 Out 3.231 3.456 225- 3.380 149-
11 Nov 2.887 3.391 504- 3.325 438-
12 Dez 3.918 3.119 799 3.256 662
13 Jan 3.271 3.345 74- 3.401 130- 3.324 53-
14 Fev 3.073 3.359 286- 3.375 302- 3.326 253-
15 Mar 3.396 3.421 25- 3.270 126 3.305 91
16 Abr 3.036 3.247 211- 3.296 260- 3.338 302-
17 Mai 3.196 3.168 28 3.264 68- 3.294 98-
18 Jun 4.106 3.209 897 3.315 791 3.286 820
19 Jul 3.449 3.446 3 3.346 103 3.374 76
20 Ago 3.913 3.584 329 3.376 537 3.376 538
21 Set 3.324 3.823 499- 3.516 192- 3.393 69-
22 Out 3.277 3.562 285- 3.504 227- 3.400 123-
23 Nov 3.204 3.505 301- 3.544 340- 3.404 200-
24 Dez 4.079 3.268 811 3.546 534 3.430 649
3.520 3.541 3.444
388 572 1.075
32 48 90
438 379 373Desv. Pad. do erro (13 a 24)
Erro acumulado (13 a 24)
Mês
Per 3 Per 6 Per 12
Previsão mês 25
Erro médio ( 13 a 24)
Consulte este exemplo em https://pcpengenharia.wordpress.com/previsao/

27Consulte o gráfico em https://pcpengenharia.wordpress.com/previsao/
MÉTODOS INTRÍSECOS – MÉDIA MÓVEIS SIMPLES

SUAVIZAÇÃO EXPONENCIAL SIMPLES*
• Previsão:
Obs.: Onde , e como valor inicial se considera F1 = Y1.
• É um dos métodos mais utilizados;
• Usar α alto para séries muito suaves, α baixo para séries muito aleatórias;
• Com α alto reage mais rápido à tendência, mas também às flutuações
aleatórias;
• Não modela tendência nem sazonalidade;
• Otimização de α : minimizar o SDE considerando N períodos históricos.
Obs.: o método necessita só os dados do período anterior, mas implicitamente estão todos.
* Também denominado Ajustamento ou Amortecimento Exponencial Simples.
28
10 
    11111 1   tttttt FYFYFF 
MÉTODOS INTRÍSECOS

29
Per Dem. Hist.
t Yt Ft et Ft et Ft et
1 Jan 3.256
2 Fev 3.315 3.256 59 3.256 59 3.256 59
3 Mar 3.006 3.262 256- 3.286 280- 3.303 297-
4 Abr 3.560 3.236 324 3.146 414 3.065 495
5 Mai 3.300 3.269 31 3.353 53- 3.461 161-
6 Jun 3.051 3.272 221- 3.326 275- 3.332 281-
7 Jul 3.425 3.250 175 3.189 236 3.107 318
8 Ago 3.703 3.267 436 3.307 396 3.361 342
9 Set 3.240 3.311 71- 3.505 265- 3.635 395-
10 Out 3.231 3.304 73- 3.372 141- 3.319 88-
11 Nov 2.887 3.296 409- 3.302 415- 3.249 362-
12 Dez 3.918 3.256 662 3.094 824 2.959 959
13 Jan 3.271 3.322 51- 3.506 235- 3.726 455-
14 Fev 3.073 3.317 244- 3.389 316- 3.362 289-
15 Mar 3.396 3.292 104 3.231 165 3.131 265
16 Abr 3.036 3.303 267- 3.313 277- 3.343 307-
17 Mai 3.196 3.276 80- 3.175 21 3.097 99
18 Jun 4.106 3.268 838 3.185 921 3.176 930
19 Jul 3.449 3.352 97 3.646 197- 3.920 471-
20 Ago 3.913 3.362 551 3.547 366 3.543 370
21 Set 3.324 3.417 93- 3.730 406- 3.839 515-
22 Out 3.277 3.407 130- 3.527 250- 3.427 150-
23 Nov 3.204 3.394 190- 3.402 198- 3.307 103-
24 Dez 4.079 3.375 704 3.303 776 3.225 854
3.446 3.691 3.908
1.897 870 815
82 38 35
346 405 455
Erro acumulado (2 a 24)
Erro médio (2 a 24)
Desv. Pad. do erro (2 a 24)
Mês
α= 0,10 α= 0,50 α= 0,80
Previsão mês 25
MÉTODOS INTRÍSECOS – SUAVIZAÇÃO EXPONENCIAL SIMPLES
Consulte este exemplo em https://pcpengenharia.wordpress.com/previsao/

30Consulte este exemplo em https://pcpengenharia.wordpress.com/previsao/
MÉTODOS INTRÍSECOS – SUAVIZAÇÃO EXPONENCIAL SIMPLES

31
REFERÊNCIAS
MARTINS, P. G. e LAUGENI, F. P. Capítulo 8: Previsão de Vendas. In:
Administração da produção. Petrônio Garcia Martins e Fernando P. Laugeni. 2
ed. São Paulo: Saraiva, 2006.
MOREIRA, D. A. Capítulo 11: Previsão da Demanda. In: Administração da
produção e operações. MOREIRA, Daniel Augusto. 2 ed. São Paulo: Cengage
Learning, 2011.
STEVENSON, W. Capítulo 3: Previsões. In: Administração das operações de
produção. STEVENSON, Willam J. 6 ed. Rio de Janeiro: LTC, 2001.
TUBINO, D. F. Capítulo 2: Previsão da Demanda. In: Planejamento e Controle
da Produção - Teoria e Prática. 2 ed. São Paulo: Atlas, 2009.

Previsão da Demanda I

Mais conteúdo relacionado

Mais procurados

Destaque

Semelhante a Previsão da Demanda I

Último

Previsão da Demanda I