Tecnicas de previsões v.4

Tecnicas de previsões v.4
Questões de Revisão e Discussão 1. O que é previsão? 2. Cite três razões fundamentais para os gerentes de operações fazerem previsões. 3. Cite e descreva três métodos qualitativos de previsão usados atualmente nos negócios. Quais métodos de previsão seriam apropriados para novos produtos? 4. Descreva como a realização de previsões é fundamental para o planejamento dos negócios.
Trabalho de Pesquisa  Procure na Internet por sites de companhias que produzem software de previsão. Encontre uma empresa que liste os métodos de previsão usados em seu software. Imprima esta página e indique o site onde você encontrou a informação;  Procure na Internet por uma revista ou jornal recente que traga alguma notícia sobre a realização de previsões. Imprima ou resuma esse artigo e indique o endereço do site;  Visite o site do Institute of Business Forecasting (www.ibf.org/) e localize a página da Web para “Forecasting Jobs”. Faça uma lista de empresas e títulos de cargos de trabalho. Em qual emprego você estaria mais interessado? Por quê?
Métodos de Previsão de Demanda Prof. Fabiano Cunha Marinho fcmarinho01@gmail.com
Sumário 1. Conceitos 2. Etapas de um Modelo de Previsão 1. Objetivos 2. Coleta e análise de dados 3. Seleção da Técnica 4. Obtenção da previsão 5. Monitoramento
Métodos de Previsão de Demanda O Mercado e as Previsões de Demanda Conceito de Mercado Lugar de troca, em sentido amplo, em que o valor dos bens transacionados e acordado, face às quantidades disponíveis, pela convergência entre o preço pelo qual o produtor ou vendedor estão dispostos a vender e aquele que o consumidor ou cliente estão dispostos a pagar.
Métodos de Previsão de Demanda Função previsão de Demanda As Previsões de Demanda formam a base de todo o planejamento da cadeia de suprimentos. Considere a visão empurrar/puxar. Todos os processos do tipo empurrar são realizados em antecipação à demanda do cliente, enquanto todos os processos do tipo puxar são realizados em resposta a essa demanda. Para os dois casos, o primeiro passo que o gestor deverá tomar é prever qual será a demanda do cliente.
Razões para previsões: exemplos’  Longo prazo: Planejamento de novas instalações;  Médio prazo: Planejamento da produção;  Curto prazo: Planejamento da força de trabalho;
Previsão da Demanda A previsão da demanda é a base para o planejamento estratégico da produção, vendas e finanças de qualquer empresa.  Permite que os administradores destes sistemas antevejam o futuro e planejem adequadamente suas ações. As previsões são usadas pelo PCP em dois momentos distintos: para planejar o sistema produtivo (longo prazo) e para planejar o uso (curto prazo) deste sistema produtivo. Longo prazo: produtos/serviços, instalação, equipamentos,... Curto prazo: planos de produção, armazenagem e compras, sequenciamento
Previsão da Demanda A responsabilidade pela preparação da previsão da demanda normalmente é do setor de Marketing ou Vendas. Porém, existem bons motivos para que o pessoal do PCP/Logística entenda como esta atividade é realizada: A previsão da demanda é a principal informação empregada pelo PCP na elaboração de suas atividades; Em empresas de pequeno e médio porte, não existe ainda uma especialização muito grande das atividades, cabendo ao pessoal do PCP (geralmente o mesmo de Vendas) elaborar estas previsões. Atualmente as empresas estão buscando um relacionamento mais eficiente dentro de sua cadeia produtiva (JIT/TQC – Cadeia Automotiva, Celta, Fiat online).
Métodos de Previsão de Demanda Análise do ambiente Numa análise muito clara sobre a importância da análise do ambiente para a formulação das estratégias da organização, Scott Morton apud Lobato (1997) oferece a seguinte contribuição: Neste ambiente em que mudanças ocorrem com altíssima velocidade, perceber tendências, visualizando-as antes que elas ocorram, passa a ter um valor extraordinário como fator decisivo de sucesso e às vezes, da própria sobrevivência. Scott Morton apud Lobato (1997, p.91).
Métodos de Previsão de Demanda Uma previsão é uma afirmativa ou inferência sobre o futuro, usualmente baseada em informação histórica. Uma demanda é a quantidade de material necessária ao atendimento dos clientes, relacionada a uma determinada unidade de tempo ou a um evento específico.
Métodos de Previsão de Demanda A previsão de demanda consiste em métodos quantitativos e qualitativos utilizados para se obter informações que sirvam de embasamento para um planejamento a curto, médio, ou longo prazo. O conhecimento empresarial nesta área e sua utilização são indispensáveis para empresas atuantes em qualquer ramo.
Métodos de Previsão de Demanda Dimensão da Variação da Demanda A Demanda varia segundo um determinado padrão e se pode planejar a produção de forma a regularizar o seu fluxo, independente da flutuação da venda. Todo hoteleiro entende bem as expressões “baixa temporada” e “alta temporada”. Todo fabricante de brinquedos aguarda ansioso a época do Natal e a comemoração do Dia das Crianças. Panetones, porque fabricá-los no final do ano?
Métodos de Previsão de Demanda Por quê Planejar a Demanda? Muitas empresas necessitam satisfazer a demanda do consumidor utilizando diretamente o estoque, e para isto, a previsão de demanda e um acompanhamento da sua reatividade com o mercado é muito importante. Até empresas que trabalham com produtos utilizando pedidos fechados precisam de uma previsão para ordenar ordens de compra de componentes e de matéria-prima
Métodos de Previsão de Demanda Por quê Planejar a Demanda? Uma empresa que não entende sua demanda está se expondo e correndo riscos de efetuar operações ineficientes. Está correndo um perigo real com relação a investimentos em inventários que podem ter efeitos significativos em sua rentabilidade. De maneira geral, todas as empresas precisam olhar adiante a fim de planejar orçamentos, finanças, etc.
Métodos de Previsão de Demanda Planejamento, predição e previsão o Planejamento: processo lógico que descreve as atividades necessárias para ir do ponto no qual estamos até o objetivo definido; o Predição: processo para determinação de um acontecimento futuro baseado em dados completamente subjetivos e sem uma metodologia de trabalho clara; o Previsão: processo metodológico para determinação de dados futuros baseados em modelos estatísticos, matemáticos ou econométricos ou ainda em modelos subjetivos apoiados em metodologia de trabalho clara e previamente definida.
Dúvidas??? Professor Fabiano Cunha Marinho e-mail: fcmarinho01@gmail.com
Etapas de um Modelo de Previsão Objetivo do modelo Coleta e análise dos dados Seleção da técnica de previsão Obtenção das previsões Monitoração do modelo
Métodos de Previsão de Demanda Etapas de um modelo de previsão Objetivo do modelo - A primeira etapa consiste em definir a razão pela qual necessitamos de previsões. Que produto, ou famílias de produtos, será previsto, com que grau de acuracidade e detalhe a previsão trabalhará, e que recursos estarão disponíveis para esta previsão. Coleta e análise dos dados - Visa identificar e desenvolver a técnica de previsão que melhor se adapte. Seleção da técnica de previsão - Existem técnicas qualitativas e quantitativas. Cada uma tendo o seu campo de ação e sua aplicabilidade. Obtenção das previsões – Com a definição da técnica de previsão e a aplicação dos dados passados para obtenção dos parâmetros necessários, podemos obter as projeções futuras da demanda. Quanto maior for o horizonte pretendido, menor a confiabilidade na demanda prevista. Monitoração do modelo A medida em que as previsões forem sendo alcançadas pela demanda real, deve-se monitorar a extensão do erro entre a demanda real e a prevista, para verificar se a técnica e os parâmetros empregados ainda são válidos. Em situações normais, um ajuste nos parâmetros do modelo, para que reflita as tendências mais recentes, é suficiente.
Objetivo do Modelo A primeira etapa consiste em definir a razão pela qual necessitamos de previsões. Que produto, ou famílias de produtos, será previsto, com que grau de acuracidade e detalhe a previsão trabalhará, e que recursos estarão disponíveis para esta previsão. A sofisticação e o detalhamento do modelo depende da importância relativa do produto, ou família de produtos, a ser previsto e do horizonte ao qual a previsão se destina. Itens pouco significativos podem ser previstos com maior margem de erro, empregando-se técnicas simples. Assim como admite-se margem de erro maior para previsões de longo prazo, empregando-se dados agregados de famílias de produtos.
Coleta e Análise dos Dados Visa identificar e desenvolver a técnica de previsão que melhor se adapte. Alguns cuidados básicos: Quanto mais dados históricos forem coletados e analisados, mais confiável a técnica de previsão será; Os dados devem buscar a caracterização da demanda real pelos produtos da empresa, que não é necessariamente igual as vendas passadas (faltas, postergação,...); Variações extraordinárias da demanda (greves, promoções, ...) devem ser analisadas e substituídas por valores médios, compatíveis com o comportamento normal da demanda; O tamanho do período de consolidação dos dados (semanal, mensal,...) tem influência direta na escolha da técnica de previsão mais adequada, assim como na análise das variações extraordinárias.
Periocidades Diferentes para Dados Idênticos
Métodos de Previsão de Demanda Abordagem básica para a previsão de demanda 1) Entender o objetivo da previsão; 2) Integrar o planejamento da demanda e a previsão por toda a cadeia de suprimentos; 3) Entender e identificar os segmentos dos clientes; 4) Identificar os principais fatores que influenciam a previsão de demanda; 5) Determinar a técnica de previsão apropriada; e 6) Estabelecer medidas de desempenho e erro para a previsão.
Métodos de Previsão de Demanda Fatores necessários de conhecimento pela empresa relacionadas a previsão de demanda. 1) Demanda passada; 2) Tempo de espera de ressuprimento de produtos; 3) Esforços de propaganda ou marketing planejados; 4) Estado da economia; 5) Descontos de preço planejados; e 6) Ações tomadas pelos concorrentes.
Métodos de Previsão de Demanda Características das previsões Existem uma série de técnicas disponíveis, com diferenças substanciais entre elas. Porém, cabe descrever as características gerais que normalmente estão presentes em todas as técnicas de previsão que são: • As previsões são sempre imprecisas e, assim, devem incluir seu valor esperado e uma medida de seu erro. • Supõem-se que as causas que influenciaram a demanda passada continuarão a agir no futuro • As previsões não são perfeitas pois não somos capazes de prever todas as variações aleatórias que ocorrerão; • Previsões de longo prazo normalmente são menos precisas do que previsões de curto prazo; ou seja a acuracidade das previsões diminui com o aumento do período de tempo auscultado; • A previsão para grupos de produtos é mais precisa do que para os produtos individualmente, visto que no grupo os erros individuais de previsão se anulam.
Seleção da Técnica de Previsão Existem Técnicas Qualitativas e Quantitativas. Cada uma tendo o seu campo de ação e sua aplicabilidade. Alguns fatores merecem destaque na escolha da Técnica de Previsão: Decidir em cima da curva de troca “custo-acuracidade”; A disponibilidade de dados históricos; A disponibilidade de recursos computacionais; A experiência passada com a aplicação de determinada técnica; A disponibilidade de tempo para coletar, analisar e preparar os dados e a previsão; O período de planejamento para o qual se necessita da previsão.
Técnicas de Previsão Existem uma série de técnicas disponíveis, com diferenças substanciais entre elas. Porém, cabe descrever as características gerais que normalmente estão presentes em todas as técnicas de previsão, que são: Supõem-se que as causas que influenciaram a demanda passada continuarão a agir no futuro; As previsões não são perfeitas, pois não somos capazes de prever todas as variações aleatórias que ocorrerão; A acuracidade das previsões diminui com o aumento do período de tempo auscultado; A previsão para grupos de produtos é mais precisa do que para os produtos individualmente, visto que no grupo os erros individuais de previsão se anulam.
Técnicas de Previsão As técnicas de previsão podem ser subdivididas em dois grandes grupos: As técnicas qualitativas privilegiam principalmente dados subjetivos, os quais são difíceis de representar numericamente. Estão baseadas na opinião e no julgamento de pessoas chaves, especialistas nos produtos ou nos mercados onde atuam estes produtos; As técnicas quantitativas envolvem a análise numérica dos dados passados, isentando-se de opiniões pessoais ou palpites. Empregam-se modelos matemáticos para projetar a demanda futura. Podem ser subdivididas em dois grandes grupos: as técnicas baseadas em séries temporais, e as técnicas causais (Mais conhecidos: Regressão Simples e Múltipla)
Técnicas de Previsão Técnicas Qualitativas  Pouco tempo para coleta de dados, introdução de novos produtos, cenário político/econômico instável  Questões estratégicas – em conjunto com modelos matemáticos e técnicas quantitativas Técnicas Quantitativas 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
Métodos de Previsão de Demanda Demanda Independente: é a demanda que não pode ser estabelecida por uma lei de formação exata, isto é, a necessidade não se vincula diretamente com a demanda de qualquer outro item. Demanda Dependente: é a demanda que pode ser estabelecida por uma lei de formação exata, isto é, a necessidade está relacionada com a demanda de outro item.
Métodos de Previsão de Demanda - Demanda dependente e demanda independente; “O consumo de braços de poltrona ilustra bem a diferença entre esses dois tipos de demanda. O consumo de braços de poltrona na fabricação de poltronas caracteriza uma demanda dependente, pois cada poltrona sempre recebe duas unidades. É, assim, uma variável nitidamente dependente da fabricação de poltronas.”
Métodos de Previsão de Demanda Demanda Programada (Dependente) – são as demandas planejadas quanto a quantidades e prazos de utilização, vinculadas a programas de operação ou investimentos específicos. Demanda Probabilística (Independente) – são as demandas não vinculadas a programas específicos, com distribuição de probabilidades conhecidas, previsíveis através de modelos estatísticos.
Métodos de Previsão de Demanda Demanda Incerta (Independente) – são as demandas decorrentes de fatores difícil previsão Demanda Eventual – são as demandas decorrentes de necessidades específicas, para aplicação imediata e cuja repetição não é prevista.
Métodos Qualitativos mais comuns  Consenso do comitê executivo  Método Delphi  Pesquisa da equipe de vendas  Pesquisa de clientes  Analogia histórica  Pesquisa de Mercado
MÉTODOS QUALITATIVOS DE PREVISÃO  Consenso do comitê executivo. Executivos com capacidade de discernimento, de vários departamentos da organização, formam um comitê que tem a responsabilidade de desenvolver uma previsão de vendas. O comitê pode usar muitas informações (inputs) de todas as partes da organização e fazer com que os analistas do staff forneçam análises quando necessário. Essas previsões tendem a ser previsões de compromisso, não refletindo as tendências que poderiam estar presentes caso tivessem sido preparadas por um único indivíduo. Esse método de previsão é o mais comum.
MÉTODOS QUALITATIVOS DE PREVISÃO  Método Delphi. Esse método é usado para se obter o consenso dentro de um comitê. Por esse método, os executivos respondem anonimamente a uma série de perguntas em turnos sucessivos. Cada resposta é repassada a todos os participantes em cada turno, e o processo é então repetido. Até seis turnos podem ser necessários antes que se atinja o consenso sobre a previsão. Esse método pode resultar em previsões com as quais a maioria dos participantes concordou apesar de ter ocorrido uma discordância inicial.
Técnicas de Previsão Qualitativas Método 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.
Vantagens  Ótimo método para lidar com aspectos inesperados de um problema  Previsões com carência de dados históricos  Interesse pessoal dos participantes  Minimiza pressões psicológicas  Não exige presença física
Desvantagens  Processo lento, média de 6 meses  Dependência dos participantes  Dificuldade de redigir o questionário  Possibilidade de consenso forçado
MÉTODOS QUALITATIVOS DE PREVISÃO  Pesquisa da equipe de vendas. Estimativas de vendas regionais futuras são obtidas de membros individuais da equipe de vendas. Essas estimativas são combinadas para formar uma estimativa de vendas única para todas as regiões, que deve então ser transformada pelos gerentes numa previsão de vendas para assegurar estimativas realísticas. Esse é um método de previsão popular para empresas que têm um bom sistema de comunicação em funcionamento e uma equipe de vendas que vende diretamente aos clientes.
MÉTODOS QUALITATIVOS DE PREVISÃO  Pesquisa de clientes. Estimativas de vendas futuras são obtidas diretamente dos clientes. Clientes individuais são pesquisados para determinar quais quantidades dos produtos da empresa eles pretendem comprar em cada período de tempo futuro. Uma previsão de vendas é determinada combinando-se as respostas de clientes individuais. Esse método é um dos preferidos das empresas que têm relativamente poucos clientes, como, por exemplo, concessionárias de veículos.
MÉTODOS QUALITATIVOS DE PREVISÃO  Analogia histórica. Esse método une a estimativa de vendas futuras de um produto ao conhecimento das vendas de um produto similar. O conhecimento das vendas de um produto durante várias etapas de seu ciclo de vida é aplicado à estimativa de vendas de um produto similar. Esse método pode ser especialmente útil na previsão de vendas de novos produtos.
MÉTODOS QUALITATIVOS DE PREVISÃO  Pesquisa de mercado. Nas pesquisas de mercado, questionários por correspondência, entrevistas telefônicas ou entrevistas dde campo formam a base para testar hipóteses sobre mercados reais. Em testes de mercado, produtos comercializados em regiões ou centros de compras tipo outlets são estatisticamente extrapolados para mercados totais. Esses métodos comumente são preferidos para novos produtos ou para produtos existentes a serem introduzidos em novos segmentos de mercados.
MÉTODOS QUALITATIVOS DE PREVISÃO  O consenso do comitê executivo e o método Delphi descrevem procedimentos para assimilar informações dentro de um comitê executivo com o propósito de gerar uma previsão de vendas e são úteis tanto para produtos e serviços existentes como para novos. Por outro lado, a pesquisa da equipe de vendas e a pesquisa de clientes descrevem métodos que são usados principalmente para produtos e serviços existentes. A analogia histórica e as pesquisas de mercado descrevem procedimentos úteis para novos produtos e serviços. O método de previsão, portanto, depende da etapa do ciclo de vida de um produto.
MÉTODOS QUALITATIVOS DE PREVISÃO  Em resumo, estes métodos qualitativos são subjetivos ou optativos por natureza e são baseadas em estimativas e em opiniões. Funcionários experientes e conhecedores de fatores influentes nas vendas e no mercado estabelecem a evolução das vendas futuras. Tais técnicas são utilizadas, principalmente, quando não existem dados disponíveis.
Técnicas de Previsão Qualitativas Análise de Cenários  Situações muito complexas  Geralmente utilizado para o longo prazo  Aplicado quando não há parâmetros que permitam uma previsão segura
Determinação dos Cenários Três possíveis cenários:  Cenário base: sem surpresas  Cenário alternativo 1: otimista  Cenário alternativo 2: pessimista
Vantagens  Estruturar e sistematizar o processo de projeções qualitativas  Identificar as variáveis que impactam a demanda e seus impactos mútuos  Estabelecer objetivos de longo prazo  Identificar prioridade de ação
Desvantagens  Dependência dos resultados em função da escolha das variáveis  Complexidade para se tratar muitas variáveis ao mesmo tempo  Pequenas alterações nas variáveis podem causar grandes distorções nas previsões
Métodos de previsão  Modelos Quantitativos:  modelos matemáticos baseados em dados históricos;  Séries temporais:  conjunto de valores observados medidos ao longo de períodos de tempo sucessivos – tendências; – Regressão linear; – Média móvel; – Média móvel ponderada; – Média móvel com ponderação exponencial; – Média móvel exponencial com tendência
Métodos Quantitativos de Previsão Previsões Baseadas em Séries Temporais 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). 51
Previsões Baseadas em Séries Temporais Sazonalidade Tendência 52 60 50 40 30 20 10 0 Jan. Fev. Mar. Abr. Mai. Jun. Jul. Ago. Set. Out. Nov. Dez. Demanda Variação irregular Variação randônica Tendência: É a orientação geral, para cima ou para baixo, dos dados históricos; Ciclicidade: Padrões de variação dos dados de uma série que se repetem a cada determinado intervalo de tempo (longo prazo); Sazonalidade: Variações cíclicas de curto prazo (menos de um ano); Aleatoriedade: São os “erros” ou variações da série histórica de dados que não são devidas a variáveis presentes no modelo de previsão.
53 Séries Temporais - ST Classificação  ST de Modelo Fixo (Fixed-Model Time-Series) – 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 (Open-Model Time-Series) – 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). Existem mais de 60 métodos do tipo ST!!
54 ST de Modelo Fixo  Média simples (MS)  Média Móvel Simples (MMS)  Média Móvel Dupla (MMD)  Amortecimento Exponencial Simples (AES)  Amortecimento Exponencial Duplo ( Método de Brown)  Amortecimento Exponencial Duplo ( Método de Holt)  Amortecimento Exponencial Triplo ( Método de Winter)  Metodologias de Seleção de Coeficientes de Amortecimento
55 Média Simples (MS) Não é indicada quando há Tendência ou Sazonalidade  Média aritmética simples de todas as vendas passadas: R n P n t t t     1 1 t1 P t R n - Previsão para o próximo período; - Valor real observado no período t; - Número de períodos no histórico de vendas passadas
Média Móvel Simples (MMS) Não é indicada quando há Tendência ou Sazonalidade  A média móvel usa dados de um número já determinado de períodos, normalmente os mais recentes, para gerar sua previsão. A cada novo período de previsão se substitui o dado mais antigo pelo mais recente. R R R R ( ... ) 1 2 1 P M t t t t n t t n 1            1  t P : previsão para o próximo período; : média móvel no período t; : valor real observado no período t; : número de períodos considerados na média móvel. t M t R n
Média Móvel Simples Período Janeiro Fevereiro Março Abril Maio Junho Julho Demanda 60 50 45 50 45 70 60 Previsões para Julho Mm3      52 00 50  45  70  55 00 3  , Mm3 45  70  60  58 33 3  , Mm5 50 45 50 45 70 5  , Previsão para Agosto
Métodos de Previsão de Demanda Média móvel ponderada Pontos específicos podem ser ponderados mais ou menos do que outros, como parecerem adequados pela experiência. Visto que a média móvel simples dá peso igual para cada componente do banco de dados de média móvel, uma média móvel ponderada permite que quaisquer pesos sejam dados a cada elemento, contanto que, é claro, a soma de todos os pesos seja igual a 1. Exemplo: Uma loja de departamentos poderá descobrir que, num período de quatro meses, a melhor previsão é obtida utilizando-se 40% das vendas reais para o mês mais recente,30% de dois meses atrás, 20% de três meses atrás e 10% de quatro meses atrás. Mês 1 Mês 2 Mês 3 Mês 4 Mês 5 100 90 105 95 ? P5 = 95 * 0,4 + 105 * 0,3 + 90 * 0,2 + 100 * 0,1 = 97,5
Métodos de Previsão de Demanda Média ponderada exponencial – Pontos recentes são ponderados mais com peso, declinando exponencialmente à medida que os dados se tornam mais antigos. Análise de regressão – Adapta uma linha reta aos dados passados, geralmente relacionando os valores de dados no tempo. A técnica de adaptação mais comum é a de mínimos quadrados de grupos ou indivíduos dominantes.
Métodos de Previsão de Demanda Técnicas para Média Exponencial Móvel (Suavização Exponencial) O peso de cada observação decresce no tempo em progressão geométrica, ou de forma exponencial. Cada nova previsão é obtida com base na previsão anterior, acrescida do erro cometido na previsão anterior, corrigido por um coeficiente de ponderação. Mt = Previsão para o período t; Mt1 = Previsão para o período t1; α = coeficiente de ponderação; Dt1 = Demanda do período t1. Mt = Mt1 + a(Dt1 – Mt1) O coeficiente de ponderação (α) é fixado pelo analista dentro de uma faixa que varia de 0 a 1. Quanto maior o seu valor, mais rapidamente o modelo de previsão reagirá a uma variação real da demanda.
Métodos de Previsão de Demanda Técnicas para Média Exponencial Móvel Demanda Ingênua =Previsão do período+α * Erro Período Demanda =90+0 10*5 a = 0,10 a = 0,50 Previsão Erro Previsão Erro 1 90 2 95 90,00 5,00 90,00 5,00 3 98 90,50 7,50 92,50 5,50 4 90 91,25 (1,25) 95,25 (5,25) 5 92 91,12 0,88 92,62 (0,62) 6 95 91,20 3,80 92,31 2,69 7 90 91,58 (1,58) 93,65 (3,65) 8 100 91,42 8,58 91,82 8,18 9 92 92,27 (0,27) 95,91 (3,91) 10 95 92,25 2,75 93,95 1,05 11 92,52 94,47 Obs.: Se o erro for geralmente muito grande usar aprox. α=0,8 se for pequeno usar aprox. α=0,2
Métodos de Previsão de Demanda Exercícios Apure as Previsões de Demanda para o 11º Período utilizando a Média Exponencial Móvel. Período Demanda a 0,6 a 0,2 Previsão Erro Previsão Erro 1 90 2 95 90,00 5,00 90,00 5,00 3 98 4 90 5 92 6 95 7 90 8 100 9 92 10 95 11
Métodos de Previsão de Demanda Exercícios Apure as Previsões de Demanda para o 11º Período utilizando a Média Exponencial Móvel. Período Demanda 1 90 2 95 90,00 5,00 90,00 5,00 3 98 4 90 5 92 6 95 7 90 8 100 9 92 10 95 11 Período Demanda a 0,6 a 0,2 Previsão Erro Previsão Erro a 0,2 a 0,5 Previsão Erro Previsão Erro 1 85 2 95 85,00 10,00 85,00 10,00 3 98 4 90 5 92 6 95 7 90 8 100 9 92 10 95 11
Métodos de Previsão de Demanda Exercícios Exercício de Revisão Média Exponencial Móvel. Período Demanda 1 90 2 95 3 98 4 90 5 92 6 95 7 90 8 100 9 92 10 95 11 Período Demanda a 0,3 a 0,6 Previsão Erro Previsão Erro a 0,2 a 0,5 Previsão Erro Previsão Erro 1 85 2 95 85,00 10,00 85,00 10,00 3 98 4 90 5 92 6 95 7 90 8 100 9 92 10 95 11
Métodos de Previsão de Demanda Exercícios Exercício de Revisão Média Exponencial Móvel. Período Demanda a 0,4 a 0,9 Previsão Erro Previsão Erro 1 85 2 95 3 98 4 90 5 92 6 95 7 90 8 110 9 92 10 85 11
Métodos de Previsão de Demanda Período Demanda a 0,6 a 0,2 Previsão Erro Previsão Erro 1 90 2 95 90,00 5,00 90,00 5,00 3 98 4 90 5 92 6 95 7 90 8 100 9 92 10 95 11
Métodos de Previsão de Demanda Técnicas para Tendência Equação Linear
Métodos de Previsão de Demanda Técnicas para Tendência Equação Linear Semana X Demanda Y X ^2 X * Y 1 450 1 450 2 430 4 860 3 470 9 1.410 4 480 16 1.920 5 450 25 2.250 6 500 36 3.000 7 520 49 3.640 8 530 64 4.240 Total 36 3.830 204 17.770
Métodos de Previsão de Demanda b = b = a = Técnicas para Tendência Equação Linear Semana X Demanda Y X ^2 X * Y 1 200 2 250 3 220 4 210 5 200 6 200 7 250 8 250 36 1.780 - - Y = Y 9 = Y 10 = Y 11 =
Métodos de Previsão de Demanda 71
Métodos de Previsão de Demanda b = b = a = Técnicas para Tendência Equação Linear Y = Y 9 = Y 10 = Y 11 =
Métodos de Previsão de Demanda LISTA DE EXERCÍCIOS QUESTÃO 01 74
Métodos de Previsão de Demanda Técnicas para Previsão da Sazonalidade A sazonalidade é expressa em termos de uma quantidade, ou de uma percentagem, da demanda que desvia-se dos valores médios da série. Caso exista tendência, ela deve ser considerada. - O valor aplicado sobre a média, ou a tendência, é conhecido como índice de sazonalidade. - A forma mais simples de considerar a sazonalidade nas previsões da demanda, consiste em empregar o último dado da demanda, no período sazonal em questão, e assumi-lo como previsão.
Métodos de Previsão de Demanda Técnicas para Previsão da Sazonalidade Períodos Vendas Passadas Média de vendas para cada estação (1000/4) Fator Sazonal 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 1000
Métodos de Previsão de Demanda Técnicas para Previsão da Sazonalidade Exemplo: Caso esperemos que a demanda para o próximo ano seja de 1100 unidades, preveríamos que a demanda ocorreria como se segue: Períodos Vendas Passadas Média de vendas para cada estação (1000/4) Fator Sazonal Primavera 275 275 X 0,8 = 220 Verão 275 275 X 1,4 = 385 Outono 275 275 X 1,3 = 330 Inverno 275 275 X 0,6 = 165 Total 1100 Utilizando os fatores Sazonais apurados com base na demanda do período anterior.
Métodos de Previsão de Demanda Técnicas para Previsão da Sazonalidade Exercício: Esperamos um crescimento em nossas vendas para o próximo ano de 20%, utilizando os fatores sazonais apurados com base na demanda do período anterior apure as necessidades dos trimestres para o próximo ano:
Métodos de Previsão de Demanda 85 LISTA DE EXERCÍCIOS – QUESTÃO 06
Métodos de Previsão de Demanda Técnicas para Previsão da Sazonalidade No caso da demanda do produto apresentar sazonalidade e tendência, há necessidade de se incorporar estas duas características no modelo de previsão. Para se fazer isto, deve-se empregar os seguinte passos: 1. Retirar o componente de sazonalidade da série de dados históricos, dividindo-os pelos correspondentes índices de sazonalidade; 2. Com estes dados, desenvolver uma equação que represente o componente de tendência; 3. Com a equação da tendência fazer a previsão da demanda e multiplicá-la pelo índice de sazonalidade.
Métodos de Previsão de Demanda Técnicas para Previsão da Sazonalidade Exemplo: A demanda trimestral de determinado produto apresenta sazonalidade e tendência. Para o 1º trimestre o índice de sazonalidade é de 1,3 , para o 2º é de 1,0 , para o 3º é de 0,8 , e para o 4º é de 0,9. Nos últimos dois anos a demanda deste produto apresentou os seguintes dados: a) Retirar a sazonalidade dos dados e gerar uma equação linear para previsão da tendência da demanda; Trimestre 1 2 3 4 1 2 3 4 Demanda 65 58 50 60 85 75 62 74 I1 = 1,3 I2 = 1,0 I3 = 0,8 I4 = 0,9 Retira-se a sazonalidade dos dados dividindo-os pelos respectivos índices de sazonalidade. Assim, tem-se a seguinte tabela: Trimestre 1 2 3 4 1 2 3 4 Demanda 50,0 58,0 62,5 66,7 65,4 75,0 77,5 82,2
Métodos de Previsão de Demanda Técnicas para Previsão da Sazonalidade
Métodos de Previsão de Demanda Técnicas para Previsão da Sazonalidade Demanda para o próximo Ano D1 Trim = (47,90 + 4,28 x 9) x 1,3 = 112,3 D2 Trim = (47,90 + 4,28 x 10) x 1,0 = 90,7 D3 Trim = (47,90 + 4,28 x 11) x 0,8 = 75,9 D4 Trim = (47,90 + 4,28 x 12) x 0,9 = 89,3
Métodos de Previsão de Demanda Técnicas para Previsão da Sazonalidade Exemplo: A demanda trimestral de determinado produto apresenta sazonalidade e tendência. Para o 1º trimestre o índice de sazonalidade é de 1,3 , para o 2º é de 1,0 , para o 3º é de 0,8 , e para o 4º é de 0,9. Nos últimos dois anos a demanda deste produto apresentou os seguintes dados: a) Retirar a sazonalidade dos dados e gerar uma equação linear para previsão da tendência da demanda; Trimestre 1 2 3 4 1 2 3 4 Demanda 75 68 60 70 95 85 72 84 I1 = 1,3 I2 = 1,0 I3 = 0,8 I4 = 0,9 Retira-se a sazonalidade dos dados dividindo-os pelos respectivos índices de sazonalidade. Assim, tem-se a seguinte tabela: Trimestre 1 2 3 4 1 2 3 4 Demanda
Métodos de Previsão de Demanda Trimestre Demanda Σ X² XY ( X ) ( Y ) 1 . 2 . 3 , 4 , 5 . 6 , 7 , 8 , Σ ,
Dúvidas??? Professor Fabiano Cunha Marinho e-mail: fcmarinho01@gmail.com /25
Rt = valor real observado no período t n = número de períodos considerados na Média Móvel M t t t t n ( ... ) ´ 1 2  1      103 Média Móvel Dupla - MMD Previsão de séries que apresentam tendência. Deve-se efetuar os cálculos: R R R R M t t t t n n t ( ... ) 1 2  1      M M M M n t ' ' ( ) 2 t t t t t t a  M  M  M  M  M 2 ' - Média móvel das médias móveis: b  t t t M M ( ) 1 n   P a b p t p t t    - Média móvel: - Efetua-se o seguinte cálculo: - Fator de ajuste adicional (Tendência – Coef. Angular): -Assim, a previsão é dada por: p : número de períodos futuros a serem previstos
Média Móvel Dupla - MMD 104
Média Móvel Dupla - MMD 105
Exercício – questão 1 106
Amortecimento Exponencial Simples - AES Sem Tendência. Método permite atribuir um maior peso ( ) em valores mais recentes. Deve-se efetuar os seguintes cálculos: 115 2 1 1       t t t t P R   R   R (1 ) (1 ) ... 2 Ou ainda, t t t P R (1 )P 1     Sendo:  = coeficiente de amortecimento (0  1) Próximo de 1 – previsão mais sensível ao último valor observado   Rt = valor real observado no período t Geralmente adota-se P0 = R0 ou P0 = (Rt)/n
116
117
118 AED - Amortecimento Exponencial Duplo (Método de Brown) Método para séries com tendências, com atribuição de pesos diferentes aos dados históricos. Seguem-se os cálculos: (1 ) 1     t t t A R  A ' (1 )     t t t A A  A ' 1 Primeiro amortecimento: ' 2 t t t a  A A ( ) 1 '  t t t b A A    P a b p t p t t    Segundo amortecimento: Sua diferença: Fator de ajuste adicional: Previsão: p: número de períodos futuros a serem previstos
Exemplo 119
Exemplo 120
Exercício – Questão 01 121
AED - Amortecimento Exponencial Duplo (Método de Brown) Ao utilizar o AED deve-se atentar aos valores iniciais “A0” e “A’ 0 ”, pois a utilização da primeira observação para estes valores implica em subestimar a tendência existente em uma série. Usar:    0 0 130 (1  ) A a b 0 0 0  ' 0 (1 ) A a 2 b    e : Coeficiente linear da regressão dos valores da série (variável dependente) pelos números dos períodos (variável independente). : Coeficiente angular da regressão dos valores da série (variável dependente) pelos números dos períodos (variável independente).
Amortecimento Exponencial Duplo (Método de Holt) Utilizado também para séries que apresentam tendência. 131 Existem dois coeficientes de amortecimento. Cálculos: N   R    N  T (1 )( ) t t t t T   N  N    T t t t t   1 1 P N pT 1 1 1 1 ( ) (1 )        t p t t Onde: : Componente nível : Componente tendência : Coeficiente de amortecimento para a estimativa da tendência – 0   1  : Coeficiente de amortecimento – 0    1 p: número de períodos futuros a serem previstos
132
133
Amortecimento Exponencial Triplo (Método Winter) Nt: Componente nível 135 Adequado para previsão de séries que apresentam tendências e sazonalidades:   S      t c R t  (1  ) S t t N             t N t R t c S  : ajuste sazonal calculado para o período t : ajuste sazonal calculado c períodos atrás. Para previsão mensal (semanal) e sazonalidade ao longo do ano (mês), usa-se c = 12 (4). : Componente sazonal : Coeficiente de amortecimento para a estimativa da sazonalidade 0   1.
Amortecimento Exponencial Triplo (Método Winter) 1 1 ( ) (1 )       t t t t - Cálculo da Tendência (Holt): T  N N  T 136 - Cálculo do nível considerando o ajuste sazonal:        R t N   t N T  t t (1 )( ) 1 1 t  c     S t p t t t c p P N pT S     (  ) - Finalmente, a previsão: Tt: componente Tendência, : coef. de amortecimento, : coef. de amortecimento para a estimativa de Tendência, Rt: valor real observado no período t, p: número de períodos a serem previstos.
137
138
139 Metodologias de Seleção de Modelo Seleção a Priori
140 Metodologia de Seleção de Modelo - Mean Absolute Deviation (MAD) R P Seleção pela Precisão  t | | 1 n MAD t n t    Onde: Valores reais de venda Valores Previstos Número de períodos de previsão t R t P n - Evita o problema de um erro negativo cancelar o positivo
141 Metodologia de Seleção de Modelo Seleção pela Precisão -Mean Percentual Error (MPE) R P t t  R n MPE n t t    1 ( ) Onde: Valores reais de venda Valores Previstos Número de períodos de previsão t R t P n 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.
142 Metodologia de Seleção de Modelo Seleção pela Precisão - Mean Absolute Percentual Error (MAPE) R P t t  R n MAPE n t t    1 | | Onde: = Valores reais de venda = Valores Previstos = Número de períodos de previsão t R t P n - Avalia a magnitude do erro com relação à serie histórica
143 Metodologia de Seleção de Modelo Seleção pela Precisão - (Rooted) Mean Squared Error - (R )MSE   R  P  n t t t n RMSE 1 2 ( ) Onde: = Valores reais de venda = Valores Previstos = Número de períodos de previsão t R t P n - 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
144 Obtenção das Previsões Com a definição da técnica de previsão e a aplicação dos dados passados para obtenção dos parâmetros necessários, podemos obter as projeções futuras da demanda. Quanto maior for o horizonte pretendido, menor a confiabilidade na demanda prevista. À medida em que as previsões forem sendo alcançadas pela demanda real, deve-se monitorar a extensão do erro entre a demanda real e a prevista, para verificar se a técnica e os parâmetros empregados ainda são válidos. Em situações normais, um ajuste nos parâmetros do modelo, para que reflita as tendências mais recentes, é suficiente.
Manutenção e Monitorização do Modelo Uma vez decidida a técnica de previsão e implantado o modelo, há necessidade de acompanhar o desempenho das previsões e confirmar a sua validade perante a dinâmica atual dos dados. Esta monitorização é realizada através do cálculo e acompanhamento do erro da previsão, que é a diferença que ocorre entre o valor real da demanda e o valor previsto pelo modelo para um dado período. A manutenção e monitorização de um modelo de previsão confiável 145 busca: Verificar a acuracidade dos valores previstos; Identificar, isolar e corrigir variações anormais; Permitir a escolha de técnicas, ou parâmetros, mais eficientes.
Manutenção e Monitorização do Modelo Uma forma de acompanhar o desempenho do modelo consiste em verificar o comportamento do erro acumulado que deve tender a zero, pois espera-se que o modelo de previsão gere, aleatoriamente, valores acima e abaixo dos reais, devendo assim se anular. O erro acumulado deve ser comparado com um múltiplo do desvio médio absoluto, conhecido como MAD - Mean Absolute Deviation. Em geral, compara-se o valor do erro acumulado com o valor de 4 MAD. Quando ultrapassar este valor, o problema deve ser identificado e o modelo deve ser revisto. 146 MAD D D atual prevista n   
Manutenção e Monitorização do Modelo 147  = 0,10  = 0,50 Período Datual Dprevista Erro Dprevista Erro 1 90 - - - - 2 95 90,00 5,00 90,00 5,00 3 98 90,50 7,50 92,50 5,50 4 90 91,25 -1,25 95,25 -5,25 5 92 91,12 0,88 92,62 -0,62 6 95 91,20 3,80 92,31 2,69 7 90 91,58 -1,58 93,65 -3,65 8 100 91,42 8,58 91,82 8,18 9 92 92,27 -0,27 95,91 -3,91 10 95 92,25 2,75 93,95 1,05 Erro  25,41 Erro  8,99 MAD = 31,61/9 = 3,51 MAD = 35,85/9 = 3,98  Para  = 0,10, tem-se que: 4  3,51  14,04  25,41 ;  Para  = 0,50, tem-se que: 4  3,98  15,92  8,99 .
Manutenção e Monitorização do Modelo 148 Gráfico de Controle para o Erro de Previsão 20 15 10 5 0 -5 -10 -15 -20
Manutenção e Monitorização do Modelo Erros de evisão al evisto Re Pr i i  149 Outros Erros de Previsão: MSE – Mean Square Error MAPE – Mean Absolute Percent Error TS - Tracking Signal     n Y Y n MSE n i i i 2 1 2 Pr ˆ       n al MAPE n i i   Re  100. 1   Erro de Previsão MAD ˆ 1    Y  Y   MAD TS n i i i
Manutenção e Monitorização do Modelo Uma série de fatores pode afetar o desempenho de um modelo de 150 previsão, sendo que os mais comuns são: A técnica de previsão pode estar sendo usada incorretamente, ou sendo mal interpretada; A técnica de previsão perdeu a validade devido à mudança em uma variável importante, ou devido ao aparecimento de uma nova variável; Variações irregulares na demanda podem ter acontecido em função de greves, formação de estoques temporários, catástrofes naturais, etc. Ações estratégicas da concorrência, afetando a demanda; Variações aleatórias inerentes aos dados da demanda.

Check these out next

Tecnicas de previsões v.4

Recommandé

Contenu connexe

Présentations pour vous(20)

Similaire à Tecnicas de previsões v.4(20)

Dernier(20)

Tecnicas de previsões v.4