1

Tcnicas de Previso
Prof. Fernando Augusto Silva Marins
www.feg.unesp.br/~fmarins
fmarins@feg.unesp.br
2
Sumrio
1. Conceitos
2. Etapas de um Modelo de Previso
1. Objetivos
2. Coleta e anlise de dados
3. Seleo da Tcnica
4. Obteno da previso
5. Monitoramento
3
Previso da Demanda
A previso da demanda a base para o planejamento
estratgico da produo, vendas e finanas de qualquer
empresa.
Permite que os administradores destes sistemas antevejam o
futuro e planejem adequadamente suas aes.
As previses so 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/servios, instalao, equipamentos,...
Curto prazo: planos de produo, armazenagem e compras,
sequenciamento
4
Previso da Demanda
A responsabilidade pela preparao da previso da
demanda normalmente do setor de Marketing ou
Vendas. Porm, existem dois bons motivos para que o
pessoal do PCP entenda como esta atividade realizada.
A previso da demanda a principal informao empregada pelo
PCP na elaborao de suas atividades;
Em empresas de pequeno e mdio porte, no existe ainda uma
especializao muito grande das atividades, cabendo ao pessoal
do PCP (geralmente o mesmo de Vendas) elaborar estas
previses.
Atualmente as empresas esto buscando um relacionamento mais
eficiente dentro de sua cadeia produtiva (JIT/TQC Cadeia Automotiva,
Celta, Fiat online).
5
Etapas de um Modelo de Previso
Objetivo do modelo
Coleta e anlise dos dados
Seleo da tcnica de previso
Obteno das previses
Monitorao do modelo
6
Objetivo do Modelo
A primeira etapa consiste em definir a razo pela qual
necessitamos de previses. Que produto, ou famlias de
produtos, ser previsto, com que grau de acuracidade e
detalhe a previso trabalhar, e que recursos estaro
disponveis para esta previso.
A sofisticao e o detalhamento do modelo depende da
importncia relativa do produto, ou famlia de produtos, a ser
previsto e do horizonte ao qual a previso se destina.
Itens pouco significativos podem ser previstos com maior margem
de erro, empregando-se tcnicas simples. Assim como admite-se
margem de erro maior para previses de longo prazo,
empregando-se dados agregados de famlias de produtos.
7
Coleta e Anlise dos Dados
Visa identificar e desenvolver a tcnica de previso que melhor se
adapte. Alguns cuidados bsicos:
Quanto mais dados histricos forem coletados e analisados, mais confivel
a tcnica de previso ser;
Os dados devem buscar a caracterizao da demanda real pelos produtos
da empresa, que no necessariamente igual as vendas passadas (faltas,
postergao,...);
Variaes extraordinrias da demanda (greves, promoes, ...) devem ser
analisadas e substitudas por valores mdios, compatveis com o
comportamento normal da demanda;
O tamanho do perodo de consolidao dos dados (semanal, mensal,...)
tem influncia direta na escolha da tcnica de previso mais adequada,
assim como na anlise das variaes extraordinrias.
8
Periocidades Diferentes para Dados Idnticos
9
Seleo da Tcnica de Previso
Existem tcnicas qualitativas e quantitativas. Cada uma tendo o
seu campo de ao e sua aplicabilidade. Alguns fatores
merecem destaque na escolha da tcnica de previso:
Decidir em cima da curva de troca custo-acuracidade;
A disponibilidade de dados histricos;
A disponibilidade de recursos computacionais;
A experincia passada com a aplicao de determinada tcnica;
A disponibilidade de tempo para coletar, analisar e preparar os dados e a
previso;
O perodo de planejamento para o qual necessitamos da previso.
10
Tcnicas de Previso
Existem uma srie de tcnicas disponveis, com diferenas
substanciais entre elas. Porm, cabe descrever as
caractersticas gerais que normalmente esto presentes em
todas as tcnicas de previso, que so:
Supem-se que as causas que influenciaram a demanda passada
continuaro a agir no futuro;
As previses no so perfeitas, pois no somos capazes de prever todas
as variaes aleatrias que ocorrero;
A acuracidade das previses diminui com o aumento do perodo de tempo
auscultado;
A previso para grupos de produtos mais precisa do que para os
produtos individualmente, visto que no grupo os erros individuais de
previso se anulam.
11
Tcnicas de Previso
As tcnicas de previso podem ser subdivididas em dois grandes
grupos:
As tcnicas qualitativas privilegiam principalmente dados subjetivos, os
quais so difceis de representar numericamente. Esto baseadas na
opinio e no julgamento de pessoas chaves, especialistas nos produtos ou
nos mercados onde atuam estes produtos;
As tcnicas quantitativas envolvem a anlise numrica dos dados
passados, isentando-se de opinies pessoais ou palpites. Empregam-se
modelos matemticos para projetar a demanda futura. Podem ser
subdivididas em dois grandes grupos: as tcnicas baseadas em sries
temporais, e as tcnicas causais (Mais conhecidos: Regresso Simples e
Mltipla)
12
Tcnicas de Previso
Tcnicas Qualitativas
Pouco tempo para coleta de dados, introduo de novos produtos,
cenrio poltico/econmico instvel
Questes estratgicas em conjunto com modelos matemticos e
tcnicas quantitativas
Tcnicas Quantitativas
Sries Temporais modelo matemtico da demanda futura
relacionando dados histricos de vendas do produto com o tempo
Causais associar dados histricos de vendas do produto com uma ou
mais variveis relacionadas demanda
13
z Tcnica Delphi
z Anlise de Cenrios
z Jri executivo de opinies
z Composio de foras de vendas
z Pesquisas de mercado
Mtodos Qualitativos mais comuns
14
Tcnicas de Previso Qualitativas
Caractersticas: anonimato, realimentao controlada das informaes,
quantificao das respostas (escala numrica), resposta estatstica (pode
no haver consenso)
Processo:
1o. Passo Coordenador elabora Questionrio
2o. Passo - Grupo responde Questionrio (escala numrica)
3o. Passo Coordenador confere coerncia das respostas, altera
questes (se necessrio), processa anlise estatstica, sistematiza os
argumentos manifestados
4o. Passo Grupo responde novo Questionrio (com as informaes da
anlise estatstica e dos argumentos), respostas discrepantes com
relao Mdia devem ser justificados
5o.Passo Coordenador verifica se no houve variaes significativas
(Fim - Relatrio), caso contrrio retornar ao Passo 2.
Mtodo Delphi
15
Vantagens
z timo mtodo para lidar com aspectos
inesperados de um problema
z Previses com carncia de dados histricos
z Interesse pessoal dos participantes
z Minimiza presses psicolgicas
z No exige presena fsica
16
Desvantagens
z Processo lento, mdia de 6 meses
z Dependncia dos participantes
z Dificuldade de redigir o questionrio
z Possibilidade de consenso forado
17
z Situaes muito complexas
z Geralmente utilizado para o longo prazo
z Aplicado quando no h parmetros que
permitam uma previso segura
Tcnicas de Previso Qualitativas
Anlise de Cenrios
18
Determinao dos Cenrios
Trs possveis cenrios:
z Cenrio base: sem surpresas
z Cenrio alternativo 1: otimista
z Cenrio alternativo 2: pessimista
19
Vantagens
z Estruturar e sistematizar o processo de projees
qualitativas
z Identificar as variveis que impactam a demanda
e seus impactos mtuos
z Estabelecer objetivos de longo prazo
z Identificar prioridade de ao
20
Desvantagens
z Dependncia dos resultados em funo da
escolha das variveis
z Complexidade para se tratar muitas variveis ao
mesmo tempo
z Pequenas alteraes nas variveis podem causar
grandes distores nas previses
21
Mtodos Quantitativos de Previso
Partem do princpio de que a demanda futura ser uma projeo
dos seus valores passados, no sofrendo influncia de outras
variveis.
o mtodo mais simples e usual de previso, e quando bem elaborado
oferece bons resultados.
Para se montar o modelo de previso, necessrio plotar os dados
passados e identificar os fatores que esto por trs das caractersticas da
curva obtida (Previso final = composio dos fatores).
Uma curva temporal de previso pode conter tendncia, sazonalidade,
variaes irregulares e variaes randmicas (h tcnicas para tratar
cada um destes aspectos).
Previses Baseadas em Sries Temporais
22
Previses Baseadas em Sries Temporais
0
10
20
30
40
50
60
Jan. Fev. Mar. Abr. Mai. Jun. Jul. Ago. Set. Out. Nov. Dez.
D
e
m
a
n
d
a
Variao irregular
Sazonalidade
Tendncia
Variao randnica
23
Sries Temporais - ST
z ST de Modelo Fixo (Fixed-Model Time-Series)
apresentam equaes definidas baseadas em avaliaes
a priori da existncia de determinadas componentes nos
dados histricos (Mais simples, sries histricas no muito
grandes);
z ST de Modelo Aberto (Open-Model Time-Series)
analisam as ST de modo a identificar quais componentes
realmente esto presentes, para ento criar um modelo
nico que projete tais componentes, prevendo os valores
futuros (Mais elaboradas, maior quantidade de dados).
Existem mais de 60 mtodos do tipo ST!!
Classificao
24
ST de Modelo Fixo
z Mdia simples (MS)
z Mdia Mvel Simples (MMS)
z Mdia Mvel Dupla (MMD)
z Amortecimento Exponencial Simples (AES)
z Amortecimento Exponencial Duplo ( Mtodo de Brown)
z Amortecimento Exponencial Duplo ( Mtodo de Holt)
z Amortecimento Exponencial Triplo ( Mtodo de Winter)
z Metodologias de Seleo de Coeficientes de Amortecimento
25
Mdia Simples (MS)
z Mdia aritmtica simples de todas as vendas passadas:
n
R
P
n
t
t
t

=
+
=
1
1
1 + t
P
t
R
n
- Previso para o prximo perodo;
- Valor real observado no perodo t;
- Nmero de perodos no histrico de vendas
passadas
No indicada quando h Tendncia ou Sazonalidade
26
Mdia Mvel Simples (MMS)
z A mdia mvel usa dados de um nmero j determinado de perodos,
normalmente os mais recentes, para gerar sua previso. A cada novo
perodo de previso se substitui o dado mais antigo pelo mais recente.
No indicada quando h Tendncia ou Sazonalidade
n
R R R R
M P
n t t t t
t t
) ... (
1 2 1
1
+
+
+ + + +
= =
1 + t
P : previso para o prximo perodo;
: mdia mvel no perodo t;
: valor real observado no perodo t;
: nmero de perodos considerados na
mdia mvel.
t
M
t
R
n
27
Mdia Mvel Simples
Perodo Janeiro Fevereiro Maro Abril Maio Junho Julho
Demanda 60 50 45 50 45 70 60
Previses para Julho
Mm
3
50 45 70
3
55 00 =
+ +
= , Mm
3
45 70 60
3
58 33 =
+ +
= ,
Mm
5
50 45 50 45 70
5
52 00 =
+ + + +
= ,
Previso para Agosto
Alternativa: ponderar os perodos com pesos maiores para
os mais recentes (50%, 30%, 20%: Julho = 58,50)
28
Mdia Mvel Dupla - MMD
Previso de sries que apresentam tendncia. Deve-se efetuar os
clculos:
n
R R R R
M
n t t t t
t
) ... (
1 2 1 +
+ + + +
=
n
M M M M
M
n t t t t
) ... (

1 2 1 +
+ + + +
=
) (
1
2
'
t t t
M M
n
b

=
p b a P
t t p t
+ =
+
' '
2 ) (
t t t t t t
M M M M M a = + =
p : nmero de perodos futuros a serem previstos
- Mdia mvel:
- Mdia mvel das mdias mveis:
- Efetua-se o seguinte clculo:
- Fator de ajuste adicional
(Tendncia Coef. Angular):
-Assim, a previso dada por:
t
R
t
= valor real observado no perodo t
! = nmero de perodos considerados na Mdia Mvel
29
Amortecimento Exponencial Simples - AES
Sem Tendncia. Mtodo permite atribuir um maior peso ( ) em
valores mais recentes. Deve-se efetuar os seguintes clculos:
... ) 1 ( ) 1 (
2
2
1 1
+ + + =
+ t t t t
R R R P D D D D D
t t t
P R P ) 1 (
1
D D + =
+
) 1 0 ( s s D
Sendo: = coeficiente de amortecimento
Prximo de 1 previso mais sensvel ao ltimo valor observado
D
D
D
R
t
= valor real observado no perodo t
Geralmente adota-se P
0
= R
0
ou P
0
= (ER
t
)/n
Ou ainda,
30
AED - Amortecimento Exponencial Duplo
(Mtodo de Brown)
Mtodo para sries com tendncias, com atribuio de
pesos diferentes aos dados histricos. Seguem-se os
clculos:
1
) 1 (

+ =
t t t
A R A D D
'
1
'
) 1 (

+ =
t t t
A A A D D
'
2
t t t
A A a =
) (
1
'
t t t
A A b

=
D
D
p b a P
t t p t
+ =
+
Primeiro amortecimento:
Segundo amortecimento:
Sua diferena:
Fator de ajuste
adicional:
Previso:
p: nmero de perodos futuros a serem previstos
31
0 0 0
) 1 (
b a A
D
D
=
0 0
'
0
) 1 (
2 b a A
D
D
=
Ao utilizar o AED deve-se atentar aos valores iniciais A
0
e A

0
,
pois a utilizao da primeira observao para estes valores implica em
subestimar a tendncia existente em uma srie. Usar:
e
: Coeficiente linear da regresso dos valores da srie
(varivel dependente) pelos nmeros dos perodos
(varivel independente).
: Coeficiente angular da regresso dos valores da
srie (varivel dependente) pelos nmeros dos
perodos (varivel independente).
AED - Amortecimento Exponencial Duplo (Mtodo de Brown)
32
Amortecimento Exponencial Duplo (Mtodo de Holt)
Utilizado tambm para sries que apresentam tendncia.
Existem dois coeficientes de amortecimento. Clculos:
t t p t
t t t t
t t t t
pT ! P
T ! ! T
T ! R !
+ =
+ =
+ + =
+


1 1
1 1
) 1 ( ) (
) )( 1 (
E E
D D
Onde:
: Componente nvel
: Componente tendncia
: Coeficiente de amortecimento para a estimativa
da tendncia 0 s s 1
: Coeficiente de amortecimento 0 s s 1 D
D
p: nmero de perodos futuros a serem previstos
33
Amortecimento Exponencial Triplo (Mtodo Winter)
c t
t
t
t
S
!
R
S

+
|
|
.
|

\
|
= ) 1 ( J J
|
|
.
|

\
|
t
t
!
R
c t
S

Adequado para previso de sries que apresentam tendncias e

sazonalidades:
: ajuste sazonal calculado para o perodo t
: ajuste sazonal calculado c perodos atrs. Para previso mensal (semanal) e
sazonalidade ao longo do ano (ms), usa-se c = 12 (4).
: Coeficiente de amortecimento para a estimativa da sazonalidade
0 s s 1.
: Componente sazonal
!
t
: Componente nvel
34
p c t t t p t
S pT ! P
+ +
+ = ) (
) )( 1 (
1 1

+ +
|
|
.
|

\
|
=
t t
c t
t
t
T !
S
R
! D D
1 1
) 1 ( ) (

+ =
t t t t
T ! ! T E E
- Clculo da Tendncia (Holt):
- Clculo do nvel considerando o ajuste sazonal:
- Finalmente, a previso:
Amortecimento Exponencial Triplo (Mtodo Winter)
T
t
: componente Tendncia, o: coef. de amortecimento, |: coef. de
amortecimento para a estimativa de Tendncia, R
t
: valor real observado no
perodo t, p: nmero de perodos a serem previstos.
35
Tcnica para Previso da Sazonalidade
A sazonalidade expressa em termos de uma quantidade, ou de
uma percentagem, da demanda que desvia-se dos valores mdios
da srie. Caso exista tendncia, ela deve ser considerada.
O valor aplicado sobre a mdia, ou a tendncia, conhecido como ndice de
sazonalidade.
Exemplo: ndice de Sazonalidade de cervejas em janeiro = 1,30, ou seja,
30% maior que a mdia anual.
A forma mais simples de considerar a sazonalidade nas previses da
demanda, consiste em empregar o ltimo dado da demanda, no
perodo sazonal em questo, e assumi-lo como previso.
Exemplo: Venda de casacos em julho/2003 = Vendas em julho/2002 +
tendncia
Decomposio Clssica
36
Tcnicas para Previso da Sazonalidade
A forma mais usual de incluso da sazonalidade nas previses da
demanda, consiste em obter o ndice de sazonalidade para os
diversos perodos, empregando a mdia mvel centrada, e
aplic-los sobre o valor mdio (ou tendncia) previsto para o
perodo em questo.
O ndice de sazonalidade obtido dividindo-se o valor da demanda no
perodo pela mdia mvel centrada neste perodo. O perodo empregado
para o clculo da mdia mvel o ciclo da sazonalidade. Quando se
dispem de dados suficientes, calculam-se vrios ndices para cada
perodo e tira-se uma mdia.
Decomposio Clssica
37
Previso da Sazonalidade: Exemplo do Restaurante
D i a D e m a n d a M d i a M ve l C e n t r a d a n d i ce
S e g u n d a 5 0
T er a 5 5
Q u a r t a 5 2
Q u i n t a 5 6 4 4 3 / 7 = 6 3 , 2 8 5 6 / 6 3 , 2 8 = 0 , 8 8
S e x t a 6 5 4 4 8 / 7 = 6 4 6 5 / 6 4 = 1 , 0 1
S b a d o 8 0 4 4 3 / 7 = 6 3 , 2 8 8 0 / 6 3 , 2 8 = 1 , 2 6
D o m i n g o 8 5 4 4 9 / 7 = 6 4 , 1 4 8 5 / 6 4 , 1 4 = 1 , 3 2
S e g u n d a 5 5 4 4 3 / 7 = 6 3 , 2 8 5 5 / 6 3 , 2 8 = 0 , 8 6
T er a 5 0 4 4 8 / 7 = 6 4 5 0 / 6 4 = 0 , 7 8
Q u a r t a 5 8 4 4 3 / 7 = 6 3 , 2 8 5 8 / 6 3 , 2 8 = 0 , 9 1
Q u i n t a 5 0 4 3 8 / 7 = 6 2 , 5 7 5 0 / 6 2 , 5 7 = 0 , 7 9
S e x t a 7 0 4 3 5 / 7 = 6 2 , 1 4 7 0 / 6 2 , 1 4 = 1 , 1 2
S b a d o 7 5 4 3 5 / 7 = 6 2 , 1 4 7 5 / 6 2 , 1 4 = 1 , 2 0
D o m i n g o 8 0 4 3 1 / 7 = 6 1 , 5 7 8 0 / 6 1 , 5 7 = 1 , 2 9
S e g u n d a 5 2 4 4 1 / 7 = 6 3 5 2 / 6 3 = 0 , 8 2
T er a 5 0 4 3 6 / 7 = 6 2 , 2 8 5 0 / 6 2 , 2 8 = 0 , 8 0
Q u a r t a 5 4 4 4 6 / 7 = 6 3 , 7 1 5 4 / 6 3 , 7 1 = 0 , 8 4
Q u i n t a 6 0 4 5 6 / 7 = 6 5 , 1 4 6 0 / 6 5 , 1 4 = 0 , 9 2
S e x t a 6 5 4 5 4 / 7 = 6 4 , 8 5 6 5 / 6 4 , 8 5 = 1 , 0 0
S b a d o 8 5 4 5 7 / 7 = 6 5 , 2 8 8 5 / 6 5 , 2 8 = 1 , 3 0
D o m i n g o 9 0 4 5 8 / 7 = 6 5 , 4 2 9 0 / 6 5 , 4 2 = 1 , 3 7
S e g u n d a 5 0
T er a 5 3
Q u a r t a 5 5
I
segunda
= 0,84
I
tera
= 0,79
I
quarta
= 0,87
I
quinta
= 0,86
I
sexta
= 1,04
I
sbado
= 1,25
I
domingo
= 1,32
Demanda =
Nmero de
Refeies
38
Tcnicas para Previso da Sazonalidade
No caso da demanda do produto apresentar sazonalidade e
tendncia, h necessidade de se incorporar estas duas
caractersticas no modelo de previso. Para se fazer isto, deve-
se empregar os seguinte passos:
Primeiro, retirar o componente de sazonalidade da srie de dados
histricos, dividindo-os pelos correspondentes ndices de sazonalidade;
Com estes dados, desenvolver uma equao que represente o
componente de tendncia;
Com a equao da tendncia fazer a previso da demanda e multiplic-
la pelo ndice de sazonalidade.
39
Previso de Tendncia & Sazonalidade
z Exemplo: No caso do Restaurante, considere uma tendncia
dada pela equao: Y = 40 + 2X.
z Deseja-se a previso da demanda para uma semana onde a 2a.
Feira o 18o. Dia.
z Soluo: D(2a.) = (40 + 2.18).0,84 = 63,84
D(3a.) = (40 + 2.19).0,79 = 61,62
D(4a.) = (40 + 2.20).0,87 = 69,60
D(5a.) = (40 + 2.21).0,86 = 70,52
D(6a.) = (40 + 2.22).1,04 = 87,36
D(sab.) = (40 + 2.23).1,25 = 107,50
D(dom) = (40 + 2.24).1,32 = 116,16
40
Metodologias de Seleo de Modelo
Seleo a Priori
41
Onde: Valores reais de venda
Valores Previstos
Nmero de perodos de previso
Metodologia de Seleo de Modelo
n
P R
MAD
t
n
t
t
| |
1

=
t
R
t
P
Seleo pela Preciso
- Mean Absolute Deviation (MAD)
n
- Evita o problema de um erro negativo cancelar o positivo
42
Metodologia de Seleo de Modelo
Seleo pela Preciso
-Mean Percentual Error (MPE)
n
R
P R
MPE
n
t
t
t t

=
1
) (
Onde: Valores reais de venda
Valores Previstos
Nmero de perodos de previso
t
R
t
P
n
Mede se os valores previstos esto sistematicamente acima ou abaixo das
vendas reais:
- Se o valor de MPE for positivo, tem-se que a previso est freqentemente
abaixo da venda real;
- Se o valor de MPE for negativo, tem-se que a previso est freqentemente
acima da venda real.
43
Metodologia de Seleo de Modelo
Seleo pela Preciso
- Mean Absolute Percentual Error (MAPE)
n
R
P R
MAPE
n
t
t
t t

=
1
| |
Onde: = Valores reais de venda
= Valores Previstos
= Nmero de perodos de previso
t
R
t
P
n
- Avalia a magnitude do erro com relao serie histrica
44
Metodologia de Seleo de Modelo
Seleo pela Preciso
- (Rooted) Mean Squared Error - (R )MSE

=
n
t
t t
n
P R
RMSE
1
2
) (
Onde: = Valores reais de venda
= Valores Previstos
= Nmero de perodos de previso
t
R
t
P
n
- Os grandes erros se destacam devido ao clculo da mdia ao quadrado
- Mas os erros outliers recebero grande significncia (deveriam ser
desconsiderados)
-MSE : erros avaliados na unidade ao quadrado
-RMSE Raiz quadrada do MSE
45
Modelos Causais
z Regresso Linear Simples
z Regresso Linear Mltipla
46
Previses Baseadas em Regresses
Buscam prever a demanda de determinado produto a partir da
previso de outra varivel (interna ou externa empresa) que
esteja relacionada com o produto.
Exemplo: Pneus e Carros, Vidros planos e Construo Civil
O objetivo da regresso linear simples consiste em encontrar uma
equao linear de previso, do tipo Y = a + bX (onde Y a
varivel dependente a ser prevista e X a varivel independente
da previso), de forma que a soma dos quadrados dos erros de
previso (|) seja a mnima possvel. Este mtodo tambm
conhecido como regresso dos mnimos quadrados.
47
Previses Baseadas em Regresses
( ) ( )( )
( ) ( )
b
n XY X Y
n X X
=

2
2
E
2
0

E
Y = a + bX
Y
X
( )
a
Y b X
n
=

48
z Uma equao linear possui o seguinte formato:
Y = Varivel Dependente;
a = Intercepto no eixo da varivel Independente (Y);
b = Coeficiente angular;
X = varivel Independente;
n = nmero de perodos observados.
Regresso Linear
Y a bX = +
( ) ( )( )
( ) ( )
b
n XY X Y
n X X
=

2
2
( )
a
Y b X
n
=

49
Regresso Linear - Exemplo
Semana(X) Demanda(Y)
X

X
2

XY
1 450 1 1 450
2 430 3 5 860
3 470 6 14 1410
4 480 10 30 1920
5 450 15 55 2250
6 500 21 91 3000
7 520 28 140 3640
8 530 36 204 4240

3830 17770
b =


= =
8 17770 36 3830
8 204 36 36
4280
336
12 73 ,
a =

=
3830 12 73 36
8
421 46
,
,
Y = 421,46 + 12,73 X
50
( ) ( )( )
( ) ( )
b
n XY X Y
n X X
=

2
2
=
( )
13 5224 86 143 10 450
13 1663 143 10
2


=
, , ,71
,37 ,
2,99
( )
a
Y b X
n
=

=
450 2 143 10
13
,71 ,99 ,
= 1,757
Previses Baseadas em Regresses
Uma cadeia de fastfood verificou que as vendas mensais de refeies
em suas casas esto relacionadas ao nmero de alunos matriculados
em escolas situadas num raio de 2 quilmetros em torno da casa. A
empresa pretende instalar uma nova casa numa regio onde o
nmero de alunos de 13750. Qual a previso da demanda para esta
nova casa?
Y = 1,757 + 2,99X
Y = + = 1 757 2 99 13 75 42 869 , , , , ou seja 42.869 refeies
51
Previses Baseadas em Regresses
Vendas/Loja Versus Nmero de Alunos
Vendas Mensais em Lojas de uma Cadeia de Fastfood
52
Previses Baseadas em Regresses
z Medida da Correlao entre duas Variveis:
( ) ( )( )
( ) ( ) ( ) ( )
9 , 0
71 , 450 82 , 416 . 16 . 13 . 10 , 143 37 , 663 . 1 . 13
71 , 450 . 10 , 143 86 , 224 . 5 . 13
.
. .
2 2
2
1
2
2
1 1
2
1 1 1
=

=
|
.
|

\
|

|
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
=


= = =
= = =
r
Y Y n X X n
Y X Y X n
r
n
i
n
i
n
i
n
i
n
i
n
i
i i
53
Obteno das Previses
Com a definio da tcnica de previso e a aplicao dos dados
passados para obteno dos parmetros necessrios, podemos
obter as projees futuras da demanda. Quanto maior for o
horizonte pretendido, menor a confiabilidade na demanda
prevista.
medida em que as previses forem sendo alcanadas pela demanda
real, deve-se monitorar a extenso do erro entre a demanda real e a
prevista, para verificar se a tcnica e os parmetros empregados ainda
so vlidos.
Em situaes normais, um ajuste nos parmetros do modelo, para que
reflita as tendncias mais recentes, suficiente.
54
Manuteno e Monitorizao do Modelo
Uma vez decidida a tcnica de previso e implantado o modelo, h
necessidade de acompanhar o desempenho das previses e
confirmar a sua validade perante a dinmica atual dos dados.
Esta monitorizao realizada atravs do clculo e
acompanhamento do erro da previso, que a diferena que
ocorre entre o valor real da demanda e o valor previsto pelo
modelo para um dado perodo.
A manuteno e monitorizao de um modelo de previso confivel
busca:
Verificar a acuracidade dos valores previstos;
Identificar, isolar e corrigir variaes anormais;
Permitir a escolha de tcnicas, ou parmetros, mais eficientes.
55
Manuteno e Monitorizao 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
previso gere, aleatoriamente, valores acima e abaixo dos
reais, devendo assim se anular.
O erro acumulado deve ser comparado com um mltiplo do desvio
mdio 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.
MAD
D D
n
atual prevista
=

56
D = 0,10 D = 0,50
Perodo D
atual
D
prevista
Erro D
prevista
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
Manuteno e Monitorizao do Modelo
- Para D = 0,10, tem-se que: 4 3 51 14 04 25 41 = < , , , ;
- Para D = 0,50, tem-se que:
4 3 98 15 92 8 99 = > , , ,
.
57
Manuteno e Monitorizao do Modelo
Grfico de Controle para o Erro de Previso
20
15
10
5
0
-5
-10
-15
-20
58
Manuteno e Monitorizao do Modelo
Outros Erros de Previso:
MSE Mean Square Error
MAPE Mean Absolute Percent Error
TS - Tracking Signal
( )
( )
n
eviso de Erros
n
Y Y
MSE
n
i
i i
2
1
2
Pr

=
=
n
al
evisto al
MAPE
n
i
i
i i

=
1
Re
Pr Re
. 100
( )
MAD
Previso de Erro

=
=
MAD
Y Y
TS
n
i
i i
59
Manuteno e Monitorizao do Modelo
Uma srie de fatores pode afetar o desempenho de um modelo de
previso, sendo que os mais comuns so:
A tcnica de previso pode estar sendo usada incorretamente, ou sendo
mal interpretada;
A tcnica de previso perdeu a validade devido mudana em uma
varivel importante, ou devido ao aparecimento de uma nova varivel;
Variaes irregulares na demanda podem ter acontecido em funo de
greves, formao de estoques temporrios, catstrofes naturais, etc.
Aes estratgicas da concorrncia, afetando a demanda;
Variaes aleatrias inerentes aos dados da demanda.