Escolar Documentos
Profissional Documentos
Cultura Documentos
Tecnicas de Previsões
Tecnicas de Previsões
Sumrio
1.
2.
Conceitos
Etapas de um Modelo de Previso
1. Objetivos
2. Coleta e anlise de dados
3. Seleo da Tcnica
4. Obteno da previso
5. Monitoramento
2
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.
Previso da Demanda
A responsabilidade pela preparao da previso da demanda
normalmente do setor de Marketing ou Vendas. Porm,
existem bons motivos para que o pessoal do PCP/Logstica
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).
4
Objetivo do modelo
Monitorao do modelo
5
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.
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.
10
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)
11
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
12
Tcnica Delphi
Anlise de Cenrios
Pesquisas de mercado
13
Vantagens
com
aspectos
Desvantagens
16
que
17
18
Vantagens
Identificar prioridade de ao
19
Desvantagens
Sazonalidade
60
Demanda
50
40
30
20
10
0
Jan.
Variao randnica
Fev.
Mar.
Abr.
Mai.
Jun.
Jul.
Ago.
Set.
Out.
Nov.
Dez.
22
Sries Temporais - ST
Classificao
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);
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!!
23
ST de Modelo Fixo
24
Pt 1
R
t 1
Rt
25
( Rt Rt 1 Rt 2 ... Rt n 1 )
Pt 1 M t
n
26
Mm3
50 45 50 45 70
52,00
5
50 45 70
55,00
3
Mm3
45 70 60
58,33
3
- Mdia mvel:
Mt
( Rt Rt 1 Rt 2 ... Rt n 1 )
n
( M t M t 1 M t 2 ... M t n1 )
n
at M t ( M t M t' ) 2 M t M t'
bt
2
( M t M t' )
n 1
Pt p at bt p
28
Pt 1 Rt (1 ) Rt 1 (1 ) Rt 2 ...
2
Ou ainda,
Pt 1 Rt (1 ) Pt
Sendo:
= coeficiente de amortecimento
(0 1)
29
Primeiro amortecimento: At Rt (1 ) At 1
Segundo amortecimento:
Sua diferena:
At' At (1 ) At' 1
at 2 At At'
bt
( At At' )
1
Fator de ajuste
adicional:
Previso: Pt p at bt p
30
A0 a0
(1 )
b0
A a0 2
'
0
(1 )
b0
: Componente nvel
Onde:
: Componente tendncia
: Coeficiente de amortecimento para a estimativa
da tendncia 0 1
: Coeficiente de amortecimento 0 1
p: nmero de perodos futuros a serem previstos
32
Rt
St
Nt
Rt
Nt
S t c
(1 ) St c
1.
33
Tt ( N t N t 1 ) (1 )Tt 1
Rt
N t
S t c
- Finalmente, a previso:
(1 )(N t 1 Tt 1 )
Pt p ( N t pTt ) S t c p
36
Dia
Segunda
Tera
Quarta
Quinta
Sexta
Sbado
Domingo
Segunda
Tera
Quarta
Quinta
Sexta
Sbado
Domingo
Segunda
Tera
Quarta
Quinta
Sexta
Sbado
Domingo
Segunda
Tera
Quarta
Demanda
50
55
52
56
65
80
85
55
50
58
50
70
75
80
52
50
54
60
65
85
90
50
53
55
ndice
443/7=63,28
448/7=64
443/7=63,28
449/7=64,14
443/7=63,28
448/7=64
443/7=63,28
438/7=62,57
435/7=62,14
435/7=62,14
431/7=61,57
441/7=63
436/7=62,28
446/7=63,71
456/7=65,14
454/7=64,85
457/7=65,28
458/7=65,42
56/63,28=0,88
65/64=1,01
80/63,28=1,26
85/64,14=1,32
55/63,28=0,86
50/64=0,78
58/63,28=0,91
50/62,57=0,79
70/62,14=1,12
75/62,14=1,20
80/61,57=1,29
52/63=0,82
50/62,28=0,80
54/63,71=0,84
60/65,14=0,92
65/64,85=1,00
85/65,28=1,30
90/65,42=1,37
Demanda =
Nmero de
Refeies
Isegunda = 0,84
Itera = 0,79
Iquarta = 0,87
Iquinta = 0,86
Isexta = 1,04
Isbado = 1,25
Idomingo = 1,32
37
Com a equao da tendncia fazer a previso da demanda e multiplicla pelo ndice de sazonalidade.
38
40
MAD
| R P |
t 1
41
( Rt Pt )
Rt
t 1
MPE
n
n
Onde:
Rt
t 1
MAPE
n
n
Onde:
43
Onde:
Modelos Causais
45
46
X Y
n X X
Y = a + bX
n XY
Y b X
a
n
47
Regresso Linear
Y a bX
XY X Y
n X X
Y b X
a
n
Y = Varivel Dependente;
a = Intercepto no eixo da varivel Independente (Y);
b = Coeficiente angular;
X = varivel Independente;
n = nmero de perodos observados.
48
Demanda(Y)
1
2
3
4
5
6
7
8
450
430
470
480
450
500
520
530
3830
1
3
6
10
15
21
28
36
1
5
14
30
55
91
140
204
12,73
8 204 36 36
336
3830 12,73 36
421,46
8
XY
450
860
1410
1920
2250
3000
3640
4240
17770
Y = 421,46 + 12,73 X
49
Y b X
a
=
n
Y = 1,757 + 2,99X
Y 1,757 2,99 13,75 42,869 ou seja 42.869 refeies
50
n
n
n
n X i .Yi X . Y
i 1
i 1 i 1
n
n X 2 X . n Y 2 Y
i 1
i 1
i 1
n
13.5.224,86 143,10
. 450,71
13.1.663,37 143,10 . 13.16.416,82 450,71
2
0,9
52
53
54
MAD
atual
Dprevista
n
55
Datual
90
95
98
90
92
95
90
100
92
95
Dprevista
90,00
90,50
91,25
91,12
91,20
91,58
91,42
92,27
92,25
Erro
Erro
5,00
7,50
-1,25
0,88
3,80
-1,58
8,58
-0,27
2,75
25,41
MAD = 31,61/9 = 3,51
= 0,50
Dprevista
90,00
92,50
95,25
92,62
92,31
93,65
91,82
95,91
93,95
Erro
Erro
5,00
5,50
-5,25
-0,62
2,69
-3,65
8,18
-3,91
1,05
8,99
MAD = 35,85/9 = 3,98
57
Yi Yi
MSE
i 1
Erros de Pr eviso
Re ali Pr evistoi
MAPE 100. i 1
TS - Tracking Signal
Y
n
TS
i 1
Yi
MAD
Re ali
n
Erro de Previso
MAD
58
Problema Desafio
A demanda trimestral de um determinado produto apresenta
sazonalidade e tendncia. Para o 1o. Trimestre o ndice de
sazonalidade de 1,3, para o 2o. de 1,0, para o 3o. de 0,8 e
para o 4o. de 0,9. Nos ltimos dois anos a demanda deste
produto apresentou os seguintes dados:
Trimestre
1o.
2o. 3o.
Demanda
65
58
50
4o.
1o.
2o.
60
85
75
3o. 4o.
62
74