Escolar Documentos
Profissional Documentos
Cultura Documentos
PREVISO DA DEMANDA
26
27
28
temporal. Segundo Chatfield (The Analysis of Time Series, 1995) uma srie
histrica uma coleo de observaes realizadas seqencialmente no tempo. A
srie histrica a principal informao utilizada para se tentar entender a
demanda passada. Contudo, deve-se tambm considerar na anlise das sries
temporais, que dever existir uma dependncia entre as observaes. A Prof.
Monica Barros, em seu livro Processos Estocsticos (2004) coloca que a
dependncia serial entre os valores da srie um aspecto essencial, pois nos
permite gerar previses de valores futuros da srie. Estas previses seriam puro
chute se no houvesse a dependncia serial. exatamente esta dependncia que
reflete as informaes de comportamento nos dados da srie. Na figura 1, a seguir,
observa-se alguns exemplos de sries histricas.
O processo de previso de uma srie temporal de demanda composto de
duas etapas:
1. Anlise e modelagem da srie temporal Nesta etapa avalia-se os fatores
que influenciam a demanda e suas caractersticas mais relevantes.
Tambm busca-se representar matematicamente este comportamento;
2. Previso Aps a etapa de anlise, o modelo aplicado e os nmeros da
previso so gerados.
Um ponto importante sobre a avaliao das sries temporais e que
levantado em boa parte dos livros que tratam do assunto: a primeira medida a ser
29
tomada ao se deparar com uma srie histrica construir o seu grfico para
observar a sua evoluo ao longo do tempo. Chatfield (The Analysis of Time
Series, 1995) mais incisivo: qualquer um que tente analisar uma srie histrica
sem plotar os dados primeiro estar pedindo problemas. O grfico poder
mostrar alm das tendncias e sazonalidades, os chamados outliers, ou variaes
anormais da demanda. Os outliers necessitam ser identificados e explicados.
Aps a sua identificao, a variao anormal dever ser de alguma forma ajustada,
de maneira que a anlise dos dados no fique distorcida.
60
60
40
40
Unidades
Unidades
20
20
0
0
10
15
20
25
30
10
15
20
Tem po
Tem po
Vendas reais
Vendas Mdias
Vendas reais
Vendas Mdias
40
Unidade
20
0
1
11
16
21
Tem po
Vendas reais
Vendas Mdias
25
30
30
se
aproximem
da
demanda futura.
Conforme
mencionado
31
32
xt = a + t
eq(1)
xt = a + b t + t
eq(2)
xt = ( a + b t ) Ft + t
Onde Ft ser o fator sazonal no perodo t (figura 1.c).
eq(3)
33
Segundo
Pt +1 =
t =1
Rt
Onde:
eq(4)
34
impacto.
2.3.2.
Mdia Mvel
Trata-se de uma variao da mdia simples. Neste caso, passa-se a utilizar a
mdia aritmtica das n ltimas observaes. A cada novo perodo substitui-se o
registro mais antigo pelo mais recente e recalcula-se a mdia. Sua frmula passa a
ser:
Pt +1 = M t =
Rt + Rt 1 + Rt 2 + (...) + Rt n +1
n
eq(5)
Onde:
35
Mt =
Rt + Rt 1 + Rt 2 + (...) + Rt n +1
n
eq(6)
MMDt =
M t + M t 1 + M t 2 + (...) + M t n +1
n
eq(7)
at = M t + ( M t MMDt )
eq(8)
bt =
2
( M t MMDt )
n 1
eq(9)
36
Pt +1 = at + bt .
eq(10)
mdia mvel
mdia dupla
simples
n=3
n=3
DESCRICAO
MES
2004
1448
1720
1836
1720
1822
1720
1702
1638
1720
1765
1715
1720
1725
1731
1380
1720
1578
1689
1220
1720
1438
1580
1591
1720
1397
1471
1471
1720
1427
1421
10
1819
1720
1627
1484
11
2120
1720
1803
1619
12
2579
1720
2173
1868
Tabela 1 Comparativo dos resultados das tcnicas de mdia simples, mvel e dupla, em
unidades.
FONTE: Gerncia da CAM
37
Comparativo de Previses
Mdias Simples, Mvel e Dupla
3000
2500
unidades
2000
1500
1000
500
0
1
Ms
mdia simples
mdia dupla N=3
10
11
12
Neste caso, se houvesse sido adotado o modelo de mdia simples, poderiase considerar a cobertura adequada nos primeiros cinco meses do ano, contudo a
partir do sexto at o stimo ms, h uma queda no consumo dos estojos, tendncia
que no acompanhada pela mdia simples, que fixa. A mdia mvel responde
um pouco melhor a esta alterao, comeando a reagir a partir do ms seguinte.
A partir do oitavo ms, a demanda comea a apresentar um crescimento
acentuado. Este movimento comea a ser acompanhado pelos nmeros gerados
pela mdia mvel somente a partir do dcimo ms, mas sem a mesma
velocidade da taxa de crescimento. Ou seja, em termos prticos, a partir do
dcimo ms o risco de desabastecimento aumenta.
A mdia mvel dupla apresenta, neste caso, uma previso mais prxima da
demanda ao longo do tempo. At o dcimo ms podemos observar que este
mtodo apresenta erros menores que os outros, contudo a sua resposta ao aumento
de demanda a partir do dcimo ms, acaba ficando abaixo da mdia mvel. A
partir deste momento a Mdia Mvel passa a estar mais perto do realizado que a
Mdia Mvel Dupla.
38
2.3.4.
Amortecimento Exponencial Simples
O mtodo de Amortecimento Exponencial um mtodo similar mdia
mvel, mas que tem como base a diferenciao dos pesos aplicados aos valores da
srie histrica em funo do tempo. As observaes mais recentes da srie tero
uma importncia maior na obteno da previso que os primeiros eventos. O
conceito por trs deste modelo pressupe que os ltimos eventos de uma srie
tero informaes mais atualizadas sobre a demanda e, conseqentemente, mais
importncia na previso da demanda futura. Os diversos mtodos de
amortecimento exponencial so considerados como alguns dos mais teis, pela
sua simplicidade e pequena necessidade de sries longas, o que facilita a
PUC-Rio - Certificao Digital N 0621498/CA
39
EMQ =
1
n
n
t =1
( Rt Pt ) 2
eq(11)
Onde:
Rt - Valor observado no instante t;
Pt - Previso no mesmo instante.
40
Pt +1 = Rt + (1 ) Rt 1 + (1 ) 2 Rt 2 + (...)
eq(12)
Onde:
eq(13)
2.3.5.
Amortecimento Exponencial Duplo (Modelo De Brown)
O modelo de Brown uma variao do amortecimento exponencial simples
desenvolvida para sries temporais que apresentam tendncia, mas no
sazonalidade. Este mtodo se assemelha Mdia Mvel Dupla, sendo o
componente de nvel calculado atravs da diferena entre um valor apurado com o
amortecimento simples e outro, com um segundo amortecimento do primeiro.
J para o clculo da tendncia, existe uma equao prpria, similar frmula de
coeficiente angular da reta. O clculo de previso ocorre como a seguir:
1. Clculo do primeiro amortecimento: Pt = Rt + (1 ) Pt 1
eq(14)
'
'
2. Clculo do segundo amortecimento: Pt = Pt + (1 ) Pt 1
eq(15)
a t = Pt + ( Pt Pt ') = 2 Pt Pt '
eq(16)
41
( Pt Pt ')
eq(17)
utilizar o primeiro valor da srie para iniciar as equaes, pois corre-se o risco de
'
subestimar a tendncia desta srie. As estimativas iniciais do P0 e P0 so
P0 = a 0
P0' = a 0 2
b0
b0
eq(19)
eq(20)
Onde:
a0
b0
42
2.3.6.
Amortecimento Exponencial - Mtodo De Holt
O mtodo de Holt outra variao do mtodo de amortecimento, utilizado
para as sries que apresentam tendncia (mas no sazonalidade). Neste mtodo, ao
contrrio do modelo de Brown, adotam-se duas constantes de amortecimento
diferentes, e , uma delas para estimao da tendncia e a outra para o nvel.
Aqui recuperaremos o conceito de componente sistemtico, apresentado no incio
deste captulo.
VALOR PREVISTO (P) = NVEL (N) + TENDNCIA (T)
eq(21)
eq(22)
eq(23)
Onde:
N t - Nvel para o perodo t;
43
Cabe aqui destacar que o Excel possui uma ferramenta que realiza
facilmente o clculo de regresso linear (menu Ferramentas Anlise de Dados
Regresso).
2.3.7.
Amortecimento Exponencial Modelo de Winters
O modelo de Winters utilizado para as sries que apresentam tendncia e
sazonalidade e adota trs coeficientes de amortecimento diferentes, um para cada
componente sistemtico da demanda (Nvel, Tendncia e Sazonalidade), , e
44
Rt
+ (1 )( N t 1 + Tt 1 )
St
Rt
) + (1 ) S t p
Nt
eq(24)
eq(25)
eq(26)
Pt + k = ( N t + Tt k ) S t
eq(27)
Onde:
N t - Nvel para o perodo t;
45
Rt =
t +( p / 2)
R /p
eq(28)
i
i =t ( p / 2)
Rt = Rt ( p / 2) + Rt + ( p / 2) +
t 1+ ( p / 2 )
2 Ri / 2 p
eq(29)
i =t +1 ( p / 2 )
eq(30)
Para
tal,
basta
dessazonalizada: S t = Rt / Rt .
dividir
demanda
original
pela
demanda
eq(31)
46
S1 = (S 1 + S 5 + S 9 ) / 3
eq(32)
S2 = (S 2 + S 6 + S 10 ) / 3
eq(33)
S3 = (S 3 + S 7 + S 11) / 3
eq(34)
S4 = (S 4 + S 8 + S12 ) / 3
eq(35)
2.3.8.
Modelos ARIMA de BOX e JENKINS
Os modelos de Box-Jenkins tambm conhecidos como ARIMA, sigla para
Auto Regressive Integrated Moving Averages (auto-regressivos integrados de
47
Os modelos ARIMA so formados por trs filtros: o componente autoregressivo (AR), o filtro de integrao (I) e as mdias mveis (MA).
O componente AR indica quo relacionados esto os valores sucessivos da
srie analisada (defasagens temporais ou time lags). A identificao do nmero
de termos necessrios feita atravs da anlise dos coeficientes de autocorrelao
parcial. O filtro de mdias mveis (MA) busca a mesma relao, s que entre os
erros da srie.
Aqui sero introduzidos alguns conceitos importantes para a aplicao dos
modelos ARIMA:
1. Estacionariedade: Uma srie dita estacionria quando est em
equilbrio, o que significa que tanto a mdia quanto a varincia so
constantes ao longo da srie e a sua covarincia funo da defasagem
entre os instantes (ou lags). Desta forma, como primeiro passo para se
iniciar a modelagem Box-Jenkins, deve-se transformar a srie para torn-la
estacionria. O filtro de integrao refere-se exatamente ao processo de
modificao da srie original atravs de diferenas sucessivas at que ela
esteja em equilbrio ou estacionria, de forma a permitir a identificao de
todos os seus padres de comportamento;
2. Autocovarincia de lag k: Segundo Souza (1991) a covarincia entre X t
e o seu valor X t + k , separado por k intervalos de tempo.
Sendo
k =
T
1
( X t )( X t + K )
T k 1 t = k +1
eq(36)
48
Souza (1991) ainda comenta que para se obter uma boa estimativa da
funo de autocorrelao, necessitamos de pelo menos 50 observaes. A
sua frmula dada por:
T
k =
( X t )( X t k )
t = k +1
( X t X t K )
eq(37)
t = k +1
B k X t = X t k
eq(38)
49
Matematicamente teremos:
Xt =
k =0
k at k
eq(39)
Onde:
- k o filtro linear definido por: k =
q ( B)
;
p ( B)
p ( B ) X t = q ( B)at
AR
eq(40)
MA
Onde:
k
B - operador de defasagem com notao B X t = X t k ;
50
d X t = X t X t 1
eq(41)
eq(42)
2.3.8.1.
Modelo Auto-regressivo (AR)
Conforme mencionado anteriormente, no modelo AR a srie das
observaes histricas X t descrita pelos seus valores passados regredidos e pelo
rudo aleatrio t . O modelo auto-regressivo de ordem p pode ser descrito como:
51
X t = 1 X t 1 + 2 X t 2 + 3 X t 3 + (...) + p X t p + t
eq(43)
Onde:
X t - Valor da srie temporal no instante t;
B, assim:
(1 1 B 2 B 2 ... p B p ) X t = t
( B) X t = t
eq(44)
52
eq(45)
X t = 1 X t 1 + 2 X t 2 + t
eq(46)
t = X t (1 X t 1 + 2 X t 2 )
Sendo que deve-se minimizar
eq(47)
i2
n
2.3.8.2.
Modelo de Mdias Mveis (MA)
Segundo Makridakis (1978):
53
O modelo de mdias mveis MA(q) pode ser descrito, na sua forma geral,
como:
X t = t 1 t 1 2 t 2 (...) q t q
eq(48)
Onde:
(1 1 B 2 B 2 ... p B p ) t = X t
( B ) t = X t
eq(49)
X t = t 1 t 1
eq(50)
X t = t 1 t 1 2 t 2
eq(51)
2.3.8.3.
Modelos Auto-regressivos de Mdias Mveis (ARMA)
Em alguns casos necessrio combinar as estruturas AR(p) e MA(q),
gerando um modelo ARMA (p,q). Segundo Makridakis, o desempenho
54
combinado dos dois modelos ser melhor do que se for trabalhado com o modelo
AR(p) e MA(q) separadamente, resultando em modelos mais parcimoniosos. A
expresso geral do modelo dada por:
X t = 1 X t 1 + t 1 t 1
eq(53)
X t = 1 X t 1 + 2 X t 2 + t 1 t 1
eq(54)
do modelo AR,
do
55
56
2.3.8.4.
Identificao
Na descrio dos modelos, mencionou-se que a identificao do grau, ou
valores dos termos q e p, so feitos atravs da anlise dos coeficientes de
autocorrelao (ACF) e auto-correlao parcial (PACF) da srie temporal. A
identificao dos modelos pode ser feita atravs da observao destes grficos.
PUC-Rio - Certificao Digital N 0621498/CA
57
Figura 6 Grficos Tericos de ACF e PACF de uma srie, indicando um modelo AR(1).
Figura 7 Grficos Tericos de ACF e PACF de uma srie, indicando um modelo AR(2).
FONTE: Adaptado do livro Forecasting Methods and Applications, Makridakis 1978.
Figura 8 Grficos Tericos de ACF e PACF de uma srie, indicando um modelo MA(1)
FONTE: Adaptado do livro Forecasting Methods and Applications, Makridakis 1978.
58
Figura 9 Grficos Tericos de ACF e PACF de uma srie, indicando um modelo MA(2).
2.3.8.5.
Modelos Sazonais
O mtodo de Box-Jenkins tambm pode ser adotado para as sries temporais
que apresentem padres de comportamento peridico, ou seja, que se repetem em
59
eq(55)
Onde:
t - Erro.
Desta forma, tem-se a representao do modelo ARMA (p,q) (P,Q) onde p e
60
Wt = d X t = X t X t 1 (diferena)
eq(56)
Wt = D X t = X t X t S (diferena sazonal)
eq(57)
2.4.
MEDIDAS DE ERRO NA PREVISO
O processo de previso da demanda tem como pressuposto bsico que, ao
se utilizar informaes passadas, obtem-se uma boa diretriz sobre o que ocorrer
no futuro. Contudo, no existe uma garantia que o conhecimento sobre o passado
trar informaes exatas sobre este futuro. Sempre existir uma incerteza
vinculada s previses.
Desta forma, no se pode simplesmente implementar um modelo de
previso de demanda sem acompanhar o seu desempenho ao longo do tempo.
Quando um modelo de previso selecionado, busca-se a maior preciso
possvel, ou seja, a menor diferena que possa existir entre a demanda realizada e
a previso. Esta diferena chamada erro de previso ou resduo e da mesma
forma que os dados passados trazem informaes valiosas sobre o comportamento
futuro, tambm deve-se considerar que os erros decorrentes das previses devem
ser avaliados com bastante critrio, pois tambm podem trazer questes
importantes para a gesto do processo em questo.
Dois aspectos justificam a anlise destes erros:
61
Et = Rt Pt
eq(58)
Onde:
2.4.1.
Erro Absoluto Mdio (MAD)
O Erro Absoluto Mdio, tambm conhecido como MAD (Mean Absolute
Deviation) um indicador bastante adotado, utilizado quando o gestor quer
avaliar o erro na mesma unidade de medida da srie original. O valor absoluto do
62
erro utilizado para se evitar que os erros positivos anulem os erros negativos. A
sua frmula dada por:
n
MAD =
t =1
Rt Pt
eq(59)
2.4.2.
Erro Percentual Absoluto Mdio (MAPE)
O Erro Percentual Absoluto Mdio , ou MAPE (Mean Absolute Percentual
Error) o erro mdio em porcentagem, ao invs de quantidade. Este indicador
til para determinar a amplitude do erro da previso em relao aos valores da
PUC-Rio - Certificao Digital N 0621498/CA
MAPE =
t =1
Rt Pt / Rt
eq(60)
2.4.3.
Erro Quadrtico Mdio (MSE)
Outra medida de erro de previso bastante utilizada o Erro Quadrtico
Mdio (EQM), em ingls, Mean Squared Error. Sua frmula dada por:
n
MSE =
t =1
(Rt Pt )2
eq(61)
Esta medida amplifica o efeito dos outliers, que recebem uma grande
importncia
quando deveriam
ser desconsiderados da
previso.
Outra
RMSE =
t =1
(Rt Pt )2
n
= MSE
eq(62)
63
2.4.4.
Vis Do Erro De Previso
Denomina-se vis do erro de previso quando um determinado modelo
apresenta previses consideravelmente acima ou abaixo do realizado. Em outras
palavras, se o modelo subestima ou superestima a demanda. O ideal que o vis
da previso oscile em torno de zero, o que demonstrar que os resduos existentes
no modelo so efetivamente aleatrios. Caso contrrio, teremos um modelo que,
muito provavelmente, est incorreto ou que seus parmetros internos estejam
errados.
A melhor maneira de se detectar o vis atravs de montagem de um
PUC-Rio - Certificao Digital N 0621498/CA
grfico de soma acumulativa do erro de previso (SC), que nada mais do que a
soma dos erros da previso ( Et = Rt Pt ) ao longo dos perodos.
A ttulo de demonstrao, foi gerada a previso de demanda para o modelo
de estojos para brinco argola grande (1001147). Adotou-se o mtodo de Winters,
contudo sem otimizar os coeficientes de amortecimento, o que gerar previses
distorcidas. Os coeficientes utilizados foram = 0 ,1 , = 0 ,1 e = 0 ,1 .
Na tabela 2, a seguir, pode-se observar os resultados:
PrANO MES Realizado
2004
2005
viso
Erro
Erro
acumulado ANO
2006
Rea-
Pr-
Erro
MES
lizado
viso
100
93
(6,76)
(62,82)
Erro
acumulado
94
93
(0,60)
(0,60)
97
96
(0,63)
(1,23)
73
69
(4,10)
(66,92)
123
122
(0,80)
(2,03)
106
101
(4,81)
(71,73)
90
89
(0,59)
(2,61)
84
81
(2,95)
(74,69)
170
169
(1,12)
(3,73)
139
135
(3,55)
(78,24)
165
164
(1,09)
(4,83)
155
152
(2,58)
(80,81)
91
90
(0,61)
(5,43)
87
86
(0,73)
(81,55)
105
104
(0,70)
(6,14)
146
146
(0,13)
(81,67)
119
118
(0,80)
(6,94)
136
137
0,81
(80,87)
10
126
125
(0,86)
(7,80)
10
96
97
1,15
(79,72)
11
140
139
(0,96)
(8,76)
11
88
90
1,53
(78,19)
12
224
222
(1,54)
(10,30)
12
213
218
4,69
(73,50)
97
90
(7,26)
(17,56)
96
92
(4,27)
(77,76)
89
83
(5,96)
(23,52)
80
77
(2,68)
(80,44)
88
83
(5,21)
(28,74)
131
128
(3,05)
(83,49)
114
108
(5,89)
(34,63)
152
150
(2,09)
(85,58)
146
140
(6,48)
(41,11)
200
199
(1,01)
(86,59)
2007
64
114
110
(4,26)
(45,37)
234
235
0,68
(85,91)
77
75
(2,36)
(47,74)
136
137
1,36
(84,55)
135
132
(3,29)
(51,03)
241
245
3,95
(80,60)
104
102
(1,92)
(52,95)
185
189
4,06
(76,54)
10
91
90
(1,18)
(54,13)
10
147
151
3,93
(72,60)
11
139
138
(1,10)
(55,22)
11
174
179
5,36
(67,24)
12
259
258
(0,84)
(56,06)
12
347
359
11,86
(55,38)
20,00
1
2
3
4
5
6
7
8
9
10
11
12
1
2
3
4
5
6
7
8
9
10
11
12
1
2
3
4
5
6
7
8
9
10
11
12
1
2
3
4
5
6
7
8
9
10
11
12
(20,00)
unidades
Vis de Erro
1001147 Estojo para brinco argola grande
2004
2005
2006
2007
(40,00)
(60,00)
(80,00)
(100,00)
(120,00)
Ms
Erro
Erro acumulado
Figura 10 Vis de Erro de Previso. Exemplo estojos para brinco argola grande.
FONTE: Gerncia da CAM.
65
2.5.SOFTWARE
A rpida evoluo da tecnologia observada nas ltimas dcadas,
principalmente a adoo de microcomputadores, alavancou a utilizao de
sistemas computacionais para a anlise e controle dos processos nas empresas.
Diversas ferramentas tm sido criadas para auxiliar os gestores no processo de
tomada de deciso.
O processo de previso de demanda foi um dos que teve seu uso facilitado e
disseminado em funo deste processo de desenvolvimento tecnolgico. Hoje
existem no mercado diversos softwares que realizam clculos estatsticos
automaticamente, facilitando a vida dos analistas. Entretanto, a parte qualitativa
PUC-Rio - Certificao Digital N 0621498/CA
Forecast Pro, inclusive todos os detalhados no presente estudo, bem como alguns
outros, como por exemplo, regresso dinmica. Esta ferramenta possibilita
rapidamente a avaliao de todos os indicadores de performance de cada mtodo,
facilitando sobremaneira o trabalho do analista.
2.6.
PROCESSO
Segundo Makridakis (1978), ao contrrio do que encontramos nas relaes
da Fsica, onde no existem erros ou variaes aleatrias, nos sistemas
econmicos ou comportamentais, a aleatoriedade est sempre presente. A melhor
forma de se trabalhar, durante a modelagem, numa metodologia de previso
66