PLANEJAMENTO,

PROGRAMAO E
CONTROLE DA PRODUO
Eng. Wanderson S. Paris, MSc
paris@up.edu.br

PPCP - PLANEJAMENTO, PROGRAMAO E CONTROLE DA PRODUO

PREVISO DE DEMANDA

Eng Wanderson S. Paris, MSc

paris@up.edu.br

Ambientes de Demanda
O cenrio da produo industrial em
constante evoluo vem modificando o
mercado e seu modelo gestor. Assim, o tema
gesto da produo vem sofrendo grandes e
rpidas mudanas, afetando sua estrutura e
ampliando seu foco de atuao.

Eng Wanderson S. Paris, MSc

paris@up.edu.br

Eng Wanderson S. Paris, MSc

1. Mais qualidade e reduo de custos, gerando alterao

na percepo de valor do consumidor.

2. Agilidade e inovao das tecnologias de gerenciamento

de manufatura e de seus processos e servios.

3. Reorganizao das tarefas por conta das redues no

nmero e nos tamanhos de lotes.

4. Alianas comerciais entre os mercados, promovendo

reestruturaes na economia mundial.

paris@up.edu.br

Artco / / Fotolia. (Adaptado).

Design Grfico: Larissa Pires

Influenciadores da demanda

Paris (2006), vrios fatores tm diferenciado essa rea:

Conceitos Importantes
Demanda independente A demanda do
mercado para os itens de produtos finais,
como produtos acabados e peas de
manuteno, impulsionada por fatores que
independem de decises da empresa.
Demanda dependente A demanda na
fabricao de materiais necessrios para
produzir bens acabados dependente da
demanda dos itens do produto final.
Eng Wanderson S. Paris, MSc

paris@up.edu.br

Conceitos Importantes
Confiabilidade representa o grau de
estabilidade relacionado ao tempo total de
fabricao do produto, incluindo seus
componentes, peas e materiais.
Tempo de ciclo Perodo necessrio para
completar um ciclo de operao ou uma
funo, uso ou tarefa do incio ao fim.
Eng Wanderson S. Paris, MSc

paris@up.edu.br

Conceitos Importantes
Setup time Operao de instalao para alterar
as condies de fabricao de determinado
produto para a produo de um produto
diferente, incluindo a interrupo do trabalho
atual e preparao das condies para o incio
do prximo. Exceto nos casos em que um
produto especfico produzido em uma linha
dedicada, periodicamente necessrio
substituir o produto na linha de um produto A
para um produto B.
Eng Wanderson S. Paris, MSc

paris@up.edu.br

Conceitos Importantes
Takt time Unidade de tempo ajustvel
utilizada na produo enxuta para sincronizar a
velocidade de produo com a velocidade da
demanda.
Lead time Um conceito essencial para o
planejamento de estoque o lead time ou seja, o
tempo que se leva para repor um item em
estoque, tanto para itens comprados quanto
para itens fabricados.
Eng Wanderson S. Paris, MSc

paris@up.edu.br

Estratgias de inventrios
O tempo de entrega do produto pode variar de
acordo com o tempo de ciclo do processo e a
estratgia de inventrio da empresa. So elas:
PPE (produo para estoque)
MSE (montagem sob encomenda)
PSE (produo sob encomenda)
PSP (produo sob projeto)
FDL (fornecimento de linha)
Eng Wanderson S. Paris, MSc

paris@up.edu.br

ESTOQUE

PPE

MSE

ESTOQUE

ESTOQUE

PSE

PSP

Fabricao
Montagem
de
do produto
componentes

TEMPO
PROJ.

FDL

Eng Wanderson S. Paris, MSc

Embarque

Montagem
do cliente

CAPACIDADE

CAPACIDADE

CAPACIDADE

CAPACIDADE

ESTOQUE

Tempo de paris@up.edu.br
espera X Estratgia de inventrio.

CAPACIDADE

Design Grfico: Larissa Pires

Tempo de espera x Estratgia

Material
Projeto
comprado

10

Previso da Demanda
A previso da demanda a base para o
planejamento estratgico da produo,
vendas e finanas de qualquer empresa.
As previses so usadas pelo PCP em dois
momentos distintos: para planejar o
sistema produtivo e para planejar o uso
deste sistema produtivo.
Eng Wanderson S. Paris, MSc

paris@up.edu.br

11

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 principal informao empregada pelo PCP;
Em empresas de pequeno e mdio porte,
normalmente cabe ao pessoal do PCP (geralmente
o mesmo de Vendas) elaborar estas previses.
Eng Wanderson S. Paris, MSc

paris@up.edu.br

12

Eng Wanderson S. Paris, MSc

paris@up.edu.br

13

Objetivo do Modelo
A primeira etapa consiste em definir a razo pela
qual necessitamos de previses. (produtos, grau de
acuracidade, detalhe, e recursos)
A sofisticao e o detalhamento do modelo depende
da importncia relativa dos produtos, a serem
previstos e do horizonte ao qual a previso se destina.
Itens pouco significativos podem ser previstos com
maior margem de erro, empregando-se tcnicas
simples.
Eng Wanderson S. Paris, MSc

paris@up.edu.br

14

Coleta e Anlise dos Dados

Visa identificar e desenvolver a tcnica de
previso que melhor se adapte.
Quanto mais dados histricos forem coletados e analisados, mais
confivel ser a tcnica de previso.
Os dados devem buscar a caracterizao da demanda pelos
produtos da empresa, que no necessariamente igual s
vendas passadas.
Variaes extraordinrias da demanda devem ser analisadas e
substitudas por valores mdios, compatveis com o
comportamento normal da demanda.
O tamanho do perodo de consolidao dos dados tem influncia
direta na escolha da tcnica de previso mais adequada.
Eng Wanderson S. Paris, MSc

paris@up.edu.br

15

Seleo da Tcnica de Previso

Existem tcnicas qualitativas e quantitativas. Cada uma
tendo o seu campo de ao e sua aplicabilidade.
Alguns fatores 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.

Eng Wanderson S. Paris, MSc

paris@up.edu.br

16

Obteno da Previses e
Monitorao
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.
A 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.
Eng Wanderson S. Paris, MSc

paris@up.edu.br

17

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.

Eng Wanderson S. Paris, MSc

paris@up.edu.br

18

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;
Eng Wanderson S. Paris, MSc

paris@up.edu.br

19

Tcnicas de previso
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 baseadas em
correlaes.
Eng Wanderson S. Paris, MSc

paris@up.edu.br

20

Previses baseadas em sries

temporais
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.
Uma curva temporal de previso pode conter
tendncia, sazonalidade, variaes irregulares e
variaes randmicas.
Eng Wanderson S. Paris, MSc

paris@up.edu.br

21

Previses baseadas em sries

temporais
Tendncia

Sazonalidade
60

Demanda

50
40
30
20
10
0
Jan.

Variao irregular

Variao randnica

Fev.

Mar.

Eng Wanderson S. Paris, MSc

Abr.

Mai.

Jun.

Jul.

paris@up.edu.br

Ago.

Set.

Out.

Nov.

Dez.

22

Tcnicas para Mdia

Mdia Mvel
A mdia mvel usa dados de um nmero
predeterminado 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.
n

Mm n =
Eng Wanderson S. Paris, MSc

Mmn = Mdia mvel de n perodos;

Di = Demanda ocorrida no perodo i;
n = Nmero de perodos;
i = ndice do perodo (i = 1,2,3,...)

i =1

n
paris@up.edu.br

23

Tcnicas para Mdia

Mdia Mvel

Eng Wanderson S. Paris, MSc

paris@up.edu.br

24

Tcnicas para Mdia

Mdia Exponencial Mvel

xponencial Mvel

(...) na previso anterior, corrigido

O peso de cada observao decresce no tempo em

por um coeficiente de ponderao
progresso geomtrica, ou de forma exponencial.
ada observao
decresce

(...) na previso anterior, corrigido

geomtrica,
Cada nova previso obtida com base na previso
m progresso
por um
coeficiente de ponderao
anterior, acrescida do erro cometido na previso
M t ! M t &1 # ' $ Dt &1 & M t &1 %
exponencial anterior, corrigido por um coeficiente de ponderao.

previso obtida
M t ! M t &1
na previso anterior,

# ' $ Dt &1 & M t &1 %

Mt = Previso para o perodo t;

Mt-1 = Previso para o perodo t-1;
' = coeficiente de ponderao;
Dt-1 = Demanda do perodo t-1.

do erro cometido (...)

Mt = Previso para o perodo t;
O coeficiente de ponderao (a) fixado pelo analista
Mt-1 = Previso para o perodo t-1;
dentro de uma faixa que varia de 0 a 1. Quanto maior o
' = coeficiente de ponderao;
seu valor, mais rapidamente o modelo de previso
Dt-1 = Demanda do perodo t-1.
reagir a uma variao real da demanda.

Eng Wanderson S. Paris, MSc

paris@up.edu.br

25

s;
o i;

Mm5 !

50 # 45 # 50 # 45 # 70
! 52,00
5

Exerccio:
Mdia Exponencial Mvel

el

(...) na previso anterior, corrigido

esce

por um coeficiente de ponderao

trica,

M t ! M t &1 # ' $ Dt &1 & M t &1 %

Eng Wanderson S. Paris, MSc

paris@up.edu.br

Mt = Previso para o perodo t;

26

Tcnicas para Mdia

Mdia Exponencial Mvel
= 0,10
Perodo
1
2
3
4
5
6
7
8
9
10
11

Demanda
90
95
98
90
92
95
90
100
92
95

Eng Wanderson S. Paris, MSc

Previso
90,00
90,50
91,25
91,12
91,20
91,58
91,42
92,27
92,25
92,52

= 0,50
Erro
5,00
7,50
-1,25
0,88
3,80
-1,58
8,58
-0,27
2,75

paris@up.edu.br

Previso
90,00
92,50
95,25
92,62
92,31
93,65
91,82
95,91
93,95
94,47

Erro
5,00
5,50
-5,25
-0,62
2,69
-3,65
8,18
-3,91
1,05

27

Tcnicas para Tendncia

Equao Linear

Eng Wanderson S. Paris, MSc

paris@up.edu.br

28

Exerccio: Tcnicas para

Tendncia Equao Linear

Eng Wanderson S. Paris, MSc

paris@up.edu.br

29

Tcnicas para Tendncia

Equao Linear
Semana(X)

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

8 17770 36 3830 4280

b=
=
= 12,73
8 204 36 36
336

3830 12,73 36
a=
= 421,46
8
Eng Wanderson S. Paris, MSc

XY
450
860
1410
1920
2250
3000
3640
4240
17770

Y = 421,46 + 12,73 X
Y9 = 421,46 + 12,73 (9) = 536,03
Y10 = 421,46 + 12,73 (10) = 548,76

paris@up.edu.br

30

Tcnicas para Tendncia

Ajustamento Exponencial

Pt + 1 = M t + Tt

M t = Pt + 1 ( Dt Pt )

Tt = Tt 1 + 2 ( ( Pt Pt 1 ) Tt 1 )

Pt+1 = Previso da demanda para o perodo t+1;

Pt = Previso da demanda para o perodo t;
Pt-1 = Previso da demanda para o perodo t-1;
Mt = Previso mdia exponencial mvel da demanda para o perodo t;
Tt = Previso da tendncia para o perodo t;
Tt-1 = Previso da tendncia para o perodo t-1;
1 = coeficiente de ponderao da mdia;
2 = coeficiente de ponderao da tendncia;
Dt = Demanda do perodo t;
Eng Wanderson S. Paris, MSc

paris@up.edu.br

31

Tcnicas 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.

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.
Eng Wanderson S. Paris, MSc

paris@up.edu.br

32

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 tirase uma mdia.
Eng Wanderson S. Paris, MSc

paris@up.edu.br

33

Exerccio: Tcnicas para Previso da

Sazonalidade

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

Eng Wanderson S. Paris, MSc

Mdia Mvel Centrada

paris@up.edu.br

ndice

34

Tcnicas para Previso da

Sazonalidade
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

Eng Wanderson S. Paris, MSc

Mdia Mvel Centrada

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

paris@up.edu.br

Isegunda = 0,84
Itera = 0,79
Iquarta = 0,87
Iquinta = 0,86
Isexta = 1,04
Isbado = 1,25
Idomingo = 1,32

35

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.

Eng Wanderson S. Paris, MSc

paris@up.edu.br

36

Previses Baseadas em Correlaes

Buscam prever a demanda de determinado produto a
partir da previso de outra varivel que esteja
relacionada com o produto.
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
(b) seja a mnima possvel. Este mtodo tambm
conhecido como regresso dos mnimos quadrados.
Eng Wanderson S. Paris, MSc

paris@up.edu.br

37

Previses Baseadas em Correlaes

Y = PREVISO DA DEMANDA PARA
O ITEM DEPENDENTE

b=

Y = a + bX

( XY ) ( X )( Y )
n( X ) ( X )

Y b( X )

a=
n

X
X = VALOR DA VARIVEL INDEPENDENTE

Eng Wanderson S. Paris, MSc

paris@up.edu.br

38

Previses Baseadas em Correlaes

Uma cadeia de fast-food 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?

X )( Y ) 13 5224,86 143,10 450,71

)
(

=
= 2,99
b=
13 1663,37 (143,10)
n( X ) ( X )
Y b( X ) 450,71 2,99 143,10
Y = 1,757 + 2,99X

a=
=
= 1,757
n XY
2

13

Y = 1,757 + 2,99 13,75 = 42,869 ou seja 42869 refeies

Eng Wanderson S. Paris, MSc

paris@up.edu.br

39

Previses Baseadas em Correlaes

Vendas por casa Nmero de alunos
XY
Y (mil)
X (mil)
31,56
10,00
38,00
12,00
25,25
8,00
47,20
15,00
22,00
6,50
34,20
11,00
45,10
14,50
32,30
10,10
29,00
9,20
40,90
13,40
40,00
12,70
24,20
7,60
41,00
13,10
Y =
X =
X.Y =

Eng Wanderson S. Paris, MSc

paris@up.edu.br

Y2

Y2

X2

X2

40

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 acuidade dos valores previstos;
Identificar, isolar e corrigir variaes anormais;
Permitir a escolha de tcnicas, ou parmetros, mais
eficientes.

Eng Wanderson S. Paris, MSc

paris@up.edu.br

41

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 =

atual

Eng Wanderson S. Paris, MSc

Dprevista

paris@up.edu.br

42

Exerccio: Manuteno e
Monitorizao do Modelo
= 0,10
Perodo
1
2
3
4
5
6
7
8
9
10

Datual
90
95
98
90
92
95
90
100
92
95

Dprevista
-

= 0,50
Erro
-

Dprevista
-

Erro =

Erro =

MAD =

MAD =

Erro
-

EXERCCIO DA TRANSPARNCIA 19

Eng Wanderson S. Paris, MSc

paris@up.edu.br

43

Manuteno e Monitorizao
do Modelo
= 0,10
Perodo
1
2
3
4
5
6
7
8
9
10

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

= 0,50
Erro
5,00
7,50
-1,25
0,88
3,80
-1,58
8,58
-0,27
2,75

Dprevista
90,00
92,50
95,25
92,62
92,31
93,65
91,82
95,91
93,95

Erro
5,00
5,50
-5,25
-0,62
2,69
-3,65
8,18
-3,91
1,05

Erro = 25,41

Erro = 8,99

MAD = 31,61/9 = 3,51

MAD = 35,85/9 = 3,98

Para = 0,10, temos que: 4 3,51 = 14,04 < 25,41 ;

Para = 0,50, temos que: 4 3,98 = 15,92 > 8,99 .

Eng Wanderson S. Paris, MSc

paris@up.edu.br

44

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.
Eng Wanderson S. Paris, MSc

paris@up.edu.br

45

Referncia bibliogrfica
COELHO JR, T. P. Planejamento Estratgico da
Produo: Notas de Aula, CEFET-ES.
PARIS, W.S.; GUOLO, A. Gesto da Produo.
Curitiba: Universidade Positivo, 2015.
TUBINO, D. F. Manual de Planejamento e Controle
da Produo. So Paulo: Atlas, 1997

Eng Wanderson S. Paris, MSc

paris@up.edu.br

46