1

Previsões de Demanda
Modelos Temporais de Previsão

1.) Introdução
Na maior parte das organizações, a previsão da demanda é responsabilidade dos
departamentos de vendas e/ou marketing. É, entretanto, um insumo principal para
a decisão do planejamento e controle de capacidade, que é normalmente uma
responsabilidade da gerência de produção. Afinal, sem uma estimativa da
demanda futura não é possível planejar efetivamente para futuros eventos,
somente reagir a eles. Por isso é importante que os gerentes de produção
entendam a base e fundamentos lógicos para essas previsões de demanda.
O objetivo de qualquer modelo de previsão é prever o componente sistemático da
demanda e estimar o componente aleatório.
Componente Sistemático: mede o valor esperado da demanda e consiste em:
Nível: a demanda atual dessazonalizada.
Tendência: a taxa de crescimento ou declínio da demanda para o próximo
período.
Sazonalidade: as flutuações sazonais previsíveis na demanda.

Componente Aleatório:é a parte da previsão desviada da parte sistemática. A

empresa não pode prever o componente aleatório. Tudo o que a empresa pode
prever é sua dimensão e variabilidade, o que fornece uma medida de erro de
previsão.

Demanda Observada (O)= Componente Sistemático + Componente Aleatório

Definições básicas:
L= Estimativa de nível para o período
T= Estimativa de tendência.
St= Estimativa de fator de sazonalidade para o período t.
Dt= Demanda real observada no período t;
Ft= Previsão de demanda para o período t.
2.) Média Móvel
Utilizamos o modelo da média móvel quando a demanda não apresenta tendência
ou sazonalidade.
Componente Sistemático de demanda = nível
Nesse modelo, estimamos o nível no período t pela média da demanda durante os
períodos N mais recentes. Isso representa uma média móvel para o período N;
 2

(Dt + Dt −1 + ... + Dt − N +1 )
Lt = equação 1
N
Ft +1 = Lt equação 2

Exemplo 1:
A empresa ABC tem a seguinte distribuição de demanda:
Tabela 1
Trimestre Periodo t Demanda D
97,2 1 8.000
97,3 2 13.000
97,4 3 23.000
98,1 4 34.000
98,2 5 10.000
98,3 6 18.000
98,4 7 23.000
99,1 8 38.000
99,2 9 12.000
99,3 10 13.000
99,4 11 32.000
00,1 12 41.000

50.000
40.000
30.000
20.000
10.000
0
97,2 97,3 97,4 98,1 98,2 98,3 98,4 99,1 99,2 99,3 99,4 00,1

Considerando os dados da Tabela 1 faça a previsão de demanda para o período 5

utilizando a média móvel de quatro períodos.
34.000 + 23.000 + 13.000 + 8.000
L4 = = 19.500 ∴ F5 = L 4 = 19.500
4
Como sabemos que a demanda para o período 5 é de 10.000, temos um erro de
previsão para este período de:
 3

E 5 = F5 − D5 = 19.500 − 10.000 = 9.500

3.) Suavização Exponencial Simples

O modelo de suavização exponencial simples é adequado quando a demanda não
apresenta tendência ou sazonalidade. Fornece um método rotineiro para
atualização regular de previsões de itens.
Componente Sistemático de demanda = nível
Ft = αDt −1 + (1 − α ) * Ft −1 equação 3

Exemplo 2:
Consideremos as informações de demanda da empresa ABC na tabela 1. Faça a
previsão para o período 1 utilizando a suavização exponencial simples. Suponha
que a constante de suavização α = 0,1.
Temos informações de demanda para n=12 períodos, portanto:
1 12
L0 = ∑ Di = 22.083
12 i =1
Ft = αDt −1 + (1 − α )Ft −1 = 0,1x8.000 + (1 − 0,1)x 22.083 = 20.675

4.) Medidas de Erro das Previsões

Toda demanda possui um componente aleatório. Um bom modelo de previsão
deve captar o componente sistemático da demanda, mas não o componente
aleatório. O componente aleatório se manifesta na forma de erro de previsão. Os
erros de previsão possuem informações valiosas e devem ser analisados
cuidadosamente. Os gerentes devem fazer análises completas dos erros em uma
previsão por dois motivos:
a) Podem utilizar as análises de erros para determinar se o modelo de
previsão adotado está prevendo detalhadamente o componente
sistemático da demanda. Por exemplo, se um modelo de previsão resulta
consistentemente em erros otimistas, o gerente pode supor que o modelo
 4

de previsão esteja superestimando o componente sistemático e pode,

então, por em prática as devidas medidas corretivas.
b) Os gerentes estimam o erro da previsão porque qualquer plano de
contingência deve ser responsável por tal erro. Por exemplo, considere
uma empresa de vendas pelo correio que possui um fornecedor na Ásia,
ao qual os pedidos são emitidos com dois meses de antecedência, e outro
fornecedor local, ao qual os pedidos são emitidos com uma semana de
antecedência, e outro fornecedor local, ao qual os pedidos são emitidos
com uma semana de antecedência. O fornecedor local é mais caro, ao
passo que o fornecedor da Ásia custa menos. A empresa de vendas pelo
correio encomenda um certo volume de contingência ao fornecedor local a
ser utilizado caso a demanda exceda a quantidade fornecida pelo
fornecedor asiático. A decisão a respeito do volume a ser encomendado ao
fornecedor local é estreitamente relacionada com a dimensão do erro de
previsão.

Et = erro de previsão para o período t

E t = Ft − Dt

Desvio Absoluto At :
O valor absoluto do erro no período t :
At = E t 

Desvio Absoluto Médio DAM :

Média do desvio absoluto em todos os períodos :
1 n
DAM n = ∑ At
n t =1
Erro Quadrático Médio EQM :
O EQM estima a variação do erro de previsão:
1 n 2
EQM n = ∑ Et
n t =1
 5

Erro Absoluto Médio Percentual EAMP :

É o erro absoluto médio como porcentagem de demanda:

n Et
∑
t =1 Dt
x100
EAMPn =
n

Viés da Previsão :

Para determinar se o modelo de previsão consistentemente superestima ou

subestima a demanda, podemos utilizar a soma dos erros de previsão para avaliar
o viés da previsão:
n
viés n = ∑ E t
t =1

O viés da previsão (VP) oscilará em torno de 0 se o erro for verdadeiramente

aleatório e não enviesado. O ideal é que, de plotarmos todos os erros, a inclinação
da reta seja 0.

Sinal de Rastreamento TS (Tracking Sinal) :

É a razão entre o viés da previsão e o DAM:

viés t
TS t =
DAM t
Se o TS em qualquer período estiver fora da faixa de +6, isso significa que a
previsão está enviesada e que pode estar sub (razão de viés abaixo de –6) ou
superestimada (razão de viés acima de + 6). Nesse caso a empresa deve optar
pela escolha de um novo modelo de previsão.
Exemplo:

Utilizando a tabela 1, faça uma comparação entre os períodos 5 e 6, utilizando os

modelos da média móvel e ajustamento exponencial e verifique qual se ajusta
melhor.
 6

Tabela 1
Trimestre Periodo t Demanda D M. Móvel(4 p.) Ajust. Exp.; 0,2
97,2 1 8.000 8.000
97,3 2 13.000 8.000
97,4 3 23.000 9.000
98,1 4 34.000 11.800
98,2 5 10.000 19.500 16.240
98,3 6 18.000 20.000 14.992
98,4 7 23.000 21.250 15.594
99,1 8 38.000 21.250 17.075
99,2 9 12.000 22.250 21.260
99,3 10 13.000 22.750 19.408
99,4 11 32.000 21.500 18.126
00,1 12 41.000 23.750 20.901

Média Móvel:
34.000 + 23.000 + 13.000 + 8.000
L4 = = 19.500 ∴ F5 = L 4 = 19.500
4
10.000 + 34.000 + 23.000 + 13.000
L5 = = 20.000 ∴ F6 = L5 = 20.000
4
Período Venda Média Móvel Desvio DA
Absoluto At acumulado
5 10.000 19.500 9.500 9.500
6 18.000 20.000 2.000 11.500

Ajustamento Exponencial:
FT = αDt −1 + (1 − α )Ft −1 ⇒ F5 = 0,2 x34.000 + (1 − 0,2 )x11.800 = 16.240

Ft = αDt −1 + (1 − α )Ft −1 ⇒ F6 = 0,2 x10.000 + (1 − 0,2)x16.240 = 14.992

Período Venda Ajustamento Desvio DA

Exponencial Absoluto At acumulado
5 10.000 16.240 6.240 6.240
6 18.000 14.992 3.008 9.248
 7

Portanto, para as condições solicitadas, o modelo da suavização exponencial se ajusta

melhor.

Cálculo do Ts

Tabela 2 – utilizando média móvel com quatro períodos

Demanda Desvio Erro Quadrático
Dt Nivel Lt Previsão Ft Erro Et Absoluto At Médio EQM DAM % Erro EAMP TSt
8.000
13.000
23.000
34.000 19.500
10.000 20.000 19.500 9.500 9.500 90.250.000 9.500 95 95 1,00
18.000 21.250 20.000 2.000 2.000 47.125.000 5.750 11 53 2,00
23.000 21.250 21.250 -1.750 1.750 32.437.500 4.417 8 38 2,21
38.000 22.250 21.250 -16.750 16.750 94.468.750 7.500 44 39 -0,93
12.000 22.750 22.250 10.250 10.250 96.587.500 8.050 85 49 0,40
13.000 21.500 22.750 9.750 9.750 96.333.333 8.333 75 53 1,56
32.000 23.750 21.500 -10.500 10.500 98.321.429 8.643 33 50 0,29
41.000 24.500 23.750 -17.250 17.250 123.226.563 9.719 42 49 -1,52

Ts = Desvio acumulado / desvio absoluto acumulado médio (DAM)

Tabela 3
Demanda Dt Nivel Lt Previsão Ft Erro Et Desvio Acumulado DAM TS
8.000
13.000
23.000
34.000 19.500
10.000 20.000 19.500 9.500 9.500 9.500 1,00
18.000 21.250 20.000 2.000 11.500 5.750 2,00
23.000 21.250 21.250 -1.750 9.750 4.417 2,21
38.000 22.250 21.250 -16.750 -7.000 7.500 (0,93)
12.000 22.750 22.250 10.250 3.250 8.050 0,40
13.000 21.500 22.750 9.750 13.000 8.333 1,56
32.000 23.750 21.500 -10.500 2.500 8.643 0,29
41.000 24.500 23.750 -17.250 -14.750 9.719 (1,52)
 8

5.) Regressão Linear Simples

Método que consiste em determinar a função Y = a + bX, sendo Y a variável dependente e

X a variável independente.
Para o cálculo da equação da reta utilizamos a expressão:

( )
Y = Y + b X − X onde :

Y=
∑Y ∴ X = ∑ X
n n
Utilizando o método dos mínimos quadrados, temos:

b=
Sxy
→ onde → Sxy = ∑ xy −
∑x*∑ y
Sxx n

Sxx = ∑ x 2 −
(∑ x ) 2

Syy = ∑ y −2
(∑ y ) 2

Correlação: r
Mede a tendência do modelo, isto é, de que maneira a reta determinada se ajusta
aos dados do problema. O coeficiente de correlação r varia entre –1 (reta
descendente) e + 1 (reta ascendente). Os coeficientes de correlação iguais a 1
(em valor absoluto) significam que a reta ajustada passa exatamente sobre cada
um dos pontos (correlação perfeita). Para uma boa correlação a experiência
recomenda que r > 0,7 em valor absoluto.

r=
∑ xy
∑x *∑ y
2 2

Exemplo:
Dados os quatro primeiros períodos da tabela 1, fazer a previsão para os períodos
5 e 6 utilizando o método da regressão linear simples. Calcular o coeficiente de
correlação r.
 9

Tabela 4
Período-X Demanda-Y XY X2 Y2
1 8.000 8.000 1 64.000.000
2 13.000 26.000 4 169.000.000
3 23.000 69.000 9 529.000.000
4 34.000 136.000 16 1.156.000.000
Total 10 78.000 239.000 30 1.918.000.000

(∑ x )2
= 100
(∑ y ) 2
= 6.084.000.000
10 * 78.000
Sxy = 239.000 − = 44.000
4
100
Sxx = 30 − =5
4
6.084.000.000
Syy = 1.918.000.000 − = 397.000.000
4
Sxy 44.000
b= ∴b = = 8.800
Sxx 5
10 78.000
X = = 2,5 → Y = = 19.500
4 4
A equação da reta é:
Y = 19.500 + 8.800( X − 2,5)
Previsão para o período 5:
Y = 19.500 + 8.800(5 − 2,5) = 41.500
Previsão para o período 6:
Y = 19.500 + 8.800(6 − 2,5) = 50.300
Cálculo do coeficiente de correlação r:

r=
∑ xy =
239
= 0,00096
∑x *∑ y 2 2
30 * 1.918.000.000

6.) Método do Ajustamento Sazonal

6.1 Método da porcentagem média
 10

O conhecimento dos fatores sazonais é útil para previsões em curto prazo. O

objetivo básico da maior parte dos métodos consiste em obter um índice sazonal
para cada período, que represente uma porcentagem de sua média.

Exemplo
A empresa abaixo apresenta as vendas dos anos 2000 e 2001 conforme a tabela
abaixo. Fazer a previsão, mensal, para o ano de 2002 utilizando o método do
ajustamento sazonal considerando que a demanda total para 2002 está prevista
para 372.000 unidades.
Tabela 5
Mês 2.000 Coef. Saz. 2.001 Coef. Saz. Coef. Médio Previsão
Jan 8.000 0,36 9.000 0,36 0,36 11.131
Fev 13.000 0,59 13.500 0,53 0,56 17.398
Mar 23.000 1,04 25.000 0,99 1,01 31.465
Abr 34.000 1,54 38.000 1,50 1,52 47.152
Mai 10.000 0,45 14.000 0,55 0,50 15.599
Jun 18.000 0,82 22.000 0,87 0,84 26.117
Jul 23.000 1,04 25.000 0,99 1,01 31.465
Ago 38.000 1,72 43.000 1,70 1,71 53.024
Set 12.000 0,54 15.000 0,59 0,57 17.615
Out 13.000 0,59 16.000 0,63 0,61 18.930
Nov 32.000 1,45 40.000 1,58 1,52 46.974
Dez 41.000 1,86 43.000 1,70 1,78 55.130
Total 265.000 303.500 372.000
Média 22.083 25.292 31.000

6.2 Método da Porcentagem da Tendência

Uma empresa tem um comportamento de demanda conforme abaixo:
Tabela 6
Trimestre 1º 2º 3º 4º
Ano
1997 1 2 5 2
1998 1 3 6 2
1999 1 3 6 4
2000 2 2 8 4
 11

Tabela 7
X Y XY X2 Y2
1 1 1 1 1
2 2 4 4 4
3 5 15 9 25
4 2 8 16 4
5 1 5 25 1
6 3 18 36 9
7 6 42 49 36
8 2 16 64 4
9 1 9 81 1
10 3 30 100 9
11 6 66 121 36
12 4 48 144 16
13 2 26 169 4
14 2 28 196 4
15 8 120 225 64
16 4 64 256 16
136 52 500 1496 234

Sxy = 58
Sxx= 340
b= 0,1706

Xtraço= 8,5
Ytraço= 3,25

a = Y −bX
Yˆ = a + bX
Yˆ = 1,8 + 0,17 X

Tabela 8
 12

X Y Valor da Tendencia Y/^Y

1 1 1,97 0,51
2 2 2,14 0,93
3 5 2,31 2,16
4 2 2,48 0,81
5 1 2,65 0,38
6 3 2,82 1,06
7 6 2,99 2,01
8 2 3,16 0,63
9 1 3,33 0,30
10 3 3,5 0,86
11 6 3,67 1,63
12 4 3,84 1,04
13 2 4,01 0,50
14 2 4,18 0,48
15 8 4,35 1,84
16 4 4,52 0,88

Reagrupando os valores temos:

Tabela 9
Trimestre 1º 2º 3º 4º
Ano
1997 0,51 0,93 2,16 0,81
1998 0,38 1,06 2,01 0,63
1999 0,30 0,86 1,63 1,04
2000 0,50 0,48 1,84 0,88
Média 0,42 0,83 1,91 0,84

Previsão p/ o
17º período :
^Y17=1,8+0,17x17=4,69
Previsão=4,69x0,42=1,97

Exercício
Calcular, utilizando o método da porcentagem da tendência, a previsão para os
períodos 13, 14, 15 e 16, da Tabela 1 (pag. 2)