Aula 10

Planejamento, Programação e
Controle da Produção
Previsão de demanda
Docente Évelyn dos Santos Jardim Esteves
Planejamento, Programação
e Controle da Produção
1. Planejamento, predição e previsão
2. Função da gestão da demanda
3. Previsão e planejamento
4. Padrões de demanda
5. Processo de previsão
6. Erros de previsão
7. Métodos de previsão
8. Seleção do modelo de previsão

1. Planejamento, previsão e predição

– Planejamento
• Processo lógico que descreve as atividades necessárias para ir do
ponto no qual nos encontramos até o objetivo.
– Predição
• Processo para determinação de um acontecimento futuro baseado em
dados completamente subjetivos e sem uma metodologia de trabalho
clara.
– Previsão
• Processo metodológico para determinação de dados futuros baseados
em modelos estatísticos, matemáticos ou econométricos ou ainda em
modelos subjetivos apoiados em uma metodologia de trabalho clara e
previamente definida.
1. Planejamento, previsão e predição

– Dimensionamento de áreas
• Recursos diretos
– Equipamentos
» Quantificar
• Escolha do tipo de equipamento e a quantidade necessária
» Operação
• Espaço necessário para operação, e também ao acesso para
manutenção
» Meios de transporte
• Equipamentos utilizados para transporte e manuseio dos materiais
» Utensílios e ferramentas
• Espaço para a disposição de ferramentas, dispositivos, instrumentos,
etc.

Influência Previsão
sobre o da
mercado demanda
GESTÃO
Promessas
DA
DEMANDA de prazos
Comunicação
Priorização
com o
mercado e alocação

– Habilidade para prever a demanda
• Utilizar ferramentas para conseguir antecipar a demanda futura
com alguma previsão
• Manter e/ou formar base de dados
• Compreender fatores e/ou variáveis (promoções, clima, condições
econômicas)
– Canal de comunicação com o mercado

• Não só vender
• Trazer informações dos clientes e do mercado para a empresa
• Cliente: fonte inestimável de informações para fazer previsão de
vendas

– Poder de influência sobre a demanda
• Tentar prever o comportamento e procurar influenciá-lo
• Negociações com os clientes
• Previsões e incertezas geradas pelo desconhecimento dos
responsáveis pelas previsões relacionadas a área comercial
– Habilidade de prometer prazos

• Confiabilidade de entregas
• Promessas de prazos variam de acordo com o tipo de produção

– Habilidade de priorização e alocação
• Criar condições para que a empresa consiga atender a demanda
dos clientes
• Se não houver produtos suficientes ou recursos e materiais
necessários para a produção?
• Quais clientes serão atendidos? Total ou parcialmente?

– Principais processos operacionais:
• Previsão de vendas
• Cadastramento de pedidos
• Promessas de data de entrega
• Definição e avaliação de necessidades entre unidades produtivas e
centros de distribuição
• Distribuição física dos produtos aos clientes e/ou centros de
distribuição
– A previsão de demanda assume um papel central no
processo de planejamento das empresas.
– São tomadas as principais decisões financeiras, comerciais
e operacionais.
– As previsões de demanda são utilizadas nas decisões:
• Planejamento dos recursos de produção (Planejamento da capacidade)
• Metas de produção e estoque (Planejamento agregado da produção)
• Prioridades de produção e expedição dos produtos (PPCP)
– Demanda pontual
• Pico de demanda, que ocorre de forma concentrada no tempo e depois
desaparece ou diminui significativamente.
• Erros de previsão na falta ou excesso de produto
– Exemplo: enfeites de Natal, Carnaval, Páscoa
– Demanda repetitiva dependente

• Quando pode ser facilmente associada à demanda de outros produtos
– Exemplo: pneus na linha de montagem é dependente da demanda por
automóveis
– Demanda repetitiva independente
• Utiliza-se o conceito de “ciclo de vida do produto”
Volume de vendas
Introdução Crescimento Maturidade Declínio

O produto/serviço O produto/serviço Necessidades Necessidades
acaba de ser ganha do mercado Do mercado
lançado no aceitação no começam a Amplamente
mercado mercado ser atendidas atendidas
Crescimento lento Crescimento Redução das Declínio das

das vendas rápido no vendas atingindo vendas
volume das vendas um patamar
– Demanda repetitiva independente estacionária
• Corresponde à fase de maturidade
• Variações aleatórias nas vendas
• Patamar constante ao longo do tempo
– Demanda repetitiva independente com tendência

• Crescimento (ou redução) sistemático, típico da fase de crescimento (ou
declínio) das vendas.
– Demanda repetitiva independente de sazonalidade
• Oscilações regulares de demanda ao longo do ano ou “ciclo sazonal”
– Exemplo: produtos alimentícios (cerveja, sorvete, chocolate), vestuário
(inverno, verão), brinquedos (Natal, dia das crianças), eletrodomésticos,
fertilizantes.
5. Processos de previsão
– Definição clara do objetivo principal, associado à
necessidade da previsão da demanda.
– Com a definição dos objetivos e da abrangência do

processo de previsão, coleta-se os dados, que inclui os
históricos de vendas e informações sobre eventos,
passados e futuros, que podem influenciar as vendas.
– Para implantar um processo de previsão de demanda, ale
da base de dados e dos recursos computacionais, a
empresa necessita de modelos de previsão de demanda,
que podem:
• Qualitativos: técnicas baseadas no consenso e opiniões
• Quantitativos: caracterizam-se pelo emprego de técnicas
estatísticas para a obtenção de previsões
– Definido o modelo, deve-se realizar testes para a
calibração e avaliação da confiabilidade das previsões
geradas.
– Validado o modelo e disponibilizados os recursos e as

informações para o processo de previsão, este pode ser
incorporado ao planejamento e controle da produção.
• Implantado o sistema, este deve ser monitorado e revisto, no
intuito de prever a qualidade das informações produzidas.
– O indicador básico de Erros de Previsão para o período t , é
a diferença (ou desvio) entre o valor real e o valor previsto
da demanda no período correspondente.
𝐸𝑡 = 𝐷𝑡 − 𝐹𝑡
Et : erro de previsão para o período t

Dt : valor real
Ft : valor previsto da demanda (Ft - forecast)
– A partir de “n” períodos consecutivos, calcula-se o Erro
Médio pela equação:
𝑛
𝑡=1 (𝐷𝑡 − 𝐹𝑡 )
𝐸𝑀 =
𝑛
OBS: O EM deve resultar em valores próximos a zero para n grande,

quando o modelo não apresenta viés ou erros sistemático. Os desvios
positivos (𝐷𝑡 > 𝐹𝑡 ) anulam-se com os desvios negativos (𝐷𝑡 < 𝐹𝑡 ).
OBS: Do ponto de vista prático, pode-se avaliar o viés de previsão
graficamente, a partir de um diagrama de resíduos.
Deve-se observar que há predominância de desvios positivos ou

negativos, o que indica a existência de um viés de previsão
– Determinação de cenários
• Cenário base: sem surpresas
• Cenário alternativo 1: otimista
• Cenário alternativo 2: pessimista

– Determinação de cenários
Vantagens Desvantagens
• Estruturar e sistematizar o • Dependência dos resultados
processo de projeções em função da escolha das
qualitativas variáveis
• Identificar as variáveis que
• Complexidade para se tratar
impactam a demanda e os
impactos mútuos muitas variáveis ao mesmo
tempo
• Estabelecer objetivos de
longo prazo • Pequenas alterações podem
• Identificar a prioridade da causar grandes distorções nas
ação previsões.
– Média móvel simples
• A previsão no período futuro t é calculada sendo a media de n
períodos anteriores. Deve-se escolher sobre quantos períodos a
média pode ser calculada
n
R t
Pt 1  t 1
n
Pt+1 : previsão para próximo período t
Rt : valor observado no período t
n : numero de períodos históricos
• Aplicação
– Um produto apresentou, nos últimos meses, a demanda conforme a tabela.
Determinar a previsão para o próximo período utilizando o método de média
móvel simples.
Demanda (unidades) – Ano 1
Mês J F M A M J J A S O N D
Consumo
real 100 102 101 104 102 101 102 103 103 103 104 103
• Aplicação 1
– A demanda para janeiro do ano 2, será a média dos 12 meses.
Demanda (unidades) – Ano 1 Ano 2
Mês J F M A M J J A S O N D J
Consumo
real 100 102 101 104 102 101 102 103 103 103 104 103
• Aplicação 1
– A demanda para janeiro do ano 2, será a média dos 12 meses.
– A demanda para janeiro do ano 2 será: (100 + 102 + 101 + ...) / 12 = 102,3.
Consumo
real 100 102 101 104 102 101 102 103 103 103 104 103 102,3
• Aplicação 2
– Se em janeiro do ano 2, o consumo tivesse sido 104.
Mês F M A M J J A S O N D J F
Consumo
real 102 101 104 102 101 102 103 103 103 104 103 104
• Aplicação 2
– Se em janeiro do ano 2, o consumo tivesse sido 104.
– A demanda para fevereiro do ano 2 será: (102 + 101 + ...) / 12 = 102,7
Consumo
real 102 101 104 102 101 102 103 103 103 104 103 104 102,7
– Média móvel ponderada
• No método da média móvel simples atribui-se o mesmo peso a
todos os meses.
• No método de Média Móvel Ponderada atribui-se um peso a cada

um dos dados, sendo que a soma dos pesos deve ser igual a 1.
• Aplicação 1
– Prever o mês de janeiro do ano 2 utilizando uma media móvel trimestral com
fator de ajustamento de 0,7 para dezembro, 0,2 para novembro e 0,1 para
outubro.
Consumo
real 100 102 101 104 102 101 102 103 103 103 104 103
• Aplicação 1
– Prever o mês de janeiro do ano 2 utilizando uma media móvel trimestral com
fator de ajustamento de 0,7 para dezembro, 0,2 para novembro e 0,1 para
outubro.
– A previsão para janeiro do ano 2 será: ((0,7 x 103) + (0,2 x 104) + (0,1 x 103)) =
103,2.
Consumo
real 100 102 101 104 102 101 102 103 103 103 104 103 103,2
• Aplicação 2
– Se em janeiro do ano 2, o consumo tivesse sido 104, com os coeficientes 0,7,
0,2 e 0,1.
Consumo
real 102 101 104 102 101 102 103 103 103 104 103 104
• Aplicação 2
– Se em janeiro do ano 2, o consumo tivesse sido 104, com os coeficientes 0,7,
0,2 e 0,1.
– A previsão para fevereiro do ano 2 será: ((0,7 x 104) + (0,2 x 103) + (0,1 x
104)) = 103,8.
Consumo
real 102 101 104 102 101 102 103 103 103 104 103 104 103,8
– Média móvel com ajuste exponencial
• Nesse método a previsão P é calculada a partir da última previsão
realizada no período (t-1) adicionada ou subtraída de um
coeficiente α que multiplica o consumo real (C) e a previsão no
período (Pt-1), de acordo com a expressão:
Pt = Pt-1 + α (Ct-1 – Pt-1)
OBS: 0 < α < 1 (geralmente entre 0,1 e 0,3)

• Aplicação 1
– Adotemos α = 0,3 como coeficiente de ajustamento.
Consumo real em unidades – Ano 1
Consumo
real 100 102 101 104 102 101 102 103 103 103 104 103
Consumo real em unidades – Ano 2
Consumo
real
• Aplicação 1
– Previsão para fevereiro do ano 2
Pfev = Pjan + α (Cjan – Pjan)
Pjan : 102,3 (média móvel simples para o ano 2)

• Aplicação 1
– Previsão para fevereiro do ano 2
Pfev = Pjan + α (Cjan – Pjan)
Pjan : 102,3 (média móvel simples para o ano 2)
Pfev = 102,3 + 0,3 (104 – 102,3) = 102,8

• Aplicação 2
– Previsão para março do ano 2
– Previsão para abril do ano 2

• Aplicação 2
– Previsão para março do ano 2
Pmar = 102,8 + 0,3 (103 – 102,8) = 102,9
– Previsão para abril do ano 2
Pabr = 102,9 + 0,3 (103 – 102,9) = 102,9

– Revisão
• Aplicação 1
– As vendas dos últimos 10 meses de bicicletas ergométricas da Allfitness tem
os valores da tabela. Determinar a previsão de vendas par o mês 11 utilizando
o modelo de media móvel dos últimos 10 meses.
Vendas de bicicletas ergométricas - unidades
Mês 1 2 3 4 5 6 7 8 9 10 11
Bicicletas 285 288 310 290 305 299 315 320 303 300
– Revisão
• Aplicação 1
– As vendas dos últimos 10 meses de bicicletas ergométricas da Allfitness tem
os valores da tabela. Determinar a previsão de vendas par o mês 11 utilizando
o modelo de media móvel dos últimos 10 meses.
Mês 1 2 3 4 5 6 7 8 9 10 11
Bicicletas 285 288 310 290 305 299 315 320 303 300 301,5
– Revisão
• Aplicação 2
– Vamos imaginar que mensalmente tenhamos os dados das vendas reais.
Utilizando o mesmo modelo de média móvel dos últimos 10 meses,
determinar as previsões de venda para os meses 12 a 16
Mês 11 12 13 14 15 16
Bicicletas
(previsão)
Bicicletas
302 304 303 305 300 308
(vendas reais)
– Revisão
• Aplicação 2
– Vamos imaginar que mensalmente tenhamos os dados das vendas reais.
Utilizando o mesmo modelo de média móvel dos últimos 10 meses,
determinar as previsões de venda para os meses 12 a 16
Mês 11 12 13 14 15 16
Bicicletas
301,5 303,2 304,8 304,1 305,6 305,1
(previsão)
Bicicletas
302 304 303 305 300 308
(vendas reais)
– Revisão
• Aplicação 3
– Utilizando todos os dados anteriores, calcular a previsão da vendas para os
meses de 11 a 16 utilizando o modelo de média móvel ponderada dos últimos
3 meses, ponderando o último mês com o coeficiente 0,6, o penúltimo mês
com o coeficiente 0,3 o antepenúltimo mês com o coeficiente 0,1.
Mês 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Bicicletas 285 288 310 290 305 299 315 320 303 300
– Revisão
• Aplicação 3
– Mês 11 = 0,6 x 300 + 0,3 x 303 + 0,1 x 320 = 302,9
Mês 11 12 13 14 15 16
Bicicletas 302,9
– Revisão
• Aplicação 3
– Utilizando todos os dados anteriores, calcular a previsão da vendas para os
meses de 11 a 16 utilizando o modelo de média móvel ponderada dos últimos
3 meses, ponderando o último mês com o coeficiente 0,6, o penúltimo mês
com o coeficiente 0,3 o antepenúltimo mês com o coeficiente 0,1.
Mês 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Bicicletas 285 288 310 290 305 299 315 320 303 300 302,9 301,5 303 303,2 304,3 301,8
– Revisão
• Aplicação 4
– Utilizando os dados anteriores, calcular a previsão para os meses a partir do
mês 12, utilizando o modelo de media exponencial com coeficiente de
ajustamento α igual a 0,3, e supondo que a previsão inicial do mês 11 seja
301,5.
Mês 11 12 13 14 15 16
Bicicletas 301,5
– Revisão
• Aplicação 4
– Para o mês 12 = previsão do mês 11 (301,5) + 0,3 (venda do mês 11 (302) –
previsão do mês 11 (301,5) = 301,65
Mês 11 12 13 14 15 16
Bicicletas
301,5 301,65
(previsão)
Bicicletas
302 304 303 305 300 308
(vendas reais)
– Revisão
• Aplicação 4
– Para o mês 12 = previsão do mês 11 (301,5) + 0,3 (venda do mês 11 (302) –
previsão do mês 11 (301,5) = 301,65
Mês 11 12 13 14 15 16
Bicicletas
301,5 301,65 302,36 302,55 303,28 303,20
(previsão)
Bicicletas
302 304 303 305 300 308
(vendas reais)
– Revisão
• Aplicação 5
– A Empresa ERA trabalha com uma série histórica de previsão de demanda
com 06 períodos. No final de 2011, constatou que o consumo foi de 105
unidades do produto. Os demais períodos com suas respectivas tabulações de
vendas, foram:
Consumo real em unidades – Anual

Ano
2005 2006 2007 2008 2009 2010 2011
Vendas
70 87 80 92 100 110 105
– Revisão
• Aplicação 5
– Estabeleça uma previsão para o próximo ano, com base nos seguintes
métodos:
» Média móvel simples
» Média móvel, para N=3
» Media móvel ponderada com os seguintes pesos 15, 35, 12, 20, 10,8
– Revisão
• Aplicação 5
– Estabeleça uma previsão para o próximo ano, com base nos seguintes
métodos:
» Média móvel simples
Média 12 = 664 / 7 = 92
» Média móvel, para N=3

Média 12 = 315 / 3 = 105
» Media móvel ponderada com os seguintes pesos 15, 35, 12, 20, 10,8
Média ponderada = (15 x 87) + (35 x 80) ..... + (8 x 105) = .....
– Média da regressão linear (mínimos quadrados)
• O objetivo é determinar a equação da reta (Y = bX + a) que melhor
se ajuste aos dados que constam na série histórica disponível.
Sendo Y os valores de consumo realmente observados nos
respectivos períodos (X), e Y* os correspondentes valores
previstos, pode-se plotar o gráfico ( Y x X ), conforme abaixo.
• Assim, com base na equação dessa reta pode-se determinar
valores futuros ( 𝑌𝑓 ) uma vez conhecidos os valores de a
(coeficiente linear) e b (coeficiente angular) para qualquer valor de
𝑋𝑓 , ou seja: 𝑌𝑓 = 𝑏𝑋𝑓 + 𝑎.
• A partir dos valores da variável dependente (Y), que poderá ser

os dados de consumo de uma série histórica, em relação aos
valores da variável independente (X), que pode representar o
referido período histórico, pode-se determinar os valores de a
e b.
• Também se faz necessário avaliar o quanto Y e X estão de fato
correlacionados, o que é feito calculando-se o coeficiente de
correlação (r). Desse modo, sendo N o número de períodos da
série histórica, as equações para os cálculos desses coeficientes
são dadas por:
• Equações para o cálculo de a e b
𝑌 = 𝑁𝑎 − 𝑏 𝑋
• Cálculo do coeficiente de correlação (r)
r = +1: y diretamente relacionado com x

r = -1: y indiretamente relacionado com x
𝑟 2 < 0,25: x é um previsor deficiente
0, 25 < 𝑟 2 < 0,80: x é um médio previsor
𝑟 2 > 0,80: x é um bom previsor
– Aplicação
• Aplicação 1
– Um produto industrial apresentou as vendas dos últimos seis meses conforme
dados da tabela.
– Pede-se:
» Ajustar uma reta e calcular
» Calcular o coeficiente de correlação r
» Determinar a previsão para julho, agosto e setembro
– Aplicação
• Aplicação 1
Vendas em unidades
Mês Jan Fev Mar Abr Mai Jun
Consumo
real 340 355 365 375 390 401
– Aplicação
• Aplicação 1
– Para realizar a previsão, a variável X corresponde aos meses que numerados
de 1 a 6, em ordem cronológica.
X Y 𝑿𝟐 𝒀𝟐 XY
1 340
2 355
3 365
4 375
5 390
6 401
– Aplicação
• Aplicação 1
– Para realizar a previsão, a variável X corresponde aso meses que numerados
de 1 a 6, em ordem cronológica.
1 340 1 115600 340
2 355 4 126025 710
3 365 9 133225 1095
4 375 16 140625 1500
5 390 25 152100 1950
6 401 36 160801 2406
– Aplicação
• Aplicação 1
– ΣX =
– 𝑋=
– Σ𝑋 2 =
– ΣXY =
– ΣY =
– Σ𝑌 2 =
– (Σ𝑋)2 =
– (Σ𝑌)2 =
– 𝑌=
– Aplicação
• Aplicação 1
– ΣX = 21
– 𝑋 = 3,5
– Σ𝑋 2 = 91
– ΣXY = 8001
– ΣY = 2226
– Σ𝑌 2 = 828376
– (Σ𝑋)2 =441
– (Σ𝑌)2 = 4995076
– 𝑌 = 371
– Aplicação
• Aplicação 1
– b = SXY / SXX
– SXY = ΣXY - ((ΣX x ΣY) / n)
– SXX = Σ𝑋 2 - ((Σ𝑋)2 / n)
– SYY = ΣY 2 - ((ΣY)2 / n)
– r = SXY / 𝑆𝑋𝑋 𝑥 𝑆𝑌𝑌

– Aplicação
• Aplicação 1
– b = SXY / SXX

– SXY = 8001 – ((21 x 2226) / 6) = 210
– SXX = Σ𝑋 2 - ((Σ𝑋)2 / n)
– SXX = 91 – (441 / 6) = 17,5
– SYY = Σ𝑌 2 - ((Σ𝑌)2 / n)
– SYY = 828376 – (4995076 / 6) = 2530
– r = SXY / 𝑆𝑋𝑋 𝑥 𝑆𝑌𝑌

– r = 0,998
– Aplicação
• Aplicação 1
– b = SXY / SXX
– b = 210 / 17,5 = 12
– A equação da reta é:
Y=𝑌+b(X-𝑋)
– Aplicação
• Aplicação 1
Y = 371 + 12 𝑋 − 3,5
– Determinar a previsão para julho, agosto e setembro

– Aplicação
• Aplicação 1
Y = 371 + 12 𝑋 − 3,5
– Determinar a previsão para julho, agosto e setembro

» Julho = 371 + 12 7 − 3,5 = 413
» Agosto = 371 + 12 8 − 3,5 = 425
» Setembro = 371 + 12 9 − 3,5 = 437
– Aplicação
• Aplicação 2
– Uma linha de cosméticos tem apresentado as vendas dos últimos 7 meses
conforme tabela. Realizar a previsão de vendas par os meses de agosto,
setembro e outubro utilizando o modelo de ajustamento de uma reta pelos
mínimos quadrados.
Vendas de cosméticos - caixas
Mês Jan Fev Mar Abr Mai Jun Jul
Caixas 100 110 125 135 140 153 167

– Aplicação
• Aplicação 2
1 100
2 110
3 125
4 135
5 140
6 153
7 167
Total
Média
– Aplicação
• Aplicação 2
1 100 1 10000 100
2 110 4 12100 220
3 125 9 15625 375
4 135 16 18225 540
5 140 25 19600 700
6 153 36 23409 918
7 167 49 27889 1169
Total 28 930 140 126848 4022
Média 4 132,86
– Aplicação
• Aplicação 2
– b = SXY / SXX

– SXY = 4022 – ((28 x 930) / 7) = 302
– SXX = Σ𝑋 2 - ((Σ𝑋)2 / n)
– SXX = 140 – ((28)2 / 7) = 28
– SYY = Σ𝑌 2 - ((Σ𝑌 / n)
– SYY = 126848 – ((930)2 / 7) = 3290,86
– r = 4022/28 x 3290,86 = 0,995

» Ajustamento da reta representa bom ajuste.
– Aplicação
• Aplicação 2
Y = 132,86 + 302/28 (X-4)
– Determinar a previsão para agosto, setembro e outubro

» Agosto = 176,04
» Setembro = 186,83
» Outubro = 197,62
– Aplicação
• Aplicação 3
– Um posto de serviços para automóveis dispõe da série histórica de consumo
de óleo lubrificante (em litros) conforme consta na tabela abaixo. Faça a
previsão de consumo de óleo para o ano de 2007, e comente sobre os
coeficientes de correlação e de determinação.
– Aplicação
• Aplicação 3
Ano Litros Ano X Y 𝑿𝟐 𝒀𝟐 XY
2006
130
2005
122
2004
110
2003
119
2002
108
– Aplicação
• Aplicação 3
Ano Litros Ano X Y 𝑿𝟐 𝒀𝟐 XY
2006
130 5 5 130
2005
122 4 4 122
2004
110 3 3 110
2003
119 2 2 119
2002
108 1 1 108
– Aplicação
• Aplicação 3
– ΣX =
– 𝑋=
– Σ𝑋 2 =
– ΣXY =
– Σ𝑌 2 =
– (Σ𝑋)2 =
– (Σ𝑌)2 =
– 𝑌=
– Aplicação
• Aplicação 3
– b = SXY / SXX
– SXX = Σ𝑋 2 - ((Σ𝑋)2 / n)
– Aplicação
• Aplicação 3
– b = SXY / SXX
Y=𝑌+b(X-𝑋)
– Determinar a previsão 2007

– Ajuste sazonal
• Muitos produtos apresentam um padrão de demanda que se
repetem periodicamente (demanda sazonal). Alguns exemplos
podem ser: Trajes de banho, Árvores de natal e Esquis. Outros
exemplos, não tão óbvios como os anteriores, incluem produtos
cuja demanda varia segundo o período do dia (energia elétrica
residencial), da semana (supermercados) ou do mês (agências
bancarias e o comercio estão mais movimentados no final ou início
de cada mês).
– Ajuste sazonal
• Para o cálculo da demanda desses itens, faz-se necessário diluir a
demanda do período específico (onde ocorre a sazonalidade), nos
demais períodos do ano, já que as técnicas disponíveis prevêm o
cálculo das demandas fora das estações, e não na estação
(período) diferenciado. Para tanto, se desestacionaliza a demanda
e, em seguida procede-se o cálculo da previsão. A
desestacionalização, entretanto, é feita com base no Indice de
Sazonalidade (IS).
– Ajuste sazonal
• Para desenvolver o método deve:
– Determinar a média em cada ano
– Determinar o coeficiente de sazonalidade em cada período da sazonalidade
– Calcular o coeficiente médio de sazonalidade em cada período
– Projetar a demanda global para o ano (utilizando um método de previsão)
– Determinar a média para cada período do ano
– Determinar a demanda em cada período do ano utilizando coeficiente médio
de sazonalidade.
– Ajuste sazonal
• Determinação do índice de sazonalidade (IS) e da demanda
desestacionalizada (DD)
• Como consequência, pode-se calcular a demanda

desestacionalizada (DD)
– Ajuste sazonal
• Aplicação 1
– A tabela apresenta dados de consumo de um produto nos últimos
quatro anos e deseja-se determinar a previsão de vendas trimestral
no ano 5
Consumo em unidades
Trimestre Ano 1 Ano 2 Ano 3 Ano 4
1 45 70 100 100
2 335 370 585 725
3 520 590 830 1160
4 100 170 285 215
Total 1000 1200 1800 2200
Média 250 300 450 550
– Ajuste sazonal
• Aplicação 1
– Coeficiente de sazonalidade
Consumo em unidades
Trimestre Ano 1 Ano 2 Ano 3 Ano 4 Média
1 45/média 70/média 100/média 100/média Média

– Ajuste sazonal
• Aplicação 1
Consumo em unidades
1
3
4
– Ajuste sazonal
• Aplicação 1
Consumo em unidades
1 0,18 0,23 0,22 0,18 0,20
2 1,34 1,23 1,30 1,32 1,30
3 2,08 1,97 1,84 2,11 2,00

4 0,40 0,57 0,63 0,39 0,50
– Ajuste sazonal
• Aplicação 1
– Vamos supor que a previsão para o ano 5 fosse de 2500 baseada em
que em quatro anos o consumo passou de 1000 para 2200 com um
incremento médio de 300 unidades ao ano.
– A média trimestral é: (2500 / 4) = 625 unidades
– Teremos como previsão para cada trimestre:
Trimestre Previsão Média Previsão

1 625
2 625
3 625
4 625
– Ajuste sazonal
• Aplicação 1
– Vamos supor que a previsão para o ano 5 fosse de 2500 baseada em
que em quatro anos o consumo passou de 1000 para 2200 com um
incremento médio de 300 unidades ao ano.
– A média trimestral é: (2500 / 4) = 625 unidades
– Teremos como previsão para cada trimestre:
Trimestre Previsão Média Previsão

1 625 0,20 125
2 625 1,30 813
3 625 2,00 1250

4 625 0,50 313

– Para selecionar o modelo de previsão que melhor se ajusta
aos dados podem ser utilizados diferentes métodos, quis
sejam
• Soma acumulada dos erros da previsão (SAE)
• Erro quadrado médio (EQM)
• Desvio padrão (DP) = 𝐸𝑄𝑀
• Média da soma dos erros absolutos (MSEA)
– Entende-se como erro (E) a diferença entre o valor real (V) e a
previsão (P)
E=V-P

– Aplicação 1
• Para determinar a previsão de um produto foi utilizado um modelo
de previsão que forneceu os resultados da tabela.
• Calcular:
– Soma acumulada dos erros da previsão (SAE)
– Erro quadrado médio (EQM)
– Desvio padrão (DP) = 𝐸𝑄𝑀
– Média da soma dos erros absolutos (MSEA)

– Aplicação 1
Erro Erro
Mês Valor real Previsão Erro
quadrado absoluto
1 200 225
2 240 220
3 270 290
4 230 250
5 280 270
6 210 250
Total

– Aplicação 1
Erro Erro
Mês Valor real Previsão Erro
quadrado absoluto
1 200 225 - 25 625 25
2 240 220 20 400 20
3 270 290 - 20 400 20

4 230 250 - 20 400 20
5 280 270 10 100 10
6 210 250 - 40 1600 40
Total - 75 3525 135

– Aplicação 1
• Calcular:


– Aplicação 1
• Calcular:
» - 25 + 20 – 20 ... – 40 = - 75

» 3525 / 6 = 587,5

» 587,5 = 24,2

» 135/ 6 = 22,5

– Aplicação 1
• Compara-se os valores, e verifica-se qual o melhor modelo que se
ajusta as indicações do problema (+)
Modelo SAE EQM DP MSEA
Média móvel - 75 587,5 24,2 22,5
Média
ponderada
Media
exponencial
Ajustamento
de reta

– Aplicação
• Compara-se os valores, e verifica-se qual o melhor modelo que se
ajusta as indicações do problema ( < e +)
• No caso das bicicletas, realizando os cálculos com as previsões dos
demais modelos, o melhor modelo que se ajusta é a média móvel.
Modelo SAE EQM DP MSEA

Média móvel 2,30 7,45 2,73 2,08
Média
- 5,30 11,21 3,35 2,62
ponderada
Media
- 8,36 9,25 3,04 2,49
exponencial
Ajustamento
91,44 245,02 15,65 145,24
de reta

Aula 10

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Aula 10

Enviado por

Direitos autorais:

Formatos disponíveis

Planejamento, Programação e

1. Planejamento, predição e previsão

2. Função da gestão da demanda

8. Seleção do modelo de previsão

1. Planejamento, previsão e predição

1. Planejamento, previsão e predição

2. Função da gestão da demanda

2. Função da gestão da demanda

– Canal de comunicação com o mercado

2. Função da gestão da demanda

– Habilidade de prometer prazos

2. Função da gestão da demanda

2. Função da gestão da demanda

– Demanda repetitiva dependente

Introdução Crescimento Maturidade Declínio

Crescimento lento Crescimento Redução das Declínio das

– Demanda repetitiva independente com tendência

– Com a definição dos objetivos e da abrangência do

– Validado o modelo e disponibilizados os recursos e as

Et : erro de previsão para o período t

OBS: O EM deve resultar em valores próximos a zero para n grande,

Deve-se observar que há predominância de desvios positivos ou

• Cenário base: sem surpresas

• Cenário alternativo 1: otimista

• Cenário alternativo 2: pessimista

Demanda (unidades) – Ano 1

Demanda (unidades) – Ano 1 Ano 2

Demanda (unidades) – Ano 1 Ano 2

Demanda (unidades) – Ano 1 Ano 2

Demanda (unidades) – Ano 1 Ano 2

• No método de Média Móvel Ponderada atribui-se um peso a cada

Demanda (unidades) – Ano 1 Ano 2

Demanda (unidades) – Ano 1 Ano 2

Demanda (unidades) – Ano 1 Ano 2

Demanda (unidades) – Ano 1 Ano 2

Pt = Pt-1 + α (Ct-1 – Pt-1)

OBS: 0 < α < 1 (geralmente entre 0,1 e 0,3)

Consumo real em unidades – Ano 2

Pfev = Pjan + α (Cjan – Pjan)

Pjan : 102,3 (média móvel simples para o ano 2)

Pfev = Pjan + α (Cjan – Pjan)

Pjan : 102,3 (média móvel simples para o ano 2)

Pfev = 102,3 + 0,3 (104 – 102,3) = 102,8

– Previsão para março do ano 2

– Previsão para abril do ano 2

Pmar = 102,8 + 0,3 (103 – 102,8) = 102,9

– Previsão para abril do ano 2

Pabr = 102,9 + 0,3 (103 – 102,9) = 102,9

Vendas de bicicletas ergométricas - unidades

Vendas de bicicletas ergométricas - unidades

Vendas de bicicletas ergométricas - unidades

Vendas de bicicletas ergométricas - unidades

Vendas de bicicletas ergométricas - unidades

Vendas de bicicletas ergométricas - unidades

Vendas de bicicletas ergométricas - unidades

Vendas de bicicletas ergométricas - unidades

Vendas de bicicletas ergométricas - unidades

Vendas de bicicletas ergométricas - unidades

Consumo real em unidades – Anual

» Média móvel, para N=3

• A partir dos valores da variável dependente (Y), que poderá ser

r = +1: y diretamente relacionado com x

Mês Jan Fev Mar Abr Mai Jun