Escolar Documentos
Profissional Documentos
Cultura Documentos
Objetivos de aprendizagem
Este capítulo visa a introduzir os principais conceitos associados à previsão
de demanda (ou previsão de vendas) e, dentro de um contexto mais abrangente,
apresentar da forma mais detalhada possível, as técnicas para a realização destas
previsões.
Após a leitura deste capítulo, o leitor estará apto a:
Compreender e identificar a necessidade das previsões de demanda
nos diferentes tipos de organização.
Elaborar os cálculos de previsão de demanda, de forma manual e em
planilha eletrônica, utilizando os diferentes modelos de previsão dis-
poníveis, de maneira a preparar a organização para atender, da me-
lhor forma possível, as expectativas de consumo dos clientes.
Resumo
É preciso haver um norte para que a administração da produção possa
trabalhar. A previsão de vendas oferece este direcionamento. Existem quatro
grandes modelos de previsão de demanda amplamente utilizados pelas empre-
sas:
Os modelos qualitativos são, essencialmente, subjetivos e apropriados
quando não existem dados históricos para serem analisados como base para a
previsão. Os principais modelos qualitativos de previsão de demanda são: pre-
dição, opiniões de executivos, método Dephi, opiniões da equipe de vendas,
pesquisas de mercado e analogia com produtos similares.
Os modelos de decomposição de séries temporais se baseiam no estudo
estatístico da demanda acontecida no passado para projetar a demanda futura.
Toda série temporal pode ser analisada e decomposta em uma parte sis-
temática, composta de nível, tendência e sazonalidade e outra parte aleatória.
Dentre estes modelos tem-se: os modelos baseados na média (média móvel,
Previsão
Segundo Chopra e Meindl (2003) a previsão da demanda futura é a base para todas
as decisões estratégicas e de planejamento em uma cadeia de suprimento.
De acordo com Stevenson (2001) previsões ajudam os gerentes a reduzir parte das
incertezas permitindo-lhes desenvolver planos mais realistas. Uma previsão é uma
CONCEITO OU
Chase et al (2006) afirmam que as previsões são vitais para todas as organizações e
para cada decisão administrativa significativa. É a base para o planejamento corpo-
rativo de longo prazo.
Ritzman e krajewski (2004) argumentam que o planejamento eficaz da demanda do
cliente é um dos principais responsáveis pelo sucesso da cadeia de suprimentos,
que se inicia com previsões precisas.
Martins e Laugeni (2005), de forma semelhante aos demais autores declaram que a
previsão de vendas é importante para utilizar as máquinas de maneira adequada,
para realizar a reposição dos materiais no momento e na quantidade certa, e para
que todas as demais atividades necessárias ao processo industrial sejam ade-
quadamente programadas.
Em suas medições da satisfação dos clientes, a empresa percebeu que os visitantes ficam sa-
tisfeitos depois de terem experimentado, em média, 10 atrações em um dia. Como a capaci-
dade instalada é rígida, no curto prazo, isto é, não é possível construir e colocar novas
atrações em funcionamento da noite para o dia, é importante fazer boas previsões de de-
manda (forecasting) para o longo prazo. No curto prazo, é importante decidir quais brinque-
dos serão paralisados para manutenção preventiva, e em que dias e horários. Com base nas
previsões de demanda e na apuração do número de pessoas que passaram pelas catracas de
entrada dos parques, a gerência pode optar ainda por expandir o número de horas durante
as quais os parques permanecerão abertos em dias de movimento particularmente elevado,
para permitir que as pessoas visitem mais atrações (ao menos as 10 que as deixarão satisfei-
tas) e saiam do parque com a sensação de que a experiência valeu a pena e justificou o di-
nheiro gasto com o ingresso.
Fonte: as informações contidas neste texto, extraído de um artigo do Prof. Alexandre R. Gra-
eml sobre as operações da Disney, foram fornecidas por membros do staff daquela empresa
durante o 12o Encontro Anual da Sociedade de Gestão da Produção e Operações (Production
& Operations Management Society), que se realizou em março de 2001, na cidade de Orlan-
do, na Flórida. Particularmente relevantes foram as palestras, coordenadas por Lee Cocke-
rell, Vice-Presidente Executivo de Operações da empresa:
• “Forecasting in the Service Sector” proferida por Mark Haskell, Gerente de Pesquisa do Walt
Disney World;
• “Service Standards and Measurement for Quality” proferida por Brad Rex, Vice-presidente
de Estratégias e Métricas de Operação;
• “The Walt Disney Company Supply Chain Activities” proferida por Ken Mercer, Vice-
presidente de Serviços de Compras;
• “Supply Chain Management at Walt Disney World” proferida por Karl Holz, Vice-presidente
do Epcot e Operações.
MODELOS QUALITATIVOS
Os modelos qualitativos são, essencialmente, subjetivos. Estes modelos
podem ser apropriados quando não existem dados históricos a serem analisa-
dos como base para a previsão. Geralmente dependem de profissionais e espe-
cialistas com larga experiência de mercado. As técnicas de previsão, por meio
de dados qualitativos, baseados no julgamento de dados subjetivos, fogem do
escopo deste livro e da administração da produção propriamente dita. Modelos
qualitativos de previsão de demanda são ampla e minuciosamente descritos na
literatura da área de marketing. A seguir, é dada uma descrição, de forma bas-
tante concisa, dos modelos qualitativos mais citados na literatura:
Predição
Na verdade não se trata de um método científico, mas sim de um proc-
esso para a determinação de um acontecimento futuro com base em dados
completamente subjetivos, de natureza altamente duvidosa. É uma aposta no
futuro, com grande risco e sujeita à sorte. A predição faz parte do estilo empre-
endedor e é, muitas vezes, interpretada como visão ou feeling. O empreendedor
visionário parece dominar a técnica da predição, enxergando oportunidades de
demanda incapazes de serem percebidas pelos métodos tradicionais.
PREDIÇÃO: “PREMONIÇÃO” DE DEMANDA?
Certa vez uma empresa de confecções, detentora de um marca de potencial, após reestrutu-
ração societária com grande aporte de capital, decidiu triplicar sua produção de um mês pa-
ra outro, com base apenas no sentimento eufórico de crescimento. A empresa nunca tinha
produzido mais que 20 mil peças mensalmente. De uma hora para outra, se viu produzindo
60 mil peças. Foi criado um turno de produção adicional e contratados os serviços de 12
empresas de serviço de confecção, conhecidas como facção neste ramo, tudo de um mês para
o outro. A demanda acabou não se confirmando e a empresa amargou sérias dificuldades.
Opiniões de executivos
São previsões baseadas no julgamento e opinião de um pequeno grupo
de executivos de alto nível, geralmente ligados às áreas comercial, financeira e
de produção. É preciso cuidar para que a previsão não seja mais uma vez con-
fundida com meta de vendas ou de faturamento a ser alcançado. A previsão
pode não ser o consenso do grupo mas a opinião de quem detém o maior nível
hierárquico, experiência, ou força de persuasão. Outro problema com este tipo
Método Delphi
O método tem seu nome em homenagem ao oráculo de Delfos na Grécia,
tendo sido criado pela Rand Corporation, em 1948. Desde sua criação, o
método tem sido utilizado para uma série de situações, nem sempre apenas
relacionadas com a previsão de demanda. A essência do método consiste em
fazer com que as opiniões sobre determinado assunto, no caso especifico a pre-
visão de demanda, não sejam influenciadas pela opinião do grupo. Quando se
discute a previsão de demanda em uma reunião com vários participantes, ex-
iste a tendência de prevalecer a opinião dos que são mais extrovertidos, que
possuem maior poder hierárquico, ou que, por natureza, têm personalidade
mais forte. A opinião do grupo acaba sendo muito influenciada pelo poder de
persuasão de alguns poucos. O método Delphi procura eliminar este tipo de in-
terferência comum nas decisões que envolvem diversas pessoas. A metodologia,
de forma bastante resumida, consiste nos seguintes passos:
1. Propõe-se ao grupo, a discussão de um assunto, no caso especifico, a
previsão de demanda. A escolha correta dos membros que vão partici-
par do processo está diretamente ligada à qualidade do resultado ob-
tido ao final.
2. As opiniões são coletadas de forma sigilosa, atualmente por meio de
questionários respondidos por e-mail, ou outra forma similar, sem
que um membro saiba a opinião do outro. Os membros podem, inclu-
sive, estar sediados em diversas localidades distantes umas das ou-
tras. É importante que cada membro tenha confiança no sistema para
dar seus pareceres legítimos, livres de pressão por resultados ou
qualquer outra interferência.
3. Um coordenador do processo recebe todas as informações, faz uma
tabulação dos dados obtendo um primeiro resultado tratado estatisti-
camente.
4. O resultado é enviado para os membros para que possam reavaliar
sua opinião, se considerarem adequado, em função dos argumentos
dos demais, apresentados de forma agregada. O processo é repetido
inúmeras vezes até que se obtenha o grau de convergência desejado
das opiniões.
A política é parte integrante do convívio social. Existe em qualquer or-
ganização e a opinião exposta em público nem sempre é a mesma que o profis-
Pesquisas de mercado
Esta metodologia é imprescindível para a colocação de um novo produto
no mercado. Uma pesquisa é qualquer investigação organizada executada para
se obter informações para solução de problemas. Ela proporciona informações
sistematizadas capazes de orientar as decisões, podendo envolver estudos in-
formativos, descritivos, explanatórios ou preditivos. A pesquisa de mercado é
uma pesquisa preditiva para levantar a intenção de compra diretamente do
mercado consumidor. Trata-se de um estudo sistemático que deve seguir de-
terminadas regras estatísticas. A literatura da área de marketing costuma tra-
tar este assunto com a abrangência e profundidade necessárias, discorrendo
também sobre as limitações e cuidados que devem ser observados.
Algumas das principais limitações decorrem de que as pesquisas de
mercado se tratam de intenções de compra, que nem sempre se concretizam no
futuro. Também é preciso considerar a influência das promoções de marketing
e a fase do ciclo de vida do produto. Em outras palavras, a demanda inicial,
pelo poder de influência de campanhas de marketing e a novidade do produto,
pode não se manter após certo período a partir do seu lançamento. Um exem-
plo disto, vivenciado por um dos autores, aconteceu em uma dada empresa do
ramo alimentício que, após várias pesquisas encomendadas, lançou no
mercado um novo biscoito tipo wafer com sabor de goiaba. As vendas iniciais
DEMANDA Parte
OCORRIDA Parte aleatória
sistemática
Tendência Sazonalidade
n
Onde: i = número de ordem de cada período mais recente
n = número de períodos utilizados para apurar a média móvel
Di = demanda ocorrida no período i
Pj = previsão de demanda para o período j
É importante observar que, quanto maior o valor de n, maior será a in-
fluência das demandas mais antigas sobre a previsão. Por isso, na prática,
muitas vezes se realiza o cálculo da média móvel simples incluindo apenas os 3
últimos períodos.
Produto A
300
250
200
vendas
150
100
50
0
1 2 3 4 5 6 7 8 9 10 11 12
m êses
Produto B
700
600
500
vendas 400
300
200
100
0
1 2 3 4 5 6 7 8 9 10 11 12
m êses
n
n
( xi − x ) 2
Cálculo do desvio padrão S= i =1
n −1
onde: x = média aritmética
xi= cada uma das observações
n = número de observações
O desvio padrão é uma das medidas mais comumente usadas para dis-
tribuições, e desempenha papel relevante em toda a estatística. Cabe notar que
a unidade do desvio padrão é a mesma da média. (Stevenson, 2001, p.30)
Quanto maior o desvio padrão da seqüência da demanda real observada,
maior será a amplitude do erro de previsão, ao se utilizar o método da média
20 Muitos autores costumam diferenciar a fórmula do desvio padrão quando os dados se ref-
erem a uma população ou uma amostra. Neste enfoque substitui-se n-1 por n no denomi-
nador para o desvio padrão da população. Stevenson (2001, p.29)
móvel simples, uma vez que o desvio padrão da série está diretamente ligado ao
comportamento aleatório da demanda.
Se forem utilizados todos os doze meses para realizar a previsão para o
próximo mês, adotando-se o método da média móvel simples, obtém-se 244
unidades, para ambos os produtos. O fato de a demanda do produto A apre-
sentar um desvio padrão menor para a média significa que existe menos varia-
ção na série temporal da demanda por esse produto. Uma decisão que pode ser
tomada, em função da diferença de magnitude do desvio padrão, neste caso, é
manter um estoque de segurança maior para o produto B e um estoque de se-
gurança menor para o produto A.
(e − e)
n
i
S= I =1
n−i
Onde: S = desvio padrão de n períodos
ei = erro simples do período i
e = média dos erros simples de n períodos
Tendência de viés
O erro de viés ocorre quando as variações da demanda efetivamente
ocorridas, quando comparadas com as previsões, apresentam um comporta-
mento estatisticamente não aleatório. Em outras palavras, as diferenças apare-
cem tendenciosamente para cima ou para baixo dos valores reais de uma série
temporal, o que pode indicar que a previsão da demanda está sendo consis-
tentemente otimista ou pessimista demais. Para acompanhar a ocorrência de
viéses de previsão, digite a fórmula =SOMA($D$6:D6)/F6 na célula G6 e ar-
raste para as células da faixa G6:G14, conforme ilustrado na Figura 74.
DMAn
Onde: TSn = tendência de viés (tracking signal) do período n
DMAn = desvio médio absoluto do período n
Ei = erro simples de previsão do período i
O valor da tendência de viés (TS) encontrado para cada período deve
permanecer entre -4 e +4 (alguns autores admitem variação entre -6 e +6).
Valores superiores ou inferiores indicam que há uma grande probabilidade de
estar acontecendo erros de viés. A causa do erro de viés deve ser analisada e
identificada para cada período ou intervalo de períodos em que isto aconteceu.
O ideal é colocar os valores da tendência de viés em um gráfico para melhor vi-
sualização, conforme feito na Figura 75.
6,00
5,00
4,00
3,00
2,00
1,00
-
4 5 6 7 8 9 10 11 12
(1,00)
(2,00)
(3,00)
Produto A Produto B
sendo a célula F17 e ative a opção “Min”. Isto fará com que o Excel procure o
menor valor possível para o desvio padrão da demanda.
Defina como células variáveis as células D20, D21 e D22, que são, re-
spectivamente, os valores das ponderações dos três últimos períodos.
Defina as restrições D20:D22 0; D20:D22 1 e D23 = 1
Clique em resolver. A solução encontrada aparece na Figura 78.
220
200
180
160
140
120
100
0 1 2 3 4 5 6 7 8 9 10 11 12 13
Nota: Cabe observar que não existe relação nenhuma entre os meses
considerados e o número do período correspondente. Neste exemplo, o mês de
janeiro correspondeu ao período 1, fevereiro ao período 2 e assim por diante,
por mera coincidência.
1608
Cálculo da demanda média: D = = 160,8
10
55
Cálculo do período médio: P = = 5,5
10
n
D i × Pi − n × D × P
i =1 9277 − (10 × 160,8 × 5,5) 433
Cálculo de b: b = = = b = 5,25
n
Pi 2
()
− n× P
2 (
385 − 10 × 5,5 2) 82,5
i =1
de diálogo. Outra caixa de diálogo vai aparecer, conforme mostra a Figura 85.
Selecione as células $B$2:$B$11 para o intervalo Y de entrada e as células
$A$2:$A$11 para o intervalo X de entrada.
Resultados da regressão
Dessazonalização da demanda
Conforme mencionado, o modelo do ajuste sazonal é indicado para séries
de demanda que possuam nível, tendência e sazonalidade. Um ponto de par-
tida é encontrar os valores dos coeficientes de nível (a) e de tendência (b) para,
em seguida, encontrar o coeficiente de sazonalidade para cada período. Para isto,
não é aconselhável realizar a regressão linear na série de demanda original,
com sazonalidade, sob pena de se encontrar valores de nível e tendência que
vão originar previsões com grandes tendências de viés, que podem inviabilizar
o modelo. Este é um erro comumente observado. Os dados da demanda origi-
nal não são lineares e o resultado da regressão linear, em conseqüência disto,
não será preciso. Antes da execução da regressão linear para a estimativa do nível
e da tendência é necessário dessazonalizar os dados da demanda observada.
Um método bastante utilizado para dessazonalizar a demanda real ob-
servada, preparando-a para a regressão linear, é denominado “média móvel
centrada”. O cálculo consiste na obtenção de uma média móvel da demanda
para a quantidade de períodos equivalente à periodicidade sazonal e posicionar
esta média no meio dos períodos utilizados para o cálculo da média. Se o nú-
mero de períodos da periodicidade sazonal for ímpar, o período médio existe e
1 1.200
2 600
(1200+600+900+1800)/4 = 1125
(600+900+1800+1350)/4 = 1162,5
(900+1800+1350+660)/4 = 1177,5
(1800+1350+660+990)/4 = 1200
(1350+660+990+1850)/4 = 1212,5
7 990
8 1.850
* Observe-se que este valor poderia ser obtido diretamente a partir de:
(1200 + 600 + 900 + 1800) (600 + 900 + 1800 + 1350)
+
4 4 1200 + 2 × 600 + 2 × 900 + 2 × 1800 + 1350
= ,
2 8
o que pode tornar o entendimento da fórmula 7.14, a seguir, mais simples.
A média móvel centrada pode ser expressa pelas fórmulas a seguir:
Fórmula 7.13 – Média centrada de dessazonalização para periodicidade ímpar
t+ p
2
Dt = Di p
i =t − p
2
MODELO DE WINTER
O modelo de Winter tem se destacado como um modelo dinâmico de pre-
visão bastante prático e de larga utilização nas organizações que têm produtos
cuja demanda apresenta variabilidade em suas características de nível, ten-
dência e sazonalidade.
Para explicar o modelo de Winter, vamos retomar o exemplo da demanda
observada para o produto B. Adotando-se o método de regressão linear depois
do ajustamento sazonal, foram encontradas as seguintes estimativas de nível,
tendência e sazonalidade:
Nível (a) = 92,36
Tendência (b) = 21,42
Sazonalidade (S): S1 = 0,59; S2 = 0,86; S3 = 1,62
Para cada uma das estimativas de nível, de tendência e de sazonalidade
serão aplicados fatores de suavização exponencial , , , respectivamente, por
meio da fórmula 7.15. Os valores dos coeficientes estão no intervalo de 0 a 1.
Fórmula 7.15 – Fatores de suavização exponencial – Modelo de Winter
aj = (D j S j ) + (1 − )(a j −1 + b j −1 )
b j = (a j − a j −1 ) + (1 − )b j −1
S j + p = (D j a j ) + (1 − )S j
onde: a = coeficiente de nível do período
b = coeficiente de tendência do período
S = nível de sazonalidade do período
j = período atual
Dj = demanda observada no período j
p = periodicidade sazonal
, e = coeficientes de suavização exponencial (0 , , 1)
PROBLEMAS PROPOSTOS
1. Um boxe de venda de produtos alimentícios do mercado municipal da ci-
dade vendeu a seguinte quantidade de produtos em quilogramas, nos últi-
mos dez dias:
Dia 1 2 3 4 5 6 7 8 9 10
Feijão 26 23 25 20 19 22 20 22 26 25
Arroz 36 40 42 43 45 42 47 50 49 48
Macarrão 25 32 30 34 37 36 30 38 40 35
Farinha 19 18 15 22 19 23 20 24 17 19
Calcule a previsão de demanda desses produtos para o décimo primeiro dia, utilizando:
a) O modelo da média móvel simples para os três últimos períodos de
venda. (R.24,3; 49; 37,7;20)
b) O modelo da média móvel ponderada, atribuindo pesos 0,6; 0,3; 0,1
para o último, o penúltimo e o antepenúltimo períodos, respectivamente.
(R.25; 48,5; 36,8;18,9)
Período 1 2 3 4 5 6 7 8 9 10
Demanda
1.300 700 1.000 1.900 850 1.450 760 1.090 1.950 890
produto A
Demanda
1.100 500 800 1.700 1.250 560 890 1.750 - -
produto B
6. Utilizando os dados do exercício anterior, calcule a equação da curva da
demanda dessazonalizada para os produtos A e B, adotando o modelo de
regressão linear (mínimos quadrados).
(R. A: Di = 1143,89 + 15,08 × Pi ; B: Di = 1028 + 19,7 × Pi )
Coeficientes
Demanda dessa- Coeficientes de
Período Vendas médios de sa-
zonalizada sazonalidade
zonalidade
1 80 114
2 130 135
3 270 157
4 96 178
5 156 199
6 324 221
7 130 242
8 210 264
9 430 285
10. A Sorvebrás é uma empresa que fabrica e comercializa sorvetes. Seu
principal produto, responsável por mais de 90% do faturamento, é um sor-
vete de massa vendido em potes de dois litros cada. A demanda se apresen-
ta em pleno crescimento nos últimos dois anos, em função da ampliação da
fábrica e de uma bem sucedida estratégia de conquista de mercado, que de-
ve prevalecer para o próximo ano. O tipo de produto apresenta considerável
sazonalidade nos períodos de verão. A Sorvebrás levantou a demanda deste
sorvete nos últimos dois anos. Realize a previsão de vendas para o próximo
ano, utilizando uma planilha eletrônica, adotando o modelo de previsão de
demanda de Winter. (R. 6823; 6589; 6301; 4270; 3855; 3686; 2596; 3234; 5175; 5530; 6100;
7037)
Mês 1 2 3 4 5 6 7 8 9 10 11 12
Ano 1 5.200 5.000 4.800 3.200 2.800 2.700 1.800 2.300 3.900 4.200 4.700 5.000
Ano 2 5.900 5.750 5.530 3.850 3.600 3.420 2.510 3.000 4.700 5.000 5.450 5.900
lhas. O progresso da meteorologia foi muito favorecido pela tecnologia desenvolvida durante
a guerra. São resultados desse desenvolvimento tecnológico as radiosondas, os balões carre-
gando instrumentos meteorológicos e transmitindo, via rádio, os dados das camadas de ar
acima do solo, e os radares, utilizados na guerra para rastrear aeronaves inimigas e a chuva.
Após a Segunda Grande Guerra, surgiram também os primeiros satélites artificiais. Com o
uso de satélites, foi possível visualizar as nuvens e as tempestades a partir do espaço. Os
meteorologistas ficaram extasiados.
Atualmente, a meteorologia é uma ciência muito entrosada com a física e com a matemática.
Uma enorme evolução da previsão de tempo ocorreu com o surgimento da previsão numéri-
ca, baseada em modelos que representam o movimento e os processos físicos da atmosfera.
Por meio de equações com os valores do estado inicial da atmosfera, podem-se obter proje-
ções para o futuro. Para resolver essas equações, são utilizados supercomputadores que es-
tão longe do que conhecemos para uso doméstico.
A idéia da previsão por meio de processos numéricos de resolução de equações que represen-
tem o comportamento da atmosfera foi publicada pela primeira vez por Lewis Richardson,
um matemático britânico, em 1922. Richardson levou muitos meses para fazer os cálculos
necessários para produzir uma previsão para 24 horas no futuro. Mas as mudanças de pres-
são previstas por ele foram entre 10 e 100 vezes maiores do que as que realmente ocorreram,
e já haviam ocorrido há muito tempo, quando ele terminou a previsão. O trabalho de Ri-
chardson, além de pioneiro, revelou os obstáculos que precisavam ser superados: Um enor-
me número de cálculos tinha que ser feito rapidamente; os dados, que representavam o
estado inicial da atmosfera, eram inadequados; os modelos eram representações muito ru-
dimentares da atmosfera e os problemas com as técnicas matemáticas podiam resultar em
pequenos erros que iam crescendo durante os cálculos. Quanto ao problema com a velocida-
de dos cálculos, Richardson estimou que, para terminar as previsões antes dos fenômenos
acontecerem, seriam necessários 64.000 matemáticos equipados com calculadoras. Os com-
putadores eletrônicos trouxeram a solução para o problema dos cálculos. Em 1950, foi feita,
nos Estados Unidos, a primeira previsão numérica de tempo relativamente bem sucedida. O
computador utilizado era gigantesco e ocupava toda uma sala. A partir de 1955, a previsão
por computadores passou a ser executada regularmente nos Estados Unidos. Inicialmente,
eram no máximo um pouco melhores que as tradicionais, mas foram melhorando rapida-
mente graças ao aparecimento de computadores cada vez mais rápidos, que permitiam o uso
de modelos mais complexos, representando cada vez melhor a atmosfera. Paralelamente a
essa evolução, houve a melhoria no conhecimento do estado inicial, com o aumento progres-
sivo na quantidade e qualidade dos dados iniciais, principalmente a partir do surgimento da
Organização Meteorológica Mundial (WMO.- World Meteorological Organization) em 1963.
Os computadores para previsão de tempo, além de serem "pesos pesados" em termos de ve-
locidade de cálculos, precisam ter grande capacidade de memória. Esses supercomputadores
realizam mais de um bilhão de contas por segundo.
PERGUNTAS
a) Faça uma analogia entre o que existe de comum entre a elaboração de uma previsão me-
teorológica e uma previsão de demanda.
b) “A previsão sinóptica consiste na rápida obtenção e análise de observações do tempo fei-
tas no mesmo horário, na maior quantidade de localidades possível”. Como esta afirma-
ção pode ser comparada a uma previsão de demanda?
c) Por que muitos gerentes de vendas no Brasil insistem na continuação das críticas sarcás-
ticas às previsões de demanda?
Disponível em: http://www3.cptec.inpe.br/~ensinop/prev_temp_cli.htm. Acesso em 21.11.2004.
REFERÊNCIAS
CHASE, Richard B; JACOBS, Robert F; AQUILANO, Nicholas J. Administração da produção pa-
ra a vantagem competitiva. Porto Alegre: Bookman, 2006 pp. 452-480.
CHOPRA, Sunil; MEINDL, Peter. Gerenciamento da cadeia de suprimentos: Estratégia, plane-
jamento e operação. São Paulo : Prentice Hall, 2003. pp. 67-99.
MARTINS, Petrônio G; LAUGENI, Fernando Piero. Administração da produção. São Paulo: Sa-
raiva, 2005. pp. 226-260.
RITZMAN, Larry P.; KRAJEWSKI, Lee J. Administração da produção e operações. São Paulo :
Prentice Hall, 2004. pp. 259-292.
STEVENSON, Willian J. Administração das operações de produção. Rio de Janeiro : LTC, 2001.
pp. 62-110.
STEVENSON, Willian J. Estatística aplicada à administração. São Paulo: Harbra, 2001.