O fluxo de informações no PCP

Como a previsão de Marketing Planejamento Agregado da

Produção
Previsão de Plano de

Avaliação de Desempenho
Vendas Produção

demanda está Pedidos em

Acompanhamento e Controle da Produção

Carteira
Programação-Mestre da
Produção
Programa-Mestre
Engenharia de Produção
Estrutura do

inserida nos
Produto
Roteiro de Programação Detalhada
Fabricação - Gestão de Estoques
- Sequenciamento
- Emissão e Liberação

Sistemas de PCP?
Compras Ordens de Ordens de Ordens de
Compras Fabricação Montagem
Pedidos de
Compras

Fornecedores Estoques Fabricação e Montagem

Clientes
Lista de exercícios – Seção 2 Fonte: Adaptado de Tubino (2007).

Previsão de Demanda A Previsão de Demanda é o

Demanda ou Procura é “... a
quantidade de um determinado
bem ou serviço que o consumidor
deseja adquirir em um certo
período de tempo.”
1 Passo do PCP
• Com base na previsão de demanda é possível:
– definir quantidades a serem produzidas;
– estabelecer prazos no programa de produção;
– controlar estoques;

Uma previsão é uma afirmativa ou – identificar necessidades futuras de recursos

inferência sobre o futuro, produtivos – máquinas e pessoal;
usualmente baseada em – Etc.
informação histórica.

Estágios da Demanda no Ciclo de Vida do Produto

Quais são os
padrões típicos de
DEMANDA

demanda?
INTRODUÇÃO CRESCIMENTO MATURIDADE DECLÍNIO

TEMPO

1
 Padrões de demanda Padrões de demanda
Quantidade

Quantidade
Tempo Tempo

(a) Horizontal: os dados se agrupam em torno de uma (b) Tendência: os dados aumentam ou diminuem
linha horizontal. consistentemente.

Padrões de demanda Padrões de demanda

Quantidade

Quantidade

Ano 1

Ano 2

| | | | | | | | | | | | | | | | | |
J F M A M J J A S O N D 1 2 3 4 5 6
Meses Anos
(c) Sazonal: os dados exibem picos e vales (d) Cíclico: os dados revelam aumentos e diminuições
consistentemente. graduais ao longo de períodos extensos.

Possíveis Padrões de Demanda

Quais são as
principais técnicas
Volume

Volume

Crescente Declínio

Tempo Tempo
de previsão de
Volume
Volume

Cíclico Estável

demanda?
Tempo Tempo

2
 Dados de Informações que
Dados
Modelo Geral de Previsão de Demanda variáveis que
expliquem as
vendas
históricos de
vendas
expliquem
comportamento
atípico

Tratamento
Tratamentoestatístico
Objetivo do Modelo dos
dosdados
dadosde
estatístico
devendas
vendasee
outras
outrasvariáveis
variáveis

Informações da
Informações de
conjuntura
Coleta e Análise dos Dados econômica
clientes

Decisões da área Informações de

comercial concorrentes

Seleção da Técnica de Previsão

Outras informações Outras informações
do mercado do mercado

Obtenção das Previsões Reunião de Previsão

Comprometimento das áreas
envolvidas
Tratamento
Tratamentodas
das
informações
informaçõesdisponíveis
disponíveis
Monitoramento do Modelo

Previsão
Previsão de
de vendas
vendas

Definir os objetivos
Técnicas de previsão da previsão

Técnicas de
previsão Não Dados
disponíveis?

Quantitativas Qualitativas Sim

É possível Sim
Séries Modelos coletar os Analisar dados
Método Delphi
Temporais Causais dados?

Júri de Não
Regressão executivos
Médias móveis
simples Abordagem Não Dados
Força de qualitativa quantitativos?
Ajustamento Regressão vendas
exponencial múltipla
Pesquisa de Sim
Projeção de mercado
tendências
Analogia Abordagem Sim Fatores Não Abordagem de
histórica causal causais? séries temporais

Aplicações da previsão de demanda

Aplicação
Curto prazo
(0 a 3 meses)
Horizonte de tempo
Médio prazo
(3 meses a 2 anos)
Longo prazo
(mais de 2 anos)
Como utilizar séries
Previsão de Produtos ou Vendas totais Vendas totais

temporais para
quantidade serviços Grupos ou famílias
individuais de produtos ou
serviços
Área de Gerenciamento de Planejamento de staff Localização
decisão estoques Planejamento da das instalações

previsão?
Programação de produção Planejamento
montagem final Programa mestre da capacidade
Programa da força de produção Gerenciamento
de trabalho Compras de projeto
Programa mestre Distribuição
de produção

Técnica de Série temporal Julgamento Julgamento

previsão Julgamento Causal Causal
Causal

3
 Séries Temporais Séries Temporais
 Quando um gerente utiliza uma das técnicas de previsão
 “Uma série temporal consiste em um conjunto de que compõem o conjunto das séries temporais, ele tem
observações de variáveis quantitativas coletadas como pressuposto que a história dos acontecimentos ao

ao longo do tempo” (BRUNI, 2007, p. 316). longo do tempo pode ser usada para prever o futuro.

 Para este gerente, a tendência que gerou a situação de

 Ex.: histórico de vendas mensais, evolução de
demanda passada, continuará gerando a demanda futura.
preços, evolução do valor de ações do mercado
de capitais, etc.  As séries temporais são indicadas para previsões de curto
e médio prazo.

Previsões: Séries Temporais Previsão da Média

4.500

Tendência 4.000
Demanda (kg)

70
3.500
60 Sazonalidade
50 3.000
Demanda

40 2.500
30
2.000
20 Variação irregular 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
10 Variação randôm ica
Períodos (meses)
0
Jan. Fev. Mar. Abr. Mai. Jun. Jul. Ago. Set. Out. Nov. Dez.

 Média móvel: usa dados de um número

 A demanda futura será uma projeção dos valores predeterminado de períodos para gerar sua previsão.
passados, não sofrendo influência de outras  Média exponencial móvel: o peso de cada
variáveis. observação decresce no tempo em progressão
geométrica, ou de forma exponencial.

Média Vendas reais Média móvel de 3 períodos

Média Móvel Simples: Móvel de copos MM3

Janeiro 154
Simples: Fevereiro 114
Mt = D(t-1) + D(t-2)...+D(t-n) Março 165
Abril 152 (154 + 114 + 165) / 3 = 144,3
n
Maio 176 (114 + 165 + 152) / 3 = 143,7
Junho 134 (165 + 152 + 176) / 3 = 164,3
Mt = vendas previstas para o período t Julho 123 (152 + 176 + 134) / 3 = 154,0

D(t-1) = Vendas realizadas no período t-1 Agosto 154 (176 + 134 + 123) / 3 = 144,3
Setembro 134 (134 + 123 + 154) / 3 = 137,0
n = núm. de períodos considerados na média
Outubro 156 (123 + 154 + 134) / 3 = 137,0
Novembro 123 (154 + 134 + 156) / 3 = 148,0
Dezembro 145 (134 + 156 + 123) / 3 = 137,7

4
Média Móvel

Média Móvel Simples:

n
Quando usar?
 Di
i 1
1: quando a demanda não crescer ou
Mmn  decrescer rapidamente
n
2 : quando a demanda não apresentar
nenhuma característica sazonal

Média Móvel Ponderada:

Média Móvel Ponderada: Vendas reais Média móvel de 3 períodos
de copos ponderada com pesos 3, 2 e 1
Janeiro 154
Mt = w(t-1)D(t-1) + w(t-2)D(t-2)...+w(t-n)D(t-n) Fevereiro 114

n Março 165
Abril 152 [(1*154) + (2*114) + (3*165)] / 6 = 146,2
Maio 176 [(1*114) + (2*165) + (3*152)] / 6 = 150,0
Junho 134 [(1*165) + (2*152) + (3*176)] / 6 = 166,2
Mt = vendas previstas para o período t Julho 123 [(1*152) + (2*176) + (3*134)] / 6 = 151,0
D(t-1) = Vendas realizadas no período t-1 Agosto 154 [(1*176) + (2*134) + (3*123)] / 6 = 135,5
W (t-1) = peso atribuído ao período Setembro 134 [(1*134) + (2*123) + (3*154)] / 6 = 140,3
∑w(t-1) = 1 Outubro 156 [(1*123) + (2*154) + (3*134)] / 6 = 138,8
Novembro 123 [(1*154) + (2*134) + (3*156)] / 6 = 148,3
Dezembro 145 [(1*134) + (2*156) + (3*123)] / 6 = 135,8

Média Móvel
Média Exponencial Móvel
4.500

4.000 Este método (exponential smoothing) também pode ser

Demanda (kg)

3.500
chamado de:
3.000 Ajustamento exponencial, suavização exponencial,
2.500 D.Real Mm3 Mm6 Mm12
alisamento exponencial, amortecimento exponencial,etc.
2.000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Mt+1 = α(Demanda desse período) + (1 – α)(Previsão calculada no último período)
Períodos (meses)

 Vantagem: simplicidade operacional e facilidade de

entendimento. Mt+1 = αDt + (1 – α)Mt
 Desvantagem: armazenar um grande número de dados
Utilização: para produtos não muito relevantes e

demandas estáveis.
Mt+1 = Mt + α(Dt – Mt)

5
 A base do ajustamento exponencial pode ser F = forecast = previsão = M = P
melhor compreendida se a equação:

Ft 1   xt  (1   ) Ft Ft 1   xt   (1   ) xt 1   (1   ) 2 xt  2   (1   ) 3 xt 3 
  (1   ) 4 xt 4  ...   (1   ) n 1 xt ( n 1)  (1   ) n Ft ( n 1)
for expandida em Ft ou seja:

Ft 1   xt  (1   )[ xt 1  (1   ) Ft 1 ]  Ou seja:
  xt   (1   ) xt 1  (1   ) 2 Ft 1 Os pesos aplicados decrescem
exponencialmente.
e assim por diante (Ft-1=....)

Vendas reais Suavizamento exponencial com alfa Suavizamento exponencial

Média de copos 0,1 0,8

Exponencial última previsão (feita em dezembro)

Móvel Janeiro 154 150 150

Fevereiro 114 [(0,1)*(154) + (1 - 0,1)*(150)] = 150,4 153,2

Março 165 [(0,1)*(114) + (1 - 0,1)*(150,4)] = 146,8 121,8

Abril 152 [(0,1)*(165) + (1 - 0,1)*(146,8)] = 148,6 156,4

Maio 176 [(0,1)*(152) + (1 - 0,1)*(148,6)] = 148,9 152,9

Supondo que  = 0,10: Junho 134 [(0,1)*(176) + (1 - 0,1)*(148,9)] = 151,6 171,4

Julho 123 [(0,1)*(134) + (1 - 0,1)*(151,6)] = 149,9 141,5

Agosto 154 [(0,1)*(123) + (1 - 0,1)*(149,9)] = 147,2 126,7

Setembro 134 [(0,1)*(154) + (1 - 0,1)*(147,2)] = 147,9 148,5

Outubro 156 [(0,1)*(134) + (1 - 0,1)*(147,9)] = 146,5 136,9

Novembro 123 [(0,1)*(156) + (1 - 0,1)*(146,5)] = 147,4 152,2

Dezembro 145 [(0,1)*(123) + (1 - 0,1)*(147,4)] = 145,0 128,8

Média Exponencial Móvel Média Exponencial Móvel

Mt  Mt 1   Dt 1  Mt 1  Mt  Mt 1   Dt 1  Mt 1 

Como começar?
Caso não existam M 4  3262  0,13006  3262 
dados da previsão M 4  3262  0,1 256 
anterior, repita os
M 4  3262  25,6
dados da demanda
real anterior. M 4  3236

M2 = 3256 +
0,1·(3256 – 3256)

M2 = 3256

6
 Média Exponencial Móvel Média Exponencial Móvel
Quando usar?
4.500
Quando dados mais recentes são mais indicativos do futuro que os
4.000 dados passados, ou seja, quando a importância dos dados diminui
Demanda (kg)

3.500 com o tempo.

3.000
Vantagens:
 Técnica simples e mais utilizada.
2.500 D.Real M  0,10 M  0,50 M  0,80
 Requer menor quantidade de dados: previsões mais recentes,
2.000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
valores reais da demanda e constante de ajuste alfa.
Períodos (meses)
Cuidados:
Determinação de alfa: trata-se de um valor arbitrário, portanto,
 Cada nova previsão é obtida com base na previsão conta-se com a experiência e bom senso do analista. Alfa é um
anterior, acrescida do erro cometido na previsão anterior, valor entre 0 e 1. Se a demanda real é relativamente estável ao
longo do tempo, o valor de alfa tende a ser pequeno. Se a
corrigido por um coeficiente de ponderação.
demanda real flutua rapidamente, valores de alfa devem ser
altos de forma a demonstrar estas mudanças.

Efeito do parâmetro 
Efeitos de previsão para a
constante 

Ft =  At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...

Pesos
Período 2 períodos 3 períodos
anterior atrás atrás
=
 (1 - ) (1 - )2

= 0.10 10% 9% 8.1%

= 0.90 90% 9% 0.9%

Previsão da Tendência
Como incorporar os 4.500
4.000

efeitos de tendência
Demanda (kg)

3.500
3.000
2.500
2.000

nas séries 1.500

1.000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Períodos (meses)

temporais? • Ajustamento exponencial para a tendência

• Equação linear para a tendência (regressão) –
baixa aplicabilidade

7
 Tipos mais comuns de tendências Ajustamento Exponencial com Tendência
(Modelo de Holt)
Curva S
Pt 1  M t  Tt

Vendas
Vendas

Linear

M t  Pt   1  Dt  Pt 

Tt  Tt 1   2   Pt  Pt 1   Tt 1 
Períodos Períodos

Assintótica Chamado também de duplo ajustamento.

Vendas


Vendas

Exponencial

 Quando a demanda apresenta tendência, o emprego da

média exponencial móvel simples demorará a reagir a esta
Períodos Períodos tendência. O duplo ajustamento corrige mais rapidamente.

Ajustamento Exponencial com Tendência Ajustamento Exponencial

(Modelo de Holt) com Tendência

Pt 1  M t  Tt Estimativa inicial da tendência:

utilizar três primeiros períodos

M t  Pt   1  Dt  Pt  T3 = (D3 – D1)/2
T3 = (3523 – 3973)/2 = -225
Tt  Tt 1   2 Pt  Pt 1  Tt 1 
Estimativa inicial da demanda:
 P: previsão final. previsão do quarto período =
 M: previsão da média exponencial móvel. demanda do terceiro período
mais a tendência estimada inicial
 T: previsão da tendência exponencial móvel.
P4 = D3 + T3
 1: coeficiente de ponderação da média.
P4 = 3523 +(-225) = 3298
 2: coeficiente de ponderação da tendência.

Ajustamento Exponencial Ajustamento Exponencial

com Tendência com Tendência
Segunda estimativa da
tendência: Mt  Pt  1Dt  Pt 
Usar fórmula correta e repetir a M6  3270  0,73632  3270
demanda real quando não M6  3270  0,7362
houver previsão anterior. M6  3523

Tt  Tt 1   2   Pt  Pt 1   Tt 1 
Tt  Tt 1   2   Pt  Pt 1   Tt 1 
T6  172  0,33270  3250  172
T6  172  0,320  172
T4  T3   2 P4  P3   T3  T6  172  0,3192
D3 T6  114

T4 = Pt 1  Mt  Tt
-225 + 0,3·((3298 – 3523) – (-225)) P7  3523  114
P7  3409
T4 = -225

8
 Ajustamento Exponencial com Tendência
(Modelo de Holt) Como incorporar os
4.500
4.000
3.500
efeitos de
Demanda (kg)

3.000

sazonalidade nas
2.500

2.000 D.Real D.Prev

1.500

1.000

séries temporais?
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Períodos (meses)

Previsão da Sazonalidade Índices de Sazonalidade

10.000
9.000
8.000 D.Real 1 D.Real 2
 Sazonalidade Aditiva:
Demanda (kg)

7.000
6.000
5.000
4.000
IS = demanda média do período – demanda média de todos
3.000 os períodos
2.000
1.000
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Períodos (meses)
 Sazonalidade Multiplicativa:

 Sazonalidade Simples (D. Real 1 – ciclo 9 per.) IS = demanda média do período / demanda média de todos
 Sazonalidade com Tendência (D. Real 2 – ciclo 6 per.) os períodos

Inicialmente, tem que se identificar o ciclo de sazonalidade.

Sazonalidade Aditiva Sazonalidade Multiplicativa

Demanda

Demanda

| | | | | | | | | | | | | | | | | | | | | | | | | | | | | | | |
0 2 4 5 8 10 12 14 16 0 2 4 5 8 10 12 14 16
Período Período

9
 Calculando índices de sazonalidade* Calculando índices de sazonalidade

Um exemplo... Um exemplo...

Vendas Trimestrais
Ano Tri. (mil.) Ano Tri. (mil.) Ano T1 T2 T3 T4 Total
1 1 7.4 2 1 8.3 1 7.4 6.5 4.9 16.1 34.9
1 2 6.5 2 2 7.4 2 8.3 7.4 5.4 18.0 39.1
1 3 4.9 2 3 5.4 Totais 15.7 13.9 10.3 34.1 74.0
1 4 16.1 2 4 18.0 Méd. Tri. 7.85 6.95 5.15 17.05 9.25
IS .849 .751 .557 1.843 4.000

* Sazonalidade multiplicativa IS = média trimestral / média trimestral global

Sazonalidade Simples Sazonalidade Simples

Sazonalidade Simples
D.Prev = D.Média + D.Média (IS - 1)
Período D.Média IS D.Prev D.Real Erro
1 2.907 1,2131 3.527 3.600 73
 Calcular o Índice de  Aplicar o índice de 2 2.907 1,1543 3.356 3.416 60
3 2.907 0,9432 2.742 2.682 -60
Sazonalidade, sazonalidade do 4 2.907 0,7737 2.250 2.250 0
5 2.907 0,7209 2.096 2.107 11
dividindo-se o valor período em cima da 6 2.907 0,8174 2.376 2.352 -24
da demanda no demanda média 7
8
2.907
2.907
0,9798
1,1464
2.849
3.333
2.841
3.322
-8
-11
período pela média (média das médias 9 2.907 1,2510 3.637 3.720 83
10 2.907 1,2131 3.527 3.468 -59
móvel centrada móveis centradas). 11 2.907 1,1543 3.356 3.349 -7
nesse período. 12
13
2.907
2.907
0,9432
0,7737
2.742
2.250
2.745
2.254
3
4
14 2.907 0,7209 2.096 2.086 -10
15 2.907 0,8174 2.376 2.400 24
 O período
IS1 = (1,1942 + 16 2.907 0,9798 2.849 2.850 1
empregado para o 17 2.907 1,1464 3.333 3.344 11
1,2320)/2 18 2.907 1,2510 3.637 3.564 -73
cálculo da média 19 2.907 1,2131 3.527 3.576 49
20 2.907 1,1543 3.356 3.360 4
móvel é o ciclo da 21 2.907 0,9432 2.742 2.745 3
22 2.907 0,7737 2.250 2.325 75
sazonalidade. 23 2.907 0,7209 2.096 1.960 -136
24 2.907 0,8174 2.376 2.400 24
Erro Acumulado 38
MAD 34

Ajustamento Exponencial com Tendência e

Sazonalidade (Modelo de Winters)
Sazonalidade Simples
 Considera 3 componentes no modelo:
4.000
– comp. permanente;
Triplo ajustamento
Demanda (kg)

3.000
– tendência; e
2.000 – comp. sazonal.
D.Prev D.Real
1.000  Método de previsão usa suavização
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Períodos (meses) exponencial.

 Modelo: xt  ( b1  b2t )ct   t

componente sazonal

10
 Modelo de Winters Modelo de Winters
Adequado para previsão de séries que apresentam tendências - Cálculo da Tendência (Holt): Tt   ( Nt  Nt 1 )  (1   )Tt 1
e sazonalidades:
R 
St    t   (1   ) St c - Cálculo do nível considerando o ajuste sazonal:
 Nt 
 Rt   R 
  : ajuste sazonal calculado para o período t Nt: Componente nível N t    t   (1   )( N t 1  Tt 1 )
 Nt   S t c 

St c :(semanal)
ajuste sazonal calculado c períodos atrás. Para previsão mensal
e sazonalidade ao longo do ano (mês), usa-se c = 12 (4). - Finalmente, a previsão: Pt  p  ( Nt  pTt ) St c  p

St : Componente sazonal
Tt: componente Tendência, : coef. de amortecimento, : coef. de
 : Coeficiente de amortecimento para a estimativa da sazonalidade
amortecimento para a estimativa de Tendência, Rt: valor real


observado no período t, p: número de períodos a serem previstos.
0  1.

MÉTODOS CAUSAIS OU EXPLICATIVOS

Como utilizar
 Os métodos causais têm como pressuposto

modelos causais de uma relação de causa e efeito. Relacionam

variáveis dependentes (vendas) com variáveis

previsão? independentes (PIB, inflação, população, etc.).

 São baseados análise de regressão: linear ou

não linear; simples ou múltipla.

Diagrama de dispersão Diagrama de dispersão

• Permite comparar o comportamento
conjunto de duas variáveis quantitativas

Y Dependente

X
Independente

11
Diagrama de dispersão Tipos de correlação
CORRELAÇÃO POSITIVA CORRELAÇÃO NEGATIVA

CORRELAÇÃO NÃO LINEAR NENHUMA CORRELAÇÃO

Previsão Baseada em Correlações

Y
Y = a + bX
Correlação dos
mínimos
 quadrados
Pode-se medir a existência de
 2
 mínimo correlação entre duas
variáveis através do
coeficiente de correlação de
X Pearson (r)

Y  a  bX

b
n  XY    X  Y   Y  b X 
a
n X    X  2 2
n

Regressão linear em relação

aos dados reais EXEMPLO
Desvio,
Y Equação de
ou erro
Estimativa de regressão:
Y a partir da Y = a + bX
Variável dependente

equação de
regressão

{ Valor real
de Y

Valor de X usado
para estimar Y

X
Variável independente

12
 Previsão Baseada em Correlações

b = [(13 x 5.224.860.000) – (143.100 x 450.710)] / [(13 x 1.663.370.000) –

(143.100 x 143.100)] = 2.99

a = [450.710 – (2,99 x 143.100)] / 13 = 1.757

Y = 1.757 + 2,99 X

Previsão Baseada em Correlações Coeficiente de correlação (Pearson)

n xy   x. y
r 
50.000

n x  
Y = 1.757 x 2,99 X

  x  . n y 2   y 
45.000
2 2 2
Vendas por Casa

40.000

35.000

30.000

25.000
Correlação Linear
20.000
5.000 7.000 9.000 11.000 13.000 15.000 17.000

Número de Alunos Coeficiente de determinação

n
Y = 1.757 + 2,99 X
Variação exp licada   yˆ i  y
2

Para um número de alunos de 13.750, a demanda prevista r2  r 

2 i 1
n
Variação total
de refeições é de:
Y = 1.757 + 2,99 x 13.750 = 42.869 refeições
 y
i 1
i  y
2

Diferentes níveis de aproximação

Positiva Positiva Perfeita

r>0 r=1

Negativa Negativa perfeita

r<0 r = -1

13
 Regressão Múltipla Regressão Linear Múltipla
 Sua ideia-chave é a dependência estatística
de uma variável em relação a duas ou mais  Relação linear;
variáveis independentes.
 1 variável dependente e 2 ou mais
independentes.
 Seus principais objetivos podem ser descritos
como:
– Encontrar a relação causal entre as variáveis.
Y   0  1 x1   2 x2  ...... n xn  
– Estimar os valores da variável dependente a partir
dos valores conhecidos ou fixados das variáveis
independentes.

EXEMPLO

Um distribuidor de cerveja está analisando seu sistema de

distribuição. Especificamente ele está interessado em prever
o tempo requerido para atender um ponto de venda. O
engenheiro de produção acredita que os dois fatores mais
importantes são o número de caixas de cerveja fornecidas e
a distância do depósito ao posto de venda. Os dados
coletados aparecem na tabela a seguir.

Regressão Linear para a previsão em

Equação resultante... séries temporais
Assume que a demanda se
correlaciona com o tempo
Demanda como variável independente.
Dependente

Independente

Tempo
Y  a  bX

14
 Regressão Linear para a
projeção de tendências Regressão Linear

Y  a  bX 4.500
4.000

Demanda (kg)
3.500

b
 XY    X  Y 
n 3.000
2.500

n X    X  2 2
2.000 D.Real D.Prev
1.500
1.000

a
 Y  b X  1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Períodos (meses)
n
R2 (coeficiente de determinação)

Y = 3.935 - 75,2870 X Y = 3.935 - 75,2870 X

Y = 3.935 - 75,2870 . 25 = 2.053 kg

Sazonalidade com Tendência Sazonalidade com Tendência

 Retirar o
componente de
sazonalidade da
série de dados
históricos,
dividindo-os
pelos
correspondentes
índices de
sazonalidade

 Obter os índices de sazonalidade através da média móvel

centrada (neste exemplo: MM6).

Sazonalidade com Tendência Sazonalidade com Tendência

10.000

8.000
 Com a equação da
Demanda (kg)

6.000
tendência fazer a
4.000
previsão da
y = 286,35x + 1108,3
R2 = 0,9955
demanda e
2.000
multiplicá-la pelo
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 índice de
Períodos (meses) sazonalidade.

 Com esses dados, desenvolver uma equação que

represente o componente de tendência:

Y = 286,35 X + 1.108,3

15
 Sazonalidade com Tendência

10.000
Como escolher um
8.000

modelo de previsão
Demanda (kg)

6.000

4.000

2.000 D.Real D.Prev

adequado?
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Períodos (meses)

Erros esperados crescem com horizonte

Manutenção e Monitoramento
 Objetivos
Previsão de
demanda / erro  Verificar a acuracidade dos valores previstos.
Erros esperados de previsão crescem com o horizonte
 Identificar, isolar e corrigir variações anormais.
Faixa de erro esperado

 Permitir a escolha de técnicas, ou parâmetros, mais

eficientes.
Previsão

 Necessidade de monitorar o erro: o modelo de

previsão pode perder acurácia com o tempo.
Hoje Horizonte futuro (tempo)

Indicadores de Erros de Previsão Indicadores de Erros de Previsão

CFE = soma cumulativa dos erros Medidas de erro de previsão

MSE = erro quadrático médio (EQM) Et = Dt - Pt

σ = desvio-padrão CFE = ΣEt

s= Σ(Et - E )2
ΣEt2 n-1
MAD = desvio médio absoluto (DMA) MSE =
n
Σ|Et | [Σ |Et |/Dt ]100
MAPE = erro absoluto percentual MAD = n MAPE = n

16
Indicadores de Erros de Previsão Indicadores de Erros de Previsão
Medidas de erro
Erro CFE = -15 Erro
Erro ao Erro absoluto Erro ao Erro absoluto
Mês, Demanda, Previsão, Erro, quadrado, absoluto, percentual, Mês,-15Demanda, Previsão, Erro, quadrado, absoluto, percentual,
t Dt Ft Et Et2 |Et| (|Et|/Dt)(100)
E =t = -1,875 F Et2
8 Dt t Et |Et| (|Et|/Dt)(100)
1 200 225 -25 625 25 12,5% 1 200 225 -25 625 25 12,5%
2 240 220 20 400 20 8,3
5.275
MSE 2= 240 220
= 659,4 20 400 20 8,3
3 300 285 15 225 15 5,0 3 8 300 285 15 225 15 5,0
4 270 290 -20 400 20 7,4 4 270 290 -20 400 20 7,4
5 230 250 -20 400 20 8,7 5 s = 27,4
230 250 -20 400 20 8,7
6 260 240 20 400 20 7,7 6 260 240 20 400 20 7,7
7 210 250 -40 1.600 40 19,0 7 195
210 250 -40 1.600 40 19,0
8 275 240 35 1.225 35 12,7 MAD
8 = = 24,4 240
8275 35 1.225 35 12,7
Total -15 5.275 195 81,3% Total -15 5.275 195 81,3%
81,3%
MAPE = = 10,2%
8

Manutenção e Monitoramento Manutenção e Monitoramento

500
400
300
200
Erro (kg)

100
0
-100 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
-200
-300
-400
-500
Períodos (meses)

4 MAD = 113 x 4 = 452 kg

O valor do erro de previsão servirá de base para o

planejamento e dimensionamento dos estoques de segurança
do sistema de PCP.

Controlando os erros das previsões Sinais de rastreamento

Jan Fev Mar Abr Maio Jun
1 Previsão 1000 1200 1000 900 1100 1200 CFE
2 Vendas 900 1350 950 1000 1250 1300 Sinal de rastreamento =
3 Desvio 100 -150 50 -100 -150 -100
MAD
4 Desvio absoluto 100 150 50 100 150 100 Fora de controle
5 Desvio absoluto acumulado 100 250 300 400 550 650 +2,0 —
6 Desvio absoluto médio 100 125 100 100 110 108 Limite de controle
Sinal de monitoramento

+1,5 —
+1,0 —
+0,5 —
Jan Fev Mar Abr Maio Jun
1 Previsão 1000 1200 1000 900 1100 1200 0—
2 Vendas 900 1350 950 1000 1250 1300 - 0,5 —
3 Desvio 100 -150 50 -100 -150 -100
4 Desvio acumulado 100 -50 0 -100 -250 -350 - 1,0 —
5 Desvio absoluto 100 150 50 100 150 100 Limite de controle
- 1,5 —
6 Desvio absoluto acumulado 100 250 300 400 550 650
| | | | |
7 Desvio absoluto médio 100 125 100 100 110 108
0 5 10 15 20 25
8 Tracking Signal (TS) 1,0 -0,4 0,0 -1,0 -2,3 -3,2
Número da observação

17