Escolar Documentos
Profissional Documentos
Cultura Documentos
1 2 Previso
1 2 Previso
Avaliação de Desempenho
Vendas Produção
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
Clientes
Lista de exercícios – Seção 2 Fonte: Adaptado de Tubino (2007).
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.
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.
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
Previsão
Previsão de
de vendas
vendas
Definir os objetivos
Técnicas de previsão da previsão
Técnicas de
previsão Não Dados
disponíveis?
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
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
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.
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.
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
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
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
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)
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=....)
Como começar?
Caso não existam M 4 3262 0,13006 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)
Efeito do parâmetro
Efeitos de previsão para a
constante
Pesos
Período 2 períodos 3 períodos
anterior atrás atrás
=
(1 - ) (1 - )2
Previsão da Tendência
Como incorporar os 4.500
4.000
efeitos de tendência
Demanda (kg)
3.500
3.000
2.500
2.000
Períodos (meses)
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
Vendas
Exponencial
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.
Tt Tt 1 2 Pt Pt 1 Tt 1
Tt Tt 1 2 Pt Pt 1 Tt 1
T6 172 0,33270 3250 172
T6 172 0,320 172
T4 T3 2 P4 P3 T3 T6 172 0,3192
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
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)
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
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
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.
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.
Como utilizar
Os métodos causais têm como pressuposto
Y Dependente
X
Independente
11
Diagrama de dispersão Tipos de correlação
CORRELAÇÃO POSITIVA CORRELAÇÃO NEGATIVA
Y a bX
b
n XY X Y Y b X
a
n X X 2 2
n
equação de
regressão
{ Valor real
de Y
Valor de X usado
para estimar Y
X
Variável independente
12
Previsão Baseada em Correlações
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
r>0 r=1
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
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)
Retirar o
componente de
sazonalidade da
série de dados
históricos,
dividindo-os
pelos
correspondentes
índices de
sazonalidade
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.
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
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)
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
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)
+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