Escolar Documentos
Profissional Documentos
Cultura Documentos
Controlo da
Produção
Gerardo J. Osório
gerardo@upt.pt
Conteúdo
2. Gestão da Procura.
- Introdução.
- Gestão da procura:
-- Definição. Ciclo da gestão da procura e o plano da previsão.
-- Fases da gestão da procura. Consequências de um má gestão da procura.
- Modelos de previsão:
-- O que são.
-- Classificação dos modelos de previsão.
-- Descrição das séries temporais.
-- Ferramentas de previsão avançadas.
-- Quantificadores de erro de previsão.
-- Modelos de previsão baseado na média móvel e amortecimento exponencial.
IMP.GE.190.0
3
IMP.GE.190.0
4
Atividades Fragmentadas até 1960 Atividades Associadas entre 1960 e 2000 Desde 2000 até atualidade
Previsão da Procura
Compras
Gestão de
Planeamento de Requisitos
Compras /
Planeamento da Produção Materiais
Inventário da Produção
Armazenamento
Logística
Manuseamento dos Materiais
Embalamento
Inven. dos Prod. Acabados
Gestão da Cadeia
Plan. da Distribuição Distribuição de Abastecimento
Física
Ordens de Processamento
Transporte
Evolução do conceito da
Serviços para o Cliente gestão ágil da cadeia de
Planeamento Estratégico abastecimento.
Serviços de Informação
Vendas e Marketing
IMP.GE.190.0
Finanças
7
Vendas e
Vendas e Marketing Alimentação Logística
Procura Planeamento
Canais com os parceiros da Produção Fornecedores
Operacional
(downstream) Upstream
• Planeamento da Procura:
• As previsões estatísticas (inferência) podem ser um bom ponto de partida. No
entanto, quando os dados são estáveis ao longo do tempo, os métodos de
previsão baseados nas séries temporais poderão mostrar resultados mais
precisos na hora de realizar o planeamento e analisar os desvios.
• Existe o consenso de que quão “recentes” sejam os dados temporais que nos
permitem realizar a previsão, mais preciso será o resultado obtido.
IMP.GE.190.0
12
• Comunicação da Procura:
• A comunicação assume destaque alargado no processo de gestão da procura,
devido ao timing com que é realizada, de forma a cumprir o principio essencial
para a eficiência: – “sem surpresas”. É um processo estruturado que permite a
boa transferência e receção da informação, debate, decisão e feedback.
• Comunicação da Procura:
Planeamento Planeamento Planeamento
Revisão e
de entrada da Procura do Consenso
Consenso
para a Procura Proposto Encontrado
IMP.GE.190.0
14
IMP.GE.190.0
16
• Modelos de Previsão:
• São ferramentas que, no domínio da produção, nos permitem criar uma
antevisão (projeção), da produção (pedido de produto).
• Modelos de Previsão:
• A precisão das previsões é um fator decisivo na tomada de decisão para lidar
com a incerteza e variabilidade (ou ainda à intermitência e à volatilidade).
Família dos
modelos de Exemplo de intermitência
previsão e volatilidade em relação
quantitativos. à tendência da produção.
IMP.GE.190.0
21
• Modelos de Previsão:
• Os métodos quantitativos assentam na manipulação matemática de dados
históricos (quantificados) e procuram projetar no futuro padrões de
comportamento que se identificaram nos dados sobre o passado.
IMP.GE.190.0
22
• Séries Temporais:
• Uma série cronológica (ou temporal) não é mais do que como um conjunto de
dados ordenado de uma dada variável, observados em intervalos regulares no
tempo, representando-se por 𝑌𝑡 o valor observado da variável 𝑌 no instante 𝑡,
(𝑡 = 1,2,3, … , 𝑛). As séries temporais podem ser divididas em:
- Série aleatória (ruído branco), ou estocástica.
- Série estacionária.
- Série com tendência.
- Série com tendência
e sazonalidade.
IMP.GE.190.0
Exemplo de ruído branco ou aleatória
23
• Modelos de Previsão:
• Modelos Auto-Regressivos: É um modelo de séries cronológicas
estacionárias, que assenta no pressuposto de que a observação da
variável no instante 𝑡, 𝑌𝑡 , se relaciona com observações da mesma
variável em instantes anteriores.
• Modelos de Previsão:
• Modelos Auto-Regressivos:
IMP.GE.190.0
25
• Modelos de Previsão:
• Modelos Auto-Regressivos:
• Modelos de Previsão:
• Modelos Auto-Regressivos:
• Modelos de Previsão:
• Modelos Auto-Regressivos:
• Modelos de Previsão:
• Características da procura e do processo de previsão:
• Definir o período de previsão.
• Identificar as características da série temporal em estudo.
• Escolher o modelo que melhor se adapte a essa série.
• Implementar uma metodologia de acompanhamento e controlo.
• Modelos de Previsão:
• Erros de Previsão: De os diversos métodos de quantificação dos erros,
podemos destacar, considerando que 𝑦𝑡 determina o valor real, 𝑦ො𝑡 o
valor previsto, 𝑡 o instante em estudo do período 𝑇:
• RSFE – Running Sum of Forecast Errors • MSE – Mean Square Error (ou erro
(ou soma sucessiva dos erros de previsão): quadrático médio):
𝑇 σ𝑇𝑡=1 𝑦𝑡 − 𝑦ො𝑡 2
𝑀𝐹𝐸 =
𝑅𝑆𝐹𝐸 = 𝑦𝑡 − 𝑦ො𝑡 𝑇
𝑡=1 • MAPE – Mean Average Percentage Error
• MFE – Mean Forecast Error (ou erro de (ou média do erro médio em percentagem):
𝑇 𝑇
previsão médio): 100 𝑦𝑡 − 𝑦ො𝑡 1
σ𝑇𝑡=1(𝑦𝑡 −𝑦ො𝑡 ) 𝑀𝐴𝑃𝐸 = ; 𝑦ത𝑡 = 𝑦𝑡
𝑇 𝑦ത𝑡 𝑇
𝑀𝐹𝐸 = 𝑡=1 𝑡=1
𝑇
O MAPE quantifica quão distante, em média,
• MAD – Mean Absolute Error (ou erro médio os resultados previstos se encontram distantes
absoluto): do valor real.
IMP.GE.190.0 σ𝑇𝑡=1 |𝑦𝑡 − 𝑦ො𝑡 |
𝑀𝐴𝐷 =
𝑇
31
• Modelos de Previsão:
• Metodologia de acompanhamento ou evolução do sinal de previsão:
• Permite visualizar graficamente os desvios que o modelo de previsão tem ao
longo do tempo por forma a avaliar se é o adequado, ou deverá ser ajustado,
conforme o comportamento da série temporal. Definido pelo “Sinal de
Evolução”, ou “Tracking Sign”:
𝑇
𝑅𝑆𝐹𝐸 σ𝑇𝑡=1 𝑦𝑡 − 𝑦ො𝑡
𝑇𝑆 = ; 𝑅𝑆𝐹𝐸 = 𝑦𝑡 − 𝑦ො𝑡 ; 𝑀𝐴𝐷 =
𝑀𝐴𝐷 𝑇
𝑡=1
IMP.GE.190.0
32
• Modelos de Previsão:
• Modelo de Previsão com base no valor da procura anterior (ou método
da Persistência):
• Passa por considerar que no instante 𝑡 + 1 do futuro será o que
aconteceu no instante 𝑡 no passado.
• Útil somente quando se encontram bem definidas a componente
tendencial e aleatória, no entanto, não reflete as variações
aleatórias, ou seja, a previsão incide sobre o valor da procura
histórica.
• Utilizável em previsões de curto (muito curto) espaço de tempo,
onde exista pouca variação da procura, e onde exista grande
estabilidade do histórico de dados.
IMP.GE.190.0
33
• Modelos de Previsão:
• Modelo de Previsão com base no valor da procura anterior (ou método
da Persistência): Exemplo 1:
T (em meses) Dados Históricos (𝒚𝒕) 𝒚𝒕 )
Dados Previstos (ෝ Erro
1 456 -- --
2 336 456 -120
Na prática houve um
3 402 336 66
deslocamento no tempo da
4 433 402 31
série, pelo que o erro será
5 454 433 21
proporcional à amplitude da
6 390 454 -64 variação em cada período.
7 406 390 16
8 412 406 6
9 385 412 -27
10 360 385 -25
11 405 360 45
12 466 405 61
IMP.GE.190.0
MAD 48,2
34
• Modelos de Previsão:
• Modelo de Previsão com base no valor da procura anterior (ou método
da Persistência): Exemplo 1:
Graficamente podemos
observar a deslocação do
sinal e onde se observa
que erro dependerá da
amplitude do sinal.
IMP.GE.190.0
35
• Modelos de Previsão:
• Modelo de Previsão com base na Média Móvel:
• É um modelo que se baseia exclusivamente na previsão de dados
(p.e., produção) a partir da média do histórico de dados (p.e.,
vendas), tendo 2 abordagens: - média simples, ou média ponderada,
atendendo aos valores relativos do histórico de dados, ou pela
utilização de um período fixo de dados, escolhidos de forma
criteriosa. No caso da previsão ser considerada pela média simples:
𝑦𝑡 + 𝑦𝑡−1 + 𝑦𝑡− 𝑇−1
𝑦ො𝑡+1 =
𝑇
• No caso da previsão ser considerada pela média ponderada:
𝑦ො𝑡+1 = 𝑤1 𝑦𝑡 + 𝑤2 𝑦𝑡−1 + ⋯ + 𝑤𝑇 𝑦𝑡− 𝑡−1 , 𝑤1 + 𝑤2 + ⋯ + 𝑤𝑇 = 1
IMP.GE.190.0
36
• Modelos de Previsão:
• Modelo de Previsão com base na Média Móvel:
• A escolha dos períodos devera ser objetiva para evitar a flutuação
dos resultados devido aos dados históricos desatualizados (ao
recuar demasiado no histórico), ou flutuações aleatórias se o
período considerado de dados históricos não for o mais indicado.
• No caso da utilização da média ponderada, os pesos deverão ser
mais significativos nos dados que mais expressam o comportamento
real, devendo a soma de todos os pesos ser unitária.
IMP.GE.190.0
37
• Modelos de Previsão:
• Modelo de Previsão com base na Média Móvel: Exemplo 2:
Média Media Media Media Média Incremental:
Incremental Móvel 2 Móvel 3 Móvel 4 456 + 336
T Histórico Previsão Erro (1) Previsão Erro (2) Previsão Erro (3) Previsão Erro (4) 𝑦ො2 = = 396
2
1 456 -- -- -- -- -- -- -- -- 456 + 336 + 402
2 336 396 -60 396 -60 -- -- -- -- 𝑦ො3 = = 398
3
3 402 398 4 369 33 398 4 -- -- ⋮
4 433 407 26 418 16 390 43 407 26
5 454 416 38 444 11 430 24 406 48 Média Móvel (2):
6 390 412 -22 422 -32 426 -36 420 -30 456 + 336
𝑦ො2 = = 396
7 406 411 -5 398 8 417 -11 421 -15 2
336 + 402
8 412 411 1 409 3 403 9 416 -4 𝑦ො3 = = 369
9 385 408 -23 399 -14 401 -16 398 -13 2
⋮
10 360 403 -43 373 -13 386 -26 391 -31
11 405 404 1 383 23 383 22 391 15 Média Móvel (3):
12 466 409 57 436 31 410 56 404 62 456 + 336 + 402
MAD 28 24 31 40 𝑦ො3 = = 398
3
336 + 402 + 433
Média Móvel (4): 𝑦ො4 = = 390
3
456 + 336 + 402 + 433 ⋮
𝑦ො4 = = 407
4
IMP.GE.190.0 336 + 402 + 433 + 454
𝑦ො4 = = 406
4
⋮
38
• Modelos de Previsão:
• Modelo de Previsão com base na Média Móvel: Exemplo 2:
Média Incremental:
Em regra apresenta maior
estabilidade e a tendência do
sinal se torna impercetível.
Média Móvel:
Em regra apresenta melhores
resultados com tendências mais
evidentes.
IMP.GE.190.0
39
• Modelos de Previsão:
• Modelo de Previsão com base no Alisamento Exponencial Simples:
• Tem a vantagem de não acumular tanta informação oriunda do
histórico de dados nos cálculos envolvidos.
• Utiliza uma constante de “alisamento”, a qual permite atenuar o
efeito da aleatoriedade dos dados.
• Com alguma robustez para as previsões de curto prazo e em que os
dados tenham aleatoriedade, sem tendências.
• Vantagens:
• Pode ser aplicada numa base significativa de dados históricos,
reduzindo desvios provocados pela consideração exclusiva de dados
recentes.
IMP.GE.190.0
40
• Modelos de Previsão:
• Modelo de Previsão com base no Alisamento Exponencial Simples:
• Vantagens:
• Os pesos atribuídos (alisamento) ao histórico de dados vão diminuindo
conforme estes se afastam do ponto da previsão, reduzindo o seu
significado no cálculo.
• Requer de um valor de alisamento (constante de alisamento) e um valor
inicial para a média alisada da procura, que pode ser obtida através do
cálculo de uma média (móvel ou aritmética) dos dados históricos.
• Modelos de Previsão:
• Modelo de Previsão com base no Alisamento Exponencial Simples:
Exemplo 3:
T Real St Previsto Erro Considerando: 𝑎 = 0,3 e 𝑆0 = 408,75 (média
1 456 422,925 -- --
aritmética dos dados), então:
2 336 396,8475 423 -87
3 402 398,3933 397 5 𝑆1 = 0,3 × 456 + 1 − 0,3 × 408,75 = 422,925 → 𝑦ො2 = 423
4 433 408,7753 398 35 𝑆2 = 0,3 × 336 + 1 − 0,3 × 422,925 = 396,8475 → 𝑦ො3 = 397
5 454 422,3427 409 45
𝑆3 = 0,3 × 402 + 1 − 0,3 × 396,8475 = 408,7753 → 𝑦ො4 = 409
6 390 412,6399 422 -32
7 406 410,6479 413 -7 ⋮
8 412 411,0535 411 1 O valor de 𝑎 deverá ser bem escolhido já que ao
9 385 403,2375 411 -26 estar próximo de 0, a previsão incidirá sobre o
10 360 390,2662 403 -43 próprio valor histórico, se o valor for muito próximo
11 405 394,6864 390 15
de 1, o valor da previsão incidirá sobre o valor da
12 466 416,0805 395 71
média inicial. Valores entre 0,1 e 0,4 é o habitual.
MAD 37
IMP.GE.190.0
42
• Modelos de Previsão:
• Modelo de Previsão com base no Alisamento Exponencial Simples:
Exemplo 3:
IMP.GE.190.0
43
• Modelos de Previsão:
• Modelo de Previsão de Holt:
• Baseado no modelo de previsão do alisamento exponencial simples.
• Prático quando os dados evidenciam uma componente aleatória e
tendencial evidentes. No caso dos dados históricos também
conterem uma componente sazonal, existem outras abordagens.
• Modelos de Previsão:
• Modelo de Previsão de Holt: Exemplo 4:
T Real St kt Previsto Erro Considerando: 𝑎 = 0,2; 𝑏 = 0,3; 𝑘0 = 3; e
1 456 420,6 5,655 -- -- 𝑆0 = 408,75 (média aritmética dos dados), então:
2 336 399,156 -2,475 426 -90
𝑆1 = 0,2 × 456 + 1 − 0,2 × 408,75 + 3 = 420,6
3 402 401,7046 -0,968 397 5
4 433 408,7378 1,433 401 32 𝑇1 = 0,3 × 420,6 − 408,75 + 1 − 0,3 × 3 = 5,655
5 454 416,6442 3,375 410 44 𝑦ො2 = 420,6 + 5,655 = 426
6 390 408,6156 -0,046 420 -30
7 406 408,1295 -0,178 409 -3 𝑆2 = 0,2 × 336 + 1 − 0,2 × 420,6 + 5,655 = 399,156
8 412 409,0462 0,150 408 4 𝑇2 = 0,3 × 399,156 − 4420,6 + 1 − 0,3 × 5,655 = −2,475
9 385 404,1167 -1,374 409 -24 𝑦ො3 = 399,156 − 2,475 = 397
10 360 396,3923 -3,279 403 -43
11 405 400,737 -0,992 393 12 𝑆3 = 0,2 × 402 + 1 − 0,2 × 399,156 − 2,475 = 401,7046
12 466 414,583 3,460 400 66
𝑇3 = 0,3 × 401,7 − 399,2 + 1 − 0,3 × −2,475 = −0,968
MAD 35
𝑦ො4 = 401,7046 − 09868 = 401
⋮
IMP.GE.190.0
45
IMP.GE.190.0
46
• Modelos de Previsão:
• Modelo de Previsão de Winter:
• Modelo mais complexo que o anteriores, no entanto, com robustez
suficiente quando as séries temporais têm presentes as
componentes aleatórias, sazonais e de tendência.
• Realiza o alisamento do perfil da previsão, tendo em conta a
tendência dos dados históricos e a atualização sucessiva dos
índices sazonais ao longo da previsão.
𝑆𝑡 = 𝑎(𝑦𝑡 /𝐼𝑡 ) + 1 − 𝑎 𝑆𝑡−1 + 𝑘𝑡−1 , 0≤𝑎≤1
𝑘𝑡 = 𝑏 𝑆𝑡 − 𝑆𝑡−1 + 1 − 𝑏 𝑘𝑡−1 , 0≤𝑏≤1
𝐼𝑡+1 = 𝑐 𝑦𝑡 /𝑆𝑡 + 1 − 𝑐 𝐼𝑡−1 , 0≤𝑐≤1
𝑦𝑡+1 = 𝑆𝑡 + 𝑘𝑡 𝐼𝑡
IMP.GE.190.0
𝑦𝑡+𝐿 = (𝑆𝑡 +𝐿𝑘𝑡 )𝐼𝑡+𝐿
47
• Modelos de Previsão:
• Modelo de Previsão de Winter: Exemplo 5:
Para o cálculo de 𝐼1 recomenda-se realizar
T Real I St kt Previsão Erro
1 456 1,08 419,31 10,22
um estudo da correlação linear simples, de
2 336 0,89 414,42 4,18 381 -45 forma a encontrar a reta que se ajusta ao
3 402 0,94 420,66 5,00 396 6 comportamento do perfil histórico, ou seja
4 433 1,00 427,35 5,68 427 6 encontrar os coeficientes 𝑚 e 𝑏 da reta
5 454 1,04 433,47 5,85 452 2 𝑦 = 𝑚𝑥 + 𝑏 , e depois, seguir o modelo
6 390 0,94 431,56 2,75 414 -24 matemático, para o cálculo de 𝐼𝑡+1.
7 406 0,94 433,39 2,38 409 -3
Considerando: 𝑎 = 0,3; 𝑏 = 0,4; 𝑐 = 0,7;
8 412 0,95 435,43 2,24 413 -1
9 385 0,90 434,23 0,87 395 -10
𝑘0 = 10 e 𝑆0 = 408,75 (média aritmética dos
10 360 0,85 431,43 -0,60 370 -10 dados), então:
11 405 0,91 434,73 0,96 393 12
𝑦ത = 𝑚𝑥 + 𝑏 = 0,304𝑥 + 406,773 → 𝑦ത1 = 407,08
12 466 1,02 441,50 3,28 446 20
MAD 14 𝑦1
𝐼1 = 𝑐 + 1 − 𝑐 = 0,7 456/407,08 + 0,3 = 1,08
𝑦ത1
Continua…
IMP.GE.190.0
48
336
𝐼2 = 0,7 + 1 − 0,7 1,08 = 0,89
419,31
336
𝑆2 = 0,3 + 1 − 0,3 381 + 10,22 = 414,42
0,89
402
𝐼3 = 0,7 + 1 − 0,7 0,89 = 0,94
414,42
⋮
É possível observar que o valor previsto acompanha
IMP.GE.190.0 claramente o perfil histórico, seguindo os índices da
aleatoriedade, a sazonalidade e a da tendência.
49
IMP.GE.190.0