1) Introdução

O presente relatório tem como objetivo apresentar o trabalho realizado para consolidar
o aprendizado sobre os métodos de previsão de demanda apresentados na disciplina de
Logística I. Primeiramente foi realizada a previsão do consumo de refrigerante por diferentes
métodos para que fosse possível definir o melhor método. Além disso, foram respondidas as
perguntas do modelo de regressão múltipla.

2) Modelos de Previsão

Estão descritos abaixo os modelos utilizados para a realização de uma previsão de

demanda assertiva. Para isso, foi necessário avaliar diferentes métodos estudados e
determinar o mais indicado para a situação analisada.
Para a realização da análise do método mais adequado de previsão, serão
considerados os seguintes modelos de séries temporais: média móvel, alisamento
exponencial, alisamento exponencial com tendência e alisamento exponencial com
tendência e sazonalidade.
As seguintes medidas de erros de previsão foram adotadas com o objetivo de eleger
o método com os menores valores desses parâmetros:

Tabela 1: Indicadores de erros e fórmulas

2.1) Média Móvel

A média móvel usa dados de um número definido de períodos, normalmente os mais

recentes, para gerar sua previsão. Para cada novo período, é preciso substituir o dado mais
antigo pelo mais recente. Existem dois tipos de média móvel, a Média Móvel Simples e a
Média Móvel Ponderada. A média móvel simples é uma média aritmética das últimas
observações realizadas, onde a quantidade de observações passadas consideradas vai
depender do número de períodos (k) que a média móvel considera. Já a média móvel
ponderada é uma variação da média móvel, a diferença está nas ponderações à formulação,
podendo dar ênfase às observações mais recentes ou mais antigas, dependendo dos pesos
atribuídos.
A grande vantagem do uso da média móvel para previsões se dá pela sua
simplicidade operacional e facilidade de entendimento. Porém, a necessidade de armazenar
um grande volume de dados, principalmente se o número de períodos for grande, é uma de
suas limitações. Assim, o uso da média móvel é recomendado em situações em que a
demanda apresenta um comportamento estável e o produto não for muito relevante.
Para o trabalho foi escolhido fazer a média móvel para 3 períodos, 5 períodos e 7
períodos. Todos os cálculos se encontram no arquivo em Excel, e o resultado encontrado por
este método é apresentado a seguir.

Tabela 2 - Indicadores de erros na média móvel

Tabela 3 - Indicadores de erros na média móvel com peso

Gráfico 1: Comparativo das previsões de médias móveis com a demanda

Gráfico 2: Comparativo das previsões da média móvel 3P com a demanda

Gráfico 3: Comparativo das previsões da média móvel 5P com a demanda

 Gráfico 4: Comparativo das previsões da média móvel 7P com a demanda

2.2) Alisamento Exponencial

O alisamento exponencial é um método de previsão que pondera a variação entre o

previsto no período anterior e a demanda real, levando em consideração também a
quantidade prevista anteriormente. Por meio da média, esse é um método que considera
apenas o patamar dos dados históricos. Esse método determina o peso dado às observações
passadas mais recentes e assim, controla a taxa de alisamento ou da média. Para isso, é
preciso achar a função Ft, que é o objetivo do método.
A vantagem do alisamento exponencial é que precisa de requisitos mínimos de
armazenamento de dados e o cálculo é fácil. Além disso, a facilidade com que o sistema de
ponderação pode ser alterado através da variação do valor de alfa, a constante de alisamento
que é obtida aplicando o método.
Todos os cálculos se encontram no arquivo em Excel, e o resultado encontrado por
este método é apresentado a seguir.

Tabela 4: Indicadores de erros no alisamento exponencial

 Gráfico 5: Comparativo das previsões do alisamento exponencial com a demanda

2.3) Alisamento Exponencial com Tendência

O alisamento exponencial com tendência é utilizado quando é identificado um grau de

tendência na demanda histórica. Assim, é possível ajustar a média exponencialmente
suavizada dos dados de acordo com a tendência. Primeiramente é preciso calcular os valores
da constante de suavização, β, e ∝.
Todos os cálculos se encontram no arquivo em Excel, e o resultado encontrado por
este método é apresentado a seguir.

Tabela 5: Indicadores de erros no alisamento exponencial com tendência

Tabela 6: Constantes de suavização no alisamento exponencial com tendência

 Gráfico 6: Comparativo das previsões do alisamento exponencial com tendência com a
demanda

2.4) Alisamento Exponencial com Tendência e Sazonalidade

Esse método é utilizado quando uma série de demandas apresenta, além de nível e
tendência, sazonalidades. Assim, é possível ajustar a média exponencialmente suavizada
dos dados de acordo com a tendência e com a sazonalidade. Primeiramente é preciso
calcular os valores da constante de suavização, β, e ∝ e γ.
Todos os cálculos se encontram no arquivo em Excel, e o resultado encontrado por
este método é apresentado a seguir.

Tabela 7: Indicadores de erros no alisamento exponencial com tendência e sazonalidade

Tabela 8: Constantes de suavização no alisamento exponencial com tendência e

sazonalidade
 Gráfico 7: Comparativo das previsões do alisamento exponencial com tendência e
sazonalidade com a demanda

3) Resultados

O último método analisado, Alisamento Exponencial com Tendência e

Sazonalidade, apresentou os menores indicadores de erro de previsão, com um EAMP de
apenas 10,94 e um ajuste dos dados satisfatório. Assim, a previsão será realizada com base
no método de Alisamento Exponencial com Tendência e Sazonalidade.
A previsão para o próximo período, ou seja, t=139 foi realizada utilizando o último fator
de sazonalidade observado no último mês de janeiro e os valores de Lt e Tt do período t=138.
Assim, o valor obtido foi de 70,14.

4) Exercício Regressão Múltipla

Esse exercício consiste em definir a quantidade de mão de obra utilizada (horas), que
são definidas a partir do volume de libras entregues, da porcentagem de unidades entregues
por caminhão, do peso médio de entregas e da semana através do Método de Regressão
Múltipla.

a) Determinação da equação de Previsão dos Mínimos Quadrados

O modelo geral de regressão linear múltipla é o seguinte:

𝑌 = 𝛽𝑂 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + . . . + 𝛽𝐾 𝑥𝐾

A partir do conjunto de dados das 20 semanas fornecidos no problema, encontramos

que:

Mão de Obra = 131,17 + 0,12*Semana + 2,69*Volume + 0,05*Porcentagem de

Unidades - 2,6*Peso Médio
b) Identificação e interpretação do valor de R²

Um dos indicadores mais usados para comparação entre o modelo e a realidade é o

coeficiente de explicação ou determinação (R²). Ele é definido por:

Quanto mais próximo de 0 estiver o R², menor é sua semelhança com a realidade e
quanto mais próximo de 1, melhor a explicação do modelo para a situação real.

Para a situação analisada, encontramos que: R² = 0,77 o que indica uma assertividade
considerável no modelo de previsão elaborado.

c) Previsão para a 21ª semana

Para a previsão de quantidade de mão de obra necessária na 21ª semana,

precisamos dos valores das variáveis independentes: volume de libras entregues,
porcentagem de unidades entregue por caminhão e peso médio de entregas, além a
semana conhecida. Esses valores foram encontrados através de regressão linear
(conforme planilha).

Para a situação analisada, a quantidade de obra prevista (Y) está destacada na

seguinte tabela:
 Tabela 9: Previsão para a 21ª semana

5) Conclusão

Este trabalho teve como objetivo demonstrar a utilização de alguns dos métodos de
demanda, seus efeitos e suas aplicações. Durante a sua realização, foi possível observar a
necessidade do estudo do modelo mais adequado para obter uma previsão mais assertiva,
além de aplicar os modelos aprendidos durante as aulas.