Tcnicas de Previso

Prof. Fernando Augusto Silva Marins

www.feg.unesp.br/~fmarins
fmarins@feg.unesp.br

Sumrio
1.
2.

Conceitos
Etapas de um Modelo de Previso
1. Objetivos
2. Coleta e anlise de dados
3. Seleo da Tcnica
4. Obteno da previso
5. Monitoramento
2

Previso da Demanda
A previso da demanda a base para o planejamento
estratgico da produo, vendas e finanas de qualquer
empresa.

Permite que os administradores destes sistemas antevejam o

futuro e planejem adequadamente suas aes.

As previses so usadas pelo PCP em dois momentos

distintos: para planejar o sistema produtivo (longo prazo) e
para planejar o uso (curto prazo) deste sistema produtivo.
Longo prazo: produtos/servios, instalao, equipamentos,...
Curto prazo: planos de produo, armazenagem e compras,
sequenciamento

Previso da Demanda
A responsabilidade pela preparao da previso da demanda
normalmente do setor de Marketing ou Vendas. Porm,
existem dois bons motivos para que o pessoal do PCP
entenda como esta atividade realizada.
A previso da demanda a principal informao empregada pelo
PCP na elaborao de suas atividades;
Em empresas de pequeno e mdio porte, no existe ainda uma
especializao muito grande das atividades, cabendo ao pessoal
do PCP (geralmente o mesmo de Vendas) elaborar estas
previses.
Atualmente as empresas esto buscando um relacionamento mais
eficiente dentro de sua cadeia produtiva (JIT/TQC Cadeia Automotiva,
Celta, Fiat online).

Etapas de um Modelo de Previso

Objetivo do modelo

Coleta e anlise dos dados

Seleo da tcnica de previso

Obteno das previses

Monitorao do modelo

Objetivo do Modelo
A primeira etapa consiste em definir a razo pela qual
necessitamos de previses. Que produto, ou famlias de
produtos, ser previsto, com que grau de acuracidade e
detalhe a previso trabalhar, e que recursos estaro
disponveis para esta previso.
A sofisticao e o detalhamento do modelo depende da
importncia relativa do produto, ou famlia de produtos, a ser
previsto e do horizonte ao qual a previso se destina.
Itens pouco significativos podem ser previstos com maior margem
de erro, empregando-se tcnicas simples. Assim como admite-se
margem de erro maior para previses de longo prazo,
empregando-se dados agregados de famlias de produtos.

Coleta e Anlise dos Dados

Visa identificar e desenvolver a tcnica de previso que melhor se
adapte. Alguns cuidados bsicos:
Quanto mais dados histricos forem coletados e analisados, mais confivel
a tcnica de previso ser;
Os dados devem buscar a caracterizao da demanda real pelos produtos
da empresa, que no necessariamente igual as vendas passadas (faltas,
postergao,...);
Variaes extraordinrias da demanda (greves, promoes, ...) devem ser
analisadas e substitudas por valores mdios, compatveis com o
comportamento normal da demanda;
O tamanho do perodo de consolidao dos dados (semanal, mensal,...)
tem influncia direta na escolha da tcnica de previso mais adequada,
assim como na anlise das variaes extraordinrias.

Periocidades Diferentes para Dados Idnticos

Seleo da Tcnica de Previso

Existem tcnicas qualitativas e quantitativas. Cada uma tendo o
seu campo de ao e sua aplicabilidade. Alguns fatores
merecem destaque na escolha da tcnica de previso:
Decidir em cima da curva de troca custo-acuracidade;
A disponibilidade de dados histricos;
A disponibilidade de recursos computacionais;
A experincia passada com a aplicao de determinada tcnica;
A disponibilidade de tempo para coletar, analisar e preparar os dados e a
previso;
O perodo de planejamento para o qual necessitamos da previso.

Tcnicas de Previso
Existem uma srie de tcnicas disponveis, com diferenas
substanciais entre elas. Porm, cabe descrever as
caractersticas gerais que normalmente esto presentes em
todas as tcnicas de previso, que so:
Supem-se que as causas que influenciaram a demanda passada
continuaro a agir no futuro;
As previses no so perfeitas, pois no somos capazes de prever todas
as variaes aleatrias que ocorrero;
A acuracidade das previses diminui com o aumento do perodo de tempo
auscultado;
A previso para grupos de produtos mais precisa do que para os
produtos individualmente, visto que no grupo os erros individuais de
previso se anulam.

Tcnicas de Previso
As tcnicas de previso podem ser subdivididas em dois grandes
grupos:
As tcnicas qualitativas privilegiam principalmente dados subjetivos, os
quais so difceis de representar numericamente. Esto baseadas na
opinio e no julgamento de pessoas chaves, especialistas nos produtos ou
nos mercados onde atuam estes produtos;
As tcnicas quantitativas envolvem a anlise numrica dos dados
passados, isentando-se de opinies pessoais ou palpites. Empregam-se
modelos matemticos para projetar a demanda futura. Podem ser
subdivididas em dois grandes grupos: as tcnicas baseadas em sries
temporais, e as tcnicas causais (Mais conhecidos: Regresso Simples e
Mltipla)

Tcnicas de Previso
Tcnicas Qualitativas

Pouco tempo para coleta de dados, introduo de novos produtos,

cenrio poltico/econmico instvel
Questes estratgicas em conjunto com modelos matemticos e
tcnicas quantitativas

Tcnicas Quantitativas
Sries Temporais modelo matemtico da demanda futura
relacionando dados histricos de vendas do produto com o tempo
Causais associar dados histricos de vendas do produto com uma ou
mais variveis relacionadas demanda

Mtodos Qualitativos mais comuns

Tcnica Delphi

Anlise de Cenrios

Jri executivo de opinies

Composio de foras de vendas

Pesquisas de mercado
1

Tcnicas de Previso Qualitativas

Mtodo Delphi
Caractersticas: anonimato, realimentao controlada das informaes,
quantificao das respostas (escala numrica), resposta estatstica (pode
no haver consenso)
Processo:
1o. Passo Coordenador elabora Questionrio
2o. Passo - Grupo responde Questionrio (escala numrica)
3o. Passo Coordenador confere coerncia das respostas, altera
questes (se necessrio), processa anlise estatstica, sistematiza os
argumentos manifestados
4o. Passo Grupo responde novo Questionrio (com as informaes da
anlise estatstica e dos argumentos), respostas discrepantes com
relao Mdia devem ser justificados
5o.Passo Coordenador verifica se no houve variaes significativas
(Fim - Relatrio), caso contrrio retornar ao Passo 2.

Vantagens

timo mtodo para lidar

inesperados de um problema

com

aspectos

Previses com carncia de dados histricos

Interesse pessoal dos participantes

Minimiza presses psicolgicas

No exige presena fsica

1

Desvantagens

Processo lento, mdia de 6 meses

Dependncia dos participantes

Dificuldade de redigir o questionrio

Possibilidade de consenso forado

Tcnicas de Previso Qualitativas

Anlise de Cenrios

Situaes muito complexas

Geralmente utilizado para o longo prazo

Aplicado quando no h parmetros

permitam uma previso segura

que

Determinao dos Cenrios

Trs possveis cenrios:

Cenrio base: sem surpresas

Cenrio alternativo 1: otimista

Cenrio alternativo 2: pessimista

Vantagens

Estruturar e sistematizar o processo de projees

qualitativas

Identificar as variveis que impactam a demanda

e seus impactos mtuos

Estabelecer objetivos de longo prazo

Identificar prioridade de ao
1

Desvantagens

Dependncia dos resultados em funo da

escolha das variveis

Complexidade para se tratar muitas variveis ao

mesmo tempo

Pequenas alteraes nas variveis podem causar

grandes distores nas previses
2

Mtodos Quantitativos de Previso

Previses Baseadas em Sries Temporais
Partem do princpio de que a demanda futura ser uma projeo
dos seus valores passados, no sofrendo influncia de outras
variveis.
o mtodo mais simples e usual de previso, e quando bem elaborado
oferece bons resultados.
Para se montar o modelo de previso, necessrio plotar os dados
passados e identificar os fatores que esto por trs das caractersticas da
curva obtida (Previso final = composio dos fatores).
Uma curva temporal de previso pode conter tendncia, sazonalidade,
variaes irregulares e variaes randmicas (h tcnicas para tratar
cada um destes aspectos).

Previses Baseadas em Sries Temporais

Tendncia

Sazonalidade
60

Demanda

50
40
30
20

0
Jan.

Variao irregular

Variao randnica

10
Fev.

Mar.

Abr.

Mai.

Jun.

Jul.

Ago.

Set.

Out.

Nov.

Dez.

Sries Temporais - ST
Classificao

ST de Modelo Fixo (Fixed-Model Time-Series)

apresentam equaes definidas baseadas em avaliaes
a priori da existncia de determinadas componentes nos
dados histricos (Mais simples, sries histricas no muito
grandes);
ST de Modelo Aberto (Open-Model Time-Series)
analisam as ST de modo a identificar quais componentes
realmente esto presentes, para ento criar um modelo
nico que projete tais componentes, prevendo os valores
futuros (Mais elaboradas, maior quantidade de dados).
Existem mais de 60 mtodos do tipo ST!!
2

ST de Modelo Fixo

Mdia simples (MS)

Mdia Mvel Simples (MMS)
Mdia Mvel Dupla (MMD)
Amortecimento Exponencial Simples (AES)
Amortecimento Exponencial Duplo ( Mtodo de Brown)
Amortecimento Exponencial Duplo ( Mtodo de Holt)
Amortecimento Exponencial Triplo ( Mtodo de Winter)
Metodologias de Seleo de Coeficientes de Amortecimento

Mdia Simples (MS)

No indicada quando h Tendncia ou Sazonalidade

Mdia aritmtica simples de todas as vendas passadas:

n

Pt 1

R
t 1

Pt 1

- Previso para o prximo perodo;

Rt

- Valor real observado no perodo t;

- Nmero de perodos no histrico de vendas

passadas
2

Mdia Mvel Simples (MMS)

No indicada quando h Tendncia ou Sazonalidade

A mdia mvel usa dados de um nmero j determinado de perodos,

normalmente os mais recentes, para gerar sua previso. A cada novo
perodo de previso se substitui o dado mais antigo pelo mais recente.

( Rt Rt 1 Rt 2 ... Rt n 1 )
Pt 1 M t
n

Pt 1: previso para o prximo perodo;

M t : mdia mvel no perodo t;

Rt : valor real observado no perodo t;

: nmero de perodos considerados na

mdia mvel.

Mdia Mvel Simples

Perodo
Janeiro Fevereiro Maro Abril Maio Junho Julho
Demanda
60
50
45
50
45
70
60
Previses para Julho
Mm5

Mm3

50 45 50 45 70
52,00
5

50 45 70
55,00
3

Mm3

45 70 60
58,33
3

Previso para Agosto

Alternativa: ponderar os perodos com pesos maiores para
os mais recentes (50%, 30%, 20%: Julho = 58,50)
2

Mdia Mvel Dupla - MMD

Previso de sries que apresentam tendncia. Deve-se efetuar os clculos:

- Mdia mvel:

Mt

( Rt Rt 1 Rt 2 ... Rt n 1 )
n

- Mdia mvel das mdias mveis: Mt

- Efetua-se o seguinte clculo:
- Fator de ajuste adicional
(Tendncia Coef. Angular):
-Assim, a previso dada por:

( M t M t 1 M t 2 ... M t n1 )
n

at M t ( M t M t' ) 2 M t M t'
bt

2
( M t M t' )
n 1

Pt p at bt p

: nmero de perodos futuros a serem previstos

Amortecimento Exponencial Simples - AES

Sem Tendncia. Mtodo permite atribuir um maior peso ( ) em
valores mais recentes. Deve-se efetuar os seguintes clculos:

Pt 1 Rt (1 ) Rt 1 (1 ) 2 Rt 2 ...

Pt 1 Rt (1 ) Pt
Sendo:

= coeficiente de amortecimento

(0 1)

Prximo de 1 previso mais sensvel ao ltimo valor observado

Geralmente adota-se P0 = R0 ou P0 = (Rt)/n
2

AED - Amortecimento Exponencial Duplo

(Mtodo de Brown)
Mtodo para sries com tendncias, com atribuio de
pesos diferentes aos dados histricos. Seguem-se os
clculos:
Primeiro amortecimento: At Rt (1 ) At 1
Segundo amortecimento:
Sua diferena:

At' A
Rt (1 ) At'1

at 2 At At'
bt

( At At' )
1

Fator de ajuste
adicional:
Previso: Pt p at bt p
3

AED - Amortecimento Exponencial Duplo (Mtodo de Brown)

Ao utilizar o AED deve-se atentar aos valores iniciais A0 e A0 ,
pois a utilizao da primeira observao para estes valores implica
em subestimar a tendncia existente em uma srie. Usar:

1
A0 a0
b0

(1 )
A a0 2
b0

'
0

: Coeficiente linear da regresso dos valores da srie

(varivel dependente) pelos nmeros dos perodos
(varivel independente).

: Coeficiente angular da regresso dos valores da

srie (varivel dependente) pelos nmeros dos
perodos (varivel independente).
3

Regresso Linear

Uma equao linear possui o seguinte formato:

Y a bX

XY X Y
n X X

Y b X

Y = Varivel Dependente;
a = Intercepto no eixo dos Y;
b = Coeficiente angular;
X = varivel Independente;
n = nmero de perodos observados.

Regresso Linear - Exemplo

Semana(X)

Demanda(Y)

1
2
3
4
5
6
7
8

450
430
470
480
450
500
520
530
3830

X
1
3
6
10
15
21
28
36

8 17770 36 3830 4280

12,73
8 204 36 36
336

3830 12,73 36
421,46
8

1
5
14
30
55
91
140
204

XY
450
860
1410
1920
2250
3000
3640
4240
17770

Y = 421,46 + 12,73 X

Amortecimento Exponencial Duplo (Mtodo de Holt)

Utilizado tambm para sries que apresentam tendncia.
Existem dois coeficientes de amortecimento. Clculos:
N t Rt (1 )( N t 1 Tt 1 )
Tt ( N t N t 1 ) (1 )Tt 1
Pt p N t pTt

: Componente nvel (valor sem tendncia)

Onde:

: Componente tendncia
: Coeficiente de amortecimento para a estimativa
da tendncia 0 1

: Coeficiente de amortecimento - 0 1
3

Amortecimento Exponencial Triplo (Mtodo Winter)

Adequado para previso de sries que apresentam tendncias e
sazonalidades:

Rt
S t
Nt

Rt

Nt

(1 ) S t c

S t c

: ajuste sazonal calculado para o perodo t

: ajuste sazonal calculado c perodos atrs. Para previso mensal (semanal) e

sazonalidade ao longo do ano (ms), usa-se c = 12 (4).
: Componente sazonal
: Coeficiente de amortecimento para a estimativa da sazonalidade
0

1.

Amortecimento Exponencial Triplo (Mtodo Winter)

- Clculo da Tendncia:

Tt ( N t N t 1 ) (1 )Tt 1

- Clculo do nvel considerando o ajuste sazonal:

Rt
N t
S t c
- Finalmente, a previso:

(1 )( N t 1 Tt 1 )

Pt p ( N t pTt ) S t c p

Tcnica para Previso da Sazonalidade

Decomposio Clssica
A sazonalidade expressa em termos de uma quantidade, ou de
uma percentagem, da demanda que desvia-se dos valores mdios
da srie. Caso exista tendncia, ela deve ser considerada.

O valor aplicado sobre a mdia, ou a tendncia, conhecido como ndice de

sazonalidade.
Exemplo: ndice de Sazonalidade de cervejas em janeiro = 1,30, ou seja,
30% maior que a mdia anual.

A forma mais simples de considerar a sazonalidade nas previses da

demanda, consiste em empregar o ltimo dado da demanda, no
perodo sazonal em questo, e assumi-lo como previso.
Exemplo: Venda de casacos em julho/2003 = Vendas em julho/2002 +
tendncia

Tcnicas para Previso da Sazonalidade

Decomposio Clssica
A forma mais usual de incluso da sazonalidade nas previses da
demanda, consiste em obter o ndice de sazonalidade para os
diversos perodos, empregando a mdia mvel centrada, e
aplic-los sobre o valor mdio (ou tendncia) previsto para o
perodo em questo.
O ndice de sazonalidade obtido dividindo-se o valor da demanda no
perodo pela mdia mvel centrada neste perodo. O perodo empregado
para o clculo da mdia mvel o ciclo da sazonalidade. Quando se
dispem de dados suficientes, calculam-se vrios ndices para cada
perodo e tira-se uma mdia.

Previso da Sazonalidade: Exemplo do Restaurante

Dia
Segunda
Tera
Quarta
Quinta
Sexta
Sbado
Domingo
Segunda
Tera
Quarta
Quinta
Sexta
Sbado
Domingo
Segunda
Tera
Quarta
Quinta
Sexta
Sbado
Domingo
Segunda
Tera
Quarta

Demanda
50
55
52
56
65
80
85
55
50
58
50
70
75
80
52
50
54
60
65
85
90
50
53
55

Mdia Mvel Centrada

ndice

443/7=63,28
448/7=64
443/7=63,28
449/7=64,14
443/7=63,28
448/7=64
443/7=63,28
438/7=62,57
435/7=62,14
435/7=62,14
431/7=61,57
441/7=63
436/7=62,28
446/7=63,71
456/7=65,14
454/7=64,85
457/7=65,28
458/7=65,42

56/63,28=0,88
65/64=1,01
80/63,28=1,26
85/64,14=1,32
55/63,28=0,86
50/64=0,78
58/63,28=0,91
50/62,57=0,79
70/62,14=1,12
75/62,14=1,20
80/61,57=1,29
52/63=0,82
50/62,28=0,80
54/63,71=0,84
60/65,14=0,92
65/64,85=1,00
85/65,28=1,30
90/65,42=1,37

Demanda =
Nmero de
Refeies

Isegunda = 0,84
Itera = 0,79
Iquarta = 0,87
Iquinta = 0,86
Isexta = 1,04
Isbado = 1,25
Idomingo = 1,32
3

Tcnicas para Previso da Sazonalidade

No caso da demanda do produto apresentar sazonalidade e
tendncia, h necessidade de se incorporar estas duas
caractersticas no modelo de previso. Para se fazer isto, devese empregar os seguinte passos:
Primeiro, retirar o componente de sazonalidade da srie de dados
histricos, dividindo-os pelos correspondentes ndices de sazonalidade;
Com estes dados, desenvolver uma equao que represente o
componente de tendncia;
Com a equao da tendncia fazer a previso da demanda e multiplic-la
pelo ndice de sazonalidade.

Previso de Tendncia & Sazonalidade

Exemplo: No caso do Restaurante, considere uma tendncia

dada pela equao: Y = 40 + 2X.
Deseja-se a previso da demanda para uma semana onde a 2a.
Feira o 18o. Dia.
Soluo: D(2a.) = (40 + 2.18).0,84 = 63,84
D(3a.) = (40 + 2.19).0,79 = 61,62
D(4a.) = (40 + 2.20).0,87 = 69,60
D(5a.) = (40 + 2.21).0,86 = 70,52
D(6a.) = (40 + 2.22).1,04 = 87,36
D(sab.) = (40 + 2.23).1,25 = 107,50
D(dom) = (40 + 2.24).1,32 = 116,16
4

Metodologias de Seleo de Modelo

Seleo a Priori

Metodologia de Seleo de Modelo

Seleo pela Preciso
- Mean Absolute Deviation (MAD)
n

MAD

Onde: Rt

| R P |
t 1

Valores reais de venda

Pt Valores Previstos

n Nmero de perodos de previso

- Evita o problema de um erro negativo cancelar o positivo

Metodologia de Seleo de Modelo

Seleo pela Preciso
-Mean Percentual Error (MPE)

( Rt Pt )

Rt
t 1
MPE
n
n

Onde:

Rt Valores reais de venda

Pt Valores Previstos

n Nmero de perodos de previso

Mede se os valores previstos esto sistematicamente acima ou abaixo das
vendas reais:
- Se o valor de MPE for positivo, tem-se que a previso est freqentemente
abaixo da venda real;
- Se o valor de MPE for negativo, tem-se que a previso est freqentemente
acima da venda real.
4

Metodologia de Seleo de Modelo

Seleo pela Preciso
- Mean Absolute Percentual Error (MAPE)
| Rt Pt |

Rt
t 1
MAPE
n
n

Onde:

Rt = Valores reais de venda

Pt = Valores Previstos

n = Nmero de perodos de previso

- Avalia a magnitude do erro com relao serie histrica

Metodologia de Seleo de Modelo

Seleo pela Preciso
- (Rooted) Mean Squared Error - (R )MSE
( Rt Pt ) 2
RMSE
n
t 1
n

Onde:

Rt = Valores reais de venda

Pt = Valores Previstos

n = Nmero de perodos de previso

- Os grandes erros se destacam devido ao clculo da mdia ao
quadrado
- Mas os erros outliers recebero grande significncia (deveriam ser
desconsiderados)
-MSE : erros avaliados na unidade ao quadrado
-RMSE Raiz quadrada do MSE

Modelos Causais

Regresso Linear Simples

Regresso Linear Mltipla

Previses Baseadas em Regresses

Buscam prever a demanda de determinado produto a partir da
previso de outra varivel (interna ou externa empresa) que
esteja relacionada com o produto.

Exemplo: Pneus e Carros, Vidros planos e Construo Civil

O objetivo da regresso linear simples consiste em encontrar uma

equao linear de previso, do tipo Y = a + bX (onde Y a
varivel dependente a ser prevista e X a varivel independente
da previso), de forma que a soma dos quadrados dos erros de
previso () seja a mnima possvel. Este mtodo tambm
conhecido como regresso dos mnimos quadrados.
4

Previses Baseadas em Regresses

XY X Y
n X X

Y = a + bX

Y b X

a
n

Previses Baseadas em Regresses

Uma cadeia de fastfood verificou que as vendas mensais de refeies
em suas casas esto relacionadas ao nmero de alunos matriculados
em escolas situadas num raio de 2 quilmetros em torno da casa. A
empresa pretende instalar uma nova casa numa regio onde o
nmero de alunos de 13750. Qual a previso da demanda para esta
nova casa?
b

XY X Y = 13 5224,86 143,10 450,71 2,99

13 1663,37 143,10
n X X

Y b X

=
a
n

450,71 2 ,99 143,10

1,757
13

Y = 1,757 + 2,99X

Y 1,757 2,99 13,75 42,869 ou seja 42869 refeies

Previses Baseadas em Regresses

Vendas/Loja Versus Nmero de Alunos

Vendas Mensais em Lojas de uma Cadeia de Fastfood

Previses Baseadas em Regresses

Medida da Correlao entre duas Variveis:

n X i .Yi X .
i 1
i 1

X X . n

i 1
i 1

i 1

i 1

13. 5.224,86 143,10 . 450,71

13.1.663,37 143,10 . 13.16.416,82 450,71

2

0,9

Obteno da Previses
Com a definio da tcnica de previso e a aplicao dos dados
passados para obteno dos parmetros necessrios, podemos
obter as projees futuras da demanda. Quanto maior for o
horizonte pretendido, menor a confiabilidade na demanda
prevista.
A medida em que as previses forem sendo alcanadas pela demanda
real, deve-se monitorar a extenso do erro entre a demanda real e a
prevista, para verificar se a tcnica e os parmetros empregados ainda
so vlidos. Em situaes normais, um ajuste nos parmetros do modelo,
para que reflita as tendncias mais recentes, suficiente.

Manuteno e Monitorizao do Modelo

Uma vez decidida a tcnica de previso e implantado o modelo, h
necessidade de acompanhar o desempenho das previses e
confirmar a sua validade perante a dinmica atual dos dados.
Esta monitorizao realizada atravs do clculo e
acompanhamento do erro da previso, que a diferena que
ocorre entre o valor real da demanda e o valor previsto pelo
modelo para um dado perodo. A manuteno e monitorizao de
um modelo de previso confivel busca:
Verificar a acuracidade dos valores previstos;
Identificar, isolar e corrigir variaes anormais;
Permitir a escolha de tcnicas, ou parmetros, mais eficientes.

Manuteno e Monitorizao do Modelo

Uma forma de acompanhar o desempenho do modelo
consiste em verificar o comportamento do erro acumulado
que deve tender a zero, pois espera-se que o modelo de
previso gere, aleatoriamente, valores acima e abaixo dos
reais, devendo assim se anular.
O erro acumulado deve ser comparado com um mltiplo do desvio
mdio absoluto, conhecido como MAD (Mean Absolute Deviation).
Em geral, compara-se o valor do erro acumulado com o valor de 4
MAD. Quando ultrapassar este valor, o problema deve ser
identificado e o modelo deve ser revisto.

MAD

atual

D prevista
n
5

Manuteno e Monitorizao do Modelo

= 0,10
Perodo
1
2
3
4
5
6
7
8
9
10

Datual
90
95
98
90
92
95
90
100
92
95

Dprevista
90,00
90,50
91,25
91,12
91,20
91,58
91,42
92,27
92,25

Erro
5,00
7,50
-1,25
0,88
3,80
-1,58
8,58
-0,27
2,75

Erro 25,41

= 0,50
Dprevista
90,00
92,50
95,25
92,62
92,31
93,65
91,82
95,91
93,95

Erro
5,00
5,50
-5,25
-0,62
2,69
-3,65
8,18
-3,91
1,05

Erro 8,99

MAD = 31,61/9 = 3,51

MAD = 35,85/9 = 3,98

Para = 0,10, temos que: 4 3,51 14,04 25,41 ;

Para = 0,50, temos que: 4 3,98 15,92 8,99 .

Manuteno e Monitorizao do Modelo

Grfico de Controle para o Erro de Previso

20
15
10
5
0
-5
-10
-15
-20

Manuteno e Monitorizao do Modelo

Outros Erros de Previso:
MSE Mean Square Error
n

Yi Yi

MSE

i 1

Erros de Pr eviso

MAPE Mean Absolute Percent Error

n

Re ali Pr evistoi

MAPE 100. i 1

TS - Tracking Signal

Y
n

TS

i 1

Yi

MAD

Re ali
n

Erro de Previso

MAD

Manuteno e Monitorizao do Modelo

Uma srie de fatores pode afetar o desempenho de um modelo de
previso, sendo que os mais comuns so:
A tcnica de previso pode estar sendo usada incorretamente, ou sendo
mal interpretada;
A tcnica de previso perdeu a validade devido mudana em uma
varivel importante, ou devido ao aparecimento de uma nova varivel;
Variaes irregulares na demanda podem ter acontecido em funo de
greves, formao de estoques temporrios, catstrofes naturais, etc.
Aes estratgicas da concorrncia, afetando a demanda;
Variaes aleatrias inerentes aos dados da demanda.