Escolar Documentos
Profissional Documentos
Cultura Documentos
www.feg.unesp.br/~fmarins
fmarins@feg.unesp.br
1
Sumário
1. Conceitos
2. Etapas de um Modelo de Previsão
1. Objetivos
2. Coleta e análise de dados
3. Seleção da Técnica
4. Obtenção da previsão
5. Monitoramento
2
Previsão da Demanda
3
Previsão da Demanda
A responsabilidade pela preparação da previsão da demanda
normalmente é do setor de Marketing ou Vendas. Porém,
existem dois bons motivos para que o pessoal do PCP
entenda como esta atividade é realizada.
A previsão da demanda é a principal informação empregada pelo
PCP na elaboração de suas atividades;
Em empresas de pequeno e médio porte, não existe ainda uma
especialização muito grande das atividades, cabendo ao pessoal
do PCP (geralmente o mesmo de Vendas) elaborar estas
previsões.
4
Etapas de um Modelo de Previsão
Objetivo do modelo
Monitoração do modelo
5
Objetivo do Modelo
A primeira etapa consiste em definir a razão pela qual
necessitamos de previsões. Que produto, ou famílias de
produtos, será previsto, com que grau de acuracidade e
detalhe a previsão trabalhará, e que recursos estarão
disponíveis para esta previsão.
A sofisticação e o detalhamento do modelo depende da
importância relativa do produto, ou família de produtos, a ser
previsto e do horizonte ao qual a previsão se destina.
6
Coleta e Análise dos Dados
Visa identificar e desenvolver a técnica de previsão que melhor se
adapte. Alguns cuidados básicos:
Quanto mais dados históricos forem coletados e analisados, mais confiável
a técnica de previsão será;
Os dados devem buscar a caracterização da demanda real pelos produtos
da empresa, que não é necessariamente igual as vendas passadas (faltas,
postergação,...);
Variações extraordinárias da demanda (greves, promoções, ...) devem ser
analisadas e substituídas por valores médios, compatíveis com o
comportamento normal da demanda;
O tamanho do período de consolidação dos dados (semanal, mensal,...)
tem influência direta na escolha da técnica de previsão mais adequada,
assim como na análise das variações extraordinárias.
7
Periocidades Diferentes para Dados Idênticos
8
Seleção da Técnica de Previsão
Existem técnicas qualitativas e quantitativas. Cada uma tendo o
seu campo de ação e sua aplicabilidade. Alguns fatores
merecem destaque na escolha da técnica de previsão:
Decidir em cima da curva de troca “custo-acuracidade”;
9
Técnicas de Previsão
Existem uma série de técnicas disponíveis, com diferenças
substanciais entre elas. Porém, cabe descrever as
características gerais que normalmente estão presentes em
todas as técnicas de previsão, que são:
Supõem-se que as causas que influenciaram a demanda passada
continuarão a agir no futuro;
As previsões não são perfeitas, pois não somos capazes de prever todas
as variações aleatórias que ocorrerão;
A acuracidade das previsões diminui com o aumento do período de tempo
auscultado;
A previsão para grupos de produtos é mais precisa do que para os
produtos individualmente, visto que no grupo os erros individuais de
previsão se anulam.
10
Técnicas de Previsão
As técnicas de previsão podem ser subdivididas em dois grandes
grupos:
As técnicas qualitativas privilegiam principalmente dados subjetivos, os
quais são difíceis de representar numericamente. Estão baseadas na
opinião e no julgamento de pessoas chaves, especialistas nos produtos ou
nos mercados onde atuam estes produtos;
11
Técnicas de Previsão
Técnicas Qualitativas
Pouco tempo para coleta de dados, introdução de novos produtos,
cenário político/econômico instável
Questões estratégicas – em conjunto com modelos matemáticos e
técnicas quantitativas
Técnicas Quantitativas
Séries Temporais – modelo matemático da demanda futura
relacionando dados históricos de vendas do produto com o tempo
Causais – associar dados históricos de vendas do produto com uma ou
mais variáveis relacionadas à demanda
12
Métodos Qualitativos mais comuns
Técnica Delphi
Análise de Cenários
Pesquisas de mercado
13
Técnicas de Previsão Qualitativas
Método Delphi
Características: anonimato, realimentação controlada das informações,
quantificação das respostas (escala numérica), resposta estatística (pode
não haver consenso)
Processo:
1o. Passo – Coordenador elabora Questionário
2o. Passo - Grupo responde Questionário (escala numérica)
3o. Passo – Coordenador confere coerência das respostas, altera
questões (se necessário), processa análise estatística, sistematiza os
argumentos manifestados
4o. Passo – Grupo responde novo Questionário (com as informações da
análise estatística e dos argumentos), respostas discrepantes com
relação à Média devem ser justificados
5o.Passo – Coordenador verifica se não houve variações significativas
(Fim - Relatório), caso contrário retornar ao Passo 2.
14
Vantagens
Ótimo método para lidar com aspectos
inesperados de um problema
15
Desvantagens
16
Técnicas de Previsão Qualitativas
Análise de Cenários
Situações muito complexas
17
Determinação dos Cenários
18
Vantagens
19
Desvantagens
20
Métodos Quantitativos de Previsão
Sazonalidade Tendência
60
50
40
Demanda
30
20
Variação irregular
10 Variação randônica
0
Jan. Fev. Mar. Abr. Mai. Jun. Jul. Ago. Set. Out. Nov. Dez.
22
Séries Temporais - ST
Classificação
ST de Modelo Fixo (Fixed-Model Time-Series) –
apresentam equações definidas baseadas em avaliações
a priori da existência de determinadas componentes nos
dados históricos (Mais simples, séries históricas não muito
grandes);
ST de Modelo Aberto (Open-Model Time-Series) –
analisam as ST de modo a identificar quais componentes
realmente estão presentes, para então criar um modelo
único que projete tais componentes, prevendo os valores
futuros (Mais elaboradas, maior quantidade de dados).
23
ST de Modelo Fixo
24
Média Simples (MS)
Não é indicada quando há Tendência ou Sazonalidade
Média aritmética simples de todas as vendas passadas:
n
R t
Pt 1 t 1
n
Pt 1 - Previsão para o próximo período;
50 45 50 45 70
Mm5 52,00
5
50 45 70 45 70 60
Mm3 55,00 Mm3 58,33
3 3
Previsão para Agosto
( Rt Rt 1 Rt 2 ... Rt n 1 )
- Média móvel: Mt
n
( M t M t 1 M t 2 ... M t n1 )
- Média móvel das médias móveis: Mt ´
n
- Efetua-se o seguinte cálculo: at M t ( M t M t' ) 2 M t M t'
2
- Fator de ajuste adicional bt ( M t M t' )
n 1
(Tendência – Coef.
Angular):
-Assim, a previsão é dada por: Pt p at bt p
p : número de períodos futuros a serem previstos 28
Amortecimento Exponencial Simples - AES
Pt 1 Rt (1 ) Rt 1 (1 ) 2 Rt 2 ...
Pt 1 Rt (1 ) Pt
b
n XY X Y
Y a bX n X X
2 2
Y b X
Y = Variável Dependente;
a
n
a = Intercepto no eixo dos Y;
b = Coeficiente angular;
X = variável Independente;
n = número de períodos observados.
32
Regressão Linear - Exemplo
S
ema
na(X
) D
ema
nda
(Y) X X 2
X
Y
1 450 1 1 450
2 430 3 5 860
3 470 6 14 141
0
4 480 1
0 30 192
0
5 450 1
5 55 225
0
6 500 2
1 91 300
0
7 520 2
8 1
40 364
0
8 530 3
6 2
04 424
0
3
830 1
7770
: Componente sazonal
Rt
N t (1 )( N t 1 Tt 1 )
S t c
36
Técnica para Previsão da Sazonalidade
Decomposição Clássica
A sazonalidade é expressa em termos de uma quantidade, ou de
uma percentagem, da demanda que desvia-se dos valores médios
da série. Caso exista tendência, ela deve ser considerada.
O valor aplicado sobre a média, ou a tendência, é conhecido como índice de
sazonalidade.
Exemplo: Índice de Sazonalidade de cervejas em janeiro = 1,30, ou seja, é
30% maior que a média anual.
37
Técnicas para Previsão da Sazonalidade
Decomposição Clássica
A forma mais usual de inclusão da sazonalidade nas previsões da
demanda, consiste em obter o índice de sazonalidade para os
diversos períodos, empregando a média móvel centrada, e
aplicá-los sobre o valor médio (ou tendência) previsto para o
período em questão.
38
Previsão da Sazonalidade: Exemplo do Restaurante
39
Técnicas para Previsão da Sazonalidade
40
Previsão de Tendência & Sazonalidade
41
Metodologias de Seleção de Modelo
Seleção a Priori
42
Metodologia de Seleção de Modelo
Seleção pela Precisão
- Mean Absolute Deviation (MAD)
n
| R P |
t t
MAD t 1
n
Onde: Rt Valores reais de venda
Pt Valores Previstos
43
Metodologia de Seleção de Modelo
Seleção pela Precisão
-Mean Percentual Error (MPE)
( Rt Pt )
n
t 1 Rt
MPE
n
Onde: Rt Valores reais de venda
Pt Valores Previstos
t 1 Rt
MAPE
n
Pt = Valores Previstos
n = Número de períodos de previsão
45
Metodologia de Seleção de Modelo
Seleção pela Precisão
- (Rooted) Mean Squared Error - (R )MSE
( Rt Pt ) 2
n
RMSE
t 1 n
Onde: Rt = Valores reais de venda
Pt = Valores Previstos
47
Previsões Baseadas em Regressões
48
Previsões Baseadas em Regressões
Y
Y = a + bX
b
XY X Y
n
n X X
2
2
2
0
Y b X
a
n X
49
Previsões Baseadas em Regressões
Uma cadeia de fastfood verificou que as vendas mensais de refeições
em suas casas estão relacionadas ao número de alunos matriculados
em escolas situadas num raio de 2 quilômetros em torno da casa. A
empresa pretende instalar uma nova casa numa região onde o
número de alunos é de 13750. Qual a previsão da demanda para
esta nova casa?
b
n
XY X
Y 135
=
2248
, 6143,10450,71
2,99
n
X 663,37 143,10
2 2
2
X 131
a
Y
b X =450,712,99143,101,757
n 1
3 Y = 1,757 + 2,99X
Y 17
, 5729
, 9137
, 5 428
, 69 ou seja 42869 refeições
50
Previsões Baseadas em Regressões
Vendas/Loja Versus Número de Alunos
n n n
n X i .Yi X . Y
r i 1 i 1 i 1
2 2
n
2 n
n
n X X . n Y Y
2
i 1 i 1 i 1
52
Obtenção da Previsões
53
Manutenção e Monitorização do Modelo
Uma vez decidida a técnica de previsão e implantado o modelo, há
necessidade de acompanhar o desempenho das previsões e
confirmar a sua validade perante a dinâmica atual dos dados.
Esta monitorização é realizada através do cálculo e
acompanhamento do erro da previsão, que é a diferença que
ocorre entre o valor real da demanda e o valor previsto pelo
modelo para um dado período. A manutenção e monitorização de
um modelo de previsão confiável busca:
Verificar a acuracidade dos valores previstos;
Identificar, isolar e corrigir variações anormais;
Permitir a escolha de técnicas, ou parâmetros, mais eficientes.
54
Manutenção e Monitorização 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
previsão gere, aleatoriamente, valores acima e abaixo dos
reais, devendo assim se anular.
O erro acumulado deve ser comparado com um múltiplo do desvio
médio 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
D atual D prevista
n
55
Manutenção e Monitorização do Modelo
= 0 ,1 0 = 0 ,5 0
P e río d o D a tu a l D p r e v is t a E rro D p r e v i s ta E rro
1 90 - - - -
2 95 9 0 ,0 0 5 ,0 0 9 0 ,0 0 5 ,0 0
3 98 9 0 ,5 0 7 ,5 0 9 2 ,5 0 5 ,5 0
4 90 9 1 ,2 5 -1 ,2 5 9 5 ,2 5 -5 ,2 5
5 92 9 1 ,1 2 0 ,8 8 9 2 ,6 2 -0 ,6 2
6 95 9 1 ,2 0 3 ,8 0 9 2 ,3 1 2 ,6 9
7 90 9 1 ,5 8 -1 ,5 8 9 3 ,6 5 -3 ,6 5
8 100 9 1 ,4 2 8 ,5 8 9 1 ,8 2 8 ,1 8
9 92 9 2 ,2 7 -0 ,2 7 9 5 ,9 1 -3 ,9 1
10 95 9 2 ,2 5 2 ,7 5 9 3 ,9 5 1 ,0 5
E rro
2 5 ,4 1 E rro
8 ,9 9
M A D = 3 1 ,6 1 /9 = 3 ,5 1 M A D = 3 5 ,8 5 /9 = 3 ,9 8
20
15
10
5
0
-5
-10
-15
-20
57
Manutenção e Monitorização do Modelo
Outros Erros de Previsão:
Erros de Pr evisão
n
Yi Yˆi
2
2
MSE i 1
n n
MAPE – Mean Absolute Percent Error
n Re ali Pr evistoi
Re ali
MAPE 100. i 1
n
Y Erro de Previsão
TS - Tracking Signal n
i Yˆi
TS i 1
MAD MAD
58
Manutenção e Monitorização do Modelo
59