PREVISÃO DE DEMANDA
Parte 1
Prof. Ms. Mauro Enrique Carozzo Todaro
1
Saiba mais em https://pcpengenharia.wordpress.com/pre...
O QUE É?
PREVISÃO DE DEMANDA
2
“Processo metodológico para determinação de dados (demanda)
futuros baseados em modelos est...
QUAL É O OBJETIVO?
PREVISÃO DE DEMANDA
• Reduzir a incerteza sobre o futuro;
• Reduzir os riscos na tomada de decisão.
3
POR QUE SÃO NECESSÁRIAS?
PREVISÃO DE DEMANDA
4
• Porque existem demoras na provisão;
• Servem como base para o planejament...
CARACTERÍSTICAS
PREVISÃO DE DEMANDA
Diretamente relacionada com a satisfação do cliente e a
rentabilidade no longo prazo.
...
ELEMENTOS PRESENTES EM UMA BOA PREVISÃO
PREVISÃO DE DEMANDA
6
O horizonte de previsão precisa cobrir o tempo
necessário à ...
PREVISÃO DE DEMANDA
• Média, intervalo e estimação de probabilidade do intervalo.
Ex: 100 (+/-) 20, com uma probabilidade ...
COMO SÃO USADAS PELO PCP?
PREVISÃO DE DEMANDA
8
Planejar o uso do sistema produtivo – MPS e Programação
Previsões detalhad...
HORIZONTES DE PREVISÃO
PREVISÃO DE DEMANDA
• Curto - 1 a 3 meses, por semanas ou meses;
• Médio - 3 meses a 2 anos, por me...
ETAPAS DE UM MODELO DE PREVISÃO
PREVISÃO DE DEMANDA
10
Objetivo do modelo
Coleta e análise de dados
Seleção da técnica de ...
MÉTODOS
QUANTITATIVOS
INTRÍNSECOS
(Séries Temporais)
EXTRÍNSECOS
(Regressões)
QUALITATIVOS
TÉCNICAS DE PREVISÃO
PREVISÃO D...
MÉTODOS DE PREVISÃO
PREVISÃO DE DEMANDA
• Baseados na análise de séries de tempo*;
• Modelam o padrão do passado para proj...
MÉTODOS DE PREVISÃO
PREVISÃO DE DEMANDA
Exemplos:
• Médias móveis;
• Ajustamento exponencial;
• Decomposição;
• Cresciment...
MÉTODOS DE PREVISÃO
PREVISÃO DE DEMANDA
• Para demanda agregada e desagregada;
• Os modelos de previsão pode conter tendên...
MÉTODOS DE PREVISÃO
PREVISÃO DE DEMANDA
• Modelos causais (explicativos ou econométricos);
• Horizonte: Longo prazo;
• Mod...
MÉTODOS DE PREVISÃO
PREVISÃO DE DEMANDA
• Regressão simples, múltipla, linear e não linear;
• Para demandas agregadas, dad...
MÉTODOS DE PREVISÃO
PREVISÃO DE DEMANDA
Baseados em juízos e opiniões:
• Método Delphi;
• Pesquisa de Mercados;
• Painéis ...
MÉTODOS DE PREVISÃO
PREVISÃO DE DEMANDA
São úteis:
• Quando não existem dados históricos suficientes (novos
produtos);
• E...
EXEMPLOS DE SÉRIES TEMPORAIS
PREVISÃO DE DEMANDA – MÉTODOS INTRÍSECOS
19
0
20
40
60
80
100
120
1 6 11 16 21 26 31 36 41
Al...
EXEMPLOS DE SÉRIES TEMPORAIS
PREVISÃO DE DEMANDA – MÉTODOS INTRÍSECOS
20
0
50
100
150
200
250
1 6 11 16 21 26 31 36 41
Saz...
PREVISÃO DE DEMANDA – MÉTODOS INTRÍSECOS
21
0
200
400
600
800
1 6 11 16 21 26 31 36 41
Série obsevada
REVISÃO DA PREVISÃO
• Período a período - horizonte deslizante.
Ex: Se preveem 12 meses, cada mês que passa, volto a preve...
ERRO DE PREVISÃO
A determinação do erro de previsão é fundamental para:
• Determinar a efetividade do método;
• Comparar m...
ERRO DE PREVISÃO
Desvio padrão do erro:
Um bom modelo de previsão minimiza o desvio padrão dos
erros (reduz estoque).
24
1...
MÉDIA MÓVEIS SIMPLES
• Previsão com médias móveis:
• Usar n grande para séries muito aleatórias;
• Usar n pequeno para aut...
26
MÉTODOS INTRÍSECOS – MÉDIA MÓVEIS SIMPLES
Per Dem. Hist.
t Yt Ft et Ft et Ft et
1 Jan 3.256
2 Fev 3.315
3 Mar 3.006
4 A...
27Consulte o gráfico em https://pcpengenharia.wordpress.com/previsao/
MÉTODOS INTRÍSECOS – MÉDIA MÓVEIS SIMPLES
SUAVIZAÇÃO EXPONENCIAL SIMPLES
• Previsão:
Obs.: Onde , e como valor inicial se considera F1 = Y1.
• É um dos métodos mais...
29
Per Dem. Hist.
t Yt Ft et Ft et Ft et
1 Jan 3.256
2 Fev 3.315 3.256 59 3.256 59 3.256 59
3 Mar 3.006 3.262 256- 3.286 2...
30Consulte este exemplo em https://pcpengenharia.wordpress.com/previsao/
MÉTODOS INTRÍSECOS – SUAVIZAÇÃO EXPONENCIAL SIMPL...
31
REFERÊNCIAS
MARTINS, P. G. e LAUGENI, F. P. Capítulo 8: Previsão de Vendas. In:
Administração da produção. Petrônio Gar...
of 31

Previsão de demanda - Parte I

Published on: Mar 4, 2016
Published in: Business      
Source: www.slideshare.net


Transcripts - Previsão de demanda - Parte I

  • 1. PREVISÃO DE DEMANDA Parte 1 Prof. Ms. Mauro Enrique Carozzo Todaro 1 Saiba mais em https://pcpengenharia.wordpress.com/previsao/
  • 2. O QUE É? PREVISÃO DE DEMANDA 2 “Processo metodológico para determinação de dados (demanda) futuros baseados em modelos estatísticos, matemáticos ou econométricos ou ainda em modelos subjetivos apoiados em uma metodologia de trabalho clara e previamente definida.” Martins e Laugeni (2006, P. 226)
  • 3. QUAL É O OBJETIVO? PREVISÃO DE DEMANDA • Reduzir a incerteza sobre o futuro; • Reduzir os riscos na tomada de decisão. 3
  • 4. POR QUE SÃO NECESSÁRIAS? PREVISÃO DE DEMANDA 4 • Porque existem demoras na provisão; • Servem como base para o planejamento estratégico da produção, vendas e finanças; • São fundamentais para os planos de capacidade, de fluxo de caixa, de vendas, de produção, de estoque, de mão de obra e de compras.
  • 5. CARACTERÍSTICAS PREVISÃO DE DEMANDA Diretamente relacionada com a satisfação do cliente e a rentabilidade no longo prazo. Quase todas as previsões se baseiam na suposição de que o passado irá se repetir. Previsões raramente são perfeitas e a precisão diminui com o aumento do período de tempo sondado. As previsões de demanda agregada são, normalmente, mais precisas que as individuais (menor aleatoriedade). 5
  • 6. ELEMENTOS PRESENTES EM UMA BOA PREVISÃO PREVISÃO DE DEMANDA 6 O horizonte de previsão precisa cobrir o tempo necessário à implementação das possíveis mudanças. Previsões eficazes requerem uma base de dados de demanda precisa. Registrar a demanda (não vendas) em tempo real, não depois. Devem-se detectar demandas irregulares.
  • 7. PREVISÃO DE DEMANDA • Média, intervalo e estimação de probabilidade do intervalo. Ex: 100 (+/-) 20, com uma probabilidade de 95% • Intervalo de confiança = F ± z. SDE Onde: F: Previsão para o período t z: Número de desvio padrão correspondente a área sob a curva normal. z = 1,64 (confiança de 90%), z = 1,96 (95%) e z = 3,0 (99,7%). SDE: Desvio padrão do erro. 7 DEVE SER EXATA ELEMENTOS PRESENTES EM UMA BOA PREVISÃO
  • 8. COMO SÃO USADAS PELO PCP? PREVISÃO DE DEMANDA 8 Planejar o uso do sistema produtivo – MPS e Programação Previsões detalhada a médio e curto prazo. Utilização dos recursos disponíveis. Definição da produção, reposição de estoque, sequenciamento, etc. Planejar o sistema produtivo – Planejamento Estratégico Previsões agregadas a longo prazo. Define a família de produtos e serviços. Define instalações, equipamentos, mão de obra, etc.
  • 9. HORIZONTES DE PREVISÃO PREVISÃO DE DEMANDA • Curto - 1 a 3 meses, por semanas ou meses; • Médio - 3 meses a 2 anos, por meses ou trimestres; • Longo - 2 a 10 anos, por trimestres ou anos. Obs.: Quanto maior for o horizonte pretendido, menor a confiabilidade da demanda prevista. 9
  • 10. ETAPAS DE UM MODELO DE PREVISÃO PREVISÃO DE DEMANDA 10 Objetivo do modelo Coleta e análise de dados Seleção da técnica de previsão Obtenção das previsões Monitoração do modelo
  • 11. MÉTODOS QUANTITATIVOS INTRÍNSECOS (Séries Temporais) EXTRÍNSECOS (Regressões) QUALITATIVOS TÉCNICAS DE PREVISÃO PREVISÃO DE DEMANDA 11
  • 12. MÉTODOS DE PREVISÃO PREVISÃO DE DEMANDA • Baseados na análise de séries de tempo*; • Modelam o padrão do passado para projetá-lo no futuro; • Horizonte: Médio e curto prazo. *Série de tempo: Sucessão de observações de uma mesma variável em intervalos regulares de tempo. 12 QUANTITATIVOS INTRÍNSECOS
  • 13. MÉTODOS DE PREVISÃO PREVISÃO DE DEMANDA Exemplos: • Médias móveis; • Ajustamento exponencial; • Decomposição; • Crescimento linear e não linear; • Entre outros. 13 QUANTITATIVOS INTRÍNSECOS
  • 14. MÉTODOS DE PREVISÃO PREVISÃO DE DEMANDA • Para demanda agregada e desagregada; • Os modelos de previsão pode conter tendência, sazonalidade, autocorrelação, entre outros; • Objetividade (erro médio, desvio padrão, etc.); • Baixo custo; • Pode ser repetido muitas vezes; • Não prevê mudanças futuras. 14 QUANTITATIVOS INTRÍNSECOS
  • 15. MÉTODOS DE PREVISÃO PREVISÃO DE DEMANDA • Modelos causais (explicativos ou econométricos); • Horizonte: Longo prazo; • Modelam a relação entre a demanda e outras variáveis (variáveis independentes) para projetar o futuro. 15 QUANTITATIVOS EXTRÍNSECOS
  • 16. MÉTODOS DE PREVISÃO PREVISÃO DE DEMANDA • Regressão simples, múltipla, linear e não linear; • Para demandas agregadas, dado que são muito custosos; • Grandes corporações; • Mais complexos que os intrínsecos (requerem previsão de variáveis externas). 16 QUANTITATIVOS EXTRÍNSECOS
  • 17. MÉTODOS DE PREVISÃO PREVISÃO DE DEMANDA Baseados em juízos e opiniões: • Método Delphi; • Pesquisa de Mercados; • Painéis de Expertos. 17 QUALITATIVOS
  • 18. MÉTODOS DE PREVISÃO PREVISÃO DE DEMANDA São úteis: • Quando não existem dados históricos suficientes (novos produtos); • Em previsões de longo prazo, quando não se pode supor que o passado irá se repetir; • Para ajustar valores obtidos por métodos quantitativos. 18 QUALITATIVOS
  • 19. EXEMPLOS DE SÉRIES TEMPORAIS PREVISÃO DE DEMANDA – MÉTODOS INTRÍSECOS 19 0 20 40 60 80 100 120 1 6 11 16 21 26 31 36 41 Aleatoriedade 0 50 100 150 1 6 11 16 21 26 31 36 41 Autocorrelação 0 200 400 600 800 1 6 11 16 21 26 31 36 41 Tendência
  • 20. EXEMPLOS DE SÉRIES TEMPORAIS PREVISÃO DE DEMANDA – MÉTODOS INTRÍSECOS 20 0 50 100 150 200 250 1 6 11 16 21 26 31 36 41 Sazonalidade 0 200 400 600 800 1 6 11 16 21 26 31 36 41 Tendência e Sazonalidade
  • 21. PREVISÃO DE DEMANDA – MÉTODOS INTRÍSECOS 21 0 200 400 600 800 1 6 11 16 21 26 31 36 41 Série obsevada
  • 22. REVISÃO DA PREVISÃO • Período a período - horizonte deslizante. Ex: Se preveem 12 meses, cada mês que passa, volto a prever outros 12 meses (revisou os 11 que tinha previsto e acrescento 1) • Na revisão se modificam previsões realizadas e se acrescenta um período novo. 22 PREVISÃO DE DEMANDA – MÉTODOS INTRÍSECOS
  • 23. ERRO DE PREVISÃO A determinação do erro de previsão é fundamental para: • Determinar a efetividade do método; • Comparar métodos. Erro de previsão: et = Yt – Ft Erro médio: ē = Um bom modelo de previsão tem erro médio próximo de zero. 23    N 1t tt N 1t t )F(Y N 1 e N 1 Onde: Yt: Demanda real observada no período t Ft: Previsão para o período t N: Quantidade de períodos observados PREVISÃO DE DEMANDA – MÉTODOS INTRÍSECOS
  • 24. ERRO DE PREVISÃO Desvio padrão do erro: Um bom modelo de previsão minimiza o desvio padrão dos erros (reduz estoque). 24 1 1 2 )(      N SDE N t t ee PREVISÃO DE DEMANDA – MÉTODOS INTRÍSECOS
  • 25. MÉDIA MÓVEIS SIMPLES • Previsão com médias móveis: • Usar n grande para séries muito aleatórias; • Usar n pequeno para autocorrelação (n pequeno suaviza o padrão); • Não modela tendência, nem sazonalidade; • Otimização de n: minimizar o SDE considerando N períodos históricos. Obs.: Com n = 1, a previsão é igual ao mês anterior. 25 n YYY F nttt t    ...21 MÉTODOS INTRÍSECOS
  • 26. 26 MÉTODOS INTRÍSECOS – MÉDIA MÓVEIS SIMPLES Per Dem. Hist. t Yt Ft et Ft et Ft et 1 Jan 3.256 2 Fev 3.315 3 Mar 3.006 4 Abr 3.560 3.192 368 5 Mai 3.300 3.294 6 6 Jun 3.051 3.289 238- 7 Jul 3.425 3.304 121 3.248 177 8 Ago 3.703 3.259 444 3.276 427 9 Set 3.240 3.393 153- 3.341 101- 10 Out 3.231 3.456 225- 3.380 149- 11 Nov 2.887 3.391 504- 3.325 438- 12 Dez 3.918 3.119 799 3.256 662 13 Jan 3.271 3.345 74- 3.401 130- 3.324 53- 14 Fev 3.073 3.359 286- 3.375 302- 3.326 253- 15 Mar 3.396 3.421 25- 3.270 126 3.305 91 16 Abr 3.036 3.247 211- 3.296 260- 3.338 302- 17 Mai 3.196 3.168 28 3.264 68- 3.294 98- 18 Jun 4.106 3.209 897 3.315 791 3.286 820 19 Jul 3.449 3.446 3 3.346 103 3.374 76 20 Ago 3.913 3.584 329 3.376 537 3.376 538 21 Set 3.324 3.823 499- 3.516 192- 3.393 69- 22 Out 3.277 3.562 285- 3.504 227- 3.400 123- 23 Nov 3.204 3.505 301- 3.544 340- 3.404 200- 24 Dez 4.079 3.268 811 3.546 534 3.430 649 3.520 3.541 3.444 388 572 1.075 32 48 90 438 379 373Desv. Pad. do erro (13 a 24) Erro acumulado (13 a 24) Mês Per 3 Per 6 Per 12 Previsão mês 25 Erro médio ( 13 a 24) Consulte este exemplo em https://pcpengenharia.wordpress.com/previsao/
  • 27. 27Consulte o gráfico em https://pcpengenharia.wordpress.com/previsao/ MÉTODOS INTRÍSECOS – MÉDIA MÓVEIS SIMPLES
  • 28. SUAVIZAÇÃO EXPONENCIAL SIMPLES • Previsão: Obs.: Onde , e como valor inicial se considera F1 = Y1. • É um dos métodos mais utilizados; • Usar α alto para séries muito suaves, α baixo para séries muito aleatórias; • Com α alto reage mais rápido à tendência, mas também às flutuações aleatórias; • Não modela tendência nem sazonalidade; • Otimização de α : minimizar o SDE considerando N períodos históricos. Obs.: o método necessita só os dados do período anterior, mas implicitamente estão todos. 28 10      11111 1   tttttt FYFYFF  MÉTODOS INTRÍSECOS
  • 29. 29 Per Dem. Hist. t Yt Ft et Ft et Ft et 1 Jan 3.256 2 Fev 3.315 3.256 59 3.256 59 3.256 59 3 Mar 3.006 3.262 256- 3.286 280- 3.303 297- 4 Abr 3.560 3.236 324 3.146 414 3.065 495 5 Mai 3.300 3.269 31 3.353 53- 3.461 161- 6 Jun 3.051 3.272 221- 3.326 275- 3.332 281- 7 Jul 3.425 3.250 175 3.189 236 3.107 318 8 Ago 3.703 3.267 436 3.307 396 3.361 342 9 Set 3.240 3.311 71- 3.505 265- 3.635 395- 10 Out 3.231 3.304 73- 3.372 141- 3.319 88- 11 Nov 2.887 3.296 409- 3.302 415- 3.249 362- 12 Dez 3.918 3.256 662 3.094 824 2.959 959 13 Jan 3.271 3.322 51- 3.506 235- 3.726 455- 14 Fev 3.073 3.317 244- 3.389 316- 3.362 289- 15 Mar 3.396 3.292 104 3.231 165 3.131 265 16 Abr 3.036 3.303 267- 3.313 277- 3.343 307- 17 Mai 3.196 3.276 80- 3.175 21 3.097 99 18 Jun 4.106 3.268 838 3.185 921 3.176 930 19 Jul 3.449 3.352 97 3.646 197- 3.920 471- 20 Ago 3.913 3.362 551 3.547 366 3.543 370 21 Set 3.324 3.417 93- 3.730 406- 3.839 515- 22 Out 3.277 3.407 130- 3.527 250- 3.427 150- 23 Nov 3.204 3.394 190- 3.402 198- 3.307 103- 24 Dez 4.079 3.375 704 3.303 776 3.225 854 3.446 3.691 3.908 1.897 870 815 82 38 35 346 405 455 Erro acumulado (2 a 24) Erro médio (2 a 24) Desv. Pad. do erro (2 a 24) Mês α= 0,10 α= 0,50 α= 0,80 Previsão mês 25 MÉTODOS INTRÍSECOS – SUAVIZAÇÃO EXPONENCIAL SIMPLES Consulte este exemplo em https://pcpengenharia.wordpress.com/previsao/
  • 30. 30Consulte este exemplo em https://pcpengenharia.wordpress.com/previsao/ MÉTODOS INTRÍSECOS – SUAVIZAÇÃO EXPONENCIAL SIMPLES
  • 31. 31 REFERÊNCIAS MARTINS, P. G. e LAUGENI, F. P. Capítulo 8: Previsão de Vendas. In: Administração da produção. Petrônio Garcia Martins e Fernando P. Laugeni. 2 ed. São Paulo: Saraiva, 2006. MOREIRA, D. A. Capítulo 11: Previsão da Demanda. In: Administração da produção e operações. MOREIRA, Daniel Augusto. 2 ed. São Paulo: Cengage Learning, 2011. STEVENSON, W. Capítulo 3: Previsões. In: Administração das operações de produção. STEVENSON, Willam J. 6 ed. Rio de Janeiro: LTC, 2001. TUBINO, D. F. Capítulo 2: Previsão da Demanda. In: Planejamento e Controle da Produção - Teoria e Prática. 2 ed. São Paulo: Atlas, 2009.

Related Documents