A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

PREVISÃO DE DEMANDA Prof. Msc. Mauro Enrique Carozzo Todaro PARTE II.

Apresentações semelhantes


Apresentação em tema: "PREVISÃO DE DEMANDA Prof. Msc. Mauro Enrique Carozzo Todaro PARTE II."— Transcrição da apresentação:

1 PREVISÃO DE DEMANDA Prof. Msc. Mauro Enrique Carozzo Todaro PARTE II

2 PREVISÃO DE TENDÊNCIAS Os coeficientes determinam-se pelo método dos mínimos quadrados.

3 PREVISÃO DE TENDÊNCIAS Os coeficientes determinam-se pelo método dos mínimos quadrados.

4 PREVISÃO DE TENDÊNCIAS Os coeficientes determinam-se pelo método dos mínimos quadrados.

5 PREVISÃO DE TENDÊNCIAS Gompertz: Logística:

6 É muito arriscado supor que a tendência continuará crescendo indefinidamente em forma linear ou exponencial. A tendência pode crescer com uma certa taxa constante durante um certo tempo, mas em algum momento chega-se ao nível de saturação e a taxa começa decrescer. As equações das curvas Logística e Gompertz proporcionam tendências em forma de S que é típica do ciclo de vida de muitos produtos: no começo sua demanda é relativamente baixa mas cresce com uma taxa anual praticamente constante até que cheguem à maturidade e a taxa de crescimento começa diminuir. Ajustar estas curvas é mais difícil porque não podem ser transformadas em lineares. PREVISÃO DE TENDÊNCIAS

7 Modelos de Suavizado Suavização Exponencial de Dois Parâmetros Nível (ajustado por tendência)S t = α Y t + (1- α) (S t-1 + b t-1 ) Tendência:b t = γ (S t – S t-1 ) + (1- γ) b t-1 Previsão:F t+m = S t + m b t aonde: e Valores iniciais: S 1 = Y 1 ; b 1 = ½ ((Y 2 – Y 1 ) + (Y 4 – Y 3 )) Vantagens: É mais flexível porque nível e tendência são suavizados com diferentes pesos. Desvantagens: Requere de dois parâmetros. A busca da melhor combinação é mais complexa. Não modela sazonalidade, mas é muito útil com dados previamente desazonalizados.

8 Exemplo: Suavização exponencial de 2 parâmetros

9

10 Análise de series de tempo Nas séries de tempo identificam-se quatro componentes: T t = Tendência do crescimento no longo prazo C t = Flutuações cíclicas S t = Flutuações sazonais e t = Flutuações aleatórias (ruído) Y t = f (T t, C t, S t, e t ) A aleatoriedade é considerada um erro entre previsão e a realidade. Prognosticam-se os outros três componentes e a diferencia com a demanda real é o erro. Modelo Aditivo:Y t = T t + C t + S t + e t Modelos Multiplicativo:Y t = T t x C t x S t x e t Modelos de Decomposição

11 Os modelos aditivos usam-se quando é evidente que não existe relação entre ciclo, sazonalidade e nível geral da demanda. Os modelos multiplicativos usam-se quando o ciclo e a sazonalidade são uma porcentagem do nível geral da demanda. Este é o caso mais freqüente e só trabalharemos com ele. Nos modelos multiplicativos, C t, S t e e t são proporções (índices) expressados com centro em 1 (ou 100%). O valor 1 para um componente significa que não há efeito desse componente. Para horizonte menor de 2 anos, tendência e ciclo se modelam juntos, como tendência, e o indicaremos TC t : Y t = TC t x S t x e t Modelos de Decomposição

12 PASOS DA PREVISÃO 1- Calcular médias móveis com número de períodos iguais ao ciclo sazonal. 2- Centrar as médias móveis com novas médias móveis de dois períodos. 3- Calcular os fatores sazonais (demanda dividida pelas médias móveis). 4- Calcular índices de sazonalidade mediando os fatores sazonais de igual período e ajustá-los. 5- Desazonalisar a série dividindo a demanda pelos índices de sazonalidade. 6- Ajustar a reta de tendência pelo método de mínimos quadrados. 7- Multiplicar a tendência ajustada pelos índices de sazonalidade para obter a previsão da série e analisar o erro. (F t = T t x S t ) 8- Prever períodos futuros projetando a tendência e multiplicando-la pelo índice de sazonalidade correspondente. Modelo Multiplicativo

13 VANTAGENS: -Fácil de compreender e aplicar. -Ao decompor a serie em fatores podem-se analisar as causas das variações. -Os índices de sazonalidade são intuitivamente fáceis de compreender. -As séries desazonalisadas proporcionam uma importante ferramenta de controle antecipado das variações de tendência. Modelo Multiplicativo

14 DESVANTAGENS: -É rígido. Isto devido a que a forma do método é decidida antes de analisar os dados. -Pode modelar grandes variações aleatórias como se fossem sazonais. Um erro aleatório grande num período pode originar distorções dos índices e da tendência. -Os outliers podem causar valores desproporcionados de tendência ao dividi- os pelo índice de sazonalidade, pelo que devem ajustar-se. -As previsões de períodos futuros podem ter grandes erros por mudanças de tendência ou ciclo. Este método é muito útil junto com outros para modelar tendência e ciclo. São importantes para previsões de médio prazo. Não é prático para curto prazo. Modelo Multiplicativo

15 MODELO DE DECOMPOSIÇAO

16

17 Modelos de Suavizado Suavização Exponencial de Três Parâmetros Períodos: L = Longitude do ciclo sazonal. N = Quantidade de períodos de demanda histórica (N > L) Valores para t > L: Nível (desaz. e ajustado o por tend.): S t = α Y t / I t-L + (1- α)(S t-1 + b t-1 ) Tendência:b t = γ (S t – S t-1 ) + (1- γ) b t-1 Índice sazonal: I t = β Y t / S t + (1- β) I t-L Previsão:F t+m = (S t + m b t ) I t-L+m Onde:, e Valores iniciais: S L = Y L b L = 1/(3L)*[(Y L+1 – Y 1 ) + (Y L+2 – Y 2 ) + (Y L+3 – Y 3 )], t=1,2…, L-1 I t = Y t / (S t + b t ), t = 1, 2,..., L-1

18 Modelos de Suavizado Suavização Exponencial de Três Parâmetros Requerimentos de dados: Dado que modela sazonalidade requere mais dados que os outros métodos. Para uma adequada medida da sazonalidade requere-se no mínimo 3 ciclos sazonais completos de dados mensais (36 meses), 4 ou 5 ciclos sazonais completos de dados trimestrais (16 ou 20 trimestres) e 3 ciclos sazonais completos de dados semanais (156 semanas), no mínimo. Vantagens: Potente para tendência e sazonalidade. Os índices de sazonalidade são fáceis de interpretar. É computacionalmente eficiente, com fácil atualização de parâmetros. A equação de previsão é facilmente entendível pelos diretores. Desvantagens: Pode ser muito complexo para séries que não têm identificável sazonalidade e tendência. A otimização simultânea dos parâmetros pode ser computacionalmente intensa.

19 Modelos de Suavizado

20

21 Controle da Operação Valores Estranhos (Outliers) Valores anormais, grandes ou pequenos, que não se espera que se repitam no futuro.

22 Controle da Operação Valores Estranhos (Outliers) É muito importante que um sistema detecte quando um modelo de previsão não representa mais a demanda. Um modelo pode sair de controle por um único valor não normal grande ou por vários eventos menores que produzem um desvio. Os outliers dificultam o reconhecimento de padrões, mas também provêem informação que é importante. Detectar outliers sazonais requere detectar desvios com relação aos padrões sazonais. Os outliers distorcem mais de uma observação quando há padrões de sazonalidade e tendência. O gráfico dos dados em diferentes agregações (Trimestrais, famílias, etc...) é muito útil para a detecção de outliers. A simples observação da serie de tempo pode não identificar nada.

23 Causas dos Outliers Erros nos dados: Devem ser ajustados antes de atualizar a base de dados. Eventos irregulares: Devem ajustar-se, mas conservando a informação (podem- se repetir no futuro). Eventos desconhecidos: Se os ajusta aos valores normais. Eventos planejados: Caso de promoções, mudanças de preços, etc. Estas demandas devem ser modeladas pelo sistema, caso contrario apareceram como outliers e serão ajustadas. Mudança no padrão da demanda: Um bom sistema deve detectar mudanças no ciclo de vida do produto. Controle da Operação

24 Ajuste de Outliers Em series de tempo, nunca eliminar um outlier, sempre ajustá-lo. Se há previsão, pode-se substituir pela previsão. Pode ser o melhor. Se há sazonalidade o melhor é fazer a media dos valores sazonais adjacentes. Se não há previsão nem sazonalidade pode-se calcular a media da serie ou dos adjacentes. Pode-se modificar o ajuste em forma subjetiva, sabendo quê acontecerá no futuro. Deve-se registrar o valor real e o ajustado para análise posterior. Controle da Operação

25 Controle do modelo de previsão selecionado não se pode garantir que o modelo selecionado continue, indefinidamente, a representar adequadamente a demanda histórica; há necessidade de instrumentos que permitam o acompanhamento de modelo; sinal de rastreamento (tracking signal – TS). Controle da Operação

26 Sinal de rastreamento – TS TS = Erro acumulado = EA. Erro absoluto acumulado médio EAAM EAAM = EAA/número de períodos; TS é uma variável normal de média zero e desvio padrão 1; Aceita-se que o modelo de previsão continua válido quando: -3 < TS < +3. Controle da Operação

27 Sistemas de Previsão Sistema de Informação baseado em computador: Processa e valida os dados em tempo real Atualiza uma base de dados com a demanda de 24 a 36 meses ou mais (no caso que se precise mudar de método ou ajustar) Gera automaticamente previsões de hasta 12 meses para todos os itens Integra os diferentes métodos para modelar demandas com tendência e sazonalidade Analisa demanda histórica e propõe o método mais adequado para cada item Releva dados desde distintos lugares (outros sistemas) Agrupa os itens com baixa demanda para previsões agregadas Permite a operação interativa de distintos tipos de usuários Gera informes e gráficos para diferentes níveis de decisão Integra as necessidades de previsão de demanda de diferentes áreas da empresa, como Operações, Comercialização e Finanças Um sistema de previsão é consideravelmente mais complexo que os métodos de previsão. É muito mais que um pacote de software de previsão.

28 ANEXO I - PREVISÃO DE TENDÊNCIAS MODELOS PARA TENDÊNCIA CURVAS DE CRESCIMENTO Linear:Y t = ß 0 + ß 1 t + e t Quadrática: Exponencial: Logística: Gompertz: Os coeficientes determinam-se pelo método dos mínimos quadrados.

29 Desvio padrão do erro: Um bom modelo de previsão minimiza o desvio padrão dos erros (reduz estoque) Erro quadrático médio: Desvio absoluto médio: Erro absoluto porcentual médio: ANEXO II- ERRO DE PREVISÃO

30 Referências Bibliográficas 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, MOREIRA, D. A. Capítulo 11: Previsão da Demanda. In: Administração da produção e operações. MOREIRA, Daniel Augusto. 2 ed. São Paulo: Cengage Learning, STEVENSON, W. Capítulo 3: Previsões. In: Administração das operações de produção. STEVENSON, Willam J. 6 ed. Rio de Janeiro: LTC, 2001.


Carregar ppt "PREVISÃO DE DEMANDA Prof. Msc. Mauro Enrique Carozzo Todaro PARTE II."

Apresentações semelhantes


Anúncios Google