Uma previsão é uma afirmativa ou inferência sobre o futuro, usualmente baseada em informação histórica.

Apresentação em tema: "Uma previsão é uma afirmativa ou inferência sobre o futuro, usualmente baseada em informação histórica."— Transcrição da apresentação:

1 Uma previsão é uma afirmativa ou inferência sobre o futuro, usualmente baseada em informação histórica.

2 Planejamento, predição e previsão
Planejamento: processo lógico que descreve as atividades necessárias para ir do ponto no qual estamos até o objetivo definido; Predição: processo para determinação de um acontecimento futuro baseado em dados completamente subjetivos e sem uma metodologia de trabalho clara; Previsão: processo metodológico para determinação de dados futuros baseados em modelos estatísticos, matemáticos ou econométricos ou ainda em modelos subjetivos apoiados em metodologia de trabalho clara e previamente definida.

3 Por que Previsões em Produção e Operações?

4 Essa visão de futuro necessária vem das Previsões
A maior parte dos recursos empregados tem “materialidade” – “Inércia decisória”. Necessidade de material – leva-se um tempo entre o pedido e a possibilidade de emprego; Necessidade de pessoal – há também um processo entre a solicitação e a contratação; Necessidade de novas fábricas - o horizonte é ainda mais distante. Essa visão de futuro necessária vem das Previsões

5 PRINCIPAIS ERROS COMETIDOS PELAS EMPRESAS QUANTO A PREVISÕES
ERRO 1 DAS PREVISÕES: Confundir PREVISÕES com metas e, um erro subseqüente, considerar as metas como se fossem PREVISÕES.

6 ERRO 2 DAS PREVISÕES: Gastar tempo e esforço discutindo o “acerto” ou “erro” nas previsões, quando o mais relevante é discutir “o quanto”se está errando e as maneiras de alterar processos envolvidos, de forma a reduzir estes “erros”.

7 ERRO 3 DAS PREVISÕES: Levar em conta, nas previsões que servirão para apoiar decisões em operações, um número só. Previsões, para operações, devem sempre ser consideradas com dois “números”: a previsão em si e uma estimativa do erro desta previsão.

8 ERRO 4 DAS PREVISÕES: Desistir ou não se esforçar o suficiente para melhorar os processos de previsão por não se conseguir “acertar” as previsões, quando em operações, não se necessita de previsões perfeitas, mas previsões consistentemente melhores que as da concorrência.

9 Hoje Horizontes de planejamento Curto Prazo Tempo Médio Prazo Longo Prazo Decisões Efeito da decisão A Efeito da decisão B Efeito da decisão C A B C Horizontes diferentes de previsão apóiam decisões de inércia diferentes

10 Como é então que a maioria das empresas tem sobrevivido?
As decisões que envolvem maior volume de recursos têm de ser tomadas com maior antecedência e tomar decisões com maior antecedência significa estar sob maior probabilidade de erro, isso implica que justamente as decisões cujos erros podem ter conseqüências mais sérias são aquelas com maior probabilidade de erro. Como é então que a maioria das empresas tem sobrevivido?

11 Previsão para o mês passado feita a um ano
Sanduíche Previsões feitas em uma loja McDonald’s há um ano atrás para o mês passado. Quarteirão com queijo Big Mac Hamburger Cheeseburger Filé de Peixe McChiken Total

12 Vendas efetivas no mês passado na loja analisada
% de erro da previsão Sanduíche Quarteirão com queijo (2.500) ,8 Média dos erros das previsões por sanduíche: 20,8% Big Mac (6.000) ,5 Hamburger (4.500) ,6 Cheeseburger (3.000) ,0 Filé de peixe (1.200) ,0 McChicken (1.800) ,6 Total ( ,4

13 Só é possível desenhar adequados processos de previsão, partindo-se do questionamento para saber-se qual uso se fazer das previsões ou melhor, quais decisões apoiar. Só então é possível definir, qual nível de agregação de dados será necessário. Previsões mais agregadas tendem a ser mais acertadas.

14 Características das Previsões:
Nenhuma previsão é perfeita. Quanto maior o horizonte de planejamento, mais imprecisas são as estimativas. Fazer previsões para família de produtos leva a maior chance de acerto do que fazer previsões individuais de cada produto.

15 Exemplos de Indicadores de
Demanda Principais Indicadores Média de horas de trabalho semanal Consultas às organizações de proteção ao crédito (SERASA) Solicitações de alvará para construção Taxa de desemprego PIB Produção industrial Investimentos em fábricas e equipamentos Níveis de estoques Empréstimos comerciais e industriais

16 Fatores Influenciando a Demanda
Fatores Internos Orçamento de vendas Propaganda Promoções Projeto do Produto/Serviço Descontos Backlogs Fatores Externos Ciclo de negócios Competição Consumismo Eventos Mundiais Ações governamentais Ciclo de vida do produto

17 Estágios da Demanda no Ciclo de Vida do Produto
INTRODUÇÃO CRESCIMENTO MATURIDADE DECLÍNIO TEMPO

18 Componentes da Demanda Séries Temporais
Média Tendência Linear Cíclica Sazonal Aleatória

19 Tipos de previsões Quanto ao horizonte:
Curto prazo  métodos estatísticos baseados em médias. Médio prazo Longo prazo

20 Outros Métodos de Previsão Julgamento
Extrapolação ingênua Opiniões dos Vendedores Técnica Delphi

21 Outros Métodos de Projeção Contagem
Testes de Mercado Pesquisas no Mercado Consumidor Pesquisa no Mercado Industrial

22 Técnicas de previsão Quantitativas Qualitativas Intrínsecas
Extrínsecas Método Delphi Médias Móveis Júri de Executivos Regressão simples Suavizamento exponencial Força de Vendas Regressão múltipla Projeção de tendências Pesquisa de Mercado Analogia histórica Decomposição

23 Métodos de Projeção Séries Temporais
Médias Móveis Simples Ponderada Ajustamento Exponencial Ajustamento Sazonal Ajustamento de Tendências Exponencial duplo Regressão linear (ajustamento de retas)

24 Métodos de Projeção Séries Temporais
MÉDIAS MÓVEIS MÉDIAS PONDERADAS MÓVEIS MÉDIAS EXPONENCIAIS MÓVEIS Pt = Pt-1 + (Ct-1-Pt-1) <  <1

25 Métodos de Projeção Séries Temporais
MÉDIA MÓVEL SIMPLES Demanda ( Unidades ) Ano 1 Mês Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez Consumo real 100 102 101 104 103 A demanda para Jan do Ano 2 será a média dos 12 meses; A demanda para Fev do Ano 2 é obtida pela Média Móvel dos novos dados.

26 Métodos de Projeção Séries Temporais
MÉDIA MÓVEL PONDERADA Demanda ( Unidades ) Ano 1 Mês Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez Consumo real 100 102 101 104 103 Prever para o mês de Jan Ano 2 utilizando as ponderações de 0,7; 0,2 e 0,1.

27 Métodos de Projeção Séries Temporais
MÉDIAS EXPONENCIAIS MÓVEIS Pt = Pt-1 + (Ct-1-Pt-1) <  <1 Demanda ( Unidades ) Ano 1 Mês Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez Consumo real 100 102 101 104 103

28 MÉDIAS EXPONENCIAIS MÓVEIS Pt = Pt-1 + (Ct-1-Pt-1) 0 <  <1
Sendo  um Coeficiente de Ajustamento 2 , sendo n o número de períodos considerados para o modelo em questão.  = n + 1 2  = = 0,15 ( caso considerássemos todos os dados históricos) 12 + 1

29 Vamos imaginar que desejamos realizar a previsão para fevereiro do ano 2 e já tivéssemos o consumo real de janeiro de 104. A previsão de janeiro do ano 2 foi realizada pela média móvel de 12 meses e foi encontrado o valor de 102,3.

30 Pt = Pt-1 + (Ct-1-Pt-1) 0 <  <1
Pfev = Pjan + (Cjan - Pjan) , para  = 0,3 Vamos considerar  = 0,3, isto é, para n = 6 Pfev = 102,3 + 0,3 ( 104 – 102,3 ) = 102,8 Pmar = 102,8 + 0,3 ( 103 – 102,8 ) = 102,9

31 Ajustamento Sazonal A Tabela apresenta o consumo de um produto nos últimos 4 anos: CONSUMO EM UNIDADES Trimestre Ano 1 Ano 2 Ano 3 Ano 4 1 45 70 100 2 335 370 585 725 3 520 590 830 1.160 4 170 285 215 Total 1.000 1.200 1.800 2.200 Média 250 300 450 550 Determinar a previsão de vendas trimestral para o Ano 5.

32 Cálculo do Coeficiente de sazonalidade:
Trimestre ANO 1 ANO 2 ANO 3 ANO 4 MÉDIA 1 45/250 = 0,18 70/300 = 0,23 100/450 = 0,22 100/550 = 0,18 0,20 2 335/250 = 1,34 370/300 = 1,23 585/450 = 1,30 725/550 = 1,32 1,30 3 520/250 = 2,08 590/300 = 1,97 830/450 = 1,84 1.160/550 = 2,11 2,00 4 100/250 = 0,40 170/300 = 0,57 285/450 = 0,63 215/550 = 0,39 0,50 Trimestre PREVISÃO 1 625 x (0,20 ) = 125 unidades 2 625 x (1,30 ) = 813 unidades 3 625 x (2,00 ) = unidades 4 625 x ( 0,50 ) = 313 unidades

33 Métodos de Projeção Séries Temporais
REGRESSÃO LINEAR SIMPLES y = a + bx --> equação da reta Y X

34 Ajustar uma reta e calcular sua equação;
Um produto industrial apresentou as vendas dos últimos 6 meses conforme dados do quadro seguinte. Pede-se: Ajustar uma reta e calcular sua equação; determinar a previsão para julho, agosto e setembro. VENDAS EM UNIDADES MÊS Jan Fev Mar Abr Mai Jun Consumo real 340 355 365 375 390 401

35 Para facilitar os cálculos constrói-se uma tabela auxiliar conforme apresentada:
X = ti Y = Di XY = Di x ti X2 Y2 1 340 2 355 710 4 3 365 1.095 9 375 1.500 16 5 390 1.950 25 6 401 2.406 36 21 2.226 8.001 91

36 REGRESSÃO LINEAR SIMPLES
Y = a + bx y x y x1 y2 x2 y3 x3 ………… yn xn n.  x.y-  x.  y b = n  x2-( x)2  y- b.  x a = n

37 Somatório de Di = a x n + b x Somatório de t i
Somatório de Di x ti = a x Somatório de ti + b x Somatório de ti ao quadrado. 2.226 = 6 x a + 21 x b ou = 6 a + 21 b 8.001 = 21 x a + 91 x b ou = 21 a + 91 b 2.226 – 21 b – 91 b a = a =

38 2.226 – 21 x b – 91 x b = de onde – 441 x b = – 546 x b ou então 546 x b – 441 x b = 105 b = , logo b = 1.260/ 105, então b = 12 a = 329 Dpi = a + b x ti Dpi = x 7 = 413 – previsão para julho; Dpi = x 8 = 425 – previsão pra agosto; Dpi = x 9 = 437 – previsão para setembro.

39 Métodos de Projeção Causais
Métodos de Correlação Modelos de Regressão Modelos Econométricos

40 Métodos de Correlação Correlação múltipla
y = a + a1.x1 + a2.x2 +….+an.xn PARA DUAS VARIÁVEIS--> y = a + a1.x1 + a2.x2

41 Métodos de Correlação Exemplo para duas variáveis
Cidade (y)Demanda(livros) (x1)Preço (x2)Renda

42 Métodos de Correlação Y = -2,765 - 7,738x1 + 12,286x2 ou
(demanda) = -2, ,738.(preço) + 12,286.(renda)