PREVISÃO DE DEMANDA PCP - PREVISÃO DE DEMANDA 3

PREVISÃO DE DEMANDA Definição: É a informação básica para a determinação das quantidades a serem produzidas, devido ao conhecimento das quantidades a serem vendidas, e os níveis de estoques indicados pela gestão de estoque.

Fontes de dados : Fontes internas. Fontes externas. PREVISÃO DE DEMANDA Fontes de dados : Fontes internas. Fontes externas.

Uma primeira pergunta que surge quando falamos em previsões e PREVISÃO Uma primeira pergunta que surge quando falamos em previsões e métodos de previsão está relacionada à razão pela qual nós fazemos previsões. A resposta é muito simples: PARA PLANEJAR O FUTURO

PREVISÃO Antever o futuro mediante previsões é a única maneira de nos precavermos das incertezas que poderão advir e possibilitar a elaboração de um plano de ação. É importante salientar que todas as previsões são estimativas de valores, diferindo entre si pela extensão dos erros cometidos, entre o valor real e o valor previsto.

PREVISÃO É uma estimativa de atividade futura . O grande mérito da previsão é a sua exatidão. É justo esperar a mais alta precisão onde quer que exista uma relação de causa e efeito.

PREVISÃO DA DEMANDA Planejar é uma atividade comum a qualquer tipo de empresa, independente de tamanho ou de ramo a que se dedique. Constantemente, todas as áreas estão envol vidas com planejamento, de maneira formal ou informal.

PLANEJAMENTO Decisões que compõem o próprio planejamento ou são dele derivadas: # quanto fabricar de cada linha de produtos. # tipos de produtos e/ou serviços a oferecer. # quantidade de veículos a utilizar . # necessidade de investimentos futuros. # contratação futura de profisionais.

PLANEJAMENTO Existem vários tipos de planejamento, tratando com diferentes assuntos: # conforme a área em que sejam gerados. ( Finanças, Produção, Vendas, Gestão de pessoas, outros ). # os horizontes de tempo . ( período coberto pelo planejamento ).

PLANEJAMENTO Há necessidade de se planejar, com grau de detalhe muito diferentes nos dois casos: # para cinco ou dez anos no futuro. # próximos dias ou semanas. De uma forma geral, quanto maior o período coberto pelo planejamento, menor a precisão com que podemos contar.

CARACTERÍSTICAS DOS MÉTODOS DE PREVISÃO Existem vários métodos para se obter uma previsão, podendo serem usados em quaisquer circunstâncias, dependendo de certos fatores: # disponibilidade de dados, tempo e recursos. ( métodos envolvendo modelos matemáticos e profisionais habilitados em trabalhar). # horizonte de previsão. ( métodos que se mostrem melhores dependendo do prazo de previsão).

Geralmente assumem que as causas que estiverem presentes no passado, MÉTODOS DE PREVISÃO Geralmente assumem que as causas que estiverem presentes no passado, configurando a demanda, continuarão presentes no futuro.

? MÉTODOS DE PREVISÃO Isso quer dizer que o comportamento do passado é a base para se inferir sobre o comportamento do futuro. ?

Os métodos não conduzem a resultados perfeitos, e MÉTODOS DE PREVISÃO Os métodos não conduzem a resultados perfeitos, e a chance de erro é tanto maior quanto mais nos aprofundarmos no futuro.

HORIZONTE DE PREVISÃO # PREVISÃO A CURTO PRAZO horizonte de 1 a 2 anos: sua finalidade é proporcionar informações para as decisões no dia-a-dia da gerência.

HORIZONTE DE PREVISÃO # PREVISÃO A MÉDIO PRAZO horizonte de 3 a 5 anos: é a sua posição intermediária entre a previsão a curto e longo prazo.

HORIZONTE DE PREVISÃO # PREVISÃO A LONGO PRAZO horizonte superior a 5 anos: sua função primordial é o fornecimento de informações para decisões de alto nível.

# MÉTODOS QUALITATIVOS ( ou baseados no julgamento ). CLASSIFICAÇÃO DOS MÉTODOS DE PREVISÃO # MÉTODOS QUALITATIVOS ( ou baseados no julgamento ). São métodos que repousam basicamente no julgamento de pessoas que, de forma direta ou indireta, tenham condições de opinar sobre a demanda futura, tais como: gerentes, vendedores, clientes, fornecedores, outros.

# MÉTODOS QUANTITATIVOS São aqueles que utilizam modelos matemá CLASSIFICAÇÃO DOS MÉTODOS DE PREVISÃO # MÉTODOS QUANTITATIVOS São aqueles que utilizam modelos matemá ticos para se chegar aos valores previstos. Permitem controle do erro, mas exigem informações quantitativas preliminares. Subdividem-se em: . Métodos Causais. . Séries Temporais.

MÉTODOS CAUSAIS A demanda de um item ou conjunto de itens é relacionada a uma ou mais variáveis internas ou externas à empresa. Essas variáveis são chamadas de variáveis causais: a população, o Produto Interno Bruto ( PIB) , o consumo de certos produtos, pedidos liberados para distribuição física, outros.

MÉTODOS CAUSAIS Na verdade , o que determina a escolha de uma particular variável causal para a previsão da demanda é a sua ligação lógica com essa última. Se tivermos uma boa estimativa desse valor, será possível obter a projeção desejada para um produto ou grupo de produtos em estudo.

MÉTODOS CAUSAIS Um dos modelos causais, mais populares é a regressão da demanda sobre a(s) variável(eis) causal(ais). Na regressão, tenta-se descobrir, utilizando pares de valores da demanda e da(s) variável (eis) causal (ais), alguma lei que as ligue, lei essa expressa por uma equação matemática. Podemos ter: . regressão simples. . regressão múltipla.

MÉTODOS CAUSAIS # REGRESSÃO SIMPLES É o caso em que se considera a demanda Ligada a apenas uma variável causal. # REGRESSÃO MÚLTIPLA É o caso em que são consideradas duas ou mais variáveis causais supostamente ligadas à demanda.

REGRESSÃO Simbolicamente, temos a seguinte representação para regressão simples: Y = f ( X ) Onde Y é chamada de variável dependente ( demanda ) e X é variável causal ou variável independente. O símbolo f ( X ) indica que os valores de Y podem ser determinados, caso sejam os valores de X ou, outras palavras, Y é uma função de X.

REGRESSÃO Temos várias possibilidades para o formato da função Y = f ( x ) alguns dos mais utiliza dos são os seguintes: Y = a + b X ( reta : regressão linear simples ) X Y = a b ( exponencial : regressão exponencial ) 2 Y = a + b X + c X ( parábola : regressão parabólica )

REGRESSÃO LINEAR SIMPLES Uma linha reta parece ser o ajuste razoável para os dados que estarão contidos no gráfico a seguir. Para ilustrar as diferentes versões dos métodos dos mínimos quadrados , devemos primeiramente usar 1998 como ano – base e depois, 2002. ² ΣY , Σ X , ΣX ΣX Y , ,

REGRESSÃO LINEAR SIMPLES Uma empresa apresenta o seguinte resultado de vendas de chapas em aço. ANO VENDAS ( toneladas) 2005 100 2006 120 2007 130 2008 150 2009 160 2010 190 2011 210

REGRESSÃO LINEAR SIMPLES Estes dados representamos nos eixos cartesianos ficam assim : r ( reta ) 210 190 160 150 130 120 100 05 06 07 08 09 10 11 12

REGRESSÃO LINEAR SIMPLES A reta r ( tendência ) é obtida através da seguinte equação: ^ Y = a + b X Pelo método dos mínimos quadrados, os valores de a e b são obtidos pela resolução de suas equações: Σ Y = a n + b Σ X Σ X Y = a ΣX + b ΣX

REGRESSÃO LINEAR SIMPLES A letra n da primeira equação representa a posição que o dado ocupa no eixo dos X é atribuido um valor de representação, a partir do valor zero que é atribuido à posição relativa ao vértice. Assim, o dado que ocupa o vértice recebe o valor zero relativo ao tempo. O dado imediatamente acima recebe o valor 1 ; o seguinte o valor 2 ; assim por diante.

REGRESSÃO LINEAR SIMPLES PRIMEIRA VERSÃO DOS MÍNIMOS QUADRADOS ( ANO BASE 2005) ANO BASE ANO (X) n Y 2005 100 2006 1 120 2007 2 130 2008 3 150 2009 4 160 2010 5 190 2011 6 210 O eixo dos X será representado por valores de ( n = 0 a 6)

REGRESSÃO LINEAR SIMPLES ANO x y x y 2005 100 2006 1 120 2007 2 130 260 4 2008 3 150 450 9 2009 160 640 16 2010 5 190 950 25 2011 6 210 1260 36 TOTAL 21 1060 3680 91 x

REGRESSÃO LINEAR SIMPLES Substituindo os valores nas equações normais, lembrando que n = 7 ( ano 2012 ): Σ X = 21 1060 = 7 a + 21 b ( I ) 3680 = 21 a + 91 b ( II ) ΣY = 1060 Σ X Y = 3680 ΣX = 91 O sistema de duas equações a duas incógnitas Resultante pode ser resolvido se multiplicarmos a equação ( I ) por ( - 3 ) e adicionarmos à equação ( II ).

REGRESSÃO LINEAR SIMPLES Multiplicando a equação ( I ) por ( - 3 ) : ( -3 x 1060 ) = ( - 3 x 7 a ) + ( - 3 ) x 21b ) - 3180 = - 21 a – 63 b 3680 = 21 a + 91 b + 500 = / + 28 b 500 b = ------------ 28 b = 17,86

REGRESSÃO LINEAR SIMPLES Substituindo o valor de b na equação ( I ) original, temos: 1060 = 7 a + 21 b 1060 = 7 a + 21 ( 17 ,86 ) 1060 = 7 a + 375,06 1060 – 375,06 = 7 a 684,94 = 7 a 684,94 a = ------------ = 97,85 7

REGRESSÃO LINEAR SIMPLES A equação da reta que melhor representa os pontos dados é portanto: ^ Y = a + b X Como queremos a previsão para o ano de 2012, o valor de X = 7 ( pois o ano de 2011 tem valor 6 ) : Y = 97,85 + 17 X Y = 97,85 + 17 ( 7 ) Y = 97,85 + 125,02 = 222,87 toneladas.

REGRESSÃO LINEAR SIMPLES Concluida a primeira versão com o ano – base 2005 , iremos partir a seguir para a segunda versão, tendo como ano – base 2008. Tendo em vista que X é igual aos números de períodos a partir do ano – base, se selecionar mos um ponto médio nas séries temporais como básico, fazemos X igual a zero. Os menores números resultantes de um ano – base centralizado também tornam outros produtos e somas mais fáceis de manusear.

REGRESSÃO LINEAR SIMPLES SEGUNDA VERSÃO DOS MÍNIMOS QUADRADOS ( ANO BASE 2008) ANO ( x ) n Y 2005 - 3 100 2006 - 2 120 2007 - 1 130 2008 150 2009 1 160 2010 2 190 2011 3 210 ------ ANO-BASE

REGRESSÃO LINEAR SIMPLES Usando os mesmos dados do exercício anterior, passaremos utilizar o mesmo critério, porém mudando o ano – base de 2005 para 2008. ANO (X) n Y X X Y 2005 - 3 100 9 - 300 2006 - 2 120 4 - 240 2007 - 1 130 1 - 130 2008 150 2009 160 2010 2 190 380 2011 3 210 630 TOTAL 1060 28 500

REGRESSÃO LINEAR SIMPLES Sendo X = 0 podemos achar a e b da seguinte forma : Y = n a + b X X Y = a X + b X Substituindo nas equações o valor do X temos: Y = 7 a + b ( 0 ) Y = 7 a Y 1060 a = -------- a = ---------- a = 151,43 7 7

XY = a X + b X XY = a ( 0 ) + b X XY = b X XY b = ------------- X 500 REGRESSÃO LINEAR SIMPLES XY = a X + b X XY = a ( 0 ) + b X XY = b X XY b = ------------- X 500 b = --------- 28 b = 17,86

REGRESSÃO LINEAR SIMPLES A equação de previsão é desenvolvida substituindo os valores de a e b na equação de linha reta. A previsão para o ano de 2012 está 4 anos à frente de 2008 , ano – base da segunda versão. Y = a + b X Y = 151,43 + 17,86 ( 4 ) Y = 151,43 + 71,44 Y = 222,87 toneladas

Comparando as duas previsões e os calculos REGRESSÃO LINEAR SIMPLES Comparando as duas previsões e os calculos relativos ao desenvolvimento das equações, verificamos que a centralização do período básico diminui os calculos aritméticos sem alterar os valores previstos. PRIMEIRA VERSÃO : Y = 97,85 + 17,86 ( 7 ) Y = 97,85 + 125,02 Y = 222,87 toneladas SEGUNDA VERSÃO : Y = 151,43 + 17,86 ( 4 ) Y = 151,43 + 71,44

REGRESSÃO LINEAR MÚLTIPLA Se quisermos estabelecer que uma variável dependente Y ( um bem ou conjunto de bens) varia linearmente segundo um conjunto de n variáveis independentes X , X , X ,..... X conforme a equação : Y = b + b X + b X + b X + .....+ b X 1 2 3 n 0 1 1 2 2 3 3 n n Os coeficientes b , b , b , b , ..... b podem ser determinados pelo método dos mínimos quadrados, o que resulta em um sistema de ( n + 1 ) equações. 0 1 2 3 n

REGRESSÃO LINEAR MÚLTIPLA Nessa condição, torna – se impraticável resolver à mão situações com mais de 3 variáveis independentes. Hoje em dia, para casos práticos mais rea listas, com muitas variáveis, é sem dúvida melhor utilizar softwares específicos exis tentes no mercado e microcomputadores.

www.marciliocunha.com.br