Previsão e Estimação da Demanda

Apresentação em tema: "Previsão e Estimação da Demanda"— Transcrição da apresentação:

1 Previsão e Estimação da Demanda
Módulo 3 Previsão e Estimação da Demanda

2 Conteúdo Programático
MÓDULO 3: Previsão e Estimação da Demanda 3.1 Gestão da Demanda em Ambientes de PPCP 3.2 As Interfaces com o Sistema de PPCP 3.3 Padrões de Demanda 3.4 Tipos de Previsão e Componentes da Demanda 3.5 Projeto do Sistema de Previsão 3.5 Métodos e Técnicas de Previsão 3.6 Ferramentas Tecnológicas para a Previsão da Demanda 3.7 Impacto Estratégico da Previsão da Demanda

3 3.1 Gestão da Demanda em Ambientes de PPCP
Estratégia Global Alinhamento Ambientes de Produção Necessidades dos Clientes Ponto de Desacoplamento Do Pedido Ponto de Entrada Vollmann et al (2006)

4 3.1 Gestão da Demanda em Ambientes de PPCP
Do Pedido Ponto de Desacoplamento O ponto em que a demanda muda de independente para dependente Ponto de Entrada Do Pedido O cliente tem prioridade de escolha sobre os requisitos da produção Vollmann et al (2006)

5 3.1 Gestão da Demanda em Ambientes de PPCP
Demanda Dependente O consumo futuro dos itens pode ser calculado com base em fatores sob controle da operação Demanda Independente É aquela que depende das condições de mercado, fora do controle imediato da empresa Vollmann et al (2006)

6 3.1 Gestão da Demanda em Ambientes de PPCP
Ambientes de Produção Make to Stock MTS O foco está na manutenção de estoques de produtos acabados Assemble to Order ATO Combinação de um número de componentes para atender as especificações dos clientes em termos de montagem de suas opções Make to Order MTO Fabricação de produtos para clientes a partir de matérias-primas, peças e componentes Vollmann et al (2006)

7 3.1 Gestão da Demanda em Ambientes de PPCP
Ambientes de Produção Engineer to Order MTS Projeto realizado em conjunto com o cliente para configurar o produto e posteriormente produzi-lo a partir de materiais comprados, peças e componentes Localização dos estoques Fornecedores MP WIP Produtos Acabados Ponto de entrada do pedido Ambiente ETO MTO ATO MTS Vollmann et al (2006)

8 3.2 As Interfaces com o Sistema de PPCP
Fronteira do PPCP Planejamento de Recursos PVO Gestão da Demanda Mercado PMP Front End Vollmann et al (2006)

9 3.2 As Interfaces com o Sistema de PPCP
Previsão da demanda PPCP PPCP Influência sobre o mercado Gestão da Demanda Promessas de prazos PPCP PPCP PPCP Comunicação com o mercado Priorização e alocação Corrêa, Gianesi e Caon (2006)

10 3.3 Padrões de Demanda O que é uma previsão?
Prognóstico de eventos futuros, usado para propósitos de planejamento A demanda para um bem ou produto em sua ordem de ocorrência formam um padrão conhecido como séries temporais Horizontais Tendencial Sazonal Cíclico Aleatório Krajewski, Ritzman e Malhotra (2006)

11 3.4 Tipos de Previsão e Componentes da Demanda
Qualitativa Tipos Básicos de Previsão Análise de Séries Temporais Relações Causais ‘ Simulação Chase, Jacobs e Aquilano (2006)

12 3.4 Tipos de Previsão e Componentes da Demanda
Demanda Média do Período Componentes da Demanda Tendência Elemento Sazonal Elementos Cíclicos ‘ Auto-correlação Variação Aleatória Chase, Jacobs e Aquilano (2006)

13 3.5 Projeto do Sistema de Previsão
Decidindo o que deve ser previsto Nível de Agregação Unidades de Medida Decidindo o tipo de técnica de previsão ‘ Decidindo que tipo de software usar Krajewski, Ritzman e Malhotra (2009)

14 3.5 Projeto do Sistema de Previsão
Decidindo o que deve ser previsto Nível de Agregação Previsão para o agrupamento de vários serviços ou produtos semelhantes Famílias de bens e/ou serviços Previsão em Dois Níveis ‘ Produtos Individuais SKU Krajewski, Ritzman e Malhotra (2009)

15 3.5 Projeto do Sistema de Previsão
Decidindo o que deve ser previsto Unidades de Medida As previsões mais úteis para planejar e analisar problemas de operações começam com unidades de serviço ou bem Dificuldades na previsão do número de unidades de demanda ‘ Facilidade na previsão do padrão dos recursos críticos Krajewski, Ritzman e Malhotra (2009)

16 3.5 Projeto do Sistema de Previsão
Decidindo o tipo de técnica de previsão Métodos de Avaliação Qualitativos Métodos de Avaliação Quantitativos Análise de Séries Temporais Métodos Causais ‘ Horizonte de Tempo Custos e Precisão da Estimação Krajewski, Ritzman e Malhotra (2009)

17 3.5 Projeto do Sistema de Previsão
Decidindo o tipo de técnica de previsão Aplicação CP (0 – 3 meses) MP (3 meses – 2 anos) LP (+ 2 anos) Quantidade Prevista Produtos Individuais Vendas Totais Grupos ou famílias Área de Decisão Estoques Montagem final Força de trabalho PMP Pessoas Produção Compra Distribuição Localização Capacidade Processo Tipo de Previsão Séries Temporais Causal Avaliação ‘ Krajewski, Ritzman e Malhotra (2009)

18 3.5 Projeto do Sistema de Previsão
Decidindo que tipo de software usar Manugistics Forecast Pro SAS ‘ CPFR Collaborative Planning, Forecasting and Replenishment Krajewski, Ritzman e Malhotra (2009)

19 3.5 Métodos e Técnicas de Previsão
Qualitativo Subjetivo, arbitrário e baseado em estimativas e opiniões. Usado especialmente quando os dados históricos da empresa não são confiáveis, não permitindo projeções com o grau de segurança desejável Análise de Séries Temporais ‘ Baseia-se na idéia de que a história dos acontecimentos ao longo do tempo pode ser usada para prever o futuro. Chase, Jacobs e Aquilano (2006)

20 Chase, Jacobs e Aquilano (2006)
3.5 Métodos e Técnicas de Previsão Causal Tenta compreender o sistema subjacente e que permeia o item sendo previsto. Modelos de Simulação Modelos dinâmicos, geralmente informatizados, que permitem ao elaborador da previsão fazer suposições sobre as variáveis internas e ambiente externo no modelo. ‘ Chase, Jacobs e Aquilano (2006)

21 3.5 Métodos e Técnicas de Previsão
Chase, Jacobs e Aquilano (2006) Qualitativo Grass Roots Júri de Executivos Pesquisa de Mercado Analogia Histórica Painel de Consenso Método Delphi Análise de Séries Temporais Média Móvel Simples ‘ Análise de Regressão Média Móvel Ponderada Box Jenkins Suavizamento Exponencial Séries Temporais de Shiskin Projeções de Tendência

22 3.5 Métodos e Técnicas de Previsão
Causal Análise de Regressão Modelos Econométricos Modelos de Input/Output ‘ Indicadores de Orientação Chase, Jacobs e Aquilano (2006)

23 Chase, Jacobs e Aquilano (2006)
3.5 Métodos e Técnicas de Previsão Qualitativo Grass Roots Produz uma previsão reunindo informações daqueles ao final da hierarquia que lidam com o que está sendo previsto Pesquisa de Mercado Reúne dados de diversas maneiras para testar hipóteses sobre o mercado. É geralmente usada para realizar previsões de longo prazo e de venda de novos produtos, pontos fortes e fracos dos produtos, produtos concorrentes. ‘ Painel de Consenso Intercâmbio aberto de idéias em reuniões. A idéia é que a discussão realizada em grupo produza previsões melhores que individualmente. Chase, Jacobs e Aquilano (2006)

24 Krajewski, Ritzman e Malhotra (2009)
3.5 Métodos e Técnicas de Previsão Qualitativo Júri de Executivos Krajewski, Ritzman e Malhotra (2009) Opiniões, experiências e conhecimentos técnicos de um ou mais executivos são resumidos para se chegar a uma única previsão Analogia Histórica Conecta o que está sendo previsto a um item semelhante. Importante no planejamento de novos produtos em que a previsão pode ser gerada utilizando-se o histórico de um produto semelhante. ‘ Método Delphi Um grupo de especialistas responde a um questionário. Um moderador reúne os resultados e formula um novo questionário que é encaminhado ao grupo. Assim, há um processo de aprendizagem de grupo à medida que ele recebe novas informações , e não há influência da pressão do grupo ou de indivíduos com perfil mais dominante.

25 3.5 Métodos e Técnicas de Previsão
Qualitativo Método Delphi Escolher os especialistas que vão participar Obter as previsões por meio de um questionário dos participantes Resumir os resultados e redistribuí-los aos participantes com novas questões Fazer um novo resumo, refinando as previsões e condições e, novamente, desenvolver as questões Repetir a etapa (d) se necessário Distribuir os resultados finais a todos os participantes ‘

26 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais O modelo de previsão a ser escolhido depende dos seguintes fatores: Horizonte de tempo a ser previsto Disponibilidade de dados Exatidão necessária Volume do orçamento da previsão ‘ Disponibilidade de pessoal qualificado Reflexo de uma previsão inadequada Grau de flexibilidade de uma empresa

27 Análise de Séries Temporais
3.5 Métodos e Técnicas de Previsão Análise de Séries Temporais Média Móvel Previsão baseada na média das últimas demandas registradas pela empresa, durante determinado período fixado pela organização. A cada nova demanda, a média é recalculada substituindo o dado mais antigo pelo dado mais recente Quando a demanda não aumenta ou diminui rapidamente ‘ Não apresenta características sazonais Baseada em dados históricos para prever o período subseqüente

28 Análise de Séries Temporais
3.5 Métodos e Técnicas de Previsão Análise de Séries Temporais Média Móvel Simples Ft = A t-1 + A t-2 + A t A t-n n Ft = Previsão do Período que está por vir n = Número de períodos a ter a média calculada ‘ A t-1 = Ocorrência real no período anterior A t-2, A t-3, e A t-n = Ocorrências reais de dois, três e “n” períodos anteriores

29 Análise de Séries Temporais
3.5 Métodos e Técnicas de Previsão Análise de Séries Temporais Média Móvel Simples ‘

30 Análise de Séries Temporais
3.5 Métodos e Técnicas de Previsão Análise de Séries Temporais Média Móvel Ponderada Permite que qualquer peso seja colocado em cada elemento, desde que a soma de todos os pesos seja 01 (um). ∑ W i = 1 n n - 1 Mês 1 Mês 2 Mês 3 Mês 4 Mês 5 100 90 105 95 ? 0,10 0,20 0,30 0,40 ‘ Ft = 0,40 (95) + 0,30 (105) + 0,20 (90) + 0,10 (100) = , = 97,5

31 Análise de Séries Temporais
3.5 Métodos e Técnicas de Previsão Análise de Séries Temporais Média Móvel Ponderada Ft = W1 A t-1 + W2 A t W n A t-n W1 = Peso a ser atribuído à ocorrência do período t-1 W2 = Peso a ser atribuído à ocorrência do período t-2 W n = Peso a ser atribuído à ocorrência do período t-n n = Número total de períodos na previsão ‘ Mês 1 Mês 2 Mês 3 Mês 4 Mês 5 Mês 6 100 90 105 95 110 ? 0,10 0,20 0,30 0,40

32 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Suavizamento Exponencial Valores de dados recentes são ponderados mais com o peso declinado exponencialmente à medida que os dados se tornam mais antigos Os modelo exponenciais são mais exatos Facilidades A formulação de um modelo exponencial é relativamente fácil O usuário consegue entender como o modelo funciona ‘ O modelo não requer muitos cálculos para ser usado As especificações de capacidade de armazenagem dos PC’s são baixas Testes fáceis de exatidão para verificar o desempenho do modelo

33 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Suavizamento Exponencial Peso em α = 0,05 Peso mais recente = α (1 – α) 0 0,0500 Dado de um período mais antigo = α (1 – α) 1 0,0475 Dado de um período mais antigo = α (1 – α) 2 0,0451 Dado de um período mais antigo = α (1 – α) 3 0,0429 ‘ A previsão mais recente Dados Necessários Demanda Real ocorrida nesse período Constante de Suavizamento (α)

34 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Suavizamento Exponencial Ft = F t-1 + α (A t-1 – F t-1) Ft = Previsão exponencial suavizada para o período t F t-1 = Previsão exponencial suavizada para o período anterior A t-1 = Demanda Real no período anterior α = Índice de Resposta desejado ou constante de suavizamento ‘

35 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Suavizamento Exponencial Suponha que a previsão do mês passado (F t-1) tenha sido de unidades. Se unidades foram de fato demandadas, qual seria a previsão deste mês, considerando um α de 0,05. Ft = F t-1 + α (A t-1 – F t-1) ‘

36 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Suavizamento Exponencial Efeitos de Tendência no Suavizamento Exponencial Constante de Suavizamento α FIT t = F t + T t Constante de Suavizamento δ Ft = FIT t-1 + α (A t-1 – FIT t-1) FIT - Forecast Including Trend T t = T t-1 + δ (F t – FIT t-1) Ft = Previsão exponencial suavizada para o período t ‘ T t = Tendência exponencial suavizada para o período t FIT t = Previsão incluindo tendência para o período t FIT t-1 = Previsão incluindo tendência realizada para o anterior A t-1 = Demanda Real do período anterior α = Constante de Suavizamento δ = Constante de Suavizamento

37 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Suavizamento Exponencial Suponha um F t inicial de 100 unidades, uma tendência de 10 unidades, um alfa de 0,20 e um delta de 0,30. Se a demanda real acabar sendo de 115 em vez das previstas 100, calcule a previsão do próximo período. FIT t = F t + T t ‘ Ft = FIT t-1 + α (A t-1 – FIT t-1) T t = T t-1 + δ (F t – FIT t-1)

38 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Suavizamento Exponencial Determinando o valor adequado de Alfa Dois ou mais valores predeterminados de Alfa Valores calculados de Alfa ‘

39 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Suavizamento Exponencial Erros de Previsão Origens do Erro Medidas de Erro ‘

40 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Suavizamento Exponencial Erros de Previsão Origens do Erro Projeção de Tendências passadas no futuro Erros de Viés ‘ Erros Aleatórios

41 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Suavizamento Exponencial n Erros de Previsão Medidas de Erro ∑ |A t – F 1| n - 1 DAM – Desvio Médio Absoluto DAM = n É o erro médio nas previsões, utilizando valores absolutos. Mede a dispersão de algum valor observado em algum valor esperado. t = Número de Período ‘ A = Demanda Real do Período Erros Distribuídos F = Demanda prevista para o período 1 Desvio-Padrão = √π/2 x DAM n = Número total de períodos 1 DAM = 0,8 Desvio-Padrão | | = Símbolo para indicar o valor absoluto

42 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Suavizamento Exponencial Erros de Previsão Medidas de Erro RSFE Sinal de Rastreabilidade TS = DAM É a medida que indica se a média da previsão está acompanhando Mudanças reais na demanda para cima ou para baixo ‘ RSFE = Soma sucessiva de erros de previsão considerando-se a natureza do erro DAM = Média de todos os erros de previsão. É a média dos desvios absolutos

43 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Suavizamento Exponencial Erros de Previsão Mês PD Real Desvio RSFE DA Soma DA DAM TS 1 1.000 950 2 1.070 3 1.100 4 960 5 1.090 6 1.050 ‘

44 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Suavizamento Exponencial Erros de Previsão Mês PD Real Desvio RSFE DA Soma DA DAM TS 1 1.000 950 -50 50 -1 2 1.070 +70 +20 70 120 60 0,33 3 1.100 +100 +120 100 220 73,3 1,64 4 960 -40 +80 40 260 65 1,2 5 1.090 +90 +170 90 350 2,4 6 1.050 +50 +220 400 66,7 3,3 ‘

45 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Suavizamento Exponencial Erros de Previsão Representação Gráfica dos TS Real excede a previsão ‘ Real é inferior a previsão

46 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Suavizamento Exponencial Erros de Previsão Muitas vezes o DAM é usado para prever erros DAM t = α |A t-1 – F t-1| + (1- α) DAM t-1 DAM t = DAM previsto para o período t ‘ α = Constante de Suavizamento (entre 0,05 a 0,20) A t = Demanda real no período t-1 F t = Demanda prevista para período t-1

47 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Análise de Regressão Linear Apresenta uma linha reta geralmente relacionando os valores de dados com o tempo. Os mínimos quadrados são a técnica mais comum utilizada. O termo regressão pode ser definido como uma relação funcional entre duas ou mais variáveis correlacionadas. Usado para prever uma variável a partir de outra. ‘ A regressão linear se refere à categoria especial de regressão em que a relação entre as variáveis forma uma linha reta. Existe uma reta que se ajusta à evolução da demanda, num registro gráfico ao longo do tempo. Esta tendência pode ser de evolução crescente, decrescente ou estável que não se altera com o tempo

48 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Análise de Regressão Linear Y = a + b X X = Período Y = Demanda a = Tendência b = Declive da linha Variável independente Variável dependente Intercepto de Y ‘ Coeficiente Angular

49 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Análise de Regressão Linear Trimestre Vendas 1 600 2 1.550 3 1.500 4 5 2.400 6 3.100 7 2.600 8 2.900 9 3.800 10 4.500 11 4.000 12 4.900 ‘

50 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Análise de Regressão Linear ‘

51 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Análise de Regressão Linear O Método dos Mínimos Quadrados O método dos mínimos quadrados tenta ajustar a linha aos dados que minimize a soma doas quadrados da distância vertical entre cada ponto de dados e seu ponto correspondente na linha. A melhor linha a ser usada é aquela que minimiza esse total. Assim: (y1 – Y1)² + (y2 – Y2)² + (y3 – Y3)² (y12 – Y12)² ‘ Y = a + b X a = y - b x

52 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Análise de Regressão Linear O Método dos Mínimos Quadrados a = Intercepto de Y ∑ x . y - nx . y ∑ x² - nx ² b = b = Declive da Linha y = Média de todos os Y x = Média de todos os X x = Valor “x” em cada ponto de dados ‘ y = Valor “y” em cada ponto de dados n = Número de pontos de dados Y = Valor da variável dependente calculado com a equação de regressão

53 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Análise de Regressão Linear O Método dos Mínimos Quadrados x y x y x ² y ² Y 1 600 801,3 2 1.550 3.100 4 1.160,9 3 1.500 4.500 9 1.520,5 6.000 16 1.880,1 5 2.400 12.000 25 2.239,7 6 18.600 36 2.599,4 7 2.600 18.200 49 2.959,0 8 2.900 23.200 64 3.318,6 3.800 34.200 81 3.678,2 10 45.000 100 4.037,8 11 4.000 44.000 121 4.397,4 12 4.900 58.800 144 3.757,1 78 33.350 650 x = 6,5 y = 2.779,17 b = 359,6153 a = 441,6666 ‘ Y = 441, ,6 . x

54 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Análise de Regressão Linear O Método dos Mínimos Quadrados Y 13 = 441, ,6 (13) = ,4 Erro-Padrão Y 14 = 441, ,6 (14) = ,0 ∑n i = 1 (y1 – Y1) ² S yx = n - 2 Y 15 = 441, ,6 (15) = ,6 Y 16 = 441, ,6 (16) = ,2 ‘ ( ,3)² + ( ,0)² + ( ,5)² ( ,1) ² S yx = 10 S yx = 363,9

55 3.5 Métodos e Técnicas de Previsão
Guia de escolha do método Método Quantidade de Dados Padrão dos Dados Horizonte Média Móvel Simples 6 a 12 meses Dados Estacionários Curto a Médio Média Móvel Ponderada e Suavizamento Simples 5 a 10 observações Curto Suavizamento com Tendência Dados Estacionários com Tendência Regressão Linear 10 a 20 observações Dados sazonais, estacionários, tendência e sazonalidade ‘

56 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Decomposição de uma Série Temporal Uma série temporal representa dados organizados cronologicamente que podem conter um ou mais componentes da demanda A decomposição de uma série temporal significa identificar e separar os dados das séries temporais nesses componentes, no sentido de se facilitar a identificação, por exemplo de um componente sazonal ‘ Tipos de Variação Sazonal Variação Sazonal Aditiva Variação Sazonal Multiplicativa

57 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Decomposição de uma Série Temporal Variação Sazonal Aditiva Supõe que o valor sazonal seja uma constante, independente de qual seja o valor de tendência ou de média. Previsão Incluindo Tendência e Sazonal = Tendência + Sazonal ‘ Variação Sazonal Multiplicativa A tendência é multiplicada por fatores sazonais Previsão Incluindo Tendência e Sazonal = Tendência x Sazonal

58 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Decomposição de uma Série Temporal Fator Sazonal Um fator sazonal é a quantidade de correção necessária em uma série temporal para o ajuste à estação do ano Sazonal ‘ Cíclico

59 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Decomposição de uma Série Temporal Fator Sazonal Suponha que, nos últimos anos, uma empresa vendeu uma média de unidades de determinada linha de produtos em cada ano. Em média, 200 unidades foram vendidas na primavera, 350 no verão, 300 no outono e 150 no inverno. ‘ Quantidade do Período FS = Média de Todos os Períodos

60 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Decomposição de uma Série Temporal Fator Sazonal Período Vendas Vendas Médias FS Primavera 200 Verão 350 Outono 300 Inverno 150 Total ‘

61 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Decomposição de uma Série Temporal Fator Sazonal Período Vendas Vendas Médias FS Primavera 200 250 200/250 = 0,8 Verão 350 350/250 = 1,4 Outono 300 300/250 = 1,2 Inverno 150 150/250 = 0,6 Total 1.000 ‘ Usando esses fatores, se esperássemos que a demanda do próximo ano fosse 1.100, qual seria a demanda prevista?

62 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Decomposição de uma Série Temporal Fator Sazonal Período Demanda Esperada Vendas Médias FS Previsão Primavera Verão Outono Inverno Total 1.100 ‘

63 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Decomposição de uma Série Temporal Fator Sazonal Período Demanda Esperada Vendas Médias FS Previsão Primavera 275 0,8 220 Verão 1,4 385 Outono 1,2 330 Inverno 0,6 165 Total 1.100 ‘

64 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Decomposição de uma Série Temporal Fator Sazonal Usando o fator sazonal e de tendência calcule o FITS para 2006 Forecast Including Trend and Seasonal Factors Trimestre Ano Vendas 1 2004 300 2 200 3 220 4 530 2005 520 420 400 700 ‘

65 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Decomposição de uma Série Temporal Fator Sazonal Trimestre Ano Vendas Pela Equação Razão FS 1 2004 300 225 1,33 1,25 2 200 280 0,71 3 220 335 0,66 0,78 4 530 390 1,36 2005 520 445 1,17 0,69 420 500 0,84 400 555 0,72 1,26 700 610 1,15 ‘

66 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Decomposição de uma Série Temporal Fator Sazonal FITS t= Tendência x Sazonal Trimestre Ano Vendas FITS Cálculo 1 2006 300 9 [ (9)] x 1,25 805 2 200 10 [ (10)] x 0,78 542 3 220 11 [ (11)] x 0,69 516 4 530 12 [ (12)] x 1,26 1.008 ‘

67 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Decomposição de uma Série Temporal Decomposição usando a Regressão dos Mínimos Quadrados a) Decompor a série temporal em seus componentes Encontrar o componente sazonal Dessazonalizar a demanda ‘ b) Prever os valores futuros de cada componente Projetar o componente de tendência no futuro Multiplicar o componente de tendência pelo componente sazonal

68 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Decomposição de uma Série Temporal Período Trimestre Demanda Média dos Tri FS DD X² X . Yd 1 I 600 2 II 1.550 3 III 1.500 4 IV 5 2.400 6 3.100 7 2.600 8 2.900 9 3.800 10 4.500 11 4.000 12 4.900 ‘

69 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Decomposição de uma Série Temporal Período Trimestre Demanda Média dos Tri FS DD X² X . Yd 1 I 600 2 II 1.550 3 III 1.500 4 IV 5 2.400 6 3.100 7 2.600 8 2.900 9 3.800 10 4.500 11 4.000 12 4.900 78 33.350 ‘

70 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Decomposição de uma Série Temporal Período Trimestre Demanda Média dos Tri FS DD X² X . Yd 1 I 600 2.266,7 2 II 1.550 3.050 3 III 1.500 2.700 4 IV 3.100 5 2.400 6 7 2.600 8 2.900 9 3.800 10 4.500 11 4.000 12 4.900 78 33.350 ‘

71 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Decomposição de uma Série Temporal Período Trimestre Demanda Média dos Tri FS DD X² X . Yd 1 I 600 2.266,7 0,82 2 II 1.550 3.050 1,10 3 III 1.500 2.700 0,97 4 IV 3.100 1,12 5 2.400 6 7 2.600 8 2.900 9 3.800 10 4.500 11 4.000 12 4.900 78 33.350 12,03 ‘

72 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Decomposição de uma Série Temporal Período Trimestre Demanda Média dos Tri FS DD X² X . Yd 1 I 600 2.266,7 0,82 731,70 2 II 1.550 3.050 1,10 1.409,10 3 III 1.500 2.700 0,97 1.546,39 4 IV 3.100 1,12 1.339,28 5 2.400 2.926,83 6 2.818,18 7 2.600 2.680,41 8 2.900 2.589,29 9 3.800 4.634,15 10 4.500 4.090,9 11 4.000 4.123,71 12 4.900 4.375,00 78 33.350 12,03 33.264,94 ‘

73 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Decomposição de uma Série Temporal Período Trimestre Demanda Média dos Tri FS DD X² X . Yd 1 I 600 2.266,7 0,82 731,70 2 II 1.550 3.050 1,10 1.409,10 4 3 III 1.500 2.700 0,97 1.546,39 9 IV 3.100 1,12 1.339,28 16 5 2.400 2.926,83 25 6 2.818,18 36 7 2.600 2.680,41 49 8 2.900 2.589,29 64 3.800 4.634,15 81 10 4.500 4.090,9 100 11 4.000 4.123,71 121 12 4.900 4.375,00 144 78 33.350 12,03 33.264,94 650 ‘

74 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Decomposição de uma Série Temporal Período Trimestre Demanda Média dos Tri FS DD X² X . Yd 1 I 600 2.266,7 0,82 731,70 2 II 1.550 3.050 1,10 1.409,10 4 2.818,20 3 III 1.500 2.700 0,97 1.546,39 9 4.639,17 IV 3.100 1,12 1.339,28 16 5.357,12 5 2.400 2.926,83 25 14.634,15 6 2.818,18 36 16.909,08 7 2.600 2.680,41 49 18.762,87 8 2.900 2.589,29 64 20.714,32 3.800 4.634,15 81 41.707,35 10 4.500 4.090,9 100 40.909,00 11 4.000 4.123,71 121 45.360,81 12 4.900 4.375,00 144 52.500,00 78 33.350 12,03 33.264,94 650 ,77 ‘

75 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Decomposição de uma Série Temporal Decomposição usando a Regressão dos Mínimos Quadrados X = 78/12 = 6,5 a = Yd - b . X Yd = / 12 = 2.770,80 a = 2.770,8 – 342,1 (6,5) = 547,15 Y = a + b . X = 547, ,1 . x ‘ ∑ X . Yd - nX . Yd ∑ X² - nX ² b = , (6,5) ,8 650 – 12 (6,5)² b = b = 342,1

76 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Decomposição de uma Série Temporal Previsão da Demanda para os quatro trimestres do quarto ano Etapa 1: Determinar o FS FS = (33.350/12) = 2.770,8 Etapa 2: Dessazonalizar os dados originais Dados Originais/FS Etapa 3: Criar uma linha de regressão de mínimos quadrados para os DD ‘ Y = a + b . x | Y = 547, ,1 . x Etapa 4: Projetar a linha de regressão através do período a ser previsto Y13 = 547,15 + (342,1 . 13) Etapa 4: Projetar a linha de regressão através do período a ser previsto Previsão 13 = 547,15 + (342,1 . 13) x FS

77 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Decomposição de uma Série Temporal Decomposição usando a Regressão dos Mínimos Quadrados Período Trimestre Y da linha de Regressão FS Previsão 13 1 4.994,45 0,82 4.095,45 14 2 5.336,90 1,10 5.870,59 15 3 5.679,00 0,97 5.508,63 16 4 6.020,75 1,12 6.743,24 ‘

78 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Decomposição de uma Série Temporal Intervalo de Erro Quando uma linha reta é traçada pelos pontos de dados e então usada para fazer a previsão, os erros podem surgir a partir de duas origens: Erros de Desvio-Padrão Intervalo de Previsão ‘ Componente de Tendência Erros de Plotagem da Linha Intervalo de Previsão Demanda Passado Presente Futuro Tempo

79 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Previsão de Relação Causal Para que seja válida para finalidade de previsão, qualquer variável independente deve ser um indicador de direção. Há uma relação causal, em que um evento resulta em outro. Se o elemento causal for conhecido com bastante antecedência, ele pode ser usado como base para a previsão. Identificação dos eventos A Carpet City, em Carpentaria, manteve um registro de suas vendas (em jardas quadradas) de cada ano, juntamente com o número de licenças para a construção de novas casas na região. O gerente de operações da Carpet City acha que a previsão de vendas é possível, se a loja souber qual é o número de obras esperado para o anos. Os dados estão representados na figura. ‘

80 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Previsão de Relação Causal Ano Licenças Vendas 1997 18 13.000 1998 15 12.000 1999 12 11.000 2000 10 10.000 2001 20 14.000 2002 28 16.000 2003 35 19.000 2004 30 17.000 2005 X = Número de Licenças de Obras Y = Vendas de Carpete ‘

81 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Previsão de Relação Causal ‘

82 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Previsão de Relação Causal Suponha que existam 25 licenças de construção em Qual a previsão de vendas para 2006. Y 2006 = (25) = ‘

83 3.5 Métodos e Técnicas de Previsão
Análise de Séries Temporais Análise de Regressão Múltipla A elaboração de regressão múltipla é adequada quando diversos fatores influenciam uma variável de interesse S = B + Bm (M) + Bh (H) + Bi (I) + Bt (T) S = Vendas Brutas no ano B = Vendas base, ponto inicial a partir do qual outros fatores exercem influência M = Casamentos durante o ano H = Construções de casas durante o ano I = Renda pessoal anual disponível T = Tendência do tempo (1° ano = 1, 2° ano = 2, 3° ano = 3, ...) ‘

84 3.6 Ferramentas Tecnológicas para a Previsão da Demanda
‘

85 3.6 Ferramentas Tecnológicas para a Previsão da Demanda
‘

86 3.6 Ferramentas Tecnológicas para a Previsão da Demanda
Planejamento Colaborativo de Previsão e Reposição CPFR Nível “n” Fornecedor Nível 3 Fornecedor Nível 2 Fornecedor Nível 1 Fornecedor Fabricação e Montagem Final Centro de Distribuição Varejista ‘ Planejamento da Produção e Informações de Compras Informações de Reposição Informações de Previsão Fluxo de Material Fluxo de Informação

87 Planejamento Colaborativo de Previsão e Reposição
3.6 Ferramentas Tecnológicas para a Previsão da Demanda Planejamento Colaborativo de Previsão e Reposição Etapas a) Criação de um acordo de parceria desde a fase inicial b) Planejamento comercial conjunto ‘ c) Desenvolvimento de previsões de demanda d) Compartilhamento de previsões e) Reposição de estoque

88 3.7 Impacto Estratégico da Previsão da Demanda
As previsões estão diretamente relacionadas à qualidade das decisões tomadas Decisões mais estratégicas são as que têm mais inércia Em curto prazo, previsões adequadas podem refletir em uma maior aumento do nível de serviço em atendimento a demanda ‘ O atendimento da demanda impacta na intenção de recompra dos clientes e da taxa de rentabilidade do negócio