Professional Documents
Culture Documents
www.feg.unesp.br/~fmarins
fmarins@feg.unesp.br
1
Sumrio
1. Conceitos
2. Etapas de um Modelo de Previso
1. Objetivos
2. Coleta e anlise de dados
3. Seleo da Tcnica
4. Obteno da previso
5. Monitoramento
2
Previso da Demanda
3
Previso da Demanda
A responsabilidade pela preparao da previso da demanda
normalmente do setor de Marketing ou Vendas. Porm,
existem dois bons motivos para que o pessoal do PCP
entenda como esta atividade realizada.
A previso da demanda a principal informao empregada pelo
PCP na elaborao de suas atividades;
Em empresas de pequeno e mdio porte, no existe ainda uma
especializao muito grande das atividades, cabendo ao pessoal
do PCP (geralmente o mesmo de Vendas) elaborar estas
previses.
4
Etapas de um Modelo de Previso
Objetivo do modelo
Monitorao do modelo
5
Objetivo do Modelo
A primeira etapa consiste em definir a razo pela qual
necessitamos de previses. Que produto, ou famlias de
produtos, ser previsto, com que grau de acuracidade e
detalhe a previso trabalhar, e que recursos estaro
disponveis para esta previso.
A sofisticao e o detalhamento do modelo depende da
importncia relativa do produto, ou famlia de produtos, a ser
previsto e do horizonte ao qual a previso se destina.
6
Coleta e Anlise dos Dados
Visa identificar e desenvolver a tcnica de previso que melhor se
adapte. Alguns cuidados bsicos:
Quanto mais dados histricos forem coletados e analisados, mais confivel
a tcnica de previso ser;
Os dados devem buscar a caracterizao da demanda real pelos produtos
da empresa, que no necessariamente igual as vendas passadas (faltas,
postergao,...);
Variaes extraordinrias da demanda (greves, promoes, ...) devem ser
analisadas e substitudas por valores mdios, compatveis com o
comportamento normal da demanda;
O tamanho do perodo de consolidao dos dados (semanal, mensal,...)
tem influncia direta na escolha da tcnica de previso mais adequada,
assim como na anlise das variaes extraordinrias.
7
Periocidades Diferentes para Dados Idnticos
8
Seleo da Tcnica de Previso
Existem tcnicas qualitativas e quantitativas. Cada uma tendo o
seu campo de ao e sua aplicabilidade. Alguns fatores
merecem destaque na escolha da tcnica de previso:
Decidir em cima da curva de troca custo-acuracidade;
9
Tcnicas de Previso
Existem uma srie de tcnicas disponveis, com diferenas
substanciais entre elas. Porm, cabe descrever as
caractersticas gerais que normalmente esto presentes em
todas as tcnicas de previso, que so:
Supem-se que as causas que influenciaram a demanda passada
continuaro a agir no futuro;
As previses no so perfeitas, pois no somos capazes de prever todas
as variaes aleatrias que ocorrero;
A acuracidade das previses diminui com o aumento do perodo de tempo
auscultado;
A previso para grupos de produtos mais precisa do que para os
produtos individualmente, visto que no grupo os erros individuais de
previso se anulam.
10
Tcnicas de Previso
As tcnicas de previso podem ser subdivididas em dois grandes
grupos:
As tcnicas qualitativas privilegiam principalmente dados subjetivos, os
quais so difceis de representar numericamente. Esto baseadas na
opinio e no julgamento de pessoas chaves, especialistas nos produtos ou
nos mercados onde atuam estes produtos;
11
Tcnicas de Previso
Tcnicas Qualitativas
Pouco tempo para coleta de dados, introduo de novos produtos,
cenrio poltico/econmico instvel
Questes estratgicas em conjunto com modelos matemticos e
tcnicas quantitativas
Tcnicas Quantitativas
Sries Temporais modelo matemtico da demanda futura
relacionando dados histricos de vendas do produto com o tempo
Causais associar dados histricos de vendas do produto com uma ou
mais variveis relacionadas demanda
12
Mtodos Qualitativos mais comuns
Tcnica Delphi
Anlise de Cenrios
Pesquisas de mercado
13
Tcnicas de Previso Qualitativas
Mtodo Delphi
Caractersticas: anonimato, realimentao controlada das informaes,
quantificao das respostas (escala numrica), resposta estatstica (pode
no haver consenso)
Processo:
1o. Passo Coordenador elabora Questionrio
2o. Passo - Grupo responde Questionrio (escala numrica)
3o. Passo Coordenador confere coerncia das respostas, altera
questes (se necessrio), processa anlise estatstica, sistematiza os
argumentos manifestados
4o. Passo Grupo responde novo Questionrio (com as informaes da
anlise estatstica e dos argumentos), respostas discrepantes com
relao Mdia devem ser justificados
5o.Passo Coordenador verifica se no houve variaes significativas
(Fim - Relatrio), caso contrrio retornar ao Passo 2.
14
Vantagens
timo mtodo para lidar com aspectos
inesperados de um problema
15
Desvantagens
16
Tcnicas de Previso Qualitativas
Anlise de Cenrios
Situaes muito complexas
17
Determinao dos Cenrios
18
Vantagens
Identificar prioridade de ao
19
Desvantagens
20
Mtodos Quantitativos de Previso
Sazonalidade Tendncia
60
50
40
Demanda
30
20
Variao irregular
10 Variao randnica
0
Jan. Fev. Mar. Abr. Mai. Jun. Jul. Ago. Set. Out. Nov. Dez.
22
Sries Temporais - ST
Classificao
23
ST de Modelo Fixo
24
Mdia Simples (MS)
No indicada quando h Tendncia ou Sazonalidade
Mdia aritmtica simples de todas as vendas passadas:
n
R t
Pt 1 t 1
n
Pt 1 - Previso para o prximo perodo;
( Rt Rt 1 Rt 2 ... Rt n 1 )
Pt 1 M t
n
Pt 1: previso para o prximo perodo;
M t : mdia mvel no perodo t;
Rt : valor real observado no perodo t;
n : nmero de perodos considerados na
mdia mvel. 26
Mdia Mvel Simples
Perodo Janeiro Fevereiro Maro Abril Maio Junho Julho
Demanda 60 50 45 50 45 70 60
Previses para Julho
50 45 50 45 70
Mm5 52,00
5
50 45 70 45 70 60
Mm3 55,00 Mm3 58,33
3 3
Previso para Agosto
( Rt Rt 1 Rt 2 ... Rt n 1 )
- Mdia mvel: Mt
n
( M t M t 1 M t 2 ... M t n1 )
- Mdia mvel das mdias mveis: Mt
n
- Efetua-se o seguinte clculo: at M t ( M t M t' ) 2M t M t'
2
- Fator de ajuste adicional bt ( M t M t' )
n 1
(Tendncia Coef. Angular):
Pt 1 Rt (1 ) Rt 1 (1 ) 2 Rt 2 ...
Pt 1 Rt (1 ) Pt
Primeiro amortecimento: At Rt (1 ) At 1
b
XY X Y
n
Y a bX n X X
2 2
Y b X
a
n
Y = Varivel Dependente;
a = Intercepto no eixo da varivel Independente (Y);
b = Coeficiente angular;
X = varivel Independente;
n = nmero de perodos observados.
32
Regresso Linear - Exemplo
Semana(X) Demanda(Y) X X 2
XY
1 450 1 1 450
2 430 3 5 860
3 470 6 14 1410
4 480 10 30 1920
5 450 15 55 2250
6 500 21 91 3000
7 520 28 140 3640
8 530 36 204 4240
3830 17770
: Componente nvel
: Componente tendncia
Onde:
: Coeficiente de amortecimento para a estimativa
da tendncia 0 1
: Coeficiente de amortecimento 0 1
p: nmero de perodos futuros a serem previstos 34
Amortecimento Exponencial Triplo (Mtodo Winter)
: Componente sazonal
Rt
N t (1 )( N t 1 Tt 1 )
St c
37
Tcnicas para Previso da Sazonalidade
Decomposio Clssica
A forma mais usual de incluso da sazonalidade nas previses da
demanda, consiste em obter o ndice de sazonalidade para os
diversos perodos, empregando a mdia mvel centrada, e
aplic-los sobre o valor mdio (ou tendncia) previsto para o
perodo em questo.
38
Previso da Sazonalidade: Exemplo do Restaurante
39
Tcnicas para Previso da Sazonalidade
40
Previso de Tendncia & Sazonalidade
41
Metodologias de Seleo de Modelo
Seleo a Priori
42
Metodologia de Seleo de Modelo
Seleo pela Preciso
- Mean Absolute Deviation (MAD)
n
| R P |
t t
MAD t 1
n
Onde: R t Valores reais de venda
Pt Valores Previstos
43
Metodologia de Seleo de Modelo
Seleo pela Preciso
-Mean Percentual Error (MPE)
( Rt Pt )
n
t 1 Rt
MPE
n
Onde: R t Valores reais de venda
Pt Valores Previstos
t 1 Rt
MAPE
n
Pt = Valores Previstos
45
Metodologia de Seleo de Modelo
Seleo pela Preciso
- (Rooted) Mean Squared Error - (R )MSE
( Rt Pt ) 2
n
RMSE
t 1 n
Onde: R t = Valores reais de venda
Pt = Valores Previstos
47
Previses Baseadas em Regresses
48
Previses Baseadas em Regresses
Y
Y = a + bX
b
XY X Y
n
n X X
2 2
0
2
Y b X
a
n X
49
Previses Baseadas em Regresses
Uma cadeia de fastfood verificou que as vendas mensais de refeies
em suas casas esto relacionadas ao nmero de alunos matriculados
em escolas situadas num raio de 2 quilmetros em torno da casa. A
empresa pretende instalar uma nova casa numa regio onde o
nmero de alunos de 13750. Qual a previso da demanda para esta
nova casa?
b
XY X Y = 13 5224,86 143,10 450,71 2,99
n
n X X 13 1663,37 143,10
2 2
2
50
Previses Baseadas em Regresses
Vendas/Loja Versus Nmero de Alunos
n n n
n X i .Yi X . Y
r i 1 i 1 i 1
2 2
n
2 n
n
n X X . n Y Y
2
i 1 i 1 i 1
13.5.224,86 143,10
. 450,71
r 0,9
13.1.663,37 143,10 . 13.16.416,82 450,71
2 2
52
Obteno da Previses
53
Manuteno e Monitorizao do Modelo
Uma vez decidida a tcnica de previso e implantado o modelo, h
necessidade de acompanhar o desempenho das previses e
confirmar a sua validade perante a dinmica atual dos dados.
Esta monitorizao realizada atravs do clculo e
acompanhamento do erro da previso, que a diferena que
ocorre entre o valor real da demanda e o valor previsto pelo
modelo para um dado perodo.
A manuteno e monitorizao de um modelo de previso confivel
busca:
Verificar a acuracidade dos valores previstos;
Identificar, isolar e corrigir variaes anormais;
Permitir a escolha de tcnicas, ou parmetros, mais eficientes.
54
Manuteno e Monitorizao do Modelo
Uma forma de acompanhar o desempenho do modelo
consiste em verificar o comportamento do erro acumulado
que deve tender a zero, pois espera-se que o modelo de
previso gere, aleatoriamente, valores acima e abaixo dos
reais, devendo assim se anular.
O erro acumulado deve ser comparado com um mltiplo do desvio
mdio absoluto, conhecido como MAD (Mean Absolute Deviation).
Em geral, compara-se o valor do erro acumulado com o valor de 4
MAD. Quando ultrapassar este valor, o problema deve ser
identificado e o modelo deve ser revisto.
MAD
D atual Dprevista
n
55
Manuteno e Monitorizao do Modelo
= 0,10 = 0,50
Perodo Datual Dprevista Erro Dprevista Erro
1 90 - - - -
2 95 90,00 5,00 90,00 5,00
3 98 90,50 7,50 92,50 5,50
4 90 91,25 -1,25 95,25 -5,25
5 92 91,12 0,88 92,62 -0,62
6 95 91,20 3,80 92,31 2,69
7 90 91,58 -1,58 93,65 -3,65
8 100 91,42 8,58 91,82 8,18
9 92 92,27 -0,27 95,91 -3,91
10 95 92,25 2,75 93,95 1,05
Erro 25,41 Erro 8,99
MAD = 31,61/9 = 3,51 MAD = 35,85/9 = 3,98
20
15
10
5
0
-5
-10
-15
-20
57
Manuteno e Monitorizao do Modelo
Outros Erros de Previso:
Erros de Pr eviso
n
Yi Yi
2
2
MSE i 1
n n
MAPE Mean Absolute Percent Error
n Re ali Pr evistoi
Re ali
MAPE 100. i 1
n
Y Erro de Previso
TS - Tracking Signal n
i Yi
TS i 1
MAD MAD
58
Manuteno e Monitorizao do Modelo
59