Baixe o app para aproveitar ainda mais
Prévia do material em texto
Métodos avançados de previsão de demanda APRESENTAÇÃO Planejar e ́ uma atividade necessária para todo e qualquer tipo de empresa, e a base para o planejamento empresarial é a previsão de demanda. Afinal, a projeção de quanto a empresa irá vender de seus produtos ou serviços no futuro e ́ o ponto de partida para praticamente todas as decisões organizacionais. Embora a previsão de demanda seja um processo racional de busca de informações acerca das vendas futuras, elas dependem de muitos fatores, alguns de natureza subjetiva e outros, objetiva. Isso leva à possibilidade de aplicação de diferentes categorias de métodos para previsão de demanda, que se dividem em dois grupos: os métodos qualitativos e os métodos quantitativos. Os métodos quantitativos, em especial, são focados na análise de dados históricos que permitem identificar comportamentos passados e projetar sua repetição futura. Esses dados são tratados por meio de modelos estatísticos, matemáticos e econométricos, o que faz com que as técnicas quantitativas de previsão sejam consideradas métodos mais avançados de previsão de demanda. Frente ao exposto, é oportuno conhecer os diferentes métodos quantitativos de previsão de demanda, a fim de compreender o funcionamento e os propósitos de cada um para que se possa aplicá-los de forma adequada, ainda que com o apoio de softwares e ferramentas computacionais. Nesta Unidade de Aprendizagem, você vai estudar os métodos quantitativos de previsão de demanda, englobando a descrição dos diferentes modelos existentes, a demonstração de sua aplicação e a indicação de algumas das alternativas de softwares e ferramentas que podem facilitar a aplicação dos métodos e a elaboração das previsões. Bons estudos. Ao final desta Unidade de Aprendizagem, você deve apresentar os seguintes aprendizados: Descrever os diferentes métodos quantitativos para previsão de demanda. • Aplicar métodos quantitativos para previsão de demanda. • Enumerar softwares e ferramentas de previsão de demanda.• DESAFIO A previsão de demanda é um importante elemento para o planejamento das atividades em uma empresa, seja qual for seu porte ou tipo de produto/serviço ofertado. Afinal, a partir da previsão da demanda futura, a organização pode tomar decisões importantes sobre aspectos como investimento em Marketing, realização de promoções, ampliação ou redução da capacidade produtiva, gestão de estoques, melhorias na eficiência de aspectos como custos de produção, entre tantas outras. Acompanhe um exemplo prático, ao qual você é convidado a participar da solução. Paulo e Patrícia são irmãos empreendedores, cada um estando à frente de seu próprio negócio. Paulo é dono de uma fábrica de pães do tipo pão de forma (ou pão de sanduíche). Patrícia tem uma fábrica de sorvetes (comercializados em potes de 2 litros). Ambas as empresas vêm apresentando bons resultados e eles têm aperfeiçoado e profissionalizado constantemente suas operações. A cada ano, os empreendedores investem tempo e recursos no estudo de melhorias que possam ser implementadas em seu negócio, a fim de melhorar ainda mais seus resultados. Nesse momento, os irmãos estão trabalhando para buscar formas de melhorar a performance da produção (focando no aproveitamento da capacidade produtiva) e da eficiência das compras (focando na redução dos custos de produção). Para isso, os irmãos contrataram uma empresa de consultoria, cujo dono indicou a eles que um caminho para viabilizar tais objetivos é prever a demanda futura pelos produtos fabricados por cada uma das empresas. A empresa contratada por Paulo e Patrícia é a organização na qual você trabalha e você acaba de ser selecionado por seu chefe para ser o consultor responsável pela condução do projeto de consultoria para previsão de demanda nas empresas dos irmãos empreendedores. Para iniciar os trabalhos, seu chefe pede que você elabore um parecer inicial, realizando as segui a) Leve os dados para o Microsoft Excel e elabore um gráfico de dispersão para cada conjunto d b) Com base nos dados fornecidos e nos gráficos gerados, preencha o checklist inicial para diagnóstico do contexto e escolha do método a ser adotado, justificando cada uma das suas respostas. Confira o checklist: Conteúdo interativo disponível na plataforma de ensino! INFOGRÁFICO Os métodos quantitativos de previsão de demanda são aplicáveis nos casos em que existem dados históricos disponíveis sobre a demanda passada do produto ou serviço para o qual se deseja prever a demanda futura. Eles são classificados em dois grupos principais, que são as séries temporais e os modelos causais. Muitas vezes, a demanda histórica corresponde a uma grande quantidade de dados, por isso é comum que as previsões sejam elaboradas contando com o apoio de softwares e ferramentas voltados a esse fim. Acompanhe, no Infográfico a seguir, um resumo das principais características dessas duas subcategorias de métodos quantitativos de previsão, permitindo compreender a diferença entre elas. Confira também uma síntese sobre os softwares e ferramentas de previsão. CONTEÚDO DO LIVRO Toda empresa, seja qual for seu tamanho ou ramo de atuação, precisa planejar suas atividades. Uma grande e importante base comum a todo planejamento é a previsão de demanda, pois essa expectativa é o ponto de partida para praticamente todas as decisões organizacionais. As vendas, por sua vez, podem depender de muitos fatores, alguns subjetivos e objetivos, levando à possibilidade de adoção de métodos para previsão de demanda, que podem ser qualitativos ou quantitativos. Os métodos quantitativos, por envolverem a utilização de modelos estatísticos, matemáticos e econométricos aplicados a conjuntos de dados históricos geralmente muito volumosos, são considerados métodos de previsão mais avançados. No capítulo Métodos avançados de previsão de demanda, da obra Planejamento e controle da produção, base teórica desta Unidade de Aprendizagem, você estuda melhor esse cenário, com vistas a descrever os diferentes métodos quantitativos, aplicar métodos quantitativos para e enumerar softwares e ferramentas para previsão de demanda. Boa leitura. PLANEJAMENTO E CONTROLE DA PRODUÇÃO Gisele Lozada Métodos avançados de previsão de demanda Objetivos de aprendizagem Ao final deste texto, você deve apresentar os seguintes aprendizados: � Descrever os diferentes métodos quantitativos para previsão de demanda. � Aplicar métodos quantitativos para previsão de demanda. � Enumerar software e ferramentas de previsão de demanda. Introdução Planejar é uma atividade comum a qualquer tipo de empresa, inde- pendentemente de tamanho ou de ramo de atuação. É desejável que todas as áreas estejam envolvidas com o planejamento, ainda que isso leve à existência de vários tipos de planejamento tratando de assuntos diferentes conforme a área em que sejam gerados. Diferenças à parte, há pelo menos uma grande e importante base comum a todo planejamento: a previsão da demanda. É necessário que a empresa saiba quanto planeja vender de seus produtos ou serviços no futuro, pois essa expectativa é o ponto de partida para praticamente todas as decisões organizacionais. Sendo assim, a previsão da demanda é um processo racional de busca de informações acerca do valor das vendas futuras. As vendas podem depender de muitos fatores, como cenário econô- mico, movimentos de mercados, esforços para aumentar a participação da empresa no mercado, entre tantos outros, alguns de cunho subjetivo e outros mais objetivos, levando à possibilidade de existência de diferentes categorias de métodos para previsão da demanda, sejam eles qualitativos ou quantitativos. Os métodos quantitativos, em especial, são destinados à utilização de modelos estatísticos, matemáticos e econométricos, que são aplicados a conjuntos de dados históricos geralmente bastante vo- lumosos — o que faz das técnicas quantitativas de previsãométodos mais avançados para se prever a demanda. Nesse contexto, é necessário que os gestores conheçam os diferen- tes métodos quantitativos de previsão da demanda e compreendam os propósitos essenciais de cada um, para que, assim, sejam capazes de aplicá-los de forma adequada, ainda que com apoio de software e ferramentas destinados à previsão de demanda. Neste capítulo, você vai poder estudar sobre os métodos quantita- tivos de previsão de demanda, iniciando pela descrição dos diferentes modelos existentes, avançando com a sua aplicação e terminando com o reconhecimento de algumas das alternativas de software e ferramentas que podem auxiliar e facilitar o processo de previsão de demanda. 1 Métodos quantitativos para previsão de demanda Previsão consiste em um processo metodológico que visa a determinar valores futuros de um fenômeno (como a demanda, por exemplo) por meio de mode- los estatísticos, matemáticos e econométricos, ou, ainda, mediante técnicas subjetivas sustentadas por uma metodologia de trabalho clara e previamente definida. Partindo-se dessa definição, os modelos de previsão se subdividem em duas categorias principais: métodos quantitativos (objetivos) e métodos qualitativos (subjetivos). No que respeita à previsão da demanda, os métodos quantitativos costumam assumir a premissa de que o comportamento da de- manda passada pode ser utilizado como base para a determinação de valores futuros (MARTINS; LAUGENI, 2000; WANKE; JULIANELLI, 2011). Em função disso, as técnicas quantitativas de previsão de demanda são base- adas no uso de dados históricos, os quais precisam ser relevantes (representativos para as circunstâncias em que serão utilizados), de qualidade e confiáveis (fiéis à realidade e adequadamente coletados e organizados). Afinal, tais condições é que sustentam a premissa de que o passado, quando extrapolado, fornece previsões acuradas do futuro, garantindo a efetividade dos métodos empregados para isso. Por melhor que seja o método de previsão, ele poderá falhar se aplicado sobre dados distantes da realidade. Métodos avançados de previsão de demanda2 Os métodos quantitativos de previsão são classificados em dois grupos principais — séries temporais e modelos causais —, que serão apresentados a seguir. Séries temporais Os modelos de séries temporais têm o objetivo de determinar previsões de demanda com base na observação de seus dados históricos, acreditando que o comportamento observado na demanda de períodos passados se repetirá no futuro. Para tanto, as técnicas de séries temporais buscam identificar padrões existentes nos dados históricos a fim de que eles sejam utilizados no cálculo do valor previsto. Ou seja, os métodos de séries temporais se baseiam em dados históricos, considerando a hipótese de que o futuro é uma continuação do passado (MARTINS; LAUGENI, 2000; MOREIRA, 2012; WANKE; JULIANELLI, 2011). Os modelos de séries temporais se baseiam em dados históricos, ou seja, as previsões elaboradas por meio deles são apoiadas no entendimento de que o comportamento passado da demanda se repetirá no futuro. As técnicas de séries temporais partem do pressuposto de que os dados históricos apresentam um ou mais dos componentes elencados a seguir. � Nível: representa o comportamento das vendas no caso de não existir nenhum outro componente, correspondendo ao ponto inicial de uma série de vendas. � Tendência: representa o comportamento (crescimento ou declínio) de uma série no médio ou no longo prazo. � Sazonalidade: representa o comportamento da série em função de flutuações periódicas no curto ou no médio prazo (motivadas por fatores como as estações do ano). � Ciclo: representa o comportamento da série em função de variações periódicas no longo prazo, ocorridas a cada três, quatro ou mais anos (motivadas por fatores como variações econômicas). 3Métodos avançados de previsão de demanda � Aleatoriedade ou resíduo: representa as demais variações, que não são explicadas pelos demais componentes e que geralmente são derivadas de eventos particulares e não recorrentes. Os modelos de séries temporais podem ser classificados em dois tipos, com base na forma utilizada para identificar e projetar os componentes apre- sentados acima, que são as técnicas de séries temporais de modelo fixo e séries temporais de modelo aberto. As técnicas de séries temporais de modelo fixo utilizam equações predefinidas que consideram a existência de determinados componentes nos dados históricos. Nesse caso, destacam-se os modelos baseados em médias, como a média móvel simples, a média móvel ponderada e a média móvel exponencialmente ponderada. Já as técnicas de séries temporais de modelo aberto analisam as séries temporais de modo a identificar quais são os componentes que estão presentes nelas para, então, criar um modelo para projetar os componentes e prever valores futuros de demanda. Destacam-se, nesse caso, os modelos de decomposição clássica. Modelos causais Modelos causais de previsão têm o objetivo de explicar flutuações da demanda em função de fatores internos ou externos à empresa, a partir da identificação de variáveis que influenciam o comportamento da demanda e da determinação da relação existente. Ou seja, são modelos que consideram que a demanda de um item é afetada por um ou mais fatores, como gasto com propaganda — fator interno (controlável pela empresa) — e inflação — fator externo (incontrolável para a empresa) —, entre outros (MOREIRA, 2012; WANKE; JULIANELLI, 2011). Os modelos causais consideram que a demanda é influenciada por fatores internos ou externos à empresa e elaboram as previsões com base na relação existente entre a demanda e essas variáveis. Métodos avançados de previsão de demanda4 Assim, as análises realizadas pelos modelos causais envolvem os dois tipos de variáveis apresentados a seguir. � Variáveis causais ou independentes: fatores influenciadores da demanda, normalmente representados por x. � Variável dependente: a demanda, normalmente representada por y. Nesse contexto, os modelos causais buscam prever o comportamento da(s) variável(is) causal(is) para, a partir disso, projetar o que acontecerá com a variável dependente, formulando previsões da demanda. Pode-se prever a demanda de um produto em função do gasto com propaganda. Para tanto, investiga-se qual é a relação linear existente entre as vendas — variável dependente (y) — e o gasto com propaganda — variável independente (x). A classe dos modelos causais engloba várias técnicas. Entre elas, a mais conhecida é a análise de regressão linear, que consiste em utilizar pares de valores da variável dependente e da(s) variável(is) causal(is) com o objetivo de compreender se existe alguma relação entre elas, investigar a força e a natureza dessa relação e, então, criar uma ferramenta de previsão. A regressão se apresenta em variações como a regressão linear simples e a regressão linear múltipla. A regressão linear simples é aplicável aos casos em que a demanda está ligada a apenas uma variável causal. Já a regressão linear múltipla se aplica aos casos em que há duas ou mais variáveis causais ligadas à demanda. A seguir, você poderá ver mais detalhadamente quais são os cálculos envolvidos na elaboração de previsões por meio desses diversos métodos mencionados, desenvolvidos através de exemplos que facilitam o entendimento. 5Métodos avançados de previsão de demanda 2 Aplicação dos métodos quantitativos Modelos causais Regressão linear simples O método de regressão linear simples consiste em determinar a função Y = a + b X, sendo Y a variável dependente e X a variável independente. Para a execução dos cálculos, inicia-se pelo cálculo da equação da reta, utilizando a seguinte expressão (MARTINS; LAUGENI, 2000): Y = Ymédio + b (X – Xmédio) onde: � Ymédio = Ʃy / n � Xmédio = Ʃx / n Para calcular b, a técnica mais utilizada é o método dos mínimos quadrados: b = Sxy / Sxx onde:Sxy = Ʃxy – ((Ʃx × Ʃy) / n) Sxx = Ʃx2 – ((Ʃx) 2 / n) Syy = Ʃy2 – ((Ʃy) 2 / n) Depois de calculados os parâmetros da regressão, deve-se verificar se existe correlação, o que é feito calculando-se o coeficiente de correlação r por meio da seguinte expressão: r = b √ (Sxx / Syy) = Sxy / √ Sxx × Syy Métodos avançados de previsão de demanda6 O coeficiente de correlação indica de que maneira a reta determinada se ajusta aos dados do contexto em estudo: se for igual a 1 (em valor absoluto), isso significará que a reta ajustada passa exatamente sobre cada um dos pontos (há a chamada correlação perfeita). Se o coeficiente for igual a 0,5 (valor absoluto), isso significará que uma reta paralela ao eixo X teria sido ajustada. Costuma-se entender que r > 0,7 (em valor absoluto) indica uma boa correlação. Além disso, o coeficiente de correlação fornece importantes informações sobre a relação entre as variáveis estudadas no que diz respeito a intensidade e sentido da relação: quanto mais próximo for de 1 (em valor absoluto), mais forte será a relação; se ele for positivo, isso indicará que as variáveis variam no mesmo sentido (quando uma cresce, a outra também o faz) e, se for negativo, indicará o inverso. A menção a “reta” deriva do fato de que, no estudo de correlação entre variáveis, é muito comum a utilização de técnicas gráficas que ilustram a relação, facilitando a interpretação dos dados e a identificação da existência ou não da correlação. Uma das ferramentas mais utilizadas para esse fim é o diagrama de dispersão. Você pode saber mais a respeito disso no capítulo 1 da obra Previsão de vendas: processos organizacionais & métodos quantitativos e qualitativos (WANKE; JULIANELLI, 2011)). Após isso, procede-se com o cálculo da previsão, que é feito utilizando- -se a equação da reta apresentada anteriormente. A realização da previsão com base no método da regressão linear simples é feita mediante três passos básicos, que são os seguintes. � Passo 1: ajustar a reta e calcular os parâmetros da regressão � Passo 2: calcular o coeficiente de correlação r � Passo 3: determinar a previsão Para ilustrar o desenvolvimento dos cálculos, vejamos um exemplo. Vamos considerar o caso de um produto que, nos últimos seis meses, apresentou a demanda informada na Figura 1. Com base nos dados apresentados, deseja-se calcular a previsão para os três meses seguintes. 7Métodos avançados de previsão de demanda Figura 1. Consumo real do produto em estudo. Fonte: Martins e Laugeni (2000, p. 178). Para realizar a previsão, a variável X corresponde aos meses, que foram enumerados de 1 a 6 na Figura 2, na qual também se apresentam alguns cálculos, para facilitar as operações seguintes. Figura 2. Tabela acessória. Fonte: Adaptada de Martins e Laugeni (2000). Então, com base nos dados apresentados, procede-se com os cálculos. Ajuste da reta e cálculo dos parâmetros da regressão (passo 1): Sxy = Ʃxy – ((Ʃx × Ʃy) / n) = 8.001 – ((21 × 2.226) / 6) = 210 Sxx = Ʃx2 – ((Ʃx) 2 / n) = 91 – ((21) 2 / 6) = 17,5 Syy = Ʃy2 – ((Ʃy) 2 / n) = 828.376 – ((2.226) 2 / 6) = 2.530 b = Sxy / Sxx = 210 / 17,5 = 12 Cálculo do coeficiente de correlação r (passo 2): r = Sxy / √ Sxx × Syy = 210 / √ (17,5 × 2.530) = 0,998 (boa correlação, pois r > 0,7 e quase igual a 1) Métodos avançados de previsão de demanda8 Cálculo da previsão para os períodos desejados (passo 3), que nos casos são os meses de julho, agosto e setembro, os quais corresponderão a 7, 8 e 9, seguindo a mesma atribuição feita para os seis meses anteriores na tabela acessória: Y = Ymédio + b (X – Xmédio) � Previsão julho: 371 + 12 (7 – 3,5) = 413 � Previsão agosto: 371 + 12 (7 – 3,5) = 425 � Previsão setembro: 371 + 12 (7 – 3,5) = 437 Regressão linear múltipla O método da regressão linear múltipla é utilizado quando se deseja formular previsões em um contexto no qual a variável dependente Y (a demanda) varia linearmente segundo um conjunto de n variáveis independentes X1, X2, X3, ... Xn. Nesse caso, a equação da reta seria (MOREIRA, 2012): Y = b0 + b1 X1 + b2 X2, + b3 X3, ... + bn Xn Os coeficientes b0, b1, b2, b3, ... bn podem ser determinados pelo método dos mínimos quadrados, mas isso resultaria em um sistema de (n + 1) equações. Sendo assim, no caso da regressão linear múltipla, como o modelo envolve um grande número de variáveis, a realização de cálculos de forma manual acaba se tornando inviável na realidade — o que também pode ocorrer em muitos dos outros métodos apresentados. Nessas situações, a utilização de software e ferramentas computacionais que auxiliam na elaboração das previsões se torna a solução mais apropriada. Você conhecerá alguns desses software e ferramentas na próxima seção deste capítulo. Séries temporais Média móvel simples No método da média móvel simples, a previsão (P) para o período futuro (t) é calculada como sendo a média aritmética dos n períodos anteriores, sendo que, para tanto, é necessário escolher sobre quantos períodos a média será calculada. Ou seja, nesse caso, a previsão pode ser calculada somando-se o consumo real (C) dos n períodos escolhidos e dividindo-se essa soma por n. 9Métodos avançados de previsão de demanda O temo “móvel” se deve ao fato de que, com o passar do tempo, o valor do período mais recente é incluído no cálculo da média para calcular a previsão do período seguinte (MARTINS; LAUGENI, 2000; MOREIRA, 2012; WANKE; JULIANELLI, 2011). Como exemplo, podemos considerar o caso de um produto que, nos últimos 12 meses (Ano 1), apresentou a demanda (em unidades) exibida na Figura 3 e para o qual se deseja calcular a previsão para o período seguinte (janeiro do Ano 2). Figura 3. Consumo real dos últimos doze meses do produto em estudo. Fonte: Adaptada de Martins e Laugeni (2000, p. 175). Nesse caso, considerando-se que se escolheu utilizar os dados dos últimos 12 meses, o valor de demanda previsto para janeiro do Ano 2 seria a média do consumo dos 12 meses do Ano 1, o que, levando-se em conta os dados da tabela, resultaria no seguinte cálculo: Pjan2 = 100 + 102 + 101 ... + 103 = 1.228 / 12 = 102,3 Se em janeiro do Ano 2 o consumo real tivesse sido de 104 unidades, a previsão para fevereiro do Ano 2 seria a média dos 12 meses compreendidos entre fevereiro do Ano 1 e janeiro do Ano 2, conforme apresentado na Figura 4. Figura 4. Consumo real dos últimos 12 meses do produto em estudo. Fonte: Martins e Laugeni (2000, p. 176). Métodos avançados de previsão de demanda10 Nesse caso, considerando-se os dados da tabela, o cálculo da previsão de demanda para fevereiro do Ano 2 seria o seguinte: Pfev2 = 102 + 101 ... + 104 = 1.232 / 12 = 102,7 Média móvel ponderada No método da média móvel simples, os dados relativos aos períodos passados considerados no cálculo possuem todos o mesmo peso. Já no método da média móvel ponderada, atribui-se um peso para cada um dos dados, sendo que a soma desses pesos deve ser igual a 1 (MARTINS; LAUGENI, 2000). Para exemplificar, vamos considerar os dados apresentados na tabela da Figura 1. Deseja-se prever a demanda para o mês de janeiro do Ano 2 utilizando- -se uma média móvel trimestral com fator de ajustamento e considerando-se os seguintes pesos: 0,7 para Ct-1, 0,2 para Ct-2, 0,1 para Ct-3. Perceba que, de acordo com o enunciado, decidiu-se utilizar apenas os dados dos três últimos meses para o cálculo da média. Nesse caso, considerando-se os dados da tabela e as informações anteriores, o cálculo da previsão de demanda para janeiro do Ano 2 seria o seguinte: Pjan2 = (0,7 × Cdez1) + 0,2 × Cnov1) + (0,1 × Cout1) Pjan2 = (0,7 × 103) + (0,2 × 104) + (0,1 × 103) = 103,2 Se, depois de transcorrido o mês de janeiro do Ano 2, sua demanda real tivesse sido de 104 unidades e desejássemos calcular a previsão para fevereiro do Ano 2, o cálculo da previsão seria o seguinte: Pfev2 = (0,7 × Cjan2) + 0,2 × Cdez1) + (0,1 × Cnov1) Pfev2 = (0,7 × 104) + (0,2 × 103) + (0,1 × 104) = 103,8 Média móvel exponencialmenteponderada No método da média móvel com ajustamento exponencial, a previsão P é calculada considerando-se a previsão do último período (t – 1) e um coeficiente α que multiplica o consumo real (C) e a previsão no período (Pt-1), de acordo com a expressão a seguir (MARTINS; LAUGENI, 2000): Pt = Pt-1 + α (Ct-1 – Pt-1) 11Métodos avançados de previsão de demanda A intenção central do método é atribuir um maior peso para os valores históricos mais recentes, entendendo que eles são mais importantes na deter- minação da previsão. O coeficiente α pode ser interpretado como um fator de ponderação que determina a relevância dos valores mais recentes para cálculo da previsão, sendo que 0 < α < 1. Quanto mais perto de 1 for o α, mais sensível ao último valor será a previsão. O coeficiente pode ser definido para cada contexto por meio de técnicas específicas, como as que o relacionam com o erro médio ocorrido nas previsões dos períodos anteriores, buscando determinar o α que minimiza o erro médio de previsão. Contudo, geralmente costumam ser adotados valores entre 0,1 e 0,3 para α. Para exemplificar, vamos considerar os dados apresentados na Figura 1, relativos ao Ano 1, e o consumo real dos três primeiros meses do Ano 2, conforme apresentado na Figura 5. Figura 5. Consumo real do produto em estudo. Fonte: Adaptada de Martins e Laugeni (2000, p. 177). Desejamos calcular a previsão para abril do Ano 2 utilizando α = 0,3 como coeficiente de ajustamento. Ou seja, desejamos desenvolver a seguinte equação: Pabr2 = Pmar2 + α (Cmar2 – Pmar2) Métodos avançados de previsão de demanda12 Para isso, primeiro precisamos calcular a previsão de março do Ano 2. Mas, para praticar, vamos proceder com esse cálculo para apuração sequencial das previsões desde fevereiro do Ano 2. Então, teremos os cálculos apresentados a seguir. No caso do cálculo da previsão de fevereiro do Ano 2, vamos aproveitar a previsão de janeiro do Ano 2 já calculada anteriormente com base na média dos últimos 12 meses, que foi de 102,3. Pfev2 = Pjan2 + α (Cjan2 – Pjan2) = 102,3 + 0,3 (104 – 102,3) = 102,8 Pmar2 = Pfev2 + α (Cfev2 – Pfev2) = 102,8 + 0,3 (103 – 102,8) = 102,9 Pabr2 = Pmar2 + α (Cmar2 – Pmar2) = 102,9 + 0,3 (103 – 102,9) = 102,9 Decomposição clássica ou ajustamento sazonal O método da decomposição clássica consiste em decompor a série temporal em seus componentes (tendência, sazonalidade, ciclo e resíduo). A ideia cen- tral desse modelo é a tentativa de isolar os vários componentes, à exceção do resíduo (que representa flutuações irregulares), de forma que os efeitos sobre a demanda possam ser tratados separadamente. Após a análise de cada componente, a previsão é calculada recompondo a série, o que é feito mediante seguinte equação (MOREIRA, 2012; WANKE; JULIANELLI, 2011): P = T × S × C × U onde: � P = previsão � T = tendência � S = sazonalidade � C = ciclo � U = resíduo Essa equação pode ser simplificada se forem admitidas as hipóteses sub- sequentes: o horizonte de previsão é curto o suficiente para que se esteja sempre na mesma fase do ciclo de negócios, o que faria C ser igual a 1; os efeitos sazonais e as variações ao acaso podem ser reunidos aproximada- mente num só efeito, em que S incorpora sazonalidade e resíduo. Com isso, temos o seguinte modelo simplificado: P = T × S 13Métodos avançados de previsão de demanda Os valores de T são determinados por meio da linha de tendência, ajustada aos valores reais da demanda mediante uma regressão simples em que a outra variável é o tempo. Os valores de S (também chamados “índices sazonais”) são determinados pela observação do afastamento dos valores reais da de- manda e dos valores previstos pela linha de tendência no passado. A previsão apurada por meio dessas considerações recebe, às vezes, o nome de “previsão corrigida pelo efeito sazonal” ou “ajustamento sazonal” (MOREIRA, 2012). Existem diversos métodos que podem ser utilizados para a realização de previsões nos casos em que o consumo é sazonal. Contudo, um dos mais uti- lizados é o método do coeficiente sazonal, cujo desenvolvimento é composto pelos seguintes passos (MARTINS; LAUGENI, 2000): � Passo 1: determinar a média em cada ano � Passo 2: determinar os coeficientes de sazonalidade em cada período � Passo 3: calcular o coeficiente médio de sazonalidade em cada período � Passo 4: projetar a demanda global para o ano (utilizando um método de previsão) � Passo 5: determinar a média para cada período do ano previsto � Passo 6: determinar a demanda em cada período do ano utilizando o coeficiente médio de sazonalidade Para facilitar o entendimento, vejamos um exemplo. Vamos considerar o caso de um produto que, nos últimos quatro anos, apresentou a demanda (em unidades) exibida na Figura 6 e para o qual se deseja calcular a previsão de demanda trimestral para o ano. Figura 6. Consumo real do produto em estudo. Fonte: Adaptada de Martins e Laugeni (2000, p. 180). Métodos avançados de previsão de demanda14 A determinação das médias de cada ano (passo 1) já está apresentada na tabela anterior. Para determinar o coeficiente de sazonalidade de cada trimestre em cada ano (passo 2), divide-se a demanda de cada trimestre pela média do ano. Por exemplo, no caso do trimestre 1, teríamos: � Ano 1 = 45 / 250 = 0,18 � Ano 2 = 70 / 300 = 0,23 � Ano 3 = 100 / 450 = 0,22 � Ano 4 = 100 / 550 = 0,18 Para calcular o coeficiente médio de sazonalidade de cada trimestre (passo 3), apuramos a média das informações, ou seja, somamos os coeficientes de cada trimestre ao longo dos quatro anos e dividimos por quatro. Por exemplo, no caso do trimestre 1, teríamos: (0,18 + 0,23 + 0,22 + 0,18) / 4 = 0,20. Os valores apurados para os passos 2 e 3 estão informados na Figura 7. Figura 7. Coeficientes de sazonalidade. Fonte: Adaptada de Martins e Laugeni (2000, p. 180). Para projetar a demanda global do ano seguinte (passo 4), vamos supor que a previsão será de 2.500 unidades, considerando que, nos quatro anos anteriores, o consumo passou de 1.000 para 2.200 unidades, o que representa um incremento médio de 300 unidades por ano (ou seja, essa é a tendência da demanda com base no passado). Assim, teríamos para o ano 5: 2.200 + 300 = 2.500 unidades. Para determinar a média para cada trimestre do ano previsto (passo 5), dividimos a demanda global apurada pelo número de períodos (trimestres). Assim, a média trimestral do ano será: 2.500 / 4 = 625 unidades. 15Métodos avançados de previsão de demanda Para determinar a demanda em cada trimestre do ano 5 (passo 6), aplica- mos a equação apresentada inicialmente (P = T × S), multiplicando a média trimestral (T) pelo coeficiente médio de sazonalidade (S) de cada trimestre (apurados no passo 3). Assim, teremos a seguinte previsão para o ano 5: � Trimestre 1 = 625 × 0,20 = 125 unidades � Trimestre 2 = 625 × 1,30 = 813 unidades � Trimestre 3 = 625 × 2,00 = 1.250 unidades � Trimestre 4 = 625 × 0,50 = 313 unidades É importante comentar que, na bibliografia que trata sobre previsão de demanda, as equações utilizadas para cálculo da previsão podem ser apre- sentadas com variações de formato, embora o raciocínio envolvido seja o mesmo em cada modelo. 3 Software e ferramentas de previsão de demanda Em muitas situações, o estudo desenvolvido para formulação da previsão de demanda envolve n variáveis, o que pode representar um grande número de fatores a serem considerados e uma infinidade de cálculos a serem realizados, como costuma ocorrer, por exemplo, no caso da regressão linear múltipla. Embora seja possível realizar os cálculos manualmente, conforme demonstrado na seção anterior, isso pode ser impraticável em muitas ocasiões — quando o estudo envolver muitas variáveis independentes (que é o que costuma ocorrer na realidade). Por conta disso, casos práticos que apresentem tais condições costumam ser solucionados com a utilização de pacotes para regressão múltipla existentes no mercado de microcomputadores(MOREIRA, 2012). Entre as alternativas mais utilizadas e populares para lidar com esse cenário, cabe citar o módulo gráfico e a ferramenta de regressão integrante do módulo de análise de dados presente no suplemento de ferramentas de análise do software Excel, do pacote Microsoft Office, conforme sinalizado na Figura 8 (WANKE; JULIANELLI, 2011). Métodos avançados de previsão de demanda16 Figura 8. Ferramenta de regressão do Microsoft Office. Se o comando “análise de dados” não estiver disponível no seu Excel, é possível carregar o programa suplementar “ferramentas de análise” por meio dos seguintes passos. 1. Clique, na guia “arquivo”, em “opções” e, depois, na categoria “suplementos”. Se você estiver usando o Excel 2007, clique no botão do Microsoft Office Imagem do botão do Office e, em seguida, clique em “opções do Excel”. 2. Na caixa “gerenciar”, selecione “suplementos do Excel” e clique em “ir”. Se estiver usando o Excel para Mac, no menu “arquivo”, acesse “ferramentas” > “suplementos do Excel”. 3. Na caixa “suplementos”, marque a caixa “ferramentas de análise” e clique em “OK”. Além dessa alternativa do Microsoft Excel, existem muitas outras ferra- mentas disponíveis, algumas oferecidas por meio de determinados sistemas de gestão empresarial — os chamados ERP (do inglês enterprise resource planning), que possuem módulos de previsão incorporados. Além disso, há também a oferta de diversos aplicativos mais especializados, que permitem uma maior automatização do processo de previsão da demanda. Existem diversos pacotes disponíveis no mercado, os quais utilizam desde técnicas de análise de dados históricos até simulações e inteligência artificial. Embora essas ferramentas não representem novos métodos de previsão, elas imple- mentam as técnicas existentes em associação a ferramentas de análise de tal 17Métodos avançados de previsão de demanda maneira que, além de permitir o exame de grandes quantidades de dados de forma simultânea e veloz, ainda possibilitam a elaboração de previsões mais acuradas, ou seja, com a minimização dos erros de previsões (CAVALHEIRO, 2003; DIAS, 2004; FRANÇA, 2019). Essas ferramentas podem ser segmentadas em duas categorias: os soft- ware em pacotes computacionais estatísticos de uso genérico e os pacotes computacionais específicos. Pacotes estatísticos genéricos são software que apresentam uma opção de análise de previsão, embora esse não seja seu propósito exclusivo. Tais pacotes permitem uma análise estatística e gráfica detalhada dos dados, mas a análise limita-se aos seus módulos de previsão. Já os pacotes computacionais específicos para análise de previsão, como o próprio nome já sugere, são focados em previsões, dispondo das ferramentas estatísticas necessárias para a análise das séries temporais e a geração das previsões, incluindo técnicas de previsão não encontradas em pacotes de uso genérico. Dentre os pacotes específicos para análise de previsão, destacam-se o Forecast Pro e o Autobox, sobre os quais são apresentados alguns detalhes no Quadro 1. Forecast Pro Autobox Caracterização “Fácil de aprender e usar, o sistema combina métodos estatísticos com um sistema especialista para obter uma previsão exata.” Promete “proporcionar um ambiente desenvolvido para facilitar o processo de previsão com a utilização de uma ou mil séries” Empresa desenvolvedora Business Forecast Systems, Inc. Automatic Forecasting Systems Endereço http://www.forecastpro.com http://www.autobox.com Vantagens e recursos Pode ser combinado com outros softwares, sendo opção de previsão para os sistemas de planejamento para ERP, SCM, MRP Possui recursos/ ferramentas de análises gráficas que facilitam a análise das previsões, além de apresentar gráficos de ferramentas estatísticas Quadro 1. Comparação entre os software Forecast Pro e Autobox (Continua) Métodos avançados de previsão de demanda18 Fonte: Adaptado de Dias (2004). Forecast Pro Autobox Processo de previsão O sistema especialista escolhe automaticamente qual é o melhor método de previsão de demanda ao analisar os dados de entrada Não seleciona um modelo, mas ajusta o modelo de previsão a cada problema, analisando dados de entrada à procura de ciclos, sazonalidade e tendências Técnicas implementadas Suavização exponencial, métodos de Holt e Winters, média móvel, regressão linear e Box Jenkins Suavização exponencial simples, Box Jenkins e métodos de regressão Quadro 1. Comparação entre os software Forecast Pro e Autobox (Continuação) Além dessas duas alternativas, existem ainda muitas outras ferramentas, tais como: NCSS (Number Cruncher Statistical System), Statgraphics e SPSS (Statistical Package for Social Science), Statistica, Minitab, PP-autocast, Smart Forecasts, ForecastX, Decision Pro, Gauss, Neuralworks Predict, Time Trends Forecast, entre outras. “Forecast” é uma palavra inglesa que significa “previsão”, o que explica a sua presença em muitos nomes de softwares destinados à elaboração de previsões. Por fim, cabe comentar que muitas empresas optam por desenvolver seus próprios sistemas de previsão de demanda, entendendo que, assim, podem me- lhor adequar os sistemas às características e particularidades de seus problemas. 19Métodos avançados de previsão de demanda CAVALHEIRO, D. Método de previsão de demanda aplicada ao planejamento da produção de indústrias de alimentos. 2003. Dissertação (Mestrado em Engenharia Mecânica) – Universidade Federal de Santa Catarina, Florianópolis, 2003. DIAS, A. S. Uso de conhecimento teórico e de especialista para previsão de demanda. 2004. Dissertação (Mestrado em Engenharia de Produção) – Universidade Federal de São Carlos, São Carlos, 2004. FRANÇA, L. F. Análise e aplicação de métodos de previsão de demanda no Software Forecast Pro baseados em séries temporais em um estabelecimento do setor de locação de filmes. Revista Científica Multidisciplinar Núcleo do Conhecimento, São Paulo, ano 4, ed. 3, v. 10, p. 91-112, jun. 2019. Disponível em: https://www.nucleodoconhecimento. com.br/engenharia-de-producao/analise-e-aplicacao. Acesso em: 11 ago. 2020. MARTINS, P. G.; LAUGENI, F. P. Administração da produção. São Paulo: Saraiva, 2000. MOREIRA, D. A. Administração da produção e operações. 2. ed. São Paulo: Cengage Learning, 2012. WANKE, P.; JULIANELLI, L. (Orgs.). Previsão de vendas: processos organizacionais e mé- todos quantitativos e qualitativos. 2. ed. São Paulo: Atlas, 2011. Os links para sites da web fornecidos neste capítulo foram todos testados, e seu fun- cionamento foi comprovado no momento da publicação do material. No entanto, a rede é extremamente dinâmica; suas páginas estão constantemente mudando de local e conteúdo. Assim, os editores declaram não ter qualquer responsabilidade sobre qualidade, precisão ou integralidade das informações referidas em tais links. Métodos avançados de previsão de demanda20 DICA DO PROFESSOR Vários são os métodos possíveis de serem aplicados para prever a demanda futura de um produto ou serviço, sendo divididos em duas grandes categorias: qualitativos e quantitativos. Os métodos quantitativos, em especial, são considerados métodos avançados, permitindo a geração de previsões baseadas em fatores mais objetivos, em especial nos dados históricos sobre a demanda em estudo. Porém, ainda no contexto dos métodos quantitativos, há um elemento muito relevante que impede a precisão das projeções sobre a demanda: o erro presente nas previsões. Confira, nesta Dica do Professor, detalhes sobre o assunto, apontando não somente o motivo pelo qual o erro está presente nas previsões, mas também demonstrando alternativas para que se possa lidar com ele. Conteúdo interativo disponível na plataforma de ensino! EXERCÍCIOS 1) Os métodos de previsão de demanda se subdividem em duas categorias principais: qualitativos (subjetivos) e quantitativos (objetivos). Os métodos quantitativos são baseados nautilização de dados relativos à demanda, a partir dos quais é observado o comportamento da demanda e elaboradas as previsões. A categoria de métodos quantitativos de previsão de demanda engloba diferentes técnicas, sobre as quais é verdadeiro afirmar: A) Modelos causais visam a explicar flutuações na demanda em função de fatores que a influenciam, enquanto séries temporais buscam identificar comportamentos da demanda com base em dados históricos. B) Os modelos de séries temporais são classificados em duas categorias: séries temporais de tendência e séries temporais de sazonalidade. Maycon Carbone Realce C) Modelo fixo e modelo aberto são duas subcategorias dos métodos causais que se baseiam, respectivamente, na consideração e na checagem da existência de determinados componentes nos dados históricos. D) Regressão linear é a técnica mais conhecida no grupo de modelos de séries temporais, apresentando as variações simples e múltiplas. E) Técnicas baseadas em médias e decomposição clássica são métodos que se destacam entre as alternativas de modelos causais. Vários são os métodos disponíveis para a elaboração de previsões, sendo que alguns são mais apropriados para determinadas situações. Para a escolha do método, é oportuno observar comportamentos passados de demanda. Confira um exemplo: A empresa Umbrella é uma fabricante de guarda-chuvas que está necessitando elaborar a previsão de demanda do seu produto para o próximo ano. O gráfico a seguir representa as vendas da empresa nos últimos 30 meses: 2) Analisando esses dados, assinale a alternativa que responde adequadamente as seguintes pe I. Como são categorizados os métodos de previsão de demanda aplicáveis a essa situação? II. Que comportamentos são observados nos dados apresentados? III. Que técnica seria apropriada para a elaboração da previsão de demanda nesse caso? A) Métodos quantitativos baseados em modelos causais; sazonalidade e variação aleatória; decomposição clássica. B) Métodos quantitativos baseados em séries temporais; apenas sazonalidade; decomposição clássica. C) Métodos quantitativos baseados em modelos causais; apenas variação aleatória; técnicas baseadas em médias. D) Métodos quantitativos baseados em séries temporais; sazonalidade e variação aleatória; técnicas baseadas em médias. E) Métodos quantitativos baseados em séries temporais; sazonalidade e variação aleatória; decomposição clássica. A categoria de métodos fundamentados em séries temporais inclui várias técnicas baseadas em médias móveis, entre elas a simples e a ponderada exponencialmente, sendo que elas resultam em diferentes resultados para a mesma série de dados. Confira um exemplo: A empresa Athletic fabrica bicicletas ergométricas, cujas vendas dos últimos 10 meses estão sintetizadas na tabela a seguir: A empresa deseja calcular a previsão de demanda para o mês 11, utilizando dois métodos: média móvel simples dos últimos 10 meses e média móvel ponderada dos últimos 3 meses, 3) Maycon Carbone Realce considerando os coeficientes 0,6, 0,3 e 0,1. Aplicando a técnica com os dados fornecidos, qual será a previsão? A) MMS = 303; MMP = 301. B) MMS = 301,50; MMP = 302,90. C) MMS = 303,50; MMP = 305,50. D) MMS = 300; MMP = 303. E) MMS = 302,90; MMP = 301,50. Os métodos de previsão permitem que as empresas possam projetar a demanda futura por seus produtos ou serviços, gerando informações que servem ao processo de tomada de decisão relativo aos mais variados aspectos. A empresa Athletic, fabricante de bicicletas ergométricas, resolveu investigar melhor o comportamento de sua demanda e de seu mercado. Nesse contexto, ela deseja avaliar a relação entre o investimento em publicidade e as vendas para decidir se irá destinar recursos para propaganda de seus produtos no próximo ano. Para isso, a empresa colheu informações sobre gastos com propaganda e as vendas no último ano, apresentados na tabela a seguir: 4) Maycon Carbone Realce Maycon Carbone Caixa de texto A previsão será 301,50 pela média móvel simples e 302,90 segundo a média móvel ponderada, conforme demonstrado a seguir: MMS = 285 + 288 + … + 303 + 300 / 10 = 301,50. MMP = (0,6 x 300) + (0,3 x 303) + (0,1 x 320) = 302,90. Com base nessas informações, foi possível calcular o coeficiente de correlação e interpretá- lo, chegando à seguinte conclusão: Como o coeficiente é igual a __________, isso indica a existência de uma __________ relação entre publicidade e demanda, e que investir em propaganda __________ as vendas. Qual alternativa completa adequadamente a frase? A) 0,50/média/reduz. B) -0,50/forte/aumenta. C) 1/média/não afeta. D) 0,95/forte/aumenta. E) -0,95/fraca/reduz. Maycon Carbone Realce Maycon Carbone Caixa de texto Como o coeficiente é igual a 0,95, isso indica a existência de uma forte relação entre publicidade e demanda, e que investir em propaganda aumenta as vendas. Confira os cálculos realizados para apuração do coeficiente de correlação: Maycon Carbone Caixa de texto A conclusão é baseada no fato de que o coeficiente de correlação fornece informações sobre a intensidade e o sentido da relação entre as variáveis estudadas: quanto mais próximo de 1 (em valor absoluto), mais forte é a relação; se ele for positivo, indica que as variáveis variam no mesmo sentido (quando uma cresce, a outra também o faz), e se for negativo, indica o inverso. 5) Em muitas situações práticas reais, a elaboração de previsões de demanda envolve um grande número de dados e fatores a serem analisados e uma infinidade de cálculos a serem realizados, o que torna comum a utilização de softwares e ferramentas computacionais que permitem uma maior automatização do processo de previsão de demanda. Entre as alternativas disponíveis no mercado, destacam-se softwares como Forecast Pro e Autobox. Analisando essas duas alternativas, é possível verificar uma característica do Forecast Pro que pode ser considerada uma diferença na comparação com o Autobox. Que característica é essa? A) É um pacote computacional específico para análise de previsão. B) Entre as técnicas utilizadas está a suavização exponencial. C) Uma das técnicas utilizadas pelo software é a Box Jenkins. D) Métodos de regressão integram o conjunto de técnicas utilizadas. E) O sistema especialista escolhe automaticamente qual o melhor método. NA PRÁTICA Os métodos quantitativos de previsão de demanda são, de modo geral, baseados em dados históricos relativos à demanda em estudo e servem para identificar comportamentos passados, entendendo que eles se repetirão no futuro. Porém, esses dados podem carregar com eles indícios de certos comportamentos, que conduzem a aplicação de técnicas quantitativas específicas, como é o caso dos modelos causais, um dos dois subgrupos de métodos quantitativos. Acompanhe, neste Na Prática, o caso da elaboração de previsões para uma empresa, cujos dados Maycon Carbone Realce históricos levaram à aplicação de uma das técnicas de modelos causais. Veja também como foram conduzidos os cálculos necessários para elaboração das previsões com essa técnica. SAIBA MAIS Para ampliar o seu conhecimento a respeito desse assunto, veja abaixo as sugestões do professor: Introdução à previsão de demanda: métodos quantitativos baseados em séries temporais comportamentais A demanda é um elemento muito relevante para o planejamento organizacional, o que inclui o planejamento e controle da produção. Por isso, prever a demanda futura é algo importante. Este vídeo apresenta conteúdo a esse respeito, abordando os seguintes assuntos: nos primeiros cinco minutos, trata da importância da demanda para o PCP; nos sete minutos seguintes, trata dos métodos existentes para previsão de demanda, apresentando as categorias dos métodos quantitativos e qualitativos; depois, nos próximos seis minutos, apresenta o conceito de série temporal (um conjunto de técnicas que integra a categoria dos métodosquantitativos); então, desse ponto em diante, explica cada um dos comportamentos (ou componentes) de uma série temporal. Conteúdo interativo disponível na plataforma de ensino! Excel: média móvel A demanda pode ser prevista com o uso de diversas técnicas. Entre os métodos quantitativos de previsão de demanda, estão as técnicas voltadas a séries temporais, sendo que várias delas são baseadas em médias móveis. Este vídeo traz explicações sobre o conceito da média móvel e demonstra como ela pode ser calculada com o uso do Microsoft Excel. Conteúdo interativo disponível na plataforma de ensino! Utilização de métodos causais para previsão de demanda As técnicas baseadas em médias são alternativas muito populares no caso dos métodos quantitativos de previsão de demanda. Porém, quando os dados históricos apresentam comportamentos como tendência ou sazonalidade, utilizar técnicas baseadas em médias não é a melhor alternativa, pois as previsões decorrentes delas não levarão em consideração os comportamentos mencionados. Nesse caso, a melhor alternativa é trabalhar com os modelos causais, como a regressão simples, técnica indicada para situações em que existe correlação entre a demanda e alguma outra variável. Este vídeo é baseado em uma situação como essa, demonstrando a realização dos cálculos necessários e dando algumas dicas de como o Excel pode auxiliar na aplicação do método. Conteúdo interativo disponível na plataforma de ensino!
Compartilhar