PCP aulas previsão de demanda

Prévia do material em texto

Previsão de Demanda
Disciplina: Planejamento e Controle da ProduçãoCurso: Engenharia da ProduçãoProfessora Tatiane Barleto Canizela Guimarães
Profa. Tatiane Barleto Canizela Guimarães
Conteúdo
 Revisão demanda e capacidade
 Gerenciar capacidade e demanda
 Previsão da demanda
 Métodos quantitativos
 Métodos qualitativos
 Híbridos
 Sistema de previsão da demanda
Profa. Tatiane Barleto Canizela Guimarães
Processo de previsão de demanda
consiste em determinar as quantidades de vendas futuras com base em informações históricas, mudanças tecnológicas e tendências de mercado. 
utiliza análise quantitativa e/ou qualitativa. 
é importante pois os recursos físicos como instalações, máquinas, estoques em geral apresentam "inércia decisória", que é o tempo em que uma decisão tomada leva para acontecer. 
Profa. Tatiane Barleto Canizela Guimarães 4
Previsão da Demanda(TUBINO, 1999)
 A previsão da demanda é a base para o planejamentoestratégico da produção, vendas e finanças de qualquerempresa.
 Permite que os gestores desses sistemas antevejam o futuro eplanejem adequadamente suas ações.
 As previsões são usadas pelo PCP em dois momentosdistintos: para planejar o sistema produtivo e para planejaro uso deste sistema produtivo.
Profa. Tatiane Barleto Canizela Guimarães
Os 4 erros mais comuns na hora de prever a demanda.
1 - Confundir previsões com metas, e ainda, considerar as metas como se fossem previsões;
2 - Gastar tempo discutindo se estamos errando ou acertando nas previsões, quando o ideal é o quanto estamos errando ou acertando e o que pode ser feito para melhorar.
3 - Considerar apenas a previsão sem uma estimativa do erro. Por exemplo: Vamos vender 150 sanduíches por final de semana com uma estimativa de erro de mais ou menos 10%
4 - Desistir ou não se esforçar o suficiente para melhorar o processo de previsão.
Profa. Tatiane Barleto Canizela Guimarães
Capacidade
 Segundo Moreira (1993) capacidade refere-se à quantidademáxima de produtos e serviços que podem ser produzidosnuma unidade produtiva, num dado intervalo de tempo.
 Ex: toalhas/hora, clientes/dia, pares/min, chequescompensados/hora
 Variáveis da função capacidade:
Volume: pequenamédiagrande
Tempo: Curto PrazoMédio PrazoLongo Prazo
Profa. Tatiane Barleto Canizela Guimarães
Quantidade de clientes que chega no sistema para serem tratados por período de tempo
5 tipos de demanda
• Demanda permanente• Demanda sazonal• Demanda irregular• Demanda em declínio• Demanda derivada• Demanda negativa
Demanda
Profa. Tatiane Barleto Canizela Guimarães
O Equilíbrio de Mercado
Profa. Tatiane Barleto Canizela Guimarães
Profa. Tatiane Barleto Canizela Guimarães
Gerenciar a capacidade
 Gerenciamento da capacidade de oferta
 Compartilhar a capacidade
 Aumentar a participação de clientes
 Treinar empregados multifuncionais
 Programar turnos de trabalho
 Utilizar empregados em meio turno
 Criar uma capacidade ajustável
Profa. Tatiane Barleto Canizela Guimarães
Gerenciar a capacidade
 Gerenciamento da demanda
 Dividir a demanda
 Desenvolver serviços complementares
 Desenvolver sistema de reservas
 Oferecer incentivos de preços
 Promover demanda fora da alta estação
Mas qual será a demanda da empresa no(s) próximo período?
Profa. Tatiane Barleto Canizela Guimarães
Previsão da demanda
 Aplicações:
 Área financeira - planejamento da necessidadede recursos
 Recursos humanos - modificações no nível daforça de trabalho
 Vendas - no agendamento de promoções
 Operações - gestão de estoques (bensfacilitadores) e no desenvolvimento de planosagregados de produção
Profa. Tatiane Barleto Canizela Guimarães
Previsão da demanda
 Métodos utilizados:
 Quantitativos (forecasting) - análise de séries temporais –previsões são realizadas a partir do passado (dados históricos)
 Qualitativos - opinião de especialistas – previsões baseadas emexperiência.
 Combinação de ambos - modelos híbridos, ou validação de quantipor critérios quali.
Qual o melhor tipo de método?
Profa. Tatiane Barleto Canizela Guimarães 16
Previsão da Demanda
 A responsabilidade pela preparação da previsão édo setor de Marketing ou Vendas.
 Porém, existem dois motivos para que o PCPentenda:
 é a principal informação empregada pelo PCP naelaboração de suas atividades;
 em empresas PMe, não existe ainda uma especializaçãomuito grande das atividades, cabendo ao pessoal doPCP (geralmente o mesmo de Vendas) elaborar estasprevisões.
Profa. Tatiane Barleto Canizela Guimarães
Sistema de Previsão da demanda
 Três condições sem a qual não... (Makridakis et al., 1998)
 Disponibilidade de informações históricas
 Possibilidade da transformação das informações históricas emdados numéricos
 Suposição da repetição de padrões observados em dadospassados no tempo futuro.
E NO CASO DE IMPLANTAÇÃO DE UMA EMPRESA DE SERVIÇOS?
Profa. Tatiane Barleto Canizela Guimarães
Sistema de Previsão da demanda
 Passos na elaboração do sistema
Definição do problema
Coleta de informações
Pacote computacional
Análise preliminar
Escolha dos modelos
Profa. Tatiane Barleto Canizela Guimarães
Sistema de Previsão da demanda
 Passos na elaboração do sistema
Definição do problema
Coleta de informações
Pacote computacional
Análise preliminar
Escolha dos modelos
 Custo vs. Precisão
Profa. Tatiane Barleto Canizela Guimarães 20
Objetivo do Modelo
 A primeira etapa consiste em definir a razão pela qualnecessitamos de previsões. Que produto, ou famílias deprodutos, será previsto, com que grau de acuracidade edetalhe a previsão trabalhará, e que recursos estarãodisponíveis para esta previsão.
 A sofisticação e o detalhamento do modelo depende daimportância relativa do produto, ou família de produtos, a serprevisto e do horizonte ao qual a previsão se destina.
 Itens pouco significativos podem ser previstos com maior margemde erro, empregando-se técnicas simples. Assim como admite-semargem de erro maior para previsões de longo prazo,empregando-se dados agregados de famílias de produtos.
Profa. Tatiane Barleto Canizela Guimarães
Sistema de Previsão da demanda
 Passos na elaboração do sistema
Definição do problema
Coleta de informações
Pacote computacional
Análise preliminar
Escolha dos modelos
 Período – unidade de tempo da previsão
 Horizonte – períodos fututos cobertos pela previsão
 Intervalo – freqüência das novas previsões
Profa. Tatiane Barleto Canizela Guimarães
Sistema de Previsão da demanda
 Passos na elaboração do sistema
Definição do problema
Coleta de informações
Pacote computacional
Análise preliminar
Escolha dos modelos
 Dados estatísticos e dados subjetivos
 Montagem do banco de dados – série temporal (serviços e demandas) e filtros
 Classificação ABC dos produtos
Classe A - Esta classe representa 80% do faturamento e cerca de 20% dos serviçosA previsão de demanda é feita para cada produto desta classe. Estratificações das séries temporais de demanda podem também ser de interesse gerencial.
Profa. Tatiane Barleto Canizela Guimarães
Sistema de Previsão da demanda
 Passos na elaboração do sistema
Definição do problema
Coleta de informações
Pacote computacional
Análise preliminar
Escolha dos modelos
 Dados estatísticos e dados subjetivos
 Montagem do banco de dados – série temporal (serviços e demandas) e filtros
 Classificação ABC dos produtos
Classe B - representa 15% do faturamento e cerca de 30% dos serviços. A previsão de demanda é feita individualmente para cada produto, porém estratificações nas séries não são, via de regra, necessárias. 
Profa. Tatiane Barleto Canizela Guimarães
Sistema de Previsão da demanda
 Passos na elaboração do sistema
Definição do problema
Coleta de informações
Pacote computacional
Análise preliminar
Escolha dos modelos
 Dados estatísticos e dados subjetivos
 Montagemdo banco de dados – série temporal (serviços e demandas) e filtros
 Classificação ABC dos produtos
Classe C - contempla 5% do faturamento e cerca de 50% dos produtos vendidos pela empresa. Para os produtos nesta classe, o mais indicado é a realização de uma previsão agregada de demanda.
Profa. Tatiane Barleto Canizela Guimarães
Sistema de Previsão da demanda
 Passos na elaboração do sistema
Definição do problema
Coleta de informações
Pacote computacional
Análise preliminar
Escolha dos modelos
 Definição dos níveis de agregação
 Permite a visualização de características de comportamento
Profa. Tatiane Barleto Canizela Guimarães
Coleta e Análise dos Dados
 Visa identificar e desenvolver a técnica de previsão quemelhor se adapte. Alguns cuidados básicos:
 Quanto mais dados históricos forem coletados e analisados, maisconfiável a técnica de previsão será;
 Os dados devem buscar a caracterização da demanda pelosprodutos da empresa, que não é necessariamente igual as vendaspassadas;
 Variações extraordinárias da demanda devem ser analisadas esubstituídas por valores médios, compatíveis com ocomportamento normal da demanda;
 O tamanho do período de consolidação dos dados tem influênciadireta na escolha da técnica de previsão mais adequada, assimcomo na análise das variações extraordinárias.
Profa. Tatiane Barleto Canizela Guimarães
Sistema de Previsão da demanda
 Passos na elaboração do sistema
Definição do problema
Coleta de informações
Pacote computacional
Análise preliminar
Escolha dos modelos
 Modelos de forecasting contemplados no produto
 Forma de gerenciamento das informações
 A apresentação gráfica e relatórios dos resultados obtidos na análise
 Sistema operacional
 Fácil utilização e aprendizado
Profa. Tatiane Barleto Canizela Guimarães
Sistema de Previsão da demanda
 Passos na elaboração do sistema
Definição do problema
Coleta de informações
Pacote computacional
Análise preliminar
Escolha dos modelos
 Possibilidade de implementação de novos modelos de forecasting
 Centenas de séries temporais podem estar em estudo?
 Capacidade de processamento de dados do pacote
 Precisão dos cálculos
Profa. Tatiane Barleto Canizela Guimarães 29
Seleção da Técnica de Previsão
 Existem técnicas qualitativas e quantitativas. Cada umatendo o seu campo de ação e sua aplicabilidade. Algunsfatores merecem destaque na escolha da técnica deprevisão:
 Decidir em cima da curva de troca “custo-acuracidade”;
 A disponibilidade de dados históricos;
 A disponibilidade de recursos computacionais;
 A experiência passada com a aplicação de determinada técnica;
 A disponibilidade de tempo para coletar, analisar e preparar osdados e a previsão;
 O período de planejamento para o qual necessitamos da previsão.
Profa. Tatiane Barleto Canizela Guimarães 30
Obtenção da Previsões e Monitoração
 Com a definição da técnica de previsão e a aplicação dosdados passados para obtenção dos parâmetrosnecessários, podemos obter as projeções futuras dademanda. Quanto maior for o horizonte pretendido, menora confiabilidade na demanda prevista.
 A medida em que as previsões forem sendo alcançadas pelademanda real, deve-se monitorar a extensão do erro entre ademanda real e a prevista, para verificar se a técnica e osparâmetros empregados ainda são válidos. Em situações normais,um ajuste nos parâmetros do modelo, para que reflita astendências mais recentes, é suficiente.
Profa. Tatiane Barleto Canizela Guimarães 31
Técnicas de previsão
 Existem uma série de técnicas disponíveis, comdiferenças substanciais entre elas. Porém, cabe descreveras características gerais que normalmente estãopresentes em todas as técnicas de previsão, que são:
 Supõem-se que as causas que influenciaram a demanda passadacontinuarão a agir no futuro;
 As previsões não são perfeitas, pois não somos capazes de prevertodas as variações aleatórias que ocorrerão;
 A acuracidade das previsões diminui com o aumento do períodode tempo auscultado;
 A previsão para grupos de produtos é mais precisa do que para osprodutos individualmente, visto que no grupo os erros individuaisde previsão se anulam.
Profa. Tatiane Barleto Canizela Guimarães 32
Técnicas de previsão
 As técnicas de previsão podem ser subdivididas em doisgrandes grupos:
 As técnicas qualitativas privilegiam principalmente dadossubjetivos, os quais são difíceis de representar numericamente.Estão baseadas na opinião e no julgamento de pessoas chaves,especialistas nos produtos ou nos mercados onde atuam estesprodutos;
 As técnicas quantitativas envolvem a análise numérica dos dadospassados, isentando-se de opiniões pessoais ou palpites.Empregam-se modelos matemáticos para projetar a demandafutura. Podem ser subdivididas em dois grandes grupos: astécnicas baseadas em séries temporais, e as técnicas baseadasem correlações.
Profa. Tatiane Barleto Canizela Guimarães
Sistema de Previsão da demanda
 Passos na elaboração do sistema
Definição do problema
Coleta de informações
Pacote computacional
Análise preliminar
Escolha dos modelos
 Dados históricos são agrupados e representados graficamente
 Tratamento dos dados espúrios
Procedimento A. Quando o valor espúrio encontra-se no final da série temporal e existem valores suficientes para gerar um modelo de previsão, substitui-se o valor espúrio pela previsão relativa ao período correspondente ao dado excluído.
Profa. Tatiane Barleto Canizela Guimarães
Sistema de Previsão da demanda
 Passos na elaboração do sistema
Definição do problema
Coleta de informações
Pacote computacional
Análise preliminar
Escolha dos modelos
 Dados históricos são agrupados e representados graficamente
 Tratamento dos dados espúrios
Procedimento B. Quando o valor espúrio encontra-se no início da série temporal substituir o valor espúrio por um valor médio das observações imediatamente adjacentes a ele, e gerar um modelo de previsão. Uma vez feita a previsão, o valor espúrio é substituído pela previsão relativa ao período correspondente.
Profa. Tatiane Barleto Canizela Guimarães
Sistema de Previsão da demanda
 Passos na elaboração do sistema
Definição do problema
Coleta de informações
Pacote computacional
Análise preliminar
Escolha dos modelos
 Conhecer os aspectos que influenciam a demanda a ser analisada (promoção, e.g.)
 Características da série temporal (sazonalidade, tendência, entre outros)
 Agregação temporal dos dados (agregamentos dos dados – seleção do modelo)
Profa. Tatiane Barleto Canizela Guimarães
Sistema de Previsão da demanda
 Passos na elaboração do sistema
Definição do problema
Coleta de informações
Pacote computacional
Análise preliminar
Escolha dos modelos
 Intervalo de previsões – também auxiliam na determinação do método a ser utilizado
 Após implantado, o sistema deve ser contínuamente alimentado
Profa. Tatiane Barleto Canizela Guimarães 37
Previsões baseadas em séries temporais
 Partem do princípio de que a demanda futura será umaprojeção dos seus valores passados, não sofrendoinfluência de outras variáveis.
 É o método mais simples e usual de previsão, e quando bemelaborado oferece bons resultados.
 Para se montar o modelo de previsão, é necessário plotar osdados passados e identificar os fatores que estão por trás dascaracterísticas da curva obtida.
 Uma curva temporal de previsão pode conter tendência,sazonalidade, variações irregulares e variações randônicas.
Previsões baseadas em séries temporais
0
10
20
30
40
50
60
Jan. Fev. Mar. Abr. Mai. Jun. Jul. Ago. Set. Out. Nov. Dez.
Dem
and
a
Variação irregular
Sazonalidade Tendência
Variação randônica
Profa. Tatiane Barleto Canizela Guimarães
Técnicas para MédiaMédia Móvel
 A média móvel usa dados de um número predeterminado de períodos,normalmente os mais recentes, para gerar sua previsão. A cada novoperíodo de previsão se substituio dado mais antigo pelo mais recente.
Mm
D
nn
ii 1
n
 
Mmn = Média móvel de n períodos;Di = Demanda ocorrida no período i;n = Número de períodos;i = índice do período (i = 1,2,3,...)
Profa. Tatiane Barleto Canizela Guimarães
Técnicas para MédiaMédia Móvel
Período Janeiro Fevereiro Março Abril Maio JunhoDemanda 60 50 45 50 45 70
Mm3 50 45 703 55 00    , Mm3
45 70 60
3 58 33    ,
Mm5 50 45 50 45 705 52 00      ,
Profa. Tatiane Barleto Canizela Guimarães
 O peso de cada observação decresce no tempo emprogressão geométrica, ou de forma exponencial.
 Cada nova previsão é obtida com base na previsão anterior,acrescida do erro cometido na previsão anterior, corrigido por umcoeficiente de ponderação.
 O coeficiente de ponderação (a) é fixado pelo analista dentro deuma faixa que varia de 0 a 1. Quanto maior o seu valor, maisrapidamente o modelo de previsão reagirá a uma variação real dademanda.
Técnicas para MédiaMédia Exponencial Móvel
 M M D Mt t t t    1 1 1a
Mt = Previsão para o período t;Mt-1 = Previsão para o período t-1;a = coeficiente de ponderação;Dt-1 = Demanda do período t-1.
Exercício:Média Exponencial Móvel
Técnicas para MédiaMédia Exponencial Móvel
a = 0,10 a = 0,50Período Demanda Previsão Erro Previsão Erro1 90 - - - -2 95 90,00 5,00 90,00 5,003 98 90,50 7,50 92,50 5,504 90 91,25 -1,25 95,25 -5,255 92 91,12 0,88 92,62 -0,626 95 91,20 3,80 92,31 2,697 90 91,58 -1,58 93,65 -3,658 100 91,42 8,58 91,82 8,189 92 92,27 -0,27 95,91 -3,9110 95 92,25 2,75 93,95 1,0511 92,52 94,47
Profa. Tatiane Barleto Canizela Guimarães
 Uma equação linear possui o seguinte formato:
Y = Previsão da demanda para o período X;
a = Ordenada à origem, ou intercepção no eixo dos Y;
b = Coeficiente angular;
X = Período (partindo de X=0) para previsão;
n = número de períodos observados.
Técnicas para TendênciaEquação Linear 
Y a bX         b n XY X Yn X X     2 2 a Y b Xn  
Profa. Tatiane Barleto Canizela Guimarães
Exercício:Técnicas para TendênciaEquação Linear
Profa. Tatiane Barleto Canizela Guimarães
Técnicas para TendênciaEquação Linear
Semana(X) Demanda(Y) X X 2 XY1 450 1 1 4502 430 3 5 8603 470 6 14 14104 480 10 30 19205 450 15 55 22506 500 21 91 30007 520 28 140 36408 530 36 204 4240 3830 17770
b        8 17770 36 38308 204 36 36 4280336 12 73,
a    3830 12 73 368 421 46, ,
Y = 421,46 + 12,73 X
Y9 = 421,46 + 12,73 (9) = 536,03Y10 = 421,46 + 12,73 (10) = 548,76
Profa. Tatiane Barleto Canizela Guimarães
Técnicas para TendênciaAjustamento Exponencial
Pt+1 = Previsão da demanda para o período t+1;Pt = Previsão da demanda para o período t;Pt-1 = Previsão da demanda para o período t-1;Mt = Previsão média exponencial móvel da demanda para o período t;Tt = Previsão da tendência para o período t;Tt-1 = Previsão da tendência para o período t-1;a1 = coeficiente de ponderação da média;a2 = coeficiente de ponderação da tendência;Dt = Demanda do período t;
P M Tt t t  1  M P D Pt t t t  a 1   T T P P Tt t t t t     1 2 1 1a
Exercício:Técnicas para TendênciaAjustamento Exponencial
Técnicas para TendênciaAjustamento Exponencial
Períodot DemandaD  M P D Pt t t t  a 1   T T P P Tt t t t t     1 2 1 1a P M Tt t t  1
1 200 Estimativa inicial da tendência = (240-200)/2 = 202 250 Estimativa inicial da demanda = 240 + 20 = 2603 240 260=240+204 300 268=260+0,2(300-260) 20=20+0,3((260-240)-20) 288=268+205 340 298,4=288+0,2(340-288) 22,4=20+0,3((288-260)-20) 320,8=298,4+22,46 390 334,6=320,8+0,2(390-320,8) 25,5=22,4+0,3((320,8-288)-22,4) 360,1=334,6+25,57 350 358,0=360,1+0,2(350-360,1) 29,6=25,5+0,3((360,1-320,8)-25,5) 387,6=358,0+29,68 400 390,1=387,6+0,2(400-387,2) 29,0=29,6+0,3((387,6-360,1)-29,6) 419,1=390,1+29,0
Profa. Tatiane Barleto Canizela Guimarães
Técnicas para Previsão da Sazonalidade
 A sazonalidade é expressa em termos de uma quantidade,ou de uma percentagem, da demanda que desvia-se dosvalores médios da série. Caso exista tendência, ela deveser considerada.
 O valor aplicado sobre a média, ou a tendência, é conhecido comoíndice de sazonalidade.
 A forma mais simples de considerar a sazonalidade nasprevisões da demanda, consiste em empregar o últimodado da demanda, no período sazonal em questão, eassumi-lo como previsão.
Profa. Tatiane Barleto Canizela Guimarães
Técnicas para Previsão da Sazonalidade
 A forma mais usual de inclusão da sazonalidade nasprevisões da demanda, consiste em obter o índice desazonalidade para os diversos períodos, empregando amédia móvel centrada, e aplicá-los sobre o valor médio(ou tendência) previsto para o período em questão.
 O índice de sazonalidade é obtido dividindo-se o valor dademanda no período pela média móvel centrada neste período. Operíodo empregado para o cálculo da média móvel é o ciclo dasazonalidade. Quando se dispõem de dados suficientes, calculam-se vários índices para cada período e tira-se uma média.
Profa. Tatiane Barleto Canizela Guimarães
Dia Demanda Média Móvel Centrada ÍndiceSegunda 50Terça 55Quarta 52Quinta 56Sexta 65Sábado 80Domingo 85Segunda 55Terça 50Quarta 58Quinta 50Sexta 70Sábado 75Domingo 80Segunda 52Terça 50Quarta 54Quinta 60Sexta 65Sábado 85Domingo 90Segunda 50Terça 53Quarta 55
Exercício:Técnicas para Previsão da Sazonalidade
Profa. Tatiane Barleto Canizela Guimarães
Dia Demanda Média Móvel Centrada ÍndiceSegunda 50Terça 55Quarta 52Quinta 56 443/7=63,28 56/63,28=0,88Sexta 65 448/7=64 65/64=1,01Sábado 80 443/7=63,28 80/63,28=1,26Domingo 85 449/7=64,14 85/64,14=1,32Segunda 55 443/7=63,28 55/63,28=0,86Terça 50 448/7=64 50/64=0,78Quarta 58 443/7=63,28 58/63,28=0,91Quinta 50 438/7=62,57 50/62,57=0,79Sexta 70 435/7=62,14 70/62,14=1,12Sábado 75 435/7=62,14 75/62,14=1,20Domingo 80 431/7=61,57 80/61,57=1,29Segunda 52 441/7=63 52/63=0,82Terça 50 436/7=62,28 50/62,28=0,80Quarta 54 446/7=63,71 54/63,71=0,84Quinta 60 456/7=65,14 60/65,14=0,92Sexta 65 454/7=64,85 65/64,85=1,00Sábado 85 457/7=65,28 85/65,28=1,30Domingo 90 458/7=65,42 90/65,42=1,37Segunda 50Terça 53Quarta 55
Técnicas para Previsão da Sazonalidade
Isegunda = 0,84Iterça = 0,79Iquarta = 0,87Iquinta = 0,86Isexta = 1,04Isábado = 1,25Idomingo = 1,32
Profa. Tatiane Barleto Canizela Guimarães
Técnicas para Previsão da Sazonalidade
 No caso da demanda do produto apresentar sazonalidadee tendência, há necessidade de se incorporar estas duascaracterísticas no modelo de previsão. Para se fazer isto,deve-se empregar os seguinte passos:
 Primeiro, retirar o componente de sazonalidade da série de dadoshistóricos, dividindo-os pelos correspondentes índices desazonalidade;
 Com estes dados, desenvolver uma equação que represente ocomponente de tendência;
 Com a equação da tendência fazer a previsão da demanda emultiplicá-la pelo índice de sazonalidade.
Profa. Tatiane Barleto Canizela Guimarães
Previsões Baseadas em Correlações
 Buscam prever a demanda de determinado produto apartir da previsão de outra variável que esteja relacionadacom o produto.
 O objetivo da regressão linear simples consiste emencontrar uma equação linear de previsão, do tipo Y = a +bX (onde Y é a variável dependente a ser prevista e X avariável independente da previsão), de forma que a somados quadrados dos erros de previsão (b) seja a mínimapossível. Este método também é conhecido como“regressão dos mínimos quadrados”.
Previsões Baseadas em Correlações
       b n XY X Yn X X     2 2
b 2 0 
b
Y = a + bXY
X
 a Y b Xn  
Y = PREVISÃO DA DEMANDA PARA O ITEM DEPENDENTE
X = VALOR DA VARIÁVEL INDEPENDENTE
Profa. Tatiane Barleto Canizela Guimarães 57
       b n XY X Yn X X     2 2 =  13 5224 86 143 10 45013 1663 143 10 2    , , ,71,37 , 2,99
 a Y b Xn   = 450 2 143 1013,71 ,99 ,   1,757
Previsões Baseadas em Correlações
 Uma cadeia de fastfood verificou que as vendasmensais de refeiçõesem suas casas estão relacionadas ao número de alunos matriculadosem escolas situadas num raio de 2 quilômetros em torno da casa. Aempresa pretende instalar uma nova casa numa região onde onúmero de alunos é de 13750. Qual a previsão da demanda para estanova casa?
Y = 1,757 + 2,99X
Y    1 757 2 99 13 75 42 869, , , , ou seja 42869 refeições
Previsões Baseadas em Correlações
Vendas por casaY (mil) Número de alunosX (mil) XY Y
2 X2
31,56 10,0038,00 12,0025,25 8,0047,20 15,0022,00 6,5034,20 11,0045,10 14,5032,30 10,1029,00 9,2040,90 13,4040,00 12,7024,20 7,6041,00 13,10Y = X = X.Y =  Y2  X2
Profa. Tatiane Barleto Canizela Guimarães
Manutenção e Monitorizaçãodo Modelo
 Uma vez decidida a técnica de previsão e implantado omodelo, há necessidade de acompanhar o desempenhodas previsões e confirmar a sua validade perante adinâmica atual dos dados. Esta monitorização é realizadaatravés do cálculo e acompanhamento do erro daprevisão, que é a diferença que ocorre entre o valor realda demanda e o valor previsto pelo modelo para um dadoperíodo. A manutenção e monitorização de um modelo deprevisão confiável busca:
 Verificar a acuidade dos valores previstos;
 Identificar, isolar e corrigir variações anormais;
 Permitir a escolha de técnicas, ou parâmetros, mais eficientes.
Profa. Tatiane Barleto Canizela Guimarães
Manutenção e Monitorizaçãodo Modelo
 Uma forma de acompanhar o desempenho do modeloconsiste em verificar o comportamento do erro acumuladoque deve tender a zero, pois espera-se que o modelo deprevisão gere, aleatoriamente, valores acima e abaixo dosreais, devendo assim se anular.
 O erro acumulado deve ser comparado com um múltiplo do desviomédio absoluto, conhecido como MAD (Mean Absolute Deviation).
 Em geral, compara-se o valor do erro acumulado com o valor de 4MAD. Quando ultrapassar este valor, o problema deve seridentificado e o modelo deve ser revisto.
MAD D Dn
atual prevista 
Profa. Tatiane Barleto Canizela Guimarães
a = 0,10 a = 0,50Período Datual Dprevista Erro Dprevista Erro1 90 - - - -2 953 984 905 926 957 908 1009 9210 95 Erro  Erro 
MAD = MAD =
EXERCÍCIO DA TRANSPARÊNCIA 19
Exercício:Manutenção e Monitorizaçãodo Modelo
Profa. Tatiane Barleto Canizela Guimarães
a = 0,10 a = 0,50Período Datual Dprevista Erro Dprevista Erro1 90 - - - -2 95 90,00 5,00 90,00 5,003 98 90,50 7,50 92,50 5,504 90 91,25 -1,25 95,25 -5,255 92 91,12 0,88 92,62 -0,626 95 91,20 3,80 92,31 2,697 90 91,58 -1,58 93,65 -3,658 100 91,42 8,58 91,82 8,189 92 92,27 -0,27 95,91 -3,9110 95 92,25 2,75 93,95 1,05
Erro  25,41 Erro  8,99MAD = 31,61/9 = 3,51 MAD = 35,85/9 = 3,98
Manutenção e Monitorizaçãodo Modelo
 Para a = 0,10, temos que: 4 3 51 14 04 25 41  , , , ; Para a = 0,50, temos que: 4 3 98 15 92 8 99  , , , .
Profa. Tatiane Barleto Canizela Guimarães
Manutenção e Monitorizaçãodo Modelo
 Uma série de fatores pode afetar o desempenho de ummodelo de previsão, sendo que os mais comuns são:
 A técnica de previsão pode estar sendo usada incorretamente, ousendo mal interpretada;
 A técnica de previsão perdeu a validade devido à mudança emuma variável importante, ou devido ao aparecimento de uma novavariável;
 Variações irregulares na demanda podem ter acontecido emfunção de greves, formação de estoques temporários, catástrofesnaturais, etc.
 Ações estratégicas da concorrência, afetando a demanda;
 Variações aleatórias inerentes aos dados da demanda.