Prévia do material em texto
Curso de Engenharia de Produção Análise de Demanda Marco Caldas - Ph.D. Núcleo de Logística Integrada e Sistemas - Logis Universidade Federal Fluminense A Importância da Previsão • Diminuição de Estoques; • Aumento de Níveis de Serviço;• Aumento de Níveis de Serviço; • Reduções de Custos Logísticos • (Back Orders p. ex.). �Longo Prazo (estratégico); Horizontes de Previsão �Longo Prazo (estratégico); �Médio Prazo (tático); �Curto Prazo (operacional). Fatores que Influenciam a Demanda Tendências = movimento de longo prazo nas vendas causados por fatores tais como mudanças na população, mudanças no mudanças na população, mudanças no desempenho e “market share” da empresa, mudanças de qualidade de serviços e produtos oferecidos pela empresa e estágios do Ciclo de Vida dos Produtos. Fatores que Influenciam a Demanda Variações Sazonais = movimentos regulares de altos e baixos. Alguma razões para estes movimentos são variações climáticas, movimentos são variações climáticas, disponibilidade de produtos no mercado e datas específicas relacionadas à dias festivos, fins de semana e feriados. Fatores que Influenciam a Demanda Variações Cíclicas = movimentos de longo prazo (mais de um ano) no comportamento da demanda. Algumas destas variações são demanda. Algumas destas variações são ocasionadas por políticas econômicas de governo, incentivos fiscais, taxas cambiais, etc. Fatores que Influenciam a Demanda Variações Residuais ou Variações Aleatórias = Parte da demanda não capturada pelas variações acima. Estes valores são os pelas variações acima. Estes valores são os termos de erro introduzidos em modelos de previsão de demanda e que são tratados estatisticamente por uma função específica. Demanda Contínua Tipos de Demanda 1 10 100 0 5 10 15 Série1 100 Demanda com tendência Tipos de Demanda 1 10 0 2 4 6 8 10 12 14 Série1 Demanda Com Tendência e Sazonalidade Tipos de Demanda 1 10 100 0 5 10 15 Sazonalidade Série1 Demanda Irregular Tipos de Demanda 0 20 40 60 80 100 120 0 5 10 15 Série1 � Dependentes - Função de fatores conhecidos (p.ex. Vendas de Pneus x Vendas de Automóveis); Tipos de Demanda Vendas de Automóveis); � Independentes - Função de Fatores Probabilísticos (introdução de um novo produto no mercado). Carrefour - Vendas diárias da seção de alimentos não perecíveis (1 loja / 1 ano) Tipos de Demanda - Exemplos Carrefour - Vendas diárias da seção de alimentos não perecíveis (1 loja / 2 meses) Tipos de Demanda - Exemplos Possível Modificação do Modelo ou de Seus Parâmetros Seleção e Inicialização do Modelo Dados Históricos de Venda Modelo Matemático Processo de Previsão de Demanda Previsão Estatística Julgamento Humano Avaliação de Desempenho Matemático Previsão de Vendas Percepção Humana Cálculo dos Erros de Previsão e Atualização dos Erros Estatísticos Vendas Reais Métodos de Previsão de Demanda Método Qualitativo Método Quantitativo Métodos de Previsão de Demanda • Métodos Qualitativos: ▫ Delphi;▫ Delphi; ▫ Painel Consensus; ▫ Estimativas do Pessoal de Vendas. Delphi Características: anonimato, realimentação controlada das informações, quantificação das respostas (escala numérica), resposta estatística (pode não haver consenso) 1. Coordenador elabora Questionário1. Coordenador elabora Questionário 2. Grupo responde Questionário (escala numérica) 3. Coordenador confere coerência das respostas, altera questões (se necessário), processa análise estatística, sistematiza os argumentos manifestados 4. Grupo responde novo Questionário (com as informações da análise estatística e dos argumentos), respostas discrepantes com relação à Média devem ser justificados 5.Coordenador verifica se não houve variações significativas (Fim - Relatório), caso contrário retornar ao Passo 2. Delphi •Ótimo método para lidar com aspectos inesperados de um problema •Processo lento, média de 6 meses �� •Previsões com carência de dados históricos •Interesse pessoal dos participantes •Minimiza pressões psicológicas •Não exige presença física •Dependência dos participantes •Dificuldade de redigir o questionário •Possibilidade de consenso forçado Métodos de Previsão de Demanda • Métodos Quantitativos �Séries Temporais � Média Móvel �Modelos Causais � Modelos de Regressão� Média Móvel � Alisamento Exponencial Simples � Alisamento Exponencial Duplo (Holt) � Alisamento Exponencial Triplo (Winter) � Tendências e Sazonalidade � Decomposição Clássica � Modelos de Regressão Simples � Modelos de Regressão Múltipla � Testes de Hipóteses � Validações Estatísticas Alisamento Exponencial Simples Sem Tendência. Método permite atribuir um maior peso ( ) em valores mais recentes. Deve-se maior peso ( ) em valores mais recentes. Deve-se efetuar os seguintes cálculos: α Alisamento Exponencial Simples ...)1()1( 2211 +−+−+= −−+ tttt RRRP ααααα 22 ttt PRP )1(1 αα −+=+ )10( ≤≤αSendo: = coeficiente de amortecimento Próximo de 1 – previsão mais sensível ao último valor observado Geralmente adota-se P0 = R0 ou P0 = (ΣRt)/n α α Holt Utilizado também para séries que apresentam tendência. Existem dois coeficientes de amortecimento. Cálculos: tttt tttt TNNT TNRN −+−= +−+= −− −− 11 11 )1()( ))(1( ββ αα ttpt tttt pTNP TNNT += −+−= + −− 11 )1()( ββ Onde: : Componente nível (valor sem tendência) : Componente tendência : Coeficiente de amortecimento para a estimativa da tendência – 0 ≤ ≤ 1 : Coeficiente de amortecimento - – 0 ≤ ≤ 1α α Winter ct t t t SN RS − −+ = )1( γγ tR Adequado para previsão de séries que apresentam tendências e sazonalidades: t t N R ctS − : ajuste sazonal calculado para o período t : ajuste sazonal calculado c períodos atrás. Para previsão mensal (semanal) e sazonalidade ao longo do ano (mês), usa-se c = 12 (4). : Coeficiente de amortecimento para a estimativa da sazonalidade 0 ≤ ≤ 1. : Componente sazonal Winter 11 )1()( −− −+−= tttt TNNT ββ- Cálculo da Tendência: - Cálculo do nível considerando o ajuste sazonal: pctttpt SpTNP +−+ += )( ))(1( 11 −− − +−+ = tt ct t t TNS RN αα - Cálculo do nível considerando o ajuste sazonal: - Finalmente, a previsão: D = T.S.C.R D = Demanda Prevista (unidade ou valor); Decomposição Clássica D = Demanda Prevista (unidade ou valor); T = Nível de Tendências (unidade ou valor); S = Índice de Sazonal; C = Índice Cíclico; R = Índice Residual. Assumir que R = 1 e C = 1 tendo o cuidado de calibrar o modelo em intervalos pequenos e sucessivos. O valor de T no modelo, geralmente, é calculado a partir de estimadores de mínimos quadrados. Estes minimizam a soma das diferenças quadradas entre a demanda a ser prevista (P) e os próprios valores de T. Decomposição Clássica demanda a ser prevista (P) e os próprios valores de T. T = β0 + β1t β0 = Intercepto da Função; β1 = Coeficiente Angular da Reta; t = Tempo Envolvido na Previsão. ∑ (Dt . t ) – N . (D) . (t )β1 = ∑ t2 – N .t2 Decomposição Clássica β0 = D - β1 t N = Número de observações utilizadas; Dt = Demanda real para o período t; D = Demanda média para todo o período; t = tempo médio para todo o período. Estação t Dt Tt Dt x t t2 St D Verão 1 9458 12053,21 9458 1 0,784687 Meia-Esta. 2 11542 12539,34 230844 0,920463 Outono 3 14489 13025,47 43467 9 1,112359 Férias 4 15754 13511,6 63016 16 1,165961 Primavera 5 17269 13997,73 86345 25 1,2337 Verão 6 11514 14483,86 69084 36 0,794954 Meia-Esta. 7 12623 14969,99 88361 49 0,84322 Decomposição Clássica Meia-Esta. 7 12623 14969,99 88361 49 0,84322 Outono 8 16086 15456,12 128688 64 1,040753 Férias 9 18098 15942,25 162882 81 1,135222 Primavera 10 21030 16428,38 210300 100 1,280102 Verão 11 12788 16914,51 140668 121 0,756037 Meia-Esta. 12 16072 17400,64 192864 144 0,923644 Outono 13 17886,77 1,040753 18615,71 Férias 14 18372,9 1,135222 20857,32 t médio 6,5 Dt média 15121,5 Somat. Dt x t 1218217 Somat. t2 650 ββββ1 = 1218217 – 12 . 15121,5 . 6,5 650 – 12 . 6,5 . 6,5 ββββ1 = 486,13 Decomposição Clássica ββββ1 = 486,13 ββββ0 = 11567,08 Tt = 11567,08 + 486,13 . t