Aula5 Demanda

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