Baixe o app para aproveitar ainda mais
Prévia do material em texto
Previsão de Demanda Faculdade Campo Real Engenharia de Produção Profª: Camila Matos A previsão da demanda é a base para o planejamento estratégico da produção, vendas e finanças de qualquer empresa. Permite que os administradores destes sistemas antevejam o futuro e planejem adequadamente suas ações. As previsões são usadas pelo PCP em dois momentos distintos: para planejar o sistema produtivo e para planejar o uso deste sistema produtivo. Previsão de Demanda 2 A responsabilidade pela preparação da previsão da demanda normalmente é do setor de Marketing ou Vendas. Porém, existem dois bons motivos para que o pessoal do PCP entenda como esta atividade é realizada. A previsão da demanda é a principal informação empregada pelo PCP na elaboração de suas atividades; Em empresas de pequeno e médio porte, não existe ainda uma especialização muito grande das atividades, cabendo ao pessoal do PCP (geralmente o mesmo de Vendas) elaborar estas previsões. Previsão de Demanda 3 Etapas de um modelo de previsão Objetivo do modelo Coleta e análise dos dados Seleção da técnica de previsão Obtenção das previsões Monitoração do modelo 4 Consiste em definir a razão pela qual necessitamos de previsões. Que produto, ou famílias de produtos, será previsto, com que grau de acuracidade e detalhe a previsão trabalhará, e que recursos estarão disponíveis para esta previsão. A sofisticação e o detalhamento do modelo depende da importância relativa do produto, ou família de produtos, a ser previsto e do horizonte ao qual a previsão se destina. Itens pouco significativos podem ser previstos com maior margem de erro, empregando-se técnicas simples. Assim como admite-se margem de erro maior para previsões de longo prazo, empregando-se dados agregados de famílias de produtos. Objetivo do modelo 5 Visa identificar e desenvolver a técnica de previsão que melhor se adapte. Alguns cuidados básicos: Coleta e análise de dados Quanto mais dados históricos forem coletados e analisados, mais confiável a técnica de previsão será; Os dados devem buscar a caracterização da demanda pelos produtos da empresa, que não é necessariamente igual as vendas passadas; Variações extraordinárias da demanda devem ser analisadas e substituídas por valores médios, compatíveis com o comportamento normal da demanda; O tamanho do período de consolidação dos dados tem influência direta na escolha da técnica de previsão mais adequada, assim como na análise das variações extraordinárias. 6 Existem técnicas qualitativas e quantitativas. Cada uma tendo o seu campo de ação e sua aplicabilidade. Alguns fatores merecem destaque na escolha da técnica de previsão: 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 os dados e a previsão; O período de planejamento para o qual necessitamos da previsão. Seleção da técnica de previsão 7 Com a definição da técnica de previsão e a aplicação dos dados passados para obtenção dos parâmetros necessários, podemos obter as projeções futuras da demanda; Quanto maior for o horizonte pretendido, menor a confiabilidade na demanda prevista. Obtenção das previsões 8 A medida em que as previsões forem sendo alcançadas pela demanda real, deve-se monitorar a extensão do erro entre a demanda real e a prevista, para verificar se a técnica e os parâmetros empregados ainda são válidos; Em situações normais, um ajuste nos parâmetros do modelo, para que reflita as tendências mais recentes, é suficiente. Monitoração 9 Técnicas de Previsão 10 Técnicas de Previsão Existem uma série de técnicas disponíveis com diferenças substanciais entre elas. Porém, cabe descrever as características gerais que normalmente estão presentes em todas as técnicas de previsão, que são: Supõem-se que as causas que influenciaram a demanda passada continuarão a agir no futuro; As previsões não são perfeitas, pois não somos capazes de prever todas as variações aleatórias que ocorrerão; A acuracidade das previsões diminui com o aumento do período de tempo auscultado; A previsão para grupos de produtos é mais precisa do que para os produtos individualmente, visto que no grupo os erros individuais de previsão se anulam. produz somente depois de receber o pedido. 11 Técnicas de Previsão As técnicas de previsão podem ser subdivididas em dois grandes grupos: Qualitativas: privilegiam principalmente dados subjetivos, 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 estes produtos; Quantitativas: envolvem a análise numérica dos dados passados, isentando-se de opiniões pessoais ou palpites. Empregam-se modelos matemáticos para projetar a demanda futura. técnicas baseadas em séries temporais; técnicas baseadas em correlações. produz somente depois de receber o pedido. 12 Previsões baseadas em séries temporais Partem do princípio de que a demanda futura será uma projeção dos seus valores passados, não sofrendo influência de outras variáveis. É o método mais simples e usual de previsão, e quando bem elaborado oferece bons resultados. Para se montar o modelo de previsão, é necessário plotar os dados passados e identificar os fatores que estão por trás das características da curva obtida. Uma curva temporal de previsão pode conter tendência, sazonalidade, variações irregulares e variações randômicas. produz somente depois de receber o pedido. 13 Uma curva temporal pode conter: Tendência: movimento gradual de longo prazo, direcionando os dados; Sazonalidade: variações cíclicas de curto prazo, relacionadas ao fator tempo; Variações irregulares: alterações na demanda passada, resultantes de fatores excepcionais que não podem ser previstos; Variações randômicas: variações aleatórias ou normais que serão tratadas pela média. Previsões baseadas em séries temporais Previsões baseadas em séries temporais 70 60 50 40 30 20 10 0 Jan. Fev. Mar. Abr. Mai. Jun. Jul. Ago. Set. Out. Nov. Dez. Demanda Variação irregular Sazonalidade Tendência Variação randôm ica produz somente depois de receber o pedido. 15 Técnicas para Média Móvel A média móvel usa dados de um número predeterminado de períodos, normalmente os mais recentes, para gerar sua previsão. A cada novo período de previsão se substitui o dado mais antigo pelo mais recente. Características: Simplicidade operacional e facilidade de entendimento; Necessita armazenar um grande volume de dados; Quanto maior o número de períodos considerados, maior será o suavizamento das variações randômicas; Não detecta tendências. produz somente depois de receber o pedido. 16 Técnicas para Média Móvel Uso: Situações em que a demanda apresenta um comportamento estável e o produto não é muito relevante; Filtrar variações randômicas. Mm n n i1 Di Mmn = Média móvel de n períodos; Di = Demanda ocorrida no período i; n = Número de períodos; i = índice do período (i = 1,2,3,...) produz somente depois de receber o pedido. 17 Técnicas para Média Móvel 3 3 Mm 50 45 70 55,00 3 3 Mm 45 70 55 56,66 5 5 Mm 50 45 70 55 56,6 55,32 Mm n n i1 Di Exemplo 1: Vamos admitir que nos últimos 6 meses a demanda de determinado produto foi a seguinte: Qual a média móvel de três períodos para o mês de julho? produz somente depois de receber o pedido. 18 Manutenção e Monitorização do Modelo Uma vez decidida a técnica de previsão e implantado o modelo, há necessidade de acompanhar o desempenho das previsões e confirmar asua validade perante a dinâmica atual dos dados. Esta monitoração é realizada através do cálculo e acompanhamento do erro da previsão, que é a diferença que ocorre entre o valor real da demanda e o valor previsto pelo modelo para um dado período. A manutenção e monitoração de um modelo de previsão confiável busca: Verificar a acuracidade dos valores previstos; Identificar, isolar e corrigir variações anormais; Permitir a escolha de técnicas, ou parâmetros, mais eficientes. produz somente depois de receber o pedido. 19 Manutenção e Monitorização 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 previsão gere, aleatoriamente, valores acima e abaixo dos reais, devendo assim se anular. O erro acumulado deve ser comparado com um múltiplo do desvio médio 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. ΣErro ≤ 4.MAD n MAD Datual Dprevista produz somente depois de receber o pedido. 20 Manutenção e Monitorização do Modelo Uma série de fatores pode afetar o desempenho de um modelo de previsão, sendo que os mais comuns são: A técnica de previsão pode estar sendo usada incorretamente, ou sendo mal interpretada; A técnica de previsão perdeu a validade devido à mudança em uma variável importante, ou devido ao aparecimento de uma nova variável; Variações irregulares na demanda podem ter acontecido em função de greves, formação de estoques temporários, catástrofes naturais, etc. Ações estratégicas da concorrência, afetando a demanda; Variações aleatórias inerentes aos dados da demanda. produz somente depois de receber o pedido. 21 Técnicas para Média Móvel Mês Demanda MM (3 meses) Erro 1 102 2 91 3 95 4 105 5 94 6 101 7 99 8 85 9 101 Exemplo 2: Calcule a média móvel de 3 períodos e verifique se os erros são aceitáveis. produz somente depois de receber o pedido. 22 Técnicas para Média Móvel Mês Demanda MM (3 meses) Erro 1 102 --- --- 2 91 --- --- 3 95 --- --- 4 105 96 9 5 94 97 -3 6 101 98 3 7 99 100 -1 8 85 98 -13 9 101 95 6 Exemplo 2: Calcule a média móvel de 3 períodos e verifique se os erros são aceitáveis. 1 | Erro | = 35 MAD = 35/6 = 5,83 4 MAD = 4 . 5,83 4 MAD = 23,32 1 < 23,32 modelo gera erros aceitáveis produz somente depois de receber o pedido. 23 Variação do modelo anterior, dando mais ou menos ênfase ao período. Normalmente, pondera-se com pesos maiores os dados mais recentes. Para o exemplo anterior, consideremos os seguintes pesos: 50% para o último período; 30% para o penúltimo período; 20% para o antepenúltimo período. Técnicas para Média Móvel Ponderada Mmp 50 (0,2) + 45 (0,3) + 70 (0,5) 58,5 Técnicas para Média Exponencial Móvel Mais utilizada pois utiliza apenas três dados por item; Fácil operação e entendimento; Quanto maior o coeficiente de ponderação, mais rápida a previsão reagirá a uma variação da demanda: . M = Previsão para o período t; Mt-1 = Previsão para o período t- 1; = coeficiente de ponderação; Dt-1 = Demanda do período t-1. M Mt-1 D M ) t 1 t 1 produz somente depois de receber o pedido. 25 Técnicas para Média Exponencial Móvel O peso de cada observação decresce no tempo em progressão geométrica, ou de forma exponencial. Cada nova previsão é obtida com base na previsão anterior, acrescida do erro cometido na previsão anterior, corrigido por um coeficiente de ponderação. O coeficiente de ponderação () é fixado pelo analista dentro de uma faixa que varia de 0 a 1. Quanto maior o seu valor, mais rapidamente o modelo de previsão reagirá a uma variação real da demanda. produz somente depois de receber o pedido. 26 Técnicas para Média Exponencial Móvel Período Demanda =0,10 =0,50 Previsão Erro Previsão Erro 1 90 - - - - 2 95 3 98 4 90 5 92 6 95 7 90 8 100 9 92 10 95 M M t 1 D M ) Mt = Previsão para o período t; Mt-1 = Previsão para o período t-1; = coeficiente de ponderação; Dt-1 = Demanda do período t-1. t 1 t 1 Exemplo: Admitindo que as demandas nos últimos 10 períodos tiveram o seguinte comportamento, calcule as previsões: produz somente depois de receber o pedido. 27 Técnicas para Média Exponencial Móvel Período Demanda =0,10 =0,50 Previsão Erro Previsão 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 = 0,10 | Erro | = 31,61 / 9 | Erro | = 3,51 4 MAD = 4 . 3,51 = 14,04 14,04 < 25,41 25,41 8,99 = 0,50 | Erro | = 35,85 / 9 | Erro | = 3,98 4 MAD = 4 . 3,98 = 15,92 15,92 < 8,99 Modelo gera erros aceitáveis produz somente depois de receber o pedido. 28 Exercício 29 Exercício Período Demanda =0,10 =0,50 Previsão Erro Previsão Erro 1 80 - - - - 2 85 3 88 4 80 5 82 6 85 7 80 8 90 9 82 10 85 M M D M ) Mt = Previsão para o período t; Mt-1 = Previsão para o período t-1; = coeficiente de ponderação; Dt-1 = Demanda do período t-1. t 1 t 1 Exemplo: Admitindo que as demandas nos últimos 10 períodos tiveram o seguinte comportamento, calcule as previsões e aponte qual coeficiente gera menor erro. produz somente depois de receber o pedido. 30 Técnicas para Tendência Movimento gradual de longo prazo; Duas técnicas mais importantes: Equação linear para tendência (regressão linear); Ajustamento exponencial para tendência. produz somente depois de receber o pedido. 31 Técnicas para Tendência Equação Linear Uma equação linear possui o seguinte formato: Y a bX 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. b n XY X Y n X 2 X 2 n a Y b X produz somente depois de receber o pedido. 32 Técnicas para Tendência Equação Linear Y a bX b n XY X Y n X 2 X 2 n a Y b X Exemplo: Vamos admitir que determinado produto apresentou nas ultimas 8 semanas os valores descritos na tabela abaixo. Encontre a previsão de demanda para a 9ª semana aplicando a técnica tendência linear. Semana 1 2 3 4 5 6 7 8 Demanda 450 430 470 480 450 500 520 530 produz somente depois de receber o pedido. 33 Técnicas para Tendência Equação Linear Exemplo: Vamos admitir que determinado produto apresentou nas ultimas 8 semanas os valores descritos na tabela abaixo. Encontre a previsão de demanda para a 9ª semana aplicando a técnica tendência linear. Semana(X) Demanda(Y) x2 x.y 1 450 1 450 2 430 5 860 3 470 14 1410 4 480 30 1920 5 450 55 2250 6 500 91 3000 7 520 140 3640 8 530 204 4240 36 3830 204 17770 b 8 17770 36 3830 4280 12,73 8 204 36 36 336 a 8 3830 12,73 36 421,46 Y = 421,46 + 12,73 X Y9 = 421,46 + 12,73 (9) = 536,03 produz somente depois de receber o pedido. 34 Técnicas para Tendência Equação Linear Encontre agora a previsão para as semanas 10, 11, 12, e 13. Considerando os dados da tabela a seguir como a demanda real para as semanas, verifique se o erro esta dentro do MAD. Semana 9 10 11 12 13 Demanda 540 520 548 580 590 Y10 = 421,46 + 12,73 (10) = 548,76 Y11 = 421,46 + 12,73 (11) =561,49 Y12 = 421,46 + 12,73 (12) = 574,22 Y13 = 421,46 + 12,73 (13) = 586,95 Período Demanda Previsão Erro 1 540 536,03 3,97 2 520 548,76 - 28,76 3 548 561,49 - 13,49 4 580 574,22 5,78 5 590 586,95 3,05 Erro = - 29,45 | Erro | = 55,05 | Erro | = 55,05/6 = 11,01 4 MAD = 4 . 11,01 = 44,04 44,04 > - 29,45 4 MAD > Erro O erro está dentro do MAD Técnicas para Tendência Ajustamento Exponencial Mt Pt 1 Dt Pt Tt Pt 1 Mt Tt Tt 1 Pt 1 Tt 1 2 Pt 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; = coeficiente de ponderação da média; = coeficiente de ponderação da tendência; Dt = Demanda do período t; Objetivo de fazer a previsão da demanda baseada em dois fatores: Previsão da média exponencial móvel da demanda Estimativa exponencial da tendência produz somente depois de receber o pedido. 36 Técnicas para Tendência Ajustamento Exponencial Exemplo: A demanda dos últimos 8 trimestres de um produto estão apresentadas na tabela a seguir. Faça a previsão da demanda do 9º trimestre considerando o ajustamento exponencial para a tendência. Empregar 1 = 0,2 e 2 = 0,3 considerando os três primeiros trimestres para a estimativa inicial da tendência, e a previsão do quarto trimestre como sendo a demanda do terceiro trimestre mais a tendência estimada inicial. Período (t) 1 2 3 4 5 6 7 8 Demanda (D) 200 250 240 300 340 390 350 400 Considerações: Três primeiros trimestres para a estimativa inicial da tendência Previsão do 4º trimestre = demanda do 3º mais a tendência estimada inicial α1 = 0,2 e α2 = 0,3 produz somente depois de receber o pedido. 37 Técnicas para Tendência Ajustamento Exponencial Período t Demanda D MtPt1DtPt TtTt12PtPt1Tt1 Pt1MtTt 1 200 Estimativainicialda tendência=(240-200)/2=20 Estimativainicialdademanda = 240 + 20 =260 2 250 3 240 240+20= 260 4 300 260+0,2(300-260)= 268 20=20+0,3((260-240)-20) 20+0,3((260-240)-20) = 20 268+20= 288 5 340 288+0,2(340-288)= 298,4 22,4=20+0,3((288-260)-20) 20+0,3((288-260)-20) = 22,4 298,4+22,4= 320,8 6 390 318,4+0,2(390-318,4)= 332,7 25,5=22,4+0,3((320,8-288)-22,4) 22,4+0,3((318,8-288)-22,4) = 24,92 332,7+24,92= 357,62 7 350 352,7+0,2(350-352,7)= 352,16 29,6=25,5+0,3((360,1-320,8)-25,5) 24,92+0,3((352,7-318,8)-24,92) = 27,61 352,16+27,61 = 379,77 8 400 372,16+0,2(400-372,16) = 377,72 29,0=29,6+0,3((387,6-360,1)-29,6) 27,61+0,3((372,16-352,7)-27,61) = 25,16 377,72+25,16 = 402,88 produz somente depois de receber o pedido. 38 Técnicas para Previsão da Sazonalidade A sazonalidade caracteriza-se pela ocorrência de variações, para cima e para baixo, a intervalos regulares nas séries temporais da demanda; Deve existir uma razão plausível para a ocorrência, e posterior repetição, dessas variações; O período de ocorrência da sazonalidade pode ser: Anual: demanda por ar-condicionado; Mensal: atendimento bancário no final do mês; Semanal: aumento do número de atendimentos em um restaurante no fim de semana; Diário: fluxo de veículos no horário do rush. produz somente depois de receber o pedido. 39 Técnicas para Previsão da Sazonalidade A sazonalidade é expressa em termos de uma quantidade, ou de uma percentagem, da demanda que desvia-se dos valores médios da série. Caso exista tendência, ela deve ser considerada. O valor aplicado sobre a média, ou a tendência, é conhecido como índice de sazonalidade. O índice de sazonalidade é obtido dividindo-se o valor da demanda no período pela média móvel centrada neste período (ciclo de sazonalidade). produz somente depois de receber o pedido. 40 Sazonalidade Simples Exemplo: Qual a previsão de demanda para uma sexta feira? E para uma segunda-feira? Dia Demanda Dia Demanda Seg 50 Sab 75 Ter 55 Dom 80 Qua 52 Seg 52 Qui 56 Ter 50 Sex 65 Qua 54 Sab 80 Qui 60 Dom 85 Sex 65 Seg 55 Sab 85 Ter 50 Dom 90 Qua 58 Seg 50 Qui 50 Ter 53 Sex 70 Qua 55 41 Dia Demanda MMC IS Dia Demanda MMC IS Seg 50 Sab 75 62,14 1,21 Ter 55 Dom 80 61,57 1,30 Qua 52 Seg 52 63 0,83 Qui 56 443/7 = 63,28 56/63,28 = 0,88 Ter 50 62,28 0,80 Sex 65 448/7 = 64 65/64 = 1,01 Qua 54 63,71 0,85 Sab 80 443/7 = 63,28 80/63,28 = 1,26 Qui 60 65,14 0,92 Dom 85 64,14 1,32 Sex 65 64,85 1,00 Seg 55 63,28 0,86 Sab 85 65,28 1,30 Ter 50 64 0,78 Dom 90 65,42 1,38 Qua 58 63,28 0,91 Seg 50 Qui 50 62,57 0,79 Ter 53 Sex 70 62,14 1,12 Qua 55 Sazonalidade Simples Previsãon = Média . Isn Média = média total da demanda (considerar apenas ciclos completos) Previsão para sexta feira: Psexta = Média . ISsexta Psexta = 63,67 . 1,04 = 66,22 Previsão para segunda: Psegunda= Média . ISsegunda Psegunda = 63,67 . 0,84 = 53,48 Sazonalidade Simples produz somente depois de receber o pedido. 43 Dia Demanda Previsão Erro Dia Demanda Previsão Erro Seg 50 53,5 -3,5 Sab 75 79,6 -4,6 Ter 55 50,3 4,7 Dom 80 84 -4 Qua 52 55,4 -3,4 Seg 52 53,5 -1,5 Qui 56 54,8 1,2 Ter 50 50,3 -0,3 Sex 65 66,2 -1,2 Qua 54 55,4 -1,4 Sab 80 79,6 0,4 Qui 60 54,8 5,2 Dom 85 84 1 Sex 65 66,2 -1,2 Seg 55 53,5 1,5 Sab 85 79,6 5,4 Ter 50 50,3 -0,3 Dom 90 84 6 Qua 58 55,4 2,6 Seg 50 53,5 -3,5 Qui 50 54,8 -4,8 Ter 53 50,3 2,7 Sex 70 66,2 3,8 Qua 55 55,4 -0,4 Erro = 4,6 | Erro | = 64,6 | Erro | = 64,6 / 24 = 2,7 4 MAD = 4 . 2,7 = 10,8 ∑ Erro < 4 MAD 4,6 < 10,8 Modelo gera erros aceitáveis Sazonalidade Simples produz somente depois de receber o pedido. 44 No caso da demanda do produto apresentar sazonalidade e tendência, há necessidade de se incorporar estas duas características no modelo de previsão. Para se fazer isto, deve se empregar, os seguintes passos: Primeiro, retirar o componente de sazonalidade da série de dados históricos, dividindo-os pelos correspondentes índices de sazonalidade; Com estes dados desenvolver uma equação que represente o componente de tendência; Com a equação da tendência fazer a previsão da demanda e multiplica-la pelo índice de sazonalidade. Sazonalidade com Tendência produz somente depois de receber o pedido. 45 Sazonalidade com Tendência Ano Mês Demanda Ano Mês Demada 2010 Jan 34 2011 Jan 55 2010 Fev 27 2011 Fev 50 2010 Mar 31 2011 Mar 52 2010 Abr 25 2011 Abr 48 2010 Mai 24 2011 Mai 45 2010 Jun 20 2011 Jun 45 2010 Jul 46 2011 Jul 67 2010 Ago 41 2011 Ago 62 2010 Set 41 2011 Set 64 2010 Out 38 2011 Out 60 2010 Nov 36 2011 Nov 58 2010 Dez 35 2011 Dez 55 Exemplo: Qual a previsão de demanda para agosto de 2012? produz somente depois de receber o pedido. 46 Ano Mês x Demanda MMC MMC IS DSS (y) x.y 2010 Jan 1 34 27,08 1 27,08 2010 Fev 2 27 24,75 4 49,5 2010 Mar 3 31 26,83 28,96 9 86,88 2010 Abr 4 25 28,83 27,83 0,9 26,79 16 107,16 2010 Mai 5 24 31,17 30 0,8 28,52 25 142,6 2010 Jun 6 20 32,83 32 0,63 26,53 36 159,18 2010 Jul 7 46 35 33,92 1,36 36,64 49 256,48 2010 Ago 8 41 37 36 1,14 37,58 64 300,64 2010 Set 9 41 39,5 38,25 1,07 38,3 81 344,7 2010 Out 10 38 41 40,25 0,94 40,73 100 407,3 2010 Nov 11 36 42,5 41,75 0,86 42,77 121 470,47 2010 Dez 12 35 44,33 43,42 0,81 46,42 144 557,04 2011 Jan 13 55 46 45,17 1,22 43,8 169 569,4 2011 Fev 14 50 47,5 46,75 1,07 45,83 196 641,622011 Mar 15 52 49,17 48,33 1,08 48,58 225 728,7 2011 Abr 16 48 51,17 50,17 0,96 51,44 256 823,04 2011 Mai 17 45 53,17 52,17 0,86 53,47 289 908,99 2011 Jun 18 45 55,17 54,17 0,83 59,68 324 1074,24 2011 Jul 19 67 57,17 56,17 1,19 53,36 361 1013,84 2011 Ago 20 62 59,33 58,25 1,06 56,83 400 1136,6 2011 Set 21 64 61 60,17 1,06 59,79 441 1255,59 2011 Out 22 60 64,31 484 1414,82 2011 Nov 23 58 68,91 529 1584,93 2011 Dez 24 55 72,95 576 1750,8 TOTAL 300 1084,02 4900 15811,6 47 IsJan/Jul 1,26 IsFev/Ago 1,09 Is Mar/Set 1,07 Is Abr/Out 0,93 Is Mai/Nov 0,84 Is Jun/Dez 0,75 Sazonalidade com Tendência Y a bX b 24. 15811,60 300 10.84,02 = 1,97 24. 4900 – 300 . 300 a 24 1084,02 1,97 300 20,59 b n XY X Y n X 2 X 2 n a Y b X Previsão𝑛 = 𝑌. 𝐼𝑆𝑛 y = equação linear para tendência da demanda sem sazonalidade Previsão para agosto de 2012: Pago2012 = (𝑎 + 𝑏.𝑋) . 𝐼𝑆𝑎𝑔𝑜𝑠𝑡𝑜 Pago2012 = (20,59 + 1,97.32). 1,09 Pago2012 = 91,11 produz somente depois de receber o pedido. 48 Sazonalidade com Tendência Erro = -1,8 | Erro | = 53,1 | Erro | = 53,1 / 24 = 2,2 4 MAD = 4 . 2,2 = 8,8 ∑ Erro < 4 MAD -1,8 < 8,8 Modelo gera erros aceitáveis Ano Mês Demanda Previsão erro Ano Mês Demanda Previsão erro 2010 Jan 34 28,4 5,6 2011 Jan 55 58,2 -3,2 2010 Fev 27 26,7 0,3 2011 Fev 50 52,5 -2,5 2010 Mar 31 28,4 2,6 2011 Mar 52 53,6 -1,6 2010 Abr 25 26,5 -1,5 2011 Abr 48 48,5 -0,5 2010 Mai 24 25,6 -1,6 2011 Mai 45 45,4 -0,4 2010 Jun 20 24,3 -4,3 2011 Jun 45 42 3 2010 Jul 46 43,3 2,7 2011 Jul 67 73,1 -6,1 2010 Ago 41 39,6 1,4 2011 Ago 62 65,4 -3,4 2010 Set 41 41 0 2011 Set 64 66,3 -2,3 2010 Out 38 37,5 0,5 2011 Out 60 59,5 0,5 2010 Nov 36 35,5 0,5 2011 Nov 58 55,4 2,6 2010 Dez 35 33,2 1,8 2011 Dez 55 50,9 4,1 49 Previsões baseadas em correlações Relacionam a demanda de um determinado produto com base na previsão de outra variável relacionada com o produto; Ex.: demanda de sabão em pó pode estar relacionada com as vendas de máquinas de lavar roupa; Estabelecer uma equação que identifique o efeito da variável de previsão sobre a demanda do produto em análise; produz somente depois de receber o pedido. 50 Previsões baseadas em correlações Dois tipos de dados são levantados: o histórico da demanda do produto em questão (variável dependente) e o histórico da variável de previsão (variável independente); Quando a correlação entre as variáveis leva a uma equação linear, ela é conhecida como regressão linear; quando leva a uma equação curvilínea, chama-se regressão não-linear; produz somente depois de receber o pedido. 51 Previsões baseadas em correlações Quando duas variáveis estão envolvidas, chama-se regressão simples; se mais do que duas variáveis estão envolvidas, chama-se regressão múltipla; Será tratado apenas os casos de regressão linear simples; O objetivo será encontrar uma equação do tipo: Y = a + bX, onde Y é a variável dependente a ser prevista e X é a variável independente. produz somente depois de receber o pedido. 52 Previsões baseadas em correlações b n XY X Y n X 2 X 2 2 0 Y = a + bX Y X n a Y b X onde n é o número de pares XY observados produz somente depois de receber o pedido. 53 Previsões baseadas em correlações Pode-se medir a existência de correlação entre duas variáveis através do fator de correlação: O valor de r varia de +1 a -1: +1 = mudança em uma variável corresponde a uma mudança no mesmo sentido na outra variável; -1 = mudança em uma variável corresponde a uma mudança no sentido oposto na outra variável; Próx. 0 = não existe correlação. produz somente depois de receber o pedido. 54 Previsões baseadas em correlações Uma cadeia de fastfood verificou que as vendas mensais de refeições em suas casas estão relacionadas ao número de alunos matriculados em escolas situadas num raio de 2 quilômetros em torno da casa. A empresa pretende instalar uma nova casa numa região onde o número de alunos é de 13750. Qual a previsão da demanda para esta nova casa? Venda por casa (y) Nº de alunos (x) 31.560 10.000 38.000 12.000 25.250 8.000 47.200 15.000 22.000 6.500 34.200 11.000 45.100 14.500 32.300 10.100 29.000 9.200 40.900 13.400 40.000 12.700 24.200 7.600 41.000 13.100 55 Previsões baseadas em correlações Venda por casa (y) Nº de alunos (x) x.y 31.560 10.000 315.600.000 100.000.000 996.033.600 38.000 12.000 456.000.000 144.000.000 1.444.000.000 25.250 8.000 202.000.000 64.000.000 637.562.500 47.200 15.000 708.000.000 225.000.000 2.227.840.000 22.000 6.500 143.000.000 42.250.000 484.000.000 34.200 11.000 376.200.000 121.000.000 1.169.640.000 45.100 14.500 653.950.000 210.250.000 2.034.010.000 32.300 10.100 326.230.000 102.010.000 1.043.290.000 29.000 9.200 266.800.000 84.640.000 841.000.000 40.900 13.400 548.060.000 179.560.000 1.672.810.000 40.000 12.700 508.000.000 161.290.000 1.600.000.000 24.200 7.600 183.920.000 57.760.000 585.640.000 41.000 13.100 537.100.000 171.610.000 1.681.000.000 450.710 143.100 5.224.860.000 1.663.370.000 16.416.826.100 b n XY X Y n X 2 X 2 2 13 5224860000 143100 450710 13 1663370000 143100 2,98 n a Y b X = 450710 2,98 143100 13 1867,07 Y 1867,07 2,98 13750 Y 42.868 ou seja 42868 refeições b Y = a + bX 56 Previsões baseadas em correlações Análise: Força = Perfeita (1), Forte (0,9 e 0,7), Moderada (0,6 e 0,4), Fraca (0,3 e 0,1), (0) não existe correlação. Sinais= (+) Diretamente proporcional, (-) inversamente proporcional. Correlação forte e diretamente proporcional. 57 Referências TUBINO, Dalvio Ferrari. Manual de Planejamento e Controle da Produção. 2 ed. São Paulo: Atlas, 2000.
Compartilhar