Previsão Vendas

Esta é uma pré-visualização de arquivo. Entre para ver o arquivo original

*
Tecnologia em Gestão da Produção Industrial
Tecnologia da Produção
 Prof. Carlos Eduardo Bastos
*
Tecnologia da Produção
Previsão de demanda
*
*
	O que são previsões?
Processo de prever futuros eventos
Base de todas as decisões gerenciais
Produção
Estoques
Pessoal
Instalações
.. Projeção / Predição / Planejamento
*
*
Gestão da Incerteza das previsões
 Aumento de expectativa dos clientes 
 Variedade de produtos com menor ciclo de vida (como utilizar histórico?)
 Forte competição
 Fornecimento e distribuição globais:
Aumento dos ciclos e tempos de distribuição
Operações modernas – pouco estoque, “core suppliers”, alta utilização de ativos 
Homogeneidade da demanda (todo mundo usa como referência)
 Ruptura de fornecimento (atentados, problemas financeiros ...)
Porque as incertezas estão aumentando?
*
*
Tipos de previsão
Previsões econômicas
Ciclos econômicos
e.g., taxa de inflação, de câmbio, etc.
Previsão tecnológica
Prever mudança tecnológica
Prever vendas de novos produtos
Previsão de demanda/vendas
Prever demanda de produtos
*
*
Processo de previsão de vendas
*
*
Processo de previsão de vendas
*
*
Requisitos da boa previsão de vendas
conhecer os mercados, suas necessidades e comportamentos
conhecer os produtos e seus usos
saber analisar os dados históricos
conhecer a concorrência e seu comportamento
conhecer as ações da empresa que afetam a demanda
formar uma base de dados relevantes para a previsão
documentar todas as hipóteses feitas na elaboração da previsão
trabalhar com fatos e não apenas opiniões
articular diversos setores para a elaboração da previsão
*
*
	Princípios de previsão
Por definição estão “sempre erradas” – portanto o que interessa é quanto podem estar erradas
É mais fácil prever de forma agregada – aumenta a certeza
Quanto mais longe, mais incerto e menos acurada
Histórico ajuda a melhorar a previsão
Utilização de informação de parceiros de negócio melhora a qualidade da previsão
Compartilhar risco pode minimizar as conseqüências
*
Erros esperados crescem com horizonte
	Princípios de previsão
*
Efeitos dos horizontes e da agregação dos dados nas previsões
	Princípios de previsão
*
*
Exemplo de agregação dos dados para previsão - McDonalds
	Princípios de previsão
Média = 24%
*
*
Abordagens de previsão
Usados quando situação é estável e dados existem
Produtos existentes
Tecnologia corrente
Envolve técnicas matemáticas
e.g., prever vendas de TVs a cores
Métodos quantitativos
Usados em situações nebulosas ou quando dados inexistem
Novos produtos
Novas tecnologias
Envolve intuição e experiência
e.g., previsão de vendas pela Internet
Métodos qualitativos
*
Abordagem qualitativa vs quantitativa
Abordagens de previsão
*
Técnicas de previsão
*
Métodos Qualitativos
Baseados em julgamentos e experiência das pessoas.
Capturam a opinião de pessoas sobre eventos futuros.
*
*
Envolve pequenos grupos de executivos
Grupo estima a demanda trabalhando em conjunto
Combina experiência gerencial de diversas áreas
Relativamente simples
Desvantagem - “group think” = influência de uma pessoa sobre o grupo
Vantagem – visões diferentes pode levar qualidade e precisão ao consenso
Júri de opinião de executivos
*
*
Composto de força de vendas
Cada vendedor projeta suas vendas
Combinadas local ou nacionalmente
Capilar - alto contato
Pode gerar viés - superestimada ou 
	subestimada
*
*
Método Delphi
Grupo de pessoas especializadas
Processo iterativo
Reduz ‘group-think’ – opiniões por meio de questionário
Novas opiniões
Tratamento estatístico
Respostas
*
*
Pesquisa de mercado
Pergunta a clientes suas intenções de compra
O que clientes dizem e fazem é em geral diferente
*
Métodos Quantitativos
Utilizam modelos matemáticos para se chegar a valores previstos.
Exigem informações quantitativas preliminares e permitem controle do erro.
*
*
Regressão linear = tenta-se descobrir uma lei que ligue valores de demanda a valores da variável causal  Y = f (X)
Modelos causais = a demanda é relacionada a uma ou mais variáveis internas ou externas à empresa.
Ex.: população, PNB – Produto Nacional Bruto
Métodos Quantitativos
*
*
Séries temporais = Conjunto de dados numéricos espaçados no tempo.
Previsão baseada só em comportamento histórico.
Assume que comportamento passado vai se repetir. 
Métodos Quantitativos
Exemplo
Ano:	1993	1994	1995	1996	1997
Vendas:	78.7	63.5	89.7	93.2	92.1	
*
*
Método direto
Assume que demanda do próximo período é igual à do mais recente
Ex.: Se vendas de maio foram de 48, então as de junho serão 48
Barato e às vezes eficiente
Para curto prazo
*
*
	MM é uma série de médias aritméticas
Usado se não há tendência ou se ela é pequena
“Suavisa” aleatoriedades
Equação:
MM
n


Demanda nos n períodos anteriores
Método de média móvel (MM)
*
*
Você é um gerente da loja de um museu que vende réplicas de objetos históricos. Você quer prever vendas para 2008 usando média móvel de 3 períodos.
 	2003	4 	2004 	6 	2005	5 	2006	3 	2007	7
Exemplo de MM
*
*
Ano
Venda
Real
Total móvel
(n = 3)
2003
4
2004
6
2005
5
2006
3
2007
7
2008
NA
15/3 = 5
Exemplo de MM
MM
(n = 3)
*
*
Ano
Resposta
Y
i
Total móvel
(n = 3)
2003
4
NA
NA
2004
6
NA
NA
2005
5
NA
NA
2006
3
4 + 6 + 5 = 15
15/3 = 5.0
2007
7
2008
NA
Exemplo de MM
MM
(n = 3)
*
*
Ano
Resposta
Y
i
Total móvel
(n = 3)
MM
2003
4
NA
NA
2004
6
NA
NA
2005
5
NA
NA
2006
3
4 + 6 + 5 = 15
15/3 = 5.0
2007
7
6 + 5 + 3 = 14
14/3 = 4.7
2008
NA
15/3 = 5.0
Exemplo de MM
(n = 3)
*
*
Gráfico MM
*
*
Usado quando há tendência 
Dado mais antigo normalmente menos importante
Pesos baseados na intuição
Geralmente somam 1
Equação
MMP


(Peso para período n) (Demanda no período n) 
Pesos
Método de média móvel ponderada (MMP)
*
*
Aumentando “n” faz as previsões menos sensíveis a mudanças
Não considera bem tendências
Requer dados históricos em quantidade
Desvantagens do método de médias móveis
*
*
Forma de média ponderada
Pesos caem exponencialmente
Dados mais recentes pesam mais
Requer constante de suavisamento ( = a)
Varia de 0 to 1
Escolha subjetiva - calibração
Requer poucos dados históricos
Equação
Método de suavisamento exponencial
Ft = Ft-1 + a x (At-1 - Ft-1) 
Valor previsto
Valor real
*
*
Você está organizando um festival cultural e pretende prever comparecimento de pessoas em 2008 usando suavisamento exponencial (a = 0,10). Para 2003 a previsão foi de 175.
. 	2003	180 	2004 	168 	2005	159 	2006	175 	2007	190
Exemplo de suavisamento exponencial
*
*
Ft = Ft-1 + a x (At-1 - Ft-1) 
Ano
Real
Previsão, 
F
t
(
a 
= 0,10)
2003
180
175 (Dado)
2004
168
2005
159
2006
175
2007
190
2008
NA
Solução suavisamento exponencial
*
*
Ft = Ft-1 + a· (At-1 - Ft-1) 
Ano
Real
Previsão, 
F
t
(a = 0,10)
2003
180
175 (Dado)
2004
168
175 + 0,10
2005
159
2006
175
2007
190
2008
NA
Solução suavisamento exponencial
*
*
Ft = Ft-1 + a· (At-1 - Ft-1) 
Ano
Real
Previsão, 
F
t
2003
180
175 (Dado)
2004
168
175 + 0,10(180 -
2005
159
2006
175
2007
190
2008
NA
(a = 0,10)
Solução suavisamento exponencial
*
*
Ft = Ft-1 + a· (At-1 - Ft-1) 
Ano
Real
Previsão, 
F
t
2003
180
175 (Dado)
2004
168
175 + 0,10(180 - 175)
2005
159
2006
175
2007
190
2008
NA
(a = 0,10)
Solução suavisamento exponencial
*
*
Ft = Ft-1 + a· (At-1 - Ft-1) 
Ano
Real
Previsão, 
F
t
2003
180
175 (Dado)
2004
168
175 + 0,10(180 - 175) = 175,50
2005
159
2006
175
2007
190
2008
NA
(a = 0,10)
Solução suavisamento exponencial
*
*
Ft = Ft-1 + a· (At-1 - Ft-1) 
Ano
Real
Previsão, 
F
t
2003
180
175 (Dado)
2004
168
175 + 0,10(180 - 175) = 175,50
2005
159
175.50 + 0,10(168 - 175.50) = 174.75
2006
175
2007
190
(a = 0,10)
Solução suavisamento exponencial
*
*
Ft = Ft-1 + a· (At-1 - Ft-1) 
Ano
Real
Previsão, 
F
t
2003
180
175 (Dado)
2004
168
2005
159
175.50 + .10(168 - 175.50) = 174.75
2006
175
2007
190
2008
NA
174.75 + .10(159 - 174.75) = 173.18
(a = 0,10)
175 + 0,10(180 - 175) = 175,50
Solução suavisamento exponencial
*
*
Ft = Ft-1 + a· (At-1 - Ft-1) 
Ano
Real
Previsão, 
F
t
2003
180
175 (Dado)
2004
168
2005
159
175.50 + .10(168 - 175.50) = 174.75
2006
175
174.75 + .10(159 - 174.75) = 173.18
2007
190
173.18 + .10(175 - 173.18) = 173.36
2008
NA
175 + 0,10(180 - 175) = 175,50
(a = 0,10)
Solução suavisamento exponencial
*
*
Ft = Ft-1 + a· (At-1 - Ft-1) 
Ano
Real
Previsão, 
F
t
2003
180
175 (Dado)
2004
168
2005
159
175.50 + .10(168 - 175.50) = 174.75
2006
175
174.75 + .10(159 - 174.75) = 173.18
2007
190
173.18 + .10(175 - 173.18) = 173.36
2008
NA
173.36 + .10(190 - 173.36) = 175.02
175 + 0,10(180 - 175) = 175,50
(a = 0,10)
Solução suavisamento exponencial
*
*
Ano
Vendas
140
150
160
170
180
190
03
04
05
06
07
08
Real
Previsão
Gráfico suavisamento exponencial
*
*
Gráfico suavisamento exponencial
Exercício
*
*
Qual modelo apresenta melhor resultado quanto a:
Nenhuma tendência para os erros de previsão
Erro = (Real - Previsão)
Menor erro de previsão
Erro médio quadrático
Desvio absoluto médio
Escolha entre modelos
( MSE = Erro2 / n ) 
( MAD =  |Erro| / n )
*
*
Um fabricante de brinquedos está escolhendo o método de previsão para suas vendas: comparar modelo MM com suavisamento exponencial.
		Vendas	MM	Suavisamento
 				Exponencial 	Ano	Real	Previsão	Previsão 	
	2002	1	0.6	1.0	 	2003	1	1.3	1.0 	2004	2	2.0	1.9 	2005	2	2.7	2.0 	2006	4	3.4	3.8
Exemplo
*
*
Ano
Real
MM
2002
1
0.6
 0.4
0.16
0.4
2003
1
1.3
-0.3
0.09
0.3
2004
2
2.0
 0.0
0.00
0.0
2005
2
2.7
-0.7
0.49
0.7
2006
4
3.4
 0.6
0.36
0.6
Total
0.0
1.10
2.0
MSE = Erro2 / n = 1.10 / 5 = .220
MAD =  |Erro| / n = 2.0 / 5 = .400
Erro
Erro2
|Erro|
Avaliação modelo MM
*
*
Ano
1992
1
1.0
0.0
0.00
0.0
1993
1
1.0
0.0
0.00
0.0
1994
2
1.9
0.1
0.01
0.1
1995
2
2.0
0.0
0.00
0.0
1996
4
3.8
0.2
0.04
0.2
Total
0.3
0.05
0.3
MSE = Erro2 / n = 0.05 / 5 = 0.01
MAD = |Erro| / n = 0.3 / 5 = 0.06
Erro
Erro2
|Erro|
Avaliação suavisamento exponencial
Real
Expon.
*
FIM
*
40
*
86
*
89