Baixe o app para aproveitar ainda mais
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
Compartilhar