Baixe o app para aproveitar ainda mais
Prévia do material em texto
PCPM/PPCPM I 6 PRÉDIO 15 – SALA 802 AULA 5 22/09/2018 Prof. Ricardo Buneder ricardo.buneder@unilasalle.edu.br 1 PREVISÃO DE DEMANDA 2 PREVISÃO DE DEMANDA 3 ▪ O que é uma previsão? Trata-se de uma avaliação de eventos futuros utilizada para fins de planejamento. ▪ O que afeta a previsão da demanda? Alterações nas condições dos negócios resultantes da concorrência global, mudança tecnológica acelerada, instabilidades políticas, aspectos econômicos, além de preocupações socioambientais crescentes exercem pressão sobre a capacidade de uma empresa em gerar boas previsões. 4 Concorrência global Mudança tecnológica acelerada Instabilidade política Aspectos econômicos Preocupações socioambientais Figura 1: exemplos de fatores que afetam a capacidade das empresas de realizarem boas previsões POR QUE PREVER A DEMANDA? 5 ▪As previsões são necessárias para auxiliar na determinação de quais recursos serão necessários para atendimento das necessidades dos clientes, da programação dos recursos existentes e da aquisição de recursos adicionais. POR QUE PREVER A DEMANDA? 6 ▪ Boas previsões permitem aos programadores de produção a utilização eficiente da capacidade, a redução do tempo de atendimento das demandas dos clientes e ao melhor gerenciamento dos estoques. CARACTERÍSTICAS DA DEMANDA 7 ▪A previsão da demanda por bens e serviços pode variar de forma expressiva. As observações repetidas da demanda por um bem ou serviço em sua ordem de ocorrência formam um padrão conhecido como séries temporais. PADRÕES BÁSICOS PARA A DEMANDA 8 ▪ Os cinco padrões básicos da maioria da maioria das séries temporais de demanda são: 1. horizontal: flutuação dos dados em torno de uma média constante ao longo do tempo; 2. tendência: aumento ou diminuição sistemáticos na média das séries ao longo do tempo; PADRÕES BÁSICOS PARA A DEMANDA 9 3. sazonal: um padrão repetido de aumentos ou diminuições da demanda, dependendo da hora do dia, da semana, do mês, do ano; 4. cíclico: aumentos ou diminuições graduais da demanda menos previsíveis, em períodos mais longos de tempo (anos ou décadas); 5. aleatório: uma variação da demanda que não pode ser prevista. PADRÕES BÁSICOS PARA A DEMANDA 10 ▪ De onde vêm os padrões cíclicos? Surgem de 2 influências. A primeira é o ciclo de negócios, o qual inclui fatores que fazem com que a economia varie de períodos recessivos a períodos de expansão ao longo de um determinado número de anos. ▪ A segunda influência é o ciclo de vida do bem ou serviço, que reflete os estágios da demanda desde a introdução ao declínio do bem ou serviço. PADRÕES BÁSICOS PARA A DEMANDA 11 ▪ É difícil prever a variação do ciclo de negócios, já que ela é afetada por eventos nacionais e internacionais, como eleições presidenciais, turbulência política em outros países etc. ▪ Da mesma forma, é difícil prever o ritmo do aumento ou do declínio da demanda no ciclo de vida, dado que isso depende do grau de aceitação do bem ou serviço pelo mercado, bem como de variáveis econômicas. PADRÕES BÁSICOS PARA A DEMANDA 12 ▪ O padrão aleatório resulta do acaso e, portanto, não pode ser previsto. 13 Figura 2: padrões de demanda ▪ Métodos de Previsão: os métodos de previsãode demanda são classificados em dois grupos: 1. Métodos Qualitativos – baseados em opiniões e julgamentos pessoais; 2. Métodos Quantitativos – baseados em dados quantitativos e técnicas estatísticas. MÉTODOS DE PREVISÃO 14 1. Métodos Qualitativos: são subjetivos, porém muito úteis quando não há disponibilidade de dados a respeito da demanda de um produto. Um exemplo desta situação é dado pelo lançamento de um produto no mercado ou uma previsão sobre tendências de longo prazo de um determinado setor econômico ou de uma tecnologia. MÉTODOS QUALITATIVOS 15 1.1 Método Delphi: consiste em um processo de obtenção de um consenso de um grupo de especialistas. Muito útil quando não há dados históricos que gerem modelos estatísticos e quando os gerentes não possuem informações para gerar projeções confiáveis. Esse método pode ser utilizado para desenvolver previsões a longo prazo da demanda do produto e para previsões de demanda de novos produtos. MÉTODOS QUALITATIVOS 16 1.2 Opinião dos Executivos: método de previsão de demanda no qual as opiniões, a experiência e o conhecimento técnico de um ou mais executivos são adotados para se obter uma previsão única. Esse método possui como grande desvantagem a subjetividade. É utilizado para estimativas de demanda de novos produtos. MÉTODOS QUALITATIVOS 17 1.3 Estimativas da Equipe de Vendas: algumas vezes as melhores informações sobre a demanda futura originam-se das pessoas mais próximas do cliente. As estimativas da equipe de vendas são as previsões obtidas a partir das estimativas de demandas futuras feitas periodicamente pelos componentes da equipe de vendas de uma empresa.Vantagens do método: o a equipe de vendas é quem tem a maior probabilidade de conhecer quais bens ou serviços os clientes comprarão em um futuro próximo e em quais quantidades; MÉTODOS QUALITATIVOS 18 o os territórios de vendas são muitas vezes divididos por região. As informações detalhadas dessa forma auxiliam no gerenciamento dos estoques, distribuição física e formação de quadro de pessoal da equipe de vendas; o as previsões individuais dos membros da equipe podem ser combinadas para a obtenção de vendas regionais ou nacionais. MÉTODOS QUALITATIVOS 19 1.4 Pesquisa de Mercado: é um método sistemático para determinar o interesse dos consumidores em um bem ou serviço, criando e testando hipóteses por meio de um levantamento de dados. Conduzir uma pesquisa de mercado inclui: a) criar um questionário que peça informações econômicas e demográficas das pessoas entrevistadas e que indague se o entrevistado estaria interessado em adquirir o bem ou serviço; MÉTODOS QUALITATIVOS 20 b) decidir como efetuar o levantamento de dados, seja por telefone, entrevistas pessoais, e-mail, Google Forms etc.; c) selecionar uma amostra representativa de entrevistados; d) analisar as informações obtidas usando julgamento e ferramentas estatísticas para interpretar as respostas. ▪ A pesquisa de mercado pode ser empregada para prever a demanda a curto, médio e longo prazos. A precisão é excelente para o curto prazo, boa para o médio prazo e razoável para o longo prazo. MÉTODOS QUALITATIVOS 21 1.5 Analogia Histórica: este método procura identificar produtos similares para os quais existem dados de demanda a fim de, por analogia, melhor estimar, a demanda por um produto novo. Por exemplo, quando uma montadora de veículos faz suas previsões de consumo de peças sobressalentes para um modelo novo, ela sabe que o consumo de espelhos retrovisores externos direitos será maior do que o de esquerdos, simplesmente porque isso historicamente acontece com todos os modelos já lançados. MÉTODOS QUALITATIVOS 22 MÉTODOS QUANTITATIVOS 2. Métodos Quantitativos: são métodos de previsão baseados em séries de dados históricos nas quais se procura, através de análises, identificar padrões de comportamento para que esses sejam projetados para o futuro. 23 MÉTODOS QUANTITATIVOS ▪ Uma série histórica de dados é uma sequência de dados relacionados a determinada variável equiespaçada no tempo (exemplo, dados de vendas diárias, semanais, quinzenais, mensais etc.). O uso de métodos quantitativos pressupõe que os padrões identificados no passado se repetirão no futuro. 24 2.1 Métodos Causais - Regressão Linear: os métodoscausais são utilizados quando dados históricos estão disponíveis e as relações entre a variável a ser prevista (demanda) e outras variáveis internas ou externas (por exemplo, inflação, taxa de juros, variações cambiais, nível de desemprego, campanhas publicitárias etc.) podem ser identificadas. Essas relações são expressas em termos matemáticos. O método causal mais conhecido e utilizado é a regressão linear. REGRESSÃO LINEAR 25 ▪ Na regressão linear, uma variável, denominada dependente (nesse caso, a demanda) relaciona-se a uma ou mais variáveis independentes que afetam a variável dependente e, portanto, “causem” os resultados observados. Um exemplo pode ser dado pela relação entre demanda por um dado produto A (variável dependente) e investimentos em publicidade para esse produto A (variável independente): y = f(x) Demanda Produto A = f(Investimentos em Publicidade p/ o Produto A) REGRESSÃO LINEAR 26 REGRESSÃO LINEAR ▪ Conhecendo-se os valores (ou estimativas) das variáveis independentes, é possível prever/estimar o valor da variável dependente (em nosso caso, a demanda) com certo grau de confiança. 27 ▪ Exemplo: os dados da tabela a seguir constituem as vendas trimestrais (em R$ x 1000) de um produto, e os gastos do fabricante desse produto com publicidade nos últimos 8 trimestres. Considerando uma estimativa de investimento em publicidade de R$ 5 milhões para um dado período, calcule a expectativa de vendas nesse período. Repita o cálculo para uma estimativa de investimento em publicidade de R$ 8 milhões. REGRESSÃO LINEAR 28 Trimestre Publicidade (R$ milhões) Vendas ( R$ x 1000) 1 4,42 107,10 2 5,07 86,70 3 5,98 131,40 4 8,44 160,80 5 4,10 94,50 6 6,37 117,50 7 7,95 142,80 8 8,40 137,10 29 ▪ O objetivo é calcular a equação da reta que melhor se ajusta à correlação vendas x gastos com publicidade. O valor das vendas é a variável dependente porque depende dos gastos em publicidade (variável independente). Assim, as vendas estarão no eixo dos Y (variável dependente) e os gastos com publicidade no eixo dos X (variável independente). REGRESSÃO LINEAR 30 ▪ Lembrando que a equação reduzida de uma reta é dada por: Y = mx + b Onde m = coeficiente angular da reta e b = coeficiente linear. REGRESSÃO LINEAR 31 32 ▪ Como obter os coeficientes ‘m’ e ‘b’? Através das equações normais da reta: ∑Y = n.b + m ∑X ∑XY = b ∑X + m ∑X² ▪ Para resolver essas equações são necessários os valores dos somatórios (∑) de X, X², Y e XY. A construção da tabela a seguir facilita o cálculo desses valores. REGRESSÃO LINEAR 33 Trimestre Investimento em Publicidade (X) Vendas (Y) XY X² 1 4,42 107,10 473,38 19,54 2 5,07 86,70 439,57 25,70 3 5,98 131,40 785,77 35,76 4 8,44 160,80 1.357,15 71,23 5 4,10 94,50 387,45 16,81 6 6,37 117,50 748,48 40,58 7 7,95 142,80 1.135,26 63,20 8 8,40 137,10 1.151,64 70,56 ∑X = 50,73 ∑Y = 977,90 ∑XY = 6.478,70 ∑X² = 343,38 34 ▪ Substituindo-se os valores calculados na tabela anterior nas equações normais, obtém-se um sistema de duas equações. 977,90 = 8b + 50,73m(equação 1) 6.478,70 = 50,73b + 343,38m (equação 2) Isolando a variável b na equação 1 e substituindo-a na equação 2, tem-se: 8b = 977,90 – 50,73m b = (977,90 – 50,73m) / 8 REGRESSÃO LINEAR 35 6.478,70 = 50,73 [(977,90 – 50,73m) / 8] + 343,38m 6.478,70 = 50,73 [122,24 – 6,34m] + 343,38m 6.478,70 = 6.201,24 – 321,63m + 343,38m 6.478,70 – 6.201,24 = 21,75m 277,46 = 21,75m m = 12,76 REGRESSÃO LINEAR 36 b = [977,90 – (50,73 x 12,76)] / 8 = b = 41,32 Substituindo-se os valores de ‘m’ e ‘b’ na equação reduzida da reta: Y = m.X + b Y = 12,76 X + 41,32 REGRESSÃO LINEAR 37 ▪ Se quisermos estimar o valor das vendas (Y – variável dependente) para um gasto de 5 milhões (X – variável independente) em publicidade, basta substituirmos esse valor na equação obtida, ou seja: Y = 12,76 x 5 mi + 41,32 = 105,12 mi ▪ Da mesma forma, para uma estimativa de gastos de 8 milhões: Y = 12,76 x 8 mi + 41,32 = 143,40 mi REGRESSÃO LINEAR 38 39 REGRESSÃO LINEAR ▪Coeficiente de Correlação (r): como saber se a reta encontrada apresenta uma correlação aceitável entre a variável independente (investimento em publicidade) e a dependente (vendas)? Para tal, deve-se calcular o coeficiente de correlação (r). Esse coeficiente pode assumir qualquer valor entre -1 e +1. Quando r = + 1 tem-se uma correlação perfeita e positiva, ou seja, X e Y variam no mesmo sentido (se X cresce, Y também cresce, e vice-versa). 40 REGRESSÃO LINEAR ▪ Quando r = -1, a correlação também é perfeita, porém negativa, ou seja, X e Y variam em sentidos opostos (quando um cresce o outro decresce). ▪ A correlação entre X e Y é tanto mais fraca (menos confiável) quanto mais r se aproxima de zero. r Correlação 0 <= r < - 0,2 Muito baixa -0,2 <= r < -0,4 Baixa -0,4 <= r < -0,6 Média -0,6 <= r < -0,8 Alta -0,8 <= r <= -1,0 Muito alta REGRESSÃO LINEAR 41 0 <= r < 0,2 Muito baixa 0,2 <= r < 0,4 Baixa 0,4 <= r < 0,6 Média 0,6 <= r < 0,8 Alta 0,8 <= r <= 1,0 Muito alta ▪Coeficiente de Determinação (r²): esse coeficiente serve para que seja determinado o percentual da variável dependente Y explicado pela variação da variável independente X. Por exemplo, se obtivermos um coeficiente de determinação (r²) = 0,75, pode-se afirmar que 75% da variação da variável dependente Y é explicada pela variação da variável independente X. Os demais 25% ocorrem em função de fatores aleatórios. REGRESSÃO LINEAR 42 ▪ Como calcular o coeficiente de correlação (r)? A forma mais simples é através do cálculo do coeficiente de determinação (r²). ▪ Uma vez que achado o valor do coeficiente de determinação (r²), o valor do coeficiente de correlação (r) será dado por: r = √r² REGRESSÃO LINEAR 43 ▪ Como calcular o coeficiente de determinação (r²)? Através da fórmula abaixo: r² = ∑ (F – M)² / ∑ (D – M)² D = demanda real; F = demanda prevista (através da equação da reta obtida); M = média aritmética dos valores da demanda real (D). REGRESSÃO LINEAR 44 Trimestre Investimento em Publicidade (X) Demanda Real D Demanda Prevista F Média da Demanda Real D M (D – M)² (F – M)² 1 4,42 107,10 97,72 122,24 229,22 601,23 2 5,07 86,70 106,01 1.263,09 263,41 3 5,98 131,40 117,62 83,91 21,34 4 8,44 160,80 149,01 1.486,87 716,63 5 4,10 94,50 93,64 769,51 817,96 6 6,37 117,50 122,60 22,47 0,13 7 7,95 142,80 142,76 422,71 421,07 8 8,40 137,10 148,50 220,82 689,59 977,90 ∑(D – M)² = 4.498,60 ∑(F – M)² = 3.531,36 REGRESSÃO LINEAR 45 46 REGRESSÃO LINEAR ▪ A demanda prevista (F) para cada período é obtida a parir da equação Y (F) = 12,76X + 41,32 calculada a partir do método de regressão linear. ▪ A média (M) da demanda real (D) é dada por: M = ∑ D / n ▪ Segundo os dados da tabela anterior, o coeficiente de determinação (r²) é: 3.531,36 / 4.498,60 = 0,78 e o coeficiente de correlação (r) é: √r² = √0,78 = 0,89. 47 REGRESSÃO LINEAR ▪ O coeficiente de correlação (r = 0,89) indica uma correlação "muito alta" entre as variáveis investimento em publicidade e vendas. ▪ O coeficiente de determinação (r² = 0,78) indica que 78% da variação nas vendas é explicada pela variação no investimento em publicidade, e os 22% restantes ocorrem por fatores aleatórios. Y = F(t) = mX + b REGRESSÃO LINEAR 48 ∑Y = n.b + m ∑X ∑XY = b ∑X + m ∑X² REGRESSÃO LINEAR 49 r = √r² r² = ∑ (F – M)² / ∑ (D – M)² REGRESSÃO LINEAR 50SÉRIES TEMPORAIS 2.2 Séries Temporais: utilizam informações históricas que dizem respeito somente à variável dependente, ou seja, a demanda. ▪ O método de série temporal mais simples para levar em conta todos os padrões de demanda é a previsão ingênua. 51 PREVISÃO INGÊNUA ▪ Previsão Ingênua: considera que a previsão de demanda para o próximo período analisado é IGUAL à demanda para o período atual. Portanto, se a demanda real para um serviço na quarta-feira é de 35 clientes, a demanda prevista para quinta- feira será também de 35 clientes. Trata-se de um método com bons resultados quando os padrões horizontal, de tendência ou sazonal forem estáveis e a variação aleatória for pequena. 52 MÉDIA 53 ▪ Vamos analisar a Figura 3, a qual mostra a chegada de pacientes em uma clínica médica ao longo das últimas 28 semanas. Suponha que o padrão de demanda não possua tendência, sazonalidade ou ciclicidade. A série temporal apresenta apenas um padrão horizontal e aleatório. Como não é possível prever a aleatoriedade, devemos nos concentrar apenas na estimativa da média, pois o padrão horizontal em uma série temporal é baseado na média das demandas. 54 Figura 3 – Chegada de pacientes semanalmente em uma clínica MÉDIA 55 ▪ As técnicas estatísticas úteis para a previsão de uma série temporal são: (1) médias móveis simples; (2) médias móveis ponderadas; e (3) suavização exponencial. MÉDIAS MÓVEIS SIMPLES [MMS] 56 2.2.1 Método da média móvel simples: empregado para estimar a média de uma série temporal da demanda. É de grande utilidade quando a demanda não possui influências sazonais ou tendências acentuadas. A aplicação de um modelo de MMS envolve calcular a demanda média para os n períodos de tempo mais recentes e adotá-la como previsão para o período seguinte. MÉDIAS MÓVEIS SIMPLES [MMS] 57 ▪ A previsão para o período t + 1 pode ser calculada como: F (t + 1) = (Soma das últimas n demandas) / n = (Dt + Dt-1 + Dt-2 +....+ Dt – n+1) / n, onde: Dt = demanda real no período t; n = número total de períodos na média; F(t+1) = previsão para o período (t+1). EXEMPLO: MÉDIAS MÓVEIS SIMPLES 58 ▪ Calcular a previsão de demanda para a semana 4 utilizando o método da média móvel simples com n = 3 para a chegada de pacientes na clínica médica da Figura 4. Semana Chegada de Pacientes 1 400 2 380 3 411 EXEMPLO: MÉDIAS MÓVEIS SIMPLES 59 ▪ A previsão para da chegada de pacientes para a semana 4 é dada por: ▪ F4 = (411 + 380 + 400) / 3 = 397 ▪ Se o número real de pacientes que chegaram à clínica na semana 4 for de 415, qual será a previsão para a semana 5 se continuarmos a usar n = 3. ▪ F5 = (415 + 411 + 380) / 3 = 402 Média Móvel Simples [MMS] = (∑ Demandas reais dos n períodos anteriores) / n MÉDIAS MÓVEIS SIMPLES [MMS] 60 MÉDIAS MÓVEIS PONDERADAS [MMP] 61 2.2.2 No método da média móvel simples, cada demanda real anterior possui o mesmo peso para o cálculo da média. No método da média móvel ponderada, cada demanda real pode ter seu próprio peso para o cálculo da previsão. A soma dos pesos deve ser igual a 1. O maior peso deve ser atribuído ao período mais recente, e assim sucessivamente até o período mais distante, o qual vai receber o menor peso. F(t+1) = P1 x Dt + P2 x D(t – 1) + P3 x D(t – 2) .... P1 > P2 > P3 MÉDIAS MÓVEIS PONDERADAS [MMP] 62 ▪ Exemplo: as vendas semanais de sorvetes das últimas 3 semanas em uma sorveteria são apresentadas na tabela abaixo. Calcular pelo método da média móvel ponderada a previsão de demanda para o período 4, utilizando os pesos 0,50; 0,30 e 0,20, e n = 3. Semana Vendas de sorvete (em kg) 1 1.000 2 1340 3 1330 4 ? MÉDIAS MÓVEIS PONDERADAS [MMP] 63 ▪ Basta multiplicar as vendas de cada semana pelo respectivo peso. Como se deseja a previsão para a semana 4, os pesos deve ser aplicados em ordem decrescente da semana 3 até a semana 1 (3 períodos). Logo: ▪ F4 = 1.330 x 0,5 + 1.340 x 0,30 + 1.000 x 0,20 = ▪ F4 = 665 + 402 + 200 = 1.267 kg Média Móvel Ponderada [MMP] = ∑ (D1 x P1) + (D2 x P2) + (D3 x P3) +...+ (Dn x Pn) MÉDIA MÓVEL PONDERADA [MMP] 64 SUAVIZAÇÃO EXPONENCIAL 65 2.2.3 O método da suavização exponencial é muito utilizado por sua simplicidade e pelo pequeno número de dados necessários para apoiá-lo. Diferentemente do método da média móvel ponderada, que requer n períodos de demanda real passada e n pesos, a suavização exponencial requer somente três tipos de dados: a previsão de demanda do último período, a demanda real para esse período e um parâmetro de aproximação (α), que tem um valor entre 0 e 1,0. SUAVIZAÇÃO EXPONENCIAL 66 A equação para o cálculo da previsão de demanda pelo método da suavização exponencial é: F(t + 1) = Ft + α . (Dt – Ft) onde: F(t+1) = previsão de demanda para o período t+1; Ft = previsão de demanda para o período t; Dt = demanda real para o período t; α = coeficiente de suavização. SUAVIZAÇÃO EXPONENCIAL 67 Como saber qual valor de α utilizar? O valor é obtido por tentativas, de acordo com as seguintes etapas: - aplicam-se vários valores de α (entre 0 e 1,0), obtendo-se várias séries de previsões; - para cada conjunto de valores de previsões obtida para um valor de α, calcula-se uma medida de erro total em relação a demandas reais (obtidas pelo histórico de demandas); - escolhe-se o valor de α que fornece previsões com menor erro total. SUAVIZAÇÃO EXPONENCIAL 68 Para utilizar o método da suavização exponencial é necessário um valor inicial de previsão. Para tal existem duas possibilidades: a) usar a demanda real do último período; b) calcular a média de diversos períodos recentes da demanda. SUAVIZAÇÃO EXPONENCIAL 69 Exemplo: a partir dos dados de chegada de pacientes em uma clínica médica, calcular pelo método da suavização exponencial a previsão para a semana 4, utilizando α = 0,1. Semana Chegada de Pacientes 1 400 2 380 3 411 SUAVIZAÇÃO EXPONENCIAL 70 Para calcular a previsão para a semana 4 precisamos de um valor inicial de previsão. Podemos considerar a previsão para a semana 4 como igual a 411 (demanda real do último período) ou como a média da demanda real dos dois últimos períodos (semanas 1 e 2): (400 + 380) / 2 = 390. F4 = F3 + α x (D3 – F3) F4 = 411 + 0,1 x (411 – 411) = 411 ou F4 = 390 + 0,1 x (411 – 390) = 392,1, ou 392 pacientes. SUAVIZAÇÃO EXPONENCIAL 71 Supondo que a demanda real de pacientes para a semana 4 tenha sido de 415 pacientes, é possível calcular a previsão para a semana 5: F5 = F4 + α x (D4 – F4) F5 = 392 + 0,1 x (415 – 392) = 394,3 ou 394 pacientes. Suavização Exponencial [F(t + 1)] = Ft + α . (Dt – Ft) SUAVIZAÇÃO EXPONENCIAL 72 ERROS DE PREVISÃO 73 ▪ As previsões sempre contém erros. Tais erros podem ser considerados de viés ou erros aleatórios. Erros de viés consistem de enganos consistentes – a previsão é sempre muito alta (muito acima do valor real) ou muito baixa (muito abaixo do valor real) – ou de não estimar com a devida precisão os padrões de demanda (tendência, sazonalidade ou ciclicidade). ERROS DE PREVISÃO 74 ▪ Os erros aleatórios resultam de fatores imprevisíveis que fazem com que a previsão se afaste do valor real. Os erros de viés e aleatórios devem ser minimizados através da escolha de um modelo de previsão adequado. MEDIDAS DO ERRO DE PREVISÃO 75 ▪ O erro de previsão é medido pela diferença entre a demanda real para um dado período (Dt) e sua previsão (Ft): Et = Dt – Ft Et = erro de previsão para o período t; Dt = demanda real para o período t; Ft = previsão para o períodot. ▪ Controle do Erro nas Previsões: existem duas classes de indicadores de controle de erro nas previsões, de acordo com o uso que tenham na prática: I. Indicadores que servem para verificar a adequação de um modelo de previsão; II. Indicadores que servem para acompanhar o desempenho de um modelo escolhido. INDICADORES DE CONTROLE DO ERRO NAS PREVISÕES 76 I. Indicadores que servem para verificar a adequação de um modelo de previsão: as medidas de erro mais usadas para os métodos estudados (MMS, MMP e suavização exponencial) são o Desvio Médio Absoluto (MAD) e o Erro Médio Quadrático (MSE). INDICADORES DE CONTROLE DO ERRO NAS PREVISÕES 77 MAD = (∑ |D - F|) / n Onde: D = valor real da demanda; F = valor previsto para a demanda; n = número de pares (D,F); | | = módulo (valor absoluto) INDICADORES DE CONTROLE DO ERRO NAS PREVISÕES 78 MSE = ∑ (D - F)² / (n – 1) ▪ Exemplo: para os dados da tabela seguinte, calcular o MAD e o MSE e a partir disso determinar qual método utilizado para o cálculo da previsão de demanda foi o mais adequado (Método 1 ou Método 2). INDICADORES DE CONTROLE DO ERRO NAS PREVISÕES 79 Período Demanda Real (D) Demanda Prevista (F1) Método 1 MOD (D1 – F1) (D1 – F1)² Demanda Prevista (F2) Método 2 MOD (D2 – F2) (D2 – F2)² 1 15 15 0 0 15 0 0 2 17 15 2 4 15 2 4 3 19 15,6 3,4 11,56 15 4 16 4 21 16,62 4,38 19,18 15,18 5,82 33,87 5 23 17,93 5,07 25,70 15,61 7,39 54,61 6 25 19,45 5,55 30,80 16,31 8,69 75,52 7 27 21,12 5,88 34,57 17,25 9,75 95,06 8 29 22,88 6,12 37,45 18,41 10,59 112,15 9 31 24,72 6,28 39,44 19,75 11,25 126,56 10 33 26,60 6,40 40,96 21,24 11,76 138,30 11 35 28,52 6,48 41,99 22,85 12,15 147,62 12 37 30,46 6,54 42,77 24,55 12,45 155,00 ∑ MOD [(D – F1)]= 58,10 ∑ (D – F1)² = 328,42 ∑ MOD [(D – F2)] = 95,85 ∑ (D – F2)² = 958,69 80 MAD Método 1 = 58,10 /12 = 4,84 MAD Método 2 = 95,85 / 12 = 7,99 MSE Método 1= 328,42 / 11 = 29,86 MSE Método 2 = 958,69 / 11 = 87,15 A análise dos indicadores de erro MAD e MSE comprovam que o Método 1 é o que gerou o menor erro de previsão. A ideia é comparar os resultados de previsões de mais de um método e escolher aquele que apresentar o menor MAD ou MSE. INDICADORES DE CONTROLE DO ERRO NAS PREVISÕES 81 II. Indicadores que servem para acompanhar o desempenho de um modelo já escolhido: uma medida bastante utilizada é a do Viés da Previsão (MVP). Existe um erro de viés quando os valores das previsões se mantiverem constantemente acima ou abaixo do valor real da demanda. O MVP é calculado da seguinte forma: MVP = ∑ (D - F) / n INDICADORES DE CONTROLE DO ERRO NAS PREVISÕES 82 ▪ O MVP deve ser calculado a cada novo período. Se ele se mantiver por muitos períodos com o mesmo sinal, estará havendo um erro de viés na previsão. INDICADORES DE CONTROLE DO ERRO NAS PREVISÕES 83
Compartilhar