Baixe o app para aproveitar ainda mais
Prévia do material em texto
2 o:) Previsão de Demanda 2.1 Introdução Previsão é a.arte de especificar informações signi- ficantes sobre o futuro (NARASIMHAN et al., 1995). A essa definição devemos acrescentar que a previsão deveestarrelacíonada a um conjunto de métodos e ao conhecimento doprevisor sobre o mercado, ao invés de simples adivinhação. No atual ambiente competitivo é inegável que as previsões têm um papel fundamental, servindo como guia para o planejamento estratégico da produção, fi- nanças e vendas de uma empresa. No âmbito do PCP, a previsão também é importante, uma vez que ela é um dos principais dados de entrada para várias fun- ções e decisões do PCP. As previsões dentro do PCP costumam ser clas- sificadas de acordo com o horizonte de planejamen- to (longo, médio e curto prazo) a que se destina. No longo prazo, as previsões são importantes para o PCP para o planejamento de novas instalações, de novos produtos, gastos de capital, dentre outros. No médio prazo, as previsões servem como base para o planeja- mento agregado da produção e análises de capacidade agregadas. Já no curto prazo, as previsões auxiliam na programação da força de trabalho, na programa- ção.decompras, nas análises de capacidade de curto prazo, dentre outras. . Com aproliferação datecnologia e dos pacotes computacionais as previsões se tomaram mais bara- tas e fáceis-do que nunca (SIPPER; BULFIN, 1997). Entretanto, acreditamos que o simples uso dos méto- dos e pacotes compu tacionais não é su fieiente para garantir bons resultados para uma previsão. O claro entendimento dos princípios, além de uma boa dose de experiência e conhecimento detalhado sobre ó mercado e em particular sobre os clientes importan- tes e o julgamento pessoal do planejador, também são essenciais. 2.2 Fundamentos para elaborar uma boa previsão Apesar da grande diversidade de métodos, as pre- visões apresentam algumas características comuns a todos os métodos e que devem necessariamente ser conhecidas, entendidas e aplicadas pelos .gerentes de produção. Denominamos essas características de fundamentos das previsões, as quais são mostradas a seguir: 1. Os métodos de previsão geralmente pressu- põem que o comportamento causal que exis- tiu no passado continuará a existir no futuro =? a principal consequência desse fundamen- to é que o gerente de produção deve estar sempre atento a mudanças nas suposições originais da previsão (as quais se baseavam em relações do passado); o modelo deve ser alterado caso as suposições originais não se- jam mais verdadeiras.' 2. Os erros das previsõesnâo.devern desestimu- lara utilização das previsões, uma vez que ---~i------- HI, I ! ! \,, 18 Planejamento e Controle da Produção '. Fernandes / Godinho Filho i: i· o grau de acuracidade das pre,,;isõés deve ser medido em função dos concorrentesda empresa =? erros de duas naturezas afetam as previsões: o primeiros deles, O chamado ruído, é referen'te à própria aleatoriedade do mercado; já o segundo tipo de erro ocorre devido a erros, do método de previsão utili- zado ou na escolha de parâmetros referen- tes a esse método. O primeiro tipo de erro é inevitável e todas as empresas (incluindo os concorrentes) estão sujeitas a esse erro; por- tanto, ele não deve ser fonte de preocupação. Já o segundo tipo de erro é o que deve ser minimizado, urna vez que está relacionado à qualidade do método de previsão empregado e dos parâmetros da previsão. 3. Previsões agregadas são mais precisas do que as previsões elaboradas para itens indivi- duais =? esse resultado de uma certa forma é intuitivo, já que erros para mais ou para me- nos em termos de itens individuais acabam se compensando e esse resultado também é respaldado pela ciência Estatística. 4. A exatidão das previsões diminui com o au- mento do horizonte de planejamento =? pre- visões de longo prazo são mais incertas que as de médio prazo, as quais são mais incertas que as de curto prazo. Uma consequência dessa lei é que as organizações mais flexíveis, por responderem mais rapidamente às mu- danças no mercado, requerendo portanto um menor horizonte de planejamento de previ- sões, se beneficiam de previsões mais exatas. Outra conseqüência é que se a previsão for de médio (e naturalmente também de longo) prazo, ela deve ser feita preferencialmente para itens agregados em famílias. No curto (e naturalmente no curtíssimo) prazo ela pode ser feita para itens individualizados. 5. Um bom sistema de previsão é aquele que reage a variações verdadeiras e ignora varia- ções aleatórias =? o sistema de previsão deve distinguir verdadeiras alterações nos padrões de demanda de alterações aleatórias, 6. A previsão deve ser coerente (em relação ao horizonte de tempo considerado) com as decisões que essa previsão pretende apoiar =? de acordo com esse fundamento, o ho- rizonte de planejamento da previsão deve ser no mínimo igual ao tempo necessário à , , implernentaçàodas mudanças sugeridas pela previsão. 7. A confiabilidade.do sistem~ de previsão é fundamental c=>émuito importante que os usuários do sisteijlâ de pr~visãoc~nfiem nas previsões e isso s'~'dá pormeiode um sistema de previsão que funcione consistentemen- te. 8. A previsão precisa ser expressa em unidades significativas =? 'a: escolha dessas unidades depende das necessidades do usuário. 9. Os métodos de previsão devem ser fáceis de compreender e simples de usar =? métodos simples facilitam o uso e entendimento e dessa forma a popularidade desses métodos entre os usuários; nos casos em que métodos mais sofisticados necessitam realmente ser utilizados, a lógica e as razões da utilização desses métodos .devern ser esdarecidas. 10. O processo de previsão de vendas é deres- ponsabilidadecónjunta das funções de marketing/vendase produção. 2.3 As etapas do processo de previsão Vários autores de PCP mostram passos a serem seguidos no processo de previsão (STEVENSON, 2002; TUB'INO, 2007; SIPPER; BULFIN, 1997, dentre ou- tros). Na verdade, as abordagens desses autoresapre- sentam muitos aspectos em comum. Aqui mostramos 'cinco passos os quais entendemos que compõem o processo de previsão. Passo 1: Iclentificar o objetivo da previsão O primeiro passo do processo de previsão é a identificação do objetivo da previsão. Em outras pa- lavras, desejamos saber neste passo inicial a decisão que será afetada pelo processo de previsão. O grau de importância dessa decisão éque guiará os esforços e recursos necessários à previsão, Outras informações importantes nesse passo íní- , cial são: o que será previsto, o número de itens a.se- rem previstos, o valor agregado dos itens, o nível de agregação, o horizonte de planejamento da decisão necessária (longo, médio ou curto prazo), o graude detalhe requerido pela previsão (previsões mensais, semanais etc.), o volume 'dos recursos aserern.utilí- .. i.. zados (mão de obra; tempo cornputacíonal, dinheiro etc.) e o nível de exatidão necessário. Previsão de Demanda 19 Na Tabela 2.1 mostramos uma relação entre al- gumas dessas informações. Tabela 2.1 Relação entre características importantes no processo de previsão de vendas. Horizonte de Nível de Grau de detalhe Nível de exatidão planejamento da decisão agregação requerido " necessário Longo Prazo Alto Previsões mensais Médio Médio Prazo Médio Previsões mensais ou semanais Médio/Alto Curto Prazo Baixo Previsões semanais Alto Passo 2: Selecionar uma abordagem de previsão A seleção 'de uma abordagem de previsão (quali- tativa, causal ou baseada ern séries temporais) passa por quatro importantes pontos: (i) a existência ou não de dados; (ii)a possibilidade de coleta desses dados; (iii) a naturezados dados (qtian.titativos ou qualitati- vos); e (ív) a existêriciaouri~odefatores causais. Caso não existam dadosou estes sejam muito , custosos para' sererncoletados deve-seusar uma abor- ' dagemqualitativa para a previsão 'de demanda. É o caso-por exemplo, de um nbeVoproduto. Caso existam " dados (ou nãoexistam, mas pedem ser coletados), en- tão a próxima questão a serrespondida é referente à natureza desse~ dados (dados qualitativos ou quanti- tativos). Caso os dados sejam-somente qualitativos (ou seja, inexistemdadqsquantitativos), então também a abordagem qualitativa é aili'é\is,adequada. Caso exis- tam dados quantitativos, deve-sé verificar a existência de algum fator causal. Pator causal é algum fator que influencia os dados de umamaneira conhecida e que , então pode auxiliar 'a previsão dos dados. Caso isso ocorraa abordagemcausal.éa.mais adequada e deve ser utilizada. Caso existamdados quantitativos e não exista um fator causal, então .aabordagem baseada em séries temporais deve ser utilizada. A Figura 2.1 ilustra esse procedimento de escolha da abordagem de previsão. Essasabordagens são vistas com detalhes na seção 2.4. Uma observação a esse processo de escolha da abordagem de previsãoé que muitas vezes a abor- dagemqualitativa (métodode pesquisa de mercado, Método Delphi, dentre outros) pode ser utilizada para aurrientar o grau de conhecimento a respeito do clien- te, melhorando.ou modificando previsões quantitati- vas. Um exemplo. dessa utilização conjunta pode ser visto.em Cook(1995). Dado~ .------N-:-ÃO-< .disponíveis? É possível coletar os .dados? I SIM' SIM NÃO Fatores causals ? NÃO Abordagem baseada em, sé~ies temporais Fonte: Adaptada de Sipper e Bulfin (1997), Figura 2.1 Processo deescolha da abordagem de previsão. Passo 3: Selecionar os métodos de previsão e estimar 05 parâmetros Cada uma das três abordagens de pesquisa é com- posta de diversos métodos de previsão. Portanto, uma vez escolhida a abordagem de previsão mais adequa- da, como vista no passo 2, o passo 3 do processo de previsão de vendas é a seleção dos métodos de previ- são e a estimação de parâmetros (caso os dados sejam :\ 1;1 I 20 Planejamento e Controle da Produção • Fe rn ande s / Godinho Filho quantitativos). A Tabela 2.2 apresenta os métodos de previsão mais comuns divididos de acordo com as Tabela 2.2 Métodos de previsão. abordagens de previsão. Esses métodos são tratados em detalhes na seção 2.4. Abordagens de previsão Métodos de-previsão Consenso do comitê executivo Analogia histórica Abordagem qualitativa Pesquisa de mercado I Pesquisa de clientes Pesquisa da equipe de vendas I Delphi I I Análise de regressão (linear simples, curvilíneaoumúltipla) Abordagem causal Sistemas simultâneos '. " Simulação' Média móvel ," " Média móvel ponderada , ,,' Abordagem de séries temporais Suavização exponencial " Modelos com tendência ,,' Modelos com sazonalidade ',." '" A escolha do método de previsão dentro de cada abordagem depende de um maior conhecimento de cada método (maior conhecimento de cada método é explicitado na seção, 2.4). Portanto, dedicamos uma seção inteira para tratar desse assunto com maior profundidade. ' Ainda no passo 3, para o caso de existência de dados quantitativos, parârnetros do modelo, tais como constante de suavização, taxa de tendência; índice sa-. zonal, dentre outros, devem sei estimados, isso pode ser feito simulando-se, pata diferentes valores dos parâmetros, a previsão paraperíodospassados e com- parando-se cornos dados reais desses períodos. Valo- res de parârnetros que fornecem uma melhor previsão (menor erro) devem ser escolhidos. Na seção 2.4, essas estimações de parârnetros são melhor explicadas. Passo 4: Elaborar a previsão Uma vez escolhida a abordagem de previsão e o mé- todo de previsão e estimados os parâmetros, o próximo passo é a realização da previsão propriamente dita, ou seja, a estimação dos valores para n períodos à frente. Passo 5: Mon itorar, interpretar e atualizar a previsão Monitorar, interpretar e atualizar a previsão re- presenta um importante passo dentro do processo de previsão. Primeiramente, apre:isão realizada deve ser monitorada, visando idel1tificar se ela és'tá ounão sob controle, ou seja, se os erros são baixos e não apresentam viés nem para bado nem para cima (veja seção 2.5). '. . -. Caso a previsão estejasobcontrole deve-se prever para períodos futuros, atualizando-se O modelo com o último valor real disponível. Alémdisso; outros fa- tores devem ser levados ~rriêànsideração, como por . exemplo promoções, propagandas, aumento nos pre- ços) dentre outros, os qUaisllodem afetar a previsão no próximo período de forma' não prevista 'pelo rno- dela que está sendo utili~ado.-Portantó,rrtesmoque a previsão esteja sob controle, a análise gerencial é fundamental. Caso a previsão.não esteja sob controle, devem-se verificar erros na estimação de parârnetros ou mesmo substituir o modelo ou ainda, a própria abordagem. 2.4 As abordagens eos métodos de previsão Nesta seção apresentamos as abordagens e mé- todos de previsão. 2.4.1 A abordagem quaiitativa A abordagem qualit~tivade previsão tem um caráter subjetivo, ese baseia basicamente no julga- mentodotomador de decisões (baseado na intuição, emoção, experiência pessoal évalores) para a reali- zação da previsão. Comovjmos anteriormente, essa abordagem de. previsão é utilizada principalmente quando não existem dados históricos disponíveis ou quando estes são decaráterqualitatívo. Os métodos de previsão baseados na abordagem qualitativa podem envolver diversos níveis de sofisticação. Os principais métodos de pesquisa qualitativos apresentados na li- teratura são: a) Método do consenso do comitê executivo: exe- cutivos dosvários departamentos da em-· presa Cmarketíng, operações, finanças etc.) formam um comitê para realizar a previsão em conjunto. Esse método é na verdade uma previsão de compromisso entre' as áreas da empresa. A elaboração .dessa previsão em conjuntci tem como vantagem diminuir ten- dências que estariam presentes caso fossem elaboradaspor único indivíduo, porém, exis- te o risco que a diluição de responsabilidade da previsão entre as pessoas faça com que a previsão não seja tão bem elaborada. b) Método Delphi: é uma variação formal do mé- todoanreríor. Esse método obtém uma pre- visão baseado na opinião de um conjunto de especialistas, os quais podem ser especialis- .tas em diversos campos com a finalidade de fornecer di~ersas visões e considerar diferen- tes fatores. A técnica em si é desenvolvida da seguinte forma: os especialistas respondem questões a respeito de previsões, fornecendo as razões para essas respostas. Os resultados são analisados e novas perguntas são feitas refletindo os resultados do turno anterior. Isso é repetido até que se chegue a um rela- tivo consenso. Sipper e Bulfin (1997) citam que entre três e quatro rodadas geralmente são necessárias para que se chegue a um con- senso. Gaither e Frazier (2001) mencionam que até seis rodadas podem ser necessárias para se chegar a um consenso. O método Del- phi é apresentado em detalhes em Martino (1983) e Linstone e Turoff (1975). Exemplos da aplicação prática desse método podem Previsão de Demanda 21 ser encontrados em Vickers (1992), Stocks (1990), dentre outros. c) . Método da analogia histórica: nesse método, a previsão é baseada no histórico de um pro- duto similar. Esse métcido é particularmente útil na elaboração da previsão para novos produtos. d) Método da pesquisa de mercado: nesse méto- do, hipóteses sobre O mercado são testadas por meio de entrevistas a uma amostra do mercado da empresa. Essas entrevistas po- dem ser feitas de diversas formas, como por exemplo correspondência, telefones, dentre outros. Esse método envolve técnicas estatís- ticas na análise dos resultados. É normalmen- te utilizado para previsões de longo prazo e para novos produtos. Detalhes a respeito des- te método podemser encontrados em Kress e Snyder (1994). Exemplos da utilização práti- ca desse método podem ser encontrados em Smith (1994) e Avery (1993). e) Método da pesquisa de clientes: é uma parti- cularidade do método acima, no qual a pre- visão é baseada nas informações individuais de todos os clientes atuais e potenciais da empresa. Esse método é adequado quando a empresa tem um número relativamente pequeno de clientes. f) Método da pesquisa da equipe de vendas: tam- bém apresenta um grau de semelhança com relação aos dois métodos anteriores, porém esse método de previsão é adequado para empresas que vendem diretamente ao clien- te e têm um bom sistema de comunicação, uma vez que se baseia nas estimativas dos vendedores individuais. Essas estimativas são condensadas nos níveis regionais, distritais e nacionais para se ter a previsão geral. 2.4.2 A abordagem causal A abordagem causal identifica uma ou mais va- riáveis (ditas independentes) que. possam ajudar a prever a demanda futura para o produto em questão (variável dependente). Por exemplo, o número de re- frigeradores( variável dependente) pode estar relacio- nado com variáveis independentes, tais quais o núme- ro de casamentos, o preço do refrigerador, renda per capita e número de habite-se. No caso da abordagem 22 Planejamento e' Controle da Produção', Fern ande s / Godinho Filho causal, é gerada uma equação matemática, a qual per- mite que seja previsto o valor da variável dependente a partir dos valores dados dê <uma ou mais variáveis independentes, Os métodos de previsão mais utilizados dentro da abordagem causal são os métodos de regressão, O , J objetivo dos métodos de regressão é obter uma equa- ção que ao mesmo tempo represente os dados consi- derados e minimize a soma dos quadrados dos desvios entre os pontos de dados e a curva ou reta considerada (método dos mínimos quadrados). Existem diversos métodos de regressão, cada um deles utilizados em função do número de variáveis independentes e do comportamento dos dados (linear ou não linear). Os principais métodos de regressão são a regressão linear simples (uma variável independente e comportamen- to linear), a regressão curvilínea (comportamento não linear) e a regressão múltipla (duas ou mais variáveis independentes). Os modelos de regressão têm a se- guinte forma geral: onde: â, =? demanda no período t (variável de- pendente) f (x, _) =? função que representa o comporta- mento da variável independente x no período t - k €, =? ruído (erro aleatório), assumido como sendo normalmente distribuído com média zero e desvio padrão 0', O valor de k indica a defasagem da relação entre a variável dependente e a(s) variável(is) independente (s). Recomenda-se que k seja maior ou igual a 1, pois dessa forma a previsão da variável independente se baseia num dado pelo menos um período passado da variável independente. Se k for igual a 0, então tem- se uma dificuldade prática maior, uma vez que será necessário obter-se primeiramente a previsão para a variável independente e então, baseado nesta, a pre- visão para a variável dependente. A descoberta def (x,_i) é o que determina o tipo de regressão (linear simples, curvilínea ou múltipla). Plotar os dados é uma maneira de tentardescobrir a natureza de f (x,_k)' ' Além dos métodos de regressão, outros méto- dos também úteis dentro da abordagem causal são os chamados sistemas simultâneos e os métodos de simulação. Neste texto enfocarnos os métodos de re- gressão, nos limitando a apenas definir os outros dois métodos. 2.4.2.1 Regressão linear simples A regressão linear simples ,é o modelo de regres- são que envolve uma relação linear entre uma variável dependente e uma variável independente. Aregressão linear simples pode ser representada pelo modelo: â, = a + bx, _k + ê, onde: a =? coeficiente linear da reta (valor de â, quan- do x = O) b =? coeficiente arigular da reta (inclinação) Os valores de a e b são dados pelas seguintes fór- mulas, a partir do método dos mínimos quadrados. Basicamente, esse procedimento minimiza a soma- tória dos quadrados dos desvios (diferenças entre o valor real (d) e o valor estimado (dado pela funçãoj). O leitor que desejar mais informações deve consultar um livro texto de estatística; ou mesmo textos mais' aprofundados sobre métodos de previsão, tais como Johnson e Montgornery (1974). b= n n n nL:x.d, - L:x, L:d, r-I (-1 r-I 1 n b na = -L:d, --:-L.:x, n ,=! . n ,=! Ao mesmo tempo em que é calculada a equação' de regressão, devem-se também calcular os chamados coeficientes de correlação (r) e dedetem:iinação (r2), os quais objetivam quantificar a qualidade da regres- são. Os valores do r e r2 medemportanto, o valor das .' equações de regressão como modelos de previsão. :.' O coeficiente de correlação (r) mede' adireçãoe a força da relação entre as variáveis. C)'valor de r pode ir de -1 a + 1.Conforme maiso valorder se aproxi- mar de + 1, mais forte éacorrelação positivaentre as variáveis (aumento no valorc!ayariável independente leva a aumento no valor davariável.dependente e vice- 1 versa); Quanto mais o valor de r se aproximar de -1, mais forte é a correlação negativa entre as variáveis (aumento no valor da variável independente leva à re- dução no valor da variável dependente e vice-versa), Um coeficiente de correlação com valor próximo a O indicaque não existe ou que é baixa a correlação entre as variáveis. Otálculo de ré dado abaixo. nf>A - t.x,td, r = -r======~'~-~l====~'~~~l==='-~l========== o coeficiente de determinação (1'2) é o quadrado do coeficiente de correlação r. O 1'2 mede o grau de qualidade que a linha de regressão se ajusta aos da- dos. O 1'2 terá sempre valor entre O e 1. Valores de 1'2 maiores ou iguais a 0,85 indicam uma boa previsão (SIPPER; BULFIN, 1997). Outro teste que deve ser realizado para se verifi- car se ornodelo de regressão éconfiável é a verificação da existência de uma relação significativa entre as va- riáveis envolvidas no estudo. A estatística usada para esse teste é a estatística t deStudent, A hipótese nula é que o(s) parârnetrots) da-relação é nulo, ou seja, que não existe relação entreas variáveis, e a hipótese alternativa é a existência dessa relação. Uma maneiradese realizár .esse teste de hipóte- se é por meio da verificaçãodo.chamado Valor-P. O valor P é definido por Monrg8rnery e Runger (2003) como sendo o menor nível de sígnificància que con- duz à rejeição da hipótese nula (lembrando que no nosso caso a hipótese nulaéque o parârnetro a ser testado é zero) com os dados-fornecidos (o Valor-P é calculado em planilhas eletrônicas, por exemplo, Ex- cel).. .Ern outras palavras, o"Valor-p é () menor nível de significânciapara o qual o parârnetro da relação não é nuloeportarito.exisrerelação entre as variáveis na regressão. Nível de significância é definido por Spiegel (1994) como a probabilidade máxima com a qualestaremos dispostos a correr orísco de haver o chamado erro dotipoI (a hipótese nula ser rejeitada' . quando deveria seraceita). Ainda de acordo com este autor, na prática é usual e~\:abdecerem-se níveis de signíficância de 5% ou 10/,0. POrtamo, quando fizermos um teste t utilizando oValor-P, se estabelecermosurn nível de significância Previsão de De rnnnda 23 de por exemplo 5%, se o valor-P for menor que 5%, então o parârnetro da relação não é nulo e portanto existe relação entre as variáveis na regressão; já se o Valor-P for maior que 5%, então o parâmetro da relação é nulo e portanto não existe relação entre as variáveis na regressão. Também a análise de resíduos (diferenças entre os dados reais e os dados estimados) pode ajudar mui- to a indicar a existência de outro padrão mais apro- priado para os dados. Todos esses cálculos de regressão linear sim pies podem ser realizados com facilidade em uma plani- lha,por exemplo, o Excel. Porém, esses cálculos po- dem ser facilitados utilizando um recurso existente em planilhas eletrônicas queé ocá1culo .automárico da regressão. No Excel, basta ploràr o gráfico (do tipo dispersão) e então, clicando nos dados do gráfico, mandar exibir linha de tendência (no caso do tipo li- near) e, em opções, mandar exibir equação da reta e o valor de 1'2. Uma alternativa que já realiza o cálculo. da estatística t é utilizar a análise de dados do Excel. Ela será melhor explicada quando tratarmos da re- gressão múltipla. A seguir apresentarnosumexemplo no qual é aplicado o método de regressão linear simples e então o método poderá ser melhor entendido. Exemplo 1: Aplicação do. método de regressão linear simples Uma-empresa produtora de automóveis deseja testar um .inodelo de regressão linear simples para prever a clemélrida por um tipo de automóvel que é comprado ern'grande parte por meio de financiarnen- tov Ela acredita que a variável independente taxa de juros-pede ser utilizada como variávelindependente; uma vez que isso influencia bastante a compra desse modelo de automóvel. Também acredita que pode uti- lizar uma defasagem de um período, uma vez que as . alterações de taxa de juros demoram um pouco para impactar na demanda. Os dados são mostrados na Ta- bela 2.3, os cálculos na Tabela :2.4 e o teste t para os parârnetros na Tabela 205. Par~ essa situação, deter- mine a equação de regressão, verificando se ela pode ser utilizada para prever a demanda de automóveis. . Em caso positivo, realize a previsão para os próximos três períodos. -:. período da taxa Taxa de juros Período da demanda Demanda de de juros avaliada (%) de automóveis automóveis 1 1,65 2 3.400 2 1,58 3 3,.520 3 1,52 .'. 4 3.600 4. 1,52 5 '3:8.00 5 1,41 6 3.930 ., 6 1,38 7 :, 4.0.00 7 1,38 8 4.050 8 1,3 9 4:120 9 1,3 10 4.200 10 .' 1,22 11 '.' 4·270 11 1,18 12 4·400 12 1!18 " 13 4.510' 13 ,1,15 14 4 ..590 14 1,1 15 4.:690 15 . 1,1 -: ". 16 ", .4.800' 16 1 17 I 4:940 17 .. "' 1 18 5,080 18 0;95 19 5.1.70 ·19.··· "'0,9 " 20 5;~1O.. 20 0,9 21 5:470 21 0,84 22 5.640 22 ., 0,8 23 5~800 2.3 0,75 24 5,920 24 0,75 25 6:030 .. 24 Planejamento e Controle da Produção· Fernandes / Godinho Filho Tabela 2,3 Dados do exemplo 1. . : Previsão de Dernand a 25 Tabela 2.4 Cálculospara re~ÓZúçãodo exemplo 1. t x d, .... x2 d2 x,dte t , 1 t 1,65 3.400 2,722500 11.560.000 5.610,00.. 2 '. 1,58 3.520 2,496400 12)90.400 5.561,60.... .3 .... 1,52 3.600 2,310400 · 12 ...960.000 5.472.00 ,4 .; 1,52 3.800 .2,310400 · 14.440.000 5.776,00 5 1;4"1 3.930 1,988100 · 15.444.900 5.541,30. 6 .;, 1,38 4.000 .1,904400 16.000.000 5.520,00 7 1,38 4.050 1,904400 16.402.500 5.589,00' 8 1,3 4.120 1,690000 16.974.400 5.356,00 9,. 1,3 4.200 1,690000 17.640.000 5.460,00 10 .' '.. 1,22 4.270 1,488400 18.232.900 5.209,40 11 1,18 4.400 1,392400 19.360.000 5.192,00 ". 12 ....1,18 1,3924004510 20.340.100 5.321,80 .- 13 1,15 4.590 1,322500 21.068.100 5.278,50 '. 14 1,1 4.690 1,210000 21.996.100 5.159,00.. 15 1,1 4.800 1,210000 23.040.000 5.280,00 16 . 1 4.940 1,000000 24.403.600 4.940,00 17 ..... 1 5.080 1,000000 25.806.400 5.080,00 18 0,95 5.170 0,902500 26.728.900 4.911,50 1.9 .... 0,9 5.310 0,810000 28.196.100 4.779,00 .. ' 20 0,9 5.470 0,810000 29.920.900 4.923,00 21 0,84 5.640 0,705600 31.809.600 4.737,60 22 0,8 5.800 0,640000 3.3640.000 4.640,00 23 0,75 5.920 0,562500 35.046.400 4.440,00 : 2.4 0,75 6.030 0,562500 36.360.900 4.522,50 Soma 27,86000 111.240 34,025400 529762200 124.300,20 b = (24 x 124.300) - (27,86 x 111.240) = -2.867,71 .' 24 x 34,0254 - (27,86)2 . a = ~(11.124) - (-2.867,71) x 27,86 =7.963,9 24 . 24 (24 x 124.300) - (27,86 x 111.240) r = --;::::===~~:::::;~~==~~~=~~~===== = - 0, 9889 .[24 x 34,0254 - (27,86)2][24 x 529.762.200 - (111.240)2] r2 = 0,978 A equação de regressão é dada, portanto, por: â, = 7.963,9 - 2.867,71 x, .AFigura 2.2 mostra essa equação calculada pelo Excel no seu auxiliar gráfico. Vemos pelo coeficiente de correlação que exis- te uma correlação negativa forte entre as variáveis (- 0,9889) e que a reta de regressão se ajusta bastante aos dados Cr2 = 0,978). 26 Planejamento e-Co n tr ole da Pr o d uçâ o • Fe rn ande s I Godinho Filho Tabela 2.5 Teste tpara os parâmetros. Valor Valor-P Dados a respeito 7963,93579 9,576E-28 de a Dados a respeito - 2867,71209 9,76939E-20 de b 7.000 r-----------------~ .~ 6.000 ·0 E 5.000 ~ 4.000 '"~ 3.000 e 2.000 '"E 1.000 .:JZ OL- ~ o 0,5 t 1,5 Taxa de juros .Figura 2.2 Reta de regressão para exemplo 1. Vemos pelo coeficiente de correlação que existe uma correlação negativa forte entre as variáveis (- 0,9889) e que a reta de regressão se ajusta bastante aos dados (,-2 = 0,978). A Tabela 2.5 mostra o teste t para o exemplo. O nível de significância estabelecido foi de 5%. Vemos que os valores-P, tanto para o parârnetro a, quanto para o parârnerro b, são extremamente baixos (9,576E- 28 e 9,76939E-20) e menores que 5% (nível de signi- fícância). Portanto, rejeita-se a hipótese de que tanto a quanto b sejam nulos. Dessa forma, existe uma re- lação linear entre as variáveis número de automóveis e taxa de juros. Diante disso concluímos que a reta de regressão pode ser utilizada para a realização de uma previsão. A previsão para o período 25 pode ser encontrada pela simples substituição de XI = 0, 75 (um período de de- fasagem) na equação encontrada, ou seja: d25 = 7,963~9 - 2.867,7(0,75) = 5.813,15 As previsões para os períodos 26 e seguintes de- . pendem das taxas de juros dos períodos 25 e seguin- teso A análise de resíduos mostra urri padrão curvilí- neo nos desvios,' o que indica que também um ajuste de modelos curvilíneos pode ser aprópriado(modelos . polinomiais, por exemplo). 2.4.2.2 Regressão curvilínea O modelo de regressão visto na seção 204.2.1 é específico para o caso de uma relação linear entre a variável dependente e a variável independente. No entanto, o método dos mínimos quadrados também' pode ser utilizado para o caso de funções não lineares, . como, por exemplo, as funções exponencial, logarít- rnica, potência, pclínornial, dentre outras. A função exponencial é do tipo: y = aéx ou y = ob: 2 A função logarítmica é do tipo: y = a ln X + b A função potência é do tipo: y == aX' A função polinomial de grau 2 (também chamada função quadrática) é do tipo: y = a+ bx +cx2 Nas funções anteriores, Q, b, c são os parãmetros, y é a variável dependente e x a variável i!1dependen- te, O Microsoft Excel fornece o modelo de regressão curvilínea para as funções exponencíal, logantrnicà, potência e polinomial (grau n até 6) por meio da utilização do mesmo procedimento citado na regres- são linear. Esse procedimento é a simples' plotagern • do gráfico do tipo dispersão e então, clicando corn O . botão direito do' mouse em um dos dados do gráfico, seleciona-se o tipo de tendência (função exponencial, logarítmica, potência ou polinornial): finalmente, em opções seleciona-se exibir equação no gráfico e o ~a- lor do r', Tendo-se o modelo de regressão, da mesma' forma que na regressão linear, os valores de r e r; in- dicam se esse modelo pode ser utilizado para previ- sões. Em caso afírmativo,basta substítuiros valores conhecidos da variável ind'ependen'te~a equaçãoe realizar a previsão da variável dependente. 2.4.2.3 Regressão múltipla ..' A regressão múltipl~é o caso .noqiial duas ou mais variáveis independentes afetam 'a variável depen- dente. O modelo geral daregressão rnúltipla para ri ob- servações e m variáveis independentes-é o seguinte: . ',:... . . . de = bo + bjxLe + b2x'e +; .. + bx ....+ te._.~. mnu. t: = 1,2, "', n onde: .":: bo' b., b2, ... , b",. =? parâmetros (intersecção 'e·incÚriações). a serem .' estimados :.," .", ", Pr evis âo de Demanda 27 Aregressão múltipla não necessariamente requer que a relação entre as variáveis seja linear. Podemos notar que a regressão curvilínea para o caso da função polínomíal é um caso particular da regressão múlti- pla para o caso de ats) variávelüs) independente(s) ser(em) a(s) mesma(s), porém elevada(s) a uma po- tência. Aqui, por meio de um exemplo, vamos mostrar como 'realizar uma regressão múltipla utilizando o Excel. d, =-= bo + b1x1r._1 + b2x2r_1 + b3x3r_1 + e, onde: bo' b, ,b2, b3 =? parâmetros de =? demanda de refrigeradores no período t x1<-l =? o número de casamentos no período t - 1 X2<_1 =? o número de novas residências cons- truídas no período t - 1 X3H =? o preço do refrigerador no período t Exemplo 2: Aplicação do método de regressão múltipla Uma grande empresa de refrigeradores acredita que a demanda por um tipo de refrigerador de sua empresa pode ser estimada em função de três variá- veis independentes: número de casamentos, número de novas residências construídas (ambas verificadas no período imediatamenteanterior, ou seja, com um período de defasagem) e o preço do refrigerador no período de verificação (sem defasagem). Portanto, um modelo para prever a demanda de refrigerado- res seria; A Tabela 2.6 mostra os dados históricos para o exemplo. O cálculo no Excel, resumidamente, é feito da seguinte forma: a) os dados devem ser alocados em uma plani- lha conforme Tabela 2.6; b) no menu ferramentas, clicar em análise de dados (caso não apareça ir em ferramentas Tabela 2.6 Dados do exemplo 2. Número de Número de novas residências I Preço do I .' Demanda dePeríodo casamentos (relativo construídas (relativo ao I refrigerador (no refrigeradoresao período anterior) período anterior) I período atual)' 1 670 1.200 800 .: 4.200 2 690 1.260 800 : 4.250 3 680 1..280 780 ...... 4.230 4 730 1.250 780 .. .' 4.250 5 700 1.290 760 .... 4.200 6 735 1.320 760 4.250 7 760 1.350 I 760 .' 4.260 8 765 1.370 750 4.280 9 758 , 1.350 720 4.280.: 10 '. 790 1.390 720 4.300 11 780. 1.410 740 . 4.260 12 792' .." 1.450 740 '. 4.280 13 801 1:500 720 4.300 14 820 , 1.510 700 4.340 15 830 1.530 700 4.360 16 830' 1.540 ' . 700 4.350 17 850 Ó. 1.580 680 4;380 18 870 1.600 680 " 4.390 19 880' 1.620 680 .' 28 Planejamento e Controle d a Produção • Fernandes / Godinho Filho > suplernenros e adicionar ferramentas de análise) ; c) selecionar Regressão; d) selecionar o intervalo Y de entrada (corres- ponde aos dados históricos da variável de' no exemplo, a demanda de refrigeradores); e) selecionar o intervalo X de entrada (corres- pendeaos dados .históricos das variáveis ín- dependentes, no exemplo, o número de ca- samentos, o número de novas residências e o preço do refrigerador nos 18 períodos). Para o exemplo o cálculo de regressão resulta em: bo == ~.788, 4 b, == 0,528 b2 == 0,144 b3 == - 0,149 r' == 0,899 o modelo, portanto, é o seguinte: d, = 3.788,4 + 0,528x1t-J + O,144x2'_1 - 0,149x3<-l o valor do r2, em princípio, nos diz que o modelo de regressão é um bom modelo de previsão. O teste t de Student (por meio do Valor-P com um nível de significância de 5%), no modelo de regressão múlti- pla, verifica se existe uma relação significativa entre a variável dependente e cada variável independente (desde que as outras estejam incluídas no modelo). O teste t para nosso exemplo resulta nos valores dados pela Tabela 2.7. Tabela 2.7 Teste t para o exemplo 2. Valor Valor-P Dados a respeito 3788,362867 3,15133E-06 de bo Dados a respeito 0,528542375 0,149332041 de b ; Dados a respeito 0,14450989 0,395202126 de b2 Dados a respeito - 0,149746507 0,729789517 de b) Vemos na Tabela 2.7 que a um nível de significân- cia de 5% rejeita-se a hipótese de que o coeficiente 50 é zero (veja que o valor-P pàra bo é menor que 0,05), Porém, com relação aos coeficientes bl' b2 e b3, não se pode rejeitar a hipótese de que este é zero (veja que os valores-P relativos a esses coeficientes são maiores que 0,05). Portanto, pode-se concluir que não existe rela- ção significativa entre a demanda por refrigeradores e as variáveis casamentos, novas residênci~s e preço: Dessa forma, o modelo não deve ser utilizado. 2.4.2.4 Cuidados especiais com os modelos de regressão Algumas recomendações são importantes com re- lação à utilização dos modelos de regressão em previ- sões. A seguir mostramos essas recomendações. a) Análises dos coeficientes de correlação e de- terminação, bem como os testes da estatística t (os quais podem ser também acompanha- dos pelo teste F), devem sempre ser realiza-o dos para verificar o potencial de utilização do modelo de regressão na previsão. b) Outra verificação recomendada em modelos de regressão é a análise de resíduos (varia- ções). Como essas variações são aleatórias, nenhum padrão (como por exemplo ciclos ou tendências) deve ser identificado. O Ex- cel fornece na sua ferramenta de análise de dados gráficos de resíduos. Para os exemplos 1 e 2 mostrados não foram identificados pa- drões relevantes. c) É necessária uma quantidade considerável de dados para elaborar a equação de regressão (nos exemplos apresentados utilizamos res- pectivamente 24 e 18 períodos). d) Os modelos de regressão são geralmente uti- lizadospara previsões de médio prazo (hori- zonte maior que um ano). e) Modelos de regressão são úteis para a pre- vis~o quando é identificada uma forte rela- ção causal entre as variáveis e também é de extrema importância que exista uma defa- sagem entre a variável dependente e a(s) variável(is) independente(s). Caso não exista essa defasagem, um erro adicional (o qual deve ser levado em consideração) é acres- cido ao modelo, que é o da previsão dars) variável (is) independenters) , .. . f). Cuidados devem ser tomados ao se extra- polarem os resultados da regressão. Valores 1 da variável independente muito acima ou abaixo dos valores utilizados para elaborar a equação de regressão devem ser vistos como suspeitos, uma vez que estatisticamente so- mente valores dentro do intervalo de dados utilizados para a regressão devem ser consi- derados para a realização da previsão. g} Deve-se atentar à escolha da relação causal. Muitas vezes, aparentemente, os dados ade- rem à equação de regressão, porém, após algum tempo percebe-se que não havia a re- laçãocausal; o quê ocorria é que ambos es- tavam crescendo oudecrescendo em função de outra variável. 2.4.2.5 Métodos avançados em métodos causais Sistemas Simultâneos Sistemas simultâneos são.modelos bastante pare- cidos Com os modelos de regressão , porém, ao invés de urna' simples equação.relessão compostos de uma série de equações simultâneas, Enquanto em um mo- delederegressão existe urna variável dependente que é função de urna oli maisvariáveis independentes, um sistema simultâneo geralmente tem várias equações e uma variável depéndentéerhuma equação pode ser uma variável independente: em outra. Um exemplo de sistemas simultâneos são os modelos economé- tricos, utilizadosparaprever'eexplicar fenômenos econômicos. De acordo coin SippereBulfin (1997), a maior vantagem dos-sistemas simultâneos é que eles per- mitem a inclusão-de muitos fatores, possibilitando um maior nível de detalhe nas previsões. Porém, os sistemassimultâneos requerem maior dificuldade de construção e solução. Detalhes desse método de previsão podem ser en- contrados em Fildes (1985), Makrídakis et al. (2003), Clements e Heridry (1998), dentre outros. Aaplicação prática desse método pode ser encon- trada em Goss (1990), Calzolarie Panattoní (1990), Koch eKoch (1994), entre outros. Métodos de Simulação Esses métodos simulam o comportamento de um sistema. Eles geralmente consideram elementosesto- cásticos no problema. Esse método requer grande ní- vel de detalhe e custos maiores. Previsão de Demanda 29 2.4.3 A abordagem baseada em séries temporais Série temporal é umconjunto de observações Or- denadas no tempo. A diferençacom relação à regres- são é que no eixo X tem-se o tempo. o pressuposto da previsão utilizando séries temporais é que o futu- ro pode ser previsto com base no histórico de dados passados; em outras palavras; a utilização de séries temporais acredita que os fatores que influenciarão o futuro são os mesmos que influenciaram o passado. De acordo tom diversos autores, dentre eles Sipper e Bulfin (1997); Davis et a1. (2001),dentreoutros, as séries temporais são preferiveis para previsões de curto prazo. A abordagem de séries temporais requer que ini- cialmenteseja reconhecido o padrão de comportamen- to da sérierernpóral, para que dessa forma os métodos de previsão dentro dessa abordagem (média móvel simples, padrão. com tendência, sazonalidades) pos- samser escolhidos. Isso podeser feito simplesmente plotando-se osdados da série temporal em um gráfico de ciispersão (da mesma forma que nos modelos de regressão}. Vários padrões podem ocorrer. A seguir apresen tamos os principais padrões (tam- bém denominados processos) das séries históricas, as quaissão vitais para a escolha do método de previsão dentro da abordagem de séries temporais. Quatro processos podem ser ditos usuais, uma vez que são mais comuns e existem modelos de previ- são mais simples a serem utilizados. Já outros quatro processos, ditos anômalos, são mais inco muns e de mais difícil previsão. Os processos usuais são: (i) processo constante ou com permanência (os dados históricos apresentam tendência constante ao longo do tempo); (i i) processo com tendência (os dados históricos apresentam ten- dência de acréscimo ou decréscimo ao longo do tem- po); (íii) processo com sazonalidade e permanência (dados históricos apresentam com regularidade perío- dos nos quaís padrões se repetem para cima ou para baixo); (iv) processo com sazonalidade e tendência (dados históricos apresentam sazonalidade e ao mes- mo tempo tendência). Esses quatro padrões de deman- da são ilustrados nas Figuras de 2.3 a 2.6. O processo com tendência ilustrado na Figura 2.4 é um padrão com tendência linear. Porém, outros tipos de tendência podem ocorrer. De acordo com Davis et al. (2001), além da tendência linear; outros três tipos comuns de tendências são: tendência de curva S, ten- dência assintótica e tendência exponencial. 30 Planejamento e Cc nrro!e da Produção' Fcrriandes / Godinho Filho ro "'O C ro E O) O Figura 2.3 Processo constante ou permanência. '""'O C '"E O) o Figura 2.4 Processo com tendência. ro "'O c '"E 0). o . Figura 2.5 Processo com sazonalidade e permanên- cia. '""'O C lU E O) o Tempo Figura 2.6 Processo com sazonalidade e tendência. Quatro processos anômalos, citados por Johnson e Montgornery (1974), são: (i) impulso; (ii) degrau; (iii) crescimento de novo prod uto; (iv) declínio de um novo produto. Neste capítulo de previsão são apresentadosso- mente os processos usuais. Pará cada processo existem métodos de previsão mais apropriados. Esses métodos são tratados nas próximas seções, divididosde acordo com os padrões usuais. . 2.4.3.1 Métodos baseados em .urn processo constante . . O padrão constante de demanda rio período t é representado matematicamentepor: onde: . a => constante Muitos métodos podem ser utilizados para se pre- ver uma demanda com padrão.constante, Os principais são mostrados a seguir. '. 2.4.3.1.1 Métodos ingênuos A maneira mais fácil-de-se realizar uma previsão é aquela na qual a previsãopara o próximo período ésimplesmente o valor rea1doperíodo anterior. Esse método é conhecido na litérátura como método ingê- nuo ou então método do últirn.o ponto de informação. Matematicamente, temos: onde: PC.;.k => previsão para O período t + k, com k 2 1 Apesar de muito simples, esse método é bastante utilizado e realmente pode ser eficaz para um proces- so constante. 2.4.3.1.2 Métodos baseados na média O problema com o método anterior é que ele acompanha as variações aleatórias que ocorreram no período base para a previsão. Esse problema pode ser superado se ao invés de utilizarmos somente um va- lor histórico, utilizarmos a média dos valores de que dispomos. Esse método é conhecido como método da média simples. Pode ser mostrado que a média advém da minimização da sornatória dos desvios (d, - a) ao quadrado (método dos mínimos quadrátícos), ou seja; realmente ela minimiza as variações aleatórias nope- ríodo. Matematicamente, o método da média simples é dado por: ·';. '. Di = itd,·· . T '':1 onde:· . ÍJr=? demanda média para o período T Aprevisão pata k períodos é dada por: i) Método da média móvel: no qual no cálculo da média são levados em consideração somente os N períodos mais recentes. Esse método reage mais prontamente a variações na demanda. Se o período atual é operíodo T, a média móvel, levando-se em conta N períodos passados, é dada matematicamente por: onde: Mr =? média móvel para o período T A previsão para k períodos à frente é dada por: ii) Método da-media móvel ponderada: nesse método, além de se levar em consideração somente os N períodospassados mais recentes (como na média móvel), também são dados pesos maiores para alguns períodos (geralmente, os mais recentes). Matematicamente, a média móvel ponderada para.o período T é dada por: Tabela 2.8 Dados para o exemplo 3. Previsão de Demanda 31 1 TI: w,d, N ,=r-N~\ onde: MPr =? média móvel ponderada para o período T w, =? pesos atribuídos aos dados reais de demanda É importante salientar que: T I: -.= 1 t=T-N·i-l A previsão para k períodos à frente para a média móvel ponderada é dada por: Pr + k ::-..= lvlPr Para os métodos baseados em média móvel, o va- lor do parârnetro N, bem como os pesos para a média móvel ponderada, é arbitrário, porém, uma aborda- gem interessante e bastante utilizada é a escolha des- ses parârnetros por meio da análise de erros. Na seção 2.5 tratamos mais profundamente dessa questão. Para todos os métodos baseados em médias, quando um novo valor real é obtido, podem-se recal- cular os valores da previsão. Exemplo 3: Ilustração da utilização dos métodos ingê- nuos e métodos baseados em média para a realização ele previsões Uma empresa dispõe dos dados históricos de de- manda mostrados na Tabela 2.8. Calcule a previsão para os três próximos períodos futuros utilizando os métodos ingênuos ede média (note que os dados apresen,tam um padrão constante). O primeiro passo, antes de utilizar qualquer mo- delo de série temporal, é plotar os dados em um gráfi- co, para visualizar o padrão ou processo da demanda. Isso é feito na Figura 2.7. Período Quantidade Período Quantidade Período Quantidadereal real real 1 500 7 487 13 518 510 8 495 14 '. 4862 3 .'. 493 9 500 15 499 4 506 10 500 16 500 5 " 490 11 485 17 506.. , 6 512 12 513 18 497 .': ;', 32. Pi ancjament o e Controle' do Produçâo • Fernandes / Godinho Filho 500 VI <lJ "tl ro "tl '';:; c 250ro ::l O O O 5 10 15 20 Período Figura 2.7 Gráfico para verificar padrão dos dados do exemplo 3. Vemos no gráfico da Figura 2.7 que os dados apresentam um padrão constante ou de permanência, ou seja, os modelos ingênuos ou de média móvel são realmente adequados para essa situação. Os cálculos utilizando esses métodos são mostra- dos na Tabela 2.9. Para o caso da média móvel, arbi- trariarnente escolhemos N = 3 e N =:: 6; Para a média, móvel ponderada também escolhemos arbitrariamente alguns pesos. Essa escolha pode se dar em função de uma análise de erros, como veremos na seção 2.5. Tabela 2.9 Cálculos do exemplo3. Média Média Móvel Média Média Móvel período Quantidade Previsão Média Móvel ponderada com Móvel ponderada com N = real Ingênua Simples com N = 3 e pesos com 6 e pesos 0,3:0,25; N=3 0.4; 0,3 e 0,3 N=6 0,2; 0,15; 0,05 e 0,05 1 soa 2 510 .' 3 493 4 506 5 490 6 512 7 487 8 495 '. " 9 500 .' 10 500 11 485 ': 12 513 i .'' 13 518 486 ,o,' , 14 o: . 15 499 .... 16 500 .". /. ".' 17 506 , , 18 497 497 499,8333' 501 500,6 50'1· . , 500~65, 19 497 499,8333 " 501 500,6 501" 500,65 20 .497 499;8333 501 " 500,6 501' '1':' '500;65 21 497 499,8333 SOl 500,6 501 :." ~00,65 ': 1 +: ." ..... ,. Percebemos que para todos os métodos a previsão para os períodos 19, 20 e 21 são as médias calculadas na período 20. É claro que conforme os dados reais para os períodos 19,20 e 21 vão sendo disponibiliza- dos, essas previsões sofrem alterações. .204.3.1.3 Método dnsucvizuçdo exponenciul simples. o método da suavização exponencial simples é um método similar ao método da média móvel pon- derada, com a diferença de que os pesos decrescem exponencialmente do tempo presente em direção ao passado. . O método da suavização exponencial simples ad- vérn da rninímização da sornatória dos desvios (d, - a) ao quadrado devidamente ponderados por fatores que exponencíalmente dão maior peso aos dados mais recentes. De maneira mais simplificada, o método da suavização exponencial fornece a previsão para o pró- ximo período corno sendo a previsão para o periodo atual, co rrigid a pelo erro ocorrido no período atual Creal.~ previsão). É dado um peso Ct a esse erro. Ma- tematicamente, isso pode ser escrito como: ST = ST_I + a(dT - Sr_l) a qual também pode ser escrita corno-S, = adr_+ (1 - a)Sr -I sendo que PT+k = ST' isso leva a ST_1. = P; onde: ST * previsão suavizada para o período T (pe- ríodo atual) SH * previsão suavizada para o período T - 1, o qual é igual a PT Previsão de Demanda 33 a => constante de suavização (limitado ao in- tervalo entre O e 1) â; => demanda real no período T PT+k => previsão para o período T + k A escolha do valor da constante de suavização é de extrema importância no método da suavização exponencial. Valores mais altos de a indicam que se deseja dar um maior peso ao erro (e consequentemen- te à demanda) ocorrido no último período, ou seja, o modelo estará entendendo que as novas informações de demanda real são as mais confiáveis e corretas. Em outras palavras, valores altos de a fazem com que o modelo reaja mais prontamente às alterações de de- manda. Já valores baixos de Ct indicam que se deseja fornecer um maior peso ao passado e não ao último dado de demanda. Em outras palavras, um a baixo indica que se está apostando que o último dado de de- manda foi um ponto fora da curva e que a demanda deve voltar aos padrões anteriores. Esse efeito de alfa na capacidade de reação do modelo a alterações na demanda pode ser melhor visualizado na Figura 2.8: A maioria dos textos sobre previsão recomenda a utilização de um alfa entre 0,1 eO,3. Porém, outros valores podem ser utilizados; A tentativa e erro pode' ser utilizada no cálculo de a. O objetivo é a rninirni- zação dos erros. Alguns pacotes computacionais for- necem um cálculo que modifica automaticamente a constante de suavização quando os erros se tornam elevados. . Períodos 180 r-----~----------------------~------~--, 160 140 '01 .. 120 "o. ~ 100.•.. c 80 til· Õ 60 ,..0,---7-_-" ..•.. 0 ••••• -.-. ------- • -00._.-_-·-" 40 20 O L- __ ~~~------------------ __ --~--~ O ;'-, '; ~, ... c.- __-';__~ : .. , ... ,00._-~- ... - ..-'- .... - .. - .- .... -_ ..... :;. 4 6 8 -+'- Dados reais _ Previsâocornalfa = 0.1 --Jr- Previsão com alia = 0,2 ~ Previsão com alia = 0.3 10 Figura2.8 lmpactode a/ja nas previsões utilizando o-método da suavizaçào e:qJonencial. 34 Planejamento e Controle da Produção • Fernandes I GodinhoFilho Exemplo 4: Utilize osâodos do exemplo 3 (Tabela 2:8) e calcule as previsões utilizando o método da suavização exponencial. Utilize diversos valores de alfa (o. =0,1; o. = 0,2; o. = 0,3) tendência linear~ Os casos-de tendência não linear po- , dern ser vistos como modelos c~nrilíneos 'de regressão, ',' como visto anteriormente-O modelo matemático para o processo com tendência, linear é o seguinte: A Tabela 2,10 mostra os-cálculos utilizando o mé-, todo da suavização exponencial e três valores de alfa, Note que conforme maior o valor de alfa, mais omo- delo responde às alterações do último valor real. Urna simples análise do erro (real menos previsto) poderia ser utilizada para escolher o valor mais adequado de alfa. Isso será visto mais adiante. onde: . '. . . . a => coeficiente lineárdareta (valor de de quando x = O) , . . b => coeficiente ang~larda reta (inclinação) , Para se realizar a p(eviião basta se :estimar,em os valores de a e b, o que.podé ser feito po;diversas" ma~eiras. Uma delas é pbrtn~io de regressão, como visto anteriormente (a dif;i~hça é que o, tempo :éa variável independente); o~t'r<:lforma é por meio de' uma extensão ao método da suavízação exponencial, a chamada suavização expor;encial dupla. Esse méto- do é apresentado a seguir. 2.4.3.2 Métodos baseados em um processo com tendência . Muitas vezes, um processo não mostra Uma per- manência como tratado até agoraneste tópico de sé- ries temporais. Em alguns casos, o processo se apre- senta como tendo uma tendência. Essa tendência pode ou não ser linear. Aqui tratamos somente do caso de Tabela 2.10 Cálculos para o método da suavização exponencial.. , Previsão (Pt) Previsão (Pt) Previsão (Pt) Período Quantidade real utilizando suavização utilizando suavização utilizando suavização exponeni:ial e cx = 0,1 exponencial e o. = 0,2 exponencial e cx = 0,3 1 500 500 500 500 2 510 500,0 500,0 500,0 3 493 501,0 502,0 503,0 4 506 500,2 500,2 500,0 5 " 490 500,8 501,4 501,8 , ' 6 512 499,7 499,1 498,3, 7 487 500,9 501,7 502,4 8 495 499,5 498,7 497,8 ' 9 500 499,1- 498,0 496,9 10 500 499,2 498.4 497,9 11 485 499,3 , 498,7 498,5 12 513 497,8 ,496,0 494.4 13 518 499,3 499,4 500,0 ' 14 486 501,2 503,1 505,4 15 499 499,7 499,7 499,6 16 500 499,6 499,5 499,4 17 506 499,7 499,6 499.6 18 497 500,3 500,9 501,5 19 500,0 500,5 500,2 20 500,0 500,5 500,2 21 500,0 500,5 500,2 i o método da suavízação exponencial simples é adequado para processos constantes. Caso utilizemos esse método para processos com tendência linear, apesar de se conseguir fornecer um peso maior aos dados. mais recentes, os dados da previsão não con- seguirão levar em conta.attendência. O método da suavizaçãoexponéncial dupla tenta sanar esse. pro- blema, fornecendo um rriérodó que ao mesmo tempo leva em consideração o tent'p6Cmaior peso para dados mais recentes) e atendênda. Portanto, a previsão de ),: ,.... .'. . ..'" 1 •• _, T demanda para o período T+k é dada pela soma da ",~,/' r '.previsão Suavizada exponencialmerite e a estimativa ,~-»",~,c' . , ...,' ".:"~'\. -. <r. de tendência. Matematicamente, temos: . onde c4 é o real para o período T 2.4.3.2.1 Método da súavização exponencial .dupla onde: Sr =>previsão suavízadaexponencialmente .: I .' :.- para o período T, t; =>esti~ativade;~~nqência para o período T .' k .=> número 'de períodos futuros a serem , .~-". . '.: previstos Ambos os ~alores,(S./ e (Tr), serão suavizados exponencialmentea fimdelevar em conta os dados .mais recentes. Porém, na iniciahzaçâo do modelo ain- da não existem dados anteriores de 5 e T, ou seja, não se dispõe de ST_I e Tr_l' Varias procedimentos podem ser utilizados nesse. caso. Sipper e Bulfin (1997) suge- ". rem que se devem dividir os dados reais existentes em dois. grupos com iguais números de períodos; então, devem-se calcular as médias dos doisgrupos. A dife- rença entreessas duas médias dividida pelo número de períodos será a estimativade tendência para o período t (Tr); Uma abordagem alternativa para o cálculo de T; éa simples relação entre a diferença das demandas nos períodos final e inicial e o número de períodos. Jápara ocálculo da previsão suavizada 5r (que é sim- plesmente o.valor do coeficiente linear da reta), bas- ta somar a média entre todos os t valores disponíveis à tendência calculada (T r) vezes a diferença entre o número de períodos atual e o meio do intervalo. Por exemplo, o caso de 12 períodos, o meio do intervalo será 6,5 períodos ea diferença entre q número de pe- ríodos atual e-o meio do período será 12 - 6,5 = 5,5. Pode-se realizar diretamente esse cálculo por meio da fórmula (T- 1)/2, onde T é o número total de perío- dos. Vemos que esse valor também é igual a 5,5. Previsão de Demanda 35 Tendo-se os valores de ST_l e Tr_l pode-se utili- zar a equação anteriormente mostrada para o cálculo da previsão para o período t (P) ou para k períodos à frente (Pr+k). '. A cada novo valor real que se tem disponível pode-se atualizar o cálculo de S; e Ty' Ambos são sua- vizados exponencialmente; .dessa forma, fornecem um peso maior aos dados mais recentes. Matemati- camente, ternos: 0.;..;~;õ~ ---~ 5r= CLdr + (1 -ci)(Sr_l+ Tr_1) lembrando que Sr_l = PT = 0CS'r - Sr_l) +(1 ~ 0)(Tr_1)., -c , com 0 entre O e 1 Oscorrientários a respeito do valor de (3 são os mesmos relativos ao valor de CLanteriormente feitos. Quanto maior o valor de 0,mais ~ modelo vai reagir a-mudanças de demanda.:A literatura sugere valores ; . - .•.... •.. "\" ~,,-',:~"'"de.0 entre 0,1 e 0,3. ' .. ,;,-~':~~-'(). c,' c';' \ r-r- ",-'c - - , . ~~,. Oz\. '-\.'\5~\.".0-,-, O Exemplo 5 ilustra me1hor esses conceftos . Exemplo 5: Uma empresa apresenta uma série histórica dada pela Tabela 2.11. Nota-se claramente a existência de tendência linear nesses dados. Realize a previsão para três períodos futuros utilizando: (a) regressão linear; (b) suavização exponencial dupla a) Método de regressão linear: utilizando o Excel tem-se a eguação mostrada na Figura 2.9. Nota- se um ajustamento excelente. As previsões para os períodos 21, 22 e 23 são dadas por: 353,43; 365,53 e 377,62, respectivamente. b) Método da suavização exponencial dupla O primeiro passo é calcular os valores de T20 e Dividindo-se a série de dados em dois grupos de 10 dados temos que a média para o primeiro grupo é de 167,2 e a média para o segundo grupo é de 285,7. A tendência no período 20 pode então se~ calcula- da como sendo a diferença entre essas duas médias (118,5) dividida pelo número de períodos em cada grupo (10). Isso resulta em T20 = 11,85. . Para se calcular S20primeiramente calcula-se à média geral da série (226,45). Após isso, acrescenta-se a esse valor a multiplicação da estimativa de tendência (11,85) multiplicada pela diferença entre o número de períodos atual (20) e o meio do período (10,5). Ou 36 Planejamento e Concrole da Produção ' Fernandes / Godinho Filho Tabela 2.11 Dados para exemplo 5. Período Quantidade Período Quantidade Péríodo Quantidade 1 110 8 198 15 279 2 120 9 210 16 298 3 140 10 219 17 301 4 155 11 226 18 320 5 160 12 238 19 331 6 173 lS 249 20 .348 7 187 14 267 400 350 300 OJ~ 250!'ti~.;; 200t: !'ti :::l 150O 100 50 O O ,10 15 205 ' Períodos Figura 2.9 Regressão linear para exemplo 5. seja: 520 = 226,45 +11,85 x 9,5. Dessa forma, tem- se 520 = 339,025. Tendo-se T2~ e 520 podem-se calcular P21' P22 e 521 = (0,2 x 360) -+ (0,8)Ç339,025'+11,85) = 352,7 T21 = (0,2)(352,7 -}3~~'625) + (0,13) x (11,85). = 12,215 P21 = 339,025 + I.x 11,85 = 350,875 P22 = 339,025+2x11,85 == 362,725 P23 = 339,025 + 3x 11,85 == 374,575 Quando estivermos no final do período 21 e já ' dispuserrnosdo real nesse período (d21), teremos con- dições de atualizar osvalores da estimativa de ten- dência T e da previsão suavizada S. Vamos supor-que tenhamos ao final do período 21um real ded;l =,360. Os valores de 52! e T21, escolhendo, um alfa e umbeta igual a 0,2, serão dados por: Calculados 521e T21,pode~-se recalcular os va-, lares de P 22 e P 23 : ," .. " ., ' ,- ' P22 = 352,7+ 1 'x 12~21~=364,915 P23 = 352,7 + 2 x 1i,21S'=377,13 , Esse procedimento continuaàmedida que novos valores reais sejam obtidos. '. ;" 2.4;3,3 Métodos baseadose~ um processo com sazonalidadee permanência'~ ..,.. . , -Processo com sazonalidade é aquele no qual os dados sofrem variações paracima e parabaixo que se 1 repetem com regularidade. Essas variações podem ser associadas a eventos periódicos, para os quais existe uma razão para sua ocorrência e posterior repetição. O período de ocorrência da sazonalidade pode ser anual, mensal, semanal ou diário. Nesta seção tratamos do caso em que os dados apresentam sazonalidade e per- manência. Matematicamente, o processo com sazona- lidade e permanência pode ser escrito como: \ '..c~\ d = act t onde: .) l,lõ ~~,,)C~)..:.:~:.i , ~'I/" l'- i('o"<_'.·(~ a =? fator constante i ,'uc ,(~'.' J/ t.:;.O"! • 1-C, =? o fator de sazonalidade para o período t Um método simples para tratar esse processo é uma variante do modelo de previsões ingênuas: a pre- visão para um período é simplesmente o real do último período equivalente na última estação. Por exemplo, para o caso de uma sazonalidade mensal ao longo do ano, a previsão para o mês de janeiro de 2005 é sim- plesmente o real de janeiro de 2004. Um método mais elaborado é aplicar a cada pre- visão suavizada exponencialmente um fator de sazo- nalidade (também conhecido como índice de sazona- lidade), o qual reflete à relação entre a demanda de um período e a média dos períodos. Por exemplo: um fator de sazonalidade em janeiro de 1,4 indica que neste mês a demanda é 40%maior que a média anual. Portanto, a previsão para esse período no próximo ano deve levar em conta esse fator. Matematicamente, a previsão para um período t é dada por: onde: F, '=? fator de sazonalidade no período t S, '* previsão suavizada exponencialmente para o período t Devemos salientar que: â, demanda média no cicio de sazonalidade onde: dr =? demanda real no período t Uma observação é de extrema importância nos modelos desazonalidade: período t varia de 1 até. Previsão de Demanda 37 o final do ciclo de sazonalidade. Por exemplo, se es- tivermos trabalhando em um ciclo de um ano, com períodos mensais, teremos t variando de 1 até 12. Caso estivermos trabalhando na semana, com perío- dos diários, então t varia de 1 até 7. Portanto, quando formos calcular a previsão para o período t levamos em consideração a previsão suavizada e o fator de sa- zonalidade no período similar ao período que estamos prevendo no último ciclo de sazonalidade disponível. Por exemplo, se estamos prevendo para janeiro de 2005, levamos em consideração a previsão suavizada e o fator de sazonalidade de janeiro de 2004. O valor da previsão suavizada exponencialrnen- te para um período t é calculado de forma bastante análoga ao caso do modelo de suavização exponencial simples. A diferença é que se deve descontar o fator de sazonalidade dos dados reais Cd). Portanto, temos: O Exemplo 6 ilustra o cálculo de previsões para um processo com sazonalidade e permanência. Exemplo 6: Calcule a previsão para o ano 2005 basea· da nos dados históricos de 2004 e 2003 fornecidos (Ta- bela 2.12) , .,' " . .'(\', , \ • . v r ,\ (, Tabela 2,12 Dados para exemplo 6. " Meses 2003 2004 Janeiro 80, 100 - Fevereiro 75 85 Março 80 90 " Abril 90 ., 110 Maio 115 131 Junho , 110 120 Julho 100 110 Agosto 90 110 Setembro 85", 95 Outubro ,75 85 Novembro 75 85 80 .Ó: 80Dezembro 38 Planejamento eControle da Produção • Fer nandes / Godinho Filho Como se dispõem de dois anosde histórico, o primeiro passo é calcular a média por mês, para des- sa forma ter-se o valor ded, Após isso, calcula-se a demanda mensal média. O fator de sazonalidade (F) para cada mês é a relação entre â, e a demanda média. Calcula-se então o valor da previsão suavizada expo- nencialmerite para cada mês (5). Em nosso exemplo, utilizamos um alfa igual a 0,3. Outros valores de alfa poderiam ser testados e comparados. Tendo-se F, eSc' basta calcular a previsão Pc' ATabela 2.13 mostra os cálculos de previsão para 2005 para os dados da Tabela 2.12. Tabela 2.13 Cálculos de previsão para 2005 (processo com sazonal idade e permanência). Demanda Demanda Fator Previsão Meses 2003 2004 média 2003- Mensal Média sazonal St para 2005, 2004 (a) (soma (a) / 12) (Ft) (Pt) Janeiro 80 100 90 94 0,95745 100,00 95,74 Fevereiro 75 85 80 94 0,85106 98,20 83,57 Março 80' 90 85 94 0,90426 96,94 87,66 Abril 90 110 100 94 1,06383 96,06 102,19 Maio 115 131 123 94 1,30851 95,44 '. 124,89 Junho 110 120 115 94 1,22340 95,01 116,23 Julho 100 110 105 94 1,11702 94,71 105,79 Agosto 90 110 100 94 1,06383 94,49 100,53 Setembro 85 95 90 94 0,95745 94,35 90,33 Outubro 75 85 80 94 0,85106 94,24 80,21 Novembro 75 85 80 94 0,85106 94,17 80,14----- __ o Dezembro 80 80 80 94 0,85106 94,12 80,10 1.128 2.4.3.4 Métodos baseados em um processo com tendência e sazonalidade Na seção anterior tratamos o caso do processo com sazonalidade e permanência. Porém, muitas ve- zes, um processo, além de apresentar sazonalidade, apresenta também uma tendência linear ao longo do tempo. Matematicamente, esse processo pode ser visto como: onde: a ='? fator constante b =? a inclinação do componente de tendência c =? o fator de sazonalidade para o perípdo t Novamente', um método simples que pode ser utilizado nesses casos é simplesmenteseutilizar da quantidade real do período equivalente da última es~ ração e simplesmente agregar um percentual que leve em conta a tendência. Por exemplo, a previsão para a demanda em uma quarta-feira (parao caso variações sazonais diárias ao longo da semana) é simplesmente o real da última quarta-feira acrescido de uma porcen- tagem que representa a tendência de crescimento ou . decrescimento no período. Vemos que esse método é. uma simples extensão do método de previsões írigê- nuas, visto anteriormente. Um método mais elaborado e bastante conhecido é o chamado Método de Winters eWINTERS, 1960).0 método basicament~ estíma.ós parâri1ê~rosa equeé igual a Se)' b (que é igual a T;),e c (que é.igual aF) do modelo com sazonal idade e tendência visto anterior- mente e os utiliza para calcular aprevisão Cd,). Essa estimativa utiliza o procedimento daminimizaçâo dos quadrado~ dos desvios. ; A seguir, apresentamos.urna, série .de passos, os quais facilitam a aplicação do rhétodo de Winter~.' Aproveitamos paraaplicaresses passos em um exem- plo (dados da Ti),bela2.14egráfiçonaFigura 2.10). Previsão de Demanda 39 Tabela 2.14 Dados referentes à utilização do método de Winters. Semanas Dados históricos Semanas Dados históricos Semanas Dados históricos 1 684 9 1.055 17 1.299 2 273 10 451 18 " 666 ," 3 695 11 947 19 1.180 4 479 12 642 20 802 5 820 13 1.284 21 1.390 6 392 14 511 22 708 7 807 15 1.035 23 1.240 8 561 16 722 24 845 ,1.600 1.400 <lJ.' 1.200 -o"' : ~>l.OOO 'g'aoo (ti' , ;J' 600 0:, 400 200 :' O O 5 10 15 20 25 30 'Semanas Figura2.10 Grafic'p para,9S dados ~a Tabela 2.14 mostrando sazori,alidade e tendência. Passos para a aplicação do inétoâoâe Winters PASSO' 1: Cálculos iniciais. de Tte ST' Esse primeiro pass~é'semelhante ao método da suavização.exporiencial dupla." A inicialízação :dopro~edimento é o cálculo da tendência por período t (T):Isso pode ser feito utili- .". ".: _.t.:" .: zando-se dados dos doisúltímos'períodos (no exemplo .nota-se que cada período é representado por um mês). Isso pode ser feito calculando-se a: diferença entre as demandas médias dos últimos dois meses e dividindo- se esse resultado pelo número de variações sazonais em umperíodo. No exemplo existem quatro variações sazonais em cada mês. Portanto, ternos: onde: â, '* demanda média para ,o último período (no exemplo, o sexto mês) ds '* demanda média para o penúltimo período (no exemplo, o quinto mês) L'* número de variações sazonais em uma unidade de tempo (no exemplo, quatro semanas em um mês) , Calculado TT' agora pode-se passar ao cálculo da estimativa do termo constante, ou seja, da previsão suavizada exponencialmente Sr Como no caso do mé- todo da suavização exponencial dupla,essa previsão pode ser estimada como: 1.045,75 - 986,75 = 14,75 4 ST = demanda média + (T ; 1)TT 40 Planejamento e Controle da Produção' Fernandes / Godinho Filho' onde: T =:} número total de períodos Em nosso exemplo teremos ST = 812 + 11,5 x 14,75 =981,625 PASSO 2: Cálculo inicial dos fatores de sazonalidade (F) Os fatores de sazonalidade indi~am ograu com, que a demanda de um período é maior ou menor que a média dos períodos dentro da estação. Portan- to, para se calcular o fator de sazonalidadepara um período basta dividir a demanda real dessé período pela quantidade média na estação. Podemos utilizar a previsão suavizada para o período T (queé igual a ST) como essa quantidade média; uma vezqueesse parârnetro é a estimativa do termo constante no últi- " mo período da série. Porém, ST está levando ern con- sideração todas as tendências desde o início da série até T. Portanto, precisamosexcluir essas tendências do valor de SI' Portanto..o valor do fator sazonal no períodot é dado por: ' ',- . Tabela 2.15 Cálculo dos fatores de sazonalidade iniciais. Após isso são calculadas-as 'médias dos fatores sazonais para cada períodoequivalent~dentro das estações, de tal forma que teremos Um fator sazonal, para cada período. Um procedimento altkmativo. para o cálculo de F, citado em Corrê a et al. C2ÇJ01)é simplesmente dividir' a quantidade real Cd) pela: valor da previsão dado pela reta de regressão no períQdó·t.. ": ' ' " , Os cálculos dos fatores s.~'~onais utilizando a pri- meira abordagem são mostrados na tabeJa2.15. Por exemplo, para a semana i (t"" 1) ofatorde sazona- lidade é dado por: ' ': ' F. = 684'::; = 1;0648 981,625 -14;75(24 -1) .' , ,~ t " Ou seja, a demanda daprimeira semana do pri- meiro mês é aproximadamente 6,5% acima dade- manda média. Após serem cak~lados'todos Os valores ' dê F" calcula -se a média para cada variação sazonal. entre todos os meses. Devecs~ então, afim de facili- tar cálculos futuros, parametiizar os fatores sazonais do último período como sendo iguais aos da média, urna vez que serão esses fatores que serão utilizados nos cálculos das previsões futuras, Portanto, teremos; FZI = 1,358; F2Z = 0,608;F23';' 1,19; F24 = 0,802. , " Mês t Mês 2 Mês 3 Mês 4 Mês 5 Mês 6 Média Semana 1 (t = 1, 1,0648 1,16913 1,38747 1,56705 1,47887 1,48286 1,3585,9,13,17,21) Semana 2 (t == 2, 0,4154 0,54739 0,58184 0,61262 0,7457 0,7436 0,6086,10,14,18,22) Semana 3 (r == 3, 1,0344 1,10416 1,19892 1,21926 1,29974 1,28248 1,1907,11,15,19,2-3) Semana 4·(t = 4, 0,6976 0,75239 0,79789 0,83601 0,86926 0,86082 ,',0,8028, 12, 16, 20, 24) PASSO 3: Realizar a previsão pelo método de Winters Encontrados T 7' ST e F" agora a previsão para o período T + k pode ser realizada. Basta utilizar o modelo de previsão com tendência e sazonalidade, mostrado a seguir. Portanto, em nosso exemplo, a previsão para' as próximas quatro semanas CPzs' P26, PZ7 eP2S) será dada por: ' PZ5 = (981,625 + 1 x 14,75)x 1,3-?8= 1.353,44 P26 = (981,625 + 2 x 14,75) x 0,608 = 614,52 PZ7 = (981,625 + 3 x i4,75)x 1,19 = 1.220,617 PZ8 = (981,625 + 4 x 14,75)x 0,802 = 834,924 .1 Caso desejemos p;everparaum, período k > L, utilizamos os últimos valores De F, para os períodos correspof!dentes.' .. ' < ,;.' .. PASSO 4: AtualizarosvalorésdeS, TT e FT assim que osnovos valoresreais (d) setorriarern disponíveis Assim que novos ~válores 'reais se tornem dispo- níveis, podem-se atualizar os valores de S T e F, " .... . , .1" T T utílizarido-seasuavizaçãó exponencíal. As seguintes equações devem ser utiliza dás. Ti = r3(5T ~ 5T_1) + q ~ r3)TT_l Fi = ~[~: ,)+(1 - "aFT_L com o., ~, ~ entre ° e 1 Osmesmos comentários anteriormente feitos para Ct er3agora são também válidos para ~(:quanto maior o valor desses parârnetros, maior poder de resposta a mudanças mais recentes terá o modelo. Recomenda- se um valor de ~ entre O, 1 e 0,3. Em nosso exemplo, se o real da primeira sema- na do sétimo mês (d25) for igual a 1.400, os valores atualizados exponencialmente de 525, T25 e F25 são da- dospor (Ct = r3= ~ =0,2). 525 = 0,2[.1.400) + (0,8)(981,625 + 14,75)1,358 = 1.003,286 T25 = 0,2(1.003,286 ~ 981,625) + (0,8) 14,75 = 16,132 . . F2~ = o,z[ .1.400 )+(0,8)1,358 = 1,365 1.003,286 " . Com esses valores podem ser calculadas previsões pata os próximos períodos como no. passo 3. 2.4.3.5 Métodos avançados em séries temporais , Alguns métodos avançados em séries temporais são: (i).modelos Box Jenkins(ARMA, ARlMA etc.): (ii) Redes Neurais; (iii) Métodos Bayesianos; den- tre outros. .Para detalhes destes e de outros métodos consultar material específico sobre previsão, como . Previs âode Demanda 41 por exemplo, Makridakis et al. (2003); Armstrong ':(2001) e Bowerman e O'ConneH (1993); Chu e Wid- jaja (1994); Montgomery er a!. (1990). 2.5 Controle de previsões o sistema de previsão deve ser controlado a fim de se determinarem os erros que estão ocorrendo nas previsões. O erro de previsão em um período (e) pode ser definido como a diferença entre a demanda real nesse período e a previsão no período. Matematica- mente, temos: e, = â, ~ ~ Como já citado anteriormente, os erros das pre- visões não devem desestirnular a utilização das previ- sões, uma vez que o grau de acuracidade das previsões deve ser medido em função dos concorrentes da em- presa. Os erros nas previsões podem ser advindos de duas fontes: um erro que é inevitável e que deve ser ignorado que é referente à própria aleatoriedade do . mercado (E); já o segundo tipo de erro OCOrredevido a erros do método de previsão utilizado na escolha de parârnetros referentes a esse método. É esse erro que deve ser minimizado, uma vez que está relacionado à qualidade do método de previsão empregado e aos parâmetros escolhidos para o modelo, Medidas de controle de erros são bastante uti- lizadas na escolha de parâmetros (por exemplo, o número de períodos e as ponderações no método da média móvel, o , ;3 e ~í nos modelos com suavização exponencial, dentre outros) e na própria escolha de métodos de previsão. A seguir discutimos importantes medidas de con- trole de erros. 2.5.1 Somatária acumulada dos _~ \_ erros de previsão _--;:;.~ l"~ ,,,~1n..t' iLlJ.;)fAU*Ál8- Uma medida importante na avaliação dos erros é tratá-los de forma conjunta, como uma somatória para vários períodos, uma vez que se. uma previsão está se comportando bem, podem estar ocorrendo variações aleatórias período a período,porém, ao longo do tempo, a somatória dessas variações para cima e para baixo se aproxima de zero (lembrando que os mode- los de previsão tratados assumem que o ruído (e) é normalmente distribuído com média zero e variâncía 42 Planejamento e Controle da Produção' Fernandes / Godlnho Filho 0-;). Portanto, definimos a somatória acumulada dos erros de previsão (Er) como sendo: r Er = Le, (=1 Se E, se mover para longe de zero, então existe uma indicação que a previsão é tendenciosa. Nesses casos, existem problemas com o sistema de previsão. Se Erestiver crescendo ou decrescendo a aproximada- mente uma taxa constante, então cada previsão está subestimando ou superestimando a demanda a uma taxa constante. Para resolver esse problema pode-se acrescentar ou subtrair essa quantidade à previsão. Se Erestiver crescendo a uma taxa crescente, provavel- mente indica que o modelo de previsão errado está sendo utilizado. Nesse caso, ou o modelo foi escolhido errado ou o processo para o qual o modelo foi esco- lhido se alterou. Mesmo se E; for zero, não há garantias de que estamos trabalhando com um bom sistema de previ- são, uma vez que erros para baixo e para cima gran- des levam a um ET = 0, porém, os erros são grandes e as decisões baseadas nas previsões estarão bastante comprometidas. 2.5.2 Desvio absoluto médio Para tentar sanar o problema citado acima, pode- se utilizar uma medida de erros denominada desvio absoluto médio CDAM). Matematicamente, oDAM é dado por: . 1 TDAM=-Lle,1 T (=1 o DAM mede a dispersão dos erros. Portanto, se o DAM for pequeno a previsão estará próxima à demanda real. Valores altos do DAM indicamproble- mas com o método de previsão empregado ou com os parâmetros utilizados. O DAM é muito utilizado na escolha de métodos e parâmetros da previsão. Alguns autores sugerem uma relaçãoentre aso- matória acumulada dos erros deprevisão e o desvio absoluto médio. De acordo com esses autores, para um modelo ser considerado bom a sornatória acumu- lada dos erros da previsão deve ser menor: que quatro vezes o desvio absoluto médio. A seguir mostramos em um exemplo a utilização do DAM para o cálculo do melhor o em método de suavização exponencial simples. Exemplo 7: Escolha o melhor o: (0,1, 0,2 ou 0,3) para a previsão realizada na Tabela 2.10 (método da.suavi- zação exponencial simples) Na Tabela 2.16, mostramos os cálculos do DAM. Veja que foram realizadas previsões para períodos passados para os cálculos do DAM.Podemos obser- var na Tabela 2.16 que o cx = 0,1 forneceu o menor DAM. Podemos então escolher esse parârnetro para nossa previsão. Outros valores de opodern ser tes- tados. Essa escolha de parârnetros por meio do DAM pode ser feita também para os outros métodos de previsão vistos. . ~ \ i 2.5.3 Porcentagem média absoluta;J ~\\··CJt J 1\, )J-.v,. \~MIJ..~\ Para relacionar o erro absoluto Com os valores da demanda, usa-se uma medida de errodenominada. porcentagem média absoluta ePMA). Essa medida. é dada matematicamente por: PMA = 1...•1t le,..I]T c~l â, Se o valor de PMAforde por exemplo 0,15, sig- nifica que a previsão se afasta dos dados reais em aproximadamente 15% eassim por diante. .. 2.5.4 Sinal de rastreamento (tracking signal).' . . . O sinal de rastrearnenro (SR) éuma medidairri- portante de erro em previsões; poisIndica o grau de viés da previsão. Em outras palavras, o sinal deras- treamento nos fornece meios de saber se os desvios que estão ocorrendo são devidos somente ao cornpo- , nente aleatório das preVisões ou a Uma causa determi- nada. O sinal de rastrearnento em cada período t (SR) é a relação entre a sornatóriaacumulada dos erros de previsão até esse período (E,). e o Desvio.Absoluto.Mé- dio no período t (DAMt)' Jv1,atemai:icamente: Previsão de Demandn 43 .' . Tabela 2.16 Cálculo do DAMpara escolha de valores de Q na suavização exponencial. Período Quantidade Previsão (Pt) Desvio Previsão (Pt) Desvio Previsão (Pt) Desvio 'real utilizando Absoluto utilizando Absoluto utilizando Absoluto suavização Ct = 0,1 suavização Q = 0,2 suavização Ci = 0,2 exponencial exponencial exponencial e Ci = 0,1 e a = 0,2 e Ci = 0,3 1 ,. 500 500 0,00 500 0;00 500 0,00 2 5io 500,0 10,00 500,0 10,00 500,0 10,00 3 493 501,0 8,00 502,0 9,00 503,0 10,00 4 506 500,2 5,80 500;2 5,80 500,0 6,00 5 490 500,8 10,78 501,4 11,36 501 ;8 11,80 6 512 499,7 12,30 499,1 12,91 498,3 13,74 7 487 500,9 13,93 501,7 14,67 502,4 15,38 8 495 499,5 4,54 498,7 3,74 497,8 2,77 ,9 500 499,1 0,92 498,0 2,01 496,9 3,06 10 500 499,2 0,82 498,4 1,61 497,9 2,14 11 485 499,3 14,26 498,7 13,71 498,5 13,50 12 513 497,8
Compartilhar