Aulas 5 a 12 - Previsão de Demanda

Prévia do material em texto

PREVISÃO DE DEMANDA
Aulas 5 a 12
Livro referência: Administração de Produção e Operações 
Lee Krajewski, Larry Ritzman e Manoj Malhotra
Capítulo 13 Previsão de Demanda
1 INTRODUÇÃO
A demanda tem impacto direto
nos planos de negócios ou planos anuais, 
orçamentos, 
financeiro (fluxo de caixa e requisitos de capital), 
RH (necessidades de contratações e treinamentos) e 
na operação (no mix de produtos, compras – materiais, serviços e matéria-prima, cronograma de produção, estoque, capacidade de longo prazo). 
1 INTRODUÇÃO
Previsão de demanda
Processo racional de busca de informações acerca do valor das vendas futuras de um item ou de um conjunto de itens
Normalmente, é gerida pelo marketing, cuja equipe está mais próxima aos clientes externos e ao mercado de um modo geral
1 INTRODUÇÃO
Previsão de demanda
Para Ballou (2004) os métodos padronizados de previsão de demanda 
Qualitativos
Projeção histórica
Causais
1 INTRODUÇÃO
Método de previsão de demanda qualitativo
Recorrem a julgamento, intuição, pesquisas ou técnicas comparativas a fim de produzir estimativas quantitativas sobre o futuro
Fatores que afetam a previsão são tipicamente não quantitativos, flexíveis e subjetivos
Previsões de médio a longo alcance
1 INTRODUÇÃO
Método de projeção histórica
Há um número razoável de dados históricos
Tendência e variações sazonais nas séries de tempo são estáveis e bem definidas
Eficiente na previsão de curto prazo
Exatidão alta para períodos de tempo de menos de seis meses
Devido à estabilidade inerente às séries de tempo no curto prazo
Premissa básica
Padrão de tempo futuro será uma repetição do passado, pelo menos em sua maior parte
1 INTRODUÇÃO
Métodos causais
Premissa básica
Nível da variável de previsão é derivado do nível de outras variáveis relacionadas
Boa previsão para períodos de médio a longo alcance
2 PADRÕES DE DEMANDA 
Padrões de observações repetidas de demanda por um produto são denominados séries temporais de demanda
horizontal, 
tendencial, 
sazonal, 
cíclico,
aleatória. 
2 PADRÕES DE DEMANDA 
Série temporal horizontal
flutuação de dados de demanda em torno de uma média de demanda constante
Série temporal tendencial 
aumento ou redução na média da série ao longo do tempo de maneira constante
Série temporal sazonal (ou estacional) 
aumentos e reduções na demanda que pode ser repetido, dependendo da hora, do dia, da semana, do mês ou da estação
2 PADRÕES DE DEMANDA 
Série temporal sazonal (ou estacional) 
Aumentos e reduções na demanda que pode ser repetido em intervalos regulares
Deve existir uma razão plausível para a ocorrência, e posterior repetição, dessas variações
Período de ocorrência da sazonalidade pode ser 
anual (por exemplo, a demanda por ar-condicionado)
mensal (por exemplo, atendimento bancário no final do mês)
semanal (por exemplo, atendimentos em um restaurante no final de semana)
diário (por exemplo, o fluxo de veículos no horário do rush)
2 PADRÕES DE DEMANDA 
Série temporal cíclica
aumentos ou reduções graduais menos previsíveis na demanda por períodos mais longos de tempo (anos ou décadas)
Surgem de duas influências
ciclo de vida útil do produto,
questões econômicas, 
recessão e expansão do mercado, 
políticas nacionais ou internacionais.  
Série temporal aleatória
a variação da demanda é imprevisível e está presente em todos os padrões apresentados anteriormente, o que torna a previsão da demanda mais difícil.
3 PROJETANTO O SISTEMA DE PREVISÃO
Pergunta 1: o que deve ser previsto? 
agregado ou individual
no nível agregado o erro é de ± 5%
agregação por serviços ou produtos semelhantes 
demanda semelhantes
processamento, trabalho e materiais comuns 
unidade de medida
número de unidades de demanda (multiplicar pelo preço) 
estimativas em horas máquina média ou horas de trabalho
empresas prestadoras de serviço ou bens sob encomenda
3 PROJETANTO O SISTEMA DE PREVISÃO
Pergunta 2: que tipo de técnica de previsão usar? 
Métodos qualitativos 
convertem opiniões de gerentes e especialistas, pesquisas ao consumidor e estimativas de forças de vendas em estimativas quantitativas
Métodos quantitativos  
métodos causais 
utilizam dados históricos sobre variáveis independentes, como campanhas promocionais, condições econômicas e ações dos concorrentes para prever a demanda
análise de séries temporais
adota abordagem estatística que utiliza dados históricos sobre a demanda para projetar o tamanho futuro da demanda e reconhecer tendências e padrões sazonais
3 PROJETANTO O SISTEMA DE PREVISÃO
Pergunta 3: que tipo de software usar? 
Há softwares para todo e qualquer tipo de empresas disponíveis no mercado e, portanto, para os diferentes padrões de demanda. 
4 MÉTODOS QUALITATIVOS
Estimativa da Força de Venda
Júri de Executivos 
Pesquisa de Mercado 
Método Delphi 
4 MÉTODOS QUALITATIVOS
Estimativa da Força de Venda
 Vantagens 
a força de vendas, em função de sua proximidade aos clientes, tem informações sobre quais serviços ou produtos que os clientes comprarão no futuro e em que quantidade
as áreas de vendas são divididas por distrito ou região, dispondo de informações decompostas
as previsões individuais da força de vendas podem ser combinadas
Desvantagens: 
posições individuais da equipe de vendas (visões otimistas e pessimistas) podem contaminar as previsões
dificuldade de distinguir entre o que o cliente quer e o que o cliente precisa
medida de desempenho individual
4 MÉTODOS QUALITATIVOS
Júri de Executivos 
Opiniões, experiências e conhecimentos técnicos de um ou mais administradores são resumidos para formar a previsão
Aplicável a serviços e produtos novos
Pesquisa de Mercado 
Abordagem sistemática para determinar o interesse do consumidor externo em um serviço ou produto, criando e testando hipótese por meio de pesquisas de coleta de dados
4 MÉTODOS QUALITATIVOS
Método Delphi 
Processo de obtenção de consenso de um grupo de especialistas, mantendo seu anonimato
Um coordenador envia perguntas aos especialistas
Recebe e trata as respostas estatisticamente e reenvia aos especialistas quantas vezes forem necessárias para se obter um consenso
5 MÉTODOS QUANTITATIVOS
Métodos Causais
Associa a demanda a qualquer outra variável da qual supostamente possa depender
Utiliza variáveis independentes (ações governamentais ou promoções publicitárias)
Regressão Linear 
Regressão Linear Simples
Problemas podem envolver variáveis com relação inerente entre elas
Variável aleatória dependente (Y) – demanda (a ser prevista)
Variável independente (x) – investimento em publicidade, nº de alunos em escolas
Y = α + βx, sendo que α é o intercepto e β é a inclinação
α e β – coeficientes de regressão
Regressão Linear Simples
 é a reta de regressão ajustada
onde é o valor predito ou valor ajustado de Y
erro no ajuste: 
Regressão Linear Simples
Método dos mínimos quadrados
determinar a e b de modo que a soma dos quadrados dos resíduos ou dos erros (SQE) seja mínima
		
 
Regressão Linear Simples
Medidas de precisão da previsão da demanda
coeficiente de correlação (r): varia entre -1 e +1. Quando esse valor tende para zero, indica que não há correlação entre as variáveis dependente e independente
Considere os intervalos a seguir para interpretação dos valores absolutos de r
	| r |	Correlação
	0 a 0,2	Muito baixa
	0,2 a 0,4	Baixa
	0,4 a 0,6	Média
	0,6 a 0,8	Alta
	0,8 a 1,0	Muito alta
Regressão Linear Simples
Coeficiente de determinação (r2)
Varia entre 0 e +1
Mede a quantidade de variação da variável dependente explicada pela linha de regressão
Mede a proporção da variação de Y explicada pela variação de x
Regressão Linear Simples
Erro-padrão da estimativa
Mede o erro da variável aleatória dependente em torno da linha de regressão
É o desvio-padrão da diferença entre a demanda real e a estimativa fornecida pela linha de regressão
Regressão Linear Simples
Intervalo de confiança para a previsão da demanda
Para o nível de significância α, obtém-se na tabela da distribuição normal reduzida
Regressão Linear Simples
Exemplo 1. (Krajewski). Apessoa encarregada da programação da produção de uma empresa deve preparar previsões de demanda do produto a fim de planejar quantidades de produção apropriadas. Durante um almoço, o gerente de marketing lhe dá informações sobre o orçamento de publicidade para uma dobradiça de metal. A seguir estão os dados de vendas e publicidade nos últimos cinco meses.
O gerente de marketing diz que, no próximo mês, a empresa gastará 1.750 dólares em publicidade do produto. Use regressão linear para desenvolver uma equação e uma previsão para esse produto no mês 6. Defina o intervalo de confiança para a previsão da demanda do mês 6 ao nível de significância de 5%.
Regressão Linear Simples
Exemplo 1. (Krajewski). 
	Mês	Vendas (Y)
(milhares de unidades)	Publicidade (x)
(milhares de dólares)	Sxx	Syy	Sxy
	1	264	2,5	0,7396	8649	79,98
	2	116	1,3	0,1156	3025	18,70
	3	165	1,4	0,0576	36	1,44
	4	101	1,0	0,4096	4900	44,80
	5	209	2,0	0,1296	1444	13,68
	Média	171,0	1,64	1,4520	18054	158,60
Regressão Linear Simples
Exemplo 1. (Krajewski). 
Dados: Sxx = 1,452; Syy = 18.054; Sxy = 158,60  
Solução: 
, portanto, há evidência de forte relação direta entre as variáveis analisadas.
 e 
A equação de regressão é: = - 8,135 + 109,229 x 
Para o mês 6, x = 1,75 então = - 8,135 + 109,229 * 1,75 = 183,016 
Portanto, a previsão de demanda para o mês seis é de 183.016 unidades.  
O intervalo de confiança de 95%:
1,96
182.985;183.047]
5 MÉTODOS QUANTITATIVOS
Métodos de Séries Temporais
Hipótese básica
Valores futuros das séries podem ser estimados com base nos valores passados de consumo
Previsão Ingênua 
Métodos Estatísticos
Padrão de demanda horizontal
Método da média móvel simples
Método da média móvel ponderada
Método da suavização exponencial
Padrão de demanda incluindo tendência
Padrões sazonais
Previsão Ingênua
Se aplica melhor quando os padrões de demanda são estáveis. 
A tendência dos dois últimos períodos é utilizada para a previsão do período seguinte.
somar a diferença das demandas realizadas nos dois últimos períodos à demanda realizada no último período
	Semana	1	2	3	4
	Demanda realizada	108	120	127	
	Previsão da demanda			132	134
MÉTODO DA MÉDIA MÓVEL SIMPLES
A previsão da demanda para qualquer período no futuro é a média da série temporal calculada no período corrente
O erro de previsão
MÉTODO DA MÉDIA MÓVEL SIMPLES
Exemplo 2
Calcule uma previsão de média móvel de três semanas para a chegada de pacientes à clínica médica na semana 4. Os números de chegadas para as últimas três semanas estão na tabela abaixo. 
Se o número real de chegadas na semana 4 é de 415, qual é o erro de previsão para a semana 4? 
Qual é a previsão para a semana 5? 
	Semana	Chegadas de pacientes
	1	400
	2	380
	3	411
MÉTODO DA MÉDIA MÓVEL SIMPLES
Solução: 
 
MÉTODO DA MÉDIA MÓVEL PONDERADA
Peso diferencial para os períodos considerados. 
Pesos maiores para os dados de demandas médias mais recentes
A soma dos pesos é igual a 1 
Vantagens
enfatizar mais a demanda recente em relação às demandas anteriores
assegurar uma previsão mais responsiva a alterações da média básica da série de demanda que a previsão pelo método da média móvel simples
MÉTODO DA MÉDIA MÓVEL PONDERADA
Exemplo 3. Calcule uma previsão de média móvel ponderada de três semanas para a chegada de pacientes à clínica médica na semana 4. Os números de chegadas para as últimas três semanas e seus pesos foram: 
	Semana	Chegadas de pacientes	Pesos
	1	400	0,2
	2	380	0,3
	3	411	0,5
MÉTODO DA MÉDIA MÓVEL PONDERADA
Solução: 
 
MÉTODO DA SUAVIZAÇÃO EXPONENCIAL
Esse método requer apenas 3 itens: 
previsão do último período (), 
demanda do último período () e 
parâmetro suavizador (α)
α maior - enfatiza níveis recentes de demanda 
α menor - para demandas anteriores mais uniformes
 A suavização exponencial requer uma previsão inicial para ser iniciada
usar a demanda do último período (t-1) ou 
calcular a média de vários períodos de demanda recentes
MÉTODO DA SUAVIZAÇÃO EXPONENCIAL
Exemplo 4.  
Reconsidere os dados do exemplo 2 abaixo. Agora é o fim da semana 3. Usando α = 10%, calcule a previsão de suavização para a semana 4. 
Qual foi o erro de previsão para a semana 4 se se verificou que a demanda real é de 415? 
Qual é a previsão para a semana 5?
	Semana	Chegadas de pacientes
	1	400
	2	380
	3	411
MÉTODO DA SUAVIZAÇÃO EXPONENCIAL
Solução: 
 
A previsão inicial foi obtida pela média das demandas das duas primeiras semanas = (400 + 380) / 2 = 390 
 
PADRÃO DE DEMANDA INCLUINDO TENDÊNCIA
Quando há uma tendência na demanda é necessário calcular uma estimativa da tendência. 
	
	
Para realizar previsões de demanda para períodos posteriores ao período seguinte, multiplica-se a estimativa de tendência pelo nº de períodos adicionais (n)
PADRÃO DE DEMANDA INCLUINDO TENDÊNCIA
Índices de A e T:
t – 1  passado
t = 1  presente
t + 1  futuro
PADRÃO DE DEMANDA INCLUINDO TENDÊNCIA
Exemplo 5. A Medanálise, Inc. fornece serviços laboratoriais médicos a pacientes do Health Providers, um grupo de dez médicos de famílias associados a um novo programa de assistência continuada à saúde. Os gerentes estão interessados em prever o número de solicitações de análise de sangue por semana. Suprimentos devem ser comprados e uma decisão tomada com respeito ao número de amostras de sangue a serem enviadas a outro laboratório, por causa das limitações de capacidade no laboratório principal. A publicidade recente dos efeitos prejudiciais do colesterol sobre o coração causou um aumento nacional nas solicitações de exame de sangue padrão. A Medanálise executou uma média de 28 exames de sangue por semana durante as últimas 4 semanas. A tendência durante esse período foi de 3 pacientes adicionais por semana. A demanda dessa semana foi de 27 exames de sangue. Usamos α = 0,20 e β = 0,20.
Calcular a previsão da demanda para a semana seguinte (semana 2). 
Se a demanda real da semana 2 foi de 44 exames
qual seria a previsão de demanda para a semana 3? 
determine a previsão de demanda para a semana 6.
PADRÃO DE DEMANDA INCLUINDO TENDÊNCIA
Solução
Previsão para a semana 2:
Previsão para a semana 3:
Previsão para a semana 6, ao final da semana 2:
PADRÃO DE DEMANDA
Observações:
para projeções de padrões de demanda mais estáveis, usar valores mais baixos de α e β ou valores mais altos de n para enfatizar a experiência histórica
para projeções de padrões de demanda mais dinâmicas, usar valores mais altos de α e β ou valores mais baixos de n para enfatizar a história recente
PADRÕES SAZONAIS
No método sazonal multiplicativo fatores sazonais são multiplicados por uma estimava de demanda média para se chegar a uma previsão sazonal. Esse método contém 4 passos.
Passo 1: para cada padrão sazonal (para cada ano), calcule a demanda média por período sazonal (um trimestre) dividindo a demanda anual pelo número de períodos sazonais por ano. 
Passo 2: para cada padrão sazonal (para cada ano), divida a demanda real de cada período sazonal (um trimestre) pela demanda média (calculada no “Passo 1”) obtendo um índice sazonal. Para índice sazonal menor que 1, a demanda do período está abaixo da demanda média por mês. 
Passo 3: calcular o índice sazonal médio para cada período sazonal, a partir do resultado de padrões sazonais anteriores.
Passo 4: calcular a previsão para o período sazonal seguinte, multiplicando o índice sazonal médio pela demanda média por período sazonal. 
PADRÕES SAZONAIS
Exemplo 6. O gerente da empresa de limpeza de tapetes Stannley Steemer precisa de uma previsão trimestral do número de clientes esperados para o ano seguinte. O negócio de limpeza de tapetes é sazonal, com um pico no terceiro trimestre e uma baixa no primeiro. São apresentados, a seguir, os dados de demanda trimestral dos últimos quatro anos.
O gerente quer prever a demanda dos clientes para cada trimestre do ano 5, tendo por referência uma estimativa da demanda total nesse ano de 2.600 clientes.
PADRÕES SAZONAIS
	Trimestre	Demanda trimestral			
		Ano 1	Ano 2	Ano 3	Ano 4
	1	45	70	100	100
	2	335370	585	725
	3	520	590	830	1.160
	4	100	170	285	215
	Total	1.000	1.200	1.800	2.200
	Média (P1)	250	300	450	550
	Trimestre	Índice sazonal					Previsão
		P2 (cada valor / P1)				P3	P4 (P3 x 650)
		Ano 1	Ano 2	Ano 3	Ano 4	Média	2.600/4 = 650
	1	0,1800	0,2333	0,2222	0,1818	0,2043	133
	2	1,3400	1,2333	1,3000	1,3182	1,2979	844
	3	2,0800	1,9667	1,8444	2,1091	2,0001	1300
	4	0,4000	0,5667	0,6333	0,3909	0,4977	324
6 MEDIDA E CONTROLE DO ERRO NAS PREVISÕES
Indicadores de Adequação
Erro-padrão da estimativa
 
É utilizado para determinar um intervalo de confiança para a previsão pelo método da regressão linear. 
Se a demanda real não cai no intervalo de confiança o modelo não é adequado.
6 MEDIDA E CONTROLE DO ERRO NAS PREVISÕES
Erro médio quadrático 
É aplicável a todos os modelos de médias, tendência, sazonalidade e compartilhado. 
O MSE faz para as médias um papel semelhante ao erro-padrão da estimativa para a linha reta.
6 MEDIDA E CONTROLE DO ERRO NAS PREVISÕES
Desvio absoluto médio: 
É o mais utilizado devido sua facilidade de entendimento
É aplicável a todos os modelos de médias, tendência, sazonalidade e compartilhado
Quanto menores os resultados dos indicadores de adequação, geralmente, a previsão está próxima da demanda real.
6 MEDIDA E CONTROLE DO ERRO NAS PREVISÕES
Exemplo 8: A tabela seguinte mostra as vendas reais de cadeiras acolchoadas para um fabricante de mobília e as previsões feitas para cada um dos últimos oito meses. Calcule MSE e MAD para esse produto.
6 MEDIDA E CONTROLE DO ERRO NAS PREVISÕES
	Mês, t	Demanda, Dt	Previsão, Ft	Erro, Et	Erro quadrático	Erro absoluto
	1	200	225	-25	625	25
	2	240	220	20	400	20
	3	300	285	15	225	15
	4	270	290	-20	400	20
	5	230	250	-20	400	20
	6	260	240	20	400	20
	7	210	250	-40	1.600	40
	8	275	240	35	1.225	35
	 		Total	-15	5.275	195
MSE = 5.275 / (8-1) = 753,6
MAD = 195 / 8 = 24,4
6 MEDIDA E CONTROLE DO ERRO NAS PREVISÕES
Indicadores de Desempenho
 Medida do viés da previsão (MVP)
A cada novo período, deve-se calcular a nova MVP
Se mantiver por alguns períodos com o mesmo sinal, está havendo um viés na previsão,
para mais (MVP persistentemente positiva) 
para menos (MVP persistentemente negativa)
6 MEDIDA E CONTROLE DO ERRO NAS PREVISÕES
Sinal de percurso ou Sinal de rastreamento (SR)
Como a MVP, deve ser recalculado a cada novo período.
6 MEDIDA E CONTROLE DO ERRO NAS PREVISÕES
Como o MAD é sempre positivo, o sinal de rastreamento (SR) e MVP têm mesmo sinal, servindo para monitorar quaisquer vieses existentes na previsão.
Se vieses não estiverem presentes, SR deve ser próximo a zero. 
Para previsão consistentemente acima da demanda real, SR será próximo a + 1.
Para previsão persistentemente abaixo da demanda real, SR será próximo a - 1. 
6 MEDIDA E CONTROLE DO ERRO NAS PREVISÕES
Pode-se usar o SR para monitorar quantitativamente a previsão
Fixar uma faixa de valores máximo e mínimo para SR (±0,5, faixa usual)
Adequado: valores calculados, período a período, caem dentro da faixa prefixada
Se os erros de previsão estão normalmente distribuídos com uma média 0
 portanto, 
Usar tabelas de probabilidade da distribuição normal para especificar os limites para SR
Se SR está fora dos limites de controle, o modelo de previsão não está mais rastreando a demanda adequadamente
6 MEDIDA E CONTROLE DO ERRO NAS PREVISÕES
A figura a seguir mostra os resultados de sinal de rastreamento para 23 períodos em um gráfico de controle. O 23º ponto indica que o modelo de previsão não rastreia a variação da demanda.
6 MEDIDA E CONTROLE DO ERRO NAS PREVISÕES
AMPLITUDES DOS ERROS DE PREVISÃO
O MAD permite substituir a previsão absoluta da demanda por um valor previsto e uma amplitude de erro
Por exemplo, o valor previsto é de 1.000 unidades e o MAD de 20 unidades. Para o nível de confiança de 95%, o erro será de ± 2,0 σ ≈ ± 2,5 MAD ≈ 50 unidades, então a previsão é de 1.000 ± 50 unidades.
6 MEDIDA E CONTROLE DO ERRO NAS PREVISÕES
Horizonte da Previsão
Os métodos qualitativos e causais parecem adaptar-se melhor às previsões de médio e longo prazo, enquanto a análise de séries temporais, particularmente pelos métodos das médias, parecem adequar-se mais a previsões de curto prazo.
6 MEDIDA E CONTROLE DO ERRO NAS PREVISÕES
Exemplo 9. (Daniel Moreira, pág 322). Com os dados da tabela a seguir, calcular a Medida do Viés da Previsão (MVP), o Desvio Absoluto Médio (MAD) e o Sinal de Rastreamento (SR).
	Ft	D	Et = D - Ft	MVP	MAD	SR
	10	8	-2	-2	2	-1,00
	12	13	1	-0,5	1,5	-0,33
	8	6	-2	-1	1,67	-0,60
	11	12	1	-0,5	1,5	-0,33
	9	10	1	-0,2	1,4	-0,14
	15	9	-6	-1,17	2,17	-0,54
	17	18	1	-0,86	2	-0,43
	11	16	5	-0,13	2,38	-0,05