Baixe o app para aproveitar ainda mais
Prévia do material em texto
PCP – Planejamento, Programação e Controle de Produção CONCEITOS E SISTEMAS PRODUTIVOS Prof. Julliana Paixão PPCP – PLANEJAMENTO, PROGRAMAÇÃO E CONTROLE DE PRODUÇÃO Planejar – Elaborar um plano, ato ou efeito de prever, antecipar, ou vislumbrar algo que ainda não aconteceu, preparar, projetar. Programar – Organizar um programa, sequenciar um plano, esquematizar Controlar – Fiscalizar, monitorar, submeter a vigilância, inspecionar, verificar, conferir, orientar, guiar, conduzir. PPCP – PLANEJAMENTO, PROGRAMAÇÃO E CONTROLE DE PRODUÇÃO PPCP - Consiste em um processo utilizado no gerenciamento das atividades de produção. Sistema de gerenciamento dos recursos operacionais de produção de uma empresa, com funções envolvendo planejamento (o que e quando será produzido), programação (recursos utilizados para a operação, com inicio e término de todo o fluxo de trabalho) e controle (monitoramento e correção de desvios da produção). FINALIDADE DO PPCP INTRODUÇÃO As indústrias são vistas como um sistema que transforma por meios de processos, onde há uma entrada – input (matéria prima) e uma saída - output (produto acabado), este sistema é chamado de Sistema Produtivo. Para que um Sistema Produtivo transforme matéria prima em produto acabado ele precisa ser pensado em prazos, onde planos são feitos, ações são disparadas para o cumprimento dos prazos deste plano e o produto se torne uma realidade. Prazos Atividades Objetivos Médio Prazo Curto Prazo Longo Prazo Plano Mestre (Tático) Programação (Operação) Plano de Produção (Estratégico) Previsão de Venda de MP Pedidos em Carteira Vendas Previsão de Vendas LP Planejamento da Capacidade Produção Previsão de Capacidade de Produção INTRODUÇÃO No intuito de organizar toda montagem de dados, tomadas de decisões com relação ao sequenciamento das atividades e o tempo, as indústrias costumam criar o departamento de apoio a produção, geralmente ligado a diretoria industrial conhecido como PPCP. Logo o PPCP fica responsável por coordenar as aplicações de recursos produtivos de forma a atender da melhor maneira possível os planos estabelecidos nos 3 níveis (Estratégico, Tático e Operacional) . CLASSIFICAÇÃO DO SISTEMA PRODUTIVO O Sistema Produtivo pode ser de produtos tangíveis, conhecido também como Manufatura de bens, ou de produtos intangíveis também chamado de Prestação de serviço. Em ambos os casos a classificação está relacionada com o grau de padronização do produto e consequente volume de produção demandado pelo mercado. Esta classificação é realizada de 4 tipos. CLASSIFICAÇÃO DO SISTEMA PRODUTIVO Os Sistemas Contínuos envolvem a produção de bens ou serviços que não podem ser individualizados, os Sistemas Discretos (em massa, em lote e sob encomenda) envolvem produção de bens ou serviços que podem ser isolados, particularizando uns dos outros. CARACTERÍSTICAS BÁSICAS DOS SISTEMAS PRODUTIVOS SISTEMA CONTÍNUO Como suas principais características temos a alta uniformidade de produção e demanda de bens e serviços, baixo lead time, set up e flexibilidade de bens e serviços. Favorecendo a sua automatização, gerando alto custos de investimento e baixo custo de produção. Possui plano nos níveis estratégicos (longo prazo) e táticos (médio prazo), não havendo necessidade de programação e sequenciamento de ordens. SISTEMA CONTÍNUO SISTEMA EM MASSA O Sistema de Produção em massa é semelhante ao sistema contínuo, são aqueles produzidos em grande escala de produtos altamente padronizados, porém estes produtos não são passíveis de automatização em processos contínuos, exigindo a participação de mão de obra especializada em sua transformação. Demanda estável, possibilitando uma estrutura produtiva altamente especializada e pouco flexível. SISTEMA EM MASSA Neste tipo de sistema produtivo a variação de produto acabado se dá geralmente apenas na linha de montagem, devido a sua padronização possui lead time produtivo baixo. Devido ao seu alto volume de produção seus custos fixos são diluídos e os custos variáveis como compra de matéria prima feitos em grande escala, reduzindo assim o custo de produção. SISTEMA EM MASSA O TC (Tempo de Ciclo) é a variável de controle deste sistema produtivo. É através deste tempo que se dita o ritmo de saída de produto da linha. • TC – Tempo de Ciclo • TD – Tempo disponível de trabalho • D - Demanda TC = TD/D SISTEMA EM LOTES O Sistema Repetitivo em Lotes caracteriza-se por uma produção de volume médio, bens ou serviços padronizados em lotes, sendo que cada lote segue uma série de operações, que devem ser programadas a medida que a operação anterior for realizada. É um sistema relativamente flexível, atendendo diferentes pedidos de clientes e flutuações de demanda. Este sistema produtivo encontra-se entre os dois extremos, onde a quantidade demandada é insuficiente para se absorver a massificação, porém se justifica a produção de lotes econômicos para minimizar os custos de preparação (Setup) SISTEMA EM LOTES Este sistema possui um lead time maior que o sistema em massa, bem como custos maiores devido sua forma de organização. Neste sistema o principal foco do PPCP é realizar uma programação de produção que possua um sequenciamento de forma a reduzir estoque e lead time produtivo. Esta programação pode ser realizada de forma empurrada ou puxada. PROGRAMAÇÃO EMPURRADA PROGRAMAÇÃO PUXADA PREVISÃO DE DEMANDA PLANEJAMENTO MESTRE DE PRODUÇÃO (PMP) PLANEJAMENTO DE NECESSIDADE DE MATÉRIA PRIMA (MRP) EMITIR OC – OF - OM SEQUENCIAR PRODUÇÃO DIMENCIONAR SM OPERAR SISTEMA KANBAN PROGRAMAÇÃO EMPURRADA Possui como principal característica a obtenção dos lotes de produção a serem produzidos darem se através da inclusão de demanda dos diferentes produtos acabados no Plano Mestre de Produção (PMP), que gera a necessidade e libera a produção de produto acabado. PROGRAMAÇÃO PUXADA A previsão de demanda é utilizada para dimensionar os estoques (supermercados). Quando os clientes internos necessitam de itens para trabalhar eles recorrem a estes supermercados para abastecer, gerando uma ordem de produção padrão para repor este estoque. Nesta regra o sistema puxado garante o sequenciamento da produção. PROGRAMAÇÃO EMPURRADA X PUXADA PRODUÇÃO EMPURRADA PRODUÇÃO PUXADA Pouca variedade de produto Variedade alta de produto Alto estoque Baixo estoque Pouca preocupação com qualidade Produtos com qualidade melhor Grande índice de perda Meta de perda zero Lotes maiores de produção Lotes de produção cada vez menores Baixa capacidade de renovação de produto Alta capacidade de renovação de produto Tarefas repetitivas sem muito valor agregado Colaboradores polivalentes com tarefas de alto valor agregado Consumidores menos exigentes Consumidores cada vez mais exigentes SISTEMA SOB ENCOMENDA A principal finalidade deste sistema é voltada para o atendimento de uma necessidade específica do cliente, possui baixa demanda, alta flexibilidade com foco no atendimento do cliente. Gerando assim alto custo de produção. A dinâmica no PCP neste sistema começa com a negociação de um projeto com o cliente que necessita saber a data de entrega específica, para isso o PCP utiliza ferramentas como Gráfico de Gant e a técnica PERT/CMP para projetos mais complexos e longos ASPECTOS COMPETITIVOS DO PCP CUSTO VELOCIDADE CONFIABILIDADE FLEXIBILIDADE QUALIDADE SERVIÇO 1 X X X 2 X 3 X X X X 4 X X X 5 X x X 6 x X 7 x x 1- Planejar as necessidade futuras de capacidade produtiva da organização 2- Planejar materiais comprados 3- Planejar níveis adequado de estoques de MP, SA, PA, nos pontos certos 4- Programar atividade de produção para garantir que os recursos produtivos envolvidos estejam sendo utilizados, em cada momento nas atividades certas e prioritárias 5- Ser capaz de saber informar a respeito da situação correta dos recusros (pessoas, equipamentos, instalações, materiais) e da ordens (compra e produção) 6- Ser capazde prometer os menores prazos as clientes e depois cumpri-los 7- Ser capaz de reagir eficazmente PCP – Planejamento, Programação e Controle de Produção PREVISÃO DE DEMANDA Prof. Julliana Paixão PREVISÃO DE DEMANDA O QUE É? Processo metodológico para determinação de dados (demanda) futuros baseados em modelos estatísticos, matemáticos ou econométricos ou ainda em modelos subjetivos apoiados em uma metodologia de trabalho clara e previamente definida. A previsão de demanda é a base para o planejamento estratégico da produção, vendas e finanças de qualquer empresa. Partindo dela se desenvolve os planos de capacidade, fluxo de caixa, de vendas, de produtos e estoques, de mão de obra, de compras além de outros planos. QUAL O OBJETIVO DA PREVISÃO DE DEMANDA? Reduzir a incerteza do futuro Reduzir os riscos na tomada de decisão PORQUE AS PREVISÃO DE DEMANDA SÃO NECESSÁRIAS? Porque existe demora na provisão Serve como base para o planejamento estratégico da produção, vendas e finanças São fundamentais para os planos de capacidade , fluxo de caixa, de venda, de estoque, de mão de obras e compras. Para o PPCP a previsão de demanda é utilizada em dois momentos distintos e muito importantes. Planejar o sistema produtivo com previsões agregadas de longo prazo, usada para elaborar estrategicamente o plano de produção. Planejar o uso do sistema produtivo, plano mestre e programação de produção. Envolvendo definições de estoque, compras, armazenamento, sequenciamento de produção. CARACTERÍSTICAS DA PREVISÃO DE DEMANDA • Diretamente relacionanda com a satisfação do cliente e a rentabilidade no longo prazo. • Quase todas as previsões são baseadas na suposição que o passado irá se repetir. • Previsões raramente são perfeitas e a precisão diminui com o aumento do período de tempo sondado. • As previsões de demanda agregada são, normalmente mais precisas que as individuais (menor aleatoriedade). ELEMENTOS PRESENTES EM UMA BOA PREVISÃO DE DEMANDA O horizonte de previsão precisa e deve cobrir o tempo necessário à implementação das possíveis mudanças. Previsões eficazes requer uma base de dados de demanda precisa. Registrar a demanda (não vendas) em tempo real, não depois. Deve-se detectar demandas irregulares COMO SÃO USADAS PELO PPCP Planejar o sistema produtivo – Planejamento Estratégico Previsão agregada a longo prazo Definir a família de produto ou serviço Definir instalações, equipamentos, mão de obra, entre outras coisas Planejar o uso do sistema produtivo – MPS e Progamação Previsões detalhadas a médio e curto prazo Utilização de recursos disponíveis Definição de produção, reposição de estoque, sequenciamento, etc HORIZONTE DE PREVISÕES Curto – 1 a 3 meses, por semana ou meses, dependendo a situação programação em dias Médio – 3 meses a 2 anos, por meses ou trimenstre Longo – 2 a 10 anos, por trimenstre ou ano Quanto maior for o horizonte pretendido, menor a confiabilidade na demanda prevista ETAPAS DA PREVISÃO DE DEMANDA OBJETIVO DO MODELO COLETA E ANÁLISE DE DADOS SELEÇÃO DE TÉCNICA DE PREVISÃO OBTENÇÃO DAS PREVISÕES MONITORAMENTO DO MODELO OBJETIVO DO MODELO Definir a razão pela qual se necessita fazer a previsão, quais produtos serão previstos, qual o grau de acuracidade e detalhe pretende-se trabalhar na previsão. VALE LEMBRAR: Itens pouco significativos podem ser previstos com maior margem de erro, podendo se empregar técnicas mais simples de previsão de demanda. Além disso, previsões de longo prazo pode-se admitir maior margem de erro. COLETA E ANÁLISE DE DADOS Esta etapa é realizada no sentido de identificar e desenvolver a técnica de previsão que melhor se adapte ao objetivo esperado. Para isso deve- se tomar alguns cuidados: ◦ Quanto maior a amostragem de dados históricos coletados e analisado, mais confiável a técnica de previsão ◦ Os dados devem buscar a caracterização real da demanda, portanto os dados de venda pode não caracterizar o ocorrido devido há algumas variações que possam ter ocorrido nos períodos como: falta de produto, promoções, entre outros ◦ O tamanho dos períodos assim como as variações tem influência direta na escolha da técnica de previsão SELEÇÃO DA TÉCNICA DE PREVISÃO Ao se optar por uma técnica deve-se ponderar uma série de fatores, principalmente custo e acuracidade. Deve-se avaliar quanto se está disposto a gastar no modelo de previsão e quanto custa o erro decorrente de uma previsão inadequada. Além disso é importante levar em consideração no momento da escolha: ◦ Disponibilidade de dados históricos ◦ Experiência passada com aplicação de determinadas técnicas ◦ Disponibilidade de tempo para coletar, analisar e preparar os dados e a previsão ◦ Período de planejamento para o qual se necessita a previsão. TÉCNICAS DE PREVISÃO A definição da técnica que melhor se adapte a uma situação específica é apenas um dos passos do modelo de previsão, porém sem dúvida é o mais importante. Independente da escolha há características que normamente estão presente em todas as técnicas e são elas: TÉCNICAS DE PREVISÃO ◦ Supõe-se que as causas que influenciaram no passado continuará no futuro. ◦As previsões não são perfeitas, pois não se é capaz de prever todas as variações aleatórias que ocorrerão. ◦A acuracidade da previsão diminui com o aumento do período previsto ◦A previsão para grupo de produto é mais precisa que para produto individual TÉCNICAS DE PREVISÃO Método Quantitativo Intrínsecos (Série Temporais) Extrínsecos (Regressões) Qualitativo 15 ➢ As técnicas de previsão podem ser subdivididas em dois grandes grupos: • Qualitativas; • Quantitativas. ➢Qualitativas: baseadas na opinião e no julgamento de pessoas- chaves, especialistas no produto ou no mercado onde atuam estes produtos. Uso: • Quando não se dispõe de tempo para coletar e analisar os dados da demanda passada; TÉCNICAS DE PREVISÃO 16 ➢Qualitativas (cont.): • Introdução de um produto novo; • Quando o panorama político-econômico for muito instável (dados passados são obsoletos); • Questões estratégicas da empresa, em conjunto com previsões quantitativas; ➢Quantitativa: analisar os dados passados objetivamente, empregando-se de modelos matemáticos para projetar a demanda futura. TÉCNICAS DE PREVISÃO 17 ➢Quantitativa: pode ser dividida em dois grandes grupos: • Séries temporais: modelam matematicamente a demanda futura relacionando os dados históricos do próprio produto com o tempo; • Correlações: associam os dados históricos do produto com uma ou mais variáveis que tenham alguma relação com a demanda doproduto. TÉCNICAS DE PREVISÃO 18 ➢ Uma curva temporal pode conter: • Tendência: movimento gradual de longo prazo, direcionando os dados; • Sazonalidade: variações cíclicas de curto prazo, relacionadas ao fator tempo; • Variações irregulares: alterações na demanda passada, resultantes de fatores excepcionais que não podem ser previstos; • Variações randômicas: variações aleatórias ou normais que serão tratadas pelamédia. TÉCNICAS DE PREVISÃO EXEMPLO DE SÉRIES TEMPORAIS PREVISÃO DE DEMANDA MÉTODO INTRÍNSECOS Peródo a período – horizonte deslizante. ◦ Exemplo: Se preveem 12 meses, cada mês que passa, volto a prever outros 12 meses (revisou os 11 que tinha previsto e acrescento 1) Na revisão se modificam previsões realizadas e se acrescenta um novo período REVISÃO DA PREVISÃO: MANUTENÇÃO E MONITORAMENTO DO MODELO ◦ Necessidade de acompanhar o desempenho das previsões e confirmar sua validade perante a dinâmica atual dos dados; ◦O monitoramento é realizado por meio de cálculo e acompanhamento do erro da previsão (diferença entre o valor real da demanda e o valor previsto). MANUTENÇÃO E MONITORAMENTO DO MODELO ◦ Objetivos: ◦Verificar a precisão dos valores previstos; ◦ Identificar, isolar e corrigir variações anormais; ◦Permitir a escolha de técnicas ou parâmetros mais eficientes. ◦Uma forma de acompanhar o desempenho do modelo é comparar o erro acumuladocom um múltiplo do desvio médio absoluto (MAD); ◦Em geral, compara-se com o valor de 4 MAD MAD= limite aceitável 𝐷𝑎 = Demanda ocorrida no período 𝐷𝑝= Demanda Prevista n = número de períodos MANUTENÇÃO E MONITORAMENTO DO MODELO MAD= σ 𝑫𝒂−𝑫𝒑 𝒏 • O módulo do erro acumulado deve ser menor que 4 MAD 𝑬𝑹𝑹𝑶 ≤ 𝟒.𝑴𝑨𝑫 • MAD=Desvio Padrão / 1,25 MÉDIA MÓVEL SIMPLES 𝑀𝑚𝑡= média móvel de n períodos 𝐷𝑡−1 = demanda ocorrida no período t-1 n = número de períodos 𝑀𝑚𝑡 = 𝐷𝑡−1 + 𝐷𝑡−2 +⋯+𝐷𝑡−𝑛 𝑛 Usar n grande para séries muito aleatórias Usar n pequeno para autocorreção (n pequeno suaviza o padrão) Não modelar tendência, nem sazonalidade Otimização de n: minimiza o SDE considerando N períodos históricos Obs: Com n=1, a previsão é igual ao mês anterior MÉDIA MÓVEL SIMPLES Como exemplo da média móvel empregando 3, 6 e 12 períodos em cima da demanda média de uma determinada família de produto. MÉDIA MÓVEL Período D. Real Mm₃ Erro |Erro| Mm₆ Erro |Erro| Mm₁₂ Erro |Erro| 1 3.256 2 3.315 3 3.006 4 3.560 3.192 368 368 5 3.300 3.294 6 6 6 3.051 3.289 -238 238 7 3.425 3.304 121 121 3.248 177 177 8 3.703 3.259 444 444 3.276 427 427 9 3.240 3.393 -153 153 3.341 -101 101 10 3.231 3.456 -225 225 3.380 -149 149 11 2.887 3.391 -504 504 3.325 -438 438 12 3.918 3.119 799 799 3.256 662 662 13 3.271 3.345 -74 74 3.401 -130 130 3.324 -53 53 14 3.073 3.359 -286 286 3.375 -302 302 3.326 -253 253 15 3.396 3.421 -25 25 3.270 126 126 3.305 91 91 16 3.036 3.247 -211 211 3.296 -260 260 3.338 -302 302 17 3.196 3.168 28 28 3.264 -68 68 3.294 -98 98 18 4.106 3.209 897 897 3.315 791 791 3.286 820 820 19 3.449 3.446 3 3 3.346 103 103 3.374 76 76 20 3.913 3.584 329 329 3.376 537 537 3.376 538 538 21 3.324 3.823 -499 499 3.516 -192 192 3.393 -69 69 22 3.277 3.562 -285 285 3.504 -227 227 3.400 -123 123 23 3.204 3.505 -301 301 3.544 -340 340 3.404 -200 200 24 4.079 3.268 811 811 3.546 534 534 3.430 649 649 Erro acumulado 388 6607 572 5564 1.075 3272 MAD 314,62 MAD 309,11 MAD 272,67 4 MAD 1258,48 4 MAD 1236,44 4 MAD 1090,67 Aceitável Aceitável Aceitável 0 500 1.000 1.500 2.000 2.500 3.000 3.500 4.000 4.500 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Média Móvel D. Real Mm₃ Mm₆ Mm₁₂ EXERCÍCIO MÉDIA MÓVEL SIMPLES Suponhamos que queremos prever a demanda semanal utilizando o método de média móvel simples, considerando tanto um período de 3 semanas como um de 9 semanas como ficaria esta demanda com seus devidos erros e desvio padrão: Semana Demanda Semana Demanda 1 800 10 1700 2 1400 11 1700 3 1000 12 1500 4 1500 13 2300 5 1500 14 2300 6 1300 15 2000 7 1800 16 1700 8 1700 17 1800 9 1300 18 2200 MÉDIA MÓVEL PONDERADA 𝑀𝑝𝑡 = previsão para o período t 𝑤𝑡−1= peso atribuído ao período t-1 𝑛 = número de períodos 𝐷𝑡−1= demanda do período t-1 Obs: σ𝒊=𝟏 𝒏 𝒘𝒕−𝒊 = 𝟏 𝑴𝒑𝒕 = 𝒘𝒕−𝟏𝑫𝒕−𝟏 +𝒘𝒕−𝟐𝑫𝒕−𝟐 +⋯+𝒘𝒕−𝒏𝑫𝒕−𝒏 Tem capacidade de variar os efeitos entre os dados mais antigos e os mais recentes Te a desvantagem de alguém ter que definir os pesos da ponderação para cada período MÉDIA MÓVEL PONDERADA Um pet shop verificou que no período de cinco meses a melhor previsão obtida seria se considerar 30% das vendas reais em unidades para o mês mais recente, 25% para o 2º mês anterior, 20% para o 3º mês anterior, 15% para o 4º mês anterior e 10% para o 5º mês anterior. As vendas reais por unidade são: Mês 1 Mês 2 Mês 3 Mês 4 Mês 5 250 180 220 195 230 1. Cacule a previsão do mês 6 através da média móvel ponderada 2. Supondo que as vendas para o 6º mês se situem na realidade em torno de 200 unidades, então qual seria a previsão para o 7º mês MÉDIA MÓVEL PONDERADA Uma loja de departamento considera que no período de quatro meses a melhor previsão obtida seria se considerar 40% das vendas reais em unidades para o mês mais recente, 30% para o segundo mês anterior, 20% para o terceiro mês anterior e 10% para o quarto mês anterior. As vendas reais por unidade são: Mês 1 Mês 2 Mês 3 Mês 4 Mês 5 100 90 105 95 ? 1. Cacule a previsão do mês 5 através da média móvel ponderada 2. Supondo que as vendas para o quinto mês se situem na realidade em torno de 110 unidades, então qual seria a previsão para o sexto mês SUAVIZAÇÃO EXPONENCIAL SIMPLES 𝑀𝑡 = previsão para o período t 𝑀𝑡−1= previsão para o período t-1 𝛼 = coeficiente de ponderação 𝐷𝑡−1= demanda do período t-1 Obs: Onde 0 ≤ 𝛼 ≤ 1, e com o valor inicial se considera 𝑀1 = 𝐷1 𝑴𝒕 = 𝑴𝒕−𝟏 + 𝜶 𝑫𝒕−𝟏 −𝑴𝒕−𝟏 = 𝜶𝑫𝒕−𝟏 + (𝟏 − 𝜶)𝑴𝒕−𝟏 É um dos métodos mais utilizados Para 𝛼 muito alto as previsões ficam sujeitas a variação aleatória da demanda, 𝛼 muito baixo previsões podem ficar defasadas da demanda real Com 𝛼 alto reage mais rápido a uma variação real da demanda Não modela tendência nem sazonalidade Otimização de 𝛼: minimizar o SDE considerando N períodos históricos Obs: o método necessita só os dados do período anterior, mas implicitamente estão todos SUAVIZAÇÃO EXPONENCIAL SIMPLES Como exemplo da média exponencial móvel empregando α de 0,10, 0,50 e 0,80 em cima da demanda média de uma determinada família de produto, tem-se a tabela a seguir. MÉDIA EXPONENCIAL MÓVEL Período D. Real Mα=0,10 Erro |Erro| Mα=0,50 Erro Mα=0,80 Erro |Erro| 1 3.256 2 3.315 3.256 59 59 3.256 59 3.256 59 59 3 3.006 3.262 -256 256 3.286 -280 3.303 -297 297 4 3.560 3.236 324 324 3.146 414 3.065 495 495 5 3.300 3.269 31 31 3.353 -53 3.461 -161 161 6 3.051 3.272 -221 221 3.326 -275 3.332 -281 281 7 3.425 3.250 175 175 3.189 236 3.107 318 318 8 3.703 3.267 436 436 3.307 396 3.361 342 342 9 3.240 3.311 -71 71 3.505 -265 3.635 -395 395 10 3.231 3.304 -73 73 3.372 -141 3.319 -88 88 11 2.887 3.296 -409 409 3.302 -415 3.249 -362 362 12 3.918 3.256 662 662 3.094 824 2.959 959 959 13 3.271 3.322 -51 51 3.506 -235 3.726 -455 455 14 3.073 3.317 -244 244 3.389 -316 3.362 -289 289 15 3.396 3.292 104 104 3.231 165 3.131 265 265 16 3.036 3.303 -267 267 3.313 -277 3.343 -307 307 17 3.196 3.276 -80 80 3.175 21 3.097 99 99 18 4.106 3.268 838 838 3.185 921 3.176 930 930 19 3.449 3.352 97 97 3.646 -197 3.920 -471 471 20 3.913 3.362 551 551 3.547 366 3.543 370 370 21 3.324 3.417 -93 93 3.730 -406 3.839 -515 515 22 3.277 3.407 -130 130 3.527 -250 3.427 -150 150 23 3.204 3.394 -190 190 3.402 -198 3.307 -103 103 24 4.079 3.375 704 704 3.303 776 3.225 854 854 Erro acumulado 1.897 6066 870 815 8565 MAD 263,74 MAD 372,39 4 MAD 1054,96 4 MAD 1489,57 Não Aceitável Aceitável 0 500 1.000 1.500 2.000 2.500 3.000 3.500 4.000 4.500 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Média Exponencial Móvel D. Real Mα=0,10 Mα=0,50 Mα=0,50 EXERCÍCIO SUAVIZAÇÃO EXPONENCIAL SIMPLES Kevin Alexandre possui um pequeno restaurante que está aberto sete dias por semana. Até recetemente, ele previa o número de clientes utilizando seu feeling. No entanto, ele quer abrir um outro restaurante e reconhece a necessidade de se adotar um método mais formal de previsão de demanda, que possa ser utilizado em ambos os restaurantes. Decidiu comparar uma média móvel de três semanas com média móvel ponderada e uma suavização exponencial simples com 𝛼 = 0,7 𝑒 𝛼 = 0,3. As vendas das três semanas anteriores são mostradas abaixo, calcule: Semana Clientes por dia Dom Seg Ter Qua Qui Sex Sab Real: 3 Semanas atrás 138 183 182 188 207 277 388 2 Semanas atrás 143 194 191 200 213 292 401 Semanas passada 157 196 204 193 226 313 408 Pervisão Proxima Semana Previsão de vendas para cada dia da próxima semana utilizando: ◦ Média móvel simples das 3 semanas ◦ Média móvel ponderada para semana 3 de 20% semana 2 de 30% e semana passada 50% ◦ Suavização Exponencial com 𝛼 = 0,7 ◦ Suavização Exponencial com 𝛼 = 0,3 As vendas reais da próxima semana foram, conforme mostrada abaixo. Com estes dados avalie as 4 modelos e faça a recomendação de um deles para Kevin Alexandre. Semana Clientes por dia Dom Seg Ter Qua Qui SexSab Real: 3 Semanas atrás 138 183 182 188 207 277 388 2 Semanas atrás 143 194 191 200 213 292 401 Semanas passada 157 196 204 193 226 313 408 Pervisão Proxima Semana Semana Clientes por dia Dom Seg Ter Qua Qui Sex Sab Real 160 204 197 210 215 300 421 PREVISÃO POR TENDÊNCIA Existem duas técnicas importantes que podem ser empregadas para tratar previsão de demanda com componente de tendência linear, uma baseada na equação linear como forma de previsão e a outra está baseada no ajustamento exponencial para obter o componente de tendência. EQUAÇÃO LINEAR PARA TENDÊNCIA Y= previsão da demanda para o período X a = ordenada à origem, ou intersecção no eixo dos Y b = coeficiente angular X = período (partido de X=0) para previsão 𝒀 = 𝒂 + 𝒃𝑿 EQUAÇÃO LINEAR PARA TENDÊNCIA n = número de período observado 𝒃 = 𝒏 σ𝑿𝒀 − (σ𝑿)(σ𝒀) 𝒏 σ𝑿𝟐 − (σ𝑿)𝟐 𝒂 = σ𝒀 − 𝒃(σ𝑿) 𝒏 TENDÊNCIA LINEAR Como exemplo da obtenção da equação linear para a tendência, encontra-se a equação linear através da demanda de uma determinada família de produto e se faz a previsão de demanda futura. Período X D. Real Y X² X.Y 1 3.973 1 3.973 2 3.531 4 14.124 3 3.523 9 31.707 4 3.551 16 56.816 5 3.524 25 88.100 6 3.632 36 130.752 7 3.525 49 172.725 8 3.620 64 231.680 9 3.159 81 255.879 10 3.084 100 308.400 11 3.204 121 387.684 12 2.826 144 406.944 13 3.188 169 538.772 14 2.991 196 586.236 15 2.633 225 592.425 16 2.792 256 714.752 17 2.779 289 803.131 18 2.687 324 870.588 19 2.457 361 886.977 20 2.361 400 944.400 21 2.474 441 1.091.034 22 2.428 484 1.175.152 23 1.965 529 1.039.485 24 1.949 576 1.122.624 Somatórios 300 71856 4900 12454360 𝒀 = 𝟑. 𝟗𝟑𝟓 − 𝟕𝟓, 𝟐𝟖𝟕𝟎𝑿 EQUAÇÃO LINEAR Período X D. Real Y D. Prev. Erro |Erro| 1 3.973 3.860 113 113 2 3.531 3.784 -253 253 3 3.523 3.709 -186 186 4 3.551 3.634 -83 83 5 3.524 3.559 -35 35 6 3.632 3.483 149 149 7 3.525 3.408 117 117 8 3.620 3.333 287 287 9 3.159 3.257 -98 98 10 3.084 3.182 -98 98 11 3.204 3.107 97 97 12 2.826 3.032 -206 206 13 3.188 2.956 232 232 14 2.991 2.881 110 110 15 2.633 2.806 -173 173 16 2.792 2.730 62 62 17 2.779 2.655 124 124 18 2.687 2.580 107 107 19 2.457 2.505 -48 48 20 2.361 2.429 -68 68 21 2.474 2.354 120 120 22 2.428 2.279 149 149 23 1.965 2.203 -238 238 24 1.949 2.128 -179 179 Erro acumulado 2 3332 MAD 144,87 4 MAD 579,48 Aceitável 0 500 1.000 1.500 2.000 2.500 3.000 3.500 4.000 4.500 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Equação Linear D. Real Y D. Prev. AJUSTAMENTO EXPONENCIAL PARA TENDÊNCIA 𝑃𝑡+1 = previsão da demanda para o período t+1 𝑀𝑡 = previsão média exponencial móvel da demanda para o período t 𝑇𝑡 = previsão de tendência exponencial móvel para o período t 𝑷𝒕+𝟏 = 𝑴𝒕 + 𝑻𝒕 AJUSTAMENTO EXPONENCIAL PARA TENDÊNCIA 𝑃𝑡 = previsão da demanda para o período t 𝑃𝑡−1 = previsão da demanda para o período t-1 𝑇𝑡−1 = previsão de tendência exponencial móvel para o período t-1 𝛼1 = coeficiente de ponderação da média 𝛼2 = coeficiente de ponderação da tendência 𝐷𝑡 = demanda de período t 𝑴𝒕 = 𝑷𝒕 + 𝜶𝟏(𝑫𝒕 − 𝑷𝒕) 𝑻𝒕 = 𝑻𝒕−𝟏 + 𝜶𝟐( 𝑷𝒕 − 𝑷𝒕−𝟏 − 𝑻𝒕−𝟏) Como exemplo da obtenção da equação do ajustamento exponencial para a tendência, será adotado os valores de 0,70 para o coeficiente de ponderação médio e 0,30 para o coeficiente de ponderação da tendência. AJUSTAMENTO EXPONENCIAL PARA TENDÊNCIA AJUSTAMENTO EXPONENCIAL PARA TENDÊNCIA Período t Demanda D Mt Tt Pevisão Pt+1 Erro |Erro| α=0,70 α=0,30 1 3.973 2 3.531 3 3.523 Estimatia Inicial de Mt = Demanda do período = 3523 Estimativa inicial de tendência=(3523- 3973)/2=-225 Previsão de Pt+1 = (3523-225) = 3298 4 3.551 3298+ 0,70x(3551-3298) = 3475 -225+0,30x((3298-3523)+225)=-225 3475-225=3250 253 253 5 3.524 3250+0,70x(3524-3250)=3442 -225+0,30x((3250-3298)+225)=-172 ´3524-172=3270 274 274 6 3.632 3.523 -114 3.409 362 362 7 3.525 3.490 -38 3.452 116 116 8 3.620 3.570 -14 3.556 168 168 9 3.159 3.278 21 3.299 -397 397 10 3.084 3.149 -62 3.087 -215 215 11 3.204 3.169 -107 3.062 117 117 12 2.826 2.897 -83 2.814 -236 236 13 3.188 3.076 -132 2.944 374 374 14 2.991 2.977 -53 2.923 47 47 15 2.633 2.720 -44 2.677 -290 290 16 2.792 2.757 -105 2.653 115 115 17 2.779 2.741 -80 2.661 126 126 18 2.687 2.679 -54 2.625 26 26 19 2.457 2.507 -48 2.459 -168 168 20 2.361 2.390 -84 2.307 -98 98 21 2.474 2.424 -104 2.320 167 167 22 2.428 2.395 -69 2.326 108 108 23 1.965 2.073 -46 2.027 -361 361 24 1.949 1.972 -122 1.850 -78 78 Erro acumulado 411 4096 MAD 204,8 4 MAD 819,2 Aceitável 0 500 1.000 1.500 2.000 2.500 3.000 3.500 4.000 4.500 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Ajustamento Exponencial para Tendência Demanda D Pevisão Pt+1 SAZONALIDADE A sazonalidade caracteriza-se pela ocorrência de variações para cima e para baixo, a intervalos regulares nas séries temporais. Ela é expressa em termos de uma quantidade ou uma percentagem da demanda que desviados valores médios da série. O valor aplicado sobre a média ou a tendência é conhecido como índice de sazonalidade. Pode ser calculada de duas maneiras a sazonalidade simples e com tendência. A técnica de sazonalidade simples consiste em obter o índice de sazonalidade para cada um dos períodos da série e aplica-lo em cima da previsão média deste período. SAZONALIDADE SIMPLES SAZONALIDADE SIMPLES 𝑀𝑀𝐶𝑛 = média móvel centrada no período n 𝐷𝑝 = demanda real do período de sazonalidade p = período de sazonalidade (frequência de sazonalidade) 𝑴𝑴𝑪𝒏 = σ𝑫𝒑 𝒑 SAZONALIDADE SIMPLES 𝐼𝑆𝑛 = Índice de sazonalidade do período n 𝐷𝑛 = demanda real do período de sazonalidade n 𝑰𝑺𝒏 = 𝑫𝒏 𝑴𝑴𝑪𝒏 SAZONALIDADE SIMPLES 𝐼𝑆𝑝 = Índice de sazonalidade médio do período p 𝐼𝑆𝑖 = índice de sazonalidade da frequência anterior 𝐼𝑆𝑝−1 = Índice de sazonalidade médio do período p-1 n= número de amostras 𝑰𝑺𝒑 = 𝑰𝑺𝒊 + 𝑰𝑺𝒑−𝟏 𝒏 SAZONALIDADE SIMPLES Como exemplo para obtenção da previsão da sazonalidade simples tem-se dados da série de uma demanda de uma família de produto, onde o período de sazonalidade é que 9. ÍNDICE DE SAZONALIDADE Período D. Real MMC IS 1 3.600 2 3.416 3 2.682 4 2.250 5 2.107 2.921 0,7213 6 2.352 2.906 0,8092 7 2.841 2.899 0,9800 8 3.322 2.906 1,1432 9 3.720 2.906 1,2799 10 3.468 2.904 1,1942 11 3.349 2.909 1,1511 12 2.745 2.910 0,9432 13 2.254 2.913 0,7738 14 2.086 2.896 0,7204 15 2.400 2.908 0,8254 16 2.850 2.909 0,9798 17 3.344 2.909 1,1496 18 3.564 2.917 1,2219 19 3.576 2.903 1,2320 20 3.360 2.903 1,1576 21 2.745 22 2.325 23 1.960 24 2.400 Demanda média 2.907 ÍNDICE MÉDIO IS₁ 1,213 IS₂ 1,154 IS₃ 0,943 IS₄ 0,774 IS₅ 0,721 IS₆ 0,817 IS₇ 0,980 IS₈ 1,146 IS₉ 1,251 ÍNDICE DE SAZONALIDADE Período D. Média IS D. Prev D. real Erro |Erro| 1 2.907 1,213 3.526 3.600 74 74 2 2.907 1,154 3.356 3.416 60 60 3 2.907 0,943 2.742 2.682 -60 60 4 2.907 0,774 2.249 2.250 1 1 5 2.907 0,721 2.096 2.107 11 11 6 2.907 0,817 2.376 2.352 -24 24 7 2.907 0,98 2.849 2.841 -8 8 8 2.907 1,146 3.333 3.322 -11 11 9 2.907 1,251 3.636 3.720 84 84 10 2.907 1,213 3.526 3.468 -58 58 11 2.907 1,154 3.356 3.349 -7 7 12 2.907 0,943 2.742 2.745 3 3 13 2.907 0,774 2.249 2.254 5 5 14 2.907 0,721 2.096 2.086 -10 10 15 2.907 0,817 2.376 2.400 24 24 16 2.907 0,98 2.849 2.850 1 1 17 2.907 1,146 3.333 3.344 11 11 18 2.907 1,251 3.636 3.564 -72 72 19 2.907 1,213 3.526 3.576 50 50 20 2.907 1,154 3.356 3.360 4 4 21 2.907 0,943 2.742 2.745 3 3 22 2.907 0,774 2.249 2.325 76 76 23 2.907 0,721 2.096 1.960 -136 136 24 2.907 0,817 2.376 2.400 24 24 Erro acumulado 47 817 MAD 34,04 4 MAD 136,17 Aceitável 0 1.000 2.000 3.000 4.000 5.000 6.000 7.000 8.000 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Sazonalidade Simples D. Prev D. real Período Demanda Real 1 3930 2 3930 3 6797 4 6966 5 15357 6 12544 7 17293 8 15349 9 1536310 12969 11 6258 12 1660 13 6131 14 4991 15 2867 16 4859 17 1374 18 6404 19 10088 20 13144 21 16958 22 9273 23 6992 24 1801 SAZONALIDADE COM TENDÊNCIA No caso da demanda apresentar sazonalidade com tendência, há a necessidade de incorporar essas duas características no modelo de previsão. Para se fazer isto, devem-se empregar os seguintes passos: ◦ Primeiro, obter os índices de sazonalidade através da média móvel centrada; ◦ Retirar o componente de sazonalidade da série de dados históricos, dividindo-os pelos correspondentes índices de sazonalidade; ◦ Com esses dados, desenvolver uma equação que represente o componente de tendência; ◦ Com a equação da tendência, fazer a previsão da demanda e multiplica-la pelo índice de sazonalidade. SAZONALIDADE COM TENDÊNCIA No caso que estudaremos logo a seguir a sazonalidade ocorre em ciclos de 6 período, quando o ciclo de sazonalidade for número par, como centro dos dados caindo no meio dos período, primeiro se calculam as médias do período (𝑀𝑀𝐶 Τ1 2) e a seguir, se corrigem esses valores para que coincidem com os período analisados, fazendo a média dos dois valores descentralizados como veremos a seguir. ÍNDICE DE SAZONALIDADE Período D. Real MMC⅟₂ MMC IS 1 1.083 2 1.460 3 2.109 2.112 4 2.717 2.220 1,2237 2.329 5 2.801 2.470 1,1342 2.611 6 2.503 2.766 0,9050 2.921 7 2.381 3.081 0,7727 3.242 8 3.154 3.416 0,9233 3.590 9 3.969 3.743 1,0604 3.896 10 4.642 4.009 1,1578 4.123 11 4.892 4.263 1,1475 4.404 12 4.338 4.557 0,9520 ÍNDICE DE SAZONALIDADE Período D. Real MMC⅟₂ MMC IS 4.710 13 3.742 4.885 0,7660 5.061 14 4.839 5.226 0,9259 5.392 15 5.805 5.504 1,0547 5.616 16 6.747 5.761 1,1711 5.907 17 6.880 6.020 1,1429 6.133 18 5.683 6.286 0,9041 6.439 19 5.487 6.612 0,8299 6.785 20 6.194 6.917 0,8955 7.049 21 7.642 7.171 1,0657 7.292 22 8.821 23 8.469 24 7.139 ÍNDICE MÉDIO IS₁ 0,790 IS₂ 0,915 IS₃ 1,060 IS₄ 1,184 IS₅ 1,142 IS₆ 0,920 Cálculo de Tendência Período D. Real IS Tend. 1 1.083 0,790 1.372 2 1.460 0,915 1.596 3 2.109 1,060 1.989 4 2.717 1,184 2.294 5 2.801 1,142 2.454 6 2.503 0,920 2.719 7 2.381 0,790 3.016 8 3.154 0,915 3.447 9 3.969 1,060 3.743 10 4.642 1,184 3.920 11 4.892 1,142 4.286 12 4.338 0,920 4.713 13 3.742 0,790 4.739 14 4.839 0,915 5.289 15 5.805 1,060 5.475 16 6.747 1,184 5.698 17 6.880 1,142 6.027 18 5.683 0,920 6.174 19 5.487 0,790 6.950 20 6.194 0,915 6.770 21 7.642 1,060 7.207 22 8.821 1,184 7.449 23 8.469 1,142 7.419 24 7.139 0,920 7.756 Período X D. Real Y X² X.Y Tend. 1 1.372 1 1.372 1.395 2 1.596 4 3.192 1.681 3 1.989 9 5.967 1.967 4 2.294 16 9.178 2.254 5 2.454 25 12.269 2.540 6 2.719 36 16.317 2.826 7 3.016 49 21.110 3.113 8 3.447 64 27.579 3.399 9 3.743 81 33.690 3.685 10 3.920 100 39.199 3.972 11 4.286 121 47.141 4.258 12 4.713 144 56.558 4.544 13 4.739 169 61.613 4.831 14 5.289 196 74.047 5.117 15 5.475 225 82.123 5.403 16 5.698 256 91.160 5.690 17 6.027 289 102.462 5.976 18 6.174 324 111.141 6.263 19 6.950 361 132.042 6.549 20 6.770 400 135.403 6.835 21 7.207 441 151.355 7.122 22 7.449 484 163.876 7.408 23 7.419 529 170.641 7.694 24 7.756 576 186.154 7.981 Somatório 300 112.503 4.900 1.735.587 𝒀 = 𝟏. 𝟏𝟎𝟖, 𝟑𝟒 + 𝟐𝟖𝟔, 𝟑𝟒𝑿 GRÁFICO COM A DEMANDA REAL E COMPORTAMENTO SAZONAL GRÁFICO APÓS RETIRAR O COMPORTAMENTO SAZONAL ÍNDICE DE SAZONALIDADE D.Prev = Tend. + (Tend. X (IS-1)) Período Tend. IS D. Prev D. Real Erro |Erro| 1 1.395 0,7895 1.101 1.083 -18 18 2 1.681 0,915 1.538 1.460 -78 78 3 1.967 1,06 2.086 2.109 23 23 4 2.254 1,184 2.669 2.717 48 48 5 2.540 1,142 2.899 2.801 -98 98 6 2.826 0,92 2.601 2.503 -98 98 7 3.113 0,79 2.458 2.381 -77 77 8 3.399 0,915 3.110 3.154 44 44 9 3.685 1,06 3.908 3.969 61 61 10 3.972 1,184 4.703 4.642 -61 61 11 4.258 1,142 4.861 4.892 31 31 12 4.544 0,92 4.183 4.338 155 155 13 4.831 0,79 3.814 3.742 -72 72 14 5.117 0,915 4.682 4.839 157 157 15 5.403 1,06 5.729 5.805 76 76 16 5.690 1,184 6.738 6.747 9 9 17 5.976 1,142 6.822 6.880 58 58 18 6.263 0,92 5.764 5.683 -81 81 19 6.549 0,79 5.171 5.487 316 316 20 6.835 0,915 6.254 6.194 -60 60 21 7.122 1,06 7.551 7.642 91 91 22 7.408 1,184 8.772 8.821 49 49 23 7.694 1,142 8.783 8.469 -314 314 24 7.981 0,92 7.345 7.139 -206 2075 MAD 86,46 4 MAD 345,83 Aceitável 0 1.000 2.000 3.000 4.000 5.000 6.000 7.000 8.000 9.000 10.000 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Sazonalidade com Tendência D. Prev D. Real PREVISÕES BASEADAS EM CORRELAÇÃO As previsões baseadas em correlação, ao contrário das previsões anteriormente vistas, que relacionam a demanda passada deste produto, buscam prever a demanda de determinado produto com base na previsão de outra variável que esteja relacionada com o produto. O objetivo das previsões baseadas em correlação consiste em estabelecer uma equação que identifique o efeito da variável de previsão sobre a demanda do produto em análise. Com o histórico de um produto em questão, e o histórico da variável de previsão. Através de uma técnica conhecida como regressão, pode-se estabelecer esta equação matemática. Neste caso estudaremos regressão linear simples, tipo 𝑌 = 𝑎 + 𝑏𝑋 (onde Y é a variável dependente a ser prevista e X a variável independente da previsão) Y= previsão da demanda para o item dependente a = ordenada à origem, ou intersecção no eixo Y b = coeficiente angular X = valor da variável independente PREVISÕES BASEADAS EM CORRELAÇÃO 𝒀 = 𝒂 + 𝒃𝑿 EQUAÇÃO LINEAR PARA TENDÊNCIA n = número de pares XY observados 𝒃 = 𝒏 σ𝑿𝒀 − (σ𝑿)(σ𝒀) 𝒏 σ𝑿𝟐 − (σ𝑿)𝟐 𝒂 = σ𝒀 − 𝒃(σ𝑿) 𝒏 PREVISÕES BASEADAS EM CORRELAÇÃO Uma cadeia de fast food verificou-se que as vendas mensais de refeição em suas 13 lojas estão relacionadas ao número de alunos matriculados em escolas situadas em um raio de 2 Km em torno da loja. Os dados referentes às vendas mensais e números de alunos matriculados num raio de 2 Km das 13 lojas da cadeia estão na tabela a seguir. A empresa pretende instalar uma nova casa numa região onde o número de alunos é de 13.750. Qual a previsão de demanda para esta nova loja? n Venda por loja Y Nº de aluno X X² Y² X.Y 1 31.560 10.000 100.000.000 996.033.600 315.600.000 2 38.000 12.000 144.000.000 1.444.000.000 456.000.000 3 25.250 8.000 64.000.000 637.562.500 202.000.000 4 47.200 15.000 225.000.000 2.227.840.000 708.000.000 5 22.000 6.500 42.250.000 484.000.000 143.000.000 6 34.200 11.000 121.000.000 1.169.640.000 376.200.000 7 45.100 14.500 210.250.000 2.034.010.000 653.950.000 8 32.300 10.100 102.010.000 1.043.290.000 326.230.000 9 29.000 9.200 84.640.000 841.000.000 266.800.000 10 40.900 13.400 179.560.000 1.672.810.000 548.060.000 11 40.000 12.700 161.290.000 1.600.000.000 508.000.000 12 24.200 7.600 57.760.000 585.640.000 183.920.000 13 41.000 13.100 171.610.000 1.681.000.000 537.100.000 Somatório 450.710 143.100 1.663.370.000 16.416.826.100 5.224.860.000 𝒀 = 𝟏𝟕𝟓𝟕 + 𝟐, 𝟗𝟗𝑿 Venda por loja Y Nº de aluno X X² Y² X.Y Correlação 22.000 6.500 42.250.000 484.000.000 143.000.000 21.194 24.200 7.600 57.760.000 585.640.000 183.920.000 24.483 25.250 8.000 64.000.000 637.562.500 202.000.000 25.678 29.000 9.200 84.640.000 841.000.000 266.800.000 29.266 31.560 10.000 100.000.000 996.033.600 315.600.000 31.657 32.300 10.100 102.010.000 1.043.290.000 326.230.000 31.956 34.200 11.000 121.000.000 1.169.640.000 376.200.000 34.647 38.000 12.000 144.000.000 1.444.000.000 456.000.000 37.637 40.000 12.700 161.290.000 1.600.000.000 508.000.000 39.729 41.000 13.100 171.610.000 1.681.000.000 537.100.000 40.925 40.900 13.400 179.560.000 1.672.810.000 548.060.000 41.822 45.100 14.500 210.250.000 2.034.010.000 653.950.000 45.110 47.200 15.000 225.000.000 2.227.840.000 708.000.000 46.605 - 5.000 10.000 15.000 20.000 25.000 30.000 35.000 40.000 45.000 50.000 6.500 7.600 8.000 9.200 10.00010.100 11.000 12.000 12.700 13.100 13.400 14.500 15.000 Correlação Venda por loja Y Correlação Esta equação é utilizada para se analisar a correlação entre as duas variáveis, ela pode variar de -1 a +1, lembrando que quando estiver mais próximo de 1, maior a correlação entre as duas variáveis. PREVISÕES BASEADAS EM CORRELAÇÃO 𝒓 = 𝒏 σ𝑿𝒀 − (σ𝑿)(σ𝒀) 𝒏 σ𝑿𝟐 − (σ𝑿)𝟐. 𝒏 σ𝒀𝟐 − (σ𝒀)𝟐
Compartilhar