Baixe o app para aproveitar ainda mais
Prévia do material em texto
© 2021 Giovani J. Teixeira Prof. Administrador - CRA 11537 PLANEJAMENTO E CONTROLE DA PRODUÇÃO DEMANDA O que é demanda? Disposição dos clientes ao consumo de bens e serviços Sofre influência desde condições macroeconômicas ... Inflação Taxa de câmbio Política Fiscal ... até operacionais Disponibilidade do produto Preço no ponto de venda 3 DEMANDA 3 DEMANDA 4 DEMANDA 5 Demanda é igual a vendas? NEM SEMPRE Vendas podem sofrer influência de falta de produto no ponto de venda, promoções, etc. PADRÕES DA DEMANDA 6 Duas situações de demanda Demanda pontual Pico de demanda que ocorre de forma concentrada no tempo e depois desaparece ou diminui gradativamente PADRÕES DA DEMANDA 7 Duas situações de demanda Demanda repetitiva Demanda dependente Pode ser associada à demanda de outro produto MRP PADRÕES DA DEMANDA 8 Duas situações de demanda Demanda repetitiva Demanda independente PADRÕES DA DEMANDA Duas situações de demanda Demanda repetitiva Demanda independente Estacionária X Com Tendência Patamar de demanda constante Tendência de crescimento ou redução sistemática 10 PADRÕES DA DEMANDA 10 Duas situações de demandarepetitiva Demanda independente Sazonalidade – oscilações regulares ao logo do “ciclo sazonal” Demanda PADRÕES DA DEMANDA 11 PADRÕES DA DEMANDA 12 PADRÕES DA DEMANDA 13 Entender bem o padrão da demanda é fundamental para escolher bem o método de previsão de demanda. PREVISÃO DE DEMANDA 14 É uma afirmativa ou inferência sobre o futuro, usualmente baseada em uma informação histórica PREVISÃO DE DEMANDA 15 É a base para o planejamento estratégico da produção, vendas e finanças de qualquer empresa. Permite que os administradores destes sistemas antevejam o futuro e planejem adequadamente suas ações. São usadas pelo PCP em dois momentos distintos para planejar o sistema produtivo (longo prazo e famílias de produtos) para planejar o uso deste sistema produtivo (médio prazo e famílias de produtos / curto prazo e por item) PREVISÃO DE DEMANDA 16 Responsabilidade - Marketing ou Vendas. Por que é importante que o pessoal de PCP entenda previsão de demanda? Principal informação empregada pelo PCP na elaboração de suas atividades Em empresas de pequeno e médio porte cabe ao pessoal do PCP (geralmente o mesmo de Vendas) elaborar estas previsões PREVISÃO DE DEMANDA 17 Quanto maior o horizonte, maior a incerteza das previsões Previsões de demanda agregada apresentam menores erros que previsões detalhadas por item ETAPAS DE UM MODELO DE PREVISÃO 18 Objetivo do Modelo Coleta e Análise dos Dados Seleção da Técnica de Previsão Obtenção das Previsões Monitoração do Modelo OBJETIVO DO MODELO Consiste em definir a razão pela qual se necessita de previsões (ex.: previsão de estoques, planejamento de capacidade) Produto (ou famílias de produto) Grau de precisão Detalhes da previsão Recursos disponíveis A sofisticação e o detalhamento do modelo dependem da importância relativa do produto (ou família de produtos) a ser previsto e do horizonte ao qual a previsão se destina Ex.: Itens pouco significativos Aceitável maior margem de erro Emprego de técnicas mais simples Longo prazo pode trabalhar com dados agregados em famílias de produtos 21 COLETA E ANÁLISE DE DADOS Alguns cuidados básicos devem ser tomados na coleta e análise dos dados, dentre eles os seguintes: Quanto mais dados históricos → mais confiável será a técnica de previsão Caracterizar a demanda pelos produtos da empresa, que não é necessariamente igual as vendas passadas Substituir outliers por valores médios compatíveis com o comportamento normal da demanda 22 O tamanho do período de consolidação dos dados (semanal, mensal, trimestral, anual, etc.) tem influência direta na escolha da técnica de previsão mais adequada, assim como na análise das variações extraordinárias 1.200 1.000 800 600 400 200 0 Jan. Fev. Mar. Abr. Set. Out. Nov. Dez. Mai. Jun. A (mensal) Jul. Ago. B (trimestral) sazonalidade média SELEÇÃO DA TÉCNICA DE PREVISÃO 22 Alguns fatores merecem destaque na escolha da Técnica de Previsão: Decidir em cima da curva de troca “custo-precisão”; A disponibilidade de dados históricos; A disponibilidade de recursos computacionais; A experiência passada com a aplicação de determinada técnica; A disponibilidade de tempo para coletar, analisar e preparar os dados e a previsão; O período de planejamento para o qual se necessita da previsão. SELEÇÃO DA TÉCNICA DE PREVISÃO 23 As características gerais que normalmente estão presentes em todas as técnicas de previsão, que são: Supõem-se que as causas que influenciaram a demanda passada continuarão a agir no futuro; As previsões não são perfeitas, pois não somos capazes de prever todas as variações aleatórias que ocorrerão; A precisão das previsões diminui com o aumento do período de tempo da previsão; A previsão para grupos de produtos é mais precisa do que para os produtos individualmente, visto que no grupo os erros individuais de previsão se anulam. TÉCNICAS DE PREVISÃO Técnicas Qualitativas Pouco tempo para coleta de dados, introdução de novos produtos, cenário político/econômico instável Questões estratégicas – em conjunto com modelos matemáticos e técnicas quantitativas Técnicas Quantitativas Séries Temporais – modelo matemático da demanda futura relacionando dados históricos de vendas do produto com o tempo Correlação – associar dados históricos de vendas do produto com uma ou mais variáveis relacionadas à demanda 26 Uma vez decidida a técnica de previsão e implantado o modelo, há necessidade de acompanhar o desempenho das previsões e confirmar a sua validade perante a dinâmica atual dos dados. Esta monitorização é realizada através do cálculo e acompanhamento do erro da previsão, que é a diferença que ocorre entre o valor real da demanda e o valor previsto pelo modelo para um dado período. A manutenção e monitorização de um modelo de previsão confiável busca: Verificar a precisão dos valores previstos; Identificar, isolar e corrigir variações anormais; Permitir a escolha de técnicas, ou parâmetros, mais eficientes. 27 MANUTENÇÃO E MONITORIZAÇÃO DO MODELO MANUTENÇÃO E MONITORIZAÇÃO DO MODELO Uma forma de acompanhar o desempenho do modelo consiste em verificar o comportamento do erro acumulado que deve tender a zero, pois espera-se que o modelo de previsão gere, aleatoriamente, valores acima e abaixo dos reais, devendo assim se anular. O erro acumulado deve ser comparado com um múltiplo do desvio médio absoluto, conhecido como MAD - Mean Absolute Deviation. Em geral, compara-se o valor do erro acumulado com o valor de 4 MAD. Quando ultrapassar este valor, o problema deve ser identificado e o modelo deve ser revisto. 28 Datual Dprevista MAD n MANUTENÇÃO E MONITORIZAÇÃO DO MODELO Para = 0,10, tem-se que: 4 3,51 14,04 25,41 ; Para = 0,50, tem-se que: 4 3,98 15,92 8,99 . 29 MANUTENÇÃO E MONITORAÇÃO 28 De uma forma geral, uma série de fatores pode afetar o desempenho de um modelo de previsão: a técnica de previsão pode estar sendo usada incorretamente, ou sendo mal interpretada; a técnica de previsão perdeu a validade devido à mudança em uma variável importante, ou devido ao aparecimento de uma nova variável; variações irregulares na demanda podem ter acontecido em função de greves, formação de estoques temporários, catástrofes naturais, etc. ações estratégicas da concorrência, afetando a demanda; variações aleatórias inerentes aos dados da demanda. MANUTENÇÃO E MONITORAÇÃO 29 Um modelo de previsão para a demanda funciona adequadamente quando apenas os erros decorrentes de variações aleatórias ocorrem. Quando outros tipos de erros aparecem, eles devem ser investigados para identificar suas causas e corrigir o problema. TÉCNICAS DE PREVISÃO Técnicas de previsão Quantitativos Qualitativos Projeção CorrelaçãoMédias Móveis Suavização exponencial Projeção de tendências Decomposição Regressão simples Regressão múltipla Métodos Econométricos Método Delphi Análise de Cenários Pesquisa de Mercado Júri executivo de opiniões 31 32 Método Delphi Características: anonimato, realimentação controlada das informações, quantificação das respostas (escala numérica), resposta estatística (pode não haver consenso) Processo: 1o. Passo – Coordenador elabora Questionário 2o. Passo - Grupo responde Questionário (escala numérica) 3o. Passo – Coordenador confere coerência das respostas, altera questões (se necessário), processa análise estatística, sistematiza os argumentos manifestados 4o. Passo – Grupo responde novo Questionário (com as informações da análise estatística e dos argumentos), respostas discrepantes com relação à Média devem ser justificados 5o.Passo – Coordenador verifica se não houve variações significativas (Fim - Relatório), caso contrário retornar ao Passo 2. TÉCNICAS DE PREVISÃO QUALITATIVAS 33 Método Delphi Vantagens Ótimo método para lidar com aspectos inesperados de um problema Previsões com carência de dados históricos Interesse pessoal dos participantes Minimiza pressões psicológicas Não exige presença física TÉCNICAS DE PREVISÃO QUALITATIVAS 34 Método Delphi Desvantagens Processo lento, média de 6 meses Dependência dos participantes Dificuldade de redigir o questionário Possibilidade de consenso forçado TÉCNICAS DE PREVISÃO QUALITATIVAS 35 Situações muito complexas Geralmente utilizado para o longo prazo Aplicado quando não há parâmetros que permitam uma previsão segura Análise de Cenários TÉCNICAS DE PREVISÃO QUALITATIVAS 36 Cenário base: sem surpresas Cenário alternativo 1: otimista Cenário alternativo 2: pessimista Análise de Cenários Três possíveis cenários: TÉCNICAS DE PREVISÃO QUALITATIVAS 37 Estruturar e sistematizar o processo de projeções qualitativas Identificar as variáveis que impactam a demanda e seus impactos mútuos Estabelecer objetivos de longo prazo Identificar prioridade de ação Análise de Cenários Vantagens TÉCNICAS DE PREVISÃO QUALITATIVAS 38 Dependência dos resultados em função da escolha das variáveis Complexidade para se tratar muitas variáveis ao mesmo tempo Pequenas alterações nas variáveis podem causar grandes distorções nas previsões Análise de Cenários Desvantagens TÉCNICAS DE PREVISÃO QUALITATIVAS 39 Júri executivo de opiniões Troca aberta livre nas reuniões. Grupo melhor que indivíduo Pesquisas de mercado Colher dados para testar hipóteses sobre o mercado A fonte de informação são agentes externos a empresa Empresas especializadas TÉCNICAS DE PREVISÃO QUANTITATIVAS 40 Séries Temporais – modelo matemático da demanda futura relacionando dados históricos de vendas do produto com o tempo Correlação – associar dados históricos de vendas do produto com uma ou mais variáveis relacionadas à demanda TÉCNICAS DE PREVISÃO QUANTITATIVAS 41 Partem do princípio de que a demanda futura será uma projeção dos seus valores passados, não sofrendo influência de outras variáveis. É o método mais simples e usual de previsão, e quando bem elaborado oferece bons resultados. Para se montar o modelo de previsão, é necessário plotar os dados passados e identificar os fatores que estão por trás das características da curva obtida (Previsão final = composição dos fatores). Uma curva temporal de previsão pode conter tendência, sazonalidade, variações irregulares e variações randômicas (há técnicas para tratar cada um destes aspectos). TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS 42 Média Móvel Considera a média aritmética de “n” períodos anteriores como a nova previsão Mm n n Di i1 n TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS Média Móvel 45 Mm n n Di i1 n TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS 44 Média Móvel 2.000 4.500 4.000 3.500 3.000 2.500 1 2 3 4 5 6 7 8 9 17 18 19 20 21 22 23 24 10 11 12 13 14 15 16 Períodos (meses) Demanda (kg) D.Real Mm3 Mm6 Mm12 TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS 45 Média Móvel Exercício 1 – Dado a tabela ao lado calcule a previsão de demanda para o mês 9 utilizando a média móvel com período igual a 2 e 4. Compare os métodos a partir de seu erro acumulado e MAD. Mês Demanda 1 105 2 95 3 114 4 106 5 126 6 135 7 125 8 111 TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS 46 Suavização exponencial simples A demanda oscila em torno de um patamar ou demanda base constante. A base é corrigida conforme novos dados de demanda são incorporados a série histórica Mt Mt 1 Dt 1 Mt 1 Sendo: = coeficiente de amortecimento Próximo de 1 – previsão mais sensível ao último valor observado TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS Mt Mt 1 Dt 1 Mt 1 TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS 48 Suavização exponencial simples 4.500 4.000 3.500 3.000 2.500 2.000 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Períodos (meses) Demanda (kg) D.Real TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS 49 Suavização Exponencial Simples Exercício 2 – Dado a tabela ao lado calcule a previsão de demanda para o mês 9 utilizando a suavização exponencial com α = 0,05 e 0,25. Compare os métodos a partir de seu erro acumulado e MAD. Mês Demanda 1 105 2 95 3 114 4 106 5 126 6 135 7 125 8 111 TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS Suavização exponencial com tendência Chamado também de duplo ajustamento Quando a demanda apresenta tendência, o emprego da média exponencial móvel simples demorará a reagir a esta tendência. O duplo ajustamento corrige mais rapidamente 2 Pt Pt 1 Tt 1 Tt Tt 1 52 Tt Pt 1 Mt Pt Mt Pt 1 Dt TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS Capítulo 3 Previsão da Demanda 51 Técnicas para Tendência Ajustamento Exponencial Pt+1 = Previsão da demanda para o período t+1; Pt = Previsão da demanda para o período t; Pt-1 = Previsão da demanda para o período t-1; Mt = Previsão média exponencial móvel da demanda para o período t; Tt = Previsão da tendência para o período t; Tt-1 = Previsão da tendência para o período t-1; a1 = coeficiente de ponderação da média; a2 = coeficiente de ponderação da tendência; Dt = Demanda do período t; 51 Técnicas para Tendência Ajustamento Exponencial 52 53 TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS 54 4.500 4.000 3.500 3.000 2.500 2.000 1.500 1.000 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Períodos (meses) Demanda (kg) D.Real D.Prev Suavização exponencial com tendência TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS 55 Suavização Exponencial com tendência Exercício 3 – Dado a tabela ao lado calcule a previsão de demanda para o mês 9 utilizando a suavização exponencial com tendência e α1 = 0,1 e α2 = 0,2. Calcule seu erro acumulado e MAD. Mês Demanda 1 105 2 95 3 114 4 106 5 126 6 135 7 125 8 111 TÉCNICAS DE PREVISÃO QUANTITATIVASSERIES TEMPORAIS 56 Ajuste de tendências Determinação de uma função matemática que relaciona a variável demanda (dependente) à variável tempo (independente), a partir do método dos mínimos quadrados 1. Representação gráfica da série 2. Identificar padrão através de análise visual 3. Buscar função matemática que reproduza padrão TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS 57 Ajuste de tendências Projeção linear 4.500 4.000 3.500 3.000 2.500 2.000 1.500 1.000 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Períodos (meses) Demanda (kg) TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS b n XY X Y n X 2 X 2 n 58 a Y b X Y = 3.935 - 75,2870 X TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS 4.500 4.000 3.500 3.000 2.500 2.000 1.500 1.000 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Períodos (meses) Demanda (kg) D.Real D.Prev Y = 3.935 - 75,2870 X 60 Y = 3.935 - 75,2870 . 25 = 2.053 kg TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS 60 Ajuste de tendência Projeção linear Exercício 4 – Dado a tabela ao lado calcule a previsão de demanda para o mês 9 utilizando uma projeção linear. Mês Demanda 1 105 2 95 3 114 4 106 5 126 6 135 7 125 8 111 TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS 61 Decomposição clássica (Previsão da Sazonalidade) A sazonalidade é expressa em termos de uma quantidade, ou de uma percentagem, da demanda que desvia-se dos valores médios da série. Caso exista tendência, ela deve ser considerada O valor aplicado sobre a média, ou a tendência, é conhecido como índice de sazonalidade. Exemplo: Índice de Sazonalidade de cervejas em janeiro = 1,30, ou seja, é 30% maior que a média anual. TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS Decomposição clássica (Previsão da Sazonalidade) 10.000 9.000 8.000 7.000 6.000 5.000 4.000 3.000 2.000 1.000 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Períodos (meses) Demanda (kg) D.Real 1 D.Real 2 1 – Identificar o ciclo de sazonalidade Sazonalidade Simples (D. Real 1 – ciclo 9 per.) 63 TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS Sazonalidade Simples Calcular o Índice de Sazonalidade, dividindo- se o valor da demanda no período pela média móvel centrada nesse período O período empregado para o cálculo da média móvel é o ciclo da sazonalidade. IS1 = (1,1942 + 1,2320)/2 TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS 64 Sazonalidade Simples Aplicar o índice de sazonalidade do período em cima da demanda média (média das médias móveis centradas) Sazonalidade Simples D.Prev = D.Média + D.Média (IS - 1) Período D.Média IS D.Prev D.Real Erro 1 2.907 1,2131 3.527 3.600 73 2 2.907 1,1543 3.356 3.416 60 3 2.907 0,9432 2.742 2.682 -60 4 2.907 0,7737 2.250 2.250 0 5 2.907 0,7209 2.096 2.107 11 6 2.907 0,8174 2.376 2.352 -24 7 2.907 0,9798 2.849 2.841 -8 8 2.907 1,1464 3.333 3.322 -11 9 2.907 1,2510 3.637 3.720 83 10 2.907 1,2131 3.527 3.468 -59 11 2.907 1,1543 3.356 3.349 -7 12 2.907 0,9432 2.742 2.745 3 13 2.907 0,7737 2.250 2.254 4 14 2.907 0,7209 2.096 2.086 -10 15 2.907 0,8174 2.376 2.400 24 16 2.907 0,9798 2.849 2.850 1 17 2.907 1,1464 3.333 3.344 11 18 2.907 1,2510 3.637 3.564 -73 19 2.907 1,2131 3.527 3.576 49 20 2.907 1,1543 3.356 3.360 4 21 2.907 0,9432 2.742 2.745 3 22 2.907 0,7737 2.250 2.325 75 23 2.907 0,7209 2.096 1.960 -136 24 2.907 0,8174 2.376 2.400 24 Erro Acumulado 38 MAD 34 TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS 65 Sazonalidade Simples 4.000 3.000 2.000 1.000 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Períodos (meses) Demanda (kg) D.Prev D.Real TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS 66 Sazonalidade Simples Exercício 5 – Considerando os dados de um restaurante representados abaixo, qual a previsão de demanda para a próxima semana? Verifique o erro e MAD do método aplicado. Dia 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 Segunda Terça Quarta Quinta Sexta Sábado Domingo Segunda Terça Quarta Quinta Sexta Sábado Domingo Segunda Terça Quarta Quinta Sexta Sábado Domingo Demanda 50 55 52 56 65 80 85 55 50 58 50 70 75 80 52 50 54 60 65 85 90 TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS Decomposição clássica (Previsão da Sazonalidade) 10.000 9.000 8.000 7.000 6.000 5.000 4.000 3.000 2.000 1.000 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Períodos (meses) Demanda (kg) D.Real 1 D.Real 2 1 – Identificar o ciclo de sazonalidade Sazonalidade com Tendência (D. Real 2 – ciclo 6 per.)68 TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS 68 Obter os índices de sazonalidade através da média móvel centrada TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS 69 retirar o componente de sazonalidade da série de dados históricos, dividindo-os pelos correspondentes índices de sazonalidade TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS 70 Com esses dados, desenvolver uma equação que represente o componente de tendência y = 286,35x + 1108,3 R2 = 0,9955 10.000 8.000 6.000 4.000 2.000 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Períodos (meses) Demanda (kg) Y = 286,35 X + 1.108,3 TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS 71 Com a equação da tendência fazer a previsão da demanda e multiplicá-la pelo índice de sazonalidade TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS 72 10.000 8.000 6.000 4.000 2.000 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Períodos (meses) Demanda (kg) D.Real D.Prev TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS mínimo 2 Y = a + bX Y X Y a bX n a Y b X b n XY X Y n X 2 X 2 Correlações Buscam prever a demanda de determinado produto a partir da previsão de outra variável que esteja relacionada com o produto Correlação dos mínimos quadrados 74 TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS 74 Correlações Exemplo Uma cadeia de fastfood verificou que as vendas mensais de refeições em suas casas estão relacionadas ao número de alunos matriculados em escolas situadas num raio de 2 quilômetros em torno da casa. A empresa pretende instalar uma nova casa numa região onde o número de alunos é de 13750. Qual a previsão da demanda para esta nova casa? TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS 75 Correlações Exemplo TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS 76 Correlações Exemplo b n XY X Y n X 2 X 2 = 2 13 5224,86 143,10 450,71 13 1663,37 143,10 2,99 n a Y b X = 13 450,71 2,99 143,10 1,757 Y = 1,757 + 2,99X Y 1,757 2,99 13,75 42,869 ou seja 42.869 refeições TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS Correlações Coeficientede correlação 2 2 2 0,9 13.1.663,37 143,102 . 13.16.416,82 450,712 13.5.224,86 143,10.450,71 r Y Y n X 2 X . n r n i1 n i1 n i1 i1 i1 n n n i1 n X i .Yi X . Y r>0,8 são considerados adequados r<0,5 são considerados insatisfatórios 78 TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS 78 Correlações Exercício 6 - A demanda por cimento está correlacionada com o nível de atividade da construção civil em determinada região. Dados dos últimos sete anos mostram os seguintes desempenhos: Caso a previsão do nível de atividade da construção civil para o próximo ano seja de 90 m2, qual a demanda esperada por cimento? TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS 79 Correlações Correlação múltipla REFERÊNCIAS 80 LUSTOSA, L. et al. Planejamento e Controle da Produção. Rio de Janeiro: Elsevier, 2008. 355p IS BN 978‐85‐352‐2026‐1. Slides Prof. Christian Vargas – UFF Slides Prof. Fernando Marins –UNESP Tubino, D., Planejamento e Controle da Produção: Teoria e prática P M T t t t + = + 1 ( ) M P D P t t t t = + - a 1 ( ) ( ) T T P P T t t t t t = + - - - - - 1 2 1 1 a Período t Demanda D ( ) M P D P t t t t = + - a 1 ( ) ( ) T T P P T t t t t t = + - - - - - 1 2 1 1 a P M T t t t + = + 1 1 200 Estimativa inicial da tendência = (240-200)/2 = 20 2 250 Estimativa inicial da demanda = 240 + 20 = 260 3 240 260=240+20 4 300 268=260+0,2(300-260) 20=20+0,3((260-240)-20) 288=268+20 5 340 298,4=288+0,2(340-288) 22,4=20+0,3((288-260)-20) 320,8=298,4+22,4 6 390 334,6=320,8+0,2(390-320,8) 25,5=22,4+0,3((320,8-288)-22,4) 360,1=334,6+25,5 7 350 358,0=360,1+0,2(350-360,1) 29,6=25,5+0,3((360,1-320,8)-25,5) 387,6=358,0+29,6 8 400 390,1=387,6+0,2(400-387,2) 29,0=29,6+0,3((387,6-360,1)-29,6) 419,1=390,1+29,0 Período t� Demanda D� � INCORPORAR Equation.2 ���� � INCORPORAR Equation.2 ���� � INCORPORAR Equation.2 ���� � 1� 200� Estimativa inicial da tendência = (240-200)/2 = 20� � � 2� 250� Estimativa inicial da demanda = 240 + 20 = 260� � � 3� 240� � � 260=240+20� � 4� 300� 268=260+0,2(300-260)� 20=20+0,3((260-240)-20)� 288=268+20� � 5� 340� 298,4=288+0,2(340-288)� 22,4=20+0,3((288-260)-20)� 320,8=298,4+22,4� � 6� 390� 334,6=320,8+0,2(390-320,8)� 25,5=22,4+0,3((320,8-288)-22,4)� 360,1=334,6+25,5� � 7� 350� 358,0=360,1+0,2(350-360,1)� 29,6=25,5+0,3((360,1-320,8)-25,5)� 387,6=358,0+29,6� � 8� 400� 390,1=387,6+0,2(400-387,2)� 29,0=29,6+0,3((387,6-360,1)-29,6)� 419,1=390,1+29,0� �
Compartilhar