2 - Previsão de Demanda (1)

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
 i1	
n
TÉCNICAS DE PREVISÃO QUANTITATIVAS SERIES TEMPORAIS
Média Móvel
45
Mm
n
n
 Di
 i1	
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 143,102 .	13.16.416,82 450,712
13.5.224,86 143,10.450,71


 




	
	

	

			 	


r 
Y 
Y
n X 2    X 	.	n
r 
n
 i1	
n
	 i1	
n
 i1
  i1	
	 i1
n	n	n
 i1
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�
�