1

Como a previso de
demanda est
inserida nos
Sistemas de PCP?
Compras
Pedidos de
Compras
Planejamento Agregado da
Produo
Plano de
Produo
Programao Detalhada
- Gesto de Estoques
- Sequenciamento
- Emisso e Liberao
Ordens de
Compras
Ordens de
Fabricao
Ordens de
Montagem
Fabricao e Montagem Estoques
Clientes
Marketing
Engenharia
Fornecedores
A
c
o
m
p
a
n
h
a
m
e
n
t
o

e

C
o
n
t
r
o
l
e

d
a

P
r
o
d
u

o

Previso de
Vendas
Pedidos em
Carteira
Estrutura do
Produto
Roteiro de
Fabricao
A
v
a
l
i
a

o

d
e

D
e
s
e
m
p
e
n
h
o

O fluxo de informaes no PCP
Fonte: Adaptado de Tubino (2007).
Programao-Mestre da
Produo
Programa-Mestre
de Produo
Demanda
Demanda ou Procura ... a quantidade de um
determinado bem ou servio que o consumidor deseja
adquirir em um certo perodo de tempo.
Elementos:
(1) um desejo, e no necessariamente um ato;
demanda = compra; a demanda est no plano da
subjetividade do indivduo;
(2) representa um fluxo por unidade de tempo (ex.: a
demanda de po de 5 Kg por semana);
(3) uma escolha restringida do consumidor entre
diversos bens que seu oramento pode adquirir.
Previso de Demanda
Uma previso uma afirmativa ou
inferncia sobre o futuro, usualmente
baseada em informao histrica.
Previso de demanda
A arte de estimar a demanda
futura atravs da antecipao
daquilo que os compradores
provavelmente faro em um
determinado conjunto de
condies (Mudie, 1997).
Planejamento, predio e previso
Planejamento: processo lgico que descreve as atividades
necessrias para ir do ponto no qual estamos at o objetivo
definido.
Predio: processo para determinao de um acontecimento
futuro baseado em dados completamente subjetivos e sem
uma metodologia de trabalho clara.
Previso: processo metodolgico para determinao de
dados futuros baseados em modelos estatsticos, matemticos
ou economtricos ou ainda em modelos subjetivos apoiados
em uma metodologia de trabalho clara e previamente definida.
2
o Fatores Internos
Oramento de vendas
Propaganda
Promoes
Projeto do Produto
Descontos
o Fatores Externos
Ciclo de negcios
Competio
Consumismo
Eventos Mundiais
Aes governamentais
Ciclo de vida do produto
Fatores que influenciam na Demanda
Principais Indicadores
Mdia de horas de trabalho semanal
Consultas s organizaes de proteo ao crdito (SERASA)
Solicitaes de alvar para construo
Taxa de desemprego
PIB
Produo industrial
Investimentos em fbricas e equipamentos
Nveis de estoques
Emprstimos comerciais e industriais
Exemplos de indicadores de demanda
Por que
necessrio fazer
previses de
demanda?
Horizontes de planejamento
hoje
tempo
decises
Efeito da
deciso A
Efeito da
deciso B
Efeito da
deciso C
curto prazo
mdio prazo
Longo prazo
A
B
C
Por que prever?
Previso de Demanda:
1 Passo do PCP
Com base na previso de demanda, estabelecem-se
polticas de controle para:
sistema de estoques
demanda de mquinas & materiais (planejamento
agregado)
sequenciamento

de operaes e mquinas
demanda de pessoal
Situaes em que os sistemas de
Previso so utilizados
1. Gerenciamento de Estoques
Deseja-se controlar o estoque de peas mecnicas
de reposio no almoxarifado de uma empresa

Para tanto
Estima-se a taxa de utilizao de cada pea p/
determinar as quantidades a serem encomendadas
Previso
necessrio tambm
Determinar quando os pedidos devem ser feitos
Para tanto
Estima-se a variabilidade no lead time de entrega
das peas
Previso
3
2. Planejamento da Capacidade
Problema: Planejamento dos itens a serem
manufaturados em uma planta
Ferramenta p/ anlise de
deciso
Previso das unidades de cada produto a serem
vendidas e de suas datas de entrega nos prximos
trs meses
A previso possibilitar
Planejamento da necessidade de produtos
semiacabados, componentes, materiais e mo-de-obra
todo o sistema de manufatura ser programado p/ os
prximos 3 meses
Situaes em que os sistemas de
Previso so utilizados
Previso
3. Planejamento da distribuio;
4. Planejamento de infraestrutura (localizao de
depsitos e plantas de produo);
5. Controle de Processos; e muitas outras
Outras situaes
Ampliao do conceito de previso:
Gesto da Demanda
Habilidade para prever
a demanda
Canal de comunicao
com o mercado
Poder de influncia
sobre a demanda
Habilidade de prometer
prazos
Habilidade de
priorizao e alocao
Comunicao
com o
Mercado
Previso de
Demanda
Influncia
sobre o
Mercado
Promessa
de Prazos
Priorizao
e Alocao
Gesto de
Demanda
Quais so os
padres tpicos de
demanda?
Estgios da Demanda no Ciclo de Vida do Produto
CRESCIMENTO INTRODUO MATURIDADE DECLNIO
D
E
M
A
N
D
A

TEMPO
Padres de demanda
Q
u
a
n
t
i
d
a
d
e

Tempo
(a) Horizontal: os dados se agrupam em torno de uma
linha horizontal.
4
Padres de demanda
Q
u
a
n
t
i
d
a
d
e

Tempo
(b) Tendncia: os dados aumentam ou diminuem
consistentemente.
Padres de demanda
Q
u
a
n
t
i
d
a
d
e

| | | | | | | | | | | |
J F M A M J J A S O N D
Meses
Ano 1
Ano 2
(c) Sazonal: os dados exibem picos e vales
consistentemente.
Padres de demanda
Q
u
a
n
t
i
d
a
d
e

| | | | | |
1 2 3 4 5 6
Anos
(d) Cclico: os dados revelam aumentos e diminuies
graduais ao longo de perodos extensos.
Possveis Padres de Demanda
V
o
l
u
m
e

V
o
l
u
m
e

V
o
l
u
m
e

V
o
l
u
m
e

Tempo Tempo
Tempo
Tempo
Crescente Declnio
Cclico Estvel
tempo
futuro passado
Vendas reais do passado
Tendncia identificada no passado
e projetada no futuro
Ciclicidade identificada no passado
e projetada no futuro
X
X
X
Previses de curto prazo
feitas com base nas projees
Demanda
Faixa de erro
identificada no passado
e projetada para o futuro
Projees
Quais so as
principais tcnicas
de previso de
demanda?
5
Modelo Geral de Previso de Demanda
Objetivo do Modelo
Coleta e Anlise dos Dados
Seleo da Tcnica de Previso
Obteno das Previses
Monitoramento do Modelo
Modelo Geral de Previso de Demanda
Objetivo do Modelo
Coleta e Anlise dos Dados
Seleo da Tcnica de Previso
Obteno das Previses
Monitoramento do Modelo
Dados
histricos de
vendas
Informaes que
expliquem
comportamento
atpico
Dados de
variveis que
expliquem as
vendas
Tratamento estatstico
dos dados de vendas e
outras variveis
Tratamento estatstico
dos dados de vendas e
outras variveis
Informaes de
clientes
Informaes da
conjuntura
econmica
Informaes de
concorrentes
Decises da rea
comercial
Outras informaes
do mercado
Outras informaes
do mercado
Tratamento das
informaes disponveis
Tratamento das
informaes disponveis
Previso de vendas
Previso de vendas
Reunio de Previso
Comprometimento das reas
envolvidas
Tcnicas de
previso
Quantitativas Qualitativas
Sries
Temporais
Modelos
Causais
Mtodo Delphi
Jri de
executivos
Fora de
vendas
Pesquisa de
mercado
Mdias mveis
Ajustamento
exponencial
Projeo de
tendncias
Regresso
simples
Regresso
mltipla
Analogia
histrica
Tcnicas de previso
Definir os objetivos
da previso
Analisar dados
Fatores
causais?
Dados
quantitativos?
Dados
disponveis?
possvel
coletar os
dados?
Abordagem de
sries temporais
Abordagem
qualitativa
Abordagem
causal
No
Sim
Sim
No
Sim
No
No Sim
PREVISO DE DEMANDA:
TCNICAS QUANTITATIVAS
Exemplos:

Extrapolao de Tendncias

Anlise de Sries Temporais

Regresso Simples e Mltipla
6
PREVISO DE DEMANDA:
TCNICAS QUALITATIVAS
Exemplos:

Pesquisa de mercado

Opinio da fora de vendas

Mtodo Delphi
TCNICAS QUALITATIVAS:
Dependem da EXPERTISE do(s) previsor(es).
Geralmente so CARAS e TRABALHOSAS.
So utilizados quando NO EXISTEM dados histricos,
ou seja, quando faltam DADOS QUANTITATIVOS sobre
o problema investigado.
So classificadas em: AVALIAES SUBJETIVAS ( Ex.
pesquisa de mercado com consumidores finais) e
MTODOS EXPLORATRIOS (Ex.: Mtodo Delphi).
parcela quantitativa
da previso
parcela qualitativa
da previso
Presena crescente de histricos longos e confiveis de dados
Presena crescente da hiptese de continuidade
dos padres de comportamento
Abordagem qualitativa vs. quantitativa
Anlise
Quantitativa
Anlise
Qualitativa
Informaes Informaes
Previso
Balano
Considerao
qualitativa e
muitas vezes
subjetiva da
influncia de
eventos, aes
e informaes
no
comportamento
das vendas
Modelos
temporais
(projeo -
futuro similar
ao passado)

Modelos
causais
(explicao -
relaes do
passado
similares s
do futuro)
Seleo da Tcnica de Previso
Fatores que merecem destaque na escolha da
tcnica de previso:
Custo e acuracidade.
Disponibilidade de dados histricos.
Experincia passada com a aplicao de determinada
tcnica.
Disponibilidade de tempo para coletar, analisar e preparar
os dados e a previso.
Perodo de planejamento para o qual se necessita da
previso.
Trade-off entre acurcia e custo da
previso (forecasting)
Custo forecasting
Perdas causadas
pela incerteza
Custo total
timo
Acurcia no
forecasting
Custo
7
Coleta e Anlise de Dados
O tamanho do perodo de consolidao dos dados
(semanal, mensal, trimestral, anual, etc.) tem influncia
direta na escolha da tcnica de previso mais adequada,
assim como na anlise das variaes extraordinrias
0
200
400
600
800
1.000
1.200
Jan. Fev. Mar. Abr. Mai. Jun. Jul. Ago. Set. Out. Nov. Dez.
A (mensal) B (trimestral)
sazonalidade mdia
Aplicaes da previso de demanda
Horizonte de tempo

Curto prazo Mdio prazo Longo prazo
Aplicao (0 a 3 meses) (3 meses a 2 anos) (mais de 2 anos)

Previso de Produtos ou Vendas totais Vendas totais
quantidade servios Grupos ou famlias
individuais de produtos ou
servios

rea de Gerenciamento de Planejamento de staff Localizao
deciso estoques Planejamento da das instalaes
Programao de produo Planejamento
montagem final Programa mestre da capacidade
Programa da fora de produo Gerenciamento
de trabalho Compras de projeto
Programa mestre Distribuio
de produo

Tcnica de Srie temporal Julgamento Julgamento
previso Julgamento Causal Causal
Causal
Erros frequentes em previses
Erro 1 das previses: confundir previses com metas
e, um erro subsequente, considerar as metas como se
fossem previses.
Erro 2 das previses: gastar tempo e esforo
discutindo se "acerta" ou "erra" nas previses, quando o
mais relevante discutir "o quanto" se est errando e as
formas de alterar processos envolvidos, de forma a
reduzir estes "erros".
Erro 3 das previses: levar em conta um nmero
somente, nas previses que serviro a apoiar decises
em operaes. Previses, para operaes, devem
sempre ser consideradas com dois nmeros: a
previso em si e uma estimativa do erro desta previso.
Erro 4 das previses: desistir ou no se esforar o
suficiente para melhorar os processos de previso por
no conseguir "acertar" as previses, quando, em
operaes, no se necessita ter previses perfeitas, mas
sim, previses consistentemente melhores que as da
concorrncia.
Erros frequentes em previses
Como est
estruturado o
Mtodo Delphi?
Mtodo Delphi
Criado em 1950 na Rand Corporation.
Mtodo qualitativo que busca o consenso
de opinies em um grupo de especialistas.
Baseia-se no uso estruturado do
conhecimento, experincia e criatividade
dos participantes.
Premissa bsica = o julgamento coletivo,
organizado adequadamente, superior a
opinies individuais.
8
Utilizao do Delphi
Situaes nas quais:
dados histricos no se encontram disponveis
ou no permitem a realizao de uma previso
segura;
identifica-se necessidade de abordagem
multidisciplinar p/ o problema de previso, ou
h perspectivas de mudanas estruturais nos
fatores determinantes das tendncias futuras.
Caractersticas principais
Anonimato dos respondentes;
Representao estatstica dos resultados
coletados nos painis, e
Feedback de respostas do grupo para
reavaliao em rodadas subsequentes do
mtodo.
Metodologia do Delphi
Elaborao do questionrio
Seleo dos painelistas (especialistas)
1 Rodada: respostas e devoluo
Anlise estatstica
Reavaliao do questionrio
Elaborao do novo questionrio
Nova Rodada: respostas e devoluo
Nova anlise estatstica
Verificar se a convergncia das respostas satisfatria.
Caso contrrio, h uma nova rodada.
Concluses e elaborao dos relatrios finais.
Como utilizar
modelos causais de
previso?
MTODOS CAUSAIS OU EXPLICATIVOS

Os mtodos causais tm como pressuposto
uma relao de causa e efeito. Relacionam
variveis dependentes (vendas) com variveis
independentes (PIB, inflao, populao, etc.).
So baseados anlise de regresso: linear ou
no linear; simples ou mltipla.
Diagrama de disperso
Permite comparar o comportamento
conjunto de duas variveis quantitativas
X
Y
Independente
Dependente
9
Diagrama de disperso Diagrama de disperso
Tipos de correlao
CORRELAO POSITIVA CORRELAO NEGATIVA
CORRELAO NO LINEAR NENHUMA CORRELAO
Previso Baseada em Correlaes







mnimo

2
|
|
Y = a + bX
Y
X
Y a bX = +
( ) ( )( )
( ) ( )
b
n XY X Y
n X X
=

2
2
( )
a
Y b X
n
=


Correlao dos
mnimos
quadrados
Pode-se medir a existncia de
correlao entre duas
variveis atravs do
coeficiente de correlao de
Pearson (r)
Regresso linear em relao
aos dados reais
V
a
r
i

v
e
l

d
e
p
e
n
d
e
n
t
e

Varivel independente
X
Y
Valor real
de Y
Estimativa de
Y a partir da
equao de
regresso
Valor de X usado
para estimar Y
Desvio,
ou erro
{
Equao de
regresso:
Y = a + bX
10
EXEMPLO
Y = 1.757 + 2,99 X
b = [(13 x 5.224.860.000) (143.100 x 450.710)] / [(13 x 1.663.370.000)
(143.100 x 143.100)] = 2.99
a = [450.710 (2,99 x 143.100)] / 13 = 1.757
Previso Baseada em Correlaes
Y = 1.757 + 2,99 X

Para um nmero de alunos de 13.750, a demanda prevista
de refeies de:
Y = 1.757 + 2,99 x 13.750 = 42.869 refeies
20.000
25.000
30.000
35.000
40.000
45.000
50.000
5.000 7.000 9.000 11.000 13.000 15.000 17.000
Nmero de Alunos
V
e
n
d
a
s

p
o
r

C
a
s
a
Y = 1.757 x 2,99 X
Correlao Linear
Previso Baseada em Correlaes
Coeficiente de correlao (Pearson)
( ) | | ( ) | |
2
2
2
2
.
.




=
y y n x x n
y x xy n
r
Coeficiente de determinao
total Variao
licada Variao
r
exp
2
=
( )
( )

=
=

=
n
i
i
n
i
i
y y
y y
r
1
2
1
2
2

Diferentes nveis de aproximao
Positiva Positiva Perfeita
Negativa Negativa perfeita
r > 0
r = 1
r < 0
r = -1
11
Regresso Mltipla
Sua ideia-chave a dependncia estatstica
de uma varivel em relao a duas ou mais
variveis independentes.

Seus principais objetivos podem ser descritos
como:
Encontrar a relao causal entre as variveis.
Estimar os valores da varivel dependente a partir
dos valores conhecidos ou fixados das variveis
independentes.
Regresso Linear Mltipla

Relao linear;

1 varivel dependente e 2 ou mais
independentes.


c | | | | + + + + =
n n
x x x Y ......
2 2 1 1 0
Um distribuidor de cerveja est analisando seu sistema de
distribuio. Especificamente ele est interessado em prever
o tempo requerido para atender um ponto de venda. O
engenheiro de produo acredita que os dois fatores mais
importantes so o nmero de caixas de cerveja fornecidas e
a distncia do depsito ao posto de venda. Os dados
coletados aparecem na tabela a seguir.
EXEMPLO
Equao resultante...
12
Como utilizar sries
temporais para
previso?
Sries Temporais
Uma srie temporal consiste em um conjunto de
observaes de variveis quantitativas coletadas
ao longo do tempo (BRUNI, 2007, p. 316).

Ex.: histrico de vendas mensais, evoluo de
preos, evoluo do valor de aes do mercado
de capitais, etc.
Quando um gerente utiliza uma das tcnicas de previso
que compem o conjunto das sries temporais, ele tem
como pressuposto que a histria dos acontecimentos ao
longo do tempo pode ser usada para prever o futuro.
Para este gerente, a tendncia que gerou a situao de
demanda passada, continuar gerando a demanda futura.
As sries temporais so indicadas para previses de curto
prazo.
Sries Temporais
Previses: Sries Temporais
0
10
20
30
40
50
60
70
Jan. Fev. Mar. Abr. Mai. Jun. Jul. Ago. Set. Out. Nov. Dez.
D
e
m
a
n
d
a
Variao irregular
Sazonalidade
Tendncia
Variao randmica
A demanda futura ser uma projeo dos valores
passados, no sofrendo influncia de outras
variveis.
Previso da Mdia
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
Perodos (meses)
D
e
m
a
n
d
a

(
k
g
)
Mdia mvel: usa dados de um nmero
predeterminado de perodos para gerar sua previso.

Mdia exponencial mvel: o peso de cada
observao decresce no tempo em progresso
geomtrica, ou de forma exponencial.
Mdia Mvel Simples:

F1= A(t-1) + A(t-2)...+A(t-n)
n

Ft = vendas previstas para o perodo t
A(t-1) = Vendas realizadas no perodo t-1
N= nmero de perodos considerados na
mdia

13
Vendas reais Mdia mvel de 3 perodos
de copos MM3
Janeiro 154
Fevereiro 114
Maro 165
Abril 152 (154 + 114 + 165) / 3 = 144,3
Maio 176 (114 + 165 + 152) / 3 = 143,7
Junho 134 (165 + 152 + 176) / 3 = 164,3
Julho 123 (152 + 176 + 134) / 3 = 154,0
Agosto 154 (176 + 134 + 123) / 3 = 144,3
Setembro 134 (134 + 123 + 154) / 3 = 137,0
Outubro 156 (123 + 154 + 134) / 3 = 137,0
Novembro 123 (154 + 134 + 156) / 3 = 148,0
Dezembro 145 (134 + 156 + 123) / 3 = 137,7
Mdia
Mvel
Simples:
Mdia Mvel
n
D
Mm
n
i
i
n

=
=
1
Mdia Mvel Simples:

Quando usar?
1: quando a demanda no crescer ou
decrescer rapidamente
2 : quando a demanda no apresentar
nenhuma caracterstica sazonal

Mdia Mvel Ponderada:

Ft= w(t-1)A(t-1) + w(t-2)A(t-2)...+w(t-n)A(t-n)
n
w(t-1)
t=1

Ft = vendas previstas para o perodo t
A(t-1) = Vendas realizadas no perodo t-1
W(t-1) = peso atribudo ao perodo
w(t-1)= 1

Mdia Mvel Ponderada:
Vendas reais Mdia mvel de 3 perodos
de copos ponderada com pesos 3, 2 e 1
Janeiro 154
Fevereiro 114
Maro 165
Abril 152 [(1*154) + (2*114) + (3*165)] / 6 = 146,2
Maio 176 [(1*114) + (2*165) + (3*152)] / 6 = 150,0
Junho 134 [(1*165) + (2*152) + (3*176)] / 6 = 166,2
Julho 123 [(1*152) + (2*176) + (3*134)] / 6 = 151,0
Agosto 154 [(1*176) + (2*134) + (3*123)] / 6 = 135,5
Setembro 134 [(1*134) + (2*123) + (3*154)] / 6 = 140,3
Outubro 156 [(1*123) + (2*154) + (3*134)] / 6 = 138,8
Novembro 123 [(1*154) + (2*134) + (3*156)] / 6 = 148,3
Dezembro 145 [(1*134) + (2*156) + (3*123)] / 6 = 135,8
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
Perodos (meses)
D
e
m
a
n
d
a

(
k
g
)
D.Real Mm3 Mm6 Mm12
Vantagem: simplicidade operacional e facilidade de
entendimento.
Desvantagem: armazenar um grande nmero de dados
Utilizao: para produtos no muito relevantes e
demandas estveis.
Mdia Mvel
14
Mdia Exponencial Mvel

Ft=F(t-1) +(A(t-1)-F(t-1))


Ft = previso exponencialmente ajustada para o
perodo t
F(t-1) = Previso exponencialmente ajustada para
o perodo anterior
A(t-1) = Demanda real no perodo
= taxa de resposta desejada
Mdia Exponencial Mvel
Este mtodo (exponential smoothing) tambm pode ser
chamado de:
Ajustamento exponencial, suavizao exponencial,
alisamento exponencial, amortecimento exponencial,etc.

P
t+1
= (Demanda desse perodo) + (1 )(Previso calculada no ltimo perodo)

P
t+1
= D
t
+ (1 )P
t

P
t+1
= P
t
+ (D
t
P
t
)

t t t
F x F ) 1 (
1
o o + =
+
A base do ajustamento exponencial pode ser
melhor compreendida se a equao:
for expandida em F
t
ou seja:
1
2
1
1 1 1
) 1 ( ) 1 (
] ) 1 ( )[ 1 (

+
+ + =
= + + =
t t t
t t t t
F x x
F x x F
o o o o
o o o o
e assim por diante (F
t-1
=....)
) 1 ( ) 1 (
1
4
4
3
3
2
2
1 1
) 1 ( ) 1 ( ... ) 1 (
) 1 ( ) 1 ( ) 1 (

+
+ + + +
+ + + + =
n t
n
n t
n
t
t t t t t
F x x
x x x x F
o o o o o
o o o o o o o
Ou seja:
Os pesos aplicados decrescem
exponencialmente.
Supondo que o = 0,10:
Vendas reais Suavizamento exponencial com alfa Suavizamento exponencial
de copos 0,1 0,8
ltima previso (feita em dezembro)
Janeiro 154 150 150
Fevereiro 114 [(0,1)*(154) + (1 - 0,1)*(150)] = 150,4 153,2
Maro 165 [(0,1)*(114) + (1 - 0,1)*(150,4)] = 146,8 121,8
Abril 152 [(0,1)*(165) + (1 - 0,1)*(146,8)] = 148,6 156,4
Maio 176 [(0,1)*(152) + (1 - 0,1)*(148,6)] = 148,9 152,9
Junho 134 [(0,1)*(176) + (1 - 0,1)*(148,9)] = 151,6 171,4
Julho 123 [(0,1)*(134) + (1 - 0,1)*(151,6)] = 149,9 141,5
Agosto 154 [(0,1)*(123) + (1 - 0,1)*(149,9)] = 147,2 126,7
Setembro 134 [(0,1)*(154) + (1 - 0,1)*(147,2)] = 147,9 148,5
Outubro 156 [(0,1)*(134) + (1 - 0,1)*(147,9)] = 146,5 136,9
Novembro 123 [(0,1)*(156) + (1 - 0,1)*(146,5)] = 147,4 152,2
Dezembro 145 [(0,1)*(123) + (1 - 0,1)*(147,4)] = 145,0 128,8
Mdia
Exponencial
Mvel
15
( )
1 1 1
+ =
t t t t
M D M M o
Mdia Exponencial Mvel
Como comear?
Caso no existam
dados da previso
anterior, repita os
dados da demanda
real anterior.
M
2
= 3256 +
0,1(3256 3256)
M
2
= 3256
( )
1 1 1
+ =
t t t t
M D M M o
( ) 256 1 , 0 3262
4
+ = M
( ) 3262 3006 1 , 0 3262
4
+ = M
6 , 25 3262
4
= M
3236
4
= M
Mdia Exponencial Mvel
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
Perodos (meses)
D
e
m
a
n
d
a

(
k
g
)
D.Real Mo = 0,10 Mo = 0,50 Mo = 0,80
Cada nova previso obtida com base na previso
anterior, acrescida do erro cometido na previso anterior,
corrigido por um coeficiente de ponderao.
Mdia Exponencial Mvel
Quando usar?
1: Quando dados mais recentes so mais indicativos do futuro que
os dados passados, ou seja, quando a importncia dos dados
diminui com o tempo.
Vantagens:
Tcnica simples e mais utilizada.
Requer menor quantidade de dados: previses mais recentes,
valores reais da demanda e constante de ajuste alfa.

Cuidados:
Determinao de alfa: trata-se de um valor arbitrrio, portanto,
conta-se com a experincia e bom senso do gestor. Alfa um
valor entre 0 e 1. Se a demanda real relativamente estvel ao
longo do tempo, o valor de alfa tende a ser pequeno. Se a
demanda real flutua rapidamente, valores de alfa devem ser
altos de forma a demonstrar estas mudanas.

Mdia Exponencial Mvel
F
t
= o A
t - 1
+ o(1- o) A
t - 2
+ o(1- o)
2
A
t - 3
+ ...
Efeitos de previso para a
constante o
Pesos
Perodo
anterior
o
2 perodos
atrs
o(1 - o)
3 perodos
atrs
o(1 - o)
2

o=
o= 0.10
o= 0.90
10% 9% 8.1%
90% 9% 0.9%
Efeito do parmetro o
16
Previso da Tendncia
Ajustamento exponencial para a tendncia
Equao linear para a tendncia (regresso)
baixa aplicabilidade
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
Perodos (meses)
D
e
m
a
n
d
a

(
k
g
)
V
e
n
d
a
s

V
e
n
d
a
s

V
e
n
d
a
s

V
e
n
d
a
s

Perodos Perodos
Perodos Perodos
Linear
Curva S
Assinttica
Exponencial
Tipos mais comuns de tendncias
Ajustamento Exponencial com Tendncia
(Modelo de Holt)
P M T
t t t +
= +
1
( ) M P D P
t t t t
= + o
1
( ) ( )
T T P P T
t t t t t
= +
1 2 1 1
o
Chamado tambm de duplo ajustamento.
Quando a demanda apresenta tendncia, o emprego da
mdia exponencial mvel simples demorar a reagir a esta
tendncia. O duplo ajustamento corrige mais rapidamente.
Ajustamento Exponencial com Tendncia
(Modelo de Holt)
P M T
t t t +
= +
1
( ) M P D P
t t t t
= + o
1
( ) ( )
1 1 2 1
+ =
t t t t t
T P P T T o
P: previso final.
M: previso da mdia exponencial mvel.
T: previso da tendncia exponencial mvel.
o
1
: coeficiente de ponderao da mdia.
o
2
: coeficiente de ponderao da tendncia.
Ajustamento Exponencial
com Tendncia
Estimativa inicial da tendncia:
utilizar trs primeiros perodos
Estimativa inicial da demanda:
previso do quarto perodo =
demanda do terceiro perodo
mais a tendncia estimada inicial
T
3
= (D
3
D
1
)/2
T
3
= (3523 3973)/2 = -225
P
4
= D
3
+ T
3

P
4
= 3523 +(-225) = 3298
Ajustamento Exponencial
com Tendncia
Segunda estimativa da
tendncia:
Usar frmula correta e repetir a
demanda real quando no
houver previso anterior.
T
4
=
-225 + 0,3((3298 3523) (-225))
T
4
= -225
( ) ( ) T T P P T
t t t t t
= +
1 2 1 1
o
( ) ( )
3 3 4 2 3 4
T P P T T + = o
D
3

17
( ) 362 7 , 0 3270
6
+ = M
t t t
T M P + =
+1
( )
t t t t
P D P M + =
1
o
( ) ( ) T T P P T
t t t t t
= +
1 2 1 1
o
( ) 3270 3632 7 , 0 3270
6
+ = M
( ) ( ) 172 3250 3270 3 , 0 172
6
+ + = T
3523
6
= M
114 3523
7
= P
( ) 172 20 3 , 0 172
6
+ + = T
( ) 192 3 , 0 172
6
+ = T
114
6
= T
3409
7
= P
Ajustamento Exponencial
com Tendncia
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
Perodos (meses)
D
e
m
a
n
d
a

(
k
g
)
D.Real D.Prev
Ajustamento Exponencial com Tendncia
(Modelo de Holt)
Regresso Linear para a
projeo de tendncias
Y a bX = +
( ) ( )( )
( ) ( )
b
n XY X Y
n X X
=

2
2
( )
a
Y b X
n
=


Y = 3.935 - 75,2870 X
Regresso Linear
Y = 3.935 - 75,2870 X

Y = 3.935 - 75,2870 . 25 = 2.053 kg
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
Perodos (meses)
D
e
m
a
n
d
a

(
k
g
)
D.Real D.Prev
R2 (coeficiente de determinao)
Previso da Sazonalidade
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
Perodos (meses)
D
e
m
a
n
d
a

(
k
g
)
D.Real 1 D.Real 2
Sazonalidade Simples (D. Real 1 ciclo 9 per.)

Sazonalidade com Tendncia (D. Real 2 ciclo 6 per.)

Inicialmente, tem que se identificar o ciclo de sazonalidade.
ndices de Sazonalidade
Sazonalidade Aditiva:
IS = demanda mdia do perodo demanda mdia de todos
os perodos

Sazonalidade Multiplicativa:
IS = demanda mdia do perodo / demanda mdia de todos
os perodos


18
Sazonalidade Aditiva
Perodo
| | | | | | | | | | | | | | | |
0 2 4 5 8 10 12 14 16
D
e
m
a
n
d
a

Sazonalidade Multiplicativa
Perodo
D
e
m
a
n
d
a

| | | | | | | | | | | | | | | |
0 2 4 5 8 10 12 14 16






Ano Tri. (mil.) Ano Tri. (mil.)
1 1 7.4 2 1 8.3
1 2 6.5 2 2 7.4
1 3 4.9 2 3 5.4
1 4 16.1 2 4 18.0
Calculando ndices de sazonalidade*
Um exemplo...
* Sazonalidade multiplicativa





Vendas Trimestrais
Ano T1 T2 T3 T4 Total
1 7.4 6.5 4.9 16.1 34.9
2 8.3 7.4 5.4 18.0 39.1
Totais 15.7 13.9 10.3 34.1 74.0
Md. Tri. 7.85 6.95 5.15 17.05 9.25
IS .849 .751 .557 1.843 4.000
Calculando ndices de sazonalidade
Um exemplo...
IS = mdia trimestral / mdia trimestral global
Sazonalidade Simples
Calcular o ndice de
Sazonalidade,
dividindo-se o valor
da demanda no
perodo pela mdia
mvel centrada
nesse perodo.
O perodo
empregado para o
clculo da mdia
mvel o ciclo da
sazonalidade.
IS1 = (1,1942 +
1,2320)/2
Sazonalidade Simples
Aplicar o ndice de
sazonalidade do
perodo em cima da
demanda mdia
(mdia das mdias
mveis centradas).
Perodo D.Mdia 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
38
34 MAD
D.Prev = D.Mdia + D.Mdia (IS - 1)
Erro Acumulado
Sazonalidade Simples
19
1.000
2.000
3.000
4.000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Perodos (meses)
D
e
m
a
n
d
a

(
k
g
)
D.Prev D.Real
Sazonalidade Simples
Sazonalidade com Tendncia
Obter os ndices de sazonalidade atravs da mdia mvel
centrada (neste exemplo: MM6).


Retirar o
componente de
sazonalidade da
srie de dados
histricos,
dividindo-os
pelos
correspondentes
ndices de
sazonalidade

Sazonalidade com Tendncia
y = 286,35x + 1108,3
R
2
= 0,9955
0
2.000
4.000
6.000
8.000
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
Perodos (meses)
D
e
m
a
n
d
a

(
k
g
)
Y = 286,35 X + 1.108,3

Com esses dados, desenvolver uma equao que
represente o componente de tendncia:

Sazonalidade com Tendncia

Com a equao da
tendncia fazer a
previso da
demanda e
multiplic-la pelo
ndice de
sazonalidade.
Sazonalidade com Tendncia
0
2.000
4.000
6.000
8.000
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
Perodos (meses)
D
e
m
a
n
d
a

(
k
g
)
D.Real D.Prev
Sazonalidade com Tendncia
20
Como escolher um
modelo de previso
adequado?
(tempo)
Previso de
demanda / erro
Erros esperados de previso crescem com o horizonte
Hoje Horizonte futuro
F
a
i x
a

d
e

e
r
r
o

e
s
p
e
r
a
d
o
Previso
Erros esperados crescem com horizonte
(tempo)
P
r
e
v
i
s

o

d
e
d
e
m
a
n
d
a

/

e
r
r
o
Erros esperados de previso crescem com o horizonte
Hoje Horizonte futuro
Previso
Agregao dos dados pode ser maior para decises de longo prazo
A
g
r
e
g
a

o

g
r
a
d
u
a
lm
e
n
t
e

m
a
io
r
d
o
s

d
a
d
o
s

f
a
z

e
r
r
o
s

g
r
a
d
u
a
lm
e
n
t
e
d
im
in
u
ir
e
m
Efeitos dos horizontes e da agregao
dos dados nas previses
MAD
D D
n
atual prevista
=

Objetivos
Verificar a acuracidade dos valores previstos.
Identificar, isolar e corrigir variaes anormais.
Permitir a escolha de tcnicas, ou parmetros, mais
eficientes.
Como monitorar?
Erro acumulado que deve tender a zero
Grfico de controle de 4 MAD
Manuteno e Monitoramento
De uma forma geral, uma srie de fatores pode afetar o
desempenho de um modelo de previso:
a tcnica de previso pode estar sendo usada
incorretamente, ou sendo mal interpretada;
a tcnica de previso perdeu a validade devido
mudana em uma varivel importante, ou devido ao
aparecimento de uma nova varivel;
variaes irregulares na demanda podem ter acontecido
em funo de greves, formao de estoques
temporrios, catstrofes naturais, etc.
aes estratgicas da concorrncia, afetando a
demanda;
variaes aleatrias inerentes aos dados da demanda.
Manuteno e Monitoramento
CFE = soma cumulativa dos erros

MSE = erro quadrtico mdio (EQM)

= desvio-padro

MAD = desvio mdio absoluto (DMA)

MAPE = erro absoluto percentual
Indicadores de Erros de Previso
21
CFE = E
t

s =
MSE =

MAD = MAPE =
Medidas de erro de previso
E
t
= D
t
- P
t
|E
t
|
n
E
t
2

n
[ |E
t
|/D
t
]100
n
(E
t
- E )
2

n - 1
Indicadores de Erros de Previso
Erro
Erro ao Erro absoluto
Ms, Demanda, Previso, Erro, quadrado, absoluto, percentual,
t D
t
F
t
E
t
E
t
2
|E
t
| (|E
t
|/D
t
)(100)

1 200 225 -25 625 25 12,5%
2 240 220 20 400 20 8,3
3 300 285 15 225 15 5,0
4 270 290 -20 400 20 7,4
5 230 250 -20 400 20 8,7
6 260 240 20 400 20 7,7
7 210 250 -40 1.600 40 19,0
8 275 240 35 1.225 35 12,7
Total -15 5.275 195 81,3%
Indicadores de Erros de Previso
Erro
Erro ao Erro absoluto
Ms, Demanda, Previso, Erro, quadrado, absoluto, percentual,
t D
t
F
t
E
t
E
t
2
|E
t
| (|E
t
|/D
t
)(100)

1 200 225 -25 625 25 12,5%
2 240 220 20 400 20 8,3
3 300 285 15 225 15 5,0
4 270 290 -20 400 20 7,4
5 230 250 -20 400 20 8,7
6 260 240 20 400 20 7,7
7 210 250 -40 1.600 40 19,0
8 275 240 35 1.225 35 12,7
Total -15 5.275 195 81,3%
Indicadores de Erros de Previso
MSE = = 659,4
5.275
8
CFE = -15
Medidas de erro
MAD = = 24,4
195
8
MAPE = = 10,2%
81,3%
8
E = = -1,875
-15
8
s = 27,4
Manuteno e Monitoramento
-500
-400
-300
-200
-100
0
100
200
300
400
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
Perodos (meses)
E
r
r
o

(
k
g
)
4 MAD = 113 x 4 = 452 kg
O valor do erro de previso servir de base para o
planejamento e dimensionamento dos estoques de segurana
do sistema de PCP.
Manuteno e Monitoramento
Controlando os erros das previses
Jan Fev Mar Abr Maio Jun
1 Previso 1000 1200 1000 900 1100 1200
2 Vendas 900 1350 950 1000 1250 1300
3 Desvio 100 -150 50 -100 -150 -100
4 Desvio absoluto 100 150 50 100 150 100
5 Desvio absoluto acumulado 100 250 300 400 550 650
6 Desvio absoluto mdio 100 125 100 100 110 108
Jan Fev Mar Abr Maio Jun
1 Previso 1000 1200 1000 900 1100 1200
2 Vendas 900 1350 950 1000 1250 1300
3 Desvio 100 -150 50 -100 -150 -100
4 Desvio acumulado 100 -50 0 -100 -250 -350
5 Desvio absoluto 100 150 50 100 150 100
6 Desvio absoluto acumulado 100 250 300 400 550 650
7 Desvio absoluto mdio 100 125 100 100 110 108
8 Tracking Signal (TS) 1,0 -0,4 0,0 -1,0 -2,3 -3,2
22
Sinais de rastreamento
Sinal de rastreamento =
CFE
MAD
+2,0
+1,5
+1,0
+0,5
0
- 0,5
- 1,0
- 1,5
| | | | |
0 5 10 15 20 25
Nmero da observao
S
i
n
a
l

d
e

m
o
n
i
t
o
r
a
m
e
n
t
o

Limite de controle
Limite de controle
Fora de controle