1. O que previso?
2. Cite trs razes fundamentais para os gerentes de
operaes fazerem previses.
3. Cite e descreva trs mtodos qualitativos de previso
usados atualmente nos negcios. Quais mtodos de
previso seriam apropriados para novos produtos?
4. Descreva como a realizao de previses fundamental
para o planejamento dos negcios.
Trabalho de Pesquisa
fcmarinho01@gmail.com
Sumrio
1. Conceitos
2. Etapas de um Modelo de Previso
1. Objetivos
2. Coleta e anlise de dados
3. Seleo da Tcnica
4. Obteno da previso
5. Monitoramento
Mtodos de Previso de Demanda
Conceito de Mercado
Lugar de troca, em sentido amplo, em que o
valor dos bens transacionados e acordado, face
s quantidades disponveis, pela convergncia
entre o preo pelo qual o produtor ou vendedor
esto dispostos a vender e aquele que o
consumidor ou cliente esto dispostos a pagar.
Mtodos de Previso de Demanda
Funo previso de Demanda
As Previses de Demanda formam a base de
todo o planejamento da cadeia de
suprimentos. Considere a viso
empurrar/puxar. Todos os processos do tipo
empurrar so realizados em antecipao
demanda do cliente, enquanto todos os
processos do tipo puxar so realizados em
resposta a essa demanda. Para os dois
casos, o primeiro passo que o gestor dever
tomar prever qual ser a demanda do
cliente.
Razes para previses: exemplos
Anlise do ambiente
Numa anlise muito clara sobre a importncia da anlise do
ambiente para a formulao das estratgias da organizao, Scott
Morton apud Lobato (1997) oferece a seguinte contribuio:
Objetivo do modelo
Monitorao do modelo
Mtodos de Previso de Demanda
1) Demanda passada;
2) Tempo de espera de ressuprimento de produtos;
3) Esforos de propaganda ou marketing planejados;
4) Estado da economia;
5) Descontos de preo planejados; e
6) Aes tomadas pelos concorrentes.
Mtodos de Previso de Demanda
Tcnicas Quantitativas
Sries Temporais modelo matemtico da demanda futura
relacionando dados histricos de vendas do produto com o tempo
Causais associar dados histricos de vendas do produto com uma ou
mais variveis relacionadas demanda
Mtodos de Previso de Demanda
Mtodo Delphi
Pesquisa de clientes
Analogia histrica
Pesquisa de Mercado
MTODOS QUALITATIVOS DE PREVISO
Identificar prioridade de ao
Desvantagens
Modelos Quantitativos:
modelos matemticos baseados em dados
histricos;
Sries temporais:
conjunto de valores observados medidos ao longo
de perodos de tempo sucessivos tendncias;
Regresso linear;
Mdia mvel;
Mdia mvel ponderada;
Mdia mvel com ponderao exponencial;
Mdia mvel exponencial com tendncia
Mtodos Quantitativos de Previso
Sazonalidade Tendncia
60
50
40
Demanda
30
20
Variao irregular
10 Variao randnica
0
Jan. Fev. Mar. Abr. Mai. Jun. Jul. Ago. Set. Out. Nov. Dez.
Tendncia: a orientao geral, para cima ou para baixo, dos dados histricos;
Ciclicidade: Padres de variao dos dados de uma srie que se repetem a cada
determinado intervalo de tempo (longo prazo);
Sazonalidade: Variaes cclicas de curto prazo (menos de um ano);
Aleatoriedade: So os erros ou variaes da srie histrica de dados que no so
devidas a variveis presentes no modelo de previso.
52
Sries Temporais - ST
Classificao
ST de Modelo Fixo (Fixed-Model Time-Series) apresentam
equaes definidas baseadas em avaliaes a priori da
existncia de determinadas componentes nos dados histricos
(Mais simples, sries histricas no muito grandes);
ST de Modelo Aberto (Open-Model Time-Series) analisam as
ST de modo a identificar quais componentes realmente esto
presentes, para ento criar um modelo nico que projete tais
componentes, prevendo os valores futuros (Mais elaboradas,
maior quantidade de dados).
53
ST de Modelo Fixo
54
Mdia Simples (MS)
No indicada quando h Tendncia ou Sazonalidade
Mdia aritmtica simples de todas as vendas passadas:
n
R t
Pt 1 t 1
n
Pt 1 - Previso para o prximo perodo;
( Rt Rt 1 Rt 2 ... Rt n 1 )
Pt 1 M t
n
Pt 1: previso para o prximo perodo;
M t : mdia mvel no perodo t;
Rt : valor real observado no perodo t;
n : nmero de perodos considerados na
mdia mvel.
Mdia Mvel Simples
Perodo Janeiro Fevereiro Maro Abril Maio Junho Julho
Demanda 60 50 45 50 45 70 60
Previses para Julho
50 45 50 45 70
Mm5 52,00
5
50 45 70 45 70 60
Mm3 55,00 Mm3 58,33
3 3
Previso para Agosto
Mtodos de Previso de Demanda
Exemplo: Uma loja de departamentos poder descobrir que, num perodo de quatro
meses, a melhor previso obtida utilizando-se 40% das vendas reais para o ms
mais recente,30% de dois meses atrs, 20% de trs meses atrs e 10% de quatro
meses atrs.
Ms 1 Ms 2 Ms 3 Ms 4 Ms 5
100 90 105 95 ?
Anlise de regresso
Adapta uma linha reta aos dados passados, geralmente
relacionando os valores de dados no tempo. A tcnica de
adaptao mais comum a de mnimos quadrados de grupos ou
indivduos dominantes.
Mtodos de Previso de Demanda
a = 0,10 a = 0,50
Perodo Demanda
Previso Erro Previso Erro
1 90
2 95 90,00 5,00 90,00 5,00
3 98 90,50 7,50 92,50 5,50
4 90 91,25 (1,25) 95,25 (5,25)
5 92 91,12 0,88 92,62 (0,62)
6 95 91,20 3,80 92,31 2,69
7 90 91,58 (1,58) 93,65 (3,65)
8 100 91,42 8,58 91,82 8,18
9 92 92,27 (0,27) 95,91 (3,91)
10 95 92,25 2,75 93,95 1,05
11 92,52 94,47
a 0,2 a 0,5
Perodo Demanda
Previso Erro Previso Erro
1 85
2 95 85,00 10,00 85,00 10,00
3 98
4 90
5 92
6 95
7 90
8 100
9 92
10 95
11
Mtodos de Previso de Demanda
Exerccios
a 0,2 a 0,5
Perodo Demanda
Previso Erro Previso Erro
1 85
2 95 85,00 10,00 85,00 10,00
3 98
4 90
5 92
6 95
7 90
8 100
9 92
10 95
11
Mtodos de Previso de Demanda
Exerccios
a 0,4 a 0,9
Perodo Demanda
Previso Erro Previso Erro
1 85
2 95
3 98
4 90
5 92
6 95
7 90
8 110
9 92
10 85
11
Mtodos de Previso de Demanda
a 0,6 a 0,2
Perodo Demanda
Previso Erro Previso Erro
1 90
2 95 90,00 5,00 90,00 5,00
3 98
4 90
5 92
6 95
7 90
8 100
9 92
10 95
11
Dvidas???
b= Y9=
a= Y 10 =
Y 11 =
Mtodos de Previso de Demanda
71
Mtodos de Previso de Demanda
b= Y=
b= Y9=
a= Y 10 =
Y 11 =
Mtodos de Previso de Demanda
73
Mtodos de Previso de Demanda
LISTA DE EXERCCIOS
QUESTO 01
74
Mtodos de Previso de Demanda
LISTA DE EXERCCIOS
QUESTO 02
75
Mtodos de Previso de Demanda
LISTA DE EXERCCIOS
QUESTO 03
76
Mtodos de Previso de Demanda
LISTA DE EXERCCIOS
QUESTO 04
77
Mtodos de Previso de Demanda
LISTA DE EXERCCIOS
QUESTO 05
78
Dvidas???
Mdia de vendas
Perodos Vendas Passadas para cada estao Fator Sazonal
(1000/4)
Primavera 200 250 200 / 250 = 0,8
Vero 350 250 350 / 250 = 1,4
Outono 300 250 300 / 250 = 1,2
Inverno 150 250 150 / 250 = 0,6
Total 1000
Mtodos de Previso de Demanda
Mdia de vendas
Perodos Vendas Passadas para cada estao Fator Sazonal
(1000/4)
Primavera 275 275 X 0,8 = 220
Vero 275 275 X 1,4 = 385
Outono 275 275 X 1,3 = 330
Inverno 275 275 X 0,6 = 165
Total 1100
84
Mtodos de Previso de Demanda
85
Mtodos de Previso de Demanda
86
Mtodos de Previso de Demanda
87
Mtodos de Previso de Demanda
88
Mtodos de Previso de Demanda
89
Mtodos de Previso de Demanda
1 .
2 .
3 ,
4 ,
5 .
6 ,
7 ,
8 ,
,
Mtodos de Previso de Demanda
96
Mtodos de Previso de Demanda
97
Mtodos de Previso de Demanda
98
Mtodos de Previso de Demanda
99
Mtodos de Previso de Demanda
100
Mtodos de Previso de Demanda
101
Dvidas???
( Rt Rt 1 Rt 2 ... Rt n 1 )
- Mdia mvel: Mt
n
( M t M t 1 M t 2 ... M t n1 )
- Mdia mvel das mdias mveis: Mt
n
- Efetua-se o seguinte clculo: at M t ( M t M t' ) 2M t M t'
2
- Fator de ajuste adicional bt ( M t M t' )
n 1
(Tendncia Coef. Angular):
104
Mdia Mvel Dupla - MMD
105
Exerccio questo 1
106
Exerccio questo 2
107
Exerccio questo 3
108
Exerccio questo 4
109
Exerccio questo 5
110
Exerccio questo 6
111
Exerccio questo 7
112
Exerccio questo 8
113
Exerccio questo 9
114
Amortecimento Exponencial Simples - AES
Pt 1 Rt (1 ) Rt 1 (1 ) Rt 2 ...
2
Ou ainda,
Pt 1 Rt (1 ) Pt
Sendo: = coeficiente de amortecimento (0 1)
Prximo de 1 previso mais sensvel ao ltimo valor observado
Primeiro amortecimento: At Rt (1 ) At 1
119
Exemplo
120
Exerccio Questo 01
121
Exerccio Questo 02
122
Exerccio Questo 03
123
Exerccio Questo 04
124
Exerccio Questo 05
125
Exerccio Questo 06
126
Exerccio Questo 07
127
Exerccio Questo 08
128
Exerccio Questo 09
129
AED - Amortecimento Exponencial Duplo (Mtodo de Brown)
: Componente nvel
: Componente tendncia
Onde:
: Coeficiente de amortecimento para a estimativa
da tendncia 0 1
: Coeficiente de amortecimento 0 1
p: nmero de perodos futuros a serem previstos 131
132
133
Exerccio Questo 01
134
Amortecimento Exponencial Triplo (Mtodo Winter)
: Componente sazonal
Rt
N t (1 )( N t 1 Tt 1 )
St c
Seleo a Priori
139
Metodologia de Seleo de Modelo
Seleo pela Preciso
- Mean Absolute Deviation (MAD)
n
| R P |
t t
MAD t 1
n
Onde: R t Valores reais de venda
Pt Valores Previstos
140
Metodologia de Seleo de Modelo
Seleo pela Preciso
-Mean Percentual Error (MPE)
( Rt Pt )
n
t 1 Rt
MPE
n
Onde: R t Valores reais de venda
Pt Valores Previstos
t 1 Rt
MAPE
n
Pt = Valores Previstos
142
Metodologia de Seleo de Modelo
Seleo pela Preciso
- (Rooted) Mean Squared Error - (R )MSE
( Rt Pt ) 2
n
RMSE
t 1 n
Onde: R t = Valores reais de venda
Pt = Valores Previstos
144
Manuteno e Monitorizao do Modelo
Uma vez decidida a tcnica de previso e implantado o modelo, h
necessidade de acompanhar o desempenho das previses e
confirmar a sua validade perante a dinmica atual dos dados.
Esta monitorizao realizada atravs do clculo e
acompanhamento do erro da previso, que a diferena que
ocorre entre o valor real da demanda e o valor previsto pelo
modelo para um dado perodo.
A manuteno e monitorizao de um modelo de previso confivel
busca:
Verificar a acuracidade dos valores previstos;
Identificar, isolar e corrigir variaes anormais;
Permitir a escolha de tcnicas, ou parmetros, mais eficientes.
145
Manuteno e Monitorizao 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
previso gere, aleatoriamente, valores acima e abaixo dos
reais, devendo assim se anular.
O erro acumulado deve ser comparado com um mltiplo do desvio
mdio 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.
MAD
D atual Dprevista
n
146
Manuteno e Monitorizao do Modelo
= 0,10 = 0,50
Perodo Datual Dprevista Erro Dprevista Erro
1 90 - - - -
2 95 90,00 5,00 90,00 5,00
3 98 90,50 7,50 92,50 5,50
4 90 91,25 -1,25 95,25 -5,25
5 92 91,12 0,88 92,62 -0,62
6 95 91,20 3,80 92,31 2,69
7 90 91,58 -1,58 93,65 -3,65
8 100 91,42 8,58 91,82 8,18
9 92 92,27 -0,27 95,91 -3,91
10 95 92,25 2,75 93,95 1,05
Erro 25,41 Erro 8,99
MAD = 31,61/9 = 3,51 MAD = 35,85/9 = 3,98
20
15
10
5
0
-5
-10
-15
-20
148
Manuteno e Monitorizao do Modelo
Outros Erros de Previso:
Erros de Pr eviso
n
Yi Yi
2
2
MSE i 1
n n
MAPE Mean Absolute Percent Error
n Re ali Pr evistoi
Re ali
MAPE 100. i 1
n
Y Erro de Previso
TS - Tracking Signal n
i Yi
TS i 1
MAD MAD
149
Manuteno e Monitorizao do Modelo
150
Dvidas???