Módulo 3 Previsão e Estimação da Demanda. Conteúdo Programático MÓDULO 3: Previsão e...

Módulo 3

Previsão e Estimação da Demanda

Conteúdo Programático MÓDULO 3: Previsão e Estimação da Demanda3.1 Gestão da Demanda em Ambientes de PPCP3.2 As Interfaces com o Sistema de PPCP3.3 Padrões de Demanda3.4 Tipos de Previsão e Componentes da Demanda3.5 Projeto do Sistema de Previsão3.5 Métodos e Técnicas de Previsão3.6 Ferramentas Tecnológicas para a Previsão da Demanda3.7 Impacto Estratégico da Previsão da Demanda

Gestão da Demanda

Estratégia Global

Necessidades dos Clientes

Alinhamento

Ambientes de Produção

Ponto de Desacoplamento

Ponto de EntradaVollmann et al (2006)

O ponto em que a demanda muda de independente para dependente

Ponto de Desacoplamento

Ponto de Entrada

O cliente tem prioridade de escolha sobre os requisitos da produção

Vollmann et al (2006)

O consumo futuro dos itens pode ser calculado com base em fatores sob controle da operação

Demanda Dependente

Demanda Independente

É aquela que depende das condições de mercado, fora do controle imediato da empresa


O foco está na manutenção de estoques de produtos acabados

Make to Stock

Assemble to Order

Combinação de um número de componentes para atender asespecificações dos clientes em termos de montagem de suas opções


MTS Ambientes de Produção

ATO

Make to Order

Fabricação de produtos para clientes a partir de matérias-primas, peçase componentes

MTO

Projeto realizado em conjunto com o cliente para configurar o produto e posteriormente produzi-lo a partir de materiais comprados, peças e

componentes

Engineer to Order


MTS Ambientes de Produção

Localização dos estoques

Ponto de entrada do pedido

Ambiente

Fornecedores MP WIP Produtos Acabados

ETO MTO ATO MTS

Planejamento de Recursos PVO Gestão da

Demanda Mercado

PMP Front End

Fronteira do PPCP


Corrêa, Gianesi e Caon (2006)

Gestão da Demanda

Previsão da demanda

Promessas de prazosInfluência sobre o mercado

Comunicação com o mercado Priorização e alocação

PPCP

PPCP

PPCP

PPCPPPCP

Krajewski, Ritzman e Malhotra (2006)

O que é uma previsão?

Prognóstico de eventos futuros, usado para propósitos de planejamento

A demanda para um bem ou produto em sua ordem de ocorrênciaformam um padrão conhecido como séries temporais

Horizontais Tendencial Sazonal Cíclico Aleatório

Chase, Jacobs e Aquilano (2006)

Tipos Básicos de PrevisãoQualitativa

Análise de Séries Temporais

Relações Causais

Simulação


Componentes da DemandaDemanda Média do Período

Tendência

Elemento Sazonal

Elementos Cíclicos

Variação Aleatória

Auto-correlação


Decidindo o que deve ser previsto

Decidindo o tipo de técnica de previsão

Decidindo que tipo de software usar

Nível de Agregação

Unidades de Medida


Decidindo o que deve ser previsto Nível de Agregação

Previsão para o agrupamento de vários serviços ou produtos semelhantes

Famílias de bens e/ou serviços

Produtos Individuais

Previsão em Dois Níveis

SKU


Decidindo o que deve ser previsto Unidades de Medida

As previsões mais úteis para planejar e analisar problemas de operações começam com unidades de serviço ou bem

Dificuldades na previsão do número de unidades de demanda

Facilidade na previsão do padrão dos recursos críticos


Métodos de Avaliação Qualitativos


Métodos de Avaliação Quantitativos

Métodos Causais



Aplicação CP (0 – 3 meses) MP (3 meses – 2 anos)

LP (+ 2 anos)

Quantidade Prevista

• Produtos Individuais

• Vendas Totais• Grupos ou famílias • Vendas Totais

Área de Decisão• Estoques• Montagem final• Força de trabalho• PMP

• Pessoas• Produção• PMP• Compra • Distribuição

• Localização• Capacidade• Processo

Tipo de Previsão• Séries Temporais• Causal• Avaliação

• Causal• Avaliação

• Causal• Avaliação



Decidindo que tipo de software usar

Manugistics Forecast Pro SAS

www.lionhrtpub.com/orms/surveys/FSS/fss-fr

www.morris.wharton.upenn.edu/forecast/software

Collaborative Planning, Forecasting and Replenishment CPFR


Qualitativo

Subjetivo, arbitrário e baseado em estimativas e opiniões. Usado especialmente quando os dados históricos da empresa não são confiáveis, não permitindo projeções com o grau de segurança

desejável


Baseia-se na idéia de que a história dos acontecimentos ao longo do tempo pode ser usada para prever o futuro.


Causal

Tenta compreender o sistema subjacente e que permeia o item sendo previsto.

Modelos de Simulação

Modelos dinâmicos, geralmente informatizados, que permitem ao elaborador da previsão fazer suposições sobre as variáveis internas e

ambiente externo no modelo.



Qualitativo

Grass Roots

Pesquisa de Mercado

Painel de Consenso

Analogia Histórica

Método Delphi

Júri de Executivos

Média Móvel Simples

Média Móvel Ponderada

Suavizamento Exponencial

Análise de Regressão

Box Jenkins

Séries Temporais de ShiskinProjeções de Tendência


Causal

Análise de Regressão

Modelos Econométricos

Modelos de Input/Output

Indicadores de Orientação


Qualitativo

Produz uma previsão reunindo informações daqueles ao final da hierarquia que lidam com o que está sendo previsto

Grass Roots

Reúne dados de diversas maneiras para testar hipóteses sobre o mercado. É geralmente usada para realizar previsões de longo prazo e de venda de novos produtos, pontos fortes e fracos dos produtos,

produtos concorrentes.

Pesquisa de Mercado

Painel de ConsensoIntercâmbio aberto de idéias em reuniões. A idéia é que a discussão

realizada em grupo produza previsões melhores que individualmente.

Qualitativo

Opiniões, experiências e conhecimentos técnicos de um ou mais executivos são resumidos para se chegar a uma única previsão

Júri de Executivos

Conecta o que está sendo previsto a um item semelhante. Importante no planejamento de novos produtos em que a previsão

pode ser gerada utilizando-se o histórico de um produto semelhante.

Analogia Histórica

Método DelphiUm grupo de especialistas responde a um questionário. Um

moderador reúne os resultados e formula um novo questionário que é encaminhado ao grupo. Assim, há um processo de aprendizagem

de grupo à medida que ele recebe novas informações , e não há influência da pressão do grupo ou de indivíduos com perfil mais

dominante.


Qualitativo

Método Delphi

a) Escolher os especialistas que vão participarb) Obter as previsões por meio de um questionário dos participantesc) Resumir os resultados e redistribuí-los aos participantes com

novas questõesd) Fazer um novo resumo, refinando as previsões e condições e,

novamente, desenvolver as questõese) Repetir a etapa (d) se necessáriof) Distribuir os resultados finais a todos os participantes


O modelo de previsão a ser escolhido depende dos seguintes fatores:

Horizonte de tempo a ser previsto

Disponibilidade de dados

Exatidão necessária

Volume do orçamento da previsão

Disponibilidade de pessoal qualificado

Reflexo de uma previsão inadequada

Grau de flexibilidade de uma empresa


Média Móvel

Quando a demanda não aumenta ou diminui rapidamente

Não apresenta características sazonais

Previsão baseada na média das últimas demandas registradas pela empresa, durante determinado período fixado pela organização. A cada nova demanda, a média é recalculada substituindo o dado

mais antigo pelo dado mais recente

Baseada em dados históricos para prever o período subseqüente



Ft = Previsão do Período que está por virn = Número de períodos a ter a média calculadaA t-1 = Ocorrência real no período anteriorA t-2, A t-3, e A t-n = Ocorrências reais de dois, três e “n” períodos anteriores



Permite que qualquer peso seja colocado em cada elemento, desde que a soma de todos os pesos seja 01 (um).

Mês 1 Mês 2 Mês 3 Mês 4 Mês 5100 90 105 95 ?0,10 0,20 0,30 0,40

Ft = 0,40 (95) + 0,30 (105) + 0,20 (90) + 0,10 (100)= 38 + 31,5 + 18 + 10= 97,5

∑ W i = 1n

n - 1



Ft = W1 A t-1 + W2 A t-1 + ... + W n A t-nW1 = Peso a ser atribuído à ocorrência do período t-1

n = Número total de períodos na previsão

W2 = Peso a ser atribuído à ocorrência do período t-2 W n = Peso a ser atribuído à ocorrência do período t-n

Mês 1 Mês 2 Mês 3 Mês 4 Mês 5 Mês 6100 90 105 95 110 ?

0,10 0,20 0,30 0,40



Os modelo exponenciais são mais exatos

A formulação de um modelo exponencial é relativamente fácil

O usuário consegue entender como o modelo funciona

O modelo não requer muitos cálculos para ser usado

As especificações de capacidade de armazenagem dos PC’s são baixas

Testes fáceis de exatidão para verificar o desempenho do modelo

Facilidades

Valores de dados recentes são ponderados mais com o peso declinado exponencialmente à medida que os dados se tornam mais

antigos



Peso mais recente = α (1 – α) 0 0,0500Dado de um período mais antigo = α (1 – α) 1

0,0475

Dado de um período mais antigo = α (1 – α) 2

0,0451

Dado de um período mais antigo = α (1 – α) 3

0,0429

Peso em α = 0,05

A previsão mais recente

Demanda Real ocorrida nesse período

Constante de Suavizamento (α)

Dados Necessários



Ft = F t-1 + α (A t-1 – F t-

1) Ft = Previsão exponencial suavizada para o período t

α = Índice de Resposta desejado ou constante de suavizamento

F t-1 = Previsão exponencial suavizada para o período anterior A t-1 = Demanda Real no período anterior



Suponha que a previsão do mês passado (F t-1) tenha sido de 1.050 unidades. Se 1.000 unidades foram de fato demandadas, qual seria

a previsão deste mês, considerando um α de 0,05.

Ft = F t-1 + α (A t-1 – F t-

1)



Efeitos de Tendência no Suavizamento Exponencial

Constante de Suavizamento αConstante de Suavizamento δFIT - Forecast Including Trend

FIT t = F t + T t Ft = FIT t-1 + α (A t-1 – FIT t-

1) T t = T t-1 + δ (F t – FIT t-1)

Ft = Previsão exponencial suavizada para o período t FIT t = Previsão incluindo tendência para o período t

A t-1 = Demanda Real do período anterior

T t = Tendência exponencial suavizada para o período t

FIT t-1 = Previsão incluindo tendência realizada para o anterior

α = Constante de Suavizamento δ = Constante de Suavizamento



Suponha um F t inicial de 100 unidades, uma tendência de 10 unidades, um alfa de 0,20 e um delta de 0,30. Se a demanda real acabar sendo de 115 em vez das previstas 100, calcule a previsão

do próximo período.

FIT t = F t + T t

Ft = FIT t-1 + α (A t-1 – FIT t-

1) T t = T t-1 + δ (F t – FIT t-1)



Determinando o valor adequado de Alfa

Dois ou mais valores predeterminados de Alfa

Valores calculados de Alfa



Erros de PrevisãoOrigens do Erro

Medidas de Erro



Erros de Previsão Origens do Erro

Projeção de Tendências passadas no futuro

Erros de Viés

Erros Aleatórios



Erros de Previsão

É o erro médio nas previsões, utilizando valores absolutos. Mede a dispersão de algum valor observado em algum valor esperado.

DAM – Desvio Médio Absoluto

Medidas de Erro ∑ |A t – F 1| n

n - 1DAM = --------------------------

n

t = Número de Período

n = Número total de períodos

A = Demanda Real do PeríodoF = Demanda prevista para o período

| | = Símbolo para indicar o valor absoluto

1 Desvio-Padrão = √π/2 x DAM

1 DAM = 0,8 Desvio-Padrão

Erros Distribuídos



Erros de Previsão

É a medida que indica se a média da previsão está acompanhandoMudanças reais na demanda para cima ou para baixo

Sinal de Rastreabilidade

Medidas de ErroRSFE

TS = ------------------

RSFE = Soma sucessiva de erros de previsão considerando-se a natureza do erro

DAM

DAM = Média de todos os erros de previsão. É a média dos desvios absolutos



Erros de Previsão

Mês PD Real Desvio RSFE DA Soma DA DAM TS1 1.000 9502 1.000 1.0703 1.000 1.1004 1.000 9605 1.000 1.0906 1.000 1.050



Erros de Previsão

Mês PD Real Desvio RSFE DA Soma DA DAM TS1 1.000 950 -50 -50 50 50 50 -12 1.000 1.070 +70 +20 70 120 60 0,333 1.000 1.100 +100 +120 100 220 73,3 1,644 1.000 960 -40 +80 40 260 65 1,25 1.000 1.090 +90 +170 90 350 70 2,46 1.000 1.050 +50 +220 50 400 66,7 3,3



Erros de Previsão

Real excede a previsão

Real é inferior a previsão

Representação Gráfica dos TS


Erros de Previsão

Muitas vezes o DAM é usado para prever erros

DAM t = α |A t-1 – F t-1| + (1- α) DAM t-1DAM t = DAM previsto para o período t

F t-1 = Demanda prevista para período t-1

α = Constante de Suavizamento (entre 0,05 a 0,20)A t-1 = Demanda real no período t-1



Análise de Regressão Linear

Apresenta uma linha reta geralmente relacionando os valores de dados com o tempo. Os mínimos quadrados são a técnica mais

comum utilizada.O termo regressão pode ser definido como uma relação funcional entre duas ou mais variáveis correlacionadas. Usado para prever

uma variável a partir de outra.

A regressão linear se refere à categoria especial de regressão em que a relação entre as variáveis forma uma linha reta.

Existe uma reta que se ajusta à evolução da demanda, num registro gráfico ao longo do tempo. Esta tendência pode ser de

evolução crescente, decrescente ou estável que não se altera com o tempo



Y = a + b X

X = PeríodoY = Demandaa = Tendênciab = Declive da linha

Variável independenteVariável dependente

Intercepto de YCoeficiente Angular


Análise de Regressão Linear Trimestre

Vendas

1 6002 1.5503 1.5004 1.5005 2.4006 3.1007 2.6008 2.9009 3.800

10 4.50011 4.00012 4.900


Análise de Regressão Linear O Método dos Mínimos Quadrados

O método dos mínimos quadrados tenta ajustar a linha aos dados que minimize a soma doas quadrados da distância vertical entre

cada ponto de dados e seu ponto correspondente na linha. A melhor linha a ser usada é aquela que minimiza esse total. Assim:

Y = a + b X

a = y - b x

(y1 – Y1)² + (y2 – Y2)² + (y3 – Y3)² + ... + (y12 – Y12)²



a = Intercepto de Yb = Declive da Linha

y = Média de todos os Yx = Média de todos os Xx = Valor “x” em cada ponto de dados

y = Valor “y” em cada ponto de dados

n = Número de pontos de dados

Y = Valor da variável dependente calculado com a equação de regressão

∑ x . y - nx . y

∑ x² - nx ²b =


Análise de Regressão Linear O Método dos Mínimos Quadradosx y x y x ² y ² Y1 600 600 1 360.000 801,32 1.550 3.100 4 2.402.500 1.160,93 1.500 4.500 9 2.250.000 1.520,54 1.500 6.000 16 2.250.000 1.880,15 2.400 12.000 25 5.760.000 2.239,76 3.100 18.600 36 9.610.000 2.599,47 2.600 18.200 49 6.760.000 2.959,08 2.900 23.200 64 8.410.000 3.318,69 3.800 34.200 81 14.440.000 3.678,210 4.500 45.000 100 20.250.000 4.037,811 4.000 44.000 121 16.000.000 4.397,412 4.900 58.800 144 24.010.000 3.757,178 33.350 268.200 650 112.502.50

0

x = 6,5

y = 2.779,17

b = 359,6153a = 441,6666Y = 441,66 + 359,6 . x



Y 13 = 441,66 + 359,6 (13) = 5.116,4Y 14 = 441,66 + 359,6 (14) = 5.476,0Y 15 = 441,66 + 359,6 (15) = 5.835,6Y 16 = 441,66 + 359,6 (16) = 6.195,2

Erro-Padrão

∑n i = 1 (y1 – Y1) ² S yx = n - 2

(600-801,3)² + (1.550-1.160,0)² + (1.500-1.520,5)² +...+ (4.900-3.757,1) ² S yx =

10

S yx = 363,9

Guia de escolha do método

Método Quantidade de Dados Padrão dos Dados Horizonte

Média Móvel Simples 6 a 12 meses Dados Estacionários Curto a MédioMédia Móvel Ponderada e

Suavizamento Simples5 a 10

observações Dados Estacionários Curto

Suavizamento com Tendência

5 a 10 observações

Dados Estacionários com Tendência Curto

Regressão Linear 10 a 20 observações

Dados sazonais, estacionários, tendência e

sazonalidadeCurto a Médio


Decomposição de uma Série Temporal

A decomposição de uma série temporal significa identificar e separar os dados das séries temporais nesses componentes, no sentido de se

facilitar a identificação, por exemplo de um componente sazonal

Uma série temporal representa dados organizados cronologicamente que podem conter um ou mais componentes da

demanda

Tipos de Variação Sazonal

Variação Sazonal Aditiva Variação Sazonal Multiplicativa



Previsão Incluindo Tendência e Sazonal = Tendência + Sazonal

Supõe que o valor sazonal seja uma constante, independente de qual seja o valor de tendência ou de média.

Variação Sazonal Aditiva

Variação Sazonal Multiplicativa

A tendência é multiplicada por fatores sazonais

Previsão Incluindo Tendência e Sazonal = Tendência x Sazonal



Sazonal

Um fator sazonal é a quantidade de correção necessária em uma série temporal para o ajuste à estação do ano

Fator Sazonal

Cíclico



Suponha que, nos últimos anos, uma empresa vendeu uma média de 1.000 unidades de determinada linha de produtos em cada ano.

Em média, 200 unidades foram vendidas na primavera, 350 no verão, 300 no outono e 150 no inverno.

Fator Sazonal

Quantidade do PeríodoFS = ----------------------------------------- Média de Todos os Períodos



Fator Sazonal

Período Vendas Vendas Médias FSPrimavera 200Verão 350Outono 300Inverno 150Total



Fator Sazonal

Período Vendas Vendas Médias FSPrimavera 200 250 200/250 = 0,8 Verão 350 250 350/250 = 1,4

Outono 300 250 300/250 = 1,2 Inverno 150 250 150/250 = 0,6 Total 1.000

Usando esses fatores, se esperássemos que a demanda do próximo ano fosse 1.100, qual seria a demanda prevista?



Fator Sazonal

Período Demanda Esperada

Vendas Médias FS Previsão

PrimaveraVerãoOutonoInvernoTotal 1.100



Fator Sazonal

Período Demanda Esperada

Vendas Médias FS Previsão

Primavera 275 0,8 220Verão 275 1,4 385Outono 275 1,2 330Inverno 275 0,6 165Total 1.100



Fator Sazonal Usando o fator sazonal e de tendência calcule o FITS para 2006

Forecast Including Trend and Seasonal FactorsTrimestr

eAno Venda

s1 2004 3002 2004 2003 2004 2204 2004 5301 2005 5202 2005 4203 2005 4004 2005 700



Fator Sazonal

Trimestre

Ano Vendas

Pela Equação

Razão FS

1 2004 300 225 1,33 1,252 2004 200 280 0,713 2004 220 335 0,66 0,784 2004 530 390 1,361 2005 520 445 1,17 0,692 2005 420 500 0,843 2005 400 555 0,72 1,264 2005 700 610 1,15



Fator Sazonal

Trimestre

Ano Vendas

FITS Cálculo FITS

1 2006

300 9 [176 + 52 (9)] x 1,25

805

2 2006

200 10 [176 + 52 (10)] x 0,78

542

3 2006

220 11 [176 + 52 (11)] x 0,69

516

4 2006

530 12 [176 + 52 (12)] x 1,26

1.008

FITS t= Tendência x Sazonal



Decomposição usando a Regressão dos Mínimos Quadrados

a) Decompor a série temporal em seus componentes

• Encontrar o componente sazonal• Dessazonalizar a demanda

b) Prever os valores futuros de cada componente

• Projetar o componente de tendência no futuro• Multiplicar o componente de tendência pelo componente sazonal



Período Trimestre Demanda Média dos Tri FS DD X² X . Yd1 I 6002 II 1.5503 III 1.5004 IV 1.5005 I 2.4006 II 3.1007 III 2.6008 IV 2.9009 I 3.800

10 II 4.50011 III 4.00012 IV 4.900



Período Trimestre Demanda Média dos Tri FS DD X² X . Yd1 I 6002 II 1.5503 III 1.5004 IV 1.5005 I 2.4006 II 3.1007 III 2.6008 IV 2.9009 I 3.800

10 II 4.50011 III 4.00012 IV 4.90078 33.350



Período Trimestre Demanda Média dos Tri FS DD X² X . Yd1 I 600 2.266,72 II 1.550 3.0503 III 1.500 2.7004 IV 1.500 3.1005 I 2.4006 II 3.1007 III 2.6008 IV 2.9009 I 3.800

10 II 4.50011 III 4.00012 IV 4.90078 33.350



Período Trimestre Demanda Média dos Tri FS DD X² X . Yd1 I 600 2.266,7 0,822 II 1.550 3.050 1,103 III 1.500 2.700 0,974 IV 1.500 3.100 1,125 I 2.400 0,826 II 3.100 1,107 III 2.600 0,978 IV 2.900 1,129 I 3.800 0,82

10 II 4.500 1,1011 III 4.000 0,9712 IV 4.900 1,1278 33.350 12,03



Período Trimestre Demanda Média dos Tri FS DD X² X . Yd1 I 600 2.266,7 0,82 731,702 II 1.550 3.050 1,10 1.409,103 III 1.500 2.700 0,97 1.546,394 IV 1.500 3.100 1,12 1.339,285 I 2.400 0,82 2.926,836 II 3.100 1,10 2.818,187 III 2.600 0,97 2.680,418 IV 2.900 1,12 2.589,299 I 3.800 0,82 4.634,15

10 II 4.500 1,10 4.090,911 III 4.000 0,97 4.123,7112 IV 4.900 1,12 4.375,0078 33.350 12,03 33.264,9

4



Período Trimestre Demanda Média dos Tri FS DD X² X . Yd1 I 600 2.266,7 0,82 731,70 12 II 1.550 3.050 1,10 1.409,10 43 III 1.500 2.700 0,97 1.546,39 94 IV 1.500 3.100 1,12 1.339,28 165 I 2.400 0,82 2.926,83 256 II 3.100 1,10 2.818,18 367 III 2.600 0,97 2.680,41 498 IV 2.900 1,12 2.589,29 649 I 3.800 0,82 4.634,15 81

10 II 4.500 1,10 4.090,9 10011 III 4.000 0,97 4.123,71 12112 IV 4.900 1,12 4.375,00 14478 33.350 12,03 33.264,9

4650



Período Trimestre Demanda Média dos Tri FS DD X² X . Yd1 I 600 2.266,7 0,82 731,70 1 731,702 II 1.550 3.050 1,10 1.409,10 4 2.818,203 III 1.500 2.700 0,97 1.546,39 9 4.639,174 IV 1.500 3.100 1,12 1.339,28 16 5.357,125 I 2.400 0,82 2.926,83 25 14.634,156 II 3.100 1,10 2.818,18 36 16.909,087 III 2.600 0,97 2.680,41 49 18.762,878 IV 2.900 1,12 2.589,29 64 20.714,329 I 3.800 0,82 4.634,15 81 41.707,35

10 II 4.500 1,10 4.090,9 100 40.909,0011 III 4.000 0,97 4.123,71 121 45.360,8112 IV 4.900 1,12 4.375,00 144 52.500,0078 33.350 12,03 33.264,9

4650 265.043,7

7




X = 78/12 = 6,5 a = Yd - b . X

∑ X . Yd - nX . Yd∑ X² - nX ²

b =265.043,77 - 12 (6,5) .

2.770,8650 – 12 (6,5)²

b = b = 342,1

a = 2.770,8 – 342,1 (6,5) = 547,15

Yd = 33.350 / 12 = 2.770,80

Y = a + b . X = 547,15 + 342,1 . x



Previsão da Demanda para os quatro trimestres do quarto ano

Etapa 1: Determinar o FSFS = (33.350/12) = 2.770,8Etapa 2: Dessazonalizar os dados originais

Dados Originais/FSEtapa 3: Criar uma linha de regressão de mínimos quadrados para os DD

Y = a + b . x | Y = 547,15 + 342,1 . xEtapa 4: Projetar a linha de regressão através do período a ser previstoY13 = 547,15 + (342,1 . 13)Etapa 4: Projetar a linha de regressão através do período a ser previsto

Previsão 13 = 547,15 + (342,1 . 13) x FS




Período Trimestre Y da linha de Regressão

FS Previsão

13 1 4.994,45 0,82 4.095,4514 2 5.336,90 1,10 5.870,5915 3 5.679,00 0,97 5.508,6316 4 6.020,75 1,12 6.743,24



Intervalo de Erro

Quando uma linha reta é traçada pelos pontos de dados e então usada para fazer a previsão, os erros podem surgir a partir de duas

origens:Erros de Desvio-Padrão

Erros de Plotagem da Linha

Intervalode Previsão

Componente de Tendência

Intervalode Previsão

Passado Presente Futuro

Demanda

Tempo


Previsão de Relação Causal

Para que seja válida para finalidade de previsão, qualquer variável independente deve ser um indicador de direção. Há uma relação

causal, em que um evento resulta em outro. Se o elemento causal for conhecido com bastante antecedência, ele pode ser usado como

base para a previsão.Identificação dos eventos

A Carpet City, em Carpentaria, manteve um registro de suas vendas(em jardas quadradas) de cada ano, juntamente com o número delicenças para a construção de novas casas na região. O gerente de operações da Carpet City acha que a previsão de vendas é possível,

se a loja souber qual é o número de obras esperado para o anos. Os dados estão representados na figura.



Ano Licenças Vendas1997 18 13.0001998 15 12.0001999 12 11.0002000 10 10.0002001 20 14.0002002 28 16.0002003 35 19.0002004 30 17.0002005 20 13.000

X = Número de Licenças de ObrasY = Vendas de Carpete



Suponha que existam 25 licenças de construção em 2006. Qual a previsão de vendas para 2006.

Y 2006 = 6.698 + 344 (25) = 15.298


Análise de Regressão Múltipla

A elaboração de regressão múltipla é adequada quando diversos fatores influenciam uma variável de interesse

S = B + Bm (M) + Bh (H) + Bi (I) + Bt (T)

S = Vendas Brutas no anoB = Vendas base, ponto inicial a partir do qual outros fatores exercem influênciaM = Casamentos durante o anoH = Construções de casas durante o anoI = Renda pessoal anual disponívelT = Tendência do tempo (1° ano = 1, 2° ano = 2, 3° ano = 3, ...)

Planejamento Colaborativo de Previsão e Reposição

CPFR

Nível “n”Fornecedor

Nível 3Fornecedor

Nível 2Fornecedor

Nível 1Fornecedor

Fabricação e Montagem Final

Centro de Distribuição Varejista

Informações de Reposição

Informações de Previsão

Planejamento da Produção e Informações de Compras

Fluxo de MaterialFluxo de

Informação

Planejamento Colaborativo de Previsão e Reposição

Etapas

a) Criação de um acordo de parceria desde a fase inicial

b) Planejamento comercial conjunto

c) Desenvolvimento de previsões de demanda

d) Compartilhamento de previsões

e) Reposição de estoque

As previsões estão diretamente relacionadas à qualidade das decisõestomadas

Decisões mais estratégicas são as que têm mais inércia

Em curto prazo, previsões adequadas podem refletir em uma maioraumento do nível de serviço em atendimento a demanda

O atendimento da demanda impacta na intenção de recompra dos clientes e da taxa de rentabilidade do negócio

Módulo 3 Previsão e Estimação da Demanda. Conteúdo Programático MÓDULO 3: Previsão e...

Documents

Transcript of Módulo 3 Previsão e Estimação da Demanda. Conteúdo Programático MÓDULO 3: Previsão e...