NECESSIDADES DE PREVISÃO DA CADEIA DE …correia/TRA-53/semana_5.pdf · Introdução Previsão de...

NECESSIDADES DE PREVISÃO DA CADEIA DE SUPRIMENTOS

Mayara Condé Rocha Murça

TRA-53 – Logística e Transportes Setembro/2013

Introdução

Estimativas acuradas do volume de produtos e serviços processados pela cadeia de suprimentos são necessárias para planejar e controlar as atividades logísticas:

Controle de estoques

Planejamento de compras

Programação da produção

Previsões de prazos de entrega, preços e custos

Introdução

Previsão de demanda Prever o que irá acontecer no futuro (nível de demanda,

localização, etc)

Envolve modelos estatísticos, causais etc

Planejamento da demanda Envolve o desenvolvimento de planos para criar ou modificar

demanda futura

Resulta em planos de marketing e vendas

Gerenciamento da demanda Envolve a tomada de decisão sobre o balanceamento entre

oferta e demanda dentro de um ciclo de previsão/planejamento

Inclui o processo de previsão e de planejamento

Natureza da demanda

Temporal Variação de acordo com o tempo é resultado da evolução

da taxa de vendas, da sazonalidade do padrão de demanda e de flutuações gerais

Espacial Diferenças geográficas que influem no padrão de demanda

Regular Padrões de demanda divididos em componentes de

tendência, sazonais ou aleatórios

Irregular Padrão intermitente, há bastante incerteza sobre o nível de

demanda e sobre quando ela ocorrerá

Natureza da demanda

X R

EGU

LAR

IRR

EGU

LAR

Natureza da demanda

Dependente

Demanda deriva de exigências especificadas em programas de produção (muitas vezes, resulta em previsões perfeitas)

Independente

Demanda gerada a partir de muitos clientes, que fazem compras individuais de apenas uma fração do volume total distribuído pela empresa

Métodos de previsão

•Recorrem a julgamentos, intuição, pesquisas ou técnicas comparativas

• Informações sobre os fatores que afetam a previsão são tipicamente não quantitativas, flexíveis e subjetivas

•Preferencialmente para previsões de médio e longo prazo

Qualitativos

•Premissa básica : o padrão de demanda futura será uma repetição do passado

•Uso de modelos matemáticos e estatísticos

•Preferencialmente para previsões de curto prazo (estabilidade das séries de tempo)

Projeção histórica

•Premissa básica: o nível da variável de previsão é derivado do nível de outras variáveis relacionadas

•Uso de modelos estatísticos e descritivos

•Preferencialmente para previsões de médio e longo alcance

Causais

Métodos de previsão

Métodos mais utilizados:

Séries temporais

Média móvel

Ponderação exponencial

Decomposição clássica da série de tempo

Regressão múltipla

Fundamenta-se na premissa de que um padrão histórico de vendas pode ser decomposto em cinco componentes: Nível (a)

Valor estacionário da demanda

Tendência (b) Movimento persistente em uma direção Pode ser linear, exponencial, quadrática etc

Variação sazonal (S) Movimento periódico associado ao calendário

Variação cíclica (C) Movimento periódico não vinculado ao calendário

Variação aleatória (e) Variações não previsíveis (ruído)

Série temporal

A demanda pode ser modelada a partir de uma combinação dos componentes:

Modelo multiplicativo

F = (b)(S)(C)(e)

Modelo aditivo

F = a + b(t) + S + C + e

Modelo misto

F = a + b(S)t + e

Série temporal

Procedimento:

Selecionar um modelo apropriado de demanda

Estimar e calibrar os parâmetros do modelo

Realizar a previsão de demanda com os parâmetros estimados

Revisar a performance do modelo e ajustar os parâmetros e o próprio modelo se necessário

Série temporal

Quão importante é a história?

Duas abordagens extremas:

Previsão cumulativa

Toda a história tem o mesmo peso

Demanda estacionária pura

Série temporal

Previsão ingênua

Mais recente dita o futuro

“Last is next”

Abordagem intermediária:

Média móvel

Apenas inclui as últimas M observações

Abordagem intermediária entre a previsão cumulativa e a previsão ingênua

Previsão cumulativa (M=n)

Previsão ingênua (M=1)

Série temporal

Série temporal

Por que as observações passadas deveriam receber o mesmo peso?

O valor das observações degrada ao longo do tempo

Introdução da constante de ponderação exponencial (α)

Ponderação Exponencial

Método bastante útil para previsão a curto prazo

Capacidade de se adaptar às mudanças fundamentais nos dados de previsão

Observações mais recentes recebem peso maior que observações mais antigas


1 1t t tF A F

t = período de tempo atual

α = constante de ponderação

At = demanda real no período t

Ft = previsão para o período t

Ft+1 = previsão para o período t+1

Análise da constante α Quanto maior o valor de α, maior o peso atribuído aos

níveis de demanda mais recentes -> modelo irá responder com maior agilidade às mudanças nas séries de tempo

Quanto menor o valor de α, maior o peso atribuído à demanda histórica -> modelo produz previsões mais “estáveis” que não serão pesadamente influenciadas pela aleatoriedade nas séries de tempo

Objetivo: buscar um α que minimize os erros de previsão


Análise da constante α

Em geral, valores ajustados para α variam entre 0,01 e 0,3

Altos valores de α podem ser utilizados por curtos períodos em situações como:

Recessão

Campanha promocional agressiva mas passageira

Retirada de produtos de linha

Ausência de histórico de vendas


Correção de tendência


1

1 1

1 1 1

1

1

t t t t

t t t t

t t t

X A X T

T X X T

F X T

Ft+1 = previsão com tendência corrigida para o período t+1

Xt = previsão inicial para o período t

Tt = tendência para o período t

β = constante de ponderação da tendência

Correção de tendência e sazonalidade


1

1 1

1 1 1 1

1

1

1

t t t L t t

t t t t

t t t t L

t t t t L

X A S X T

T X X T

S A X S

F X T S

Ft+1 = previsão com tendência e sazonalidade corrigidas para o período t+1

γ = constante de ponderação do índice sazonal

St = índice sazonal para o período t

L = tempo de uma estação completa

1 - Picos e vales no padrão de demanda devem ocorrer na mesma época todos os anos.

2 - A variação sazonal deve ser maior do que as variações aleatórias (“ruídos”).


F T S C e

F = demanda prevista (unidades ou $)

T = tendência (unidades ou $)

S = índice sazonal

C = índice cíclico

e = índice residual

A linha de tendência pode ser ajustada através do método dos mínimos quadrados

Supondo uma linha de tendência linear, tem-se:


2 2

ˆ

ˆ

t

T a bt

A t N A tb

t Nt

a A bt


A componente de sazonalidade do modelo é representada por um índice que muda para cada período de previsões

O índice sazonal é o quociente entre a demanda real num determinado período de tempo e a demanda média


t t tS A T

St = índice sazonal no período t

Tt = valor da tendência (T=a+bt)

L = número de períodos no ciclo sazonal

Ft = demanda prevista no período t

t t t LF T S

A melhor forma de representar uma previsão é projetar uma faixa de valores na qual a demanda real estará situada para um determinado nível de confiança

Erro de previsão

2

1

t t

tF

A F

sN

sF = desvio padrão da previsão


Ft = previsão para o período t

N = número de períodos de previsão

t F t t FF z s Y F z s

A exatidão de um modelo está relacionada diretamente com o valor da constante de ponderação em qualquer ponto no tempo

Procedimentos de melhoria da previsão envolvem a monitoração do erro de previsão e a relação de ajustes nos valores da constante de ponderação

A monitoração pode ser realizada através de um sinal de rastreamento avaliado de forma contínua ou periódica

A computação de novas constantes pode ser feita quando o sinal exceder um limite especificado de controle

Monitoração do erro de previsão

Monitoração do erro de previsão

Modelos de previsão incluem outras variáveis que influenciam a demanda, além do tempo

A relação causa e efeito é descrita por um modelo linear em que xi são as variáveis explicativas e Yi é a variável de previsão

Os termos de erro incluem os fatores não observáveis no modelo e assume-se que os mesmos são iid e ~N(0, )


0 1 1 2 2 ... , para 1,...,i i i k ki iY x x x i n

2

Hipóteses:

E(εi) = 0

Média condicional zero -> ausência de correlação entre as variáveis explicativas e o termo de erro

Homoscedasticidade


1,..., kDesvPad Y x x

1 1 0 1 1 2 2,..., 0 ,..., ...i k k k kE x x E Y x x x x x

Estimação dos parâmetros via método dos mínimos quadrados


2 22

0 1 1 2 2

1 1 1

ˆ ...n n n

i i i i i i k ki

i i i

e Y Y Y x x x

0 1 1 2 2

1

1 0 1 1 2 2

1

0 1 1 2 2

1

... 0

... 0

... 0

n

i i i k ki

i

n

i i i i k ki

i

n

ki i i i k ki

i

Y x x x

x Y x x x

x Y x x x

2

1 0

n

i

i

k

e

Exemplo:


Exemplo:


0 1 1 2 2i i i iY X X

Yi = demanda X1i = período X2i =

1, se é mês de verão 0, c.c.


1 22969 48 304i i iY X X

Lançamento de novos produtos e serviços

Ausência de histórico de vendas

Estratégias:

Utilizar estimativas iniciais da área de marketing

Elaborar previsões a partir do padrão de demanda de produtos similares

No caso de utilização da ponderação exponencial, utilizar altos níveis para α

Situações especiais de previsão

Demanda irregular A grande quantidade de variações aleatórias no

padrão da demanda não permite que se observe tendência e sazonalidade

Estratégias: Entender as condições de incerteza e utilizá-las para

produzir as previsões

Utilizar modelos que não reajam tão rapidamente às mudanças nos padrões de demanda

No caso de a previsão ser utilizada para estabelecer níveis de estoque, aumentar o estoque para compensar uma previsão inacurada pode ser mais eficiente


Previsão regional

Estratégias:

Top-down – realizar a previsão agregada e distribuir por regiões

Bottom-up – realizar previsões individuais e somá-las para obter a previsão agregada


Na prática, não existe um modelo único de previsão capaz de ser o melhor em todas as situações

Combinação dos resultados de vários modelos pode gerar previsões mais estáveis e de maior exatidão

A combinação pode ser realizada com a utilização dos erros de previsão como fatores de ponderação

Combinando métodos de previsão

Exemplo:


Exemplo:


Tipo de modelo

Erro de previsão

1/Erro de previsão

Peso do modelo

Previsão Previsão ponderada

MJ 9,0 0,11 0,04 19.500.000 780.000

R 0,7 1,43 0,57 20.367.000 11.609.190

ES1 1,2 0,83 0,33 20.400.000 6.732.000

ES2 8,4 0,12 0,05 17.660.000 883.000

TOTAL 20.004.190

Desenvolvimento de previsões utilizando dados de múltiplos participantes (áreas funcionais da empresa ou vários membros da cadeia de suprimentos)

Cada participante contribui para o processo de previsão com uma perspectiva original

Previsão colaborativa

NECESSIDADES DE PREVISÃO DA CADEIA DE …correia/TRA-53/semana_5.pdf · Introdução Previsão de...

Documents

Transcript of NECESSIDADES DE PREVISÃO DA CADEIA DE …correia/TRA-53/semana_5.pdf · Introdução Previsão de...