Módulo 3 Previsão e Estimação da Demanda. Conteúdo Programático MÓDULO 3: Previsão e...
-
Upload
cristiana-camara-graca -
Category
Documents
-
view
222 -
download
4
Transcript of 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
Vollmann et al (2006)
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
Vollmann et al (2006)
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
Vollmann et al (2006)
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
Vollmann et al (2006)
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
Chase, Jacobs e Aquilano (2006)
Componentes da DemandaDemanda Média do Período
Tendência
Elemento Sazonal
Elementos Cíclicos
Variação Aleatória
Auto-correlação
Krajewski, Ritzman e Malhotra (2009)
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
Krajewski, Ritzman e Malhotra (2009)
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
Krajewski, Ritzman e Malhotra (2009)
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
Krajewski, Ritzman e Malhotra (2009)
Métodos de Avaliação Qualitativos
Decidindo o tipo de técnica de previsão
Métodos de Avaliação Quantitativos
Métodos Causais
Análise de Séries Temporais
Krajewski, Ritzman e Malhotra (2009)
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 o tipo de técnica de previsão
Krajewski, Ritzman e Malhotra (2009)
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
Chase, Jacobs e Aquilano (2006)
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
Análise de Séries Temporais
Baseia-se na idéia de que a história dos acontecimentos ao longo do tempo pode ser usada para prever o futuro.
Chase, Jacobs e Aquilano (2006)
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.
Chase, Jacobs e Aquilano (2006)
Análise de Séries Temporais
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
Chase, Jacobs e Aquilano (2006)
Causal
Análise de Regressão
Modelos Econométricos
Modelos de Input/Output
Indicadores de Orientação
Chase, Jacobs e Aquilano (2006)
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.
Krajewski, Ritzman e Malhotra (2009)
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
Análise de Séries Temporais
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
Análise de Séries Temporais
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
Análise de Séries Temporais
Média Móvel Simples
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
Análise de Séries Temporais
Média Móvel Simples
Análise de Séries Temporais
Média Móvel Ponderada
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
Análise de Séries Temporais
Média Móvel Ponderada
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
Análise de Séries Temporais
Suavizamento Exponencial
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
Análise de Séries Temporais
Suavizamento Exponencial
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
Análise de Séries Temporais
Suavizamento Exponencial
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
Análise de Séries Temporais
Suavizamento Exponencial
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)
Análise de Séries Temporais
Suavizamento Exponencial
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
Análise de Séries Temporais
Suavizamento Exponencial
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)
Análise de Séries Temporais
Suavizamento Exponencial
Determinando o valor adequado de Alfa
Dois ou mais valores predeterminados de Alfa
Valores calculados de Alfa
Análise de Séries Temporais
Suavizamento Exponencial
Erros de PrevisãoOrigens do Erro
Medidas de Erro
Análise de Séries Temporais
Suavizamento Exponencial
Erros de Previsão Origens do Erro
Projeção de Tendências passadas no futuro
Erros de Viés
Erros Aleatórios
Análise de Séries Temporais
Suavizamento Exponencial
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
Análise de Séries Temporais
Suavizamento Exponencial
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
Análise de Séries Temporais
Suavizamento Exponencial
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
Análise de Séries Temporais
Suavizamento Exponencial
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
Análise de Séries Temporais
Suavizamento Exponencial
Erros de Previsão
Real excede a previsão
Real é inferior a previsão
Representação Gráfica dos TS
Análise de Séries Temporais
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
Suavizamento Exponencial
Análise de Séries Temporais
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
Análise de Séries Temporais
Análise de Regressão Linear
Y = a + b X
X = PeríodoY = Demandaa = Tendênciab = Declive da linha
Variável independenteVariável dependente
Intercepto de YCoeficiente Angular
Análise de Séries Temporais
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 Séries Temporais
Análise de Regressão Linear
Análise de Séries Temporais
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
Análise de Séries Temporais
Análise de Regressão Linear O Método dos Mínimos Quadrados
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 Séries Temporais
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
Análise de Séries Temporais
Análise de Regressão Linear O Método dos Mínimos Quadrados
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
Análise de Séries Temporais
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
Análise de Séries Temporais
Decomposição de uma Série Temporal
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
Análise de Séries Temporais
Decomposição de uma Série Temporal
Sazonal
Um fator sazonal é a quantidade de correção necessária em uma série temporal para o ajuste à estação do ano
Fator Sazonal
Cíclico
Análise de Séries Temporais
Decomposição de uma Série Temporal
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
Análise de Séries Temporais
Decomposição de uma Série Temporal
Fator Sazonal
Período Vendas Vendas Médias FSPrimavera 200Verão 350Outono 300Inverno 150Total
Análise de Séries Temporais
Decomposição de uma Série Temporal
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?
Análise de Séries Temporais
Decomposição de uma Série Temporal
Fator Sazonal
Período Demanda Esperada
Vendas Médias FS Previsão
PrimaveraVerãoOutonoInvernoTotal 1.100
Análise de Séries Temporais
Decomposição de uma Série Temporal
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
Análise de Séries Temporais
Decomposição de uma Série Temporal
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
Análise de Séries Temporais
Decomposição de uma Série Temporal
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
Análise de Séries Temporais
Decomposição de uma Série Temporal
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
Análise de Séries Temporais
Decomposição de uma Série Temporal
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
Análise de Séries Temporais
Decomposição de uma Série Temporal
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
Análise de Séries Temporais
Decomposição de uma Série Temporal
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
Análise de Séries Temporais
Decomposição de uma Série Temporal
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
Análise de Séries Temporais
Decomposição de uma Série Temporal
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
Análise de Séries Temporais
Decomposição de uma Série Temporal
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
Análise de Séries Temporais
Decomposição de uma Série Temporal
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
Análise de Séries Temporais
Decomposição de uma Série Temporal
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
Análise de Séries Temporais
Decomposição de uma Série Temporal
Decomposição usando a Regressão dos Mínimos Quadrados
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
Análise de Séries Temporais
Decomposição de uma Série Temporal
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
Análise de Séries Temporais
Decomposição de uma Série Temporal
Decomposição usando a Regressão dos Mínimos Quadrados
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
Análise de Séries Temporais
Decomposição de uma Série Temporal
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
Análise de Séries Temporais
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.
Análise de Séries Temporais
Previsão de Relação Causal
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
Análise de Séries Temporais
Previsão de Relação Causal
Análise de Séries Temporais
Previsão de Relação Causal
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 Séries Temporais
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