Previsão da Demanda II

2.610 visualizações

Publicada em

Previsão de tendência utilizando curvas
Previsão de tendência utilizando modelos de suavização (ajustamento)
Previsão de Sazonalidade utilizando modelos de suavização
Previsão de Sazonalidade utilizando o modelo de decomposição
Outliers
Controle do sistema de previsão

Publicada em: Engenharia
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Previsão da Demanda II

  1. 1. PREVISÃO DE DEMANDA Parte 2 Prof. Dr. Mauro Enrique Carozzo Todaro 1 Saiba mais em https://pcpengenharia.wordpress.com/previsao/
  2. 2. CARACTERÍSTICAS 2 • Refere-se ao movimento gradual de longo prazo da demanda; • O cálculo de estimativa da tendência pode ser realizado pela identificação de uma equação que descreva este movimento; • A plotagem de dados passados permitirá a identificação da equação; • A equação pode ser linear ou não linear (exponencial, logarítmica, e parabólica, etc.). PREVISÃO DE TENDÊNCIAS
  3. 3. PREVISÃO DE TENDÊNCIAS 3 OS COEFICIENTES DETERMINAM-SE PELO MÉTODO DOS MÍNIMOS QUADRADOS.
  4. 4. PREVISÃO DE TENDÊNCIAS 4 OS COEFICIENTES DETERMINAM-SE PELO MÉTODO DOS MÍNIMOS QUADRADOS.
  5. 5. PREVISÃO DE TENDÊNCIAS 5 OS COEFICIENTES DETERMINAM-SE PELO MÉTODO DOS MÍNIMOS QUADRADOS.
  6. 6. PREVISÃO DE TENDÊNCIAS 6 OS COEFICIENTES DETERMINAM-SE PELO MÉTODO DOS MÍNIMOS QUADRADOS.
  7. 7. PREVISÃO DE TENDÊNCIAS 7 t t t eY e 2 1 0 1      t t t eeY e 10 2   Gompertz: Logística:
  8. 8. CONSIDERAÇÕES 8 • É muito arriscado supor que a tendência continuará crescendo indefinidamente em forma linear ou exponencial. A tendência pode crescer com uma certa taxa constante durante um certo tempo, mas em algum momento chega-se ao nível de saturação e a taxa começa decrescer. • As equações das curvas Logística e Gompertz proporcionam tendências em forma de S que é típica do ciclo de vida de muitos produtos: no começo sua demanda é relativamente baixa mas cresce com uma taxa anual praticamente constante até que cheguem à maturidade e a taxa de crescimento começa diminuir. • Ajustar estas curvas é mais difícil porque não podem ser transformadas em lineares. PREVISÃO DE TENDÊNCIAS
  9. 9. Nível (ajustado por tendência) St = (α*Yt) + (1- α)*(St-1 + bt-1 ) Tendência bt = ϒ*(St – St-1 ) + (1- ϒ)*bt-1 Previsão Ft+m = St + m*bt Onde: e Valores Iniciais: S1 = Y1; b1 = ½ ((Y2 – Y1) + (Y4 – Y3)) SUAVIZAÇÃO EXPONENCIAL DE DOIS PARÂMETROS* 9 MODELOS SUAVIZADOS 10  10   * Também denominado Método Holt ou Amortecimento Exponencial de dois parâmetros
  10. 10. • Vantagens • É mais flexível porque nível e tendência são suavizados com diferentes pesos. • Desvantagens • Requer dois parâmetros. • A busca da melhor combinação é mais complexa. • Não modela sazonalidade, mas é muito útil com dados previamente dessazonalizados. SUAVIZAÇÃO EXPONENCIAL DE DOIS PARÂMETROS 10 MODELOS SUAVIZADOS
  11. 11. 11 MODELOS SUAVIZADOS SUAVIZAÇÃO EXPONENCIAL DE 2 PARÂMETROS Per. (t) Mês D. Hist. (Yt) α = 0,9 ϒ = 0,6 St bt Ft (m=1) et 1 Jan 90 90 2 2 Fev 93 92,90 2,54 92,00 1,00 3 Mar 91 91,44 0,14 95,44 -4,44 4 Abr 92 91,96 0,37 91,59 0,41 5 Mai 93 92,93 0,73 92,32 0,68 6 Jun 96 95,77 1,99 93,66 2,34 7 Jul 96 96,18 1,04 97,76 -1,76 8 Ago 95 95,22 -0,16 97,22 -2,22 9 Set 96 95,91 0,35 95,07 0,93 10 Out 96 96,03 0,21 96,26 -0,26 11 Nov 97 96,92 0,62 96,24 0,76 12 Dez 99 98,85 1,41 97,55 1,45 13 Jan 98 98,23 0,19 100,26 -2,26 14 Fev 99 98,94 0,50 98,41 0,59 15 Mar 99 99,04 0,26 99,44 -0,44 16 Abr 97 97,23 -0,98 99,31 -2,31 17 Mai 99 98,72 0,50 96,25 2,75 18 Jun 100 99,92 0,92 99,23 0,77 19 Jul 100 100,08 0,46 100,84 -0,84 20 Ago 99 99,15 -0,37 100,55 -1,55 21 Set 98 98,08 -0,79 98,78 -0,78 22 Out 101 100,63 1,21 97,28 3,72 23 Nov 102 101,98 1,30 101,84 0,16 24 Dez 103 103,03 1,15 103,28 -0,28 Mês 25 104,17 Erro Médio (2 a 24) -0,07 Desvio Padrão do Erro (2 a 24) 1,85 Consulte este exemplo em https://pcpengenharia.wordpress.com/previsao/
  12. 12. 12 MODELOS SUAVIZADOS Consulte este exemplo em https://pcpengenharia.wordpress.com/previsao/
  13. 13. • Períodos: L = Longitude do ciclo sazonal. N = Quantidade de períodos de demanda histórica (N > L) • Valores para t > L: Nível (dessaz. e ajustado o por tend.): St = α*(Yt / It-L)+ (1- α)*(St-1+ bt-1) Tendência: bt = ϒ*(St – St-1) + (1- ϒ)*bt-1 Índice sazonal: It = β*(Yt / St) + (1- β)*It-L Previsão: Ft+m = (St + m*bt)*It-L+m onde: , e SUAVIZAÇÃO EXPONENCIAL DE TRÊS PARÂMETROS * 13 MODELOS SUAVIZADOS 10  10   10   * Também denominado Método Holt e Winters ou Amortecimento Exponencial de três parâmetros
  14. 14. • Períodos: L = Longitude do ciclo sazonal. N = Quantidade de períodos de demanda histórica (N > L) • Valores para t ≤ L: SL = YL bL = 1/(3L)*[(YL+1 – Y1) + (YL+2 – Y2) + (YL+3 – Y3)] e , t=1,2…, L-1 It = Yt / (St+ bt) , t = 1, 2, ..., L-1 SUAVIZAÇÃO EXPONENCIAL DE TRÊS PARÂMETROS 14 MODELOS SUAVIZADOS  LYY L Y  ... 1 1 LLtt btb L YbS . 2 1        1 1 L t tL ILI
  15. 15. 15 • Requerimentos de dados: Visto que modela a sazonalidade, este método requer mais dados que os outros. Para uma adequada medida da sazonalidade é necessário, no mínimo, 3 ciclos sazonais completos de dados mensais (36 meses), 4 ou 5 ciclos sazonais completos de dados trimestrais (16 ou 20 trimestres) e 3 ciclos sazonais completos de dados semanais (156 semanas), no mínimo. MODELOS SUAVIZADOS SUAVIZAÇÃO EXPONENCIAL DE TRÊS PARÂMETROS
  16. 16. 16 • Vantagens: • Potente para tendência e sazonalidade; • Os índices de sazonalidade são fáceis de interpretar; • É computacionalmente eficiente, com fácil atualização de parâmetros; • A equação de previsão é facilmente entendível pelos diretores. MODELOS SUAVIZADOS SUAVIZAÇÃO EXPONENCIAL DE TRÊS PARÂMETROS
  17. 17. 17 • Desvantagens: • Pode ser muito complexo para séries que não têm identificável sazonalidade e tendência; • A otimização simultânea dos parâmetros pode ser computacionalmente intensa. MODELOS SUAVIZADOS SUAVIZAÇÃO EXPONENCIAL DE TRÊS PARÂMETROS
  18. 18. 18 MODELOS SUAVIZADOS SUAVIZAÇÃO EXPONENCIAL DE 3 PARÂMETROS L =4 α =0,5 ϒ =0,8 β =0,2 Per. Ano Trim. D. Hist. St bt St + bt It Ft et (t) (Yt) 1 1 1 72 115,38 0,62 2 2 110 116,96 0,94 3 3 117 118,54 0,99 4 4 172 172,00 1,58 173,58 1,45 5 2 1 76 147,68 -19,14 128,55 0,60 108 -32 6 2 112 123,82 -22,92 100,90 0,93 121 -9 7 3 130 116,30 -10,59 105,71 1,01 100 30 8 4 194 119,82 0,70 120,52 1,48 153 41 9 3 1 78 125,03 4,30 129,33 0,61 73 5 10 2 119 128,42 3,57 131,99 0,93 121 -2 11 3 128 129,16 1,31 130,48 1,01 134 -6 12 4 201 133,03 3,35 136,38 1,49 193 8 13 4 1 81 134,96 2,22 137,19 0,61 83 -2 14 2 134 140,48 4,86 145,34 0,94 128 6 15 3 141 142,56 2,63 145,20 1,00 147 -6 16 4 216 145,17 2,61 147,78 1,49 216 0 17 5 1 89 18 2 141 19 3 154 20 4 232 Erro Médio (9 a 16) 0,54 Desvio Padrão do Erro (9 a 16) 5,24 Consulte este exemplo em https://pcpengenharia.wordpress.com/previsao/
  19. 19. 19 MODELOS SUAVIZADOS Consulte este exemplo em https://pcpengenharia.wordpress.com/previsao/
  20. 20. • Análise de séries de tempo Nas séries de tempo identificam-se quatro componentes: Tt = Tendência do crescimento no longo prazo Ct = Flutuações cíclicas St = Flutuações sazonais et = Flutuações aleatórias (ruído) Yt = f (Tt, Ct, St, et) A aleatoriedade é considerada um erro entre previsão e a realidade. • Modelo Aditivo: Yt = Tt + Ct + St + et • Modelos Multiplicativo: Yt = Tt x Ct x St x et DESCRIÇÃO 20 MODELOS DE DECOMPOSIÇÃO
  21. 21. • Os modelos aditivos são utilizados quando é evidente que não existe relação entre ciclo, sazonalidade e nível geral da demanda. • Os modelos multiplicativos são utilizados quando o ciclo e a sazonalidade são uma porcentagem do nível geral da demanda. Este é o caso mais frequente e só trabalharemos com ele. • Nos modelos multiplicativos, Ct, St e et são proporções (índices) expressados com centro em 1 (ou 100%). O valor 1 para um componente significa que não há efeito desse componente. • Para horizonte menor de 2 anos, tendência e ciclo se modelam juntos, como tendência, e o indicaremos TCt : Yt = TCt x St x et CONSIDERAÇÕES 21 MODELOS DE DECOMPOSIÇÃO
  22. 22. 1- Calcular médias móveis com número de períodos iguais ao ciclo sazonal. 2- Centrar as médias móveis com novas médias móveis de dois períodos. 3- Calcular os fatores sazonais (demanda dividida pelas médias móveis). 4- Calcular índices de sazonalidade considerando os fatores sazonais de igual período e ajustá-los. 5- Dessazonalisar a série dividindo a demanda pelos índices de sazonalidade. 6- Ajustar a reta de tendência pelo método de mínimos quadrados. 7- Multiplicar a tendência ajustada pelos índices de sazonalidade para obter a previsão da série e analisar o erro. (Ft = Tt x St) 8- Prever períodos futuros projetando a tendência e multiplicando-a pelo índice de sazonalidade correspondente. PASSOS DA PREVISÃO 22 MODELOS DE DECOMPOSIÇÃO
  23. 23. • Fácil de compreender e aplicar; • Ao decompor a série em fatores pode-se analisar as causas das variações; • Os índices de sazonalidade são intuitivamente fáceis de compreender; • As séries dessazonalisadas proporcionam uma importante ferramenta de controle antecipado das variações de tendência; • Este método é muito útil junto com outros para modelar tendência e ciclo; • São importantes para previsões de médio prazo. VANTAGENS 23 MODELOS DE DECOMPOSIÇÃO
  24. 24. • É rígido. Isto devido a forma pelo qual o método é escolhido antes de analisar os dados; • Pode modelar grandes variações aleatórias como se fossem sazonais. Um erro aleatório grande num período pode originar distorções dos índices e da tendência; • Os outliers podem causar valores desproporcionados de tendência ao ser dividido pelo índice de sazonalidade, na qual deveriam ajustar-se; • As previsões de períodos futuros podem ter grandes erros por mudanças de tendência ou ciclo; • Não é prático para curto prazo. DESVANTAGENS 24 MODELOS DE DECOMPOSIÇÃO
  25. 25. 25 MODELOS DE DECOMPOSIÇÃO Consulte este exemplo em https://pcpengenharia.wordpress.com/previsao/ Modelo de Decomposição Multiplicativo Per (t) Ano Trim. Médias Móveis Sazonalidade Prognóstico D. Hist. (Yt) 4 per 2 per Fatores Índices (St) Dessazon. Tend. (Tt) Tt. St Erro (et) 1 1 1 72 0,606 118,75 115,55 70 2 2 2 110 117,75 0,919 119,69 117,41 108 2 3 3 117 118,75 118,25 0,9894 0,992 117,93 119,26 118 -1 4 4 172 119,25 119,00 1,4454 1,482 116,02 121,12 180 -8 5 2 1 76 122,50 120,88 0,6287 0,606 125,35 122,97 75 1 6 2 112 128,00 125,25 0,8942 0,919 121,86 124,83 115 -3 7 3 130 128,50 128,25 1,0136 0,992 131,03 126,68 126 4 8 4 194 130,25 129,38 1,4995 1,482 130,86 128,54 191 3 9 3 1 78 129,75 130,00 0,6000 0,606 128,65 130,39 79 -1 10 2 119 131,50 130,63 0,9110 0,919 129,48 132,25 122 -3 11 3 128 132,25 131,88 0,9706 0,992 129,02 134,10 133 -5 12 4 201 136,00 134,13 1,4986 1,482 135,58 135,96 202 -1 13 4 1 81 139,25 137,63 0,5886 0,606 133,59 137,81 84 -3 14 2 134 143,00 141,13 0,9495 0,919 145,80 139,66 128 6 15 3 141 0,992 142,12 141,52 140 1 16 4 216 1,482 145,70 143,37 213 3 17 5 1 0,606 145,23 88 18 2 0,919 147,08 135 19 3 0,992 148,94 148 20 4 1,482 150,79 224 Erro Médio 0 Desvio Padrão do Erro 4 Índices de Sazonalidade Médio Equação Trim. Fatores Sazonais Média Índices a 113,7 1 0,6287 0,6000 0,5886 0,6058 0,606 b 1,8546 2 0,8942 0,9110 0,9495 0,9182 0,919 3 0,9894 1,0136 0,9706 0,9912 0,992 4 1,4454 1,4995 1,4986 1,4812 1,482 Total: 3,9964 4,000 Diferença: 0,0036
  26. 26. 26 MODELOS DE DECOMPOSIÇÃO Consulte este exemplo em https://pcpengenharia.wordpress.com/previsao/
  27. 27. QUADRO RESUMO 27 MÉTODOS DE PREVISÃO Métodos Característica da Série Complexidade de Implantação Média Móvel Simples (MMS) Sem sazonalidade Sem Tendência Baixa Suavização Exponencial Simples ou Amortecimento Exponencial Simples ou Ajustamento Exponencial Simples (AES) Sem sazonalidade Sem Tendência Baixa Método Holt ou Suavização Exponencial de Dois Parâmetros Com Tendência Sem sazonalidade Média Método Holt e Winters ou Suavização Exponencial de Três Parâmetros Com Tendência Com sazonalidade Alta Decomposição Multiplicativa Com Tendência Com sazonalidade Alta
  28. 28. • Valores anormais, grandes ou pequenos, que não se espera que se repitam no futuro; • É muito importante que um sistema detecte quando um modelo de previsão não representa mais a demanda; • Um modelo pode sair de controle por um único valor não normal grande ou por vários eventos menores que produzem um desvio; • Os outliers dificultam o reconhecimento de padrões, mas também proveem informação que é importante. VALORES ESTRANHOS (OUTLIERS) 28 CONTROLE DA OPERAÇÃO
  29. 29. • Detectar outliers sazonais requere detectar desvios com relação aos padrões sazonais; • Os outliers distorcem mais de uma observação quando há padrões de sazonalidade e tendência; • O gráfico dos dados em diferentes agregações (trimestrais, famílias, etc...) é muito útil para a detecção de outliers. A simples observação da série de tempo pode não identificar nada. 29 CONTROLE DA OPERAÇÃO VALORES ESTRANHOS (OUTLIERS)
  30. 30. • Erros nos dados: Devem ser ajustados antes de atualizar a base de dados. • Eventos irregulares: Devem ajustar-se, mas conservando a informação (podem-se repetir no futuro). • Eventos desconhecidos: Se ajusta aos valores normais. • Eventos planejados: Casos de promoções, mudanças de preços, etc., estas demandas devem ser modeladas pelo sistema, caso contrário apareceram como outliers e serão ajustadas. • Mudança no padrão da demanda: Um bom sistema deve detectar mudanças no ciclo de vida do produto. CAUSAS DOS OUTLIERS 30 CONTROLE DA OPERAÇÃO
  31. 31. • Em séries de tempo, nunca eliminar um outlier, sempre ajustá-lo; • Se há previsão, pode-se substituir pela previsão. Pode ser o melhor; • Se há sazonalidade, o melhor é fazer a média dos valores sazonais adjacentes; • Se não há previsão nem sazonalidade, pode-se calcular a média da série ou dos adjacentes; • Pode-se modificar o ajuste em forma subjetiva, sabendo que acontecerá no futuro; • Deve-se registrar o valor real e o ajustado para análise posterior. AJUSTE DE OUTLIERS 31 CONTROLE DA OPERAÇÃO
  32. 32. • Não se pode garantir que o modelo selecionado continue, indefinidamente, a representar adequadamente a demanda histórica; • Há necessidade de instrumentos que permitam o acompanhamento de modelo; • Sinal de Rastreamento (tracking signal – TS). CONTROLE DO MODELO DE PREVISÃO SELECIONADO 32 CONTROLE DA OPERAÇÃO
  33. 33. 𝐓𝐒 = 𝐄𝐫𝐫𝐨 𝐀𝐜𝐮𝐦𝐮𝐥𝐚𝐝𝐨 𝐄𝐫𝐫𝐨 𝐀𝐛𝐬𝐨𝐥𝐮𝐭𝐨 𝐀𝐜𝐮𝐦𝐮𝐥𝐚𝐝𝐨 𝐌é𝐝𝐢𝐨 = 𝐄𝐀 𝐄𝐀𝐀𝐌 • EAAM* = ; • TS é uma variável normal de média zero e desvio padrão 1; • Aceita-se que o modelo de previsão continue válido quando: -3 < TS < +3. * Também conhecido como Desvio Absoluto Médio (MAD) ou MAE (do inglês Mean Absolute Error) SINAL DE RASTREAMENTO – TS 33 CONTROLE DA OPERAÇÃO    N 1t tt N 1t t |FY| N 1 |e| N 1
  34. 34. • Processa e valida os dados em tempo real; • Atualiza uma base de dados com a demanda de 24 a 36 meses ou mais (caso precise mudar de método ou ajustar); • Gera automaticamente previsões para 12 meses de todos os itens; • Integra os diferentes métodos para modelar demandas com tendência e sazonalidade; • Analisa a demanda histórica e propõe o método mais adequado para cada item. SISTEMA DE INFORMAÇÃO BASEADO EM COMPUTADOR 34 SISTEMAS DE PREVISÃO
  35. 35. • Releva dados de distintos lugares (outros sistemas); • Agrupa os itens com baixa demanda para previsões agregadas; • Permite operação interativa de distintos tipos de usuários; • Gera informes e gráficos para diferentes níveis de decisão; • Integra as necessidades de previsão de demanda de diferentes áreas da empresa, como: operações, comercialização e finanças. Um sistema de previsão é consideravelmente mais complexo que os métodos de previsão. É muito mais que um pacote de software de previsão. SISTEMA DE INFORMAÇÃO BASEADO EM COMPUTADOR 35 SISTEMAS DE PREVISÃO
  36. 36. Modelos para Tendência – Curvas de Crescimento Os coeficientes determinam-se pelo método dos mínimos quadrados. PREVISÃO DE TENDÊNCIAS 36 ANEXO I Linear: Yt = ß0 + ß1 t + et Quadrática: Exponencial: Logística: Gompertz: tt ettY   2 210  t t t eY e 1 0   t t t eY e 2 1 0 1      t t t eeY e 10 2   
  37. 37. Desvio padrão do erro: Um bom modelo de previsão minimiza o desvio padrão dos erros (reduz estoque). Erro quadrático médio: Desvio absoluto médio: Erro absoluto percentual médio: ERRO DE PREVISÃO 37 ANEXO II )1( 1 2 )(     N SDE N t t ee     N t tt N t t FYe NN MSE 1 2 1 2 )( 11    N t tt N t t FY N e N MAD 11 || 1 || 1 %100 1 %100 1 11      N t t tt N t t t Y FY NY e N MAPE
  38. 38. 38 MARTINS, P. G. e LAUGENI, F. P. Capítulo 8: Previsão de Vendas. In: Administração da produção. Petrônio Garcia Martins e Fernando P. Laugeni. 2 ed. São Paulo: Saraiva, 2006. MOREIRA, D. A. Capítulo 11: Previsão da Demanda. In: Administração da produção e operações. MOREIRA, Daniel Augusto. 2 ed. São Paulo: Cengage Learning, 2011. STEVENSON, W. Capítulo 3: Previsões. In: Administração das operações de produção. STEVENSON, Willam J. 6 ed. Rio de Janeiro: LTC, 2001. TUBINO, D. F. Capítulo 2: Previsão da Demanda. In: Planejamento e Controle da Produção - Teoria e Prática. 2 ed. São Paulo: Atlas, 2009. REFERÊNCIAS

×