Planejamento e Controle da Produção_Aula2.ppt

Planejamento e Controle da Produção
Teoria e Prática
Prof. Dalvio Ferrari Tubino, Dr.
tubino@deps.ufsc.br
www.deps.ufsc.br/lssp
Capítulo 2
Previsão da Demanda

Planejamento e Controle da Produção: Teoria e Prática
2
Compras
Pedidos de
Compras
Planejamento Estratégico da
Produção
Plano de
Produção
Planejamento-mestre da
Produção
Plano-mestre
de Produção
Programação da Produção
Administração dos Estoques
Seqüenciamento
Emissão e Liberação
Ordens de
Compras
Ordens de
Fabricação
Ordens de
Montagem
Fabricação e Montagem
Estoques
Clientes
Marketing
Engenharia
Fornecedores
Acompanhamento
e
Controle
da
Produção
Previsão de
Vendas
Pedidos em
Carteira
Estrutura do
Produto
Roteiro de
Fabricação
Avaliação
de
Desempenho
Fluxo de Informações e PCP

3
 As previsões têm uma função muito importante
nos processos de planejamento dos sistemas de
produção, pois permite que os administradores
destes sistemas antevejam o futuro e planejem
adequadamente suas ações
 São usadas pelo PCP em dois momentos distintos
 para planejar o sistema produtivo
 para planejar o uso deste sistema produtivo

4
 A responsabilidade pela preparação da previsão
da demanda normalmente é do setor de Marketing
ou Vendas. Porém, existem dois bons motivos
para que o pessoal do PCP entenda como esta
atividade é realizada:
 A previsão da demanda é a principal informação
empregada pelo PCP na elaboração de suas atividades
 Em empresas de pequeno e médio porte cabe ao
pessoal do PCP (geralmente o mesmo de Vendas)
elaborar estas previsões

5
 A previsão da demanda dos produtos não é uma
ciência exata, envolve uma boa dose de
experiência e julgamento pessoal do planejador –
sujeita a erros
 Será sempre mais vantajoso basear os planos de
longo e de médio prazo em informações
confiáveis, vindo diretamente dos clientes
parceiros, do que fazer previsões sujeita a erros
(manufatura enxuta)

6
Modelo de Previsão da Demanda
Objetivo do Modelo
Coleta e Análise dos Dados
Seleção da Técnica de Previsão
Obtenção das Previsões
Monitoração do Modelo

7
Objetivo do Modelo
 Consiste em definir a razão pela qual se necessita
de previsões
 Que produto (ou famílias de produtos) será previsto,
com que grau de acuracidade e detalhe a previsão
trabalhará, e que recursos estarão disponíveis para esta
previsão
 A sofisticação e o detalhamento do modelo dependem
da importância relativa do produto (ou família de
produtos) a ser previsto e do horizonte ao qual a
previsão se destina
 Itens pouco significativos podem ser previstos com maior
margem de erro, empregando-se técnicas simples, assim como
se admite margem de erro maior para previsões de longo prazo,
empregando-se dados agregados de famílias de produtos

8
Coleta e Análise de Dados
 Alguns cuidados básicos devem ser tomados na
coleta e análise dos dados, dentre eles os
seguintes
 Quanto mais dados históricos forem coletados e analisados, mais
confiável a técnica de previsão será
 Os dados devem buscar a caracterização da demanda pelos
produtos da empresa, que não é necessariamente igual as vendas
passadas, pois podem ter ocorrido falta de produtos, postergando
as entregas ou deixando de atendê-las
 Variações extraordinárias da demanda, decorrentes de promoções
especiais, por exemplo, devem ser analisadas e substituídas por
valores médios, compatíveis com o comportamento normal da
demanda

9
Coleta e Análise de Dados
 O tamanho do período de consolidação dos dados
(semanal, mensal, trimestral, anual, etc.) tem influência
direta na escolha da técnica de previsão mais adequada,
assim como na análise das variações extraordinárias
0
200
400
600
800
1.000
1.200
Jan. Fev. Mar. Abr. Mai. Jun. Jul. Ago. Set. Out. Nov. Dez.
A (mensal) B (trimestral)
sazonalidade média

10
 Uma vez coletados e analisados os dados
passados, pode-se decidir pela técnica de
previsão mais apropriada
 Existem técnicas qualitativas e quantitativas
 Cada uma tendo o seu campo de ação e sua
aplicabilidade
 Não existe uma técnica que seja adequada a todas as
situações

11
 Fatores que merecem destaque na escolha da
técnica de previsão são
 Custo e acuracidade
 Disponibilidade de dados históricos
 Experiência passada com a aplicação de determinada
técnica
 Disponibilidade de tempo para coletar, analisar e preparar
os dados e a previsão
 Período de planejamento para o qual se necessita da
previsão

12
Obtenção das Previsões e Monitoração
do Modelo
 Com a definição da técnica de previsão e a aplicação dos
dados passados para obtenção dos parâmetros
necessários, pode-se obter as projeções futuras da
demanda
 Quanto maior for o horizonte pretendido, menor a
confiabilidade na demanda prevista

13
Obtenção das Previsões e Monitoração
do Modelo
 À medida que as previsões forem sendo alcançadas
pela demanda real, deve-se monitorar a extensão do
erro entre a demanda real e a prevista para verificar
se a técnica e os parâmetros empregados ainda são
válidos
 Em situações normais, um ajuste nos parâmetros
do modelo
 Em situações críticas, um estudo desde o primeiro
passo

14
Técnicas de Previsão
 A definição da técnica de previsão que melhor se
adapte a uma situação específica é apenas um dos
passos do modelo de previsão, porém, sem dúvida, o
mais importante
 Existe uma série de técnicas disponíveis, com
diferenças substanciais entre elas

15
Técnicas de Previsão
 As características gerais presentes em todas as
técnicas de previsão, que são
 Supõe-se que as causas que influenciaram a
demanda passada continuarão a agir no futuro
 As previsões não são perfeitas, pois não se é capaz
de prever todas as variações aleatórias que
ocorrerão
 A acuracidade das previsões diminui com o aumento
do período de tempo auscultado
 A previsão para grupos de produtos é mais precisa
do que para os produtos individualmente, visto que
no grupo os erros individuais de previsão se
minimizam

16
Técnicas de previsão
 As técnicas de previsão podem ser subdivididas
em dois grandes grupos:
 As técnicas qualitativas: privilegiam principalmente
dados subjetivos, os quais são difíceis de representar
numericamente
 Baseadas na opinião de especialistas
 As técnicas quantitativas: envolvem a análise
numérica dos dados passados, isentando-se de
opiniões pessoais ou palpites.
 Séries Temporais
 Correlações

17
Previsões: Séries Temporais
0
10
20
30
40
50
60
70
Jan. Fev. Mar. Abr. Mai. Jun. Jul. Ago. Set. Out. Nov. Dez.
Demanda
Variação irregular
Sazonalidade
Tendência
Variação randômica
 A demanda futura será uma projeção dos valores
passados, não sofrendo influência de outras
variáveis

18
Previsão da Média
2.000
2.500
3.000
3.500
4.000
4.500
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Períodos (meses)
Demanda
(kg)
 Média móvel: usa dados de um número
predeterminado de períodos para gerar sua previsão
 Média exponencial móvel: o peso de cada observação
decresce no tempo em progressão geométrica, ou de
forma exponencial

19
Média Móvel
n
D
Mm
n
i
i
n


 1

20
Média Móvel
2.000
2.500
3.000
3.500
4.000
4.500
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Períodos (meses)
Demanda
(kg)
D.Real Mm3 Mm6 Mm12
 Vantagem: simplicidade operacional e facilidade de
entendimento
 Desvantagem: armazenar um grande número de dados
 Utilização: para produtos não muito relevantes e
demandas estáveis

21
Média Exponencial Móvel
 
M M D M
t t t t
  
  
1 1 1


22
Média Exponencial Móvel
2.000
2.500
3.000
3.500
4.000
4.500
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Períodos (meses)
Demanda
(kg)
D.Real M  0,10 M  0,50 M  0,80
 Cada nova previsão é obtida com base na previsão
anterior, acrescida do erro cometido na previsão anterior,
corrigido por um coeficiente de ponderação.

23
Previsão da Tendência
 Equação linear para a tendência
 Ajustamento exponencial para a tendência
1.000
1.500
2.000
2.500
3.000
3.500
4.000
4.500
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Períodos (meses)
Demanda
(kg)

24
Equação Linear
Y a bX
 
    
   
b
n XY X Y
n X X



  
 
2 2
 
a
Y b X
n

 

Y = 3.935 - 75,2870 X

25
Equação Linear
Y = 3.935 - 75,2870 X
Y = 3.935 - 75,2870 . 25 = 2.053 kg
1.000
1.500
2.000
2.500
3.000
3.500
4.000
4.500
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Períodos (meses)
Demanda
(kg)
D.Real D.Prev
R2 (coeficiente de determinação)

26
Ajustamento Exponencial
P M T
t t t
  
1
 
M P D P
t t t t
  
 1
 
 
T T P P T
t t t t t
   
  
1 2 1 1

 Chamado também de duplo ajustamento
 Quando a demanda apresenta tendência, o emprego da
média exponencial móvel simples demorará a reagir a esta
tendência. O duplo ajustamento corrige mais rapidamente

27

28
1.000
1.500
2.000
2.500
3.000
3.500
4.000
4.500
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Períodos (meses)
Demanda
(kg)
D.Real D.Prev

29
Previsão da Sazonalidade
0
1.000
2.000
3.000
4.000
5.000
6.000
7.000
8.000
9.000
10.000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Períodos (meses)
Demanda
(kg)
D.Real 1 D.Real 2
 Sazonalidade Simples (D. Real 1 – ciclo 9 per.)
 Sazonalidade com Tendência (D. Real 2 – ciclo 6 per.)
Inicialmente, tem que se identificar o ciclo de sazonalidade

30
Sazonalidade Simples
 Calcular o Índice de
Sazonalidade,
dividindo-se o valor
da demanda no
período pela média
móvel centrada
nesse período
 O período
empregado para o
cálculo da média
móvel é o ciclo da
sazonalidade.
IS1 = (1,1942 + 1,2320)/2

31
 Aplicar o índice de
sazonalidade do
período em cima da
demanda média
(média das médias
móveis centradas)
Período D.Média IS D.Prev D.Real Erro
1 2.907 1,2131 3.527 3.600 73
2 2.907 1,1543 3.356 3.416 60
3 2.907 0,9432 2.742 2.682 -60
4 2.907 0,7737 2.250 2.250 0
5 2.907 0,7209 2.096 2.107 11
6 2.907 0,8174 2.376 2.352 -24
7 2.907 0,9798 2.849 2.841 -8
8 2.907 1,1464 3.333 3.322 -11
9 2.907 1,2510 3.637 3.720 83
10 2.907 1,2131 3.527 3.468 -59
11 2.907 1,1543 3.356 3.349 -7
12 2.907 0,9432 2.742 2.745 3
13 2.907 0,7737 2.250 2.254 4
14 2.907 0,7209 2.096 2.086 -10
15 2.907 0,8174 2.376 2.400 24
16 2.907 0,9798 2.849 2.850 1
17 2.907 1,1464 3.333 3.344 11
18 2.907 1,2510 3.637 3.564 -73
19 2.907 1,2131 3.527 3.576 49
20 2.907 1,1543 3.356 3.360 4
21 2.907 0,9432 2.742 2.745 3
22 2.907 0,7737 2.250 2.325 75
23 2.907 0,7209 2.096 1.960 -136
24 2.907 0,8174 2.376 2.400 24
38
34
MAD
D.Prev = D.Média + D.Média (IS - 1)
Erro Acumulado

32
1.000
2.000
3.000
4.000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Períodos (meses)
Demanda
(kg)
D.Prev D.Real

33
Sazonalidade com Tendência
 Obter os índices de sazonalidade através da média móvel
centrada

34
 retirar o
componente de
sazonalidade da
série de dados
históricos,
dividindo-os
pelos
correspondentes
índices de
sazonalidade

35
y = 286,35x + 1108,3
R2
= 0,9955
0
2.000
4.000
6.000
8.000
10.000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Períodos (meses)
Demanda
(kg)
Y = 286,35 X + 1.108,3
 Com esses dados, desenvolver uma equação que
represente o componente de tendência

36
 Com a equação da
tendência fazer a
previsão da
demanda e
multiplicá-la pelo
índice de
sazonalidade

37
0
2.000
4.000
6.000
8.000
10.000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Períodos (meses)
Demanda
(kg)
D.Real D.Prev

38
Previsão Baseada em Correlações
mínimo

 2


Y = a + bX
Y
X
Y a bX
 
    
   
b
n XY X Y
n X X



  
 
2 2
 
a
Y b X
n

 

Correlação dos
mínimos
quadrados
Pode-se medir a existência de
correlação entre duas variáveis
através do coeficiente de
correlação de Pearson (r)

39
Y = 1.757 + 2,99 X
b = [(13 x 5.224.860.000) – (143.100 x 450.710)] / [(13 x 1.663.370.000) –
(143.100 x 143.100)] = 2.99
a = [450.710 – (2,99 x 143.100)] / 13 = 1.757

40
Y = 1.757 + 2,99 X
Para um número de alunos de 13.750, a demanda prevista de refeições é
de:
Y = 1.757 + 2,99 x 13.750 = 42.869 refeições
20.000
25.000
30.000
35.000
40.000
45.000
50.000
5.000 7.000 9.000 11.000 13.000 15.000 17.000
Número de Alunos
Vendas
por
Casa
Y = 1.757 x 2,99 X
Correlação Linear

41
Manutenção e Monitoração
MAD
D D
n
atual prevista



 Objetivos
Verificar a acuracidade dos valores previstos
 Identificar, isolar e corrigir variações anormais
 Permitir a escolha de técnicas, ou parâmetros, mais
eficientes
 Como monitorar?
Erro acumulado que deve tender a zero
Gráfico de controle de 4 MAD

42

43
-500
-400
-300
-200
-100
0
100
200
300
400
500
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Períodos (meses)
Erro
(kg)
4 MAD = 113 x 4 = 452 kg
O valor do erro de previsão servirá de base para o planejamento e dimensionamento dos
estoques de segurança do sistema de PCP

44
 De uma forma geral, uma série de fatores pode afetar o
desempenho de um modelo de previsão:
 a técnica de previsão pode estar sendo usada incorretamente, ou
sendo mal interpretada;
 a técnica de previsão perdeu a validade devido à mudança em uma
variável importante, ou devido ao aparecimento de uma nova
variável;
 variações irregulares na demanda podem ter acontecido em função
de greves, formação de estoques temporários, catástrofes naturais,
etc.
 ações estratégicas da concorrência, afetando a demanda;
 variações aleatórias inerentes aos dados da demanda.
 Um modelo de previsão para a demanda funciona
adequadamente quando apenas os erros decorrentes de
variações aleatórias ocorrem. Quando outros tipos de erros
aparecem, eles devem ser investigados para identificar
suas causas e corrigir o problema.

Planejamento e Controle da Produção_Aula2.ppt

Recomendados

Recomendados

Mais conteúdo relacionado

Semelhante a Planejamento e Controle da Produção_Aula2.ppt

Semelhante a Planejamento e Controle da Produção_Aula2.ppt (20)

Mais de JulianoLeal13

Mais de JulianoLeal13 (9)

Último

Último (20)

Planejamento e Controle da Produção_Aula2.ppt