SlideShare uma empresa Scribd logo
1 de 31
PREVISÃO DE DEMANDA
Parte 1
Prof. Dr. Mauro Enrique Carozzo Todaro
1
Saiba mais em https://pcpengenharia.wordpress.com/previsao/
O QUE É?
PREVISÃO DE DEMANDA
2
“Processo metodológico para determinação de dados (demanda)
futuros baseados em modelos estatísticos, matemáticos ou
econométricos ou ainda em modelos subjetivos apoiados em
uma metodologia de trabalho clara e previamente definida.”
Martins e Laugeni (2006, P. 226)
QUAL É O OBJETIVO?
PREVISÃO DE DEMANDA
• Reduzir a incerteza sobre o futuro;
• Reduzir os riscos na tomada de decisão.
3
POR QUE SÃO NECESSÁRIAS?
PREVISÃO DE DEMANDA
4
• Porque existem demoras na provisão;
• Servem como base para o planejamento estratégico da
produção, vendas e finanças;
• São fundamentais para os planos de capacidade, de fluxo de
caixa, de vendas, de produção, de estoque, de mão de obra e
de compras.
CARACTERÍSTICAS
PREVISÃO DE DEMANDA
Diretamente relacionada com a satisfação do cliente e a
rentabilidade no longo prazo.
Quase todas as previsões se baseiam na suposição de
que o passado irá se repetir.
Previsões raramente são perfeitas e a precisão diminui
com o aumento do período de tempo sondado.
As previsões de demanda agregada são, normalmente,
mais precisas que as individuais (menor aleatoriedade).
5
ELEMENTOS PRESENTES EM UMA BOA PREVISÃO
PREVISÃO DE DEMANDA
6
O horizonte de previsão precisa cobrir o tempo
necessário à implementação das possíveis mudanças.
Previsões eficazes requerem uma base de dados de
demanda precisa.
Registrar a demanda (não vendas) em tempo real, não
depois.
Devem-se detectar demandas irregulares.
PREVISÃO DE DEMANDA
• Média, intervalo e estimação de probabilidade do intervalo.
Ex: 100 (+/-) 20, com uma probabilidade de 95%
• Intervalo de confiança = F ± z. SDE
Onde:
F: Previsão para o período t
z: Número de desvio padrão correspondente a área sob a curva normal.
z = 1,64 (confiança de 90%), z = 1,96 (95%) e z = 3,0 (99,7%).
SDE: Desvio padrão do erro.
7
DEVE SER EXATA
ELEMENTOS PRESENTES EM UMA BOA PREVISÃO
COMO SÃO USADAS PELO PCP?
PREVISÃO DE DEMANDA
8
Planejar o uso do sistema produtivo – MPS e Programação
Previsões detalhada a
médio e curto prazo.
Utilização dos recursos
disponíveis.
Definição da produção,
reposição de estoque,
sequenciamento, etc.
Planejar o sistema produtivo – Planejamento Estratégico
Previsões agregadas a
longo prazo.
Define a família de
produtos e serviços.
Define instalações,
equipamentos, mão de
obra, etc.
HORIZONTES DE PREVISÃO
PREVISÃO DE DEMANDA
• Curto - 1 a 3 meses, por semanas ou meses;
• Médio - 3 meses a 2 anos, por meses ou trimestres;
• Longo - 2 a 10 anos, por trimestres ou anos.
Obs.: Quanto maior for o horizonte pretendido, menor a confiabilidade da
demanda prevista.
9
ETAPAS DE UM MODELO DE PREVISÃO
PREVISÃO DE DEMANDA
10
Objetivo do modelo
Coleta e análise de dados
Seleção da técnica de previsão
Obtenção das previsões
Monitoração do modelo
MÉTODOS
QUANTITATIVOS
INTRÍNSECOS
(Séries Temporais)
EXTRÍNSECOS
(Regressões)
QUALITATIVOS
TÉCNICAS DE PREVISÃO
PREVISÃO DE DEMANDA
11
MÉTODOS DE PREVISÃO
PREVISÃO DE DEMANDA
• Baseados na análise de séries de tempo*;
• Modelam o padrão do passado para projetá-lo no futuro;
• Horizonte: Médio e curto prazo.
*Série de tempo: Sucessão de observações de uma mesma variável em
intervalos regulares de tempo.
12
QUANTITATIVOS
INTRÍNSECOS
MÉTODOS DE PREVISÃO
PREVISÃO DE DEMANDA
Exemplos:
• Médias móveis;
• Ajustamento exponencial;
• Decomposição;
• Crescimento linear e não linear;
• Entre outros.
13
QUANTITATIVOS
INTRÍNSECOS
MÉTODOS DE PREVISÃO
PREVISÃO DE DEMANDA
• Para demanda agregada e desagregada;
• Os modelos de previsão pode conter tendência, sazonalidade,
autocorrelação, entre outros;
• Objetividade (erro médio, desvio padrão, etc.);
• Baixo custo;
• Pode ser repetido muitas vezes;
• Não prevê mudanças futuras.
14
QUANTITATIVOS
INTRÍNSECOS
MÉTODOS DE PREVISÃO
PREVISÃO DE DEMANDA
• Modelos causais (explicativos ou econométricos);
• Horizonte: Longo prazo;
• Modelam a relação entre a demanda e outras variáveis
(variáveis independentes) para projetar o futuro.
15
QUANTITATIVOS
EXTRÍNSECOS
MÉTODOS DE PREVISÃO
PREVISÃO DE DEMANDA
• Regressão simples, múltipla, linear e não linear;
• Para demandas agregadas, dado que são muito custosos;
• Grandes corporações;
• Mais complexos que os intrínsecos (requerem previsão de
variáveis externas).
16
QUANTITATIVOS
EXTRÍNSECOS
MÉTODOS DE PREVISÃO
PREVISÃO DE DEMANDA
Baseados em juízos e opiniões:
• Método Delphi;
• Pesquisa de Mercados;
• Painéis de Expertos.
17
QUALITATIVOS
MÉTODOS DE PREVISÃO
PREVISÃO DE DEMANDA
São úteis:
• Quando não existem dados históricos suficientes (novos
produtos);
• Em previsões de longo prazo, quando não se pode supor
que o passado irá se repetir;
• Para ajustar valores obtidos por métodos quantitativos.
18
QUALITATIVOS
EXEMPLOS DE SÉRIES TEMPORAIS
PREVISÃO DE DEMANDA – MÉTODOS INTRÍSECOS
19
0
20
40
60
80
100
120
1 6 11 16 21 26 31 36 41
Aleatoriedade
0
50
100
150
1 6 11 16 21 26 31 36 41
Autocorrelação
0
200
400
600
800
1 6 11 16 21 26 31 36 41
Tendência
EXEMPLOS DE SÉRIES TEMPORAIS
PREVISÃO DE DEMANDA – MÉTODOS INTRÍSECOS
20
0
50
100
150
200
250
1 6 11 16 21 26 31 36 41
Sazonalidade
0
200
400
600
800
1 6 11 16 21 26 31 36 41
Tendência e Sazonalidade
PREVISÃO DE DEMANDA – MÉTODOS INTRÍSECOS
21
0
200
400
600
800
1 6 11 16 21 26 31 36 41
Série obsevada
REVISÃO DA PREVISÃO
• Período a período - horizonte deslizante.
Ex: Se preveem 12 meses, cada mês que passa, volto a prever
outros 12 meses (revisou os 11 que tinha previsto e acrescento 1)
• Na revisão se modificam previsões realizadas e se acrescenta
um período novo.
22
PREVISÃO DE DEMANDA – MÉTODOS INTRÍSECOS
ERRO DE PREVISÃO
A determinação do erro de previsão é fundamental para:
• Determinar a efetividade do método;
• Comparar métodos.
Erro de previsão: et = Yt – Ft
Erro médio: ē =
Um bom modelo de previsão tem erro médio próximo de zero.
23
 

N
1t
tt
N
1t
t )F(Y
N
1
e
N
1
Onde:
Yt: Demanda real observada no
período t
Ft: Previsão para o período t
N: Quantidade de períodos
observados
PREVISÃO DE DEMANDA – MÉTODOS INTRÍSECOS
ERRO DE PREVISÃO
Desvio padrão do erro:
Um bom modelo de previsão minimiza o desvio padrão dos
erros (reduz estoque).
24
1
1
2
)(


 

N
SDE
N
t
t ee
PREVISÃO DE DEMANDA – MÉTODOS INTRÍSECOS
MÉDIA MÓVEIS SIMPLES (MMS)
• Previsão com médias móveis:
• Usar n grande para séries muito aleatórias;
• Usar n pequeno para autocorrelação (n pequeno suaviza o
padrão);
• Não modela tendência, nem sazonalidade;
• Otimização de n: minimizar o SDE considerando N períodos
históricos.
Obs.: Com n = 1, a previsão é igual ao mês anterior.
25
n
YYY
F
nttt
t
 

...21
MÉTODOS INTRÍSECOS
26
MÉTODOS INTRÍSECOS – MÉDIA MÓVEIS SIMPLES
Per Dem. Hist.
t Yt Ft et Ft et Ft et
1 Jan 3.256
2 Fev 3.315
3 Mar 3.006
4 Abr 3.560 3.192 368
5 Mai 3.300 3.294 6
6 Jun 3.051 3.289 238-
7 Jul 3.425 3.304 121 3.248 177
8 Ago 3.703 3.259 444 3.276 427
9 Set 3.240 3.393 153- 3.341 101-
10 Out 3.231 3.456 225- 3.380 149-
11 Nov 2.887 3.391 504- 3.325 438-
12 Dez 3.918 3.119 799 3.256 662
13 Jan 3.271 3.345 74- 3.401 130- 3.324 53-
14 Fev 3.073 3.359 286- 3.375 302- 3.326 253-
15 Mar 3.396 3.421 25- 3.270 126 3.305 91
16 Abr 3.036 3.247 211- 3.296 260- 3.338 302-
17 Mai 3.196 3.168 28 3.264 68- 3.294 98-
18 Jun 4.106 3.209 897 3.315 791 3.286 820
19 Jul 3.449 3.446 3 3.346 103 3.374 76
20 Ago 3.913 3.584 329 3.376 537 3.376 538
21 Set 3.324 3.823 499- 3.516 192- 3.393 69-
22 Out 3.277 3.562 285- 3.504 227- 3.400 123-
23 Nov 3.204 3.505 301- 3.544 340- 3.404 200-
24 Dez 4.079 3.268 811 3.546 534 3.430 649
3.520 3.541 3.444
388 572 1.075
32 48 90
438 379 373Desv. Pad. do erro (13 a 24)
Erro acumulado (13 a 24)
Mês
Per 3 Per 6 Per 12
Previsão mês 25
Erro médio ( 13 a 24)
Consulte este exemplo em https://pcpengenharia.wordpress.com/previsao/
27Consulte o gráfico em https://pcpengenharia.wordpress.com/previsao/
MÉTODOS INTRÍSECOS – MÉDIA MÓVEIS SIMPLES
SUAVIZAÇÃO EXPONENCIAL SIMPLES*
• Previsão:
Obs.: Onde , e como valor inicial se considera F1 = Y1.
• É um dos métodos mais utilizados;
• Usar α alto para séries muito suaves, α baixo para séries muito aleatórias;
• Com α alto reage mais rápido à tendência, mas também às flutuações
aleatórias;
• Não modela tendência nem sazonalidade;
• Otimização de α : minimizar o SDE considerando N períodos históricos.
Obs.: o método necessita só os dados do período anterior, mas implicitamente estão todos.
* Também denominado Ajustamento ou Amortecimento Exponencial Simples.
28
10 
    11111 1   tttttt FYFYFF 
MÉTODOS INTRÍSECOS
29
Per Dem. Hist.
t Yt Ft et Ft et Ft et
1 Jan 3.256
2 Fev 3.315 3.256 59 3.256 59 3.256 59
3 Mar 3.006 3.262 256- 3.286 280- 3.303 297-
4 Abr 3.560 3.236 324 3.146 414 3.065 495
5 Mai 3.300 3.269 31 3.353 53- 3.461 161-
6 Jun 3.051 3.272 221- 3.326 275- 3.332 281-
7 Jul 3.425 3.250 175 3.189 236 3.107 318
8 Ago 3.703 3.267 436 3.307 396 3.361 342
9 Set 3.240 3.311 71- 3.505 265- 3.635 395-
10 Out 3.231 3.304 73- 3.372 141- 3.319 88-
11 Nov 2.887 3.296 409- 3.302 415- 3.249 362-
12 Dez 3.918 3.256 662 3.094 824 2.959 959
13 Jan 3.271 3.322 51- 3.506 235- 3.726 455-
14 Fev 3.073 3.317 244- 3.389 316- 3.362 289-
15 Mar 3.396 3.292 104 3.231 165 3.131 265
16 Abr 3.036 3.303 267- 3.313 277- 3.343 307-
17 Mai 3.196 3.276 80- 3.175 21 3.097 99
18 Jun 4.106 3.268 838 3.185 921 3.176 930
19 Jul 3.449 3.352 97 3.646 197- 3.920 471-
20 Ago 3.913 3.362 551 3.547 366 3.543 370
21 Set 3.324 3.417 93- 3.730 406- 3.839 515-
22 Out 3.277 3.407 130- 3.527 250- 3.427 150-
23 Nov 3.204 3.394 190- 3.402 198- 3.307 103-
24 Dez 4.079 3.375 704 3.303 776 3.225 854
3.446 3.691 3.908
1.897 870 815
82 38 35
346 405 455
Erro acumulado (2 a 24)
Erro médio (2 a 24)
Desv. Pad. do erro (2 a 24)
Mês
α= 0,10 α= 0,50 α= 0,80
Previsão mês 25
MÉTODOS INTRÍSECOS – SUAVIZAÇÃO EXPONENCIAL SIMPLES
Consulte este exemplo em https://pcpengenharia.wordpress.com/previsao/
30Consulte este exemplo em https://pcpengenharia.wordpress.com/previsao/
MÉTODOS INTRÍSECOS – SUAVIZAÇÃO EXPONENCIAL SIMPLES
31
REFERÊNCIAS
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.

Mais conteúdo relacionado

Mais procurados

Aula de introdução a curva abc
Aula de introdução a curva abcAula de introdução a curva abc
Aula de introdução a curva abc
Moises Ribeiro
 
Logística historico,fundamentos e perspectivas- Professor Danilo Pires
Logística  historico,fundamentos e perspectivas- Professor Danilo PiresLogística  historico,fundamentos e perspectivas- Professor Danilo Pires
Logística historico,fundamentos e perspectivas- Professor Danilo Pires
Danilo Pires
 
Aula de controle de estoques
Aula de controle de estoquesAula de controle de estoques
Aula de controle de estoques
Moises Ribeiro
 
Aula 1 Administração da Produção - definições básicas
Aula 1   Administração da Produção - definições básicasAula 1   Administração da Produção - definições básicas
Aula 1 Administração da Produção - definições básicas
Correios
 

Mais procurados (20)

PCP
PCPPCP
PCP
 
Apresentação Armazenagem e Controle de Estoque
Apresentação Armazenagem e Controle de EstoqueApresentação Armazenagem e Controle de Estoque
Apresentação Armazenagem e Controle de Estoque
 
Aula de introdução a curva abc
Aula de introdução a curva abcAula de introdução a curva abc
Aula de introdução a curva abc
 
Logística historico,fundamentos e perspectivas- Professor Danilo Pires
Logística  historico,fundamentos e perspectivas- Professor Danilo PiresLogística  historico,fundamentos e perspectivas- Professor Danilo Pires
Logística historico,fundamentos e perspectivas- Professor Danilo Pires
 
Cadeia de suprimentos
Cadeia de suprimentosCadeia de suprimentos
Cadeia de suprimentos
 
Logística e distribuição
Logística e distribuiçãoLogística e distribuição
Logística e distribuição
 
Aula FUNDAMENTOS DA LOGISTICA
Aula FUNDAMENTOS DA LOGISTICAAula FUNDAMENTOS DA LOGISTICA
Aula FUNDAMENTOS DA LOGISTICA
 
Sistema de Produção Puxada
Sistema de Produção PuxadaSistema de Produção Puxada
Sistema de Produção Puxada
 
Aula de controle de estoques
Aula de controle de estoquesAula de controle de estoques
Aula de controle de estoques
 
Aula 1 Administração da Produção - definições básicas
Aula 1   Administração da Produção - definições básicasAula 1   Administração da Produção - definições básicas
Aula 1 Administração da Produção - definições básicas
 
Apresentação sobre Logística
Apresentação sobre LogísticaApresentação sobre Logística
Apresentação sobre Logística
 
Aula 1 - Planejamento e Controle da Produção II
Aula 1 - Planejamento e Controle da Produção IIAula 1 - Planejamento e Controle da Produção II
Aula 1 - Planejamento e Controle da Produção II
 
Aula21082020 ferramentas de estoque
Aula21082020 ferramentas de estoqueAula21082020 ferramentas de estoque
Aula21082020 ferramentas de estoque
 
Produção enxuta
Produção enxutaProdução enxuta
Produção enxuta
 
03 aula armazenagem
03 aula armazenagem03 aula armazenagem
03 aula armazenagem
 
Planejamento de Estoque
Planejamento de EstoquePlanejamento de Estoque
Planejamento de Estoque
 
Gestao estoques apresentação
Gestao estoques apresentaçãoGestao estoques apresentação
Gestao estoques apresentação
 
Cadeia de Suprimentos
Cadeia de SuprimentosCadeia de Suprimentos
Cadeia de Suprimentos
 
Armazenagem de Materiais
Armazenagem de MateriaisArmazenagem de Materiais
Armazenagem de Materiais
 
Logística de produção
Logística de produçãoLogística de produção
Logística de produção
 

Destaque

Previsão de demanda
Previsão de demandaPrevisão de demanda
Previsão de demanda
clilson
 
10 Gerenciamento da demanda e da capacidade
10 Gerenciamento da demanda e da capacidade10 Gerenciamento da demanda e da capacidade
10 Gerenciamento da demanda e da capacidade
Marcel Gois
 

Destaque (20)

Capacidade de produção
Capacidade de produçãoCapacidade de produção
Capacidade de produção
 
Processos de Produção
Processos de ProduçãoProcessos de Produção
Processos de Produção
 
MRP e JIT
MRP e JITMRP e JIT
MRP e JIT
 
Função Produção
Função ProduçãoFunção Produção
Função Produção
 
Estudo do método de trabalho
Estudo do método de trabalhoEstudo do método de trabalho
Estudo do método de trabalho
 
Gestão de estoques
Gestão de estoquesGestão de estoques
Gestão de estoques
 
Medição do trabalho
Medição do trabalhoMedição do trabalho
Medição do trabalho
 
Previsao de Demanda
Previsao de DemandaPrevisao de Demanda
Previsao de Demanda
 
Tecnicas de previsões v.4
Tecnicas de previsões v.4Tecnicas de previsões v.4
Tecnicas de previsões v.4
 
Gestão Demanda: Previsao Vendas
Gestão Demanda: Previsao VendasGestão Demanda: Previsao Vendas
Gestão Demanda: Previsao Vendas
 
Previsão de demanda
Previsão de demandaPrevisão de demanda
Previsão de demanda
 
1 slides - planejamento e controle da produção (pcp)
1   slides - planejamento e controle da produção (pcp)1   slides - planejamento e controle da produção (pcp)
1 slides - planejamento e controle da produção (pcp)
 
Programando a produção com o Preactor
Programando a produção com o PreactorProgramando a produção com o Preactor
Programando a produção com o Preactor
 
Plano mestre de produção
Plano mestre de produçãoPlano mestre de produção
Plano mestre de produção
 
Mrp & mps
Mrp & mpsMrp & mps
Mrp & mps
 
Carregamento, Sequenciamento e Programação da produção
Carregamento, Sequenciamento e Programação da produçãoCarregamento, Sequenciamento e Programação da produção
Carregamento, Sequenciamento e Programação da produção
 
Planejamento agregado
Planejamento agregadoPlanejamento agregado
Planejamento agregado
 
3 slides - planejamento mestre da produção (mps)
3   slides - planejamento mestre da produção (mps)3   slides - planejamento mestre da produção (mps)
3 slides - planejamento mestre da produção (mps)
 
10 Gerenciamento da demanda e da capacidade
10 Gerenciamento da demanda e da capacidade10 Gerenciamento da demanda e da capacidade
10 Gerenciamento da demanda e da capacidade
 
gestão de estoques
gestão de estoquesgestão de estoques
gestão de estoques
 

Semelhante a Previsão da Demanda I

U1S4 - PPCP e Técnicas de Previsão de Demanda.pdf
U1S4 - PPCP e Técnicas de Previsão de Demanda.pdfU1S4 - PPCP e Técnicas de Previsão de Demanda.pdf
U1S4 - PPCP e Técnicas de Previsão de Demanda.pdf
CelsoCiamponi1
 
U1S3 - PPCP e Previsão de Demanda.pdf
U1S3 - PPCP e Previsão de Demanda.pdfU1S3 - PPCP e Previsão de Demanda.pdf
U1S3 - PPCP e Previsão de Demanda.pdf
CelsoCiamponi1
 
Sixsigma
SixsigmaSixsigma
Sixsigma
lcbj
 
Pro2304 apexerc 01022008
Pro2304 apexerc 01022008Pro2304 apexerc 01022008
Pro2304 apexerc 01022008
Romildo Lisboa
 
Forecasting by smoothing techniques and data analysis (Part I) por Etéocles d...
Forecasting by smoothing techniques and data analysis (Part I) por Etéocles d...Forecasting by smoothing techniques and data analysis (Part I) por Etéocles d...
Forecasting by smoothing techniques and data analysis (Part I) por Etéocles d...
Joao Galdino Mello de Souza
 
MSA - Análise dos sistemas de medição
MSA - Análise dos sistemas de mediçãoMSA - Análise dos sistemas de medição
MSA - Análise dos sistemas de medição
Carlos Ernesto Natali
 
Apresentao ferramentas da_qualidade_sergio_franca
Apresentao ferramentas da_qualidade_sergio_francaApresentao ferramentas da_qualidade_sergio_franca
Apresentao ferramentas da_qualidade_sergio_franca
Fernanda Farias
 

Semelhante a Previsão da Demanda I (20)

U1S4 - PPCP e Técnicas de Previsão de Demanda.pdf
U1S4 - PPCP e Técnicas de Previsão de Demanda.pdfU1S4 - PPCP e Técnicas de Previsão de Demanda.pdf
U1S4 - PPCP e Técnicas de Previsão de Demanda.pdf
 
Tecnicas de Previsoes PPCP
Tecnicas de Previsoes PPCPTecnicas de Previsoes PPCP
Tecnicas de Previsoes PPCP
 
Planejamento e Controle da Produção_Aula2.ppt
Planejamento e Controle da Produção_Aula2.pptPlanejamento e Controle da Produção_Aula2.ppt
Planejamento e Controle da Produção_Aula2.ppt
 
Gestão da Qualidade Total
Gestão da Qualidade TotalGestão da Qualidade Total
Gestão da Qualidade Total
 
CEP.pptx
CEP.pptxCEP.pptx
CEP.pptx
 
Metricas forecasting
Metricas forecastingMetricas forecasting
Metricas forecasting
 
Artigo acadêmico: Técnicas de Previsão de Demanda
Artigo acadêmico: Técnicas de Previsão de DemandaArtigo acadêmico: Técnicas de Previsão de Demanda
Artigo acadêmico: Técnicas de Previsão de Demanda
 
Sumarização Estatística 1D
Sumarização Estatística 1DSumarização Estatística 1D
Sumarização Estatística 1D
 
U1S3 - PPCP e Previsão de Demanda.pdf
U1S3 - PPCP e Previsão de Demanda.pdfU1S3 - PPCP e Previsão de Demanda.pdf
U1S3 - PPCP e Previsão de Demanda.pdf
 
Sixsigma
SixsigmaSixsigma
Sixsigma
 
Metricas lean
Metricas leanMetricas lean
Metricas lean
 
Pro2304 apexerc 01022008
Pro2304 apexerc 01022008Pro2304 apexerc 01022008
Pro2304 apexerc 01022008
 
Aula de logística
Aula de logísticaAula de logística
Aula de logística
 
Administração da Produção - Previsão de Demanda
Administração da Produção - Previsão de DemandaAdministração da Produção - Previsão de Demanda
Administração da Produção - Previsão de Demanda
 
Forecasting by smoothing techniques and data analysis (Part I) por Etéocles d...
Forecasting by smoothing techniques and data analysis (Part I) por Etéocles d...Forecasting by smoothing techniques and data analysis (Part I) por Etéocles d...
Forecasting by smoothing techniques and data analysis (Part I) por Etéocles d...
 
MSA - Análise dos sistemas de medição
MSA - Análise dos sistemas de mediçãoMSA - Análise dos sistemas de medição
MSA - Análise dos sistemas de medição
 
Project complexity 3 - DESENVOLVENDO A CAPACIDADE DE PREVISÃO DE EVENTOS COMP...
Project complexity 3 - DESENVOLVENDO A CAPACIDADE DE PREVISÃO DE EVENTOS COMP...Project complexity 3 - DESENVOLVENDO A CAPACIDADE DE PREVISÃO DE EVENTOS COMP...
Project complexity 3 - DESENVOLVENDO A CAPACIDADE DE PREVISÃO DE EVENTOS COMP...
 
PO - aula 1.pptx
PO - aula 1.pptxPO - aula 1.pptx
PO - aula 1.pptx
 
Apresentao ferramentas da_qualidade_sergio_franca
Apresentao ferramentas da_qualidade_sergio_francaApresentao ferramentas da_qualidade_sergio_franca
Apresentao ferramentas da_qualidade_sergio_franca
 
Pmirs 2013 desconstruindo o mito da estimativas perfeita
Pmirs 2013 desconstruindo o mito da estimativas perfeitaPmirs 2013 desconstruindo o mito da estimativas perfeita
Pmirs 2013 desconstruindo o mito da estimativas perfeita
 

Último

SEG NR 18 - SEGURANÇA E SAÚDE O TRABALHO NA INDUSTRIA DA COSTRUÇÃO CIVIL.pptx
SEG NR 18 - SEGURANÇA E SAÚDE O TRABALHO NA INDUSTRIA DA COSTRUÇÃO CIVIL.pptxSEG NR 18 - SEGURANÇA E SAÚDE O TRABALHO NA INDUSTRIA DA COSTRUÇÃO CIVIL.pptx
SEG NR 18 - SEGURANÇA E SAÚDE O TRABALHO NA INDUSTRIA DA COSTRUÇÃO CIVIL.pptx
avaseg
 

Último (8)

Normas Técnicas para aparelho de solda oxi-acetileno.pdf
Normas Técnicas para aparelho de solda oxi-acetileno.pdfNormas Técnicas para aparelho de solda oxi-acetileno.pdf
Normas Técnicas para aparelho de solda oxi-acetileno.pdf
 
treinamento de moldagem por injeção plástica
treinamento de moldagem por injeção plásticatreinamento de moldagem por injeção plástica
treinamento de moldagem por injeção plástica
 
ST 2024 Apresentação Comercial - VF.ppsx
ST 2024 Apresentação Comercial - VF.ppsxST 2024 Apresentação Comercial - VF.ppsx
ST 2024 Apresentação Comercial - VF.ppsx
 
ATIVIDADE 1 - FSCE - FORMAÇÃO SOCIOCULTURAL E ÉTICA II - 52_2024.pdf
ATIVIDADE 1 - FSCE - FORMAÇÃO SOCIOCULTURAL E ÉTICA II - 52_2024.pdfATIVIDADE 1 - FSCE - FORMAÇÃO SOCIOCULTURAL E ÉTICA II - 52_2024.pdf
ATIVIDADE 1 - FSCE - FORMAÇÃO SOCIOCULTURAL E ÉTICA II - 52_2024.pdf
 
SEG NR 18 - SEGURANÇA E SAÚDE O TRABALHO NA INDUSTRIA DA COSTRUÇÃO CIVIL.pptx
SEG NR 18 - SEGURANÇA E SAÚDE O TRABALHO NA INDUSTRIA DA COSTRUÇÃO CIVIL.pptxSEG NR 18 - SEGURANÇA E SAÚDE O TRABALHO NA INDUSTRIA DA COSTRUÇÃO CIVIL.pptx
SEG NR 18 - SEGURANÇA E SAÚDE O TRABALHO NA INDUSTRIA DA COSTRUÇÃO CIVIL.pptx
 
CONCEITOS BÁSICOS DE CONFIABILIDADE COM EMBASAMENTO DE QUALIDADE
CONCEITOS BÁSICOS DE CONFIABILIDADE COM EMBASAMENTO DE QUALIDADECONCEITOS BÁSICOS DE CONFIABILIDADE COM EMBASAMENTO DE QUALIDADE
CONCEITOS BÁSICOS DE CONFIABILIDADE COM EMBASAMENTO DE QUALIDADE
 
apostila de eletricidade básica Werther serralheiro
apostila de eletricidade básica Werther serralheiroapostila de eletricidade básica Werther serralheiro
apostila de eletricidade básica Werther serralheiro
 
Planejamento e controle da Produção_Lustosa.pdf
Planejamento e controle da Produção_Lustosa.pdfPlanejamento e controle da Produção_Lustosa.pdf
Planejamento e controle da Produção_Lustosa.pdf
 

Previsão da Demanda I

  • 1. PREVISÃO DE DEMANDA Parte 1 Prof. Dr. Mauro Enrique Carozzo Todaro 1 Saiba mais em https://pcpengenharia.wordpress.com/previsao/
  • 2. O QUE É? PREVISÃO DE DEMANDA 2 “Processo metodológico para determinação de dados (demanda) futuros baseados em modelos estatísticos, matemáticos ou econométricos ou ainda em modelos subjetivos apoiados em uma metodologia de trabalho clara e previamente definida.” Martins e Laugeni (2006, P. 226)
  • 3. QUAL É O OBJETIVO? PREVISÃO DE DEMANDA • Reduzir a incerteza sobre o futuro; • Reduzir os riscos na tomada de decisão. 3
  • 4. POR QUE SÃO NECESSÁRIAS? PREVISÃO DE DEMANDA 4 • Porque existem demoras na provisão; • Servem como base para o planejamento estratégico da produção, vendas e finanças; • São fundamentais para os planos de capacidade, de fluxo de caixa, de vendas, de produção, de estoque, de mão de obra e de compras.
  • 5. CARACTERÍSTICAS PREVISÃO DE DEMANDA Diretamente relacionada com a satisfação do cliente e a rentabilidade no longo prazo. Quase todas as previsões se baseiam na suposição de que o passado irá se repetir. Previsões raramente são perfeitas e a precisão diminui com o aumento do período de tempo sondado. As previsões de demanda agregada são, normalmente, mais precisas que as individuais (menor aleatoriedade). 5
  • 6. ELEMENTOS PRESENTES EM UMA BOA PREVISÃO PREVISÃO DE DEMANDA 6 O horizonte de previsão precisa cobrir o tempo necessário à implementação das possíveis mudanças. Previsões eficazes requerem uma base de dados de demanda precisa. Registrar a demanda (não vendas) em tempo real, não depois. Devem-se detectar demandas irregulares.
  • 7. PREVISÃO DE DEMANDA • Média, intervalo e estimação de probabilidade do intervalo. Ex: 100 (+/-) 20, com uma probabilidade de 95% • Intervalo de confiança = F ± z. SDE Onde: F: Previsão para o período t z: Número de desvio padrão correspondente a área sob a curva normal. z = 1,64 (confiança de 90%), z = 1,96 (95%) e z = 3,0 (99,7%). SDE: Desvio padrão do erro. 7 DEVE SER EXATA ELEMENTOS PRESENTES EM UMA BOA PREVISÃO
  • 8. COMO SÃO USADAS PELO PCP? PREVISÃO DE DEMANDA 8 Planejar o uso do sistema produtivo – MPS e Programação Previsões detalhada a médio e curto prazo. Utilização dos recursos disponíveis. Definição da produção, reposição de estoque, sequenciamento, etc. Planejar o sistema produtivo – Planejamento Estratégico Previsões agregadas a longo prazo. Define a família de produtos e serviços. Define instalações, equipamentos, mão de obra, etc.
  • 9. HORIZONTES DE PREVISÃO PREVISÃO DE DEMANDA • Curto - 1 a 3 meses, por semanas ou meses; • Médio - 3 meses a 2 anos, por meses ou trimestres; • Longo - 2 a 10 anos, por trimestres ou anos. Obs.: Quanto maior for o horizonte pretendido, menor a confiabilidade da demanda prevista. 9
  • 10. ETAPAS DE UM MODELO DE PREVISÃO PREVISÃO DE DEMANDA 10 Objetivo do modelo Coleta e análise de dados Seleção da técnica de previsão Obtenção das previsões Monitoração do modelo
  • 12. MÉTODOS DE PREVISÃO PREVISÃO DE DEMANDA • Baseados na análise de séries de tempo*; • Modelam o padrão do passado para projetá-lo no futuro; • Horizonte: Médio e curto prazo. *Série de tempo: Sucessão de observações de uma mesma variável em intervalos regulares de tempo. 12 QUANTITATIVOS INTRÍNSECOS
  • 13. MÉTODOS DE PREVISÃO PREVISÃO DE DEMANDA Exemplos: • Médias móveis; • Ajustamento exponencial; • Decomposição; • Crescimento linear e não linear; • Entre outros. 13 QUANTITATIVOS INTRÍNSECOS
  • 14. MÉTODOS DE PREVISÃO PREVISÃO DE DEMANDA • Para demanda agregada e desagregada; • Os modelos de previsão pode conter tendência, sazonalidade, autocorrelação, entre outros; • Objetividade (erro médio, desvio padrão, etc.); • Baixo custo; • Pode ser repetido muitas vezes; • Não prevê mudanças futuras. 14 QUANTITATIVOS INTRÍNSECOS
  • 15. MÉTODOS DE PREVISÃO PREVISÃO DE DEMANDA • Modelos causais (explicativos ou econométricos); • Horizonte: Longo prazo; • Modelam a relação entre a demanda e outras variáveis (variáveis independentes) para projetar o futuro. 15 QUANTITATIVOS EXTRÍNSECOS
  • 16. MÉTODOS DE PREVISÃO PREVISÃO DE DEMANDA • Regressão simples, múltipla, linear e não linear; • Para demandas agregadas, dado que são muito custosos; • Grandes corporações; • Mais complexos que os intrínsecos (requerem previsão de variáveis externas). 16 QUANTITATIVOS EXTRÍNSECOS
  • 17. MÉTODOS DE PREVISÃO PREVISÃO DE DEMANDA Baseados em juízos e opiniões: • Método Delphi; • Pesquisa de Mercados; • Painéis de Expertos. 17 QUALITATIVOS
  • 18. MÉTODOS DE PREVISÃO PREVISÃO DE DEMANDA São úteis: • Quando não existem dados históricos suficientes (novos produtos); • Em previsões de longo prazo, quando não se pode supor que o passado irá se repetir; • Para ajustar valores obtidos por métodos quantitativos. 18 QUALITATIVOS
  • 19. EXEMPLOS DE SÉRIES TEMPORAIS PREVISÃO DE DEMANDA – MÉTODOS INTRÍSECOS 19 0 20 40 60 80 100 120 1 6 11 16 21 26 31 36 41 Aleatoriedade 0 50 100 150 1 6 11 16 21 26 31 36 41 Autocorrelação 0 200 400 600 800 1 6 11 16 21 26 31 36 41 Tendência
  • 20. EXEMPLOS DE SÉRIES TEMPORAIS PREVISÃO DE DEMANDA – MÉTODOS INTRÍSECOS 20 0 50 100 150 200 250 1 6 11 16 21 26 31 36 41 Sazonalidade 0 200 400 600 800 1 6 11 16 21 26 31 36 41 Tendência e Sazonalidade
  • 21. PREVISÃO DE DEMANDA – MÉTODOS INTRÍSECOS 21 0 200 400 600 800 1 6 11 16 21 26 31 36 41 Série obsevada
  • 22. REVISÃO DA PREVISÃO • Período a período - horizonte deslizante. Ex: Se preveem 12 meses, cada mês que passa, volto a prever outros 12 meses (revisou os 11 que tinha previsto e acrescento 1) • Na revisão se modificam previsões realizadas e se acrescenta um período novo. 22 PREVISÃO DE DEMANDA – MÉTODOS INTRÍSECOS
  • 23. ERRO DE PREVISÃO A determinação do erro de previsão é fundamental para: • Determinar a efetividade do método; • Comparar métodos. Erro de previsão: et = Yt – Ft Erro médio: ē = Um bom modelo de previsão tem erro médio próximo de zero. 23    N 1t tt N 1t t )F(Y N 1 e N 1 Onde: Yt: Demanda real observada no período t Ft: Previsão para o período t N: Quantidade de períodos observados PREVISÃO DE DEMANDA – MÉTODOS INTRÍSECOS
  • 24. ERRO DE PREVISÃO Desvio padrão do erro: Um bom modelo de previsão minimiza o desvio padrão dos erros (reduz estoque). 24 1 1 2 )(      N SDE N t t ee PREVISÃO DE DEMANDA – MÉTODOS INTRÍSECOS
  • 25. MÉDIA MÓVEIS SIMPLES (MMS) • Previsão com médias móveis: • Usar n grande para séries muito aleatórias; • Usar n pequeno para autocorrelação (n pequeno suaviza o padrão); • Não modela tendência, nem sazonalidade; • Otimização de n: minimizar o SDE considerando N períodos históricos. Obs.: Com n = 1, a previsão é igual ao mês anterior. 25 n YYY F nttt t    ...21 MÉTODOS INTRÍSECOS
  • 26. 26 MÉTODOS INTRÍSECOS – MÉDIA MÓVEIS SIMPLES Per Dem. Hist. t Yt Ft et Ft et Ft et 1 Jan 3.256 2 Fev 3.315 3 Mar 3.006 4 Abr 3.560 3.192 368 5 Mai 3.300 3.294 6 6 Jun 3.051 3.289 238- 7 Jul 3.425 3.304 121 3.248 177 8 Ago 3.703 3.259 444 3.276 427 9 Set 3.240 3.393 153- 3.341 101- 10 Out 3.231 3.456 225- 3.380 149- 11 Nov 2.887 3.391 504- 3.325 438- 12 Dez 3.918 3.119 799 3.256 662 13 Jan 3.271 3.345 74- 3.401 130- 3.324 53- 14 Fev 3.073 3.359 286- 3.375 302- 3.326 253- 15 Mar 3.396 3.421 25- 3.270 126 3.305 91 16 Abr 3.036 3.247 211- 3.296 260- 3.338 302- 17 Mai 3.196 3.168 28 3.264 68- 3.294 98- 18 Jun 4.106 3.209 897 3.315 791 3.286 820 19 Jul 3.449 3.446 3 3.346 103 3.374 76 20 Ago 3.913 3.584 329 3.376 537 3.376 538 21 Set 3.324 3.823 499- 3.516 192- 3.393 69- 22 Out 3.277 3.562 285- 3.504 227- 3.400 123- 23 Nov 3.204 3.505 301- 3.544 340- 3.404 200- 24 Dez 4.079 3.268 811 3.546 534 3.430 649 3.520 3.541 3.444 388 572 1.075 32 48 90 438 379 373Desv. Pad. do erro (13 a 24) Erro acumulado (13 a 24) Mês Per 3 Per 6 Per 12 Previsão mês 25 Erro médio ( 13 a 24) Consulte este exemplo em https://pcpengenharia.wordpress.com/previsao/
  • 27. 27Consulte o gráfico em https://pcpengenharia.wordpress.com/previsao/ MÉTODOS INTRÍSECOS – MÉDIA MÓVEIS SIMPLES
  • 28. SUAVIZAÇÃO EXPONENCIAL SIMPLES* • Previsão: Obs.: Onde , e como valor inicial se considera F1 = Y1. • É um dos métodos mais utilizados; • Usar α alto para séries muito suaves, α baixo para séries muito aleatórias; • Com α alto reage mais rápido à tendência, mas também às flutuações aleatórias; • Não modela tendência nem sazonalidade; • Otimização de α : minimizar o SDE considerando N períodos históricos. Obs.: o método necessita só os dados do período anterior, mas implicitamente estão todos. * Também denominado Ajustamento ou Amortecimento Exponencial Simples. 28 10      11111 1   tttttt FYFYFF  MÉTODOS INTRÍSECOS
  • 29. 29 Per Dem. Hist. t Yt Ft et Ft et Ft et 1 Jan 3.256 2 Fev 3.315 3.256 59 3.256 59 3.256 59 3 Mar 3.006 3.262 256- 3.286 280- 3.303 297- 4 Abr 3.560 3.236 324 3.146 414 3.065 495 5 Mai 3.300 3.269 31 3.353 53- 3.461 161- 6 Jun 3.051 3.272 221- 3.326 275- 3.332 281- 7 Jul 3.425 3.250 175 3.189 236 3.107 318 8 Ago 3.703 3.267 436 3.307 396 3.361 342 9 Set 3.240 3.311 71- 3.505 265- 3.635 395- 10 Out 3.231 3.304 73- 3.372 141- 3.319 88- 11 Nov 2.887 3.296 409- 3.302 415- 3.249 362- 12 Dez 3.918 3.256 662 3.094 824 2.959 959 13 Jan 3.271 3.322 51- 3.506 235- 3.726 455- 14 Fev 3.073 3.317 244- 3.389 316- 3.362 289- 15 Mar 3.396 3.292 104 3.231 165 3.131 265 16 Abr 3.036 3.303 267- 3.313 277- 3.343 307- 17 Mai 3.196 3.276 80- 3.175 21 3.097 99 18 Jun 4.106 3.268 838 3.185 921 3.176 930 19 Jul 3.449 3.352 97 3.646 197- 3.920 471- 20 Ago 3.913 3.362 551 3.547 366 3.543 370 21 Set 3.324 3.417 93- 3.730 406- 3.839 515- 22 Out 3.277 3.407 130- 3.527 250- 3.427 150- 23 Nov 3.204 3.394 190- 3.402 198- 3.307 103- 24 Dez 4.079 3.375 704 3.303 776 3.225 854 3.446 3.691 3.908 1.897 870 815 82 38 35 346 405 455 Erro acumulado (2 a 24) Erro médio (2 a 24) Desv. Pad. do erro (2 a 24) Mês α= 0,10 α= 0,50 α= 0,80 Previsão mês 25 MÉTODOS INTRÍSECOS – SUAVIZAÇÃO EXPONENCIAL SIMPLES Consulte este exemplo em https://pcpengenharia.wordpress.com/previsao/
  • 30. 30Consulte este exemplo em https://pcpengenharia.wordpress.com/previsao/ MÉTODOS INTRÍSECOS – SUAVIZAÇÃO EXPONENCIAL SIMPLES
  • 31. 31 REFERÊNCIAS 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.