O documento discute previsão de demanda, definindo-a como um processo para determinar dados futuros baseados em modelos estatísticos ou econométricos. Ele explica que as previsões são necessárias para planejamento e redução de incertezas, e descreve métodos quantitativos e qualitativos para previsão, incluindo séries temporais, regressão e painéis de especialistas.
Palestra ministrada por Dora Machado em 12/09/2013 na FAAP em SP. Objetivo da palestra: O que é a Curva ABC e como é sua aplicação na Cadeia de Suprimentos e nas políticas de estoque
- Origem da Curva ABC
- Uso na Cadeia de Suprimentos e áreas integradas (planejamento, estoques, vendas, compras, produção e finanças)
- Políticas de estoque
- Como calcular tudo isto e surpreender sua empresa com redução de custos
Tipos de processos de manufatura
Características dos processos de manufatura
Relação entre processos de manufatura e arranjos físicos
Ambientes de manufatura
Revolução na manufatura
Tipos de processos em operações de serviços
Matriz produto/processo
Num ambiente competitivo em que vivemos atuamente,as empresas estão investindo maciçamente em um planejamento de Gestão de sua Cadeia de Suprimentos como ferramenta diferenciada.Vale a pena conferi e postar um comentario de sua opinião,participe!
Este conteúdo faz parte do material de apoio desenvolvido, disponibilizado e usado pelo professor Osmani Santos na disciplina de Logística do curso de Administração da Universidade Católica de Petrópolis.
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
Palestra ministrada por Dora Machado em 12/09/2013 na FAAP em SP. Objetivo da palestra: O que é a Curva ABC e como é sua aplicação na Cadeia de Suprimentos e nas políticas de estoque
- Origem da Curva ABC
- Uso na Cadeia de Suprimentos e áreas integradas (planejamento, estoques, vendas, compras, produção e finanças)
- Políticas de estoque
- Como calcular tudo isto e surpreender sua empresa com redução de custos
Tipos de processos de manufatura
Características dos processos de manufatura
Relação entre processos de manufatura e arranjos físicos
Ambientes de manufatura
Revolução na manufatura
Tipos de processos em operações de serviços
Matriz produto/processo
Num ambiente competitivo em que vivemos atuamente,as empresas estão investindo maciçamente em um planejamento de Gestão de sua Cadeia de Suprimentos como ferramenta diferenciada.Vale a pena conferi e postar um comentario de sua opinião,participe!
Este conteúdo faz parte do material de apoio desenvolvido, disponibilizado e usado pelo professor Osmani Santos na disciplina de Logística do curso de Administração da Universidade Católica de Petrópolis.
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
Conceito
Funções centrais e de apoio
Papel e contribuições da função produção
Objetivos da função produção
Sistema produtivo
Produtividade
Competitividade
Slide feito para aula-tema do COMPONENTE CURRICULAR de Gestão de Demanda :processos e sistemas de previsão de vendas, da Area de Administração-Logistica.
Slides referentes a apresentação cujo tema principal era o surgimento e o desenvolvimento da Gestão da Qualidade Total dentro das organizações.
Realizado pelos alunos da FATEC Tatuí sob orientação da Professora Ms. Isabel Cristina Abud.
Terceiro capitulo da série de Gestão de projetos complexos orientados a resultado. Este capitulo aborda como ajustar as técnicas de previsão para obter mais informações que melhoram a gestão de projetos complexos ou reduzem as incertezas
AE02 - ESTUDO CONTEMPORÂNEO E TRANSVERSAL COMUNICAÇÃO ASSERTIVA E INTERPESSOA...Consultoria Acadêmica
A interação face a face acontece em um contexto de copresença: os participantes estão imediatamente
presentes e partilham um mesmo espaço e tempo. As interações face a face têm um caráter dialógico, no
sentido de que implicam ida e volta no fluxo de informação e comunicação. Além disso, os participantes
podem empregar uma multiplicidade de deixas simbólicas para transmitir mensagens, como sorrisos,
franzimento de sobrancelhas e mudanças na entonação da voz. Esse tipo de interação permite que os
participantes comparem a mensagem que foi passada com as várias deixas simbólicas para melhorar a
compreensão da mensagem.
Fonte: Krieser, Deise Stolf. Estudo Contemporâneo e Transversal - Comunicação Assertiva e Interpessoal.
Indaial, SC: Arqué, 2023.
Considerando as características da interação face a face descritas no texto, analise as seguintes afirmações:
I. A interação face a face ocorre em um contexto de copresença, no qual os participantes compartilham o
mesmo espaço e tempo, o que facilita a comunicação direta e imediata.
II. As interações face a face são predominantemente unidirecionais, com uma única pessoa transmitindo
informações e a outra apenas recebendo, sem um fluxo de comunicação bidirecional.
III. Durante as interações face a face, os participantes podem utilizar uma variedade de sinais simbólicos,
como expressões faciais e mudanças na entonação da voz, para transmitir mensagens e melhorar a
compreensão mútua.
É correto o que se afirma em:
ALTERNATIVAS
I, apenas.
III, apenas.
I e III, apenas.
II e III, apenas.
I, II e III.
Entre em contato conosco
54 99956-3050
Experiência da EDP na monitorização de vibrações de grupos hídricosCarlosAroeira1
Apresentaçao sobre a experiencia da EDP na
monitorização de grupos geradores hídricos apresentada pelo Eng. Ludovico Morais durante a Reunião do Vibration Institute realizada em Lisboa no dia 24 de maio de 2024
Proteco Q60A
Placa de controlo Proteco Q60A para motor de Braços / Batente
A Proteco Q60A é uma avançada placa de controlo projetada para portões com 1 ou 2 folhas de batente. Com uma programação intuitiva via display, esta central oferece uma gama abrangente de funcionalidades para garantir o desempenho ideal do seu portão.
Compatível com vários motores
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
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.