SlideShare uma empresa Scribd logo
PREVISÃO DE DEMANDA
Parte 2
Prof. Dr. Mauro Enrique Carozzo Todaro
1
Saiba mais em https://pcpengenharia.wordpress.com/previsao/
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
PREVISÃO DE TENDÊNCIAS
3
OS COEFICIENTES DETERMINAM-SE PELO MÉTODO DOS MÍNIMOS QUADRADOS.
PREVISÃO DE TENDÊNCIAS
4
OS COEFICIENTES DETERMINAM-SE PELO MÉTODO DOS MÍNIMOS QUADRADOS.
PREVISÃO DE TENDÊNCIAS
5
OS COEFICIENTES DETERMINAM-SE PELO MÉTODO DOS MÍNIMOS QUADRADOS.
PREVISÃO DE TENDÊNCIAS
6
OS COEFICIENTES DETERMINAM-SE PELO MÉTODO DOS MÍNIMOS QUADRADOS.
PREVISÃO DE TENDÊNCIAS
7
t
t
t eY
e
2
1
0
1





t
t
t eeY e 10
2


Gompertz:
Logística:
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
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
• 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
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
MODELOS SUAVIZADOS
Consulte este exemplo em https://pcpengenharia.wordpress.com/previsao/
• 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
• 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
• 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
• 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
• 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
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
MODELOS SUAVIZADOS
Consulte este exemplo em https://pcpengenharia.wordpress.com/previsao/
• 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
• 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
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
• 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
• 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
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
MODELOS DE DECOMPOSIÇÃO
Consulte este exemplo em https://pcpengenharia.wordpress.com/previsao/
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
• 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
• 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)
• 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
• 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
• 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
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
• 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
• 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
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



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
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

Mais conteúdo relacionado

Mais procurados

Planejamento e Controle da Produção
Planejamento e Controle da Produção Planejamento e Controle da Produção
Planejamento e Controle da Produção
Geovana Pires Lima
 
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
 
Processos de Produção
Processos de ProduçãoProcessos de Produção
Processos de Produção
Mauro Enrique
 
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
Unidade Acedêmica de Engenharia de Produção
 
Gestao estoques apresentação
Gestao estoques apresentaçãoGestao estoques apresentação
Gestao estoques apresentação
Charles Rebouças
 
Gestao de suprimentos_(slide)
Gestao de suprimentos_(slide)Gestao de suprimentos_(slide)
Gestao de suprimentos_(slide)
Antonio Bacelar
 
Produtividade e Qualidade
Produtividade e QualidadeProdutividade e Qualidade
Produtividade e Qualidade
Fernanda Paola Butarelli
 
Gestão da Cadeia de Suprimentos
Gestão da Cadeia de SuprimentosGestão da Cadeia de Suprimentos
Gestão da Cadeia de Suprimentos
Gerisval Pessoa
 
Engenharia De MéTodos Conceitos
Engenharia De MéTodos ConceitosEngenharia De MéTodos Conceitos
Engenharia De MéTodos Conceitos
Alexandre Bonifacio Silva
 
Gerenciamento de-projetos-exercicios-resolvidos-estudo-de-casos-e-simulacoes
Gerenciamento de-projetos-exercicios-resolvidos-estudo-de-casos-e-simulacoesGerenciamento de-projetos-exercicios-resolvidos-estudo-de-casos-e-simulacoes
Gerenciamento de-projetos-exercicios-resolvidos-estudo-de-casos-e-simulacoes
Jucioliver
 
Logística empresarial
Logística empresarialLogística empresarial
Logística empresarial
Cristiano Ferreira Cesarino
 
Aula 2 - Planejamento e Controle da Produção II
Aula 2 - Planejamento e Controle da Produção IIAula 2 - Planejamento e Controle da Produção II
Aula 2 - Planejamento e Controle da Produção II
Unidade Acedêmica de Engenharia de Produção
 
Gestão de estoques
Gestão de estoquesGestão de estoques
Gestão de estoques
Mauro Enrique
 
Arranjos Físico
 Arranjos Físico Arranjos Físico
Arranjos Físico
Mário Lucas
 
Gestão da produção
Gestão da produçãoGestão da produção
Gestão da produção
Luiz Carlos Oliveira
 
MRP na prática - gerenciamento da produção
MRP na prática - gerenciamento da produção MRP na prática - gerenciamento da produção
MRP na prática - gerenciamento da produção
Nara Oliveira
 
Aula Gestão da Produção e Logística: Arranjo Físico
Aula Gestão da Produção e Logística: Arranjo FísicoAula Gestão da Produção e Logística: Arranjo Físico
Aula Gestão da Produção e Logística: Arranjo Físico
Wilian Gatti Jr
 
81 slids planejamento e projeto do processo logístico 02 jul 2013
81 slids  planejamento e  projeto do processo  logístico  02 jul 201381 slids  planejamento e  projeto do processo  logístico  02 jul 2013
81 slids planejamento e projeto do processo logístico 02 jul 2013
delano chaves gurgel do amaral
 
Supply chain laranja
Supply chain   laranjaSupply chain   laranja
Supply chain laranja
Melquizedeque Resende Coelho
 
Just in time (jit)
Just in time (jit)Just in time (jit)
Just in time (jit)
Robson Costa
 

Mais procurados (20)

Planejamento e Controle da Produção
Planejamento e Controle da Produção Planejamento e Controle da Produção
Planejamento e Controle da Produção
 
Aula de introdução a curva abc
Aula de introdução a curva abcAula de introdução a curva abc
Aula de introdução a curva abc
 
Processos de Produção
Processos de ProduçãoProcessos de Produção
Processos de Produção
 
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
 
Gestao estoques apresentação
Gestao estoques apresentaçãoGestao estoques apresentação
Gestao estoques apresentação
 
Gestao de suprimentos_(slide)
Gestao de suprimentos_(slide)Gestao de suprimentos_(slide)
Gestao de suprimentos_(slide)
 
Produtividade e Qualidade
Produtividade e QualidadeProdutividade e Qualidade
Produtividade e Qualidade
 
Gestão da Cadeia de Suprimentos
Gestão da Cadeia de SuprimentosGestão da Cadeia de Suprimentos
Gestão da Cadeia de Suprimentos
 
Engenharia De MéTodos Conceitos
Engenharia De MéTodos ConceitosEngenharia De MéTodos Conceitos
Engenharia De MéTodos Conceitos
 
Gerenciamento de-projetos-exercicios-resolvidos-estudo-de-casos-e-simulacoes
Gerenciamento de-projetos-exercicios-resolvidos-estudo-de-casos-e-simulacoesGerenciamento de-projetos-exercicios-resolvidos-estudo-de-casos-e-simulacoes
Gerenciamento de-projetos-exercicios-resolvidos-estudo-de-casos-e-simulacoes
 
Logística empresarial
Logística empresarialLogística empresarial
Logística empresarial
 
Aula 2 - Planejamento e Controle da Produção II
Aula 2 - Planejamento e Controle da Produção IIAula 2 - Planejamento e Controle da Produção II
Aula 2 - Planejamento e Controle da Produção II
 
Gestão de estoques
Gestão de estoquesGestão de estoques
Gestão de estoques
 
Arranjos Físico
 Arranjos Físico Arranjos Físico
Arranjos Físico
 
Gestão da produção
Gestão da produçãoGestão da produção
Gestão da produção
 
MRP na prática - gerenciamento da produção
MRP na prática - gerenciamento da produção MRP na prática - gerenciamento da produção
MRP na prática - gerenciamento da produção
 
Aula Gestão da Produção e Logística: Arranjo Físico
Aula Gestão da Produção e Logística: Arranjo FísicoAula Gestão da Produção e Logística: Arranjo Físico
Aula Gestão da Produção e Logística: Arranjo Físico
 
81 slids planejamento e projeto do processo logístico 02 jul 2013
81 slids  planejamento e  projeto do processo  logístico  02 jul 201381 slids  planejamento e  projeto do processo  logístico  02 jul 2013
81 slids planejamento e projeto do processo logístico 02 jul 2013
 
Supply chain laranja
Supply chain   laranjaSupply chain   laranja
Supply chain laranja
 
Just in time (jit)
Just in time (jit)Just in time (jit)
Just in time (jit)
 

Destaque

Sistema de Planejamento e Controle da Produção - PCP
Sistema de Planejamento e Controle da Produção - PCPSistema de Planejamento e Controle da Produção - PCP
Sistema de Planejamento e Controle da Produção - PCP
Mauro Enrique
 
Capacidade de produção
Capacidade de produçãoCapacidade de produção
Capacidade de produção
Mauro Enrique
 
Função Produção
Função ProduçãoFunção Produção
Função Produção
Mauro Enrique
 
MRP e JIT
MRP e JITMRP e JIT
MRP e JIT
Mauro Enrique
 
Estudo do método de trabalho
Estudo do método de trabalhoEstudo do método de trabalho
Estudo do método de trabalho
Mauro Enrique
 
Medição do trabalho
Medição do trabalhoMedição do trabalho
Medição do trabalho
Mauro Enrique
 
Previsao de Demanda
Previsao de DemandaPrevisao de Demanda
Previsao de Demanda
Pedro Alexandre Cabral
 
Gestão Demanda: Previsao Vendas
Gestão Demanda: Previsao VendasGestão Demanda: Previsao Vendas
Gestão Demanda: Previsao Vendas
Unipinhal
 
PCP
PCPPCP
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)
Caio Roberto de Souza Filho
 
Previsão de demanda
Previsão de demandaPrevisão de demanda
Previsão de demanda
clilson
 
Programando a produção com o Preactor
Programando a produção com o PreactorProgramando a produção com o Preactor
Programando a produção com o Preactor
Mauro Enrique
 
Plano mestre de produção
Plano mestre de produçãoPlano mestre de produção
Plano mestre de produção
Liliane Farias
 
Mrp & mps
Mrp & mpsMrp & mps
Carregamento, Sequenciamento e Programação da produção
Carregamento, Sequenciamento e Programação da produçãoCarregamento, Sequenciamento e Programação da produção
Carregamento, Sequenciamento e Programação da produção
Mauro Enrique
 
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)
Caio Roberto de Souza Filho
 
Previsão de vendas e demanda
Previsão de vendas e demandaPrevisão de vendas e demanda
Previsão de vendas e demanda
Robson Costa
 
Aula 1 - Sistemas de Produção
Aula 1 - Sistemas de ProduçãoAula 1 - Sistemas de Produção
Aula 1 - Sistemas de Produção
Unidade Acedêmica de Engenharia de Produção
 
Sistema de produção
Sistema de produçãoSistema de produção
Sistema de produção
Luís Carlos Braz
 
Previsao de Vendas
Previsao de VendasPrevisao de Vendas
Previsao de Vendas
Euler Nogueira
 

Destaque (20)

Sistema de Planejamento e Controle da Produção - PCP
Sistema de Planejamento e Controle da Produção - PCPSistema de Planejamento e Controle da Produção - PCP
Sistema de Planejamento e Controle da Produção - PCP
 
Capacidade de produção
Capacidade de produçãoCapacidade de produção
Capacidade de produção
 
Função Produção
Função ProduçãoFunção Produção
Função Produção
 
MRP e JIT
MRP e JITMRP e JIT
MRP e JIT
 
Estudo do método de trabalho
Estudo do método de trabalhoEstudo do método de trabalho
Estudo do método de trabalho
 
Medição do trabalho
Medição do trabalhoMedição do trabalho
Medição do trabalho
 
Previsao de Demanda
Previsao de DemandaPrevisao de Demanda
Previsao de Demanda
 
Gestão Demanda: Previsao Vendas
Gestão Demanda: Previsao VendasGestão Demanda: Previsao Vendas
Gestão Demanda: Previsao Vendas
 
PCP
PCPPCP
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)
1 slides - planejamento e controle da produção (pcp)
 
Previsão de demanda
Previsão de demandaPrevisão de demanda
Previsão de demanda
 
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
 
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)
 
Previsão de vendas e demanda
Previsão de vendas e demandaPrevisão de vendas e demanda
Previsão de vendas e demanda
 
Aula 1 - Sistemas de Produção
Aula 1 - Sistemas de ProduçãoAula 1 - Sistemas de Produção
Aula 1 - Sistemas de Produção
 
Sistema de produção
Sistema de produçãoSistema de produção
Sistema de produção
 
Previsao de Vendas
Previsao de VendasPrevisao de Vendas
Previsao de Vendas
 

Semelhante a Previsão da Demanda II

Aula 02 - Análise de dados e probabilidade.pptx
Aula 02 - Análise de dados e probabilidade.pptxAula 02 - Análise de dados e probabilidade.pptx
Aula 02 - Análise de dados e probabilidade.pptx
Joel Júnior
 
Apostila de Hidrologia (Profa. Ticiana Studart) - Capítulo 9: Previsão de Enc...
Apostila de Hidrologia (Profa. Ticiana Studart) - Capítulo 9: Previsão de Enc...Apostila de Hidrologia (Profa. Ticiana Studart) - Capítulo 9: Previsão de Enc...
Apostila de Hidrologia (Profa. Ticiana Studart) - Capítulo 9: Previsão de Enc...
Danilo Max
 
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
 
CEP.pptx
CEP.pptxCEP.pptx
Aula pb 10_resumo
Aula pb 10_resumoAula pb 10_resumo
Aula pb 10_resumo
Material Antigo
 
Econometria endogeneidade
Econometria   endogeneidadeEconometria   endogeneidade
Econometria endogeneidade
Lauro Cesar Nogueira
 
Topicos de econometria de séries temporais 2020_1
Topicos de econometria de séries temporais 2020_1 Topicos de econometria de séries temporais 2020_1
Topicos de econometria de séries temporais 2020_1
Adriano Figueiredo
 
Topicos de econometria de séries temporais 2020_1
Topicos de econometria de séries temporais 2020_1 Topicos de econometria de séries temporais 2020_1
Topicos de econometria de séries temporais 2020_1
Adriano Figueiredo
 
1a Aula - Previsão da Demanda.pdf
1a Aula - Previsão da Demanda.pdf1a Aula - Previsão da Demanda.pdf
1a Aula - Previsão da Demanda.pdf
ProfJlioCzarIacia
 
Topicos de econometria de séries temporais 2020_1
Topicos de econometria de séries temporais 2020_1Topicos de econometria de séries temporais 2020_1
Topicos de econometria de séries temporais 2020_1
Adriano Figueiredo
 
VIV em cilindros com baixarazão de aspecto e pequena razão de massa
VIV em cilindros com baixarazão de aspecto e pequena razão de massaVIV em cilindros com baixarazão de aspecto e pequena razão de massa
VIV em cilindros com baixarazão de aspecto e pequena razão de massa
Rodolfo Gonçalves
 
Tutorial sobre Ajuste de Controladores PID
Tutorial sobre Ajuste de Controladores PIDTutorial sobre Ajuste de Controladores PID
Tutorial sobre Ajuste de Controladores PID
Fernando Passold
 
Cadeira_Econometria_2.pdf
Cadeira_Econometria_2.pdfCadeira_Econometria_2.pdf
Cadeira_Econometria_2.pdf
Renan Oliveira Regis
 
Alocação de Diferentes Tecnologias de Geração Distribuída via Análise modal
Alocação de Diferentes Tecnologias de Geração Distribuída via Análise modalAlocação de Diferentes Tecnologias de Geração Distribuída via Análise modal
Alocação de Diferentes Tecnologias de Geração Distribuída via Análise modal
Universidade Federal do Pará - UFPA - Oficial
 
Cap-2-Caracteristicas Estaticas e Dinamicas.ppt
Cap-2-Caracteristicas Estaticas e Dinamicas.pptCap-2-Caracteristicas Estaticas e Dinamicas.ppt
Cap-2-Caracteristicas Estaticas e Dinamicas.ppt
GleydsonDemonier
 
Analise exploratório de dados
Analise exploratório de dadosAnalise exploratório de dados
Analise exploratório de dados
Jefferson Pero Ormonde
 
Aula pb 9_resumo
Aula pb 9_resumoAula pb 9_resumo
Aula pb 9_resumo
Material Antigo
 
Aplicabilidade de Métricas de Mobilidade em Redes ad hoc Móveis
Aplicabilidade de Métricas de Mobilidade em Redes ad hoc MóveisAplicabilidade de Métricas de Mobilidade em Redes ad hoc Móveis
Aplicabilidade de Métricas de Mobilidade em Redes ad hoc Móveis
Elmano Cavalcanti
 
Pro2304 apexerc 01022008
Pro2304 apexerc 01022008Pro2304 apexerc 01022008
Pro2304 apexerc 01022008
Romildo Lisboa
 
Diagnósticos do Modelo Clássico de Regressão Linear
Diagnósticos do Modelo Clássico de Regressão LinearDiagnósticos do Modelo Clássico de Regressão Linear
Diagnósticos do Modelo Clássico de Regressão Linear
Felipe Pontes
 

Semelhante a Previsão da Demanda II (20)

Aula 02 - Análise de dados e probabilidade.pptx
Aula 02 - Análise de dados e probabilidade.pptxAula 02 - Análise de dados e probabilidade.pptx
Aula 02 - Análise de dados e probabilidade.pptx
 
Apostila de Hidrologia (Profa. Ticiana Studart) - Capítulo 9: Previsão de Enc...
Apostila de Hidrologia (Profa. Ticiana Studart) - Capítulo 9: Previsão de Enc...Apostila de Hidrologia (Profa. Ticiana Studart) - Capítulo 9: Previsão de Enc...
Apostila de Hidrologia (Profa. Ticiana Studart) - Capítulo 9: Previsão de Enc...
 
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
 
CEP.pptx
CEP.pptxCEP.pptx
CEP.pptx
 
Aula pb 10_resumo
Aula pb 10_resumoAula pb 10_resumo
Aula pb 10_resumo
 
Econometria endogeneidade
Econometria   endogeneidadeEconometria   endogeneidade
Econometria endogeneidade
 
Topicos de econometria de séries temporais 2020_1
Topicos de econometria de séries temporais 2020_1 Topicos de econometria de séries temporais 2020_1
Topicos de econometria de séries temporais 2020_1
 
Topicos de econometria de séries temporais 2020_1
Topicos de econometria de séries temporais 2020_1 Topicos de econometria de séries temporais 2020_1
Topicos de econometria de séries temporais 2020_1
 
1a Aula - Previsão da Demanda.pdf
1a Aula - Previsão da Demanda.pdf1a Aula - Previsão da Demanda.pdf
1a Aula - Previsão da Demanda.pdf
 
Topicos de econometria de séries temporais 2020_1
Topicos de econometria de séries temporais 2020_1Topicos de econometria de séries temporais 2020_1
Topicos de econometria de séries temporais 2020_1
 
VIV em cilindros com baixarazão de aspecto e pequena razão de massa
VIV em cilindros com baixarazão de aspecto e pequena razão de massaVIV em cilindros com baixarazão de aspecto e pequena razão de massa
VIV em cilindros com baixarazão de aspecto e pequena razão de massa
 
Tutorial sobre Ajuste de Controladores PID
Tutorial sobre Ajuste de Controladores PIDTutorial sobre Ajuste de Controladores PID
Tutorial sobre Ajuste de Controladores PID
 
Cadeira_Econometria_2.pdf
Cadeira_Econometria_2.pdfCadeira_Econometria_2.pdf
Cadeira_Econometria_2.pdf
 
Alocação de Diferentes Tecnologias de Geração Distribuída via Análise modal
Alocação de Diferentes Tecnologias de Geração Distribuída via Análise modalAlocação de Diferentes Tecnologias de Geração Distribuída via Análise modal
Alocação de Diferentes Tecnologias de Geração Distribuída via Análise modal
 
Cap-2-Caracteristicas Estaticas e Dinamicas.ppt
Cap-2-Caracteristicas Estaticas e Dinamicas.pptCap-2-Caracteristicas Estaticas e Dinamicas.ppt
Cap-2-Caracteristicas Estaticas e Dinamicas.ppt
 
Analise exploratório de dados
Analise exploratório de dadosAnalise exploratório de dados
Analise exploratório de dados
 
Aula pb 9_resumo
Aula pb 9_resumoAula pb 9_resumo
Aula pb 9_resumo
 
Aplicabilidade de Métricas de Mobilidade em Redes ad hoc Móveis
Aplicabilidade de Métricas de Mobilidade em Redes ad hoc MóveisAplicabilidade de Métricas de Mobilidade em Redes ad hoc Móveis
Aplicabilidade de Métricas de Mobilidade em Redes ad hoc Móveis
 
Pro2304 apexerc 01022008
Pro2304 apexerc 01022008Pro2304 apexerc 01022008
Pro2304 apexerc 01022008
 
Diagnósticos do Modelo Clássico de Regressão Linear
Diagnósticos do Modelo Clássico de Regressão LinearDiagnósticos do Modelo Clássico de Regressão Linear
Diagnósticos do Modelo Clássico de Regressão Linear
 

Previsão da Demanda II

  • 1. PREVISÃO DE DEMANDA Parte 2 Prof. Dr. Mauro Enrique Carozzo Todaro 1 Saiba mais em https://pcpengenharia.wordpress.com/previsao/
  • 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. PREVISÃO DE TENDÊNCIAS 3 OS COEFICIENTES DETERMINAM-SE PELO MÉTODO DOS MÍNIMOS QUADRADOS.
  • 4. PREVISÃO DE TENDÊNCIAS 4 OS COEFICIENTES DETERMINAM-SE PELO MÉTODO DOS MÍNIMOS QUADRADOS.
  • 5. PREVISÃO DE TENDÊNCIAS 5 OS COEFICIENTES DETERMINAM-SE PELO MÉTODO DOS MÍNIMOS QUADRADOS.
  • 6. PREVISÃO DE TENDÊNCIAS 6 OS COEFICIENTES DETERMINAM-SE PELO MÉTODO DOS MÍNIMOS QUADRADOS.
  • 7. PREVISÃO DE TENDÊNCIAS 7 t t t eY e 2 1 0 1      t t t eeY e 10 2   Gompertz: Logística:
  • 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. 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. • 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 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 MODELOS SUAVIZADOS Consulte este exemplo em https://pcpengenharia.wordpress.com/previsao/
  • 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. • 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 • 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 • 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 • 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 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 MODELOS SUAVIZADOS Consulte este exemplo em https://pcpengenharia.wordpress.com/previsao/
  • 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. • 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. 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. • 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. • 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 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 MODELOS DE DECOMPOSIÇÃO Consulte este exemplo em https://pcpengenharia.wordpress.com/previsao/
  • 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. • 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. • 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. • 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. • 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. • 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. 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. • 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. • 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. 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. 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 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