Вы находитесь на странице: 1из 22

12/09/2017

PREVISO DE
DEMANDA

PREVISO DE DEMANDA

Previso significa antever, ver antes,


antecipar a viso sobre algo.
Demanda a quantidade de um bem ou
servio que as pessoas estariam dispostas
a adquirir sob determinadas condies.

1
12/09/2017

DIMENSES NA PREVISO DA DEMANDA


DIMENSO DO PRODUTO - nvel de desagregao desejado.
Pode-se prever a demanda de todos os itens de modo
agregado ou desagregar a previso em classes ou itens
especficos.
DISPERSO ESPACIAL DA DEMANDA - o espao geogrfico
onde a demanda fritura ir ocorrer. No caso de uma secretaria
da sade de um municpio, pode ser importante desagregar a
previso por distritos ou bairros para melhor atender
demanda nesses locais.
DIMENSO TEMPORAL - refere-se ao alcance da previso em
termos de tempo . Previses de longo, mdio e curto prazo.
QUEM VAI UTILIZ-LA. Exemplo: a gesto de materiais,
interessa saber a previso de todos os itens individualizados,
mas a alta administrao se interessam por valores agregados
com a demanda em valores monetrios.

PRINCPIOS DAS PREVISES


Previses raramente so perfeitas. Conviver
com um certo nvel de erro, que a diferena
entre o que foi previsto e o que realmente
aconteceu. O objetivo da previso fazer bons
prognsticos em mdia no decorrer do tempo
e manter os erros das previses em nveis to
baixos quanto possvel.

2
12/09/2017

PRINCPIOS DAS PREVISES


Previses so mais exatas para horizontes de
tempo mais curtos do que para os maiores. Os
dados no mudam muito a curto prazo. A
medida que o horizonte do tempo aumenta,
entretanto, existe uma probabilidade muito
maior de que venham a ocorrer mudanas nos
padres e nos relacionamentos estabelecidos.

Erros esperados crescem com horizonte


Previso de
demanda / erro

Erros esperados de previso crescem com o horizonte


Faixa de erro esperado

Previso

Hoje Horizonte futuro (tempo)

3
12/09/2017

PRINCPIOS DAS PREVISES


As previses so mais exatas para grupos ou
famlias de itens do que para itens individuais.
Quando os itens so agrupados, seus valores
individuais altos e baixos podem cancelar uns
aos outros. Os dados de um grupo de itens
podem ser estveis mesmo quando os itens
individuais do grupo so muito instveis.

Efeito da agregao dos dados


Sanduche Vendas efetivas no ms % erro da
passado na loja analisada previso

Quarteiro com queijo 1930 22,8% Mdia dos


Big Mac 7269 21,5% erros das
Hamburger 4980 10,6% previses por
Cheeseburger 2730 9,0% Sanduche
Fil de peixe 1429 19,0% 20,8%
MacChicken 1050 41,6%

Total 18.443 2,4%

4
12/09/2017

Abordagem qualitativa vs quantitativa

Presena crescente da hiptese de continuidade


dos padres de comportamento

Presena crescente de histricos longos e confiveis de dados

parcela qualitativa
da previso

parcela quantitativa
da previso

As oito etapas da previso


1. Determinar o uso da previso que
resultado queremos obter?
2. Selecionar os itens ou quantidades a serem
previstas.
3. Determinar o horizonte da previso ela ser
de 1 a 30 dias (perodo curto), um ms a um ano (perodo
mdio) ou de mais de um ano (perodo longo)?
4. Selecionar o modelo ou modelos de previso.
5. Obter os dados necessrios para realizar a
previso.
6. Validar o modelo de previso.
7. Realizar a previso.
8. Aplicar os resultados.

5
12/09/2017

TIPOS DE PREVISO

Modelos de sries temporais


Modelos de sries temporais tentam
prever o futuro utilizando dados
histricos. Esses modelos supem
que os acontecimentos do futuro so
uma funo do que ocorreu no
passado.

6
12/09/2017

Modelos causais
Modelos causais incorporam variveis ou
fatores que podem influenciar a
quantidade sendo prevista. Por exemplo,
as vendas dirias de um refrigerante
podem depender da estao, da
temperatura mdia, da umidade mdia, se
fim de semana ou no e assim por
diante.

Modelos qualitativos
Modelos qualitativos tentam incorporar
julgamentos ou fatores subjetivos nas
previses. Opinies de especialistas,
experincias individuais, julgamentos e
outros fatores subjetivos podem ser
considerados.
teis quando fatores subjetivos so
importantes ou quando dados
quantitativos precisos so difceis de
obter.

7
12/09/2017

Modelos qualitativos
Mtodo Delphi: esse processo iterativo de grupo permite
aos especialistas, que podem estar localizados em
diferentes lugares, fazerem suas previses.
Existem trs tipos diferentes de participantes : decisores,
funcionrios e respondentes.
O grupo dos decisores geralmente composto de
cinco a dez especialistas que faro as previses de
fato.
Os funcionrios fornecem suporte aos decisores
preparando, distribuindo, coletando e resumindo a
coleo de questionrios e pesquisas resultantes.
Os respondentes so o grupo de pessoas cujos
julgamentos so valiosos e procurados. Esse grupo
fornece informaes aos decisores antes que a
previso seja feita.

Modelos qualitativos
Jri de opinies de executivos: Esse mtodo coleta as
opinies de um pequeno grupo de administradores de alto
nvel, muitas vezes utilizando tambm modelos
estatsticos, o que resulta em uma estimativa de grupo
para a demanda.
Composto da fora de vendas: Nessa abordagem,
cada vendedor estima as vendas na sua regio. Essas
previses so analisadas para assegurar que so realistas e
depois so combinadas em regies maiores e
nacionalmente, para alcanar uma previso global.
Levantamento do mercado consumidor: Esse
mtodo solicita informaes de consumidores reais ou
potenciais sobre seus planos de compras. Ele pode ajudar
no apenas na elaborao de previses, mas tambm na
melhoria de projetos de produtos e no planejamento de
novos produtos.

8
12/09/2017

Decomposio de uma srie temporal


Tendncia (T) um movimento gradual ascendente ou
descendente dos dados ao longo do tempo.

Sazonalidade (S) um padro de flutuao dos dados


acima e abaixo da linha de tendncia que se repete em
intervalos regulares.

Ciclos (C) so padres de dados anuais que ocorrem a


cada conjunto de anos. So normalmente identificados
com ciclos de negcios.

Variaes aleatrias (R) so flutuaes dos dados


que no seguem um padro; so fruto do acaso, isto , de
situaes no previsveis e no controlveis.

MODELOS DE SRIES TEMPORAIS


Nivelado ou horizontal. quando os valores dos dados
flutuam em torno de uma mdia constante. Este o
padro mais simples e o mais fcil de prever.

9
12/09/2017

MODELOS DE SRIES TEMPORAIS

Tendncia. Quando os
dados apresentam
aumento ou diminuio do
padro com o passar do
tempo, dizemos que
exibem uma tendncia, A
tendncia pode ser
ascendente ou
descendente.

MODELOS DE SRIES TEMPORAIS

Sazonalidade. padro que


se repete regularmente e
tem extenso constante. A
varivel que estamos
tentando prever
influenciada por fatores
sazonais como um
trimestre ou um ms do
ano ou um dia da semana.

10
12/09/2017

MODELOS DE SRIES TEMPORAIS

Ciclos. principal distino


entre um padro sazonal e
um padro cclico que um
padro cclico varia em
extenso e em magnitude e
, por conseguinte, muito
mais difcil de prever do
que outros padres.

Exemplo de uma srie nivelada

11
12/09/2017

Exemplo de uma srie com tendncia


85

80

75

70

65

60

55

50

45
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59

Serie Temporal acerca da Produo de


Cerveja (Ex. 8 _Dielman) - Sazonalidade

Time Series Plot of BEERPROD


20

19

18

17
BEERPROD

16

15

14

13

12
1 12 24 36 48 60 72 84 96 108 120
Index

12
12/09/2017

Serie Temporal acerca da Produo de


Cerveja Presena de sazonalidade

Time Series Plot of BEERPROD


20 Ms
1
2
19 3
4
18 5
6
7
17
BEERPROD

8
9
16 10
11
15 12

14

13

12
1 12 24 36 48 60 72 84 96 108 120
Index

Serie Temporal das Vendas de Fornos (Ex. 10 _Dielman)

Time Series Plot of SALES


5000

4500

4000
SALES

3500

3000

2500

1 13 26 39 52 65 78 91 104 117 130


Index

13
12/09/2017

Serie Temporal das Vendas de Fornos por ms

Time Series Plot of SALES


5000 MONTH
1
2
3
4500
4
5
6
4000 7
8
SALES

9
10
3500 11
12

3000

2500

1 13 26 39 52 65 78 91 104 117 130


Index

Vendas de Itens

14
12/09/2017

Vendas de Itens
330,00

310,00

290,00

270,00
1T
250,00
2T

230,00 3T
4T
210,00

190,00

170,00

150,00
1 2 3 4 5 6 7 8 9 10

Verificando a sazonalidade por trimestre

Anlise a serie de dados abaixo:


12000

11000

10000

9000

8000

7000

6000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71

Mortes acidentais nos Estados Unidos por ms.

15
12/09/2017

Anlise a serie de dados abaixo:


430

380

330

280

230

180

130

80
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71 73 75 77 79 81 83 85 87 89 91 93 95

Quantidade de passageiros transportados por ms (em


uma grande empresa rea. Unidade 1000
passageiros/ms.

Anlise a serie de dados abaixo:

16
12/09/2017

Principais padres existentes nas sries temporais

Principais padres existentes nas sries temporais

17
12/09/2017

MEDIDAS DA ACURCIA DA PREVISO

Uma das mais comuns o Erro Quadrtico Mdio (MSE Mean


Squared Error):

MEDIDAS DA ACURCIA DA PREVISO


O Erro Mdio Absoluto Percentual (EMAP) tambm
utiliza do. O EMAP a mdia dos valores absolutos
expressos como percentuais dos valores reais. Ele
determinado da seguinte maneira:

18
12/09/2017

Histograma dos Erros


Histograma dos Erros
100
80

Freqncia
100% de Preciso na 60
40
Previso = Ideal 20
0
-20 -10 0 10 20 30
-30

Histograma dos Erros


35
30
25
Freqncia

Comum e desejvel 20
15
10
5
0
-30 -20 -10 0 10 20 30
Bins

Para os dados abaixo calcule:


DMA, MSE e EMAP

19
12/09/2017

Para os dados abaixo calcule:


DMA, MSE e EMAP
Demand(y) Forecast
Past period 1 180
Past period 2 168 180
Past period 3 159 168
Past period 4 175 159
Past period 5 190 175
Past period 6 205 190
Past period 7 180 205
Past period 8 182 180

Exemplo

Para os dados abaixo calcule: DMA, MSE e


EMAP |Erro|/
Demanda

Vis = 2/7 =
0,29
DMA = 94/7 =
13,43
MSE = 1560/7
= 222,86

EMAP = 0,52/7
= 0,07

20
12/09/2017

Novamente, para os dados abaixo


calcule: DMA, MSE e EMAP

Demand(y) Previso

Past period 1 180


Past period 2 168 180
Past period 3 159 171
Past period 4 175 159
Past period 5 190 165
Past period 6 205 181.75
Past period 7 180 203.44
Past period 8 182 195.92

Resposta
|Pct
Demand(y) Previso Error |Error| Error^2
Error|

Past period 1 180


Past period 2 168 180 -12 12 144 0.07
Past period 3 159 171 -12 12 144 0.08
Past period 4 175 159 16 16 256 0.09
Past period 5 190 165 25 25 625 0.13
Past period 6 205 181.75 23.25 23.25 540.56 0.11
Past period 7 180 203.44 -23.44 23.44 549.32 0.13
Past period 8 182 195.92 -13.92 13.92 193.82 0.08
TOTALS 1439 2.89 125.61 2452.7 0.69
AVERAGE 179.88 0.41 17.94 350.39 0.1
Next period forecast (Bias) (MAD) (MSE) (MAPE)
Std err 22.15

21
12/09/2017

Trabalho em Grupo
Para os dados abaixo calcule: DMA, MSE e EMAP

Ms Vendas Mtodo 1 Mtodo 2


1 770 771 769
2 789 785 787
3 794 790 792
4 780 784 798
5 768 770 774
6 772 768 770
7 760 761 759
8 775 771 775
9 786 784 788
10 790 788 788

Qual mtodo melhor?

Referncias Bibliogrficas

BARBIERI, J. C.; MACHLINE, C. Logstica hospitalar:


teoria e prtica. So Paulo: Saraiva, Segunda
Edio, 2009 (Captulo 4);

RENDER, B.; STAIR JR, R. M.; HANNA, M. Anlise


Quantitativa para Administrao. Porto Alegre:
Bookman, Dcima Edio, 2010 (Captulo 5).

22