Transcript Baixar arquivo

PREVISÃO E PROGRAMAÇÃO
DA DISTRIBUIÇÃO
PREVISÃO DE DEMANDA
Demanda é a soma das diferentes necessidades dos diferentes
consumidores (usuários ou demandantes).
DEMANDAS  Desejos por produtos
específicos, respaldados pela
habilidade e disposição de compra
(KOTLER, 1998).
EMPRESAS devem
mensurar
DESEJOS  Se tornam
demanda quando
apoiados pelo poder de
compra.
Quantas pessoas desejam seu produto
Quantas estão dispostas e habilitadas a
comprá-lo
TIPOS DE DEMANDA
CICLICIDADE
DEMANDA
PREVISTA
TENDÊNCIA
DEMANDA
REAL
SAZONALIDADE
PASSADO
ATUAL
FUTURO
TEMPO
ETAPAS DE UM MODELO DE PREVISÃO
OBJETIVO DO MODELO
COLETA E ANÁLISE DOS DADOS
SELEÇÃO DA TÉCNICA DE PREVISÃO
OBTENÇÃO DAS PREVISÕES
MONITORAÇÃO
MÉTODOS DE PREVISÃO DE DEMANDA
QUANTITATIVOS
QUALITATIVOS
Séries Temporais – modelo matemático
da demanda futura relacionando dados
históricos de vendas do produto com o
tempo
Causais – associar dados históricos de
vendas do produto com uma ou mais
variáveis relacionadas à demanda
Pouco tempo para coleta de dados,
introdução de novos produtos, cenário
político/econômico instável
Questões estratégicas – em conjunto
com modelos matemáticos e técnicas
quantitativas
DESCRIÇÃO
ABORDAGEM QUALITATIVA
ABORDAGEM QUANTITATIVA
Aplicabilidade
Utilizada quando a situação é
vaga e existem poucas
informações (por exemplo,
novos produtos e tecnologias)
Utilizada quando a situação é
estável e há histórico de
informações
(por exemplo, produtos
existentes, tecnologia
corrente)
Considerações
Envolve intuição e experiência
Envolve técnicas matemáticas
Técnicas
Júri de opinião executiva
Composto por força de vendas
Método Delphi
Pesquisa de mercado
consumidor
Modelos de séries temporais
Modelos causais
MÉTODOS QUANTITATIVOS DE
PREVISÃO DE DEMANDA
TÉCNICAS CAUSAIS
Baseadas na premissa de que as mesmas leis de dependência entre
variáveis explicativas e a demanda permanecerá no futuro.
Buscam estabelecer uma função matemática, correlacionando a demanda
com uma série de variáveis independentes (VI’s), e utilizam esta função para
gerar novas previsões.
Pressupõe que a previsão de demanda seja amplamente correlacionada com
alguns fatores conjunturais (situação econômica, taxa de juros etc.).
Faz-se uma previsão dos fatores conjunturais relacionados à demanda para
prevê-la.
Com esse método, é possível determinar o impacto na demanda em razão de
uma promoção.
Regressão
linear simples
O objetivo  encontrar uma equação linear de previsão, do tipo Y =
a + bX (onde Y é a variável dependente a ser prevista e X a variável
independente da previsão), de forma que a soma dos quadrados
dos erros de previsão (b) seja a mínima possível. Este método
também é conhecido como “regressão dos mínimos quadrados”.
Y  a  bX
b
 XY    X  Y 
n X    X 
Y
Y = a + bX
n
2
2
Y  b X 

a
n
Y = Variável Dependente;
a = Intercepto no eixo dos
Y;
b = Coeficiente angular;
X = variável Independente;
n = número de períodos
observados.


2
0
X
EXEMPLO REGRESSÃO LINEAR
Semana(X)
Demanda(Y)
1
2
3
4
5
6
7
8
450
430
470
480
450
500
520
530
3830

X
1
3
6
10
15
21
28
36
8  17770  36  3830 4280
b

 12,73
8  204  36  36
336
a
3830  12,73  36
 421,46
8
X
2
1
5
14
30
55
91
140
204
XY
450
860
1410
1920
2250
3000
3640
4240
17770
Y = 421,46 + 12,73 X
EXERCÍCIO
Uma cadeia de fastfood verificou que as vendas mensais de refeições em
suas casas estão relacionadas ao número de alunos matriculados em
escolas situadas num raio de 2 quilômetros em torno da casa. A empresa
pretende instalar uma nova casa numa região onde o número de alunos é
de 13750. Qual a previsão da demanda para esta nova casa?
b
 XY    X  Y  = 13  5224,86  143,10  450,71  2,99
13  1663,37  143,10
n  X    X 
n
2
Y  b X 

a
=
n
2
450,71  2,99  143,10
 1,757
13
Y  1,757  2,99  13,75  42,869 ou seja 42869 refeições
2
Vendas Mensais em Lojas de uma Cadeia de Fastfood
SÉRIES TEMPORAIS
Baseadas em padrões históricos, e nas alterações destes padrões para
gerar as previsões.
São usada para identificar:
• variações sistemáticas resultantes de fatores sazonais,
•padrões cíclicos,
• tendências
• faixas de variações destas tendências.
As técnicas baseadas em séries temporais propõem que o futuro será
muito próximo do passado.
COMPONENTES DE
UMA SÉRIE
TEMPORAL
Tendência (Tt) - Orientação de longo prazo, passível
de ser descrita por uma curva básica.
Ciclo (Ct) - Flutuação não-periódica, com
repercussões no médio prazo, habitualmente
atribuível aos ciclos econômicos
Sazonalidade (St) - Oscilação periódica, sentida no
curto prazo, associada a divisões
significativas do tempo (ano, mês, semana ou dia)
Erro / Resíduo (Rt) -Variação aleatória, não explicada.




Partem do princípio de que a demanda futura será uma projeção dos seus
valores passados, não sofrendo influência de outras variáveis.
É o método mais simples e usual de previsão, e quando bem elaborado oferece
bons resultados.
Para se montar o modelo de previsão, é necessário plotar os dados passados e
identificar os fatores que estão por trás das características da curva obtida
(Previsão final = composição dos fatores).
Uma curva temporal de previsão pode conter tendência, sazonalidade, variações
irregulares e variações randômicas (há técnicas para tratar cada um destes
aspectos).
Tendência
Sazonalidade
60
Demanda
50
40
30
20
0
Jan.
Variação irregular
Variação randônica
10
Fev.
Mar.
Abr.
Mai.
Jun.
Jul.
Ago.
Set.
Out.
Nov.
Dez.
 Modelo Fixo
SÉRIES TEMPORAIS
 Modelo Aberto
ST DE MODELO FIXO
Apresentam equações
definidas baseadas em
avaliações a priori da
existência de determinadas
componentes nos dados
históricos (Mais simples,
séries históricas não muito
grandes)
ST DE MODELO ABERTO
Analisam as ST de modo a
identificar quais
componentes realmente
estão presentes, para então
criar um modelo único que
projete tais componentes,
prevendo os valores futuros
(Mais elaboradas, maior
quantidade de dados).
PREVISÃO DA MÉDIA
4.500
Demanda (kg)
4.000
3.500
3.000
2.500
2.000
1
2
3
4
5
6
7
8
9
10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Períodos (meses)
Média móvel: usa dados de um número predeterminado
de períodos para gerar sua previsão
Média exponencial móvel: o peso de cada observação
decresce no tempo em progressão geométrica, ou de
forma exponencial
MÉDIA MÓVEL SIMPLES
MÉDIA MÓVEL
PONDERADA
Não é indicada quando há Tendência ou
Sazonalidade
Média
Simples
Média aritmética simples de todas as vendas passadas:
n
Pt 1 
R
t 1
n
Rt
t
P t+1  Previsão para o próximo período;
R t  Valor real observado no período t;
n  Número de períodos no histórico de vendas
passadas
Utilizado quando a demanda não apresenta tendência
ou sazonalidade
Modelo de
Média Móvel
n
Mmn 
 Di
i 1
n
Mmn = média móvel de n períodos;
Di = demanda ocorrida no período i;
n = número de períodos;
i = índice do período (i= 1,2,3,...)
n
Mmn 
D
i 1
n
i
Modelo de Média
Exponencial Móvel
Cada nova previsão é obtida com base na
previsão anterior, acrescida do erro
cometido na previsão anterior, corrigido por
um coeficiente de ponderação α.
Mt  Mt 1   Dt 1  Mt 1 
Mt= previsão para o período t;
Mt-1 = previsão para o período t-1
 = coeficiente de ponderação
Dt-1 = demanda para o período t-1
0<==<1
Quanto maior o , mais sensível à variação real de demanda
 =1, previsões sujeitas a variações aleatorias
Quanto menor o , previsões defasadas da demanda real
Valores típicos: entre 0,05 e 0,5
Trata demandas médias e acompanha pequenos movimentos de
tendência.
4.500
Demanda (kg)
4.000
3.500
3.000
M  0,10
D.Real
2.500
M  0,50
M  0,80
2.000
1
2
3
4
5
6
7
8
9
10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Períodos (meses)
Exemplo da adoção de coeficientes
Mt  Mt 1   Dt 1  Mt 1 
= 0,10
= 0,50
= 0,80
Mt  Mt 1   Dt 1  Mt 1 
M4  3262  0,13006  3262
M4  3262  0,1 256
M4  3262  25,6
M4  3236
Amortecimento
Exponencial Duplo
(Método de Holt)
Utilizado para séries que apresentam
tendência.
N t  Rt  (1   )(N t 1  Tt 1 )
Tt   ( N t  N t 1 )  (1   )Tt 1
Pt  p  N t  pTt
Nt: Componente nível (valor sem
tendência)
Tt: Componente tendência
ß: Coeficiente de amortecimento
para a estimativa da tendência
–0ß1
α: Coeficiente de amortecimento
–0α1
Trata demandas médias e acompanha pequenos movimentos de
tendência.
Amortecimento
Exponencial Triplo
(Método de Winter)
Adequado para previsão de séries que
apresentam tendências e sazonalidades
 Rt

 Nt
 Rt
St   
 Nt

  (1   ) St c




: ajuste sazonal calculado para o período t
St - c: ajuste sazonal calculado c períodos
atrás. Para previsão mensal (semanal) e
sazonalidade ao longo do ano (mês), usa-se c
= 12 (4).
St : Componente sazonal
ỵ: : Coeficiente de amortecimento para a
estimativa da sazonalidade
0  ỵ  1.
CALCULO DA
TENDÊNCIA
CÁLCULO DO NÍVEL
CONSIDERANDO O
AJUSTE SAZONAL
PREVISÃO
Tt   ( Nt  Nt 1 )  (1   )Tt 1
 Rt
N t   
 S t c

  (1   )(N t 1  Tt 1 )

Pt  p  ( Nt  pTt )St c p
EXERCÍCIOS
1. A RenTV ltda. É uma empresa operando no ramo de aluguel de TV, videocassete e
aparelhos de som. A organização mantém uma equipe permanente de
manutenção, dado que consta em contrato que aparelhos com problemas serão
inicialmente vistoriados por um técnico na casa do cliente. Se for impossível o
conserto imediato, o aparelho será então substituído por outro num prazo máximo
de 24 horas. Como parte da equipe de manutenção deve ser alocada a serviços
internos de reparos, a RenTV deseja uma previsão semanal do número de
chamadas de clientes, para que a escala de trabalho possa ser feita na 2ª feira de
manhã. Todas as chamadas são anotadas. Os registros das 10 últimas semanas
estão dados a seguir:
SEMANA
1
2
3
4
5
6
7
8
9
10
CHAMADAS
13
10
10
25
8
17
12
15
12
20
Preparar uma previsão do número de chamadas na semana 11:
utilizando MMS com n = 4
utilizando MMP com n = 4 e pesos 1; 2; 3; 4 para as 4 semanas mais recentes (o
peso 4 corresponde à mais recente, o peso 3 à segunda mais recente e assim
por diante).
EXERCÍCIOS
2) dada demanda real de 15 meses, calcule a demanda futura (próximos 12
meses), utilizando o método da média Móvel.
3) Utilize os mesmos dados para calcular a demanda dos próximos meses,
utilizando o método da média móvel ponderada.
Pesos: (n-3)= 0.1, (n-2)= 0.2, (n-1)=0.3, (n)=0.5;
4) Utilize os mesmos dados para calcular a demanda dos próximos meses,
utilizando o método mínimos quadrados
MÉTODOS QUALITATIVOS DE
PREVISÃO DE DEMANDA
Método qualitativo
Descrição
Júri de opinião executiva
As opiniões de um pequeno grupo de gestores de alto nível são
conciliadas e, juntas, estimam a demanda. O grupo utiliza suas
experiências de gerenciamento e, em alguns casos, combinam
os resultados dos modelos estatísticos.
Estimativa da força de
vendas
É solicitado que os vendedores (por exemplo, para uma
cobertura territorial) projetem suas vendas. Porque o vendedor é
a pessoa mais próxima do mercado, ele sabe o que o cliente
deseja. Essas projeções são então combinadas municipal, rural e
regionalmente.
Método Delphi
Defini-se um grupo de especialistas como: tomador de decisões,
funcionário comum ou especialista do setor, sendo que cada um
deles poderá , individualmente, fornecer seu parecer sobre a
demanda. Um processo repetitivo é conduzido até que os
especialistas cheguem a um consenso.
Pesquisa de mercado
consumidor
Pergunta-se aos clientes quais são seus planos de compra e
seus comportamentos planejados de compra. Um grande número
de entrevistados é necessário para que seja possível generalizar
certos resultados.
TÉCNICA DELPHI

Reunião de um grupo de pessoas que devem opinar sobre um certo
assunto, dentro de regras determinadas para a coleta e a depuração das
opiniões.
 Envolvem geralmente situações de longo prazo, onde os dados são
escassos ou mesmo inexistentes, sendo o julgamento pessoal uma das
poucas alternativas abertas à previsão.
 O çomitê Delphi é formado inicialmente com as pessoas que participarão
do processo; esses participantes, evidentemente, são especialistas no
assunto em pauta e/ou em assuntos correlatos.
 Para que uma personalidade não se sobreponha à outra, as opiniões são
expressas independentemente
TÉCNICA DELPHI
Características: anonimato, realimentação controlada das informações,
quantificação das respostas (escala numérica), resposta estatística (pode
não haver consenso)
Processo:
1o. Passo – Coordenador elabora Questionário
2o. Passo - Grupo responde Questionário (escala numérica)
3o. Passo – Coordenador confere coerência das respostas, altera
questões (se necessário), processa análise estatística, sistematiza os
argumentos manifestados
4o. Passo – Grupo responde novo Questionário (com as informações da
análise estatística e dos argumentos), respostas discrepantes com
relação à Média devem ser justificados
5o.Passo – Coordenador verifica se não houve variações significativas
(Fim - Relatório), caso contrário retornar ao Passo 2.
TÉCNICA DELPHI
 Ótimo método para lidar com aspectos
inesperados de um problema
 Previsões com carência de dados históricos
VANTAGENS
DA TÉCNICA
DELPHI
 Interesse pessoal dos participantes
 Minimiza pressões psicológicas
 Não exige presença física
 Processo lento, média de 6 meses
DESVANTAGENS
DA TÉCNICA
DELPHI
 Dependência dos participantes
 Dificuldade de redigir o questionário
 Possibilidade de consenso forçado
 Disponibilidade de dados, tempo
e recursos
FATORES
IMPORTANTES PARA A
PREVISÃO
 Determinação do horizonte de
previsão
 Capacidade para interpretar os
dados
A existência de histórico da demanda passada
Planejamento das campanhas publicitárias
Fatores que podem
influenciar a
escolha do modelo
adequado de
demanda
Localização física das instalações
Conjuntura econômica
Planejamento de descontos e preços
Ações dos concorrentes
METODOLOGIAS DE SELEÇÃO DE MODELO
SELEÇÃO A PRIORI
SELEÇÃO PELA PRECISÃO
n
Mean Absolute Deviation (MAD)
MAD 
Onde: Rt
| R  P |
t 1
t
n
Valores reais de venda
Pt
Valores Previstos
n
Número de períodos de previsão
Evita o problema de um erro negativo cancelar o
positivo
t
SELEÇÃO PELA PRECISÃO
( Rt  Pt )

Rt
t 1
MPE 
n
n
Mean Percentual Error (MPE)
Onde: Rt
Valores reais de venda
Pt
Valores Previstos
n
Número de períodos de previsão
Mede se os valores previstos estão sistematicamente acima ou abaixo das vendas
reais:
 Se o valor de MPE for positivo, tem-se que a previsão está freqüentemente abaixo da
venda real;
 Se o valor de MPE for negativo, tem-se que a previsão está freqüentemente acima da
venda real.
SELEÇÃO PELA PRECISÃO
Mean Absolute Percentual Error
(MAPE)
Onde: Rt
| Rt  Pt |

Rt
t 1
MAPE 
n
n
Valores reais de venda
Pt
Valores Previstos
n
Número de períodos de previsão
Avalia a magnitude do erro com relação à serie histórica
SELEÇÃO PELA PRECISÃO
(Rooted) Mean Squared Error (R )MSE
Onde: Rt
( Rt  Pt ) 2
RMSE  
n
t 1
n
Valores reais de venda
Pt
Valores Previstos
n
Número de períodos de previsão
 Os grandes erros se destacam devido ao cálculo da média ao quadrado
 Mas os erros outliers receberão grande significância (deveriam ser
desconsiderados)
MSE : erros avaliados na unidade ao quadrado
RMSE – Raiz quadrada do MSE
SISTEMA LOGÍSTICO GLOBAL
O sistema logístico global é muito complexo. Para que o produto chegue
ao cliente no local em que ele está, no momento que ele deseja e no
preço que ele acha que o produto vale, todas as atividades devem ser
planejadas, projetadas, executadas e coordenadas de forma otimizada.
SISTEMA LOGÍSTICO
OBJETIVOS QUE DEVEM
SER CONSIDERADOS
1) Melhoria do serviço
2) Redução do capital empatado
3) Redução do custo operacional
 Aspectos de natureza espacial
Problemas de
configuração de redes
 Aspectos de natureza temporal
O aspecto espacial, ou geográfico refere-se à localização dessas
instalações e aos fluxos entre pontos, de forma a minimizar os custos
relacionados ao atendimento da demanda.
O aspecto temporal  refere-se à disponibilidade dos produtos
solicitados pelos clientes, no prazo adequado, considerando o tempo de ciclo do
pedido e o prazo de atendimento esperado.
Elementos de
Análise e
Projeto de
uma Rede
Logística
Variáveis Relevantes na Modelagem de Redes
Etapas de um projeto de redes logísticas