Previsao da Demanda - Planejamento Estrategico Producao Vendas e Financas

Previsão da demanda PROF DR FLÁVIO FRAGA VILELA Por que prever hoje Horizontes de planejamento tempo curto prazo médio prazo Longo prazo decisões Efeito da decisão A Efeito da decisão B Efeito da decisão C A B C Previsão da Demanda A previsão da demanda é a base para o planejamento estratégico da produção vendas e finanças de qualquer empresa Permite que os administradores destes sistemas antevejam o futuro e planejem adequadamente suas ações As previsões são usadas pelo PCP para planejar o sistema produtivo longo prazo e para planejar o uso curto prazo deste sistema produtivo Longo prazo produtosserviços instalação equipamentos Curto prazo planos de produção armazenagem e compras seqüenciamento O consumo interno de aço vem crescendo em média 75 aa desde 1992 e deverá continuar ascendente até 2005 entre 7 a 10 ao ano 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 Consumo Aparente Capacidade Instalada Produção Fonte IBS Instituto Brasileiro de Siderurgia Atenção para as previsões no longo prazo Erros esperados crescem com horizonte Previsão de demanda erro Erros esperados de previsão crescem com o horizonte Previsão Faixa de erro esperado Hoje Horizonte futuro tempo Previsão como processo Projeto e melhoramento contínuo do processo de gerar previsões Processo Informações da conjuntura econômica Decisões da área comercial Outras informações do mercado Informações do cliente Informações do concorrente Tratamento Qualitativo das informações Tratamento quantitativo dos dados de vendas e outras variáveis Informações que expliquem comportamento atípico Dados históricos de vendas Dados de variáveis que expliquem as vendas Reunião de Previsão Comprometimento das áreas envolvidas Tratamento das informações disponíveis Previsão de Vendas Avaliação crítica do processo de gerar previsões Etapas do Modelo de Previsão Objetivo do Modelo Coleta e Análise dos Dados Seleção e Análise das Técnicas de Previsão Obtenção da Previsão Monitoramento do Modelo Objetivo do Modelo A primeira etapa consiste em definir a razão pela qual necessitamos de previsões Que produto ou famílias de produtos será previsto com que grau de acuracidade e detalhe a previsão trabalhará e que recursos estarão disponíveis para esta previsão A sofisticação e o detalhamento do modelo depende da importância relativa do produto ou família de produtos a ser previsto e do horizonte ao qual a previsão se destina Itens pouco significativos podem ser previstos com maior margem de erro empregandose técnicas simples Assim como admitese margem de erro maior para previsões de longo prazo empregandose dados agregados de famílias de produtos Coleta e Análise dos Dados Visa identificar e desenvolver a técnica de previsão que melhor se adapte Alguns cuidados básicos Quanto mais dados históricos forem coletados e analisados mais confiável a técnica de previsão será Os dados devem buscar a caracterização da demanda real pelos produtos da empresa que não é necessariamente igual as vendas passadas faltas postergação Variações extraordinárias da demanda greves promoções devem ser analisadas e substituídas por valores médios compatíveis com o comportamento normal da demanda O tamanho do período de consolidação dos dados semanal mensal tem influência direta na escolha da técnica de previsão mais adequada assim como na análise das variações extraordinárias Seleção da Técnica de Previsão Existem técnicas qualitativas e quantitativas Cada uma tendo o seu campo de ação e sua aplicabilidade Alguns fatores merecem destaque na escolha da técnica de previsão Decidir em cima da curva de troca custoacuracidade A disponibilidade de dados históricos A disponibilidade de recursos computacionais A experiência passada com a aplicação de determinada técnica A disponibilidade de tempo para coletar analisar e preparar os dados e a previsão O período de planejamento para o qual necessitamos da previsão Técnicas de Previsão Existem uma série de técnicas disponíveis com diferenças substanciais entre elas Porém cabe descrever as características gerais que normalmente estão presentes em todas as técnicas de previsão que são Supõemse que as causas que influenciaram a demanda passada continuarão a agir no futuro As previsões não são perfeitas pois não somos capazes de prever todas as variações aleatórias que ocorrerão A acuracidade das previsões diminui com o aumento do período de tempo auscultado A previsão para grupos de produtos é menos precisa do que para os produtos individualmente visto que no grupo os erros individuais de previsão se anulam veja os três próximos slides Efeito da agregação dos dados Sanduíche Previsão para o mês passado feita há um ano e meio Quarteirão com queijo 2500 Big Mac 6000 Hamburger 4500 Cheeseburger 3000 Filé de peixe 1200 MacChicken 1800 Total 18000 Efeito da agregação dos dados Sanduíche Vendas efetivas no mês passado na loja analisada erro da previsão Média dos Quarteirão com queijo 1930 228 erros das Big Mac 7269 215 previsões Hamburger 4980 106 por Cheeseburger 2730 90 Sanduíche Filé de peixe 1429 190 MacChicken 1050 416 Total 18443 24 208 Efeitos dos horizontes e da agregação dos dados nas previsões Erros esperados de previsão crescem com o horizonte Agregação dos dados pode ser maior para decisões de longo prazo Previsão de demanda erro Hoje Horizonte futuro tempo Agregação gradualmente maior dos dados faz erros gradualmente diminuírem Técnicas de Previsão As técnicas de previsão podem ser subdivididas em dois grandes grupos As técnicas qualitativas privilegiam principalmente dados subjetivos os quais são difíceis de representar numericamente Estão baseadas na opinião e no julgamento de pessoas chaves especialistas nos produtos ou nos mercados onde atuam estes produtos As técnicas quantitativas envolvem a análise numérica dos dados passados isentandose de opiniões pessoais ou palpites Empregamse modelos matemáticos para projetar a demanda futura Podem ser subdivididas em dois grandes grupos as técnicas baseadas em séries temporais e as técnicas causais Mais conhecidos Regressão Simples e Múltipla Técnicas de Previsão Técnicas Qualitativas Pouco tempo para coleta de dados introdução de novos produtos cenário políticoeconômico instável Questões estratégicas em conjunto com modelos matemáticos e técnicas quantitativas Técnicas Quantitativas 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 Técnicas de previsão Técnicas de previsão Quantitativas Qualitativas Intrínsecas Extrínsecas Método Delphi Médias móveis Regressão simples Juri de executivos Suavizamento exponencial Regressão múltipla Força de vendas Projeção de tendências Pesquisa de mercado Decomposição Painel de Especialistas Modelos Quantitativos e Qualitativos QUANTITATIVO Modelos Matemáticos Médias móveis Suavizamento exponencial Projeção de tendências Decomposição Regressão Simples Regressão Múltipla Previsão QUALITATIVO Conhecimento e opiniões Técnica Delphi Análise de Cenários Júri executivo de opiniões Painel de Especialistas Composição de forças de vendas Pesquisas de mercado Abordagem qualitativa x quantitativa Presença crescente da hipótese de continuidade dos padrões de comportamento Presença crescente de históricos longos e confiáveis de dados parcela qualitativa da previsão parcela quantitativa da previsão Métodos Qualitativos Método 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 5ºPasso Coordenador verifica se não houve variações significativas Fim Relatório caso contrário retornar ao Passo 2 Métodos Qualitativos Método Delphi Objetivos da Pesquisa Seleção de Painelistas Questionário TabulaçãoAnálise Questionários Novas Questões ElaboraçãoRemessa Novo Questionário Nova Rodada Respostas TabulaçãoAnálise Questionários Tem Convergência Conclusões Gerais Relatório Respondentes Relatório Final Métodos Qualitativos Método Delphi Vantagens Ótimo método para lidar com aspectos inesperados de um problema Previsões com carência de dados históricos Interesse pessoal dos participantes Minimiza pressões psicológicas Não exige presença física Desvantagens Processo lento média de 6 meses Dependência dos participantes Dificuldade de redigir o questionário Possibilidade de consenso forçado Métodos Qualitativos Método Delphi Vantagens Estruturar e sistematizar o processo de projeções qualitativas Identificar as variáveis que impactam a demanda e seus impactos mútuos Estabelecer objetivos de longo prazo Identificar prioridade de ação Desvantagens Dependência dos resultados em função da escolha das variáveis Complexidade para se tratar muitas variáveis ao mesmo tempo Pequenas alterações nas variáveis podem causar grandes distorções nas previsões Métodos Qualitativos Análise de Cenários Características Gerais Situações muito complexas Geralmente utilizado para o longo prazo Aplicado quando não há parâmetros que permitam uma previsão segura Três possíveis cenários Cenário base sem surpresas Cenário alternativo 1 otimista Cenário alternativo 2 pessimista Métodos Qualitativos Análise de Cenários Aplicação do método 1 Construir uma base de dados 2 Selecionar objetivos organizacionais 3 Identificar as variáveis ambientais 4 Identificar as variáveis organizacionais 5 Selecionar os cenários 6 Desenvolver os cenários 7 Analisar implicações dos cenários 8 Implantar um plano de ação Método qualitativo Júri executivo Painel de Especialistas Opinião de vendas e Pesquisa de mercado Jíri Executivo de Opiniões Um grupo de altos executivos da empresa se reúne para desenvolver uma previsão de demanda O grupo é formado por executivos vindos de áreas diversas como Marketing Produção Finanças Operações etc Nesse caso experiência qualificação e relacionamento pode fornecer uma visão sobre o estado de consumo dos segmentos que interessam à empresa Painel de Especialistas A empresa convida diversos especialistas sobre os segmentos do seu interesse para desenhar um provável cenário Opinião da Força de Vendas ou da Linha de Frente Significa desenvolver previsões com base na opinião do pessoal envolvido diretamente com a demanda de produtos e serviços por meio de projeções localizadas sobre provável estado de consumo futuro dos seus clientes Pesquisa de Mercado Questionários entrevistas testes de mercado etc formam a base para testar hipóteses sobre mercados reais Esses métodos comumente são preferidos para novos produtos ou para produtos existentes a serem introduzidos em novos segmentos de mercados Reflexão Analise quais seriam os impactos de uma previsão de demanda malfeita para as operações a seguir analise separadamente os impactos de más previsões de curto médio e longo prazos A Cia Siderúrgica Nacional CSN O portal de compras pela internet Submarino Um hospital geral como o Sírio Libanês em São Paulo ou o Miguel Couto no Rio de Janeiro Uma empresa fabricante de cosméticos Uma linha aérea a exemplo da GOL Métodos Quantitativos de Previsão Previsões Baseadas em Séries Temporais 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 Series Temporais Demanda Sazonalidade Tendência Variação randônica Variação irregular Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez Tipos de Demanda DEMANDA REGULAR OU ESTÁVEL CONSUMO TEMPO DEMANDA CRESCENTEDECRESCENTE CONSUMO TEMPO DEMANDA SAZONAL CONSUMO TEMPO Series Temporais Horizontal os dados se agrupam em torno de uma linha horizontal As variações aleatórias são flutuações que ocorrem ao longo do tempo Tendência é um padrão de movimento direcional dos dados com natureza gradual ascendente ou descendente Sazonal também chamado de ciclicidade referese às variações razoavelmente regulares de curto prazo geralmente relacionados a fatores tais como clima meses comemorativosetc Tendência e Ciclicidade Projeções Média Móvel Simples Ft Dt1 Dt2 Dt3 Dtn n Semana Demanda 1 680 2 650 3 785 4 720 5 859 6 920 7 850 8 758 9 892 10 920 11 789 12 844 Semana Demanda 3 Semanas 6 Semanas 1 680 2 650 3 785 4 720 7050 5 859 7183 6 920 7880 7 850 8330 7690 8 758 8763 7973 9 892 8427 8153 10 920 8333 8332 11 789 8567 8665 12 844 8670 8548 13 8510 8422 Previsão de demanda por Médias Móveis Vendas reais de copos Média móvel de 3 períodos MM3 Janeiro 154 154 114 165 3 1443 Fevereiro 114 114 165 152 3 1437 Março 165 165 152 176 3 1643 Abril 152 152 176 134 3 1540 Maio 176 176 134 123 3 1443 Junho 134 134 123 154 3 1370 Julho 123 123 154 134 3 1370 Agosto 154 154 134 156 3 1480 Setembro 134 134 156 123 3 1377 Outubro 156 Novembro 123 Dezembro 145 Previsão de demanda por Médias Móveis Previsão Média Móvel de Três Períodos MM3 Unidades Vendidas Janeiro Fevereiro Março Abril Maio Junho Julho Agosto Setembro Outubro Novembro Dezembro Vendas Reais Vendas Previstas Média Móvel Ponderada Ft p1 Dt1 p2 Dt2 p3 Dt3 pn Dtn p1 p2 pn Semana Demanda 1 680 2 650 3 785 4 Determine a previsão para a semana 4 por média móvel com os seguintes pesos p1 05 p2 03 e p3 02 Solução Semana Demanda Previsão 1 680 2 650 3 785 4 7235 F4 05785 03650 02680 Suavização Exponencial Parâmetro α constante de suavização Bt Bt1 α Dt1 Bt1 Bt α Dt1 1 α Bt1 Ftk Bt SUAVIZAÇÃO EXPONENCIAL Dados pontuais mais recentes têm maior peso com o peso declinado exponencialmente à medida que esses dados tornamse ultrapassados Alfa α é a constante de ajuste e determina o nível de ajuste e a velocidade de reação para diferença entre as previsões e as ocorrências reais Sua determinação é arbitrária natureza do produto ou bom senso do gerente Quanto maior o crescimento maior a taxa de reação SUAVIZAÇÃO EXPONENCIAL Exemplo Demanda relativamente estável e a constante de ajuste igual a 005 Previsão para mês anterior Ft1 foi de 1050 unidades e que 1000 unidades foi a demanda real A previsão para este mês será de Resolução P 005x1000 095x1050 10475 Obs Quanto maior o valor da constante de ajuste mais próximo segue a demanda real Este método esta sempre acima ou abaixo da demanda real Exemplo Determine as previsões para as semanas de 2 a 5 usando α 04 Semana Demanda 1 820 2 775 3 680 4 655 5 Solução Semana Demanda α 04 1 820 2 775 8200 3 680 8020 4 655 7532 5 7139 F₃ 04775 06820 Exemplo efeito do valor de α Determine a previsão de demanda para a semana 10 utilizando α 01 e 06 Semana Demanda 1 780 2 820 3 680 4 660 5 750 6 800 7 790 8 690 9 775 10 Semana Demanda α 01 α 06 1 780 2 820 7800 7800 3 680 7840 8040 4 660 7736 7296 5 750 7622 6878 6 800 7610 7251 7 790 7649 7701 8 690 7674 7820 9 775 7597 7268 10 7612 7557 Previsão com Suavizamento exponencial Vendas reais de copos Suavizamento exponencial com alfa 01 Suavizamento exponencial 08 última previsão feita em dezembro Janeiro 154 150 150 Fevereiro 114 01154 1 01150 1504 1532 Março 165 01114 1 011504 1468 1218 Abril 152 01165 1 011468 1486 1564 Maio 176 01152 1 011486 1489 1529 Junho 134 01176 1 011489 1516 1714 Julho 123 01134 1 011516 1499 1415 Agosto 154 01123 1 011499 1472 1267 Setembro 134 01154 1 011472 1479 1485 Outubro 156 01134 1 011479 1465 1369 Novembro 123 01156 1 011465 1474 1522 Dezembro 145 01123 1 011474 1450 1288 Efeito do valor de α na Previsão Previsão por Suavização Exponencial Demandasem 780 820 680 660 750 800 790 690 775 761 500 600 700 800 900 1 2 3 4 5 6 7 8 9 10 11 12 Semanas Demanda α 01 α 06 Previsão com Suavizamento Exponencial Previsão com Suavizamento Exponencial Unidades Vendidas Janeiro Fevereiro Março Abril Maio Junho Julho Agosto Setembro Outubro Novembro Dezembro Vendas Reais Suavizamento alfa 01 Suavizamento alfa 08 Linha de Regressão A variável X é dita variável independente ou exógenas enquanto Y é dita variável dependente ou endógenas Yfx Yfx Simples Yfxyz Múltipla Previsão da demanda por Regressão Linear CONSUMO Y X TEMPO Fórmulas Σ i1 to n Ti nb a Σ i1 to n ti Σ i1 to n Titi b Σ i1 to n ti a Σ i1 to n ti2 Exercício 01 Qual a previsão de faturamento para 2001 considerando os seguintes dados históricos uma empresa valores em milhões de reais Ano trimestre 1996 1997 1998 1999 2000 1º 26 33 34 30 33 2º 26 25 24 25 26 3º 39 38 37 37 40 4º 24 23 21 23 24 Total 115 119 116 115 123 Solução ano Faturamento Ti ti ti2 Titi 1996 115 0 0 0 1997 119 1 1 119 1998 116 2 4 232 1999 115 3 9 345 2000 123 4 16 492 total 588 10 30 1188 O sistema então se resumirá à 588 5b 10a 1188 10b 30a Resolução y axb Resolvendo o sistema b 1152 e a 12 Logo y 12x 1152 Assim para o ano de 2001 x5 o faturamento previsto será de y 1152 125 12120 milhões de reais Ou seja a previsão para 2001 de acordo com a curva de tendência é R12120000000 Exercício 02 Qual a previsão do faturamento para o ano de 2018 Considere os dados da tabela em milhões de reais Resolução 1279 5b 10a 2675 10b 30a Logo A equação fica y 2324 117x a 117 b 2324 x 2018 2010 8 y 32600000000 Indicadores ou erros de previsão A precisão da previsão referese ao quão perto as previsões chegam dos dados reais Os indicadores são utilizados para verificar medidas de desempenho do nível de precisão que o modelo de previsão possui Previsões muito próximas dos dados reais significam erros de precisão baixos logo são mais aceitas Quando os erros de precisão são maiores é sinal que o modelo de previsão deve ser alterado ou ajustado Indicadores ou erros de previsão Considere o erro de previsão entre o valor real X e o valor previsto X representado por e X X Para analisar e decidir o melhor modelo de previsão que se ajusta aos dados devese levar em conta os indicadores listados nas seções seguintes Erro percentual absoluto médio MAPE Erro absoluto médio MAD O erro absoluto médio MAD mean absolute deviation é a soma dos desvios absolutos dos n períodos dividida pelo número de períodos É representado pela fórmula MAD i1 to n X Xi n Se MAD for pequeno os dados reais seguem estreitamente as previsões da variável dependente e o modelo de previsão fornece previsões acuradas Erro quadrático médio EQM O erro quadrático médio é dado pela expressão EQM i1 to n Xi Xi2 n De uma forma geral quando os valores do MAD e EQM forem pequenos os dados reais seguem estreitamente as previsões da variável dependente e o modelo de previsão fornece previsões acuradas Exemplo Real Previsto Real Previsto2 Real Previsto Real PrevistoReal Módulo Real PrevistoReal 270 250 400 20 0074074074 0074074074 228 232 16 4 001754386 001754386 184 180 16 4 002173913 002173913