Upload
doque
View
225
Download
0
Embed Size (px)
Citation preview
1
Gestão de Demanda
Prof. Mauro Sampaio
Supply Chain managmeent 2
Prof. Mauro Sampaio
Projeções
tempo
futuropassado
Vendas reais do passado
Tendência
Sazonalidade
XX
X
Previsões de curto prazoComponente sistemático
Demanda
Faixa de erroComponente aleatório
Supply Chain managmeent 3
Prof. Mauro Sampaio
Importância da AnImportância da Anáálise Preliminar dos Dadoslise Preliminar dos Dados
Previsão da Demanda
00,20,40,60,8
11,21,41,61,8
jan
fev
mar ab
r
mai jun jul
ago
set
out
nov
dez
2005
2006
?
2
Supply Chain managmeent 4
Prof. Mauro Sampaio
VALOR ALTO PORQUE OCORREU UMA PROMOÇÃO EM 1996
Importância da AnImportância da Anáálise Preliminar dos Dadoslise Preliminar dos Dados
Previsão da Demanda
00,20,40,60,8
11,21,41,61,8
jan
fev
mar ab
r
mai jun jul
ago
set
out
nov
dez
2005
2006
Supply Chain managmeent 5
Prof. Mauro Sampaio
AJUSTE DO BANCO DE DADOS – SÓ EM CASOS JUSTIFICADOS!!!!
Importância da AnImportância da Anáálise Preliminar dos Dadoslise Preliminar dos Dados
Previsão da Demanda
00,20,40,60,8
11,21,41,61,8
jan
fev
mar ab
r
mai jun jul
ago
set
out
nov
dez
2005
2006
Supply Chain managmeent 6
Prof. Mauro Sampaio
3
Supply Chain managmeent 7
Prof. Mauro Sampaio
Supply Chain managmeent 8
Prof. Mauro Sampaio
Supply Chain managmeent 9
Prof. Mauro Sampaio
4
Supply Chain managmeent 10
Prof. Mauro Sampaio
Supply Chain managmeent 11
Prof. Mauro Sampaio
Supply Chain managmeent 12
Prof. Mauro Sampaio
Qual a previsão para novembro de 2002?
5
Supply Chain managmeent 13
Prof. Mauro Sampaio
Dem
anda
Dem
anda
Dem
anda
Tempo Tempo Tempo
Série com TendênciaSérie Constante Série Sazonal
Série composta, com Nível Sazonalidade e Tendência
Dem
and
a
Tempo
SÉRIES TEMPORAIS
Supply Chain managmeent 14
Prof. Mauro Sampaio
Período
Dem
and
a
Período
Dem
and
aD
eman
da
Período
Sazonal
Tendência
Estável
hoje
tempo
1 a 3 meses 1 a 2 ano 5 anos
• Média Móvel• Suavização
Exponencial. Regressão
Linear
• Holt• Regressão
Linear
• Decomposição- Multiplicativo- Aditivo
• Winter estático
Demanda Desagregada................................. Demanda Agregada
Modelos Causais- Regressão múltipla
Modelos Qualitativos
• método delphi • cenários
(projeção – futurosimilar passado)
(explicação –relações do passadosimilares ao futuro)
(O futuro não guarda relação
direta com o passado)
PROJEÇÃO EXPLICAÇÃO PREDIÇÃO
Período
Supply Chain managmeent 15
Prof. Mauro Sampaio
Vendas reais Média móvel de 3 períodos
de copos MM3
Janeiro 154
Fevereiro 114
Março 165
Abril 152 (154 + 114 + 165) / 3 = 144,3
Maio 176 (114 + 165 + 152) / 3 = 143,7
Junho 134 (165 + 152 + 176) / 3 = 164,3
Julho 123 (152 + 176 + 134) / 3 = 154,0
Agosto 154 (176 + 134 + 123) / 3 = 144,3
Setembro 134 (134 + 123 + 154) / 3 = 137,0
Outubro 156 (123 + 154 + 134) / 3 = 137,0
Novembro 123 (154 + 134 + 156) / 3 = 148,0
Dezembro 145 (134 + 156 + 123) / 3 = 137,7
Médias móveis
6
Supply Chain managmeent 16
Prof. Mauro Sampaio
Acompanhamento dos erros de previsão: viés
Erros de previsão definirão os “colchões” de recursos necessários
Vendas reais Previsão Erro Erro Desvio Desvio Desvio AbsolutoTracking
de copos MM3 absoluto absoluto Médio signal
(Dt) (Ft)(Ft-Dt)Et
acumuladoEt acumulado (DAA/n) At/DAM
A t DAA DAM TS
Janeiro 154
Fevereiro 114
Março 165
Abril 152 144,3 -7,7 -7,7 7,7 7,7 7,7 -1,0
Maio 176 143,7 -32,3 -40,0 32,3 40,0 20,0 -2,0
Junho 134 164,3 30,3 -9,7 30,3 70,3 23,4 -0,4
Julho 123 154,0 31,0 21,3 31,0 101,3 25,3 0,8
Agosto 154 144,3 -9,7 11,7 9,7 111,0 22,2 0,5
Setembro 134 137,0 3,0 14,7 3,0 114,0 19,0 0,8
Outubro 156 137,0 -19,0 -4,3 19,0 133,0 19,0 -0,2
Novembro 123 148,0 25,0 20,7 25,0 158,0 19,8 1,0
Dezembro 145 137,7 -7,3 13,3 7,3 165,3 18,4 0,7
Supply Chain managmeent 17
Prof. Mauro Sampaio
Medida do Erro de Previsão
Demanda estimativa menos a demanda real no instante t
Erro
Razão entre o viés da previsão no período t e o DAMt
Soma dos erros
Erro absoluto médio como % da demanda
Média dos quadrados
Média dos valores absolutos
Valor absoluto do erro
Descrição
Sinal de Rastriamento
Viés
Erro absoluto médio porcentual
Erro quadrático médio
Desvio absoluto médio
Desvio absoluto
ExpressãoErros de Previsão
tt EA =
∑=
=n
t
tn An
DAM1
1
∑=
=n
t
tnE
nEQM
1
21
n
D
E
EAMP
n
t t
t
n
1001
∑=
=
∑=
=n
t
tEviés1
t
tt
DAM
viésTS =
ttt DFE −=
Supply Chain managmeent 18
Prof. Mauro Sampaio
Limites para “tracking signal”
-6,00
-2,00-1,000,001,002,00
6,00
Abril
Maio
Junh
oJu
lho
Agosto
Setem
bro
Outub
ro
Novem
bro
Dezem
bro
Tracking signal Limite superior Limite inferior
7
Supply Chain managmeent 19
Prof. Mauro Sampaio
DAM após o Projeto Arrow
49.6%
44.7%
38.7%41.1%
46.2%
40.7%38.0% 38.6%
35.9%
25.2%27.1%
24.1%
31.7%
21.6%
24.3%
25.2%25.0%
35.1%
27.9%30.4%
26.9%
32.1%29.3%
23.2%
-10%
0%
10%
20%
30%
40%
50%
60%
jan/02 fev/02 mar/02 abr/02 mai/02 jun/02 jul/02 ago/02 set/02 out/02 nov/02 dez/02 jan/03 fev/03 mar/03 abr/03 mai/03 jun/03 jul/03 ago/03 set/03 out/03 nov/03 dez/03
% F
ore
cas
t
DAM
Implementação
Grande tendênvia de redução do erro da estimativa.
Supply Chain managmeent 20
Prof. Mauro Sampaio
Modelos Adaptáveis – Suavização Exponencial Simples
• O nível inicial L0 pode ser calculado através da média de todos os dados históricos, porque supôs-se que a demanda não apresenta tendência nem sazonalidade.
• A estimativa da demanda é:
ttt LDL )1(1 αα −+×=+
Supply Chain managmeent 21
Prof. Mauro Sampaio
Suavizamento exponencial
Vendas reais Suavizamento exponencial com alfade copos 0,1
Média de 12 meses
Janeiro 154 144,2
Fevereiro 114 [(0,1)*(154) + (1 -0,1)*(144,2)] = 145,2
Março 165 [(0,1)*(114) + (1 -0,1)*(145,2)] = 142,0
Abril 152 [(0,1)*(165) + (1 -0,1)*(142,0)] = 144,3
Maio 176 [(0,1)*(152) + (1 -0,1)*(144,3] = 145,1
Junho 134 [(0,1)*(176) + (1 -0,1)*(145,1)] = 148,2
Julho 123 [(0,1)*(134) + (1 -0,1)*(148,2)] = 146,8
Agosto 154 [(0,1)*(123) + (1 -0,1)*(146,8)] = 144,4
Setembro 134 [(0,1)*(154) + (1 -0,1)*(144,4)] = 145,4
Outubro 156 [(0,1)*(134) + (1 -0,1)*(145,4)] = 144,2
Novembro 123 [(0,1)*(156) + (1 -0,1)*(144,2)] = 145,4
Dezembro 145 [(0,1)*(123) + (1 -0,1)*(145,4)] = 143,3
8
Supply Chain managmeent 22
Prof. Mauro Sampaio
Supply Chain managmeent 23
Prof. Mauro Sampaio
Supply Chain managmeent 24
Prof. Mauro Sampaio
9
Supply Chain managmeent 25
Prof. Mauro Sampaio
Supply Chain managmeent 26
Prof. Mauro Sampaio
Regressão Linear
Month
Qtdade
jannovsetjulmaimarjan
180
170
160
150
140
130
120
110
Accuracy Measures
MAPE 10,869
MAD 15,111
MSD 312,345
Variable
Forecasts
Actual
Fits
Regressão LinearLinear Trend Model
Yt = 149,803 - 0,867133*t
Supply Chain managmeent 27
Prof. Mauro Sampaio
Medida do Erro de Previsão
• O viés permite verificar se o modelo de previsão utilizado sistematicamente superestima (viés > 0) ou subestima (viés < 0) a demanda. O viés da previsão oscilará em torno de 0 (zero) se o erro de previsão for de fato aleatório e não enviesado.
• Se a razão de viés estiver fora da faixa (-6 < TS < 6), a previsão pode estar subestimada (< -6) ou superestimada (> 6).
• Supondo que o componente aleatório da demanda seja distribuído normalmente, o DAM permite estimar o desvio-padrão do mesmo, como segue:
DAM25,1=σ
10
Supply Chain managmeent 28
Prof. Mauro Sampaio
Limites para “tracking signal”
-6,00
-2,00-1,000,001,002,00
6,00
Abril
Maio
Junh
oJu
lho
Agosto
Setem
bro
Outub
ro
Novem
bro
Dezem
bro
Tracking signal Limite superior Limite inferior
Supply Chain managmeent 29
Prof. Mauro Sampaio
DAM após o Projeto Arrow
49.6%
44.7%
38.7%41.1%
46.2%
40.7%38.0% 38.6%
35.9%
25.2%27.1%
24.1%
31.7%
21.6%
24.3%
25.2%25.0%
35.1%
27.9%30.4%
26.9%
32.1%29.3%
23.2%
-10%
0%
10%
20%
30%
40%
50%
60%
jan/02 fev/02 mar/02 abr/02 mai/02 jun/02 jul/02 ago/02 set/02 out/02 nov/02 dez/02 jan/03 fev/03 mar/03 abr/03 mai/03 jun/03 jul/03 ago/03 set/03 out/03 nov/03 dez/03
% F
ore
cas
t
DAM
Implementação
Grande tendênvia de redução do erro da estimativa.
Supply Chain managmeent 30
Prof. Mauro Sampaio
Modelos de Previsão
Modelo Estático:
• Nesse caso, o nível, a tendência e o fator de sazonalidade são estimados no ponto inicial, com base nos dados históricos e, sem alteração, são utilizados para as previsões futuras. O modelo estático assume que o erro de previsão édevido somente ao componente aleatório da demanda.
Modelos Adaptáveis:
• Nesse caso, as estimativas de nível, tendência e sazonalidade são atualizadas a cada nova observação de demanda. Assumem que o erro da previsão é devido parcialmente à estimativa incorreta e parcialmente ao componente aleatório da demanda.
11
Supply Chain managmeent 31
Prof. Mauro Sampaio
Método Holt
• A previsão de L e T para os períodos futuros é:
Ft+1 = Lt + Tt
• Após a observação da demanda no período t, as estimativas de nível e tendência são revistas, como segue:
• Onde:
• α = constante de suavização para o nível => 0 < α < 1
• β = constante de suavização para a tendência=> 0 < β < 1
• Assim, a cada atualização a estimativa de nível e tendência é a média ponderada entre o valor observado e a estimativa do período anterior.
))(1(11 ttttTLDL +−+= ++ αα
tttt TLLT )1()( 11 ββ −+−= ++
Supply Chain managmeent 32
Prof. Mauro Sampaio
Método Holt
Supply Chain managmeent 33
Prof. Mauro Sampaio
Método Holt Otimizado
12
Supply Chain managmeent 34
Prof. Mauro Sampaio
Supply Chain managmeent 35
Prof. Mauro Sampaio
Modelos Estáticos – SAZONAL
Demanda
0
10.000
20.000
30.000
40.000
50.000
1 2 3 4 5 6 7 8 9 10 11 12
Trimestres
Supply Chain managmeent 36
Prof. Mauro Sampaio
• Para periodicidade p (número de períodos em que o ciclo de sazonalidade se repete), a dessazonalização é realizada calculando a média de p períodos consecutivos, para que todos tenham o mesmo peso, para os ciclos em que se conhece Dt. Assim:
parpparapDDDDpt
pti
iptptt 2/2)2/(1
)2/(1
)2/()2/(
++= ∑
+−
−+=
+−
∑+
−=
=)2/(
)2/(
/pt
pti
it imparpparapDD
13
Supply Chain managmeent 37
Prof. Mauro Sampaio
Dessazonalizar a Demanda
Supply Chain managmeent 38
Prof. Mauro Sampaio
Demanda Dessazonalizada
0
5.000
10.000
15.000
20.000
25.000
30.000
35.000
40.000
45.000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Trimestre
Demanda Dt Demanda Dessazonalizada
Supply Chain managmeent 39
Prof. Mauro Sampaio
Regressão Linear da Demanda Dessazonalizada
C1
C2
109876543
24000
23000
22000
21000
20000
S 414,503
R-Sq 91,8%
R-Sq(adj) 90,4%
Fitted Line PlotC2 = 18439 + 523,8 C1
14
Supply Chain managmeent 40
Prof. Mauro Sampaio
Demanda Desazonalizada
Supply Chain managmeent 41
Prof. Mauro Sampaio
Demanda dessazonalizada
Supply Chain managmeent 42
Prof. Mauro Sampaio
Calculo do Fator de Sazonalidade Médio
15
Supply Chain managmeent 43
Prof. Mauro Sampaio
Supply Chain managmeent 44
Prof. Mauro Sampaio
Supply Chain managmeent 45
Prof. Mauro Sampaio
Método Winter Estático
16
Supply Chain managmeent 46
Prof. Mauro Sampaio
Método Winter Estático
Supply Chain managmeent 47
Prof. Mauro Sampaio
Método Winter Adaptável
))(1()/( 111 ttttt TLSDL +−+= +++ αα
tttt TLLT )1()( 11 ββ −+−= ++
1111 )1()/( +++++ −+= tttpt SLDS γγ
Supply Chain managmeent 48
Prof. Mauro Sampaio
Método Winter
17
Supply Chain managmeent 49
Prof. Mauro Sampaio
O processo de Gestão de DemandaO processo de Gestão de Demanda
Dados de variáveis que expliquem as
vendas
Dados de variáveis que expliquem as
vendas
Dados históricos de
vendas
Dados históricos de
vendas
Informações que expliquem
comportamento atípico
Informações que expliquem
comportamento atípico
Tratamento estatístico dos dados
de vendas e outras
variáveis
Tratamento Tratamento estatestatíístico stico dos dados dos dados
de vendas e de vendas e outras outras
varivariááveisveis
Informações deconcorrentes
Informações deconcorrentes
Informaçõesde
clientes
Informaçõesde
clientes
Outras informações de mercado
Outras informações de mercado
Decisões da área comercial
Decisões da área comercial
Informações da conjuntura
econômica
Informações da conjuntura
econômica
Outras informações de mercado
Outras informações de mercado
REUNIÃO DE PREVISÃO
Tratamento das
informações disponíveis
REUNIÃO DE REUNIÃO DE PREVISÃOPREVISÃO
Tratamento das
informações disponíveis
PR
EV
ISÃ
O D
E V
EN
DA
SP
RE
VIS
ÃO
DE
VE
ND
AS
PR
EV
ISÃ
O D
E V
EN
DA
S
Supply Chain managmeent 50
Prof. Mauro Sampaio
VolumeBaixo Alto
Ince
rtez
a d
a d
eman
da
baix
aA
lta
Previsão orientada por dados
Ambiente Make to Order
Previsão Orientada por pessoas
Segmentar produtos pela abordagem apropriada de previsão de demanda
Equipes diferentes para diferentes categorias
Supply Chain managmeent 51
Prof. Mauro Sampaio
Empresa For
ça d
e V
enda
s
Mar
ketin
g
Pro
duçã
o
Ges
tão
de D
eman
da
Fin
ança
s
Logí
stic
a
Pla
neja
men
to
1 1 1 1 1 12 13 1 14 1 15 1 16 1 1 1 1 1 17 1 1 18 1 1 19 1 1 1
10 1 1 111 1 1 112 113 1 1 1 1 1
Total 12 11 4 3 2 2 5
Quem Elabora a Previsão ?
18
Supply Chain managmeent 52
Prof. Mauro Sampaio
(tempo)
Previsão dedemanda / erro
Erros esperados de previsão crescem com o horizonte
Hoje Horizonte futuro
Fai
xa d
e er
ro e
sper
ado
Previsão
Erros esperados crescem com horizonte
12 horas
Supply Chain managmeent 53
Prof. Mauro Sampaio
Previsões – efeito da agregação
A agregação dos dados reduz as incertezas da previsão
IMPLICAÇÃO: faça previsões no nível mais agregado possível...
Produto Previsão Real Erro
Big Mac 15.000 17.000 13%Cheddar 9.000 7.500 17%Quarteirão 12.000 13.000 8%Hamburger 25.000 20.000 20%McChicken 8.000 13.000 63%
Total 69.000 70.500 2%
}MÉDIA24%
!!!
Realizada em Julho de 2004 para Julho de 2005
Julho de 2005
Supply Chain managmeent 54
Prof. Mauro Sampaio
(tempo)
Pre
visã
o de
dem
anda
/ er
ro
Erros esperados de previsão crescem com o horizonte
Hoje Horizonte futuro
Previsão
Agregação dos dados pode ser maior para decisões de longo prazo
Agregação gradualm
ente maior
dos dados faz erros gradualmente
diminuirem
Efeitos dos horizontes e da agregação dos dados nas previsões
19
Supply Chain managmeent 55
Prof. Mauro Sampaio
VendasVendas
Novas opiniões
Tratamento estatístico
Respostas
Júri de opiniões de executivos
Composto da força de vendas
Método DelphiPesquisa de mercado
Supply Chain managmeent 56
Prof. Mauro Sampaio
Erros freqüentes em previsões
•• Erro 1Erro 1 das previsões: confundir previsões com metasconfundir previsões com metas é, um erro subseqüente, considerar as metas como se fossem previsões.
•• Erro 2Erro 2 das previsões: gastar tempo e esforço discutido se "acerta" ou "erra" nas previsões, quando o mais relevante édiscutir "o quanto" se está errando e as formas de alterar processos envolvidos, de forma a reduzir estes "erros".reduzir estes "erros".
•• Erro 3Erro 3 das previsões: levar em conta, nas previsões que servirão a apoiar decisões em operações, um número só. Previsões, para operações, devem sempre ser consideradas com dois "ndois "núúmeros":meros": a previsão em si é uma estimativa do erro desta previsão.
•• Erro 4Erro 4 das previsões: desistir ou não se esforçar o suficiente para melhorar os processos de previsão por não se conseguir "acertar" as previsões, quando, em operações, não se necessita ter previsões perfeitas, mas sim, previsões previsões consistentemente melhores que as da concorrênciaconsistentemente melhores que as da concorrência.
Supply Chain managmeent 57
Prof. Mauro Sampaio