Gestão de Demanda - pospaulasouza.com.br fileDemanda Desagregada..... Demanda Agregada Modelos Causais - Regressão múltipla Modelos Qualitativos • método delphi •

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


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


Prof. Mauro Sampaio

VALOR ALTO PORQUE OCORREU UMA PROMOÇÃO EM 1996



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


Prof. Mauro Sampaio

AJUSTE DO BANCO DE DADOS – SÓ EM CASOS JUSTIFICADOS!!!!



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


Prof. Mauro Sampaio

3


Prof. Mauro Sampaio


Prof. Mauro Sampaio


Prof. Mauro Sampaio

4


Prof. Mauro Sampaio


Prof. Mauro Sampaio


Prof. Mauro Sampaio

Qual a previsão para novembro de 2002?

5


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


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


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


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


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 −=


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


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.


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 −+×=+


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


Prof. Mauro Sampaio


Prof. Mauro Sampaio


Prof. Mauro Sampaio

9


Prof. Mauro Sampaio


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


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


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


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.


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


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 −+−= ++


Prof. Mauro Sampaio

Método Holt


Prof. Mauro Sampaio

Método Holt Otimizado

12


Prof. Mauro Sampaio


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


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


Prof. Mauro Sampaio

Dessazonalizar a Demanda


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


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


Prof. Mauro Sampaio

Demanda Desazonalizada


Prof. Mauro Sampaio

Demanda dessazonalizada


Prof. Mauro Sampaio

Calculo do Fator de Sazonalidade Médio

15


Prof. Mauro Sampaio


Prof. Mauro Sampaio


Prof. Mauro Sampaio

Método Winter Estático

16


Prof. Mauro Sampaio

Método Winter Estático


Prof. Mauro Sampaio

Método Winter Adaptável

))(1()/( 111 ttttt TLSDL +−+= +++ αα

tttt TLLT )1()( 11 ββ −+−= ++

1111 )1()/( +++++ −+= tttpt SLDS γγ


Prof. Mauro Sampaio

Método Winter

17


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


Decisões da área comercial

Decisões da área comercial

Informações da conjuntura

econômica

Informações da conjuntura

econômica



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


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


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


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


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


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


Prof. Mauro Sampaio

VendasVendas

Novas opiniões

Tratamento estatístico

Respostas

Júri de opiniões de executivos

Composto da força de vendas

Método DelphiPesquisa de mercado


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.


Prof. Mauro Sampaio

Documents

Gestão de Demanda - pospaulasouza.com.br fileDemanda Desagregada..... Demanda Agregada Modelos Causais - Regressão múltipla Modelos Qualitativos • método delphi •