You are on page 1of 43

PREVISÃO DA DEMANDA

Professor Ruy Alexandre Generoso

Gestão de Demanda
Habilidade para prever a demanda Canal de comunicação com o mercado Poder de influência sobre a demanda Habilidade de prometer prazos Habilidade de priorização e alocação
Previsão de Demanda Influência sobre o Mercado

Promessa de Prazos

Gestão de Demanda
Priorização e Alocação

Comunicação com o Mercado

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.
3

Previsão da Demanda:
Principais Processos Operacionais
Processo de previsão de vendas Processo de cadastramento de pedidos Processo de promessa de data de entrega Processo de definição e avaliação do nível de serviço ao cliente Processo de planejamento de necessidades Processo de distribuição física dos produtos aos clientes

suas necessidades e comportamentos Conhecer os produtos e seus usos Saber analisar os dados históricos Conhecer a concorrência e seu comportamento Conhecer as ações da empresa que afetam a demanda Formar uma base de dados relevantes para a previsão Documentar todas as hipóteses feitas na elaboração da previsão Trabalhar com fatos e não apenas opiniões Articular diversos setores para a elaboração da previsão .Previsão da Demanda: Requisitos da boa previsão de vendas Conhecer os mercados.

Longo prazo: produtos/serviços...Previsão da Demanda As previsões são usadas pelo PCP em dois momentos distintos: para planejar o sistema produtivo (longo prazo) e para planejar o uso (curto prazo) deste sistema produtivo.. instalação. 6 . Curto prazo: planos de armazenagem. equipamentos.. compras.. produção.

7 . A previsão da demanda é a principal informação empregada pelo PCP na elaboração de suas atividades. não existe ainda uma especialização muito grande das atividades. cabendo ao pessoal do PCP (geralmente o mesmo de Vendas) elaborar estas previsões. Porém.Previsão da Demanda A responsabilidade pela preparação da previsão da demanda normalmente é do setor de Marketing ou Vendas. existem dois bons motivos para que o pessoal do PCP entenda como esta atividade é realizada. Em empresas de pequeno e médio porte.

Etapas de um Modelo de Previsão Objetivo do modelo Coleta e análise dos dados Seleção da técnica de previsão Obtenção das previsões Monitoração do modelo 8 .

Que produto. empregando-se técnicas simples. ou famílias de produtos. . A sofisticação e o detalhamento do modelo depende da importância relativa do produto. com que grau de detalhe as previsões trabalharão.Objetivo do Modelo A primeira etapa consiste em definir a razão pela qual necessitamos de previsões. e que recursos estarão disponíveis para estas previsões. Assim como admite-se margem de erro maior para previsões de longo prazo. serão previstos. ou família de produtos. empregando-se dados agregados de famílias de 9 produtos. Itens pouco significativos podem ser previstos com maior margem de erro. a ser previsto e do horizonte ao qual a previsão se destina.

.. Alguns cuidados básicos: Quanto mais dados históricos forem coletados e analisados. Os dados devem buscar a caracterização da demanda real pelos produtos da empresa. O tamanho do período de consolidação dos dados (semanal.) tem influência direta na escolha da técnica de previsão mais adequada.Coleta e Análise dos Dados Visa identificar e desenvolver a técnica de previsão que melhor se adapte. mensal. promoções..) devem ser analisadas e substituídas por valores médios. mais confiável a técnica de previsão será. assim como na análise das variações 10 extraordinárias. Variações extraordinárias da demanda (greves.. . que não é necessariamente igual as vendas passadas.. compatíveis com o comportamento normal da demanda.

Alguns fatores merecem destaque na escolha da técnica de previsão: Decidir em cima da curva de troca “custo-acuracidade”.Seleção da Técnica de Previsão Existem técnicas qualitativas e quantitativas. analisar e preparar os dados e a previsão. A disponibilidade de recursos computacionais. 11 . A experiência passada com a aplicação de determinada técnica. Cada uma tendo o seu campo de ação e sua aplicabilidade. A disponibilidade de tempo para coletar. A disponibilidade de dados históricos. O período de planejamento para o qual necessitamos da previsão.

Quanto maior for o horizonte pretendido. para que reflita as tendências mais recentes. um ajuste nos parâmetros do modelo. é suficiente. Em situações normais. menor a confiabilidade na demanda prevista. para verificar se a técnica e os parâmetros empregados ainda são válidos. 12 . podemos obter as projeções futuras da demanda.Obtenção da Previsões Com a definição da técnica de previsão e a aplicação dos dados passados para obtenção dos parâmetros necessários. deve-se monitorar a extensão do erro entre a demanda real e a prevista. À medida em que as previsões forem sendo alcançadas pela demanda real.

visto que no grupo os erros individuais de previsão se anulam. pois não somos capazes de prever todas as variações aleatórias que ocorrerão. A previsão para grupos de produtos é mais precisa do que para os produtos individualmente. A acuracidade das previsões diminui com o aumento do período de tempo. As previsões não são perfeitas. Porém. com diferenças substanciais entre elas. algumas características gerais normalmente estão presentes em todas as técnicas de previsão: Supõem-se que as causas que influenciaram a demanda passada continuarão a agir no futuro. 13 .Técnicas de Previsão Existem várias técnicas disponíveis.

Técnicas de Previsão As técnicas de previsão podem subdivididas em dois grandes grupos: ser TÉCNICAS QUALITATIVAS TÉCNICAS QUANTITATIVAS 14 .

os quais são difíceis de representar numericamente. introdução de novos produtos. especialistas nos produtos ou nos mercados onde atuam estes produtos. Pouco tempo para coleta de dados. cenário político/econômico instável Questões estratégicas: em conjunto matemáticos e técnicas quantitativas com modelos 15 . Estão baseadas na opinião e no julgamento de pessoas chaves.Técnicas de Previsão Qualitativas Privilegiam principalmente dados subjetivos.

resposta estatística (pode não haver consenso) Processo: 1º Passo: Grupo responde Questionário (escala numérica) 2º Passo: Coordenador confere coerência das respostas. caso contrário retornar ao Passo 3. quantificação das respostas (escala numérica).Técnicas de Previsão Qualitativas Método Delphi Características: anonimato. respostas discrepantes com relação à Média devem ser justificados 4º Passo: Coordenador verifica se não houve variações significativas (Fim). altera questões (se necessário). realimentação controlada das informações. processa análise estatística. sistematiza os argumentos manifestados 3º Passo: Grupo responde novo Questionário (com as informações da análise estatística e dos argumentos). 16 .

isentando-se de opiniões pessoais ou palpites. Séries Temporais – modelo matemático da demanda futura relacionando dados históricos de vendas do produto com o tempo Correlações – associar dados históricos de vendas do produto com uma ou mais variáveis relacionadas à demanda 17 .Técnicas de Previsão Quantitativas Envolvem a análise numérica dos dados passados. e as técnicas baseadas em correlações. Podem ser subdivididas em dois grandes grupos: as técnicas baseadas em séries temporais. Empregam-se modelos matemáticos para projetar a demanda futura.

18 . é necessário plotar os dados passados e identificar os fatores que estão por trás das características da curva obtida (Previsão final = composição dos fatores). sazonalidade. É o método mais simples e usual de previsão. Uma curva temporal de previsão pode conter tendência. Para se montar o modelo de previsão. variações irregulares e variações randômicas (há técnicas para tratar cada um destes aspectos). e quando bem elaborado oferece bons resultados. não sofrendo influência de outras variáveis.Previsões Baseadas em Séries Temporais Partem do princípio de que a demanda futura será uma projeção dos seus valores passados.

Mai.Previsões Baseadas em Séries Temporais Tendência Sazonalidade 60 50 Demanda 40 30 20 10 0 Jan. Nov. Dez. Mar. 19 . Fev. Ago. Out. Jul. Jun. Variação randônica Variação irregular Abr. Set.

2.3. A cada novo período de previsão se substitui o dado mais antigo pelo mais recente... Di = Demanda ocorrida no período i. n = Número de períodos.Técnicas para Média: Média Móvel (demanda estável) A média móvel usa dados de um número predeterminado de períodos. normalmente os mais recentes.) 20 . n ∑D Mm n = i =1 i n Mmn = Média móvel de n períodos.. para gerar sua previsão. i = índice do período (i = 1.

30%.0 5 Mm3 = 45 + 70 + 60 = 58. 20%: Julho = 58.50) 21 .33 3 Alternativa: ponderar os períodos com pesos maiores para os mais recentes (50%.00 5 Mm3 = 50 + 45 + 70 = 55.Técnicas para Média: Média Móvel Período Janeiro Fevereiro Março Abril Maio Junho Julho Demanda 60 50 45 50 45 70 60 Previsão para Julho 50 + 45 + 50 + 45 + 70 Mm5 = = 52.00 3 Previsão para Agosto Mm5 = 45 + 50 + 45 + 70 + 60 = 54.

Cada nova previsão é obtida com base na previsão anterior.05 a 0.50 (Softwares usam simulação para 22 ajustar e reduzir erro de previsão) . Valores típicos: 0. acrescida do erro cometido na previsão anterior. Dt-1 = Demanda do período t-1.Técnicas para Média: Média Exponencial Móvel O peso de cada observação decresce no tempo em progressão geométrica. Mt-1 = Previsão para o período t-1. mais rapidamente o modelo de previsão reagirá a uma variação real da demanda. α = coeficiente de ponderação. corrigido por um coeficiente de ponderação. Quanto maior o seu valor. M t = M t −1 + α ( Dt −1 − M t −1 ) Mt = Previsão para o período t. ou de forma exponencial. O coeficiente de ponderação (α) é fixado pelo analista dentro de uma faixa que varia de 0 a 1.

65 91.42 8.25 92.Técnicas para Média: Média Exponencial Móvel α = 0.50 7.12 0.50 Previsão Erro 90.18 95.58 91.50 5.91 -3.50 91.95 1.31 2.69 93.05 94.50 95.62 -0.25 -1.20 3.52 α = 0.25 91.00 90.27 -0.10 Previsão Erro 90.62 92.00 5.25 -5.75 92.91 93.25 2.58 -1.88 91.80 91.00 5.47 23 Período 1 2 3 4 5 6 7 8 9 10 11 Demanda 90 95 98 90 92 95 90 100 92 95 .65 -3.82 8.27 92.58 92.00 92.

a = Ordenada à origem. 24 . X = Período (partindo de X=0) para previsão. b = Coeficiente angular. ou intercessão no eixo dos Y.Técnicas para Tendência: Equação Linear Uma equação linear possui o seguinte formato: b= n Y = a + bX (∑ XY ) − (∑ X )(∑ Y ) n( ∑ X ) − ( ∑ X ) 2 2 Y − b(∑ X ) ∑ a= n Y = Previsão da demanda para o período X. n = número de períodos observados.

46 + 12.76 25 .73 X Y9 = 421.03 Y10 = 421.73 (9) = 536.Técnicas para Tendência: Equação Linear Semana(X) 1 2 3 4 5 6 7 8 Demanda(Y) 450 430 470 480 450 500 520 530 3830 ∑X 1 3 6 10 15 21 28 36 ∑X 1 5 14 30 55 91 140 204 2 XY 450 860 1410 1920 2250 3000 3640 4240 17770 ∑ b= a= 8 ⋅ 17770 − 36 ⋅ 3830 4280 = = 12.73 (10) = 548.46 + 12.46 + 12.46 8 Y = 421.73 ⋅ 36 = 421.73 8 ⋅ 204 − 36 ⋅ 36 336 3830 − 12 .

Pt = Previsão da demanda para o período t. Tt-1 = Previsão da tendência para o período t-1. . Tt = Previsão da tendência para o período t. α2 = coeficiente de ponderação da tendência (softwares ajustam e reduzem erro). Pt-1 = Previsão da demanda para o período t-1. α1 = coeficiente de ponderação da média (softwares ajustam e reduzem erro). 26 Dt = Demanda do período t.Técnicas para Tendência: Ajustamento Exponencial Pt + 1 = M t + Tt M t = Pt + α 1 ( Dt − Pt ) Tt = Tt − 1 + α 2 ( ( Pt − Pt − 1 ) − Tt − 1 ) Pt+1 = Previsão da demanda para o período t+1. Mt = Previsão média exponencial móvel da demanda para o período t.

3((387.6-360.1+29.4+22.2(300-260) 20=20+0.8=298.6+0.4 334.2) 29.0+29.1=390.4=288+0.2(340-288) 22.1-320.3((320.4=20+0.1) 29.5 358.1)-29.4) 360.6 390.6+25.4+0.3((360.1=387.8) 25.1=334.3((288-260)-20) 320.0 Previsão para o 9º trimestre 27 .0=29.0=360.8)-25.Técnicas para Tendência: Ajustamento Exponencial Período Demanda t D 1 2 3 4 5 6 7 8 200 250 240 300 340 390 350 400 Mt = Pt + α 1( Dt − Pt ) Tt = Tt −1 + α 2 ( ( Pt − Pt −1 ) − Tt −1 ) Pt+1 = Mt + Tt Estimativa inicial da tendência = (240-200)/2 = 20 Estimativa inicial da demanda = 240 + 20 = 260 260=240+20 268=260+0.1+0.5=22.6=358.8-288)-22.6) 419.6=25.6=320.3((260-240)-20) 288=268+20 298.2(400-387.6+0.8+0.2(390-320.5+0.5) 387.2(350-360.

30. é 30% maior que a média anual. ela deve ser considerada. e assumi-lo como previsão. Caso exista tendência. consiste em empregar o último dado da demanda.Técnicas para Previsão da Sazonalidade A sazonalidade é expressa em termos de uma quantidade. Exemplo: Venda de casacos em julho/2009 = Vendas em 28 julho/2008 + tendência . ou seja. ou de uma percentagem. O valor aplicado sobre a média. ou a tendência. Exemplo: Índice de Sazonalidade de cervejas em janeiro = 1. é conhecido como índice de sazonalidade. A forma mais simples de considerar a sazonalidade nas previsões da demanda. da demanda que desvia-se dos valores médios da série. no período sazonal em questão.

empregando a média móvel centrada. 29 . calculam-se vários índices para cada período e tira-se uma média. Quando se dispõem de dados suficientes. e aplicá-los sobre o valor médio (ou tendência) previsto para o período em questão. consiste em obter o índice de sazonalidade para os diversos períodos.Técnicas para Previsão da Sazonalidade A forma mais usual de inclusão da sazonalidade nas previsões da demanda. O índice de sazonalidade é obtido dividindo-se o valor da demanda no período pela média móvel centrada neste período. O período empregado para o cálculo da média móvel é o ciclo da sazonalidade.

86 + 0.14=0.42=1.82) = 0.Previsão da Sazonalidade: Exemplo do Restaurante Dia Segunda Terça Quarta Quinta Sexta Sábado Domingo Segunda Terça Quarta Quinta Sexta Sábado Domingo Segunda Terça Quarta Quinta Sexta Sábado Domingo Segunda Terça Quarta Demanda 50 55 52 56 65 80 85 55 50 58 50 70 75 80 52 50 54 60 65 85 90 50 53 55 Média Móvel Centrada Índice Demanda = Número de Refeições 443/7=63.28=1.92 65/64.14 431/7=61.30 90/65.00 85/65.14 435/7=62.26 85/64.04 Isábado = 1.01 80/63.32 30 .14=1.14=1.28 438/7=62.37 Isegunda = (0.28 458/7=65.14 443/7=63.28 448/7=64 443/7=63.84 Iterça = 0.91 50/62.25 Idomingo = 1.87 Iquinta = 0.28 446/7=63.78 58/63.71=0.28=0.86 50/64=0.80 54/63.28=0.86 Isexta = 1.57 441/7=63 436/7=62.57=1.20 80/61.85=1.84 60/65.42 56/63.29 52/63=0.82 50/62.12 75/62.28 449/7=64.28 448/7=64 443/7=63.28=0.79 Iquarta = 0.28=1.84 2 Isegunda = 0.28=0.32 55/63.57=0.88 65/64=1.71 456/7=65.14=1.79 70/62.14 454/7=64.57 435/7=62.85 457/7=65.

Para se fazer isto. dividindo-os pelos correspondentes índices de sazonalidade. desenvolver uma equação que represente o componente de tendência. Com a equação da tendência fazer a previsão da demanda e multiplicá-la pelo índice de sazonalidade. deve-se empregar os seguinte passos: Primeiro. Com estes dados. há necessidade de se incorporar estas duas características no modelo de previsão.Técnicas para Previsão da Sazonalidade No caso da demanda do produto apresentar sazonalidade e tendência. 31 . retirar o componente de sazonalidade da série de dados históricos.

22).16 32 . considere uma tendência dada pela equação: Y = 40 + 2X Deseja-se a previsão da demanda para uma semana em que a 2ª Feira é o 18º Dia.0.32 = 116.25 = 107.0.60 D(5ª) = (40 + 2.1.23).84 = 63.36 D(sab.0.19).1.86 = 70.62 D(4ª) = (40 + 2.84 D(3ª) = (40 + 2.24).20).1.50 D(dom) = (40 + 2.79 = 61.Técnicas para Previsão da Sazonalidade Exemplo: No caso do Restaurante.52 D(6ª) = (40 + 2.0.18).21).04 = 87.) = (40 + 2. Solução: D(2ª) = (40 + 2.87 = 69.

de forma que a soma dos quadrados dos erros de previsão (β) seja a mínima possível. 33 . do tipo Y = a + bX (em que Y é a variável dependente a ser prevista e X a variável independente da previsão).Previsões Baseadas em Correlações Buscam prever a demanda de determinado produto a partir da previsão de outra variável (interna ou externa à empresa) que esteja relacionada com o produto. Este método também é conhecido como “regressão dos mínimos quadrados”. Vidros planos e Construção Civil O objetivo da regressão linear simples consiste em encontrar uma equação linear de previsão. Exemplo: Pneus e Carros.

Previsões Baseadas em Correlações b= n (∑ XY ) − (∑ X )(∑ Y ) n( ∑ X ) − ( ∑ X ) 2 2 Y Y = a + bX β Y − b( ∑ X ) ∑ a= n 2 β ∑ ⇒0 X 34 .

Previsões Baseadas em Correlações 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? 35 .

Previsões Baseadas em Correlações Vendas/Loja Versus Número de Alunos 36 .

99 13 ⋅ 1663.37 − (143.757 + 2.10 = 1.99 ⋅ 143.Previsões Baseadas em Correlações (∑ XY ) − (∑ X )(∑ Y ) = 13 ⋅ 5224.71 − 2 .757 + 2. 13.10) n(∑ X ) − (∑ X ) 2 2 2 b= n a= ∑ Y − b(∑ X ) = n 450.75 = 42.8695 ou seja 42870 refeições 37 .99 .10 ⋅ 450.757 13 Y = 1.86 − 143.71 = 2.99X Y = 1.

Permitir a escolha de técnicas. há necessidade de acompanhar o desempenho das previsões e confirmar a sua validade perante a dinâmica atual dos dados. Este monitoramento é realizado através do cálculo e acompanhamento do erro da previsão. isolar e corrigir variações anormais.Manutenção e Monitorização do Modelo Uma vez decidida a técnica de previsão e implantado o modelo. ou parâmetros. A manutenção e monitoramento de um modelo de previsão confiável busca: Verificar a acuracidade dos valores previstos. Identificar. que é a diferença que ocorre entre o valor real da demanda e o valor previsto pelo modelo para um dado período. mais 38 eficientes. .

aleatoriamente. Quando ultrapassar este valor. O erro acumulado deve ser comparado com um múltiplo do desvio médio absoluto. conhecido como MAD (Mean Absolute Deviation). pois espera-se que o modelo de previsão gere. devendo assim se anular. valores acima e abaixo dos reais.Manutenção e Monitorização do Modelo Uma forma de acompanhar o desempenho do modelo consiste em verificar o comportamento do erro acumulado que deve tender a zero. Em geral. compara-se o valor do erro acumulado com o valor de 4 MAD. o problema deve ser identificado e o modelo deve ser revisto. D ∑ MAD = atual − D prevista n 39 .

65 8.25 92.98 Para α = 0.00 7.50 95.62 2.10 temos que: 4 .50 -5.27 2.88 3.05 Σ erro = 25.82 95.58 8. 3.31 93.85/9 = 3.91 93.25 Erro 5.12 91.91 1.Manutenção e Monitorização do Modelo α = 0.18 -3.58 91.25 91.51 Σ erro = 8.20 91.98 = 15. 3.99 MAD = 35.00 92.51 = 14.50 -1.95 α = 0.00 90.62 92.04 < 25.92 > 8.41 MAD = 31.58 -0.50 Dprevista Erro 5.42 92.65 91.25 -0.25 0.69 -3.50 91.99 40 .27 92.10 Período 1 2 3 4 5 6 7 8 9 10 Datual 90 95 98 90 92 95 90 100 92 95 Dprevista 90.80 -1.61/9 = 3.75 90.50 temos que: 4 .00 5.41 Para α = 0.

Manutenção e Monitorização do Modelo Outros Erros de Previsão: MSE – Mean Square Error n MSE = ∑ Yi − Yˆi i =1 ( n ) ∑ (Erros de Pr evisão) = 2 2 n MAPE – Mean Absolute Percent Error n ∑ MAPE = 100.Tracking Signal TS = ∑ (Y n i =1 i ˆ −Y i MAD ) ∑ Erro de Previsão = MAD 41 . i =1 Re ali − Pr evistoi Re ali n TS .

ou sendo mal interpretada. afetando a demanda.Manutenção e Monitorização do Modelo Uma série de fatores pode afetar o desempenho de um modelo de previsão. Variações irregulares na demanda podem ter acontecido em função de greves. etc. 42 . ou devido ao aparecimento de uma nova variável. Variações aleatórias inerentes aos dados da demanda. formação de estoques temporários. Ações estratégicas da concorrência. sendo usada A técnica de previsão perdeu a validade devido à mudança em uma variável importante. sendo que os mais comuns são: A técnica de previsão pode estar incorretamente. catástrofes naturais.

Processo de Previsão D ados de v a r iá v e is q u e e x p liq u e m a s vendas D ados h is t ó r ic o s d e vendas In fo rm a ç õ e s q u e e x p liq u e m c o m p o rta m e n to a típ ic o TTr r aa tt aa m nnt o ss ta tí ti oo mee t o ee ta ts ís tc ic ddooss ddaa ddooss ddee vv ee nnddaa ss ee oo uut r a s v a r i á v e i s tr a s v a r iá v e is In fo rm a ç õ e s d a c o n ju n tu r a e c o n ô m ic a D e c is õ e s d a á r e a c o m e r c ia l O u tr a s in f o r m a ç õ e s d o m e rc a d o In fo rm a ç õ e s d e c lie n t e s In fo rm a ç õ e s d e c o n c o rre n te s O u tr a s in fo r m a ç õ e s d o m e rc a d o R e u n iã o d e P r e v is ã o C o m p r o m e t im e n t o d a s á r e a s e n v o lv id a s TT rr aa ta m nnt o aa ss ta mee t o dd in f o r m a ç õ e s d i s p o n ee is i n f o r m a ç õ e s d i s p o ní v ív is P ssãão Prreevvi i od dee vveen nd daass 43 .