Aula 07 - Gestao de Demanda

Gestão de Demanda
OBJETIVO
 Discutir a importância da gestão da demanda

no processo de planejamento
 Apresentar métodos para previsão da

demanda
PCP I
Profa. Juliana Aula 07 –Gestão da Demanda 2
Importância da Gestão da Demanda

 Facilitar a alteração dos volumes de
produção/mix
 Possibilidade de criação/modificação do
comportamento do mercado consumidor :
 Produtos de consumo: por meio de atividades de
marketing, promoções, esforço de vendas..
 Outros produtos
 sistemas indutores de comportamento de vendedores e
representantes comerciais
 Ex. sistemas de cotas e comissões variáveis
PCP I
Profa. Juliana Aula 07- Gestão da Demanda 3
1
Principais elementos da gestão
da demanda
Previsão de
Demanda
Influência Promessa
sobre o de Prazos
Mercado
Gestão de
Demanda
Comunicação
Priorização
com o
e Alocação
Mercado
PCP I
Profa. Juliana Aula 07 – Gestão da Demanda 4
Previsão da demanda
 “É um processo racional de busca de

informações acerca do valor das vendas
futuras de um item ou de um conjunto de
itens. “
 Características dos Métodos de Previsão
 Disponibilidade de dados
 Horizonte de previsão
PCP I
Previsão de Demanda
• Com base nessas estimativas serão tomadas cursos de
ações no futuro;
• São o ponto de partida para todas as outras previsões do
planejamento e controle produtivo;
• Previsão não é decisão, mas informação fundamental para
quem quer planejar e decidir bem;
• Possui especial importância no planejamento estratégico da
empresa
• Existe previsão sem planejamento, mas não planejamento
sem previsão
…….planejamento…
PCP I
Profa. Juliana Aula 07 – Gestão da Demanda
2
Previsão de Demanda
 As ações determinadas pelo planejamento podem se dar
no sentido de alterar as coisas previstas.
Planos
Previsões Ações
Alterações
do Previsto
PCP I
Princípios de Previsão
 As previsões geralmente estão erradas !!
 Cada previsão deve incluir uma estimativa de

erro
 As previsões são mais precisas para

períodos de tempo mais próximos
PCP I
Algumas Razões para previsões

ineficazes
 Deixar de reconhecer a importância da
atividade de previsão
 Deixar de escolher o método de previsão

apropriado
 Deixar de acompanhar o desempenho dos

modelos de previsão
PCP I
3
Classes Abordagens
Qualitativas
 Quantitativos
 Projeção ou Temporal Previsão
Demanda
 Explicação ou Causal
Abordagens
Quantitativas
 Qualitativos
 Predição
Classificação quanto ao
HORIZONTE DE PREVISÃO CLASSE DE MODELOS
Longo Prazo Qualitativos
Médio Prazo Quantitativos e Qualitativos
Curto Prazo Quantitativos e Qualitativos

PCP I
Abordagens Qualitativas
 baseadas no julgamento de pessoas que

tenham condições de opinar sobre as
demandas futuras: vendedores, gerentes,
clientes, fornecedores, etc.
 não se apóiam em nenhum modelo
matemático, embora possam ser conduzidas
de maneira sistemática.
PCP I
Abordagem Qualitativa
 Quando nao se tem dados concretos sobre o
problema
 Usam julgamento, intuição, exames
 Exemplos de métodos
 Método Delphi
 Pesquisa de mercado
 Opiniões de executivos
 Opinião/estimativa da força de vendas
 Pesquisas junto a consumidores
 Analogia histórica
PCP I
4
Previsão de Demanda – Métodos Qualitativos
 Opinião da força de vendas: Desenvolvido com base na opinião

do pessoal envolvido diretamente com as vendas.
 Pesquisas junto a Consumidores;
 Analogia histórica: Esse método une a estimativa de vendas

futuras de um produto durante várias etapas de seu ciclo de vida.
PCP I
Predição
 Admite-se que o futuro não guarda relação

clara com o passado. As previsões são
geradas através de julgamento de
especialistas e análise do conhecimento
acumulado
D(t) = função não explicitada matematicamente
PCP I
Predição através do MÉTODO DELPHI

• Premissas:
 opiniões individuais são exageradamente afetadas por otimismo
ou pessimismo
 Reuniões em grupo podem geram previsões viesadas
predições em separado
resumo analítico pelo coordenador
devolução e novas predições

em separado
reunião de fechamento eventual
PCP I
5
Método Delphi
 modus operanti
 Dirigido por um coordenador que orienta grupo de
peritos
 A cada perito é pedido uma previsão anônima bem
como as razões
 As respostas dos peritos são analisadas em busca de
um consenso
 Caso não exista consenso realiza-se mais uma
rodada.
 O procedimento continua até se atingir um nível
suficiente de consenso
PCP I
Método Delphi
 Vantagens  Inconvenientes
 peritos com diferentes
experiências, culturas,
pontos de vista  Demorado
 pode ser realizado à
distância  Pode demandar muito
 evita a dominação da tempo dos participantes
discussão
 assegura nível de  Idéias escritas podem
participação equilibrado necessitar esclarecimentos
 anonimato facilita a
expressão das idéias
 respostas escritas mais
concisas
PCP I
Alguns dos viéses observados

no processo de predição
 Incoerencia
 Conservadorismo
 Uso de informações mais recentes como mais importantes
 Uso somente das informações mais facilmente disponíveis
 Percepção seletiva
 Uso de correlações ilusórias
 Busca de suporte às próprias crenças
 Subestimativa de incertezas
 Dificuldade de separar aleatoriedade de tendência
 Percepção do desvio como azar e acerto como sabedoria
PCP I
6
Abordagens Quantitativas
 Usam-se quando existem dados concretos sobre
 vendas da empresa
 procura de um produto
 preço de matéria-prima, etc...
 Assumem que o futuro é uma réplica do passado, pelo

menos em grande parte
 Duas famílias de métodos

 Não causais
 tratamento de dados
 Causais
 Exploram a relação causa-efeito
PCP I
Previsão de Demanda – Métodos

Quantitativos
• Métodos causais:
• A demanda de um item (ou itens) pode estar relacionada com
variáveis externas à empresa: crescimento da população (ou de
uma classe específica dela), número de alvarás expedidos para
construção, consumo de certos produtos, etc., são fatores
indutores da demanda de produtos afins.
• Séries temporais:
• A análise de séries temporais exige somente o conhecimento de
valores passados da demanda.
PCP I
Componentes da demanda
PCP I
7
Projeção ou Temporal
Admite-se que o futuro será uma reprodução do
passado, e não existe preocupação em se
conhecer as causas da demanda, mesmo
sabendo que elas existem.
D(t) = F(t) + xs(t)
 F(t) reflete padrões temporais e suas alterações.
PCP I
Características dos dados
PCP I
PCP I
8
Processo Sazonal com tendência
PCP I
Constante ou Permanente
 𝐷 =𝑎+ 𝜀
Vendas
120
110
100
90
Vendas
80
70
60
50
0 5 10 15 20 25 30
PCP I
Métodos baseados em processos

constantes
 Métodos ingênuos
 Métodos baseados na médias

 Método da média móvel
 Método da média ponderada
 Método da suavização exponencial simples

 Método da suavização exponencial dupla
PCP I
9
Método do último ponto de
informação
 ou Método Ingênuo
𝐹 =𝑑
𝐹 = Previsão para o período t

𝑑 = valor real do período anterior
PCP I
Métodos baseados na médias
 Método da média móvel

𝐷 +𝐷 +𝐷 + … . +𝐷
𝐹 =
𝑛
𝐹 é a previsão para o período t

𝐷 é a demanda do período t
n é o número de períodos considerados para a previsão
PCP I
Previsão de Demanda – Método Média Móvel
Exemplo: Uma fábrica de refrigerantes possui uma demanda

mensal para um de seus produtos de acordo com a tabela
abaixo. Calcule a previsão da demanda para o mês de
agosto. Utilize os períodos de 3, 5 e 7 meses.
Para PR: 3 meses
Mês Volume
Ft = (800 + 225 + 650) / 3 = 558,3 ou
Janeiro 400 558 unid.
Fevereiro 300 Para PR: 5 meses
Março 520 Ft = (800 + 225 + 650 + 700 + 520 ) / 5
Abril 700 = 579 unid.
Maio 650 Para PR: 7 meses
Junho 225
Ft = (800 + 225 + 650 + 700 + 520 +
Julho 800 300 +400 ) / 7 = 513,6 ou 514 unid.
PCP I
10
Gráfico Atenuação/ Ruído
PCP I
Previsão de Demanda – Método Média Móvel
Médias Móveis Ponderada:

Inclusão de pesos
𝐹 =𝑝 𝐷 +𝑝 𝐷 +𝑝 𝐷 +⋯+𝑝 𝐷 desiguais aos dados
históricos
𝑝 +𝑝 +⋯+𝑝 = 1
𝐹 = 𝑝𝑟𝑒𝑣𝑖𝑠ã𝑜 𝑝𝑎𝑟𝑎 𝑜 𝑝𝑒𝑟í𝑜𝑑𝑜 𝑡

𝐷 = 𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑑𝑜 𝑝𝑒𝑟í𝑜𝑑𝑜 𝑡 Podemos atribuir maior
𝑝 = 𝑝𝑒𝑠𝑜 𝑎𝑡𝑟𝑖𝑏𝑢í𝑑𝑜 𝑎 𝑐𝑎𝑑𝑎 𝑑𝑎𝑑𝑜 𝑛 ℎ𝑖𝑠𝑡ó𝑟𝑖𝑐𝑜 grau de importância a
dados mais recentes
melhorando a estimativa
PCP I
Previsão de Demanda – Método Médias Móvel Ponderada
Exemplo: Sendo fornecidos os dados de demanda da tabela a

seguir,
Determine uma previsão por média móvel ponderada, utilizando
um peso de 0,40 para o período mais recente, 0,30 para o
período anterior, 0,20 para o que precede a este e 0,10 para o
primeiro período.
Resolução: [(41x0,4) + (40x0,3) +
Período Demanda (43x0,2) + 40x0,1)] = 41 peças
(pçs)
1 42
2 40
3 43
4 40
5 41
PCP I
11
Previsão de Demanda – Suavização Exponencial Simples
Média Móvel Exponencialmente Ponderada de 1a. Ordem
ou Suavização Exponencial Simples:
Previsão (t) = Previsão (t-1) + Fracao do Erro
realiza um auto-ajuste
referente aos erros de
𝐹 =𝐹 + α (𝐷 −𝐹 ) previsão ocorridos nos
dados passados para
a realização da
0 ≤ 𝛼 ≤1 , 𝑡 ≥3 previsão futura.
𝐹 é o valor previsto para o período t

𝐹 é o valor previsto para o período t − 1
𝛼 é o parâmetro para a constante de suavização
𝐷 é o valor da demanda para o período t − 1
PCP I
Mês Demanda real Demanda prevista

Junho 10 10
Julho 12 10
Agosto 15 10,6
Setembro 14 11,9
Outubro --- 12,5
𝐹 =𝐹 + 𝛼 𝐷 −𝐹 = 10 + 0,3 10 − 10 = 10
𝐹 =𝐹 + 𝛼 𝐷 −𝐹 = 10 + 0,3 12 − 10 = 10,6
𝐹 =𝐹 + 𝛼 𝐷 −𝐹 = 10,6 + 0,3 15 − 10,6 = 11,9
𝐹 =𝐹 + 𝛼 𝐷 −𝐹 = 11,9 + 0,3 14 − 11,9 = 12,5
PCP I
Quanto mais elevado for alfa (), mais elevada

será a resposta ao impulso, e menor será a
PCP I capacidade de atenuação, e vice versa
Profa. Juliana
12
Porque a denominação “exponencialmente
ponderada”?
Reescrevendo a equação:
Ft = α Dt-1 + (1- α) Ft-1
Substituindo o valor de Ft-1 temos:
Ft = α Dt-1 + (1- α) [α Dt-2 + (1- α) Ft-2 ] ou
Ft = α Dt-1 + (1- α) α Dt-2 + (1- α)2 Ft-2
Substituindo o valor de Ft-2 temos
Ft = α Dt-1 + (1- α) α Dt-2 + (1- α)2 [α Dt-3 + (1- α) Ft-3] ou
Ft = α Dt-1 + (1- α) α Dt-2 + (1- α)2 α Dt-3 + (1- α)3 Ft-3
As demandas reais D comparecem todas na expressão da demanda prevista

para um período qualquer t; indica também que, quanto mais antiga a demanda
real, exponencialmente menor o peso com que comparece na expressão de Ft.
PCP I
Pesos atribuídos as observações passadas

dependendo do valor de α (gráficos)
α = 0.2 α = 0.5
0,25 0,6
0,200 0,500
0,2 0,5
0,160
0,4
0,15 0,128
0,107 0,102 0,3 0,250
0,1 0,082
0,066 0,2
0,042 0,052 0,125
0,05 0,027 0,034 0,1 0,063
0,031
0,001 0,001 0,002 0,004 0,008 0,016
0 0
t-11 t-10 t-9 t-8 t-7 t-6 t-5 t-4 t-3 t-2 t-1 t-11 t-10 t-9 t-8 t-7 t-6 t-5 t-4 t-3 t-2 t-1
α = 0.8
0,9 0,800
0,8
0,7
0,6
0,5
0,4
0,3
0,160
0,2
0,1 0,000 0,000 0,000 0,000 0,000 0,000 0,001 0,006 0,032
0
t-11 t-10 t-9 t-8 t-7 t-6 t-5 t-4 t-3 t-2 t-1
PCP I
Um processo com tendência
PCP I
13
Métodos baseados em processos
com tendência
 Método da suavização exponencial dupla
 Leva em consideração o tempo (maior peso para
dados mais recentes)
 Tendência previsao
25
20
15
10
0
0 2 4 6 8 10 12
PCP I
Tendência ou trajetória ou reta

inclinada
PCP I
Profa. Juliana Aula 07 –Gestão da Demanda
Suavização Exponencial Dupla

(MMEP2):
Para processos com tendência
 Previsão com tendência
F”t = Ft-1 + Tt-1

 Previsão suavizada
Ft-1= Ft-2 + α (Dt-2 – Ft-2)

 Estimativa tendência
Tt-1 = β(Ft-1 - Ft-2 ) + (1-β) Tt-2
Aula 07 – Gestão da Demanda
14
Suavização Exponencial Dupla
(MMEP2) :
F”t = Ft-1 + Tt-1
Ft= Ft-1 + α (Dt-1 – Ft-1)
Tt = β(Ft - Ft-1 ) + (1-β) Tt-1 Inclui a correção do
efeito de tendência
0< α, β <=1, t>=3
F”t = Previsão com tendência para o período t

Ft = Previsão suavizada no período t
Tt = estimativa da tendência no período t
Dt = dados reais no período t
t = período t ( o seguinte)
t-1 = o período anterior
α = constante de suavização para a média
β = constante de amortecimento para a tendência
Aula 07 – Gestão da Demanda
Processo sazonal com tendência
Venda de games
PCP I
Previsão de Demanda – Métodos Quantitativos
Métodos Quantitativos: São baseados em modelos

matemáticos e se utilizam de dados diversos e das
demandas passadas para se chegar a uma previsão
futura.
Podem ser:
Métodos causais: A demanda de um item (ou itens) pode estar
relacionada com variáveis externas à empresa: crescimento da
população (ou de uma classe específica dela), número de alvarás
expedidos para construção, consumo de certos produtos, etc., são
fatores indutores da demanda de produtos afins.
Séries temporais: A análise de séries temporais exige somente o
conhecimento de valores passados da demanda.
15
Regressão linear simples
 Envolve uma relação linear entre uma variável

dependente e uma variável independente
𝐷 = 𝑎 + 𝑏𝑥 + 𝜀
Coeficiente
Ordenada/ angular/
Intercepto Inclinação
Previsão de Demanda – Métodos Causais
 Regressão Linear
“Um modelo que usa o método dos mínimos quadrados para

identificar a relação entre uma varíavel dependente e uma ou
mais variáveis independentes presentes em um conjunto de
observações históricas.” (GAITHER, FRAZIER, 2002)
• O método gráfico pode conduzir a erros (depende do julgamento

humano);
• Método dos Mínimos Quadrados ou MMQ;
(Yi - 𝑌𝑖 )
Valores Erro de
reais Previsão
Valores
previstos
Problema da soma zero = reta tenderá a se aproximar igualmente de todos

os valores reais Y acima ou abaixo dela
16
Regressão Linear Simples
“O parâmetros a (coeficiente linear) e b (coeficiente angular) da reta

devem ser tais que o erro total ∑(𝑫𝒕 − 𝑭𝒕 )𝟐 seja o mínimo possível.”
𝟏
𝒏
𝒃
𝒏 𝒏 ∑𝒏𝒕 𝟏 𝒙𝒕 𝑫𝒕 − ∑𝒏𝒕 𝟏 𝒙𝒕 ∑𝒏𝒕 𝟏 𝑫𝒕
𝒂= 𝑫𝒕 − 𝒙𝒕 𝒃=
𝒏 𝒏 𝒏 ∑𝒏𝒕 𝟏 𝒙𝟐𝒕 − (∑𝒏𝒕 𝟏 𝒙𝒕 )𝟐
𝒕 𝟏 𝒕 𝟏
F(x) = a + b x
Exercício
• Considere os pares a seguir:
D (valor 10 15 15 18 20
real)
X 0 1 2 3 4
n x D 𝒙𝟐 𝒙∗𝑫 Determinar os parâmetros a e b

1 0 10 0 0 𝑛∑ 𝑥𝐷 − ∑ 𝑥 ∑ 𝐷
𝑏=
2 1 15 1 15 𝑛 ∑ 𝑥 − (∑ 𝑥 )
3 2 15 4 30 ∗ ∗
b= b = 2,3
4 3 18 9 54 ∗
𝒏 𝒏
5 4 20 16 80 𝟏 𝒃
𝒂= 𝑫𝒕 − 𝒙𝒕
 15 10 78 30 179 𝒏 𝒏
𝒕 𝟏 𝒕 𝟏
𝑛 𝑥 𝐷 𝑥 𝑥𝐷 1 2,3
𝑎 = ∗ 78 − ∗ 10 a= 11
5 5
𝐅(𝒙) = 𝟏𝟏 + 𝟐, 𝟑𝒙
Exercício- Continuação
𝐹 𝑥 = 𝑎 + 𝑏𝑥 = 11 + 2,3𝑥
𝑥 0 1 2 3 4 5
𝐷 10 15 15 18 20 ---
𝐹(𝑥 ) 11 13,3 15,6 17,9 20,2 22,5
𝐹 1 = 𝑎 + 𝑏𝑥 = 11 + 2,3 1 = 13,3
𝐹 3 = 𝑎 + 𝑏𝑥 = 11 + 2,3 3 = 17,9
𝐹 5 = 𝑎 + 𝑏𝑥 = 11 + 2,3 5 = 22,5
17
Coeficiente de Correlação
Y=D
• A maior ou menor perfeição do relacionamento entre as variáveis X

e D (valor real), obtida por meio da linha reta, pode ser medida por
meio do coeficiente de correlação (r).
• Pode assumir qualquer valor entre +1 e -1.
+1 = correlação perfeita e os valores D são obtidos com
exatidão por meio dos valores X) positiva: (as variáveis X e D variam
no mesmo sentido)
-1 = correlação perfeita mas as varíaveis são inversamente
relacionadas (qd uma aumenta de valor a outra diminui)
Quando é próximo de 0 a correlação é mais fraca.
Coeficientes de Correlação
Interpretações para os valores absolutos de r:
r Correlação
0 a 0,2 Muito Baixa
0,2 a 0,4 Baixa
0,4 a 0,6 Média
0,6 a 0,8 Alta
0,8 a 1,0 Muito Alta
Exercícios
• Utilizando o exemplo anterior, determine o coeficiente de corelação
(r) e o de determinação (r2):
(𝒏 ∑ 𝒙𝑫) − ∑ 𝒙 ∑ 𝑫
𝑥
𝒓=
10 𝟐
(𝒏 ∑ 𝒙𝟐 − ∑ 𝒙 𝟐 ) (𝒏 ∑ 𝑫𝟐 − (∑ 𝑫)
𝐷 78
5 179 − 10 (78)
179 𝑟= = 0,962
𝑥𝐷 5 (30 − (10) 5 1274 − (78)
Correlação direta
𝑥 30 bastante alta
𝑟 = 0,925
𝐷2 1274
18
Coeficiente de Determinação
Coeficiente de determinação = r2
 O intervalo de variação é entre 0 e +1.

 Pode ser interpretado como sendo a proporção de
variância comum entre F(x) e x, ou seja, a proporção
da variação de F(x) explicada pela variação de x.
r2= 0,85
isso significa que 85% da variação de F(x) é
explicada pela variação de x, sendo os restantes
15% de variação devidos a explicações
desconhecidas.
Intervalo de Confiança para a previsão
∑(𝑫 − 𝑭(𝒙))𝟐
𝝈=
𝒏−𝟐
 Um intervalo de confiança qualquer é dado

(aproximadamente) por F(x) ± z σ, onde z é o número
de desvios padrão que corresponde a uma dada área
sob a curva normal.
 O valor de z pode ser obtido a partir da tabela de áreas
da curva normal reduzida.
Ex. : Intervalo de confiança a 90% = 1,64;
Intervalo de confiança a 95%= 1,96;
Intervalo de confiança a 99,7% = 3,0.
Intervalo de Confiança para a previsão
 A área representa uma dada probabilidade de que o

valor real caia dentro do intervalo especificado.
 A previsão 𝑭(𝒙) pode ser considerada como sendo a

média de uma distribuição normal de desvio padrão
σy, o qual é denominado Erro padrão da Estimativa ou
Desvio padrão da previsão.
 O intervalo de previsão permite que os analistas

lidem com a incerteza que cerca suas previsões
desenvolvendo previsões da melhor estimativa e os
intervalos dentro dos quais os dados reais têm
probabilidade de cair.
19
Exemplo
• Retomando o caso anterior, determinemos o valor de σ e o intervalo
de confiança a 95% para a previsão quando x= 5 (ou seja, f(x)= 22,5).
x D 𝑓(𝑥) (D-f(x) (D – f(x))2

4,30 4,30
𝜎= = = 1,2
0 10 11 -1 1 𝑛−2 3
1 15 13,3 1,7 2,89
2 15 15,6 -0,6 0,36 Para um intervalo de 95%, o
valor de z é 1,96; logo:
3 18 17,9 0,1 0,01
4 20 20,2 -0,2 0,04 f (x) ±𝑧σ = 22,5 ± 1,96 (1,2)
22,5 − 2,4 = 20,1
(𝑑 − 𝑓 𝑥 ) = 4,30 22,5 + 2,4 = 24,9
Então podemos esperar que existe 95% de
probabilidade de que a demanda real esteja
entre os valores 20,1 e 24,9.
Exercícios
Aplicação do método de Regressão Linear Simples:
Ano Vendas Anuais Período de tempo x2 xD

(D) (x)
1 1000 1
2 1300 2
3 1800 3
4 2000 4
5 2000 5
6 2000 6
7 2200 7
8 2600 8
9 2900 9
10 3200 10
Totais 𝐷= 𝑥= 𝑥 = 𝑥𝐷 =
20
Ano Vendas Anuais Período de tempo x2 xD

(D) (x)
1 1000 1 1 1000
2 1300 2 4 2600
3 1800 3 9 5400
4 2000 4 16 8000
5 2000 5 25 10000
6 2000 6 36 12000
7 2200 7 49 15400
8 2600 8 64 20800
9 2900 9 81 26100
10 3200 10 100 32000
Totais ∑ 𝑫 = 21000 ∑ 𝒙 = 55 𝒙𝟐 = 𝟑𝟖𝟓 ∑ 𝒙𝑫 = 133.300

Determinação do coeficiente linear (a) e angular (b)
𝒏 𝒏
𝒏 ∑𝒏𝒕 𝟏 𝒙𝒕 𝑫𝒕 − ∑𝒏𝒕 𝟏 𝒙𝒕 ∑𝒏𝒕 𝟏 𝑫𝒕 𝟏 𝒃
𝒃= 𝒂= 𝑫𝒕 − 𝒙𝒕
𝒏 ∑𝒏𝒕 𝟏 𝒙𝟐𝒕 − (∑𝒏𝒕 𝟏 𝒙𝒕 )𝟐 𝒏 𝒏
𝒕 𝟏 𝒕 𝟏
• Cálcule a previsão para os três anos seguintes:

f(x)= 𝑎 + 𝑏𝑋
f(11) = 𝑎 + 𝑏𝑋
𝑓(12) = 𝑎 + 𝑏𝑋
𝑓(13) = 𝑎 + 𝑏𝑋

Determinação do coeficiente linear (a) e angular (b)
∑ 𝑥 ∑ 𝑦 − ∑ 𝑥 ∑ 𝑥𝑦 385 21000 − (55)(133300) 753500

𝑎= = = = 913,33
𝑛 ∑ 𝑥 − (∑ 𝑥) 10 385 − (55) 825
𝑛 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦 10 133300 − (55)(21000) 178000
𝑏= = = = 215,76
𝑛 ∑ 𝑥 − (∑ 𝑥) 10 385 − (55) 825
𝑌 = 𝑎 + 𝑏𝑋 𝒀 = 𝟗𝟏𝟑, 𝟑𝟑 + 𝟐𝟏𝟓, 𝟕𝟔𝑿
𝑌11 = 𝑎 + 𝑏𝑋 𝑌 = 913,33 + 215,76 11

= 3286,7 𝑜𝑢 3287 𝑚𝑖𝑙ℎ𝑎𝑟𝑒𝑠 𝑑𝑒 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠
𝑌12 = 𝑎 + 𝑏𝑋 𝑌 = 913,33 + 215,76 12
𝑌13 = 𝑎 + 𝑏𝑋 𝑌 = 913,33 + 215,76 13
21
Determinação do intervalo de confiança
∑ 𝒚 = 2100 𝒙 = 𝟓𝟓 𝒙𝟐 = 𝟑𝟖𝟓 𝒙𝒚 = 𝟏𝟑𝟑𝟑𝟎𝟎

0
n=10 𝑥̅ = 5,5 𝑦 = 2100
∑ 𝑌 − 𝑎 ∑ 𝑌 − 𝑏 ∑ 𝑋𝑌
𝑆 =
𝑛−2
Para um intervalo de 95%, o

𝑌±𝑧𝑠

Determinação do intervalo de confiança
∑ 𝒚 = 2100 𝒙 = 𝟓𝟓 𝒙𝟐 = 𝟑𝟖𝟓 𝒙𝒚 = 𝟏𝟑𝟑𝟑𝟎𝟎

0
n=10 𝑥̅ = 5,5 𝑦 = 2100
∑ 𝑌 − 𝑎 ∑ 𝑌 − 𝑏 ∑ 𝑋𝑌
𝑆 =
𝑛−2
48180000 − 913,33 21000 − 215,758(133300) 239465,6

=
10 − 2 8
= 173,0 𝑚𝑖𝑙 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠 Para um intervalo de 95%, o
𝑌 ± 𝑧 𝑠 = 3286,7 ± 1,86 (173)
L𝑖𝑚𝑖𝑡𝑒 𝑖𝑛𝑓𝑒𝑟𝑖𝑜𝑟 = 2964,9 𝑚𝑖𝑙 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠
𝐿𝑖𝑚𝑖𝑡𝑒 𝑠𝑢𝑝𝑒𝑟𝑖or = 3610 mil unidades
Determine o coeficiente de correlação.
8 17830 − (1470)(95) 2990

𝑟= =
[8 273300 − (1470) ][8 1183 − 95 ] 25500 [439]
2990
= = 0,894
3345,8
𝒓𝟐 = 𝟎, 𝟕𝟗𝟗
Coeficiente de Determinação
22
Controle de previsões
 O sistema de previsão deve ser controlado a fim
de se determinarem os erros que estão
ocorrendo nas previsões.
 Medidas de controle de erros são bastante
utilizadas ma escolha de parâmetros e na
escolha do método de previsão
 Algumas importantes medidas de controle de
erros
 Desvio Relativo, Desvio Médio Absoluto, l, Sinal de
Rastreamento
PCP I
 Desvio Relativo (DvRel)
 Medida de Viés da Previsão (MVP)
 Somatória acumulada dos erros de pevisão
𝐷𝑣𝑅𝑒𝑙 = 𝑒
𝐷𝑣𝑅𝑒𝑙 = (𝐷 − 𝐹 )
PCP I
 Desvio Absoluto Médio (DAM)
1
𝐷𝐴𝑀 = 𝑒
𝑇
 Mede a dispersão dos dados

 Se o DAM for pequeno a previsão estará próxima da
demanda real
 DAM muito adotado para seleção de
modelos/parâmetros
PCP I
23
 Sinal de Ratreamento (SR)

 Tracking Signal
∑ 𝑒
𝑆𝑅 =
𝐷𝐴𝑀
-Se o viés não estiver presente, SR próximo a zero

- Se a previsão ficar consistentemente acima da demanda
real, SR será próximo a -1
- - Se a previsão ficar consistentemente abaixo da demanda
real, SR será próximo a +1
PCP I
Referências
 Ballou, R. H. Gerenciamento da cadeia de

suprimentos/logistica empresarial. Porto
Alegre: Bookman. 2006. cap. 8.
 Côrrea, H.L.;Gianesi, I.G.N;Caon, M.
Planejamento. Programação e Controle da
Produção. São Paulo: Atlas. Capítulos 5,7.
 Moreira, D. Administração da Produção e
Operações . São Paulo: Pioneira Thomson
Learning. 2004. Capítulo 11.
PCP I
24

Aula 07 - Gestao de Demanda

Încărcat de

Informații document

Descriere originală:

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Aula 07 - Gestao de Demanda

Încărcat de

Drepturi de autor:

Formate disponibile

Gestão de Demanda

 Discutir a importância da gestão da demanda

 Apresentar métodos para previsão da

Importância da Gestão da Demanda

 “É um processo racional de busca de

 Cada previsão deve incluir uma estimativa de

 As previsões são mais precisas para

Algumas Razões para previsões

 Deixar de escolher o método de previsão

 Deixar de acompanhar o desempenho dos

HORIZONTE DE PREVISÃO CLASSE DE MODELOS

Longo Prazo Qualitativos

Médio Prazo Quantitativos e Qualitativos

Curto Prazo Quantitativos e Qualitativos

 baseadas no julgamento de pessoas que

 Opinião da força de vendas: Desenvolvido com base na opinião

 Pesquisas junto a Consumidores;

 Analogia histórica: Esse método une a estimativa de vendas

 Admite-se que o futuro não guarda relação

D(t) = função não explicitada matematicamente

Predição através do MÉTODO DELPHI

resumo analítico pelo coordenador

devolução e novas predições

reunião de fechamento eventual

Alguns dos viéses observados

 Assumem que o futuro é uma réplica do passado, pelo

 Duas famílias de métodos

Previsão de Demanda – Métodos

D(t) = F(t) + xs(t)

 F(t) reflete padrões temporais e suas alterações.

Características dos dados

Características dos dados

Processo Sazonal com tendência

Métodos baseados em processos

 Métodos baseados na médias

 Método da suavização exponencial simples

𝐹 = Previsão para o período t

Métodos baseados na médias

 Método da média móvel

𝐹 é a previsão para o período t

Previsão de Demanda – Método Média Móvel

Exemplo: Uma fábrica de refrigerantes possui uma demanda

Previsão de Demanda – Método Média Móvel

Médias Móveis Ponderada:

𝐹 = 𝑝𝑟𝑒𝑣𝑖𝑠ã𝑜 𝑝𝑎𝑟𝑎 𝑜 𝑝𝑒𝑟í𝑜𝑑𝑜 𝑡

Previsão de Demanda – Método Médias Móvel Ponderada

Exemplo: Sendo fornecidos os dados de demanda da tabela a

Previsão (t) = Previsão (t-1) + Fracao do Erro

𝐹 é o valor previsto para o período t

Previsão de Demanda – Suavização Exponencial Simples

Mês Demanda real Demanda prevista

Previsão de Demanda – Suavização Exponencial Simples

Quanto mais elevado for alfa (), mais elevada

As demandas reais D comparecem todas na expressão da demanda prevista

Pesos atribuídos as observações passadas

Um processo com tendência

Tendência ou trajetória ou reta

Suavização Exponencial Dupla

Para processos com tendência

 Previsão com tendência

F”t = Ft-1 + Tt-1

Ft-1= Ft-2 + α (Dt-2 – Ft-2)

Tt-1 = β(Ft-1 - Ft-2 ) + (1-β) Tt-2