PREVISÃO E PROGRAMAÇÃO DA DISTRIBUIÇÃO

1. PREVISÃO E PROGRAMAÇÃO DA DISTRIBUIÇÃO

2. PREVISÃO DE DEMANDA Demanda é a soma das diferentes necessidades dos diferentes consumidores (usuários ou demandantes). DEMANDAS  Desejos por produtos específicos, respaldados pela habilidade e disposição de compra (KOTLER, 1998). DESEJOS  Se tornam demanda quando apoiados pelo poder de compra. • Quantas pessoas desejam seu produto • Quantas estão dispostas e habilitadas a comprá-lo EMPRESAS devem mensurar

3. TIPOS DE DEMANDA

4. ETAPAS DE UM MODELO DE PREVISÃO OBJETIVO DO MODELO COLETA E ANÁLISE DOS DADOS SELEÇÃO DA TÉCNICA DE PREVISÃO OBTENÇÃO DAS PREVISÕES MONITORAÇÃO

5. MÉTODOS DE PREVISÃO DE DEMANDA • 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 QUANTITATIVOS • Pouco tempo para coleta de dados, introdução de novos produtos, cenário político/econômico instável • Questões estratégicas – em conjunto com modelos matemáticos e técnicas quantitativas QUALITATIVOS

7. MÉTODOS QUANTITATIVOS DE PREVISÃO DE DEMANDA TÉCNICAS CAUSAIS • Baseadas na premissa de que as mesmas leis de dependência entre variáveis explicativas e a demanda permanecerá no futuro. • Buscam estabelecer uma função matemática, correlacionando a demanda com uma série de variáveis independentes (VI’s), e utilizam esta função para gerar novas previsões. • Pressupõe que a previsão de demanda seja amplamente correlacionada com alguns fatores conjunturais (situação econômica, taxa de juros etc.). • Faz-se uma previsão dos fatores conjunturais relacionados à demanda para prevê-la. • Com esse método, é possível determinar o impacto na demanda em razão de uma promoção.

8. O objetivo  encontrar uma equação linear de previsão, do tipo Y = a + bX (onde Y é a variável dependente a ser prevista e X a variável independente da previsão), de forma que a soma dos quadrados dos erros de previsão (b) seja a mínima possível. Este método também é conhecido como “regressão dos mínimos quadrados”. Regressão linear simples • Y = Variável Dependente; • a = Intercepto no eixo dos Y; • b = Coeficiente angular; • X = variável Independente; • n = número de períodos observados.

9. EXEMPLO REGRESSÃO LINEAR

10. EXERCÍCIO 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?

11. Vendas Mensais em Lojas de uma Cadeia de Fastfood

12. SÉRIES TEMPORAIS • Baseadas em padrões históricos, e nas alterações destes padrões para gerar as previsões. • São usada para identificar: • variações sistemáticas resultantes de fatores sazonais, • padrões cíclicos, • tendências • faixas de variações destas tendências. • As técnicas baseadas em séries temporais propõem que o futuro será muito próximo do passado. • Tendência (Tt) - Orientação de longo prazo, passível de ser descrita por uma curva básica. • Ciclo (Ct) - Flutuação não-periódica, com repercussões no médio prazo, habitualmente • atribuível aos ciclos econômicos • Sazonalidade (St) - Oscilação periódica, sentida no curto prazo, associada a divisões • significativas do tempo (ano, mês, semana ou dia) • Erro / Resíduo (Rt) -Variação aleatória, não explicada. COMPONENTES DE UMA SÉRIE TEMPORAL

13. 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).

15. Modelo Fixo SÉRIES TEMPORAIS • Modelo Aberto ST DE MODELO FIXO Apresentam equações definidas baseadas em avaliações a priori da existência de determinadas componentes nos dados históricos (Mais simples, séries históricas não muito grandes) ST DE MODELO ABERTO Analisam as ST de modo a identificar quais componentes realmente estão presentes, para então criar um modelo único que projete tais componentes, prevendo os valores futuros (Mais elaboradas, maior quantidade de dados).

16. PREVISÃO DA MÉDIA Média móvel: usa dados de um número predeterminado de períodos para gerar sua previsão Média exponencial móvel: o peso de cada observação decresce no tempo em progressão geométrica, ou de forma exponencial

17. MÉDIA MÓVEL SIMPLES

18. MÉDIA MÓVEL PONDERADA

19. Não é indicada quando há Tendência ou Sazonalidade Média Simples Média aritmética simples de todas as vendas passadas: P t+1 Previsão para o próximo período; R tValor real observado no período t; n Número de períodos no histórico de vendas passadas

20. Utilizado quando a demanda não apresenta tendência ou sazonalidade Modelo de Média Móvel Mmn = média móvel de n períodos; Di = demanda ocorrida no período i; n = número de períodos; i = índice do período (i= 1,2,3,...)

22. Cada nova previsão é obtida com base na previsão anterior, acrescida do erro cometido na previsão anterior, corrigido por um coeficiente de ponderação α. Modelo de Média Exponencial Móvel Mt= previsão para o período t; Mt-1 = previsão para o período t-1  = coeficiente de ponderação Dt-1 = demanda para o período t-1 0 < =  = < 1 Quanto maior o , mais sensível à variação real de demanda  =1, previsões sujeitas a variações aleatorias Quanto menor o , previsões defasadas da demanda real Valores típicos: entre 0,05 e 0,5 Trata demandas médias e acompanha pequenos movimentos de tendência.

23. Exemplo da adoção de coeficientes = 0,10 = 0,50 = 0,80

25. Amortecimento Exponencial Duplo (Método de Holt) Utilizado para séries que apresentam tendência. Nt: Componente nível (valor sem tendência) Tt: Componente tendência ß: Coeficiente de amortecimento para a estimativa da tendência – 0  ß  1 α: Coeficiente de amortecimento – 0  α  1 Trata demandas médias e acompanha pequenos movimentos de tendência.

26. Amortecimento Exponencial Triplo (Método de Winter) Adequado para previsão de séries que apresentam tendências e sazonalidades : ajuste sazonal calculado para o período t St - c: ajuste sazonal calculado c períodos atrás. Para previsão mensal (semanal) e sazonalidade ao longo do ano (mês), usa-se c = 12 (4). St : Componente sazonal ỵ: : Coeficiente de amortecimento para a estimativa da sazonalidade 0  ỵ  1. : Coeficiente de amortecimento para a estimativa da sazonalidade 0   1.

27. CALCULO DA TENDÊNCIA CÁLCULO DO NÍVEL CONSIDERANDO O AJUSTE SAZONAL PREVISÃO : Coeficiente de amortecimento para a estimativa da sazonalidade 0   1.

28. EXERCÍCIOS • A RenTV ltda. É uma empresa operando no ramo de aluguel de TV, videocassete e aparelhos de som. A organização mantém uma equipe permanente de manutenção, dado que consta em contrato que aparelhos com problemas serão inicialmente vistoriados por um técnico na casa do cliente. Se for impossível o conserto imediato, o aparelho será então substituído por outro num prazo máximo de 24 horas. Como parte da equipe de manutenção deve ser alocada a serviços internos de reparos, a RenTV deseja uma previsão semanal do número de chamadas de clientes, para que a escala de trabalho possa ser feita na 2ª feira de manhã. Todas as chamadas são anotadas. Os registros das 10 últimas semanas estão dados a seguir: Preparar uma previsão do número de chamadas na semana 11: utilizando MMS com n = 4 utilizando MMP com n = 4 e pesos 1; 2; 3; 4 para as 4 semanas mais recentes (o peso 4 corresponde à mais recente, o peso 3 à segunda mais recente e assim por diante).

29. EXERCÍCIOS 2) dada demanda real de 15 meses, calcule a demanda futura (próximos 12 meses), utilizando o método da média Móvel. 3) Utilize os mesmos dados para calcular a demanda dos próximos meses, utilizando o método da média móvel ponderada. Pesos: (n-3)= 0.1, (n-2)= 0.2, (n-1)=0.3, (n)=0.5; 4) Utilize os mesmos dados para calcular a demanda dos próximos meses, utilizando o método mínimos quadrados

30. MÉTODOS QUALITATIVOS DE PREVISÃO DE DEMANDA : Coeficiente de amortecimento para a estimativa da sazonalidade 0   1.

31. TÉCNICA DELPHI • Reunião de um grupo de pessoas que devem opinar sobre um certo assunto, dentro de regras determinadas para a coleta e a depuração das opiniões. • Envolvem geralmente situações de longo prazo, onde os dados são escassos ou mesmo inexistentes, sendo o julgamento pessoal uma das poucas alternativas abertas à previsão. • O çomitê Delphi é formado inicialmente com as pessoas que participarão do processo; esses participantes, evidentemente, são especialistas no assunto em pauta e/ou em assuntos correlatos. • Para que uma personalidade não se sobreponha à outra, as opiniões são expressas independentemente

32. TÉCNICA 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 5o.Passo – Coordenador verifica se não houve variações significativas (Fim - Relatório), caso contrário retornar ao Passo 2.

33. TÉCNICA DELPHI

34. 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 VANTAGENS DA TÉCNICA DELPHI • Processo lento, média de 6 meses • Dependência dos participantes • Dificuldade de redigir o questionário • Possibilidade de consenso forçado DESVANTAGENS DA TÉCNICA DELPHI

35. Disponibilidade de dados, tempo e recursos FATORES IMPORTANTES PARA A PREVISÃO • Determinação do horizonte de previsão • Capacidade para interpretar os dados A existência de histórico da demanda passada Planejamento das campanhas publicitárias Fatores que podem influenciar a escolha do modelo adequado de demanda Localização física das instalações Conjuntura econômica Planejamento de descontos e preços Ações dos concorrentes : Coeficiente de amortecimento para a estimativa da sazonalidade 0   1.

36. METODOLOGIAS DE SELEÇÃO DE MODELO SELEÇÃO A PRIORI : Coeficiente de amortecimento para a estimativa da sazonalidade 0   1.

37. SELEÇÃO PELA PRECISÃO Mean Absolute Deviation (MAD) Onde: Valores reais de venda Valores Previstos Número de períodos de previsão Evita o problema de um erro negativo cancelar o positivo : Coeficiente de amortecimento para a estimativa da sazonalidade 0   1.

38. SELEÇÃO PELA PRECISÃO • Mean Percentual Error (MPE) Onde: Valores reais de venda Valores Previstos Número de períodos de previsão • Mede se os valores previstos estão sistematicamente acima ou abaixo das vendas reais: • Se o valor de MPE for positivo, tem-se que a previsão está freqüentemente abaixo da venda real; • Se o valor de MPE for negativo, tem-se que a previsão está freqüentemente acima da venda real. : Coeficiente de amortecimento para a estimativa da sazonalidade 0   1.

39. SELEÇÃO PELA PRECISÃO Mean Absolute Percentual Error (MAPE) Onde: Valores reais de venda Valores Previstos Número de períodos de previsão Avalia a magnitude do erro com relação à serie histórica : Coeficiente de amortecimento para a estimativa da sazonalidade 0   1.

40. SELEÇÃO PELA PRECISÃO (Rooted) Mean Squared Error - (R )MSE Onde: Valores reais de venda Valores Previstos Número de períodos de previsão • Os grandes erros se destacam devido ao cálculo da média ao quadrado • Mas os erros outliers receberão grande significância (deveriam ser desconsiderados) • MSE : erros avaliados na unidade ao quadrado • RMSE – Raiz quadrada do MSE

41. SISTEMA LOGÍSTICO GLOBAL O sistema logístico global é muito complexo. Para que o produto chegue ao cliente no local em que ele está, no momento que ele deseja e no preço que ele acha que o produto vale, todas as atividades devem ser planejadas, projetadas, executadas e coordenadas de forma otimizada. • Melhoria do serviço • Redução do capital empatado • Redução do custo operacional SISTEMA LOGÍSTICO OBJETIVOS QUE DEVEM SER CONSIDERADOS

42. Aspectos de natureza espacial Problemas de configuração de redes • Aspectos de natureza temporal O aspecto espacial, ou geográfico refere-se à localização dessas instalações e aos fluxos entre pontos, de forma a minimizar os custos relacionados ao atendimento da demanda. O aspecto temporalrefere-se à disponibilidade dos produtos solicitados pelos clientes, no prazo adequado, considerando o tempo de ciclo do pedido e o prazo de atendimento esperado. : Coeficiente de amortecimento para a estimativa da sazonalidade 0   1.

43. Elementos de Análise e Projeto de uma Rede Logística

44. Variáveis Relevantes na Modelagem de Redes : Coeficiente de amortecimento para a estimativa da sazonalidade 0   1.

45. Etapas de um projeto de redes logísticas : Coeficiente de amortecimento para a estimativa da sazonalidade 0   1.