Planejamento, predição e previsão

1. Uma previsão é uma afirmativa ou inferência sobre o futuro, usualmente baseada em informação histórica.

2. Planejamento, predição e previsão • Planejamento: processo lógico que descreve as atividades necessárias para ir do ponto no qual estamos até o objetivo definido; • Predição: processo para determinação de um acontecimento futuro baseado em dados completamente subjetivos e sem uma metodologia de trabalho clara; • Previsão: processo metodológico para determinação de dados futuros baseados em modelos estatísticos, matemáticos ou econométricos ou ainda em modelos subjetivos apoiados em metodologia de trabalho clara e previamente definida.

3. Por que Previsões em Produção e Operações?

4. A maior parte dos recursos empregados tem “materialidade” – “Inércia decisória”. • Necessidade de material – leva-se um tempo entre o pedido e a possibilidade de emprego; • Necessidade de pessoal – há também um processo entre a solicitação e a contratação; • Necessidade de novas fábricas - o horizonte é ainda mais distante. Essa visão de futuro necessária vem das Previsões

5. PRINCIPAIS ERROS COMETIDOS PELAS EMPRESAS QUANTO A PREVISÕES ERRO 1 DAS PREVISÕES: Confundir PREVISÕEScom metas e, um erro subseqüente, considerar as metas como se fossem PREVISÕES.

6. ERRO 2 DAS PREVISÕES: Gastar tempo e esforço discutindo o “acerto” ou “erro” nas previsões, quando o mais relevante é discutir “o quanto”se está errando e as maneiras de alterar processos envolvidos, de forma a reduzir estes “erros”.

7. ERRO 3 DAS PREVISÕES: Levar em conta, nas previsões que servirão para apoiar decisões em operações, um número só. Previsões, para operações, devem sempre ser consideradas com dois “números”: a previsão em si e uma estimativa do erro desta previsão.

8. ERRO 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 de previsões perfeitas, mas previsões consistentemente melhoresque as da concorrência.

9. Hoje Horizontes de planejamento Curto Prazo Tempo Médio Prazo Longo Prazo Decisões Efeito da decisão A Efeito da decisão B Efeito da decisão C A B C Horizontes diferentes de previsão apóiam decisões de inércia diferentes

10. As decisões que envolvem maior volume de recursos têm de ser tomadas com maior antecedência e tomar decisões com maior antecedência significa estar sob maior probabilidade de erro, isso implica que justamente as decisões cujos erros podem ter conseqüências mais sérias são aquelas com maior probabilidade de erro. Como é então que a maioria das empresas tem sobrevivido?

11. Previsão para o mês passado feita a um ano Sanduíche Previsões feitas em uma loja McDonald’s há um ano atrás para o mês passado. Quarteirão com queijo 2.500 Big Mac 6.000 Hamburger 4.500 Cheeseburger 3.000 Filé de Peixe 1.200 McChiken 1.800 Total 18.000

12. Vendas efetivas no mês passado na loja analisada % de erro da previsão Sanduíche Quarteirão com queijo (2.500) 1.930 22,8 Média dos erros das previsões por sanduíche: 20,8% Big Mac (6.000) 7.269 21,5 Hamburger (4.500) 4.980 10,6 Cheeseburger (3.000) 2.730 9,0 Filé de peixe (1.200) 1.429 19,0 McChicken (1.800) 1.050 41,6 Total (18.000 18.443 2,4

13. Só é possível desenhar adequados processos de previsão, partindo-se do questionamento para saber-se qual uso se fazer das previsões ou melhor, quais decisões apoiar. Só então é possível definir, qual nível de agregação de dados será necessário. Previsões mais agregadas tendem a ser mais acertadas.

14. Características das Previsões: • Nenhuma previsão é perfeita. • Quanto maior o horizonte de planejamento, mais imprecisas são as estimativas. • Fazer previsões para família de produtos leva a maior chance de acerto do que fazer previsões individuais de cada produto.

15. Exemplos de Indicadores de Demanda • Principais Indicadores • Média de horas de trabalho semanal • Consultas às organizações de proteção ao crédito (SERASA) • Solicitações de alvará para construção • Taxa de desemprego • PIB • Produção industrial • Investimentos em fábricas e equipamentos • Níveis de estoques • Empréstimos comerciais e industriais

16. Fatores Influenciando a Demanda • Fatores Internos • Orçamento de vendas • Propaganda • Promoções • Projeto do Produto/Serviço • Descontos • Backlogs • Fatores Externos • Ciclo de negócios • Competição • Consumismo • Eventos Mundiais • Ações governamentais • Ciclo de vida do produto

17. Estágios da Demanda no Ciclo de Vida do Produto DEMANDA INTRODUÇÃO CRESCIMENTO MATURIDADE DECLÍNIO TEMPO

18. Média Tendência Linear Sazonal Cíclica Aleatória Componentes da Demanda Séries Temporais

19. Tipos de previsões • Quanto ao horizonte: • Curto prazo métodos estatísticos baseados em médias. • Médio prazo • Longo prazo

20. Outros Métodos de PrevisãoJulgamento • Extrapolação ingênua • Opiniões dos Vendedores • Técnica Delphi

21. Outros Métodos de ProjeçãoContagem • Testes de Mercado • Pesquisas no Mercado Consumidor • Pesquisa no Mercado Industrial

22. Técnicas de previsão Quantitativas Qualitativas Intrínsecas Extrínsecas Método Delphi Médias Móveis Júri de Executivos Regressão simples Suavizamento exponencial Força de Vendas Regressão múltipla Projeção de tendências Pesquisa de Mercado Analogia histórica Decomposição

23. Métodos de Projeção Séries Temporais • Médias Móveis • Simples • Ponderada • Ajustamento Exponencial • Ajustamento Sazonal • Ajustamento de Tendências • Exponencial duplo • Regressão linear (ajustamento de retas)

24. Métodos de ProjeçãoSéries Temporais MÉDIAS MÓVEIS MÉDIAS PONDERADAS MÓVEIS MÉDIAS EXPONENCIAIS MÓVEIS Pt = Pt-1 + (Ct-1-Pt-1) 0 <  <1

25. Métodos de ProjeçãoSéries Temporais MÉDIA MÓVEL SIMPLES A demanda para Jan do Ano 2 será a média dos 12 meses; A demanda para Fev do Ano 2 é obtida pela Média Móvel dos novos dados.

26. Métodos de ProjeçãoSéries Temporais MÉDIA MÓVEL PONDERADA Prever para o mês de Jan Ano 2 utilizando as ponderações de 0,7; 0,2 e 0,1.

27. Métodos de ProjeçãoSéries Temporais MÉDIAS EXPONENCIAIS MÓVEIS Pt = Pt-1 + (Ct-1-Pt-1) 0 <  <1

28. MÉDIAS EXPONENCIAIS MÓVEIS Pt = Pt-1 + (Ct-1-Pt-1) 0 <  <1 Sendo  um Coeficiente de Ajustamento 2 , sendo n o número de períodos considerados para o modelo em questão.  = n + 1 2  = = 0,15 ( caso considerássemos todos os dados históricos) 12 + 1

29. Vamos imaginar que desejamos realizar a previsão para fevereiro do ano 2 e já tivéssemos o consumo real de janeiro de 104. A previsão de janeiro do ano 2 foi realizada pela média móvel de 12 meses e foi encontrado o valor de 102,3.

30. Pt = Pt-1 + (Ct-1-Pt-1) 0 <  <1 Pfev = Pjan + (Cjan - Pjan) , para  = 0,3 Vamos considerar  = 0,3, isto é, para n = 6 Pfev = 102,3 + 0,3 ( 104 – 102,3 ) = 102,8 Pmar = 102,8 + 0,3 ( 103 – 102,8 ) = 102,9

31. Ajustamento Sazonal A Tabela apresenta o consumo de um produto nos últimos 4 anos: Determinar a previsão de vendas trimestral para o Ano 5.

32. Cálculo do Coeficiente de sazonalidade:

33. REGRESSÃO LINEAR SIMPLES • y = a + bx --> equação da reta Y X Métodos de ProjeçãoSéries Temporais

34. Um produto industrial apresentou as vendas dos últimos 6 meses conforme dados do quadro seguinte. Pede-se: • Ajustar uma reta e calcular sua equação; • determinar a previsão para julho, agosto e setembro.

35. Para facilitar os cálculos constrói-se uma tabela auxiliar conforme apresentada:

36. REGRESSÃO LINEAR SIMPLES • Y = a + bx • y x • y1 x1 • y2 x2 • y3 x3 • ………… • yn xn n.  x.y-  x.  y b = --------------------- n  x2-( x)2  y- b.  x a = --------------- n

37. Somatório de Di = a x n + b x Somatório de t i Somatório de Di x ti = a x Somatório de ti + b x Somatório de ti ao quadrado. 2.226 = 6 x a + 21 x b ou 2.226 = 6 a + 21 b 8.001 = 21 x a + 91 x b ou 8.001 = 21 a + 91 b 2.226 – 21 b 8.001 – 91 b a = a = 6 21

38. 2.226 – 21 x b 8.001 – 91 x b = de onde 6 21 46.746 – 441 x b = 48.006 – 546 x b ou então 546 x b – 441 x b = 48.006 - 46.746 105 b = 1.260, logo b = 1.260/ 105, então b = 12 a = 329 Dpi = a + b x ti Dpi = 329 + 12 x 7 = 413 – previsão para julho; Dpi = 329 + 12 x 8 = 425 – previsão pra agosto; Dpi = 329 + 12 x 9 = 437 – previsão para setembro.

39. Métodos de ProjeçãoCausais • Métodos de Correlação • Modelos de Regressão • Modelos Econométricos

40. Métodos de Correlação • Correlação múltipla • y = a + a1.x1 + a2.x2 +….+an.xn • PARA DUAS VARIÁVEIS--> y = a + a1.x1 + a2.x2

41. Exemplo para duas variáveis • Cidade (y)Demanda(livros) (x1)Preço (x2)Renda • 1 166 10 20 • 2 180 9 21 • 3 73 10 12 • 4 81 14 16 • 5 229 8 24 • 6 182 15 24 • 7 233 6 23 • 8 102 10 15 • 9 190 7 20 • 10 150 10 19 • 11 221 11 25 • 12 137 15 21 • 13 173 8 19 • 14 150 12 20 • 15 92 10 14 Métodos de Correlação

42. Métodos de Correlação • Y = -2,765 - 7,738x1 + 12,286x2 • ou • (demanda) = -2,765 - 7,738.(preço) + 12,286.(renda)