Previsão e Gestão da Demanda

1. Previsão e Gestão da Demanda Administração de Produção II Prof.: André Luiz Anjos de Figueiredo, M.Sc.

2. Motivo de previsões em produção e operações • Decisões de investimento; • Necessidade de prever recursos de pequeno, médio e longo prazo; • Impacto nos objetivos de desempenho: Qualidade; Custo; Atendimento (Programação da Produção), Confiabilidade, Flexibilidade.

3. Previsão • Previsões são estimativas de como se vai comportar o mercado demandante no futuro, são especulações sobre o potencial de compra do mercado; • Metas são a parcela desse potencial de compra do mercado a que a empresa deseja atender e pode ter um objetivo motivacional.

4. Previsão • Previsões SEMPRE estão erradas, é de sua natureza. É uma visão obtida antes de as coisas acontecerem; • É inútil discutir sobre acertar ou errar previsões, mas é essencial para a gestão de operações saber o quanto se “erra” nas previsões e como se pode fazer para reduzir este erro; • A qualidade das previsões depende de técnicas e processos;

5. Erros freqüentes em previsões • Erro 1 das previsões: confundir previsões com metas e, um erro subseqüente, considerar as metas como se fossem previsões; • Erro 2 das previsões: gastar tempo e esforço discutido se se "acerta" ou "erra" nas previsões, quando o mais relevante é discutir "o quanto" se está errando e as formas de alterar processos envolvidos, de forma a reduzir estes "erros".

6. Erros freqüentes em previsões • Erro 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 "números": a previsão em si e uma estimativa do erro desta previsão • Pela estimativa de erros passados derivam importantes decisões como: decisão de estoque de segurança, níveis de capacidade, transporte e etc.) • 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 ter previsões perfeitas, mas sim, previsões consistentemente melhores que as da concorrência.

7. Por que prever?

8. Erros esperados crescem com horizonte

9. Efeito da agregação dos dados sobre o horizonte de planejamento • A agregação da visão que faz reduzir o nível de incerteza das previsões compensa, até certo ponto, o aumento de incerteza causado pelo necessário AUMENTO DO HORIZONTE DE PLANEJAMENTO.

10. Efeito da agregação dos dados

11. Agregação de dados • Decisões diferentes requerem níveis diferentes de agregação de dados • No caso do Mcdonalds uma decisão de expansão da loja requer uma visão de futuro agregada e não desagregada.

12. Efeitos dos horizontes e da agregação dos dados nas previsões

13. Projeto e melhoramento contínuo do processo de gerarprevisões Processo Informações que expliquem comportamento atípico Informações da conjuntura Tratamento quantitativo Tratamento estatístico econômica dos dados de vendas e dos dados de vendas e Dados outras variáveis outras variáveis históricos de Decisões da área vendas comercial Outras informações Tratamento qualitativo Dados de Tratamento estatístico do mercado variáveis que dos dados de vendas e das informações expliquem as outras variáveis vendas Informações de clientes Informações de concorrentes Reunião de Previsão Comprometimento das áreas envolvidas Tratamento das Tratamento das informações disponíveis Previsão de vendas Previsão de vendas Avaliação crítica do processo de gerar previsões Previsão como processo Incêndio na concorrência PIB, taxa de juros, padrões de renda, mercados-alvos Planos de promoções, lançamentos e relançamentos de produtos Levantamento de dados no sistema Input de correlação de variáveis que podem afetar a demanda da sua empresa. Ex: empresas de internet estarão interessadas para saber a tendência de compras pela internet. Input de variáveis correlacionadas com as vendas como “feriados” Legitimidade, credibilidade e qualidade Intenções de compra de seus clientes, programação de produção Planos de expansão ou retração, distribuição, promoções e etc.

14. Técnicas deprevisão Quantitativas Qualitativas Intrínsecas Extrínsecas Método Delphi Juri deexecutivos Médias móveis Regressãosimples Força devendas Suavizamentoexponencial Regressãomúltipla Pesquisa demercado Projeção detendências Analogiahistórica Decomposição Técnicas de previsão Produtos atuantes no mercados, já maduros Produtos novos, lançamentos Consenso de um grupo de especialistas em anonimato Opinião de um ou dois executivos Equipe de vendas Intenção de compras dos consumidores Médio prazo (3 a 12 meses) Identificação de produtos similares Longo prazo (acima 12 meses) Curto prazo (até 3 meses)

15. Previsão de Vendas de Curto Prazo (3 meses): Projeções Para previsões de curto prazo (até 3 meses), normalmente, aceita-se a hipótese de que o futuro seja uma continuação do passado, ao menos recente, ou seja, as mesmas tendências de crescimento ou declínio observadas no passado devem permanecer no futuro, assim como a sazonalidade (anual) e a ciclicidade observadas no passado. Faz-se uma correlação entre as vendas passadas e o tempo, projetando-se o comportamento (padrão de variação) similar para o futuro.

16. Previsão de vendas de médio prazo (3 a 12 meses) • Quando o horizonte da previsão começa a aumentar, a hipótese de que o futuro vai repetir o passado (nos padrões de variação) deixa, em geral de ser válida. • O peso de uma análise após o modelo matemático ter sido feito passa a ser mais relevante do que o próprio modelo.

17. Previsão de vendas de médio prazo (3 a 12 meses) • Neste caso usa-se os modelos extrínsecos ou causais de explicação; • A idéia é de que se procure estabelecer as relações entre as vendas do passado e outras variáveis que expliquem seu comportamento; • Ex: número de clientes nos parques de diversão da Disney em relação a temperatura, condições climáticas, ocorrência de feriados e etc.

18. Previsão de vendas de longo prazo (acima 12 meses) • Quando o horizonte aumenta ainda mais (vários anos), a hipótese de que as relações que havia no passado entre a demanda e outras variáveis continuam a valer no futuro deixa muitas vezes de ser válida; • O futuro não guarda relação direta com o passado, não uma relação que se possa modelar matematicamente; • A previsão necessita ser derivada da opiniões de especialistas; • Pode-se usar modelos matemáticos, porém o peso maior a análise e opiniões de especialistas deve ser muito maior.

19. Presença crescente da hipótese de “continuidade”dos padrões de comportamento Presença crescente de históricos longos e confiáveis de dados “parcela” qualitativada previsão “parcela” quantitativada previsão Abordagem qualitativa vs quantitativa Quanto mais se tem presente a hipótese de que o futuro deve repetir os padrões de comportamento do passado, mais se podem basear as previsões no histórico de dados, pois ele deve conter informações bem representativas de como o futuro deverá ser.

20. Métodos qualitativos • Incorporam mais fatores de julgamento e intuição, em geral mais subjetivos, nas análises dos dados disponíveis. • Opiniões de especialistas, experiências e julgamentos individuais e outros fatores. • São úteis quando se espera que esses fatores mais subjetivos possam ter capacidade de explicar o futuro ou quando dados quantitativos precisos e completos são muito caros ou difíceis de serem obtidos.

21. Decomposição de séries temporais • Uma série temporal de dados em geral tem três principais componentes: tendência, ciclicidade e aleatoriedade.

22. Decomposição de séries temporais • Tendência: é a orientação geral para cima ou para baixo, dos dados históricos.

23. Decomposição de séries temporais • Ciclicidade: padrões de variação dos dados de uma série que se repetem a cada determinado intervalo de tempo. • Ex: vendas que se concentram nos últimos dias do mês • Quando a ciclicidade tem período anual, denomina-se sazonalidade.

24. Decomposição de séries temporais • Aleatoriedade: erros ou variações da série histórica de dados que não são devidas a variáveis presentes no modelo de previsão. • Ex: Impacto da chuva na entrega de assinantes de jornal. • Ex: compra de um livro por impulso em aeroporto.

25. Séries históricas A soma da influência de pequenos fatores explica a aleatoriedade. A aleatoriedade explica as diferenças entre a curva de ciclicidade média identificada, que se sobrepõe à curva de tendência crescente, e as vendas reais

26. Modelos quantitativos para demanda relativamente estável • Assume que a demanda encontra-se relativamente estável, flutuando aleatoriamente em torno de um patamar que se deseja estimar. • É necessário atenuar, suavizar a flutuação aleatória para se estimar o valor do patamar.

27. Médias móveis

28. Média móvel ponderada

29. Suavizamento Exponencial • Peso das ponderações caem exponencialmente, quanto mais antigos forem os dados

30. Suavizamento Exponencial Nova previsão = [(demanda real do último período) x (alfa)] + [(última previsão)] x (1-alfa)] • Onde: alfa é a constante de suvizamento que é um número entre 0 e 1 e dá a influência percentual da demanda real do último período na previsão do próximo período; • (1-alfa) é a taxa exponencial com que caem os pesos de ponderações dos dados históricos, de alfa referente ao mês passado mais recente.

31. Suavizamento exponencial

32. Efeito do parâmetro 

33. Erros de previsão • É sempre importante acompanhar dois tipos de erros de previsão: a “amplitude” ou o “tamanho do erro” e o chamado “viés”.

34. Viés • O viés ocorre quando os erros ocorrem sistematicamente (tendenciosamente) para um lado só: ou quando as previsões são sistematicamente superdimensionadas ou subdimensionadas. • Isso ocorre pela influência de alguma variável deixada de fora do modelo de previsão cuja influência singular está influenciando significativamente os erros de previsão; • Uma vez identificada a ocorrência de viés, as causas devem ser investigadas e eliminadas (incorporando a variável “causa” no modelo de previsão).

35. Viés • Usa-se o sinal de rastreabilidade ou tracking signal para acompanhar as possíveis ocorrência de viés de previsão; • Se um viés for identificado e a causa for eliminada ou incorporada ao modelo de previsão, o cálculo do TS deve ser reiniciado.

36. Acompanhamento dos erros de previsão: viés

37. Limites para “tracking signal”

38. Acompanhamento da magnitude dos erros (Amplitude) • São várias as formas possíveis de mensurar e acompanhar a amplitude dos erros de previsão. As mais populares são o erro médio absoluto e o erro médio quadrático.

39. Acompanhamento da magnitude dos erros (Amplitude)

40. Qual suavização a escolher? Aquela que apresentar o menor erro

41. Como definir os parâmetros de Alfa ou o melhor número de períodos? • Possuindo os dados do passado pode-se testar uma série de diferentes valores de alfa e mensurar para qual valor de alfa o valor do desvio médio absoluto ou do desvio médio quadrático teria sido menor no passado.

42. Uso de métodos quantitativos com a presença de tendência e ciclicidades • Os métodos apresentados até agora (médias móveis e suavizamento) pressupõem a hípótese de permanência, ou seja, assumem que a variável a ser prevista não tem tendência de crescimento ou decrescimento geral e também não tem presença de ciclicidades importantes, tendo apenas uma flutuação aleatória em torno de um patamar que se deseja estimar.

43. Uso de métodos quantitativos com a presença de tendência e ciclicidades • Isso muitas vezes não pode ser assumido. • Nesses casos, modelos expostos até aqui não podem ser usados, sob pena de gerarem previsões com grande erro ou ainda com viés

44. Séries históricas Presença tanto de tendência geral de crescimento de vendas de um livro, como presença de ciclicidades, relacionadas com os períodos letivos de primeiro e segundo semestres.

45. Projeções com tendência

46. Consideração de ciclicidades

47. Presença de tendência e ciclicidade

48. Tecnologia para previsões

49. Gestão da Demanda • Mais que apenas prevista, a demanda das organizações também deve ser gerenciada.

50. Razões para gerenciar a demanda • Dificuldade de flexibilidade para mudar a produção de um período para outro; • Para algumas empresas parte da demanda é interna ou de subsidiárias, permitindo administração; • Possibilidade de parceria para gestão de demanda