Métodos Avançados de Previsão de Demanda

PLANEJAMENTO E CONTROLE DA PRODUÇÃO Gisele Lozada Métodos avançados de previsão de demanda Nesse contexto é necessário que os gestores conheçam os diferen tes métodos quantitativos de previsão da demanda e compreendam os propósitos essenciais de cada um para que assim sejam capazes de aplicálos de forma adequada ainda que com apoio de software e ferramentas destinados à previsão de demanda Neste capítulo você vai poder estudar sobre os métodos quantita tivos de previsão de demanda iniciando pela descrição dos diferentes modelos existentes avançando com a sua aplicação e terminando com o reconhecimento de algumas das alternativas de software e ferramentas que podem auxiliar e facilitar o processo de previsão de demanda 1 Métodos quantitativos para previsão de demanda Previsão consiste em um processo metodológico que visa a determinar valores futuros de um fenômeno como a demanda por exemplo por meio de mode los estatísticos matemáticos e econométricos ou ainda mediante técnicas subjetivas sustentadas por uma metodologia de trabalho clara e previamente definida Partindose dessa definição os modelos de previsão se subdividem em duas categorias principais métodos quantitativos objetivos e métodos qualitativos subjetivos No que respeita à previsão da demanda os métodos quantitativos costumam assumir a premissa de que o comportamento da de manda passada pode ser utilizado como base para a determinação de valores futuros MARTINS LAUGENI 2000 WANKE JULIANELLI 2011 Em função disso as técnicas quantitativas de previsão de demanda são base adas no uso de dados históricos os quais precisam ser relevantes representativos para as circunstâncias em que serão utilizados de qualidade e confiáveis fiéis à realidade e adequadamente coletados e organizados Afinal tais condições é que sustentam a premissa de que o passado quando extrapolado fornece previsões acuradas do futuro garantindo a efetividade dos métodos empregados para isso Por melhor que seja o método de previsão ele poderá falhar se aplicado sobre dados distantes da realidade Métodos avançados de previsão de demanda 2 Objetivos de aprendizagem Ao final deste texto você deve apresentar os seguintes aprendizados Descrever os diferentes métodos quantitativos para previsão de demanda Aplicar métodos quantitativos para previsão de demanda Enumerar software e ferramentas de previsão de demanda Introdução Planejar é uma atividade comum a qualquer tipo de empresa independentemente de tamanho ou ramo de atuação É desejável que todas as áreas estejam envolvidas com o planejamento ainda que isso leve à existência de vários tipos de planejamento tratando de assuntos diferentes conforme a área em que sejam gerados Diferenças à parte há pelo menos uma grande e importante base comum a todo planejamento a previsão da demanda É necessário que a empresa saiba quanto planeja vender de seus produtos ou serviços no futuro pois essa expectativa é o ponto de partida para praticamente todas as decisões organizacionais Sendo assim a previsão da demanda é um processo racional de busca de informações acerca do valor das vendas futuras As vendas podem depender de muitos fatores como cenário econômico movimentos de mercados esforços para aumentar a participação da empresa no mercado entre tantos outros alguns de cunho subjetivo e outros mais objetivos levando à possibilidade de existência de diferentes categorias de métodos para previsão da demanda sejam eles qualitativos ou quantitativos Os métodos quantitativos em especial são destin séries temporais Os modelos de previsão têm o objetivo de determinar previsões de demanda com base na observação de seus dados históricos acreditando que o comportamento observado na demanda de períodos passados se repetirá no futuro Para tanto as técnicas de séries temporais buscam identificar padrões existentes nos dados históricos a fim de que eles sejam utilizados no cálculo do valor previsto Ou seja os métodos de séries temporais se baseiam em dados históricos considerando a hipótese de que o futuro é uma continuação do passado MARTINS LAUGENI 2000 MOREIRA 2012 WANKE JULIANELLI 2011 Assim as análises realizadas pelos modelos causais envolvem os dois tipos de variáveis apresentados a seguir 2 Aplicação dos métodos quantitativos O coeficiente de correlação indica de que maneira a reta determinada se ajusta aos dados do contexto em estudo se for igual a 1 em valor absoluto isso significará que a reta ajustada passa exatamente sobre cada um dos pontos há a chamada correlação perfeita Figura 1 Consumo real do produto em estudo Fonte Martins e Laugeni 2000 p 178 Para realizar a previsão a variável X corresponde aos meses que foram enumerados de 1 a 6 na Figura 2 na qual também se apresentam alguns cálculos para facilitar as operações seguintes Figura 2 Tabela acessória Fonte Adaptada de Martins e Laugeni 2000 Então com base nos dados apresentados procedese com os cálculos Ajuste da reta e cálculo dos parâmetros da regressão passo 1 Sxy Ʃxy Ʃx Ʃy n 8001 21 2226 6 210 Sxx Ʃx2 Ʃx 2 n 91 21 2 6 175 Syy Ʃy2 Ʃy 2 n 828376 2226 2 6 2530 b Sxy Sxx 210 175 12 Cálculo do coeficiente de correlação r passo 2 r Sxy Sxx Syy 210 175 2530 0998 boa correlação pois r 07 e quase igual a 1 Métodos avançados de previsão de demanda 8 Cálculo da previsão para os períodos desejados passo 3 que nos casos são os meses de julho agosto e setembro os quais correspondem a 7 8 e 9 seguindo a mesma atribuição feita para os seis meses anteriores na tabela acessória Y barY b X barX Previsão julho 371 12 7 35 413 Previsão agosto 371 12 7 35 425 Previsão setembro 371 12 7 35 437 Regressão linear múltipla O método da regressão linear múltipla é utilizado quando se deseja formular previsões em um contexto no qual a variável dependente Y a demanda varia linearmente segundo um conjunto de n variáveis independentes X1 X2 X3 Xn Nesse caso a equação da reta seria MOREIRA 2012 Y b0 b1 X1 b2 X2 b3 X3 bn Xn Os coeficientes b0 b1 b2 b3 bn podem ser determinados pelo método dos mínimos quadrados mas isso resultaria em um sistema de n 1 equações Sendo assim no caso da regressão linear múltipla como o modelo envolve um grande número de variáveis a realização de cálculos de forma manual acaba se tornando inviável na realidade o que também pode ocorrer em muitos dos outros métodos apresentados Nessas situações a utilização de software e ferramentas computacionais que auxiliam na elaboração das previsões se torna a solução mais apropriada Você conhecerá alguns desses software e ferramentas na próxima seção deste capítulo Séries temporais Média móvel simples No método da média móvel simples a previsão P para o período futuro t é calculada como sendo a média aritmética dos n períodos anteriores sendo que para tanto é necessário escolher sobre quantos períodos a média será calculada Ou seja nesse caso a previsão pode ser calculada somandose o consumo real C dos n períodos escolhidos e dividindose essa soma por n O temo móvel se deve ao fato de que com o passar do tempo o valor do período mais recente é incluído no cálculo da média para calcular a previsão do período seguinte MARTINS LAUGENI 2000 MOREIRA 2012 WANKE JULIANELLI 2011 Como exemplo podemos considerar o caso de um produto que nos últimos 12 meses Ano 1 apresentou a demanda em unidades exibida na Figura 3 e para o qual se deseja calcular a previsão para o período seguinte janeiro do Ano 2 Figura 3 Consumo real dos últimos doze meses do produto em estudo Fonte Adaptada de Martins e Laugeni 2000 p 175 Nesse caso considerandose que se escolheu utilizar os dados dos últimos 12 meses o valor de demanda previsto para janeiro do Ano 2 seria a média do consumo dos 12 meses do Ano 1 o que levandose em conta os dados da tabela resultaria no seguinte cálculo Pjan2 100 102 101 103 1228 12 1023 Se em janeiro do Ano 2 o consumo real tivesse sido de 104 unidades a previsão para fevereiro do Ano 2 seria a média dos 12 meses compreendidos entre fevereiro do Ano 1 e janeiro do Ano 2 conforme apresentado na Figura 4 Figura 4 Consumo real dos últimos 12 meses do produto em estudo Fonte Martins e Laugeni 2000 p 176 Métodos avançados de previsão de demanda 10 Nesse caso considerandose os dados da tabela o cálculo da previsão de demanda para fevereiro do Ano 2 seria o seguinte Pfev2 102 101 104 1232 12 1027 Média móvel ponderada No método da média móvel simples os dados relativos aos períodos passados considerados no cálculo possuem todos o mesmo peso Já no método da média móvel ponderada atribuise um peso para cada um dos dados sendo que a soma desses pesos deve ser igual a 1 MARTINS LAUGENI 2000 Para exemplificar vamos considerar os dados apresentados na tabela da Figura 1 Desejase prever a demanda para o mês de janeiro do Ano 2 utilizando se uma média móvel trimestral com fator de ajustamento e considerandose os seguintes pesos 07 para Ct1 02 para Ct2 01 para Ct3 Perceba que de acordo com o enunciado decidiuse utilizar apenas os dados dos três últimos meses para o cálculo da média Nesse caso considerandose os dados da tabela e as informações anteriores o cálculo da previsão de demanda para janeiro do Ano 2 seria o seguinte Pjan2 07 Cdez1 02 Cnov1 01 Cout1 Pjan2 07 103 02 104 01 103 1032 Se depois de transcorrido o mês de janeiro do Ano 2 sua demanda real tivesse sido de 104 unidades e desejássemos calcular a previsão para fevereiro do Ano 2 o cálculo da previsão seria o seguinte Pfev2 07 Cjan2 02 Cdez1 01 Cnov1 Pfev2 07 104 02 103 01 104 1038 Média móvel exponencialmente ponderada No método da média móvel com ajustamento exponencial a previsão P é calculada considerandose a previsão do último período t 1 e um coeficiente α que multiplica o consumo real C e a previsão no período Pt1 de acordo com a expressão a seguir MARTINS LAUGENI 2000 Pt Pt1 α Ct1 Pt1 11 Métodos avançados de previsão de demanda A intenção central do método é atribuir um maior peso para os valores históricos mais recentes entendendo que eles são mais importantes na deter minação da previsão O coeficiente α pode ser interpretado como um fator de ponderação que determina a relevância dos valores mais recentes para cálculo da previsão sendo que 0 α 1 Quanto mais perto de 1 for o α mais sensível ao último valor será a previsão O coeficiente pode ser definido para cada contexto por meio de técnicas específicas como as que o relacionam com o erro médio ocorrido nas previsões dos períodos anteriores buscando determinar o α que minimiza o erro médio de previsão Contudo geralmente costumam ser adotados valores entre 01 e 03 para α Para exemplificar vamos considerar os dados apresentados na Figura 1 relativos ao Ano 1 e o consumo real dos três primeiros meses do Ano 2 conforme apresentado na Figura 5 Figura 5 Consumo real do produto em estudo Fonte Adaptada de Martins e Laugeni 2000 p 177 Desejamos calcular a previsão para abril do Ano 2 utilizando α 03 como coeficiente de ajustamento Ou seja desejamos desenvolver a seguinte equação Pabr2 Pmar2 α Cmar2 Pmar2 Métodos avançados de previsão de demanda 12 Para isso primeiro precisamos calcular a previsão de março do Ano 2 Mas para praticar vamos proceder com esse cálculo para apuração sequencial das previsões desde fevereiro do Ano 2 Então teremos os cálculos apresentados a seguir No caso do cálculo da previsão de fevereiro do Ano 2 vamos aproveitar a previsão de janeiro do Ano 2 já calculada anteriormente com base na média dos últimos 12 meses que foi de 1023 Pfev2 Pjan2 alpha Cjan2 Pjan2 1023 03 104 1023 1028 Pmar2 Pfev2 alpha Cfev2 Pfev2 1028 03 103 1028 1029 Pabr2 Pmar2 alpha Cmar2 Pmar2 1029 03 103 1029 1029 Decomposição clássica ou ajuste sazonal O método da decomposição clássica consiste em decompor a série temporal em seus componentes tendência sazonalidade ciclo e resíduo A ideia central desse modelo é a tentativa de isolar os vários componentes à exceção do resíduo que representa flutuações irregulares de forma que os efeitos sobre a demanda possam ser tratados separadamente Após a análise de cada componente a previsão é calculada recompondo a série o que é feito mediante a seguinte equação MOREIRA 2012 WANKE JULIANELLI 2011 P T imes S imes C imes U onde P previsão T tendência S sazonalidade C ciclo U resíduo Essa equação pode ser simplificada se forem admitidas as hipóteses subsequentes o horizonte de previsão é curto o suficiente para que se esteja sempre na mesma fase do ciclo de negócios o que faria C ser igual a 1 os efeitos sazonais e as variações ao acaso podem ser reunidos aproximadamente num só efeito em que S incorpora sazonalidade e resíduo Com isso temos o seguinte modelo simplificado P T imes S Os valores de T são determinados por meio da linha de tendência ajustada aos valores reais da demanda mediante uma regressão simples em que a outra variável é o tempo Os valores de S também chamados índices sazonais são determinados pela observação do afastamento dos valores reais da demanda e dos valores previstos pela linha de tendência no passado A previsão apurada por meio dessas considerações recebe às vezes o nome de previsão corrigida pelo efeito sazonal ou ajuste sazonal MOREIRA 2012 Existem diversos métodos que podem ser utilizados para a realização de previsões nos casos em que o consumo é sazonal Contudo um dos mais utilizados é o método do coeficiente sazonal cujo desenvolvimento é composto pelos seguintes passos MARTINS LAUGENI 2000 Passo 1 determinar a média em cada ano Passo 2 determinar os coeficientes de sazonalidade em cada período Passo 3 calcular o coeficiente médio de sazonalidade em cada período Passo 4 projetar a demanda global para o ano utilizando um método de previsão Passo 5 determinar a média para cada período do ano previsto Passo 6 determinar a demanda em cada período do ano utilizando o coeficiente médio de sazonalidade Para facilitar o entendimento vejamos um exemplo Vamos considerar o caso de um produto que nos últimos quatro anos apresentou a demanda em unidades exibida na Figura 6 e para o qual se deseja calcular a previsão de demanda trimestral para o ano A determinação das médias de cada ano passo 1 já está apresentada na tabela anterior Para determinar o coeficiente de sazonalidade de cada trimestre em cada ano passo 2 dividese a demanda de cada trimestre pela média do ano Por exemplo no caso do trimestre 1 teríamos Ano 1 45 250 018 Ano 2 70 300 023 Ano 3 100 450 022 Ano 4 100 550 018 Para calcular o coeficiente médio de sazonalidade de cada trimestre passo 3 apuramos a média das informações ou seja somamos os coeficientes de cada trimestre ao longo dos quatro anos e dividimos por quatro Por exemplo no caso do trimestre 1 teríamos 018 023 022 018 4 020 Os valores apurados para os passos 2 e 3 estão informados na Figura 7 Para determinar a demanda em cada trimestre do ano 5 passo 6 aplicamos a equação apresentada inicialmente P T S multiplicando a média trimestral T pelo coeficiente médio de sazonalidade S de cada trimestre apurados no passo 3 Assim teremos a seguinte previsão para o ano 5 Trimestre 1 625 020 125 unidades Trimestre 2 625 130 813 unidades Trimestre 3 625 200 1250 unidades Trimestre 4 625 050 313 unidades É importante comentar que na bibliografia que trata sobre previsão de demanda as equações utilizadas para cálculo da previsão podem ser apresentadas com variações de formato embora o raciocínio envolvido seja o mesmo em cada modelo Figura 8 Ferramenta de regressão do Microsoft Office Se o comando análise de dados não estiver disponível no seu Excel é possível carregar o programa suplementar ferramentas de análise por meio dos seguintes passos 1 Clique na guia arquivo em opções e depois na categoria suplementos Se você estiver usando o Excel 2007 clique no botão do Microsoft Office Imagem do botão do Office e em seguida clique em opções do Excel 2 Na caixa gerenciar selecione suplementos do Excel e clique em ir Se estiver usando o Excel para Mac no menu arquivo acesse ferramentas suplementos do Excel 3 Na caixa suplementos marque a caixa ferramentas de análise e clique em OK Além dessa alternativa do Microsoft Excel existem muitas outras ferra mentas disponíveis algumas oferecidas por meio de determinados sistemas de gestão empresarial os chamados ERP do inglês enterprise resource planning que possuem módulos de previsão incorporados Além disso há também a oferta de diversos aplicativos mais especializados que permitem uma maior automatização do processo de previsão da demanda Existem diversos pacotes disponíveis no mercado os quais utilizam desde técnicas de análise de dados históricos até simulações e inteligência artificial Embora essas ferramentas não representem novos métodos de previsão elas imple mentam as técnicas existentes em associação a ferramentas de análise de tal 17 Métodos avançados de previsão de demanda maneira que além de permitir o exame de grandes quantidades de dados de forma simultânea e veloz ainda possibilitam a elaboração de previsões mais acuradas ou seja com a minimização dos erros de previsões CAVALHEIRO 2003 DIAS 2004 FRANÇA 2019 Essas ferramentas podem ser segmentadas em duas categorias os soft ware em pacotes computacionais estatísticos de uso genérico e os pacotes computacionais específicos Pacotes estatísticos genéricos são software que apresentam uma opção de análise de previsão embora esse não seja seu propósito exclusivo Tais pacotes permitem uma análise estatística e gráfica detalhada dos dados mas a análise limitase aos seus módulos de previsão Já os pacotes computacionais específicos para análise de previsão como o próprio nome já sugere são focados em previsões dispondo das ferramentas estatísticas necessárias para a análise das séries temporais e a geração das previsões incluindo técnicas de previsão não encontradas em pacotes de uso genérico Dentre os pacotes específicos para análise de previsão destacamse o Forecast Pro e o Autobox sobre os quais são apresentados alguns detalhes no Quadro 1 Forecast Pro Autobox Caracterização Fácil de aprender e usar o sistema combina métodos estatísticos com um sistema especialista para obter uma previsão exata Promete proporcionar um ambiente desenvolvido para facilitar o processo de previsão com a utilização de uma ou mil séries Empresa desenvolvedora Business Forecast Systems Inc Automatic Forecasting Systems Endereço httpwwwforecastprocom httpwwwautoboxcom Vantagens e recursos Pode ser combinado com outros softwares sendo opção de previsão para os sistemas de planejamento para ERP SCM MRP Possui recursos ferramentas de análises gráficas que facilitam a análise das previsões além de apresentar gráficos de ferramentas estatísticas Quadro 1 Comparação entre os software Forecast Pro e Autobox Continua Métodos avançados de previsão de demanda 18 Fonte Adaptado de Dias 2004 Forecast Pro Autobox Processo de previsão O sistema especialista escolhe automaticamente qual é o melhor método de previsão de demanda ao analisar os dados de entrada Não seleciona um modelo mas ajusta o modelo de previsão a cada problema analisando dados de entrada à procura de ciclos sazonalidade e tendências Técnicas implementadas Suavização exponencial métodos de Holt e Winters média móvel regressão linear e Box Jenkins Suavização exponencial simples Box Jenkins e métodos de regressão Quadro 1 Comparação entre os software Forecast Pro e Autobox Continuação Além dessas duas alternativas existem ainda muitas outras ferramentas tais como NCSS Number Cruncher Statistical System Statgraphics e SPSS Statistical Package for Social Science Statistica Minitab PPautocast Smart Forecasts ForecastX Decision Pro Gauss Neuralworks Predict Time Trends Forecast entre outras Forecast é uma palavra inglesa que significa previsão o que explica a sua presença em muitos nomes de softwares destinados à elaboração de previsões Por fim cabe comentar que muitas empresas optam por desenvolver seus próprios sistemas de previsão de demanda entendendo que assim podem me lhor adequar os sistemas às características e particularidades de seus problemas 19 Métodos avançados de previsão de demanda CAVALHEIRO D Método de previsão de demanda aplicada ao planejamento da produção de indústrias de alimentos 2003 Dissertação Mestrado em Engenharia Mecânica Universidade Federal de Santa Catarina Florianópolis 2003 DIAS A S Uso de conhecimento teórico e de especialista para previsão de demanda 2004 Dissertação Mestrado em Engenharia de Produção Universidade Federal de São Carlos São Carlos 2004 FRANÇA L F Análise e aplicação de métodos de previsão de demanda no Software Forecast Pro baseados em séries temporais em um estabelecimento do setor de locação de filmes Revista Científica Multidisciplinar Núcleo do Conhecimento São Paulo ano 4 ed 3 v 10 p 91112 jun 2019 Disponível em httpswwwnucleodoconhecimento combrengenhariadeproducaoanaliseeaplicacao Acesso em 11 ago 2020 MARTINS P G LAUGENI F P Administração da produção São Paulo Saraiva 2000 MOREIRA D A Administração da produção e operações 2 ed São Paulo Cengage Learning 2012 WANKE P JULIANELLI L Orgs Previsão de vendas processos organizacionais e mé todos quantitativos e qualitativos 2 ed São Paulo Atlas 2011 Os links para sites da web fornecidos neste capítulo foram todos testados e seu fun cionamento foi comprovado no momento da publicação do material No entanto a rede é extremamente dinâmica suas páginas estão constantemente mudando de local e conteúdo Assim os editores declaram não ter qualquer responsabilidade sobre qualidade precisão ou integralidade das informações referidas em tais links Métodos avançados de previsão de demanda 20 No text content available