NECESSIDADES DE PREVISÃO DA CADEIA DE SUPRIMENTOS
Mayara Condé Rocha Murça
TRA-53 – Logística e Transportes Setembro/2013
Introdução
Estimativas acuradas do volume de produtos e serviços processados pela cadeia de suprimentos são necessárias para planejar e controlar as atividades logísticas:
Controle de estoques
Planejamento de compras
Programação da produção
Previsões de prazos de entrega, preços e custos
Introdução
Previsão de demanda Prever o que irá acontecer no futuro (nível de demanda,
localização, etc)
Envolve modelos estatísticos, causais etc
Planejamento da demanda Envolve o desenvolvimento de planos para criar ou modificar
demanda futura
Resulta em planos de marketing e vendas
Gerenciamento da demanda Envolve a tomada de decisão sobre o balanceamento entre
oferta e demanda dentro de um ciclo de previsão/planejamento
Inclui o processo de previsão e de planejamento
Natureza da demanda
Temporal Variação de acordo com o tempo é resultado da evolução
da taxa de vendas, da sazonalidade do padrão de demanda e de flutuações gerais
Espacial Diferenças geográficas que influem no padrão de demanda
Regular Padrões de demanda divididos em componentes de
tendência, sazonais ou aleatórios
Irregular Padrão intermitente, há bastante incerteza sobre o nível de
demanda e sobre quando ela ocorrerá
Natureza da demanda
X R
EGU
LAR
IRR
EGU
LAR
Natureza da demanda
Dependente
Demanda deriva de exigências especificadas em programas de produção (muitas vezes, resulta em previsões perfeitas)
Independente
Demanda gerada a partir de muitos clientes, que fazem compras individuais de apenas uma fração do volume total distribuído pela empresa
Métodos de previsão
•Recorrem a julgamentos, intuição, pesquisas ou técnicas comparativas
• Informações sobre os fatores que afetam a previsão são tipicamente não quantitativas, flexíveis e subjetivas
•Preferencialmente para previsões de médio e longo prazo
Qualitativos
•Premissa básica : o padrão de demanda futura será uma repetição do passado
•Uso de modelos matemáticos e estatísticos
•Preferencialmente para previsões de curto prazo (estabilidade das séries de tempo)
Projeção histórica
•Premissa básica: o nível da variável de previsão é derivado do nível de outras variáveis relacionadas
•Uso de modelos estatísticos e descritivos
•Preferencialmente para previsões de médio e longo alcance
Causais
Métodos de previsão
Métodos mais utilizados:
Séries temporais
Média móvel
Ponderação exponencial
Decomposição clássica da série de tempo
Regressão múltipla
Fundamenta-se na premissa de que um padrão histórico de vendas pode ser decomposto em cinco componentes: Nível (a)
Valor estacionário da demanda
Tendência (b) Movimento persistente em uma direção Pode ser linear, exponencial, quadrática etc
Variação sazonal (S) Movimento periódico associado ao calendário
Variação cíclica (C) Movimento periódico não vinculado ao calendário
Variação aleatória (e) Variações não previsíveis (ruído)
Série temporal
A demanda pode ser modelada a partir de uma combinação dos componentes:
Modelo multiplicativo
F = (b)(S)(C)(e)
Modelo aditivo
F = a + b(t) + S + C + e
Modelo misto
F = a + b(S)t + e
Série temporal
Procedimento:
Selecionar um modelo apropriado de demanda
Estimar e calibrar os parâmetros do modelo
Realizar a previsão de demanda com os parâmetros estimados
Revisar a performance do modelo e ajustar os parâmetros e o próprio modelo se necessário
Série temporal
Quão importante é a história?
Duas abordagens extremas:
Previsão cumulativa
Toda a história tem o mesmo peso
Demanda estacionária pura
Série temporal
Previsão ingênua
Mais recente dita o futuro
“Last is next”
Abordagem intermediária:
Média móvel
Apenas inclui as últimas M observações
Abordagem intermediária entre a previsão cumulativa e a previsão ingênua
Previsão cumulativa (M=n)
Previsão ingênua (M=1)
Série temporal
Série temporal
Por que as observações passadas deveriam receber o mesmo peso?
O valor das observações degrada ao longo do tempo
Introdução da constante de ponderação exponencial (α)
Ponderação Exponencial
Método bastante útil para previsão a curto prazo
Capacidade de se adaptar às mudanças fundamentais nos dados de previsão
Observações mais recentes recebem peso maior que observações mais antigas
Ponderação Exponencial
1 1t t tF A F
t = período de tempo atual
α = constante de ponderação
At = demanda real no período t
Ft = previsão para o período t
Ft+1 = previsão para o período t+1
Análise da constante α Quanto maior o valor de α, maior o peso atribuído aos
níveis de demanda mais recentes -> modelo irá responder com maior agilidade às mudanças nas séries de tempo
Quanto menor o valor de α, maior o peso atribuído à demanda histórica -> modelo produz previsões mais “estáveis” que não serão pesadamente influenciadas pela aleatoriedade nas séries de tempo
Objetivo: buscar um α que minimize os erros de previsão
Ponderação Exponencial
Análise da constante α
Em geral, valores ajustados para α variam entre 0,01 e 0,3
Altos valores de α podem ser utilizados por curtos períodos em situações como:
Recessão
Campanha promocional agressiva mas passageira
Retirada de produtos de linha
Ausência de histórico de vendas
Ponderação Exponencial
Correção de tendência
Ponderação Exponencial
1
1 1
1 1 1
1
1
t t t t
t t t t
t t t
X A X T
T X X T
F X T
Ft+1 = previsão com tendência corrigida para o período t+1
Xt = previsão inicial para o período t
Tt = tendência para o período t
β = constante de ponderação da tendência
Correção de tendência e sazonalidade
Ponderação Exponencial
1
1 1
1 1 1 1
1
1
1
t t t L t t
t t t t
t t t t L
t t t t L
X A S X T
T X X T
S A X S
F X T S
Ft+1 = previsão com tendência e sazonalidade corrigidas para o período t+1
γ = constante de ponderação do índice sazonal
St = índice sazonal para o período t
L = tempo de uma estação completa
1 - Picos e vales no padrão de demanda devem ocorrer na mesma época todos os anos.
2 - A variação sazonal deve ser maior do que as variações aleatórias (“ruídos”).
Decomposição clássica da série de tempo
F T S C e
F = demanda prevista (unidades ou $)
T = tendência (unidades ou $)
S = índice sazonal
C = índice cíclico
e = índice residual
A linha de tendência pode ser ajustada através do método dos mínimos quadrados
Supondo uma linha de tendência linear, tem-se:
Decomposição clássica da série de tempo
2 2
ˆ
ˆ
t
T a bt
A t N A tb
t Nt
a A bt
At = demanda real no período t
A componente de sazonalidade do modelo é representada por um índice que muda para cada período de previsões
O índice sazonal é o quociente entre a demanda real num determinado período de tempo e a demanda média
Decomposição clássica da série de tempo
t t tS A T
St = índice sazonal no período t
Tt = valor da tendência (T=a+bt)
L = número de períodos no ciclo sazonal
Ft = demanda prevista no período t
t t t LF T S
A melhor forma de representar uma previsão é projetar uma faixa de valores na qual a demanda real estará situada para um determinado nível de confiança
Erro de previsão
2
1
t t
tF
A F
sN
sF = desvio padrão da previsão
At = demanda real no período t
Ft = previsão para o período t
N = número de períodos de previsão
t F t t FF z s Y F z s
A exatidão de um modelo está relacionada diretamente com o valor da constante de ponderação em qualquer ponto no tempo
Procedimentos de melhoria da previsão envolvem a monitoração do erro de previsão e a relação de ajustes nos valores da constante de ponderação
A monitoração pode ser realizada através de um sinal de rastreamento avaliado de forma contínua ou periódica
A computação de novas constantes pode ser feita quando o sinal exceder um limite especificado de controle
Monitoração do erro de previsão
Monitoração do erro de previsão
Modelos de previsão incluem outras variáveis que influenciam a demanda, além do tempo
A relação causa e efeito é descrita por um modelo linear em que xi são as variáveis explicativas e Yi é a variável de previsão
Os termos de erro incluem os fatores não observáveis no modelo e assume-se que os mesmos são iid e ~N(0, )
Regressão múltipla
0 1 1 2 2 ... , para 1,...,i i i k ki iY x x x i n
2
Hipóteses:
E(εi) = 0
Média condicional zero -> ausência de correlação entre as variáveis explicativas e o termo de erro
Homoscedasticidade
Regressão múltipla
1,..., kDesvPad Y x x
1 1 0 1 1 2 2,..., 0 ,..., ...i k k k kE x x E Y x x x x x
Estimação dos parâmetros via método dos mínimos quadrados
Regressão múltipla
2 22
0 1 1 2 2
1 1 1
ˆ ...n n n
i i i i i i k ki
i i i
e Y Y Y x x x
0 1 1 2 2
1
1 0 1 1 2 2
1
0 1 1 2 2
1
... 0
... 0
... 0
n
i i i k ki
i
n
i i i i k ki
i
n
ki i i i k ki
i
Y x x x
x Y x x x
x Y x x x
2
1 0
n
i
i
k
e
Exemplo:
Regressão múltipla
Exemplo:
Regressão múltipla
0 1 1 2 2i i i iY X X
Yi = demanda X1i = período X2i =
1, se é mês de verão 0, c.c.
Regressão múltipla
1 22969 48 304i i iY X X
Regressão múltipla
Lançamento de novos produtos e serviços
Ausência de histórico de vendas
Estratégias:
Utilizar estimativas iniciais da área de marketing
Elaborar previsões a partir do padrão de demanda de produtos similares
No caso de utilização da ponderação exponencial, utilizar altos níveis para α
Situações especiais de previsão
Demanda irregular A grande quantidade de variações aleatórias no
padrão da demanda não permite que se observe tendência e sazonalidade
Estratégias: Entender as condições de incerteza e utilizá-las para
produzir as previsões
Utilizar modelos que não reajam tão rapidamente às mudanças nos padrões de demanda
No caso de a previsão ser utilizada para estabelecer níveis de estoque, aumentar o estoque para compensar uma previsão inacurada pode ser mais eficiente
Situações especiais de previsão
Previsão regional
Estratégias:
Top-down – realizar a previsão agregada e distribuir por regiões
Bottom-up – realizar previsões individuais e somá-las para obter a previsão agregada
Situações especiais de previsão
Na prática, não existe um modelo único de previsão capaz de ser o melhor em todas as situações
Combinação dos resultados de vários modelos pode gerar previsões mais estáveis e de maior exatidão
A combinação pode ser realizada com a utilização dos erros de previsão como fatores de ponderação
Combinando métodos de previsão
Exemplo:
Combinando métodos de previsão
Exemplo:
Combinando métodos de previsão
Tipo de modelo
Erro de previsão
1/Erro de previsão
Peso do modelo
Previsão Previsão ponderada
MJ 9,0 0,11 0,04 19.500.000 780.000
R 0,7 1,43 0,57 20.367.000 11.609.190
ES1 1,2 0,83 0,33 20.400.000 6.732.000
ES2 8,4 0,12 0,05 17.660.000 883.000
TOTAL 20.004.190
Desenvolvimento de previsões utilizando dados de múltiplos participantes (áreas funcionais da empresa ou vários membros da cadeia de suprimentos)
Cada participante contribui para o processo de previsão com uma perspectiva original
Previsão colaborativa