SALES & OPERATION PLANNING

Transcrição

1 Nossa caminhada SALES & OPERATION PLANNING Eduardo Pécora, Ph.D. Introdução Classificação dos Sistemas Produtivos Planejamento de Vendas e Operações Gestão da Demanda AGENDA Gestão da Demanda: Planejamento de Vendas e Operações Definição, Posicionamento e Objetivo Processo, Interfaces e Calendário Composição da Demanda Previsão da Demanda Princípios de Influência na Demanda Métodos de Previsão Erros de Previsão 4

2 IMPORTÂNCIA PLANEJAMENTO DA DEMANDA: DEFINIÇÃO Planejamento da Demanda não é: Simplesmente previsão de vendas; Uma área; Uma função ou um cargo; Planejamento da Demanda é o processo responsável por integrar (coordenar com transparência) as funções organizacionais necessárias na geração de um plano de demanda (irrestrito) consensual e devidamente embasado e comunicado. 5 O QUE É DEMANDA? ALINHAMENTO CONCEITUAL Demanda: A necessidade de um cliente/consumidor por um determinado produto ou serviço por local no tempo; Demanda Independente: Produtos acabados; Independente das ações da empresa: Não pode ser calculada pela empresa: Demanda Dependente: Demanda por matéria-prima e componentes; É calculada em função da demanda independente ou derivada em determinado elo; Demanda Derivada: Produtos acabados; Pode ser calculada pela empresa a partir de: Demanda ou previsões dos próximos elos na cadeia; Pode ser gerida através de ações da empresa; DEMANDA DEMANDA INDEPENDENTE INDEPENDENTE DISTRIBUIDOR VAREJISTA CONSUMIDOR PREVISÃO 2 PREVISÃO 1 DEMANDA DEMANDA DERIVADA INDEPENDENTE DISTRIBUIDOR VAREJISTA CONSUMIDOR PREVISÃO 1 INFORMAÇÕES DE DEMANDA Metas: Desejo da organização; Estabelecidas para: Motivar a produtividade e as vendas; Orientar o planejamento organizacional; Devem ser desafiadoras, porém factíveis Previsão de Demanda: Projeção (irrestrita) da demanda esperada, a partir de um conjunto de variáveis de contexto (cenário); Previsão de Vendas: Projeção (restrita) das vendas da organização, a partir de um plano de demanda e do conjunto de restrições organizacionais; Plano: Conjunto de ações planejadas e justificadas a serem executadas para atingir determinados objetivos organizacionais (p.e.: metas, demanda, produção ou vendas); É um compromisso consensual da organização. 7 8

3 GESTÃO DE DEMANDA E ESTRATÉGIAS DE PRODUÇÃO PLANEJAMENTO DA DEMANDA: OBJETIVO Estratégias diferentes: Focos primários distintos da gestão da demanda; Projeto e produção por pedido: Gestão das ordens de clientes; Montagem por pedido: Gestão das ordens de clientes e da distribuição; Nosso foco primário: Produção para estoque (Make to stock - MTS); Estratégias de produção: Previsão x Conhecimento: PEDIDOS MTS PEDIDOS ATO Engineering to Order (ETO) Make to order (MTO) Assemble to Order (ATO) Make-to-stock (MTS) PEDIDOS E/MTO PREVISÃO Criar um plano de demanda realista, consensual e devidamente comunicado, que supra às aspirações da organização através de ações de influência coerentes com as estratégias da organização OBJETIVO GERAL DA GESTÃO DA DEMANDA OBJETIVO ESPECÍFICO E PRINCÍPIOS DA GESTÃO DA DEMANDA Gerar confiança e favorecer o aprendizado através do planejamento da demanda baseado na: Coordenação: Organização das atividades no tempo; Factibilidade de custos e prazo; Qualidade; Criar um fluxo coordenado da demanda e de materiais na cadeia de suprimentos através da aplicação dos princípios: planejamento, comunicação, influência e priorização da demanda. PLANEJAR PRIORIZAR Transparência: Visibilidade na execução das atividades: Processos, papéis e responsabilidades claros; Domínio de métodos e técnicas; Registro de hipóteses e premissas; COMUNICAR INFLUENCIAR 11 12

4 GESTÃO DA DEMANDA: PROCESSOS E INTERFACES 13 PRODUTOS DA GESTÃO DA DEMANDA PLANEJAMENTO HIERÁRQUICO: Plano de demanda: Quanto seria vendido caso a organização não possuísse quaisquer restrições de capacidade? Plano de atendimento: Quais os pedidos que serão atendidos, quando e por quê? Plano de distribuição: O que, quanto, quando e para quem a organização distribuirá? Plano de vendas e operações: O que será feito? Compromisso consensual de operações. Organ. Unidade de Negócio Família de Produtos Linha de Produtos Marcas Tamanho da Embalagem Unidade de Estocagem (SKU) 15 16

5 INFORMAÇÕES GERADAS PELA GESTÃO DA DEMANDA PLANEJAMENTO DA DEMANDA Diferentes áreas: Diferentes necessidades; Diferentes horizontes; Diferentes intervalos; Processo: Robustez; Agilidade; Definição, Posicionamento e Objetivo Empresarial Métodos e Técnicas Processo, Interfaces e Calendário Composição da Demanda Previsão da Demanda Princípios de Influência na Demanda Previsão para Novos Produtos Medição de Desempenho Princípios de Comunicação PLANEJAMENTO DA DEMANDA: POSICIONAMENTO PLANEJAMENTO DA DEMANDA: PRINCÍPIOS E TÉCNICAS Princípios: Planejar a demanda; Influenciar a demanda; Comunicar a demanda; Métodos quantitativos: Séries temporais; Métodos de correlação; Métodos qualitativos: Conhecimento de Especialistas; Coordenação: Calendário de atividades; 20

6 TÉCNICAS DA GESTÃO DA DEMANDA PLANEJAMENTO DA DEMANDA: PROCESSO Planejamento contínuo: Replanejamento mensal em rolagem do completo horizonte de planejamento utilizado; Gestão por exceção: Tratamento apenas das modificações significativas no plano; Gestão por categorias: Gestão agregada: permite o tratamento de todos os produtos da organização; Implica: Foco no futuro; Confiança no processo; Em muitos casos: mudança cultural. 21 PLANEJAMENTO DA DEMANDA: INTERFACES E CALENDÁRIO PLANEJAMENTO DA DEMANDA: PRODUTO: PLANO DE DEMANDA Plano de Demanda: Irrestrito; Consensual; Realista; Comunicado. INFORMAÇÕES DE MARKETING ANÁLISE ESTATÍSTICA PLANO DE DEMANDA INFORMAÇÕES DE VENDAS Unidades: Quantidade; Receita; INFORMAÇÕES DE PORTFOLIO HORIZONTE: $ E UNIDADES PLANO ESTRATÉGICO Horizonte: 1-18+;

7 LIÇÕES APRENDIDAS EM PROJETOS DE GESTÃO DA DEMANDA Lição 1: Objetivos, princípios e técnicas são mais importantes do que o processo Lição 2: O processo apresentado: Apenas uma forma de aplicar as técnicas e princípios para atingir os objetivos Previsão da Demanda / Vendas Lição 3: Projeto de Gestão de Demanda pode ser (mas não necessariamente o é) um projeto de Mudança Organizacional 25 PREVISÃO DA DEMANDA: DEFINIÇÃO E FONTES PREVISÕES CLÁSSICAS Previsão: Projeção futura da demanda esperada, a partir de um conjunto de variáveis de contexto (cenário); Pode ser determinada: Matematicamente, utilizando-se o histórico e outras variáveis quantificáveis; Subjetivamente, utilizando-se o conhecimento; Por combinação; Computadores no futuro não pesarão mais que 1.5 toneladas. - Revista Popular Mechanics, Acho que o mercado mundial para computadores deve estar em 5 máquinas no máximo. - Thomas Watson, diretor-chefe da IBM, 1943 Já viajei muito nesse país e conversei com os melhores especialistas da área e sei agora que o processamento de dados é apenas moda superficial e não vai demorar nem um ano para sumir completamente. Chefe Editora Prentice Hall, 1957 Não existe a mínima justificativa para alguém querer um computador em casa. Ken Olson, Presidente, Digital Equipment Corp., 1977 "640K deve ser o bastante para qualquer um" -- Bill Gates (1955-), em

8 PREVISÕES CLÁSSICAS PREVISÕES CLÁSSICAS Ninguém vai querer escutar atores falando. H.M. Warner, Warner Brothers, Nos não gostamos do som deles e, também, música de guitarra está caindo em popularidade. Decca Recording Co. rejeitando os Beatles, Máquinas voadoras mais pesadas que o ar são impossíveis. Lord Kelvin, presidente, Royal Society de Ciências, Procurar petróleo perfurando a terra? Quer dizer procurar petróleo em baixo da terra? Você é louco Colegas do Edwin L. Drake tentando vender uma idéia nova em Essa bomba não vai se detonar e sou perito em bombas. Almirante William Leahy, Projeto da bomba atômica, EUA em A caixa de música sem fio (rádio) não tem nenhum valor comercial. Não há mercado para mensagens enviadas para ninguém especificamente. Sócios do David Sarnoff, pioneiro em rádio, 1920s. Aviões são brinquedos excelentes sem absolutamente nenhum valor militar. Marechal Ferdinand Foch, Professor de Estratégias de Guerra, Ecole Superieure de Guerre É absolutamente impossível o ser humano alcançar a lua até mesmo considerando todas as possibilidades futuras da ciência. Dr. Lee De Forest, pai de televisão Esse tal do telefone é cheio de defeitos e não pode ser considerado seriamente como meio de comunicação. Ele não tem nenhum valor intrínseco para nos. Western Union 1876 O que?? Senhor, você faria um barco navegar contra o vento e as correntes acendendo uma fogueira sob o seu convés? Me desculpe, eu não tenho tempo para ouvir tal disparate. - Napoleão Bonaparte, comentando sobre o barco a vapor Robert Fulton. "A teoria dos germes de Louis Pasteur é uma ficção ridícula - Pierre Pachet, Professor de Fisiologia em Toulouse, PREVISÕES PREVISÃO DA DEMANDA: POSICIONAMENTO E ATIVIDADES Felizmente não estamos fazendo previsões de longo prazo, mas sim uma previsão de curto prazo, dentro do alcance da ciência, matemática e estatística de hoje. 31

9 PREVISÃO DA DEMANDA: MOTIVOS E IMPACTOS POR QUE PREVER? Por que prever? Planejar o futuro e reduzir a incerteza; Antecipar e gerenciar mudanças; Aumentar a comunicação e a integração do planejamento; Antecipar as necessidades de estoques e capacidade; Gerenciar tempos de produção e entrega (lead-times); Projetar custos das operações; Aumentar a competitividade e produtividade reduzindo-se custos; Aumentar a responsividade à necessidade do consumidor; Gerar flexibilidade; 33 PREVISÃO DA DEMANDA: MOTIVOS E IMPACTOS PREVISÃO DA DEMANDA: QUANDO PREVER? Decisões de investimentos; Decisões de compras; Decisões de distribuição; Planejamento de estoques; Orçamento; Planejamento de capacidade; Gestão dos tempos de entrega; Decisões de projeto de novos produtos; Impactos da Previsão: Alta Variabilidade da Demanda Baixo Por que o produto está no Porflólio? Informações de Marketing; Ponto de Reposição; Estoque de Segurança; Séries Temporais Métodos causais; Ajustes Qualitativos; Informações de Marketing; Força de Vendas; Clientes; Estoque de Segurança; Séries Temporais Métodos causais; Ajustes Qualitativos; Volume Alto 35 13

10 PREVISÃO DA DEMANDA: UNIDADE E PARÂMETROS DE PREVISÃO PREVISÃO DA DEMANDA: ABORDAGENS Intervalo (time-bucket): é o período mínimo para o qual se deseja prever: Previsão do mês / da semana / do ano; Freqüência: é o número de previsões em determinado tempo; Previsão mensal: faz-se a previsão uma vez por mês; Previsão semanal: faz-se a previsão uma vez por semana; Nível de Agregação: é o nível em que se deseja prever: Produto SKU Stock Keeping Unit; Produto x Local SKUL SKU Location; Categoria, etc. Horizonte de Previsão: é o tempo no futuro para o qual se deseja prever; 37 Top-Down: Parte de uma previsão agregada (da empresa, da categoria, etc.) para gerar as previsões desagregadas (SKU); Geralmente utiliza previsões financeiras que são transformadas em demandas de quantidade; Adequada para previsões de longo prazo: Bottom up: Considera mudanças no mix de produtos; Parte das previsões desagregadas (Unidades/SKU) para gerar as previsões agregadas (financeira da empresa, da categoria, etc.); Adequada para previsões de curto- e médio-prazos: Premissa: mix de produtos constante; 38 PREVISÃO DA DEMANDA: INTEGRAÇÃO DE ABORDAGENS PREVISÃO DA DEMANDA: TÉCNICAS E FATORES Tripé da Previsão de Demanda: Séries Temporais Previsão da Demanda Qualitativo Métodos de Correlação Fatores que afetam a demanda: Externos: Competição; Novos clientes / consumidores; Planos dos maiores clientes; Políticas governamentais; Agências reguladoras; Condições econômicas; Tendências etc. Internos: Ciclo de vida do produto; Mudanças de preço; Mudanças na força de vendas; Limitações de recursos; Promoções de marketing e vendas; Comunicação e propaganda;

11 ERROS FREQÜENTES EM PREVISÕES ERROS ESPERADOS CRESCEM COM HORIZONTE 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". 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. 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. EFEITO DA AGREGAÇÃO DOS DADOS EFEITO DA AGREGAÇÃO DOS DADOS Sanduíche Previsão para o mês passado (feita há um ano e meio) Sanduíche Vendas efetivas no mês passado na loja analisada % erro da previsão Quarteirão com queijo 2500 Big Mac 6000 Hamburger 4500 Cheeseburger 3000 Filé de peixe 1200 MacChicken 1800 Total Quarteirão com queijo ,8% Média dos Big Mac ,5% erros das Hamburger ,6% previsões por Cheeseburger ,0% Sanduíche Filé de peixe ,0% 20,8% MacChicken ,6% Total ,4%

12 EFEITOS DOS HORIZONTES E DA AGREGAÇÃO DOS DADOS NAS PREVISÕES PREVISÃO DA DEMANDA: COMPOSIÇÃO DA DEMANDA NOTAÇÃO PREVISÃO DA DEMANDA: COMPOSIÇÃO DA DEMANDA Indica a variável sendo prevista ou observada Indica se é previsão ou observação Indica o período da previsão ou observação p é produto; t é período; Nível (N): é a linha horizontal que representada patamares estáveis da previsão; Tendência (T): é o padrão persistente de aumento ou diminuição da demanda. Pode ser uma reta ou uma curva; Sazonalidade (S): é o padrão de repetição de crescimento e diminuição da demanda, como os picos de vendas observados em estações ou datas específicas no ano; Parcela Causal (F): é a parcela da demanda que não é contínua nem recorrente, como a sazonalidade ou o nível. É gerada por fatores causais como ações promocionais, ações da concorrência etc.; Erro ou Ruído (ε): é flutuação aleatória imprevisível da demanda. É formado, sobretudo, por dois componentes: Incerteza implícita da demanda e do comportamento do consumidor; Erro de estimação, gerado pela utilização dos modelos estatísticos simplificados

13 PREVISÃO DA DEMANDA: ABORDAGEM COMPOSICIONAL PREVISÃO DA DEMANDA: PREVISÃO ESTATÍSTICA Erro por natureza imprevisível Fator Causal: Relação Causa & Efeito Sazonalidade: Comportamento Repetitivo Tendência: Comportamento Repetitivo Nível: Comportamento Repetitivo Demanda Incremental Demanda Base Séries temporais: Modelos endógenos: Consideram apenas o histórico; Útil para: Correlação: Parcela repetitiva da demanda; Modelos exógenos; Consideram outras variáveis que não somente o histórico; Relação entre variáveis: Pode indicar: causa & efeito; Para prever parcela repetitiva e parcela causal: Necessidade de separação do histórico - limpeza; Séries Temporais Previsão Estatística Métodos de Correlação 49 PREVISÃO DA DEMANDA: CUIDADOS COM O HISTÓRICO PREVISÃO DA DEMANDA: PREPARAÇÃO DO HISTÓRICO Informação utilizada: Qual informação deve ser utilizada? Demanda; Vendas; Atendimentos; Intervalo de tempo: Quão longo deve ser o histórico? Registro correto: Dos eventos que influenciaram a demanda; Dos dados por mercado/consumidor; Dos produtos demandados; Da data da demanda; Necessidade de separar os fatores causais dos fatores repetitivos: Demanda incremental da demanda base; Técnicas de previsão diferentes; A esta tarefa dá-se o nome de limpeza do histórico e define-se: Histórico Real ou Sujo: possui todas as parcelas da demanda; Histórico Corrigido ou Limpo: possui apenas a demanda base; Histórico Incremental: possui apenas a demanda incremental. Importante: avaliação do método de previsão: Onde está o erro de previsão? Quais das técnicas precisa ser melhorada? Erro de Previsão da Série Temporal: histórico limpo; Erro do Método de Correlação: histórico incremental; Erro de Previsão Total: histórico sujo;

14 PREVISÃO DA DEMANDA: PREPARAÇÃO DO HISTÓRICO PREVISÃO DA DEMANDA: EFEITO DO HISTÓRICO SUJO Como limpar o histórico? Tarefa bastante delicada; Não existe método estatístico geral e comprovado para limpeza; Depende do tipo de produto e das variáveis que afetam a demanda; Pico Causal; Não é um comportamento que se repete; Não pode ser utilizado na previsão; Linha de tendência errada; Em geral é realizado através da avaliação qualitativa do histórico por especialistas; Quando existem muitos produtos é interessante que exista um método automático para a limpeza do histórico: Exemplos: Nestlé Americana: Método estatístico: outlier correction; Nestlé Brasileira: Método determinístico: conjunto de regras de limpeza; PREVISÃO DA DEMANDA: HISTÓRICO LIMPO INTERPOLAÇÃO LINEAR a a + b 2 b a + b 2 = a 2 + b 2 =0.5 a +0.5 b 56

15 PLANEJAMENTO DA DEMANDA: QUANTIFICANDO AS AÇÕES ORGANIZACIONAIS PREVISÃO CAUSAL: TÉCNICAS Previsão Causal (Incremental): Previsão Incremental é função das ações organizacionais; Como calcular o impacto das ações na demanda? Técnicas Qualitativas Julgamento Estruturado; Técnicas Quantitativas Correlação; Premissa: Ações não se repetem em ciclos definidos; Ações variam no seu conteúdo; Existe uma relação de causa e efeito entre os parâmetros das ações e demanda incremental; Princípio: Existe uma correlação entre histórico e fatores ambientais; Técnicas Quantitativas: Técnicas de Correlação: Identificação da a relação matemática entre parâmetros da ação e demanda, a fim de se prever o futuro; Baseiam-se em outras informações além do histórico; Técnicas Qualitativas: Transformar, de forma estruturada, o conhecimento de especialistas em previsão; PREVISÃO INCREMENTAL: REGRESSÃO LINEAR PREVISÃO INCREMENTAL: REGRESSÃO LINEAR Questão: Dada a função, quais são os coeficientes a n que melhor relacionam o tempo de propaganda e o aumento de vendas? Premissa: Existe um histórico de propagandas e resultados de aumento de vendas. Dada uma função escolhida: Considerando: A função é linear nos seus parâmetros: Objetivo: Encontrar: Tal que: Para isso: Mínimo quando: E um conjunto de observações: Resultado: Sistema de equações lineares nos parâmetros:

16 PREVISÃO INCREMENTAL REGRESSÃO LINEAR NO EXCEL PREVISÃO INCREMENTAL: REGRESSÃO LINEAR MÚLTIPLA EXEMPLO Duas formas: Regressão Simples: Adicionar Linha de Tendência; Regressão Simples e Múltipla: Análise de dados: regressão; Adicionar Linha de Tendência: Equações pré-definidas: Linear: Taxista: y " receita diária (R$); d " distância percorrida (km); t " tempo de trabalho (h); Dados: Qual é a relação entre receita do taxista, distância e tempo? No Excel: Função Regressão; Logarítmica: Polinomial (ordem k): Assumindo a equação: Potência: Exponencial: PREVISÃO INCREMENTAL: UTILIZANDO O EXCEL - ANÁLISE DE DADOS PREVISÃO INCREMENTAL: UTILIZANDO O EXCEL - ANÁLISE DE DADOS Regressão Linear Múltipla: Função de regressão: Dados: Necessidade de troca de variáveis; Incluindo os dados: Função: Análise de Dados " Regressão Obs.: se o seu Excel não possuir a função Análise de Dados, acione esta através do menu : Ferramentas " Suplementos.

17 PREVISÃO INCREMENTAL: UTILIZANDO O EXCEL - ANÁLISE DE DADOS ANÁLISE DO R Resultados da Regressão: Resultado da Regressão: Correlação Linear Positiva R2 : qualidade da regressão; Relação entre variâncias: Das observações; Da regressão; Relação entre as distâncias: Das observações à média; Da regressão à média; Correlação Linear Negativa Correlação Linear Inexistente 66 PREVISÃO INCREMENTAL: CORRELAÇÃO E CAUSALIDADE PREVISÃO INCREMENTAL: CORRELAÇÃO E CAUSALIDADE - EXEMPLO O método de regressão: Indica a correlação entre fatores; Não indica a relação de causa e efeito; Mas não queríamos prever as vendas a mais causadas por determinado fator? A relação de causa e efeito é identificada pela lógica, através das questões: Existe correlação entre as variáveis? Se não, não existe causa e efeito; As variáveis independentes da regressão sempre mudam antes da variável dependente? Se não, a as variáveis independentes não estão causando as mudanças na variável dependente; Tem lógica a relação de causa e efeito entre as variáveis? Se não, pode ser uma correlação acidental e não efetivamente uma relação de causa e efeito; Exemplo: Relação das vendas de guarda-chuva com a umidade: Umidade Correlação? SIM Chuva Causa e Efeito? SIM Vendas Conclusão: A previsão de vendas efetivamente causal é realizada através da análise completa de regressão, desde a seleção das variáveis até a análise do modelo, e não simplesmente pela previsão através da regressão

18 PREVISÃO ESTATÍSTICA: SÉRIES TEMPORAIS PREVISÃO INGÊNUA Séries Temporais: Premissa: Comportamento repetível da demanda no tempo. Baseiam-se única e exclusivamente no histórico informações endógenas. Técnicas mais utilizadas: Média Simples; Média Móvel; Suavização Exponencial Simples; Modelo de Holt; Modelo de Holt - Winters; O que aconteceu ontem vai se repetir hoje Método mais simples Não é necessário histórico nem componentes da previsão 70 PREVISÃO INGÊNUA PREVISÃO INGÊNUA - N PERÍODOS À FRENTE 71 72

19 U DE THEIL U DE THEIL Baseia-se na comparação entre os erros de uma determinada técnica de previsão com o erro da previsão ingênua Decisivo na determinação de utilização ou não de uma técnica Coeficiente de desigualdade Valores entre O e 1 U = Erro do método de previsão Erro da previsão ingênua Valores de U de Theil 1.0 Previsões PIORES que o método ingênuo Previsões MELHORES que o método ingênuo U = q P p (Dem p P rev p ) 2 q P p (Dem p Dem p 1 ) Previsões PERFEITAS NOTAÇÃO SÉRIES TEMPORAIS: MÉDIA SIMPLES Indica a variável sendo prevista ou observada Indica se é previsão ou observação Indica o período da previsão ou observação Fórmula: Princípio: A demanda tem média constante; Características: Filtra as flutuações da demanda: Elimina a parcela erro; Elimina qualquer flutuação inclusive flutuações do comportamento da demanda; Filtra tendência; Filtra a sazonalidade; Adequada para demandas estacionárias; Previsão para qualquer período no futuro é igual a previsão para o próximo período; Requer, a cada previsão, o armazenamento de mais dados; 75

20 SÉRIES TEMPORAIS: MÉDIA SIMPLES SÉRIES TEMPORAIS: MÉDIA MÓVEL Previsão Fórmula: Qual o valor ideal de N? Filtrar o ruído da demanda, mas não o comportamento repetível: Princípio: Assim: Demanda no futuro próximo mais próxima do passado mais recente; Características: Maior N: Mais próximo da média; Filtra flutuações; Se N maior que o período sazonal, este é filtrado; Menor N: Mais reativa, aproximando-se da última demanda; Previsão atrasada ; Utiliza-se apenas os períodos mais recentes para previsão; 77 SÉRIES TEMPORAIS: MÉDIA MÓVEL SÉRIES TEMPORAIS: MÉDIA MÓVEL Previsão Previsão 79 80

21 SÉRIES TEMPORAIS: SUAVIZAÇÃO EXPONENCIAL DE 1ª. ORDEM SÉRIES TEMPORAIS: SUAVIZAÇÃO EXPONENCIAL DE 1ª. ORDEM Fórmula: ˆd t+1 = ˆd t + Princípio: Idéia: e t ˆd t+1 = ˆd t + (d t ˆdt ) ˆd t+1 = d t +(1 ) ˆd t d = demanda ˆd = demanda prevista = parâmetro de suavização exponencial Os períodos mais recentes da média móvel possuem maior peso na previsão do próximo período; Ponderar de forma decrescente os períodos do histórico, do mais recente para o mais remoto; Nomenclatura Original: Média móvel ponderada exponencialmente; Características: Base de diversos modelos de previsão; α: parâmetro de projeto que determina a ponderação dos períodos passados na série; Escolha de α: Maior α: Mais reativa é a série; Exemplo Maior fator de ponderação para os últimos períodos; ˆd t+1 = d t +(1 ) ˆd t Previsão no INSTANTE t+1 Fator de ponderação Observado no INSTANTE t Previsto para o INSTANTE t 82 SÉRIES TEMPORAIS: SUAVIZAÇÃO EXPONENCIAL DE 1ª. ORDEM SÉRIES TEMPORAIS: SUAVIZAÇÃO EXPONENCIAL DE 1ª. ORDEM Alfa = Alfa =

22 SÉRIES TEMPORAIS: SUAVIZAÇÃO EXPONENCIAL DE 1ª. ORDEM SÉRIES TEMPORAIS: SUAVIZAÇÃO EXPONENCIAL DE 1ª. ORDEM Alfa = 0.50 Alfa = PREVISÃO DA DEMANDA: SÉRIES COM TENDÊNCIA SÉRIES TEMPORAIS: SUAVIZAÇÃO EXPONENCIAL DE 2ª. ORDEM Suavização exponencial simples (1ª. ordem): não é adequada para séries com tendência E como incluir a tendência na previsão?

23 SÉRIES TEMPORAIS: MODELO DE HOLT SÉRIES TEMPORAIS: EXEMPLO MODELO DE HOLT Define-se a previsão como: Previsão Equações da Suavização Exponencial de 2ª. ordem: Modelo de Holt Coeficiente de suavização do nível: "Quanto mais alto, mais reativa a parcela do nível; " Pondera-se mais os níveis mais recentes; Coeficiente de suavização da tendência: " Quanto mais alto, mais reativa a parcela da tendência; "Pondera-se mais os valores de tendência mais recentes; Para iniciar: " N 0 = D 0 " T 0 = D 1 D 0 90 SÉRIES TEMPORAIS: EXEMPLO MODELO DE HOLT SÉRIES TEMPORAIS: INCLUINDO A SAZONALIDADE Previsão 91

24 SÉRIES TEMPORAIS: MODELO DE HOLT-WINTERS SÉRIES TEMPORAIS: EXEMPLO HOLT-WINTERS Modelo de Holt-Winters: GAMA = 0 Ao tipo de sazonalidade do modelo de Winters, denomina-se sazonalidade multiplicativa. Coeficiente de suavização do nível: "Quanto mais alto, mais reativa a parcela do nível; " Pondera-se mais os níveis mais recentes; Coeficiente de suavização da tendência: -Quanto mais alto, mais reativa a parcela da tendência; -Pondera-se mais os valores de tendência mais recentes; Coeficiente de suavização do índice de sazonalidade: -Quanto mais alto, mais reativa a parcela da sazonalidade; -Pondera-se mais os índices de sazonalidade mais recentes; Inicialização: Para S t-c onde t-c < 1: S t-c = 1 E... N 0 = D 0 ; T 0 = D 1 D 0 ; 94 SÉRIES TEMPORAIS: EXEMPLO HOLT-WINTERS SÉRIES TEMPORAIS: EXEMPLO HOLT-WINTERS GAMA = 0.25 GAMA =

25 PLANEJAMENTO DA DEMANDA: MEDIÇÃO DE DESEMPENHO PLANEJAMENTO DA DEMANDA: COMO MEDIR O DESEMPENHO? Indicadores: Erro do planejamento -> erro de previsão; Por que medir o erro? Elevado impacto na cadeia; Beergame Origens do erro: Método inadequado; Falta de comprometimento; Falta de conhecimento do processo; Falta de informações adequadas: Incompatibilidade entre o sistema e o processo; Dados errados; Dados inapropriados; Falta de monitoração e controle; Quais são os impactos do erro? Estoque; Falta de produto; Incêndios ; Custos extras, etc.; Como gerenciar o erro? Erro x flexibilidade; Eliminar x reduzir o erro; Erro conhecido x desconhecido; Limite Superior Limite Inferior Como medir a qualidade do planejamento da demanda? Indicadores de desempenho; Quais as dimensões da previsão de demanda que devem ser medidas? Métricas Multidimensionais: Erro (ou acurácia) quão bons somos em prever a demanda? Custos qual o retorno da previsão para o acionista? Satisfação dos consumidores quão satisfeitos estão nossos consumidores? Devem permitir identificar: Responsabilidades; Causas dos erros; Investimento no Planejamento de Demanda: Investimento em redução de custos na cadeia de suprimentos; Melhoria do nível de atendimento ao consumidor; Só pode ser gerenciado aquilo que é medido PLANEJAMENTO DA DEMANDA: ERRO DE PREVISÃO PLANEJAMENTO DA DEMANDA: MEDIDAS ERRO DE PREVISÃO Índices de erro: Indicam quão próximas da realidade foram as previsões realizadas; Mais importante do que medir é entender: Qual o significado de cada medida de erro? Como se pode aprender com a interpretação das medidas? Os relatórios de erro devem conter: Medidas agregadas para a gerência: Ponderação do erro; Impacto do erro no negócio; Medidas das técnicas de previsão: Erro no período; Erro da série; Medidas do comportamento do erro: Medidas de tendência central; Medidas de dispersão; Erro no Período t: Erro Médio nos Períodos t = 1,...,n: Erro Médio Absoluto: Erro Médio Quadrático: Raiz do Erro Médio Quadrático: Erro Médio Percentual: Erro Médio Absoluto Percentual: Objetivo das medidas: Indicar a adequação de cada método à previsão de demanda do produto.

26 PLANEJAMENTO DA DEMANDA: INTERPRETAÇÃO DAS MEDIDAS DE ERRO PLANEJAMENTO DA DEMANDA: MEDIDAS AGREGADAS DE ERRO Objetivos: Demonstrar o impacto do erro de previsão no negócio; Controlar uma medida agregada de erro para diversos produtos; Agregação pela média ponderada: E: medida de erro desejada; τ: o critério de ponderação; p: produto; Ideal: " Medir todos os aspectos do erro através de diferentes medidas; " Erro com média zero; " Erro com comportamento aleatório e distribuição normal; " Erro com menor desvio padrão possível menor dimensão absoluta e percentual; Em geral: MAPE: medida de erro; Receita Bruta: critério de ponderação; Interpretação: Foco nos produtos mais importantes da empresa aqueles que trazem maior receita total. PLANEJAMENTO DE DEMANDA: LIÇÕES APRENDIDAS Lição 1: Muito cuidado com o histórico Lição 2: Integração, clareza e transparência são fundamentais Lição 3: Reconheça os limites da estatística e das pessoas Lição 4: Foco no aprendizado: Interpretação correta das medidas de erro Lição 5: Disciplina, disciplina, disciplina