NECESSIDADES DE PREVISÃO DA CADEIA DE SUPRIMENTOS. Mayara Condé Rocha Murça TRA-53 Logística e Transportes

Transcrição

1 NECESSIDADES DE PREVISÃO DA CADEIA DE SUPRIMENTOS Mayara Condé Rocha Murça TRA-53 Logística e Transportes Setembro/2013

2 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

3 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

4 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

5 REGULAR IRREGULAR Natureza da demanda X

6 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

7 Métodos de previsão Qualitativos 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 Projeção histórica 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) Causais 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

8 Métodos de previsão Métodos mais utilizados: Séries temporais Média móvel Ponderação exponencial Decomposição clássica da série de tempo Regressão múltipla

9 Série temporal 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)

10 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

11 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

12 Série temporal Quão importante é a história? Duas abordagens extremas: Previsão cumulativa Toda a história tem o mesmo peso Demanda estacionária pura Previsão ingênua Mais recente dita o futuro Last is next

13 Série temporal 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)

14 Série temporal

15 Ponderação Exponencial 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)

16 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 F A F 1 1 t t t 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

17 Ponderação Exponencial 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

18 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

19 Ponderação Exponencial Correção de tendência 1 1 X A X T t1 t t t T X X T t1 t1 t t F X T t1 t1 t1 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

20 Ponderação Exponencial Correção de tendência e sazonalidade X A S X T t1 t t L t t T X X T t1 t 1 t t S A X S t t t t L F X T S t1 t1 t1 tl1 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 ). 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

21 Decomposição clássica da série de tempo F T S Ce F = demanda prevista (unidades ou $) T = tendência (unidades ou $) S = índice sazonal C = índice cíclico e = índice residual

22 Decomposição clássica da série de tempo A linha de tendência pode ser ajustada através do método dos mínimos quadrados Supondo uma linha de tendência linear, tem-se: T a bt bˆ aˆ A bt t A t N A t t Nt 2 2 At = demanda real no período t

23 Decomposição clássica da série de tempo 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 S A T t t t F T S t t t L 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

24 Erro de previsão 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 s F t A F 2 t N 1 t sf = desvio padrão da previsão At = demanda real no período t Ft = previsão para o período t N = número de períodos de previsão F z s Y F z s t F t t F

25 Monitoração do erro de previsão 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

26 Monitoração do erro de previsão

27 Regressão múltipla 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 2 são iid e ~N(0, ) Yi 0 1x1 i 2x2 i... k xki i, para i 1,..., n

28 Regressão múltipla Hipóteses: E(εi) = 0 Média condicional zero -> ausência de correlação entre as variáveis explicativas e o termo de erro E x,..., x 0 E Y x,..., x x x... x i 1 k 1 k k k Homoscedasticidade DesvPad Y x,..., 1 xk

29 Regressão múltipla Estimação dos parâmetros via método dos mínimos quadrados n n 2 n 2 2 e ˆ i Yi Yi Yi 0 1x1 i 2x2i... k xki i1 i1 i1 n e 2 i i1 0 k n i1 n i1 n i1 Y x x... x 0 i 0 1 1i 2 2i k ki x Y x x... x 0 1i i 0 1 1i 2 2i k ki x Y x x... x 0 ki i 0 1 1i 2 2i k ki

30 Regressão múltipla Exemplo:

31 Regressão múltipla Exemplo: Y X X i 0 1 1i 2 2i i Yi = demanda X1i = período X2i = 1, se é mês de verão 0, c.c.

32 Regressão múltipla Y X 304X i 1i 2i

33 Regressão múltipla

34 Situações especiais de previsão 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

35 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

36 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

37 Combinando métodos 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

38 Combinando métodos de previsão Exemplo:

39 Combinando métodos de previsão Exemplo: Tipo de modelo Erro de previsão 1/Erro de previsão Peso do modelo Previsão Previsão ponderada MJ 9,0 0,11 0, R 0,7 1,43 0, ES1 1,2 0,83 0, ES2 8,4 0,12 0, TOTAL

40 Previsão colaborativa 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