Previsão de Demanda Logísica Prof. Dr. Claudio Barbieri da Cunha Escola Poliécnica da Universidade de São Paulo Deparameno de Engenharia de Transpores março de 206
Previsão de Demanda Conhecer a demanda fuura é fundamenal para a gesão de esoques Previsões sempre esão erradas! Pare da demanda fuura é previsível Há regularidade (média consane) Pode haver endência (crescimeno ou redução) Pode haver sazonalidade Pare da demanda fuura é imprevisível Variações erráicas, irregulares, sem previsão Esoque em função de segurança conra desabasecimeno
Previsões esão sempre erradas Demanda é essencialmene uma variável conínua Toda esimaiva em uma faixa de erro Previsões são feias em nível desagregado Por SKU Por local Por período de empo Things happen...
Accuracy x Bias
Previsões agregadas são mais precisas Agregação por SKU, período, local Coeficiene de variação (CV) Definição: Desvio Padrão / Média = σ/μ Fornece uma medida relaiva da volailidade ou incereza Quano mais alo o valor maior a volailidade Fone:
Previsões desagregadas Copos descaráveis para refrigerane Tamanho Grande ~N(80, 30) CV = 0,375 Tamanho Médio ~N(20, 450) CV = 0,467 Tamanho Pequeno ~N(250, 0) CV = 0,440 Fone:
Demanda agregada μ = (80 + 450 + 250) = 780 unidades/dia σ = sqr(302 + 202 + 02) = 239 unidades por dia ~N(780, 239) CV = 0,306 Modularidade de componenes: por exemplo, ampa Reduz variabilidade Melhora previsibilidade Reduz necessidade de esoque de segurança
Agregação Temporal Demanda Diária ~N(780, 239) CV = 0,306 Demanda semanal ~N(5458, 632) CV = 0,6 Demanda mensal ~N(2840, 264) CV = 0,058
Agregação Espacial Três lanchonees Cada uma delas com demanda semanal ~N(5458, 632) CV = 0,6 Demanda agregada (por exemplo, em um único cenro de disribuição): μ = 5458 + 5458 + 5458 = 6374 unidades por dia σ = sqr(3 x 632 2 ) = 095 ~N(6374, 095) CV = 0,067
Tipos de demanda Demanda dependene Demanda de iens ou componenes uilizados na produção final de algum produo Por exemplo, pneus de carros numa monadora Demanda independene Demanda de produos finais vendidos ou comercializados Por exemplo, carros, TVs, compuadores, ec
Méodos de Previsão de Demanda Temporais: baseados em série hisórica Há regularidade (média consane) Pode haver endência (crescimeno ou redução) Pode haver sazonalidade Causais ou Explicaivos: baseados em variáveis explicaivas Conseguem enar prever parcela da demanda imprevisível Variações erráicas, irregulares, sem previsão Exemplo: previsão de consumo de cerveja ou sorvee em função do empo (meeorologia), dos feriados, ec.
Méodos empíricos (subjeivos) Baseados em julgameno Esimaiva pela força de vendas Painel de Especialisas Técnicas baseadas no méodo de Delphi Experimenais Pesquisas com clienes Sessões de focus group Experimenos de markeing
Méricas de Previsão Erro na previsão para o período : e A F A = valor observado/ocorrido no período F = valor previso para o período Desvio médio e desvio médio absoluo DM n e e DMA n n n n = número de observações
Méricas de Previsão Erro médio quadráico e sua raiz EMQ n e n 2 remq n e n 2 Erro médio percenual e erro médio percenual absoluo EMP n n e e A A EMPA n n
Exemplo: Previsão de Sorvee em Lanchonee Dia Previso Realizado 50 43 2 50 42 3 50 66 4 50 38 5 75 86
Méricas de Previsão Dia F A e e e 2 e /A 50 43-7 7 49 0.63 2 50 42-8 8 64 0.90 3 50 66 6 6 256 0.242 4 50 38-2 2 44 0.36 5 75 86 2 0.28 Soma 0 54 634.039 Média 0 0.8 26.8 0.208 EMQ 26.8 Desvio média absoluo: DMA = 54/5 = 0.8 Erro médio quadráico: EMQ = 26.8 / 5 =.3 Erro médio percenual absoluo: EMPA =.039 / 5 = 0.208 = 20.8%
Modelos de Previsão de Demanda Baseados em Série Hisórica Uiliza dados do passado para prever o fuuro Média Móvel Suavização Exponencial Simples Com endência Com sazonalidade Com endência e sazonalidade
Média Móvel para Previsão de Demanda A demanda fuura de um período (semana, mês) é dada pela média das demandas de x períodos (semanas, meses) aneriores a A cada período, a média muda (porisso chama-se média móvel ou corrida) Igual peso para odas as observações Exemplo: Semana Venda (A) Média Móvel) 03 2 94 3 92 4 0 5 07 97.5 6 95 98.5 7 94 98.8 8 9 99.3 9 02 96.8 0 05 95.5 03 94 92 0 4
Suavização Exponencial Simples Cada observação é ponderada considerando a demanda real e a previsão para o período anerior Pesos decrescem exponencialmene com o empo Previsão para o próximo período + = a(demanda real para ) + (- a)previsão para F aa a F F + = previsão para o período + A = demanda real (ocorrida) no período F = previsão para o período a = consane de suavização (amaciameno) exponencial
Suavização exponencial simples Mas Assim Generalizando, o ermo geral pode ser escrio como: F A F a a F A F a a 2 F A A F F A A F a a a a a a a a... 2 2 0 A A A F a a a a a a
Suavização Exponencial Simples O valor de alpha indica o valor da informação nova versus a velha valor de a 0. 0.3 0.5 0.7 0.9 0 0. 0.3 0.5 0.7 0.9 0.09 0.2 0.25 0.2 0.09 2 0.08 0.47 0.25 0.063 0.009 3 0.0729 0.029 0.0625 0.089 0.0009 4 0.0656 0.07203 0.0325 0.00567 9E-05 5 0.059049 0.05042 0.05625 0.0070 9E-06 6 0.05344 0.035295 0.00783 0.0005 9E-07 a a 0 leva a suavização nervosa, voláil, imediaa leva a suavização lena, cumulaiva
Efeio do coeficiene de suavização alfa
Exemplo a 0.20 Ajuse Exponencial Semana Venda (A) Média Corrida Desvio F Desvio 03 03.00 2 94 03.00 3 92 0.20 4 0 99.36 5 07 97.5 99.69 6 95 98.5 0.5 7 94 98.8 99.92 8 9 99.3 98.74 9 02 96.8-5.25 97.9-4.8 0 05 95.5-9.50 98.5-6.85 0 98-2.00 99.52-0.48 2 95 02 7.00 0.62 6.62 3 92 03.00 00.29 8.29 4 06 00.5-5.50 98.63-7.37
Suavização Exponencial com correção de endência Incorpora faor que procura levar em cona endência da série hisórica: Crescimeno Declínio
Suavização Exponencial com correção de endência T S S T F A S T S F a a F + = previsão com correção de endência para o período + A = demanda real (ocorrida) no período F = previsão com correção de endência para o período T = endência para o período a = consane de suavização (amaciameno) exponencial = consane ponderada de endência
Exemplo a 0. 0.2 Ajuse Exponencial com Tendência Semana Venda (A) S T F Desvio 03 03.00 0.00 03.00 2 94 03.00 0.00 03.00 3 92 02.0-0.8 0.92 4 0 00.93-0.38 00.55 5 07 00.59-0.37 00.23 6 95 00.90-0.23 00.67 7 94 00.0-0.35 99.75 8 9 99.8-0.46 98.72 9 02 97.95-0.62 97.33-4.67 0 05 97.80-0.52 97.27-7.73 0 98.05-0.37 97.68-2.32 2 95 98.9-0.2 98.79 3.79 3 92 98.4-0.20 98.2 6.2 4 06 97.59-0.32 97.27-8.73
Modelos Causais Uilizados quando a demanda pode ser correlacionada com um ou mais faores/variáveis conhecidas e mensuráveis Demanda (y) é função de variáveis dependenes (x, x 2, x 3,..., x k ) Exemplo: Fralda descarável f(nascimenos, renda) peças de funilaria f(empo/chuva/neve)
Regressão Linear Simples
Regressão Linear Simples Resíduos (e i ) represenam as diferenças enre valores ocorridos e previsos Como minimizar os resíduos? Minimizar a soma dos erros Minimizar a soma dos erros absoluos Minimizar a soma dos quadrados dos erros b x b y e y y e n para i b x b y i i i i i i 0 0 ˆ,2,..., ˆ n i i n i i i n i i x b b y y y e 2 0 2 2 ˆ
Exemplo x y (x-med(x))* Período Demanda x - med(x) y - med(y) (x - med(x))^2 (y - med(y)) 22.5-9.5-34.9 90.25 33.5025 2 2.7-8.5-35.7 72.25 303.4075 3 35.2-7.5-22.2 56.25 66.4625 4 28.0-6.5-29.4 42.25 9.0675 5 28.0-5.5-29.4 30.25 6.6725 6 34.4-4.5-23.0 20.25 03.4775 7 39.0-3.5-8.4 2.25 64.3825 8 60.0-2.5 2.6 6.25-6.525 9 45.8 -.5 -.6 2.25 7.3925 0 47.6-0.5-9.8 0.25 4.8975 58. 0.5 0.7 0.25 0.3525 2 57.8.5 0.4 2.25 0.6075 3 66.7 2.5 9.3 6.25 23.2625 4 73.6 3.5 6.2 2.25 56.775 5 79.0 4.5 2.6 20.25 97.2225 6 8.8 5.5 24.4 30.25 34.2275 7 89.8 6.5 32.4 42.25 20.6325 8 204.0 7.5 46.6 56.25 349.5375 9 85.5 8.5 28. 72.25 238.8925 20 89.4 9.5 32.0 90.25 304.0475 0.5 57.4 0 0.0 665.00 2753.2500
Gráfico
Regressão Linear Múlipla
Regressão Linear Múlipla Período Preço Demanda 2 $ 2.25 654 Modelo : considerando apenas o empo 4 $ 2.35 652 =proj.lin(d3:d22,b3:b22,,) 6 $ 2.45 684 0.58 593.03 8 $ 2.55 658 0.73 7.57 0 $ 2.65 657 0.9203 37.83 2 $ 2.55 706 207.93 8 4 $ 2.45 744 297585.8 25760.8 6 $ 2.55 8 8 $ 2.65 763 Modelo 2: considerado empo e preço 20 $ 2.75 765 =proj.lin(d3:d22,b3:c22,,) 22 $ 2.65 792-48.32 9.96 973.75 24 $ 2.75 790 37.80 0.57 97.9 26 $ 2.65 868 0.9582 28.20 #N/D 28 $ 2.55 897 94.82 7 #N/D 30 $ 2.45 9 309828.5 358.0 #N/D 32 $ 2.35 950 34 $ 2.25 98 Comparando os modelos via R2 ajusado 36 $ 2.5 069 (n-)/(n-k-) R2 ajusado 38 $ 2.25 965 Model.056 0.959 40 $ 2.35 986 Model 2.8 0.9533
MRP Maerial Requiremen Planning Demanda Independene A Demanda Dependene B(4) C(2) D(2) E() D(3) F(2) Demanda independene apresena incerezas. Demanda dependene pode ser deerminada com mais cereza
Demanda Dependene Demanda de componenes ou iens que são monados e uilizados na produção dos produos finais. Uma vez que a demanda independene seja conhecida, a demanda dependene pode ser deerminada. Exemplos Auomóveis Aviões Compuadores.
Esruura de Produos (Bill-Of-Maerials BOM)
Esruura dos Produos (Bill-Of-Maerials BOM)
Esruura dos Produos (BOM) BOM com um só nível Peça nºm02: Mesa com rodas Nº da peça Descrição Quan. Unidades 30 Tampo acrílico unid 302 Tampo meálico unid 2050 Esruura base unid 500 Roda ipo meálico 4 unid 00 Parafuso aço M6 4 unid 0 Porca aço M6 4 unid 900 Tina ¼ liro Aponador para ouro subconjuno
Esruura dos Produos (BOM) BOM com vários níveis Peça nºm02: Mesa com rodas Nº da peça Descrição Quan. Unidades Nível 30 Tampo acrílico unid 302 Tampo meálico unid 2050 Esruura base unid 200 Perna meálica 4 unid 2 2002 Travessa hor. peq 2 unid 2 2003 Travessa hor. gra. 2 unid 2 2004 Travessa peq. 4 unid 2 2005 Travessa gra. 4 unid 2 00 Parafuso aço M6 6 unid 2 0 Porca aço M6 6 unid 2 500 Roda ipo meálico 4 unid 00 Parafuso aço M6 4 unid 0 Porca aço M6 4 unid 900 Tina ¼ liro
Esruura dos Produos (BOM) BOM com vários níveis Mesa com rodas M02 Tampo acrílico () 30 Tampo meálico () 302 Esruura base () 2050 Roda ipo meálico (4) 500 Parafuso aço M6 (4) 00 Porca aço M6 (4) 0 Tina () 900 Perna meálica (4) 200 Travessa horizonal pequena (2) 2002 Travessa horizonal grande (2) 2003 Travessa pequena (4) 2004 Travessa grande (4) 2005 Parafuso aço M6 (6) 00 Porca aço M6 (6) 0
MRP Exemplo - dados Nº da peça Descrição Quan. Unidades Disponib Esoque Prazo enrega (sem) M02 Mesa com rodas 3 30 Tampo acrílico unid 0 2 302 Tampo meálico unid 2 2050 Esruura base unid 3 500 Roda ipo meálico 4 unid 00 00 Parafuso aço M6 4 unid 000 0 0 Porca aço M6 4 unid 000 0 900 Tina ¼ liro 000
MRP Exemplo - explosão do Plano Direcor da Produção Semana aual - semana 27 Quanidades necessárias Semana 28 29 30 3 32 33 34 35 To M02 (p.e.=) Nec. bruas 2 3 0 4 3 2 6 Disponibilid (3) 2 0-3 -3-7 -8 - -3 3 Nec líquidas 0 0 3 0 4 3 2 3 30 (p.e.=2) Nec. bruas 0 3 0 4 3 2 3 Disponibilid (0) 0 7 0 3 2 - -3 0 Nec líquidas 0 0 0 0 0 2 3 ------------ ----- ----- ----- ----- ----- ----- ----- ----- ----- ------------ ----- ----- ----- ----- ----- ----- ----- ----- ----- 500 (p.e.=) Nec. bruas 0 2 0 6 4 2 24 52 Disponibilid (00) 00 88 88 72 68 56 32 00 Nec líquidas 0 0 0 0 0 0 0 0
MRP Exemplo - produção por loes Semana aual - semana 27 Quanidades necessárias Semana 28 29 30 3 32 33 34 35 To M02 (p.e.=) Nec. bruas 2 3 0 4 3 2 6 Disponibilid (3) 2 0-3 -3-7 -8 - -3 3 Nec líquidas 0 0 3 0 4 3 2 3 Ordens planejadas 0 0 0 0 0 0 0 0 20 30 (p.e.=2) Nec. bruas 0 0 0 0 0 0 0 20 Disponibilid (0) 0 0 0 0 0-0 -0 0 Nec líquidas 0 0 0 0 0 0 0 0 Ordens planejadas 0 0 0 20 0 0 0 0 20 ------------ ----- ----- ----- ----- ----- ----- ----- ----- ----- 500 (p.e.=) Nec. bruas 0 40 0 0 0 40 0 80 Disponibilid (00) 00 60 60 60 60 20 20 00 Nec líquidas 0 0 0 0 0 0 0 0 Ordens planejadas 0 0 0 0 0 0 0 0 0 Loe de Produção
MRP Exemplo - produção por loes Necessidades líquidas = Necessidades bruas-(exisências+recebimenos programados) Semana 29 30 3 32 33 34 35 M02 (p.e.=) Nec. bruas 3 0 4 3 2 Receb. program 0 0 Exisências (0) 7 7 3 2 9 7 Nec líquidas 0 0 0 0 0 0 Ordens planeadas 0 0 0 0 0 0
Ouro Exemplo
Esruura de Produo
Explosão das necessidades bruas
MRP
MRP Relacionameno enre iens