slide1 l.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
PREVISÃO E PROGRAMAÇÃO DA DISTRIBUIÇÃO PowerPoint Presentation
Download Presentation
PREVISÃO E PROGRAMAÇÃO DA DISTRIBUIÇÃO

Loading in 2 Seconds...

play fullscreen
1 / 45

PREVISÃO E PROGRAMAÇÃO DA DISTRIBUIÇÃO - PowerPoint PPT Presentation


  • 86 Views
  • Uploaded on

PREVISÃO E PROGRAMAÇÃO DA DISTRIBUIÇÃO. PREVISÃO DE DEMANDA. Demanda é a soma das diferentes necessidades dos diferentes consumidores (usuários ou demandantes). DEMANDAS  Desejos por produtos específicos, respaldados pela habilidade e disposição de compra (KOTLER, 1998).

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'PREVISÃO E PROGRAMAÇÃO DA DISTRIBUIÇÃO' - gordy


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
slide2

PREVISÃO DE DEMANDA

Demanda é a soma das diferentes necessidades dos diferentes consumidores (usuários ou demandantes).

DEMANDAS  Desejos por produtos específicos, respaldados pela habilidade e disposição de compra (KOTLER, 1998).

DESEJOS  Se tornam demanda quando apoiados pelo poder de compra.

  • Quantas pessoas desejam seu produto
  • Quantas estão dispostas e habilitadas a comprá-lo

EMPRESAS devem mensurar

slide4

ETAPAS DE UM MODELO DE PREVISÃO

OBJETIVO DO MODELO

COLETA E ANÁLISE DOS DADOS

SELEÇÃO DA TÉCNICA DE PREVISÃO

OBTENÇÃO DAS PREVISÕES

MONITORAÇÃO

slide5

MÉTODOS DE PREVISÃO DE DEMANDA

  • Séries Temporais – modelo matemático da demanda futura relacionando dados históricos de vendas do produto com o tempo
  • Causais – associar dados históricos de vendas do produto com uma ou mais variáveis relacionadas à demanda

QUANTITATIVOS

  • Pouco tempo para coleta de dados, introdução de novos produtos, cenário político/econômico instável
  • Questões estratégicas – em conjunto com modelos matemáticos e técnicas quantitativas

QUALITATIVOS

slide7

MÉTODOS QUANTITATIVOS DE PREVISÃO DE DEMANDA

TÉCNICAS CAUSAIS

  • Baseadas na premissa de que as mesmas leis de dependência entre variáveis explicativas e a demanda permanecerá no futuro.
  • Buscam estabelecer uma função matemática, correlacionando a demanda com uma série de variáveis independentes (VI’s), e utilizam esta função para gerar novas previsões.
  • Pressupõe que a previsão de demanda seja amplamente correlacionada com alguns fatores conjunturais (situação econômica, taxa de juros etc.).
  • Faz-se uma previsão dos fatores conjunturais relacionados à demanda para prevê-la.
  • Com esse método, é possível determinar o impacto na demanda em razão de uma promoção.
slide8

O objetivo  encontrar uma equação linear de previsão, do tipo Y = a + bX (onde Y é a variável dependente a ser prevista e X a variável independente da previsão), de forma que a soma dos quadrados dos erros de previsão (b) seja a mínima possível. Este método também é conhecido como “regressão dos mínimos quadrados”.

Regressão linear simples

  • Y = Variável Dependente;
  • a = Intercepto no eixo dos Y;
  • b = Coeficiente angular;
  • X = variável Independente;
  • n = número de períodos observados.
slide10

EXERCÍCIO

Uma cadeia de fastfood verificou que as vendas mensais de refeições em suas casas estão relacionadas ao número de alunos matriculados em escolas situadas num raio de 2 quilômetros em torno da casa. A empresa pretende instalar uma nova casa numa região onde o número de alunos é de 13750. Qual a previsão da demanda para esta nova casa?

slide12

SÉRIES TEMPORAIS

  • Baseadas em padrões históricos, e nas alterações destes padrões para gerar as previsões.
  • São usada para identificar:
      • variações sistemáticas resultantes de fatores sazonais,
      • padrões cíclicos,
      • tendências
      • faixas de variações destas tendências.
  • As técnicas baseadas em séries temporais propõem que o futuro será muito próximo do passado.
  • Tendência (Tt) - Orientação de longo prazo, passível de ser descrita por uma curva básica.
  • Ciclo (Ct) - Flutuação não-periódica, com repercussões no médio prazo, habitualmente
  • atribuível aos ciclos econômicos
  • Sazonalidade (St) - Oscilação periódica, sentida no curto prazo, associada a divisões
  • significativas do tempo (ano, mês, semana ou dia)
  • Erro / Resíduo (Rt) -Variação aleatória, não explicada.

COMPONENTES DE UMA SÉRIE TEMPORAL

slide13

Partem do princípio de que a demanda futura será uma projeção dos seus valores passados, não sofrendo influência de outras variáveis.

  • É o método mais simples e usual de previsão, e quando bem elaborado oferece bons resultados.
  • Para se montar o modelo de previsão, é necessário plotar os dados passados e identificar os fatores que estão por trás das características da curva obtida (Previsão final = composição dos fatores).
  • Uma curva temporal de previsão pode conter tendência, sazonalidade, variações irregulares e variações randômicas (há técnicas para tratar cada um destes aspectos).
slide15

Modelo Fixo

SÉRIES TEMPORAIS

  • Modelo Aberto

ST DE MODELO FIXO

Apresentam equações definidas baseadas em avaliações a priori da existência de determinadas componentes nos dados históricos (Mais simples, séries históricas não muito grandes)

ST DE MODELO ABERTO

Analisam as ST de modo a identificar quais componentes realmente estão presentes, para então criar um modelo único que projete tais componentes, prevendo os valores futuros (Mais elaboradas, maior quantidade de dados).

slide16

PREVISÃO DA MÉDIA

Média móvel: usa dados de um número predeterminado de períodos para gerar sua previsão

Média exponencial móvel: o peso de cada observação decresce no tempo em progressão geométrica, ou de forma exponencial

slide19

Não é indicada quando há Tendência ou Sazonalidade

Média Simples

Média aritmética simples de todas as vendas passadas:

P t+1 Previsão para o próximo período;

R tValor real observado no período t;

n Número de períodos no histórico de vendas passadas

slide20

Utilizado quando a demanda não apresenta tendência ou sazonalidade

Modelo de Média Móvel

Mmn = média móvel de n períodos;

Di = demanda ocorrida no período i;

n = número de períodos;

i = índice do período (i= 1,2,3,...)

slide22

Cada nova previsão é obtida com base na previsão anterior, acrescida do erro cometido na previsão anterior, corrigido por um coeficiente de ponderação α.

Modelo de Média Exponencial Móvel

Mt= previsão para o período t;

Mt-1 = previsão para o período t-1

 = coeficiente de ponderação

Dt-1 = demanda para o período t-1

0 < =  = < 1

Quanto maior o , mais sensível à variação real de demanda

 =1, previsões sujeitas a variações aleatorias

Quanto menor o , previsões defasadas da demanda real

Valores típicos: entre 0,05 e 0,5

Trata demandas médias e acompanha pequenos movimentos de tendência.

slide25

Amortecimento Exponencial Duplo (Método de Holt)

Utilizado para séries que apresentam tendência.

Nt: Componente nível (valor sem tendência)

Tt: Componente tendência

ß: Coeficiente de amortecimento para a estimativa da tendência

– 0  ß  1

α: Coeficiente de amortecimento

– 0  α  1

Trata demandas médias e acompanha pequenos movimentos de tendência.

slide26

Amortecimento Exponencial Triplo (Método de Winter)

Adequado para previsão de séries que apresentam tendências e sazonalidades

: ajuste sazonal calculado para o período t

St - c: ajuste sazonal calculado c períodos atrás. Para previsão mensal (semanal) e sazonalidade ao longo do ano (mês), usa-se c = 12 (4).

St : Componente sazonal

ỵ: : Coeficiente de amortecimento para a estimativa da sazonalidade

0  ỵ  1.

: Coeficiente de amortecimento para a estimativa da sazonalidade

0   1.

slide27

CALCULO DA TENDÊNCIA

CÁLCULO DO NÍVEL CONSIDERANDO O AJUSTE SAZONAL

PREVISÃO

: Coeficiente de amortecimento para a estimativa da sazonalidade

0   1.

slide28

EXERCÍCIOS

  • A RenTV ltda. É uma empresa operando no ramo de aluguel de TV, videocassete e aparelhos de som. A organização mantém uma equipe permanente de manutenção, dado que consta em contrato que aparelhos com problemas serão inicialmente vistoriados por um técnico na casa do cliente. Se for impossível o conserto imediato, o aparelho será então substituído por outro num prazo máximo de 24 horas. Como parte da equipe de manutenção deve ser alocada a serviços internos de reparos, a RenTV deseja uma previsão semanal do número de chamadas de clientes, para que a escala de trabalho possa ser feita na 2ª feira de manhã. Todas as chamadas são anotadas. Os registros das 10 últimas semanas estão dados a seguir:

Preparar uma previsão do número de chamadas na semana 11:

utilizando MMS com n = 4

utilizando MMP com n = 4 e pesos 1; 2; 3; 4 para as 4 semanas mais recentes (o peso 4 corresponde à mais recente, o peso 3 à segunda mais recente e assim por diante).

slide29

EXERCÍCIOS

2) dada demanda real de 15 meses, calcule a demanda futura (próximos 12 meses), utilizando o método da média Móvel.

3) Utilize os mesmos dados para calcular a demanda dos próximos meses, utilizando o método da média móvel ponderada.

Pesos: (n-3)= 0.1, (n-2)= 0.2, (n-1)=0.3, (n)=0.5;

4) Utilize os mesmos dados para calcular a demanda dos próximos meses, utilizando o método mínimos quadrados

slide30

MÉTODOS QUALITATIVOS DE PREVISÃO DE DEMANDA

: Coeficiente de amortecimento para a estimativa da sazonalidade

0   1.

slide31

TÉCNICA DELPHI

  • Reunião de um grupo de pessoas que devem opinar sobre um certo assunto, dentro de regras determinadas para a coleta e a depuração das opiniões.
  • Envolvem geralmente situações de longo prazo, onde os dados são escassos ou mesmo inexistentes, sendo o julgamento pessoal uma das poucas alternativas abertas à previsão.
  • O çomitê Delphi é formado inicialmente com as pessoas que participarão do processo; esses participantes, evidentemente, são especialistas no assunto em pauta e/ou em assuntos correlatos.
  • Para que uma personalidade não se sobreponha à outra, as opiniões são expressas independentemente
slide32

TÉCNICA DELPHI

Características: anonimato, realimentação controlada das informações, quantificação das respostas (escala numérica), resposta estatística (pode não haver consenso)

Processo:

1o. Passo – Coordenador elabora Questionário

2o. Passo - Grupo responde Questionário (escala numérica)

3o. Passo – Coordenador confere coerência das respostas, altera questões (se necessário), processa análise estatística, sistematiza os argumentos manifestados

4o. Passo – Grupo responde novo Questionário (com as informações da análise estatística e dos argumentos), respostas discrepantes com relação à Média devem ser justificados

5o.Passo – Coordenador verifica se não houve variações significativas (Fim - Relatório), caso contrário retornar ao Passo 2.

slide34

Ótimo método para lidar com aspectos inesperados de um problema

  • Previsões com carência de dados históricos
  • Interesse pessoal dos participantes
  • Minimiza pressões psicológicas
  • Não exige presença física

VANTAGENS DA TÉCNICA DELPHI

  • Processo lento, média de 6 meses
  • Dependência dos participantes
  • Dificuldade de redigir o questionário
  • Possibilidade de consenso forçado

DESVANTAGENS DA TÉCNICA DELPHI

slide35

Disponibilidade de dados, tempo

e recursos

FATORES IMPORTANTES PARA A PREVISÃO

  • Determinação do horizonte de

previsão

  • Capacidade para interpretar os

dados

A existência de histórico da demanda passada

Planejamento das campanhas publicitárias

Fatores que podem influenciar a escolha do modelo adequado de demanda

Localização física das instalações

Conjuntura econômica

Planejamento de descontos e preços

Ações dos concorrentes

: Coeficiente de amortecimento para a estimativa da sazonalidade

0   1.

slide36

METODOLOGIAS DE SELEÇÃO DE MODELO

SELEÇÃO A PRIORI

: Coeficiente de amortecimento para a estimativa da sazonalidade

0   1.

slide37

SELEÇÃO PELA PRECISÃO

Mean Absolute Deviation (MAD)

Onde: Valores reais de venda

Valores Previstos

Número de períodos de previsão

Evita o problema de um erro negativo cancelar o positivo

: Coeficiente de amortecimento para a estimativa da sazonalidade

0   1.

slide38

SELEÇÃO PELA PRECISÃO

  • Mean Percentual Error (MPE)

Onde: Valores reais de venda

Valores Previstos

Número de períodos de previsão

  • Mede se os valores previstos estão sistematicamente acima ou abaixo das vendas reais:
  • Se o valor de MPE for positivo, tem-se que a previsão está freqüentemente abaixo da venda real;
  • Se o valor de MPE for negativo, tem-se que a previsão está freqüentemente acima da venda real.

: Coeficiente de amortecimento para a estimativa da sazonalidade

0   1.

slide39

SELEÇÃO PELA PRECISÃO

Mean Absolute Percentual Error (MAPE)

Onde: Valores reais de venda

Valores Previstos

Número de períodos de previsão

Avalia a magnitude do erro com relação à serie histórica

: Coeficiente de amortecimento para a estimativa da sazonalidade

0   1.

slide40

SELEÇÃO PELA PRECISÃO

(Rooted) Mean Squared Error -

(R )MSE

Onde: Valores reais de venda

Valores Previstos

Número de períodos de previsão

  • Os grandes erros se destacam devido ao cálculo da média ao quadrado
  • Mas os erros outliers receberão grande significância (deveriam ser desconsiderados)
  • MSE : erros avaliados na unidade ao quadrado
  • RMSE – Raiz quadrada do MSE
slide41

SISTEMA LOGÍSTICO GLOBAL

O sistema logístico global é muito complexo. Para que o produto chegue ao cliente no local em que ele está, no momento que ele deseja e no preço que ele acha que o produto vale, todas as atividades devem ser planejadas, projetadas, executadas e coordenadas de forma otimizada.

  • Melhoria do serviço
  • Redução do capital empatado
  • Redução do custo operacional

SISTEMA LOGÍSTICO

OBJETIVOS QUE DEVEM SER CONSIDERADOS

slide42

Aspectos de natureza espacial

Problemas de configuração de redes

  • Aspectos de natureza temporal

O aspecto espacial, ou geográfico refere-se à localização dessas instalações e aos fluxos entre pontos, de forma a minimizar os custos relacionados ao atendimento da demanda.

O aspecto temporalrefere-se à disponibilidade dos produtos

solicitados pelos clientes, no prazo adequado, considerando o tempo de ciclo do pedido e o prazo de atendimento esperado.

: Coeficiente de amortecimento para a estimativa da sazonalidade

0   1.

slide44

Variáveis Relevantes na Modelagem de Redes

: Coeficiente de amortecimento para a estimativa da sazonalidade

0   1.

slide45

Etapas de um projeto de redes logísticas

: Coeficiente de amortecimento para a estimativa da sazonalidade

0   1.