PLANEJAMENTO DA DEMANDA

Medidas de Erros de Previso

Vrias medidas de erros de previso.

Todas so mdias!
Medidas mais comuns:
MAD (Mean Absolute Deviation: Mdia dos Erros
Absolutos)
MAPE (Mean Absolute Percentual Error: Mdia
do Erro Percentual Absoluto)
MPE (Mean Percentual Error: Erro Mdio
Percentual)

2
Acurcia e Preciso

Vis ~ Eficcia Disperso

Disperso ~ Eficincia

3
Vis
MTODOS DE PREVISO

Modelos Extrapolativos
mdias mveis / decomposio
curvas de tendncia
amortecimento

Modelos Causais
regresso
modelo sistmico (simulao)

Previses por julgamento

individual
pesquisa de mercado
painel de opinio Delphi

4
Previso Extrapolativa

Reconhecer padres na
Histria histria passada dos
Previso dados - assumir que o
mesmo padro tambm
se aplica ao futuro

Hoje Tempo

5
Previso Causal

Previso Causal Volume

as relaes entre os dados
no passado so
identificadas e (supe-se)
continuaro vlidas no
futuro

Preo

6
Qual tcnica de previso utilizar?

Objetivo
Minimizar o erro

Considerando
Facilidade do mtodo
Custo de Implementao
Necessidade de dados e informaes
Horizonte de previso

7
Mdia Mvel Simples

um mtodo adequado quando a srie

aproximadamente estvel para o perodo em
estudo.

Ausncia de tendncia e sazonalidade

Previso para o prximo perodo: mdia

aritmtica dos valores observados nos
ltimos n perodos.

8
Vendas

1904ral
1904ral
1903ral
1903ral
1903ral
1903ral
1902ral
1902ral
1902ral
1901ral
1901ral
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31

9
Real x Previsto (MM2)

1904ral
1904ral
1903ral
1903ral
1903ral
1903ral
1902ral
1902ral
1902ral
1901ral
1901ral
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31

10
Real x Previsto (MM3)

1904ral
1904ral
1903ral
1903ral
1903ral
1903ral
1902ral
1902ral
1902ral
1901ral
1901ral
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31

11
Real x Previsto (MM6)

1904ral
1904ral
1903ral
1903ral
1903ral
1903ral
1902ral
1902ral
1902ral
1901ral
1901ral
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31

12
Real x Previsto (MM12)

1904ral
1904ral
1903ral
1903ral
1903ral
1903ral
1902ral
1902ral
1902ral
1901ral
1901ral
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31

13
Mdia Mvel Simples: Discusso

Vantagens
Fcil de calcular
Intuitivo (Fcil de vender)
Implementao fcil
Desvantagens
Observaes passadas recebem o mesmo peso
Eliminao brusca de um valor no clculo da
mdia
S se aplica diretamente a sries estveis

14
Medida de Disperso

Y
-2.58 -1.65 +1.65 +2.58
-1.96 +1.96

90% Vendas
95% Vendas
99% Vendas

15
16
50.000

0
100.000
150.000
200.000
250.000
300.000
jan
fev
mar
abr
mai
jun

2010
jul
ago
set
out
nov
dez
jan
fev
mar
abr
mai
jun
Srie com vrios componentes

2011
jul
ago
set
out
nov
dez
jan
fev
mar
Vendas de Champagne no Brasil

abr
mai
jun
2012

jul
ago
set
out
nov
dez
jan
fev
mar
2013

abr
mai
jun
Decomposio Clssica

Decompe uma srie nos seus componentes bsicos mais

comuns:
Nvel e tendncia

Variaes sazonais

Movimentos cclicos

Variaes aleatrias

17
Componentes: Nvel e Tendncia

Vendas Nvel (N)

o patamar ou volume
absoluto de vendas
Se s houvesse o componente
de nvel, a srie de dados
B seria constante com o passar
N do tempo
Tendncia (B)
Reflete a variao do nvel de
vendas ao longo do tempo

Tempo

18
Variaes sazonais (S)

Vendas
So modificaes no nvel de
vendas que se repetem em
intervalos de tempo regulares
Possveis causas:
N Fenmenos da natureza
Ao do homem

Tempo

19
Movimentos cclicos (C)

Vendas Variaes irregulares da tendncia

de curto prazo em relao
tendncia de longo prazo.
Uma possvel explicao: ciclos
econmicos.

Tempo

20
Variaes aleatrias (A)

Variaes remanescentes aps a extrao dos efeitos

principais via decomposio da srie

Estas flutuaes resultam dos mais variados fatores

Condies climticas
Greves e acidentes
Aes da concorrncia
...

21
Como filtrar a componente sazonal?

Determinar os ndices sazonais

Dividir a srie inicial pelos respectivos ndices

sazonais

22
23
50.000

0
100.000
150.000
200.000
250.000
300.000
Sazonalidade

jan
fev
mar
abr
mai
jun

2010
jul
ago
set
out
nov
dez
jan
fev
mar
abr
mai
jun

2011
jul
ago
set
out
nov
dez
jan
fev
mar
Vendas de Champagne no Brasil

abr
mai
jun
2012

jul
ago
set
out
nov
dez
jan
fev
mar
2013

abr
mai
jun
Decomposio: Componente sazonal

Determinao dos ndices sazonais:

Dividir a mdia dos valores do perodo sazonal pela mdia total

Se a soma dos ndices for diferente de 12, normalizar

24
Clculo dos fatores sazonais

25
Clculo dos fatores sazonais

26
Clculo dos fatores sazonais

Fator Sazonal*
004

002
002

001
001 001 001
000 000 000 000
000

jan fev mar abr mai jun jul ago set out nov dez

27
Decomposio: Componente sazonal

Determinao dos ndices sazonais (srie mensal)

Calcular mdia de cada ms e dividir pela mdia do ano

Se os ndices sazonais no somarem 12, normalizar (multiplicar por

12/Soma)

Resultado: srie de fatores sazonais

28
Retirando a influncia da sazonalidade

Qual o prximo passo?

29
Retirando a influncia da sazonalidade

Vendas de Champagne no Brasil Vendas Sem Sazonalidade

300.000 140.000

250.000 120.000
100.000
200.000
80.000
150.000
60.000
100.000
40.000
50.000 20.000
0 0
mar
mai

mar
mai

mar
mai

mar
mai

mar
mai

mar
mai

mar
mai

mar
mai
jan

set

jan

set

jan

set

jan

jan

set

jan

set

jan

set

jan
jul

jul

jul

jul

jul

jul
nov

nov

nov

nov

nov

nov
2010 2011 2012 2013 2010 2011 2012 2013

30
Retirando a influncia da sazonalidade

Dessazonalizar a curva
Dividir cada valor pelo fator sazonal calculado anteriormente

31
Retirando a influncia da sazonalidade

32
Decomposio Clssica: Curva de Tendncia

Qual o prximo passo?

33
Decomposio Clssica: Curva de Tendncia

Vendas Sem Sazonalidade

140.000

120.000

100.000
y = 1905ralx + 1942ral
R = 1900ral
80.000

60.000

40.000

20.000

0
jul

jul

jul
abr

abr

abr

abr
jun

out

jun

out

jun

out

jun
mar

mai

dez

mar

mai

dez

mar

mai

dez

mar

mai
ago

nov

ago

nov

ago

nov
jan

jan

jan

jan
set

set

set
fev

fev

fev

fev
2010 2011 2012 2013

34
Decomposio: Curva de tendncia

Recomendao: usar tendncia linear

Regresso simples da curva dessazonalizada
Usar funes do Excel
Inclinao
Intercepo
Extra: Previso

35
Decomposio: Curva de tendncia

36
O ciclo

Como calcular?

Qual a diferena entre o ciclo e a sazonalidade?

37
Clculo da variao cclica

Ciclo = Curva Sem Sazonalide/ Tendncia

38
Movimento cclico

Determinao da srie de movimento cclico

Dividir a srie sem influncia da sazonalidade pela srie de tendncia
Os valores de ciclo devem variar em torno de 1, com disperso mxima de
20%, ou seja, entre 0.8 a 1.2
O ltimo valor da srie de ciclo o mais importante!

39
Resumo das Etapas da Decomposio Clssica

Grfico da srie para identificar componentes

Determinao dos ndices sazonais (S)

Dessazonalizar a curva

Obteno da curva de tendncia (T)

Clculo dos componentes cclicos (C)

Clculo dos resduos aleatrios (no explicado)

Previso = T*S*C * Erro aleatrio

40
Decomposio: Prevendo valores futuros

Passos para gerar as previses

Coluna com a tendncia para os prximos meses (T)

Coluna com os ndices sazonais para estes meses (S)
Coluna com estimativa do ciclo para os prximos meses
Pode ser o ltimo valor de ciclo (C)
Calcular o produto das 3 componentes
Previso = T * S * C
Intervalo de previso: Construir a partir dos erros passados.

41
Decomposio Clssica: Prevendo as Vendas

Vendas de Champagne no Brasil Previso

700.000

600.000

500.000

400.000

300.000

200.000

100.000

0
mar
mai

mar
mai

mar
mai

mar
mai

mar
mai

mar
mai
jan

jan

jan

jan

jan

jan
set

set

set

set

set

set
jul

jul

jul

jul

jul

jul
nov

nov

nov

nov

nov

nov
2010 2011 2012 2013 2014 2015

42
Decomposio Clssica

Enxerga uma srie de vendas como o efeito combinado dos

seus componentes, atravs de um modelo do tipo:

Vendas Reais, R = T*S*C*A (Modelo multiplicativo)

Vendas Previstas, P = T*S*C

Variao Aleatria, Erro = R / P (Erro relativo)

43
Intervalo de Previso: Disperso do Erro Aleatrio

Analisar resduos do modelo de previso

Resduo = Real / Previsto ou

Mdia (Resduo) ~ 1 (Verificar!)

Calcular DP (Resduo)

Resduos tm distribuio aproximadamente Normal !

44
Intervalo de Previso: Disperso do Erro Aleatrio

Y
-2.58 -1.65 +1.65 +2.58
-1.96 +1.96

90% Vendas
95% Vendas
99% Vendas

45
Propriedades

- Quando os dados se distriburem segundo uma curva normal, o

desvio-padro (D.P.) indica os limites provveis dentro dos quais
se situam certas propores das observaes. Da seguinte forma:

X S 68,3%
X 2S 95,5%
X 3S 99,7%

46
Intervalo de Previso: Disperso do Erro Aleatrio

Srie de Venda de Champanhe

Mdia (Resduo) = 0.96
DP (Resduo) = 0.14 Aps expurgo de outliers

Intervalo Previso (90% Conf):

Previsto x (1 - 1.65 DP) a Previsto x (1 + 1.65 DP)

0.74 Previsto a 1.19 Previsto
Ex: Previsto = 40.000, ento Int (90%) =
(29.600, 47.600)

47
Amortecimento Exponencial: outro importante mtodo

Modelo prev o perodo seguinte (mas pode ir se retroalimentando, se

necessrio)

Simples:

Dupla:

Tripla (Holt Winters):

48