Previsão de Demanda: Demanda sem tendência

Demanda sem tendência

Como já visto anteriormente, a previsão de demanda é essencial para evitar problemas como grandes custos com estoque, excedentes de produção (principalmente no caso da indústria de alimentos), a falta ou atraso na entrega de produtos entre outros. A previsão pode ser diferente para os casos onde há demanda sem tendência, demanda com tendência e demanda com sazonalidade e permanência. Aproveite para conferir

• Previsão de Demanda: Modelo Causal

Como a satisfação de clientes é o fator de maior peso, prever a demanda é uma tarefa imprescindível aos que desejam ter destaque no mercado.

Vamos dar continuidade ao assunto, agora focando nos modelos de demanda sem tendência, mas antes vamos conferir alguns conceitos relacionados.

Séries Temporais

Os dados de séries temporais geralmente surgem ao monitorar processos industriais ou rastrear métricas de negócios corporativos. A diferença essencial entre a modelagem de dados por meio de métodos de séries temporais ou o uso dos métodos de monitoramento de processos discutidos anteriormente neste capítulo é a seguinte:

A análise de séries temporais explica o fato de que os pontos de dados obtidos ao longo do tempo podem ter uma estrutura interna (como auto correlação, tendência ou variação sazonal) que deve ser considerada.

Diferentemente do modelo causal, onde há uma causa que influencia a demanda, as decisões das séries temporais são baseadas em um histórico da demanda ao longo do tempo.

Outros conceitos básicos para a compreensão dos modelos clássicos de séries temporais são:

• Tendência: Descreve um movimento suave dos dados, a longo prazo, para cima o para baixo.
• Variações Cíclicas: padrão em que os dados apresentam variações.
• Variações Sazonais: são variações cíclicas a prazos relativamente curtos (um ano ou menos), em geral relacionadas com a variação da época do ano. Um ótimo exemplo disso são campanhas como dia dos pais/mães, natal, entre outros.
• Variações irregulares ou aleatórias: o conceito de variação irregular/aleatória é excludente aos que se enquadram nas variações cíclicas e sazonais, ou seja, não é possível classificar a variação de acordo com o período.

Modelos Clássicos de Séries Temporais

Média Móvel Simples

Geralmente empregada em casos onde a demanda não possui influências sazonais ou tendências acentuadas, ou seja, a curva de demanda tem perfil estável.

Este modelo é extremamente simples, mas vale ressaltar que não é o modelo mais complexo que irá lhe dar o melhor resultado, e sim o modelo mais adequado.

A fim de ilustrar melhor como o modelo de média móvel trabalha com os dados, confira o exemplo abaixo. A aplicação foi feita utilizando 3 períodos anteriores, mas também pode ser feita utilizando outro intervalo de tempo.

Após realizar essa previsão para o ano todo nos resta a pergunta: a previsão está adequada ou não?

Para responder essa questão devemos calcular o erro estimado de previsão. O cálculo deste erro de previsão será repetido também para outros modelos da mesma forma que para este.

Na tabela a cima, temos vários termos:

Vendas reais (V): é o número de vendas (como utilizado no exemplo); Previsão (P): calculada anteriormente; Erro Aritmético (P-V): dado pela diferença entre a previsão e as vendas reais Erro Aritmético Acumulado (EArA): somatório dos erros aritméticos considerando os períodos anteriores; Erro Absoluto |P-V|: é o valor do erro aritmético em módulo; Erro Absoluto Acumulado (EAA): somatório dos erros absolutos considerando os períodos anteriores; Erro Médio Absoluto (EAA/n): é a divisão do erro absoluto acumulado pelo número de períodos analisados; Tracking Signal (EArA/EMA): Sinal de erro. [Este é o indicativo de uma boa previsão!]

Especialistas dizem que a previsão de demanda está adequada (ou foi bem aplicada) quando o sinal de erro (tracking signal) estiver variando entre -4 e 4.

Há algumas ferramentas de auxílio como o Power BI e a criação de dashboards que auxiliam na exibição e tratamento de dados. Aproveite para conferir.

Média Móvel Ponderada

Modelo bem semelhante ao de média móvel simples, porém difere ao atribuir para cada demanda histórica, seu próprio peso para determinação da média.

A média móvel ponderada é calculada através do peso n para cada dia (mês ou ano) em uma média móvel de d dias. Dessa forma, em uma média móvel pesada de d dias, o último dia terá peso n, o penúltimo terá peso n-1, e assim sucessivamente. Considerando isso, tem-se que a média móvel ponderada para o dia d será:

Média Móvel Ponderada = n.pd + (n-1).pd-1 + ... + 2.pd-n+2 + pd-n+1 ÷ n + (n-1) +...+ 2 + 1

Essa média pode considerar, da mesma forma que no exemplo anterior, apenas um período de dois, três, quatro, ou mais meses, ignorando os meses restantes. Lembrando que este modelo é aplicável somente aos casos em que possui a demanda estável.

Da mesma forma que na média móvel simples, deve-se realizar os cálculos de erros com o tracking signal variando de -4 a 4 para indicar uma boa previsão.

Suavização Exponencial Simples

Trata-se de um método frequentemente utilizado por causa da sua simplicidade e do pequeno número de dados para sustenta-lo e é dado por:

Ft+1 = α. Dt + (1 - α). Ft

Traduzindo a fórmula:

Ft+1 = α.(demanda do período atual) + (1 - α).(previsão calculada no último período)

Onde α é a chamada constante de suavização que é um número entre 0 e 1. Este número dá a influência percentual da demanda real do último período na previsão do próximo período.

Para um efeito prático, α geralmente assume valores que se situam na faixa de 0,05 a 0,35. Ou seja, se α tem um valor alto, estaremos atribuindo um grande peso a demanda real e consequente baixo peso à previsão do último período.

Obs: Para início dos cálculos deve-se estimar o valor de Ft (previsão calculada do último período). Recomenda-se definir este dado com base no histórico da demanda.

Conclusão

Por fim, para definir se a previsão de demanda está adequada ao modelo, basta calcular o sinal de tracking (erro de previsão). O critério continua sendo o mesmo dos anteriores para o sinal de erro.

Por fim, vimos alguns modelos de previsão de demanda que são adequados às demandas que possuem estabilidade e, portanto, não possuem influências sazonais, ciclos ou tendência.

Como já citado anteriormente, existem algumas ferramentas como o Excel, ou Power BI que são fundamentais para realizar com precisão as análises de previsão de demanda. A elaboração de Dashboards também é útil na apresentação de resultados. Aproveite para conferir nossos cursos e ganhe destaque na utilização dessas ferramentas acessando a nossa plataforma EAD.

Dê sequência no seu aprendizado em previsão de demanda acessando os conteúdos de previsão de demanda:

• Demanda com tendência;
• Demanda com sazonalidade e permanência.

Aproveite para se destacar dos demais candidatos, conheça nossos cursos acessando a nossa plataforma EAD.