Gesto da Demanda Necessidades de Previso da Cadeia de Suprimentos

Naiara Calife

Previso da Demanda
O planejamento e o controle das atividades da cadeia de suprimentos dependem de estimativas acuradas dos volumes de produtos e servios a serem processados pela cadeia de suprimentos.

Tais estimativas ocorrem planejamento e previses.

tipicamente

na

forma

de

A necessidade de projees de demanda comum no processo de planejamento e controle

Natureza das Previses

A previso dos nveis de demanda vital para a empresa como um todo, medida que proporciona a entrada bsica para o planejamento e controle de todas as reas funcionais, entre as quais Logstica, Marketing, Produo e Finanas.
Os nveis de demanda e os momentos em que ocorrem afetam fundamentalmente os ndices de capacidade, as necessidades financeiras e a estrutura geral de qualquer negcio. A previso logstica abrange tanto a natureza espacial quanto a natureza temporal da demanda, a extenso de sua variabilidade e seu grau de aleatoriedade.

Demanda Espacial versus Demanda Temporal

O especialista precisa saber onde e tambm quando ir se manifestar o volume da demanda. A variao da demanda de acordo com o tempo um resultado do crescimento ou do decrscimo nas taxas de vendas, sazonalidade do padro da demanda e flutuaes gerais causadas por um sem-nmeros de fatores.

A localizao espacial da demanda indispensvel para planejar a localizao de armazns, determinar o balanceamento dos estoques ao longo da rede logstica, e alocar geograficamente os recursos de transporte.

Demanda Irregular versus Demanda Regular

Os produtos ou grupos de produtos formam padres variados de demanda com o passar do tempo.
Quando a demanda regular, sua representao tpica a de um dos padres gerais mostrados a seguir. Os padres de demanda podem ser divididos componentes de tendncia, sazonais ou aleatrios. em

Demanda Irregular versus Demanda Regular

Quando a demanda de determinados itens intermitente, em funo do baixo volume geral e da incerteza quanto a quando e em que nvel essa demanda ocorrer, a srie de tempo chamada de incerta, ou irregular. Encontra-se normalmente esse padro em produtos que esto entrando ou saindo de uma linha de produo, que so procurados por poucos clientes, divididos entre um nmero excessivo de localizaes de tal forma que a demanda em cada uma delas baixa, ou ento em subprodutos da demanda por outros artigos. Esses padres de demanda tem previso especialmente difcil com a utilizao das tcnicas mais comuns.

Demanda Dependente versus Demanda Independente

Demanda independente: a demanda gerada a partir de muitos clientes, a maioria dos quais faz compras individuais de apenas uma frao do volume total distribudo pela empresa. Demanda dependente: a demanda deriva das exigncias especificadas em programas de produo. Por exemplo, o nmero de novos pneus a serem encomendados de um fornecedor um mltiplo do nmero de carros novos que um fabricante colocar em produo. A maior parte dos modelos de previso de curto prazo tem base em condies de demanda independente e aleatria. Os padres de demanda dependente so altamente influenciados e no aleatrios A previso de necessidades atravs da demanda dependente resulta em previses perfeitas, uma vez que a demanda do produto final conhecida antecipadamente e com exatido

Mtodos de Previso
So divididos em trs categorias: qualitativos, de projeo histrica e causais. Cada grupo tem diferentes graus em termos de exatido relativa em previses de longo prazo e de curto prazo, o nvel de sofisticao quantitativa utilizado e a base lgica (histricos, opinies de especialistas, ou estudos) da qual a previso derivada.

Mtodos Qualitativos
So aqueles que recorrem a julgamento, intuio, pesquisas ou tcnicas comparativas a fim de produzir estimativas quantitativas sobre o futuro. A natureza no cientfica desses mtodos torna difcil sua padronizao ou mesmo a validao de sua exatido. H, porm, ocasies em que esses mtodos so todo o arsenal de que se dispe para prever o sucesso de novos produtos, mudanas de polticas de governo, ou o impacto de uma nova tecnologia. Deve-se optar preferencialmente em previses de mdio a longo alcance

Mtodos de Projeo Histrica

Quando se dispe de um nmero razovel de dados histricos e a tendncia e variaes sazonais nas sries de tempo so estveis e bem definidas, a projeo desses dados no futuro pode representar uma maneira eficiente de previso de curto prazo. A premissa bsica que o padro de tempo futuro ser uma repetio do passado, pelo menos em sua maior parte. Esses modelos funcionam bem no curto prazo.

Mtodos Causais
A premissa bsica em que se assentam os mtodos causais de previso sustenta que o nvel da varivel de previso derivado do nvel de outras variveis relacionadas. Por exemplo, se o servio ao cliente tem um efeito positivo sobre as vendas, conhecendo o nvel de servios oferecido possvel projetar o nvel das vendas. Pode-se dizer que o servio causavendas. Para perodos de mdio a longo alcances.

Tcnicas teis para os profissionais de logstica

A menos que exista uma necessidade de desenvolver previses especficas de longo prazo, o profissional fica limitado s previses de curto prazo que auxiliam em controle de estoque, programao de embarques, planejamento de carregamento de armazns e semelhantes. Trs metodologias bsicas de previso em sries de tempo: Ponderao Exponencial Decomposio clssica de sries de tempo Anlise de regresso mltipla

Ponderao Exponencial
provavelmente a melhor das tcnicas de previso a curto prazo. simples, necessita um mnimo de dados retidos para aplicao continuada, e tem a capacidade de se adaptar s mudanas fundamentais nos dados de previso. Trata-se de um tipo de mdia mvel, em que as observaes passadas no recebem peso igual. Pelo contrrio, as observaes mais recentes so sempre mais bem cotadas do que as mais antigas.

Ponderao Exponencial
Pode ser reduzido a uma simples expresso envolvendo apenas a previso do perodo mais recente e a demanda real para o perodo em andamento. Assim, a previso de demanda para o prximo perodo dada por: Nova previso = (demanda atual) + (1- ) (demanda anterior)

Onde um fator de ponderao, chamado de constante da ponderao exponencial, com valores que ficam ente 0 e 1.

Ponderao Exponencial

Ponderao Exponencial
Para simplificar, podemos transcrever este modelo de apenas um nvel como:

Ponderao Exponencial
Escolher o valor adequado para a constante da ponderao exponencial exige um alto grau de conhecimento. Quanto maior o valor de , maior o peso atribudo aos nveis de demanda mais recentes. Valores ajustados para variam normalmente de 0,01 a 0,3 embora altos valores possam ser utilizados por curtos perodos quando as mudanas antecipadas ocorrem, entre elas uma recesso, uma campanha promocional agressiva mas passageira, etc.

Ponderao Exponencial
Corrigindo a Tendncia
Quando os dados mostram uma tendncia substancial ou padro sazonal significativo, a defasagem inerente a esse tipo de modelo pode acarretar erros inaceitveis de previso. O modelo pode ser expandido a fim de proporcionar melhor deteco quando existem tendncias e elementos sazonais significativos. A verso com tendncia corrigida do modelo um conjunto de equaes que podem ser apresentadas como:

Onde os smbolos adicionais no definidos anteriormente so: F t+1 = previso com tendncia corrigida para o perodo t + 1 S t = previso inicial para o perodo t Tt = tendncia para o perodo t = constante ponderada de tendncia

Ponderao Exponencial
Corrigindo Tendncia e Sazonalidade
Alm da tendncia, os efeitos das flutuaes sazonais nas sries de tempo podem igualmente ser levados em conta. Porm, antes de aplicar esse tipo de modelo, preciso cumprir duas condies. 1. 2. Os picos e vales no padro da demanda precisam ter um motivo conhecido, e devem ocorrer na mesma poca todos os anos A variao sazonal deve ser maior do que as variaes aleatrias ou rudos

O modelo nvel-tendncia-sazonalidade elaborado em torno do conceito de prever o ndice da demanda real para a tendncia, e ento desazonaliz-lo para que possa produzir a previso. As equaes para este modelo so:

Onde os smbolos no definidos anteriormente so:

F t + 1 = tendncia e previso corrigida sazonalmente para o perodo t + 1 = constante de ponderao do ndice sazonal I t = ndice sazonal para o perodo t L = o tempo de uma estao completa

Ponderao Exponencial
A soluo deste problema exige os mesmo procedimentos que os das verses anteriores. O nmero de clculos torna quase impraticvel fazer as previses manualmente. Pacote de programas de computador vem sendo elaborados no apenas para fazer a previso, mas igualmente para assessorar o usurio na deteco dos valores iniciais para comear o processo de previso e determinar as melhores constantes de ponderao

Ponderao Exponencial
Definio dos Erros de Previso
Da mesma forma que o futuro no exatamente espelhado no passado, a previso da demanda futura incorrer quase sempre em algum nvel de erro.
Uma vez que a previso da ponderao exponencial uma projeo da demanda mdia, nosso objetivo projetar uma faixa onde recair a demanda real. O erro de previso definido como: Erro de previso = demanda real - demanda prevista

Ponderao Exponencial
A expresso matemtica para este desvio padro :

Ponderao Exponencial
Duas formas normalmente generalizadas da distribuio do erro de previso so mostradas na figura a seguir. Supondo que o modelo de previso esteja captando a mdia dos nveis reais de demanda com acurcia e que a variao da demanda real sobre a prevista seja pequena em relao ao nvel de previso, a distribuio de frequncia normal, ou suas aproximaes, a forma mais encontrada na prtica. Isto acontece particularmente no caso da distribuio de mdias de erros de previso.

Quando o intervalo de previso for curto, o resultado poder ser um distribuio enviesada.

Ponderao Exponencial
Exemplo: Recorde a previso de apenas um nvel que deu os seguintes dados e resultados:
Trimestre 2 3 700 900 1.000 1.080 1.064

Ano Passado Este Ano Previso

1 1.200 1.400 1.000

4 1.100

Exemplo
Agora, calcule o erro padro da previso (SF) nos dois perodos (N=2) aos quais se destinava a pesquisa e os valores reais de demanda disponveis. Supondo que a demanda seja normalmente distribuda conforme a previso, possvel desenvolver um intervalo de confiana de 95% em torno da previso para o terceiro trimestre. Com base na equao anterior, estimamos SF:

Ponderao Exponencial
Monitorando o Erro de Previso
Uma das principais vantagens da utilizao da ponderao exponencial para a previso de curto prazo a sua capacidade de adaptao aos padres em constante mutao nas sries de tempo. A qualidade com que o modelo mantm sua exatido est relacionada diretamente com o valor da constante de ponderao em qualquer ponto no tempo. Se a srie de tempo for estvel, valores relativamente baixos sero selecionados. Durante perodos de mudana rpida, altos valores sero usados.

Ponderao Exponencial
Mtodo bastante usado para monitorar o erro na previso sinal de rastreamento. O sinal uma comparao, normalmente um quociente, do erro de previso presente com uma mdia de erros de previso passados. Este quociente pode ser avaliado de forma contnua ou peridica. Como resultado desta computao, as constantes da ponderao exponencial podem ser recomputadas ou novamente especificadas quando o quociente exceder um limite especifico de controle.

Decomposio Clssica da Srie de Tempo

Simplicidade matemtica, grande preciso e aceitao. Fundamentado na filosofia de que um padro histrico de vendas pode ser decomposto em quatro categorias:

Tendncia Variao sazonal Variao cclica Variao residual ou aleatria

Decomposio Clssica da Srie de Tempo

Tendncia: representa o movimento de longo prazo causado nas vendas por fatores como mudanas em populao, mudanas no desempenho mercadolgico da empresa, mudanas fundamentais na aceitao dos produtos e servios da empresa pelo mercado. Variao sazonal: diz respeito aos altos e baixos normais na srie de tempo que se repetem normalmente a cada 12 meses. Ex. Mudanas climticas, os padres de compras determinados por datas especiais, e a disponibilidade das mercadorias. Variao cclica: consiste das ondulaes de longo prazo (mais de um ano) na demanda padro. Variao residual ou aleatria: aquela parte das vendas totais no explicada por componentes de tendncia, sazonais ou cclicos.

Decomposio Clssica da Srie de Tempo

A anlise clssica de sries de tempo combina cada tipo das variaes de vendas da seguinte forma:
F=TxSxCxR

onde:
F = demanda prevista (unidades ou $) T = nvel da tendncia (unidades ou $) S = ndice sazonal C = ndice cclico R = ndice residual

Decomposio Clssica da Srie de Tempo

Na prtica, o modelo na maioria das vezes reduzido apenas a componentes de tendncia e sazonais.
Isto feito porque um modelo bem especificado tem um ndice de valor residual (R) de 1,0 e isto no afeta a previso, e porque difcil em muitos casos decompor variaes cclicas de variaes aleatrias.

Como o modelo normalmente atualizado quando novos dados se tornam disponveis, o efeito da variao cclica tende a ser compensado neste processo de atualizao, podendo assim tratar o ndice cclico (C) igual a 1,0.

Decomposio Clssica da Srie de Tempo

A expresso matemtica de uma linha de tendncia linear : T = a + bt em que t = tempo T = nvel mdio de demanda, ou tendncia a e b = so coeficientes a serem determinados pela srie de tempo correspondente. Esses coeficientes so encontrados por:

Decomposio Clssica da Srie de Tempo

Decomposio Clssica da Srie de Tempo

O componente de sazonalidade representado por um ndice de valor que muda para cada perodo de previses. Esse ndice um quociente da demanda real num determinado perodo em relao demanda mdia. A demanda mdia pode ser representada por um mdia simples da demanda real ao longo de um perodo especfico, normalmente de um ano, uma mdia mvel ou a linha da tendncia. Portanto,

Decomposio Clssica da Srie de Tempo

St = Dt / Tt
onde: St = ndice sazonal no perodo de tempo t Tt = valor da tendncia determinado por T = a + bt Enfim, a previso feita para o perodo de tempo t no futuro, como a seguir: Ft = (Tt)(St-L) Onde: Ft = a demanda prevista no perodo de tempo t L = nmero de perodos no ciclo sazonal

Exemplo
Um fabricante de roupas jovens femininas precisava tomar decises sobre quantidades de compras e estabelecer programas de produo e logstica com base em previses de vendas do mercado. Foram especificadas cinco estaes do ano (no Hemisfrio Norte) para fins de planejamento e promoo vero, meia-estao, outono, festas natalinas e primavera. Foram obtidos dados de vendas relativos a cerca de dois anos e meio (Ver tabela). Havia necessidade de previso para duas estaes frente do perodo corrente como garantia de um adequado perodo de transio entre compra e produo. Neste caso, o perodo de previso era a temporada das festas natalinas, mesmo no estando ainda disponveis os nmeros para o perodo corrente do outono.

Exemplo
Supondo-se uma tendncia de linha reta, o coeficiente b seria:

Exemplo
Desta equao de linha de tendncia, os valores foram projetados pela substituio na equao prvia de cada valor de t. Coluna 5 na Tabela. Os ndices sazonais foram computados de acordo com a Equao St = Dt / Tt como mostrado na coluna 6 da Tabela.
Para fins de previso, foi utilizada a estao mais recente disponvel, principalmente porque os ndices no variavam muito de ano para ano.

Exemplo

A previso para a temporada das festas natalinas (perodo 14) foi :

F14 = [11.567,08 + 486,13 (14)] x 1,14 F14 = $20.945

Previso Colaborativa
Demanda irregular, altamente incerta e dinmica, surgidas a partir de fatores como promoes, poucos compradores adquirindo em grandes quantidades, compras sazonais/cclicas e demanda criada pela vontade de Deus representam um problema todo especial. A previso colaborativa vem sendo sugerida como uma abordagem aperfeioada do problema. Baseia-se na premissa de que duas cabeas pensam melhor do que uma. A previso colaborativa se refere ao desenvolvimento de previses usando as entradas de mltiplos participantes, sejam eles de reas funcionais variadas de uma s empresa (marketing, operaes, logstica, financeiro, compras etc) ou dos vrios membros de uma cadeia de suprimentos vendedores, transportadores e compradores.

Previso Colaborativa
Objetivo: reduzir o erro de previso.

A previso colaborativa um processo complexo inerentemente instvel, ou seja, a previso ter sempre a tendncia de retornar situao onde cada um dos integrantes faz previses individuais.
Os benefcios da melhor previso, bem como os benefcios da melhoria das comunicaes inter-funcionais e inter-organizacionais, podem justificar totalmente o esforo adicional exigido quando se trabalha em cooperao.

EX.: A Heineken USA faz hoje com que quase 100 de seus distribuidores independentes da bebida apresentem previses eletronicamente sede da empresa, utilizando um software terceirizado. Envolvendo cerca de 40% do volume total da Heineken, este esquema reduziu o tempo do ciclo dos pedidos de 12 semanas para apenas 4 ou 5.

Flexibilidade e Resposta Rpida Uma alternativa previso

As vendas de alguns produtos e servios so to imprevisveis que a utilizao dos tipos de mtodos de previso ate aqui descritos d como resultado tamanho potencial de erro de previso que os torna impraticveis. Se os processos de cadeia de suprimentos podem ser flexibilizados e passar a reagir com rapidez s necessidades de demanda, a necessidade de previso pequena.