Capitulo 2 - PPCP

Capitulo 2 – Previsões de vendas
Previsão de vendas é importante para utilizar as maquinas da maneira eficiente, para reposição de estoques no tempo e quantidade certa, porem estas estimativas pode conter erros, ai onde devemos ter cuidados nas coletas de dados e adequar a um modelo de previsão que os diminua.

2.1 – Planejamento, predição e previsão.- Planejamento: Processo lógico que descreve as atividades necessárias para atingir os objetivos.

Citação :

- Predição: Processo de determinação de acontecimentos futuros com base em dados subjetivos.
- Previsão: Processo metodológico para determinação de acontecimentos futuros, baseados em modelos estatísticos, matemáticos e econométricos, mesmo modelos subjetivos porem com uma metodologia clara e pré-definida.
Previsão de vendas: O sistema de previsão de vendas é o conjunto de procedimentos de coleta, tratamento e análise de informações que visa gerar uma estimativa das vendas futuras, medidas em unidades de produtos em cada unidade de tempo.

2.2 – Demanda
Para que se possa fazer uma previsão de vendas precisamos ter informações a respeito da demanda.
Onde temos como exemplo alguns indicadores de demanda:
Média de horas de trabalho semanal;
Consultas às organizações de proteção ao crédito (SERASA);
Solicitações de alvará para construção;
Taxa de desemprego;
PIB - Soma de todas as riquezas produzidas dentro do território econômico do País, independente de sua origem;
Produção industrial;
Investimentos em fábricas e equipamentos;
Níveis de estoques;
Empréstimos comerciais e industriais;
Sendo assim temos diversos fatores que influenciam na demanda, sendo eles fatores internos e fatores externos:

- Fatores Internos:
Orçamento de vendas
Propaganda
Promoções
Projeto do Produto/Serviço
Descontos
Backlogs - O Sprint Backlog consiste simplesmente na lista de tarefas que serão desenvolvidas pela equipe para que ao fim de cada sprint – tarefa – corrida.

- Fatores Externos
Ciclo de negócios
Competição
Consumismo
Eventos Mundiais
Ações governamentais
Ciclo de vida do produto
Tendo em entendimento todos os fatores que podem interferir na demanda e como encontrarmos dados para calcular a previsão podemos começar a analisar o processo de previsão de vendas.
Concluímos que demanda é um bem ou serviço a ser adquirido por um valor ditado pelo mercado, durante uma unidade de tempo. Então só existe demanda se tiver desejo, necessidades e condições, na intenção de comprar e de suprir a intenção de satisfazer os clientes
Daí a partir desta coleta de dados pode determinar a precisão de nossa demanda a partir de padrões comuns onde temos:
- media: as variações de demandada estão em torno de um valor constante.

Citação :

- tendência linear: cresce ou decresce linearmente.
- tendência não linear: cresce ou decresce conforme uma equação do 2° grau.
- sazonal: semelhante a media porem em valores não periódicos.

2.3 – Tipos de Previsão
Curto prazo, até três meses, utiliza métodos estatísticos baseados em media ou no ajustamento de retas.
Médio – 2 ou 3 anos
Longo prazo – acima de 2 anos, são utilizados modelos explicativos ou modelos econométricos.

2.4 – Outros métodos de previsão de demanda
Extrapolação ingênua:
Opiniões dos vendedores: feed back dado pelos vendedores, mas ainda não passa de ser um método bastante subjetivo.
Método Delphi: onde pessoas anônimas respondem um questionário e entregam a um supervisor, que tabula e envia novamente aos participantes. Os participantes podem alterar ou manter suas respostas, esse processo se repete até chegarem a um consenso.
Teste de mercado: foi o exemplo da moça que distribui amostra no supermercado e coleta as opiniões.
Pesquisas no mercado consumidor:
Pesquisa no mercado industrial:

Citação :

[As tabelas e as formulas se encontram neste link em formato excel

http://files.myopera.com/akarrian%20soul/ppcp/Aulas_PPCP_cap%202.xls

2.5 – Métodos baseados em médias
2.5.1 – Media móvel simples
2.5.2 – Média móvel ponderada
Neste método acrescentaremos um fator de ajustamento, que será responsável pela moderação dos dos dados do ultimo trimestre
2.5.3 – Media móvel com ajustamento exponencial
A previsão P é calculada a partir de uma previsão realizada no período [t-1] adicionada ou subtraída de um coeficiente α que multiplica o consumo real C e a previsão no período Pt-1
2.5.4 – Ajustamento Sazonal [para fenômenos sem tendências]
São considerados Sazonais porque variam de acordo com um determinado tempo no ano. Por exemplo, o numero de turistas nas cidades praianas durante o verão é bem maior que durante o inverno e tem como conseqüência uma maior ocupação na rede hoteleira, um maior movimento nos meios de transportes, maior consumo de bebidas, etc.
Deve se determinar a média de consumo em cada ano e os coeficientes de sazonalidade para cada período ao longo dos anos, com estes valores, determina-se o coeficiente médio de sazonalidade de cada período do ano, projeta-se a demanda global para o ano previsto e a média de consumo para cada período.
Divide-se o consumo do período pela media do ano. Por exemplo no trimestre 1 do ano teríamos 45/250
Coeficiente de sazonalidade
2.5.5 – Ajustamento de tendências
Trata-se de dados em curto prazo ai tempos dois modelos: de ajustamento exponencial duplo e o de ajustamento de retas. Onde entra a sazonalidade novamente.

2.5.5.1 – Ajustamento exponencial duplo
Utilizados sempre que os dados apresentem uma tendência, também conhecida como método de dois parâmetros de Holt.

Ajustamento exponencial Duplo - Modelo de Holt

2.5.5.2 – Método de regressão linear (ajustamento de retas)
Regressão linear basea na função:
Y = a + bX
Onde Y é variável dependente e X variável independente. Para determinar os valores a e b calculamos a partir do Método dos mínimos quadrados.
Porem encontrei estas formulas mais simples em uma apresentação do SENAI, e muito mais explicativa que o livro.

Para verificar o ajustamento da reta, utiliza-se o coeficiente de determinação r, que vai variar entre 1 e -1, onde o valor positivo indica uma reta ascendente e um valor negativa uma reta descendente.
A formula apresentada no livro não considera o n, que foi encontrada somente na apresentação de metodos quantitativos.

2.6 – Ajustamento sazonal para dados com tendência (Modelo de Winter)
O modelo de Winter é a extensão do modelo de Holt adicionando uma equação para estimar a sazonalidade, somente a formula do calcula da nova serie amortecida esta errada, antão esta ai a correta:




2.7 – Ajustamento de tendências lineares – modelo simplificado
O modelo simplificado assume que sempre que o modelo de previsão seja uma reta, deve-se determinar a equação reta e o coeficiente de sazonabilidade de cada período.
Ai calcula-se as previsões para o ano, período a período.

Demanda - em 1000 unidades por período
Ano Período - Trimestre
1 2 3 4 Total
1 12,6 8,6 6,3 17,5 45
2 14,1 10,3 7,5 18,2 50,1
3 15,3 10,6 8,1 19,6 53,6
Total 42 29,5 21,9 55,3 148,7
Etapa 1 - cálculo da reta
x y xy x² y²
1 45 45 1 2025
2 50,1 100,2 4 2510,01
3 53,6 160,8 9 2872,96
6 148,7 306 14 7407,97 Somatória

Basta utilizar o metodo dos minimos quadrados no arquivo que citei anteriormente.

2.8 – Seleção do modelo de previsão
Para selecionar o melhor método de previsão que se ajusta aos dados podem ser utilizados alguns métodos:
SAE – Soma acumulada dos erros da previsão
EQM – Erro quadrado médio
DP – Desvio padrão
MSEA – Media da soma dos erros absolutos

Segue o exemplo da pagina 30.

Mês Valor real Previsão Erro Erro ao quadrado Erro Absoluto
1 200 225 -25 625 25
2 240 220 20 400 20
3 270 290 -20 400 20
4 230 250 -20 400 20
5 280 270 10 100 10
6 210 250 -40 1600 40
Total -75 3525 135
Previsão pré estabelecida pelo livro

Segue agora os calculos de SAE, EQM e MSEA
SAE -75 somatoria dos erros
EQM 587,5 Total do erro quadrado / qnt de periodos
MSEA 22,5 Total do erro absoluto/ qnt de periodos

2.9 – Controle do modelo de previsão selecionado
Tendo identificado o modelo que se adequar aos dados na utilização de prever os valores no futuro, não se pode garantir que ele seja indefinidamente adequado a apresentar os fenômenos verdadeiros. Para isso temos duas variáveis que fazem este acompanhamento: Sinal de rastreamento ou tracking signal – TS ou sinal Trigg – TR.

2.9.1 – Sinal de rastreamento – TS

TS = Desvio acumulado / Desvio absoluto

Sendo:
Desvio = erro da previsão = valor real – valor previsto
Desvio absoluto = erro da previsão em valor absoluto

2.9.2 – Sinal de Trigg – TR

Citação :

A desvantagem do sinal de rastreamento é que ele deve ser calculado em cada período para evitar desvios acumulados cresçam.
Não vai adiantar eu colocar estas tabelas de calculos aqui pois a planilha ja tem e esta bem explicativa, recomendo que deem uma olhada nela.