Capítulo 11 - Previsão de amostragem de gerenciamento de demanda 1. A previsão perfeita é praticamente impossível 2. Ao invés de procurar a previsão perfeita, é muito mais importante estabelecer a prática de revisão contínua da previsão e aprender a viver com previsão imprecisa 3. Ao prever , Uma boa estratégia é usar 2 ou 3 métodos e olhar para eles para a visão de senso comum. 2. fontes básicas de demanda 1. Demanda dependente - demanda de produtos ou serviços causada pela demanda por outros produtos ou serviços. Nem muito, a empresa pode fazer, deve ser cumprida. 2. Demanda independente - demanda que não pode ser derivada diretamente da demanda por outros produtos. Firma pode: a) assumir um papel ativo para influenciar a demanda - aplicar pressão sobre sua força de vendas b) assumir um papel passivo para influenciar a demanda - se uma empresa estiver executando em uma capacidade total, talvez não queira fazer nada sobre demanda. Outras razões são competitivas, legais, ambientais, éticas e morais. Tente prever o futuro com base em dados anteriores. 1. Curto prazo - menos de 3 meses - decisões táticas, tais como o reabastecimento de inventário ou agendamento EEs no curto prazo 2. Médio prazo - 3 M-2Y - capturar efeitos sazonais, como os clientes, respondem a um novo produto 3. Longo prazo - mais do que 2 anos. Identificar grandes pontos decisivos e detectar tendências gerais. A regressão linear é um tipo especial de regressão onde as relações entre variáveis formam uma linha reta Y abX. Variável dependente de Y a - Intercepção de Y b - inclinação X - variável independente É usado para previsão de longo prazo de ocorrências importantes e planejamento agregado. Ele é usado para ambos, previsão de séries temporais e previsão de relacionamento casual. É a técnica de previsão mais utilizada. As ocorrências mais recentes são mais indicativas do futuro (maior valor previsível) do que as do passado mais distante. Devemos dar mais peso aos períodos de minério nos últimos tempos durante a previsão. Cada incremento no passado é diminuído por (1- alfa). Quanto maior o alfa, mais próxima a previsão segue o real. Ponderação mais recente alfa (1-alfa) na 0 Dados um período de tempo mais antigo alfa (1-alfa) na 1 Dados dois períodos de tempo mais antigo alfa (1-alfa) na 2 Qual dos seguintes métodos de previsão é muito dependente da seleção do Indivíduos certos que serão utilizados de forma crítica para gerar a previsão O valor deve estar entre 0 e 1 1. 2 ou mais valores predeterminados de Alpha - dependendo do grau de erro, são usados valores diferentes de Alpha. Se o erro for grande, o Alpha é 0.8, se o erro for pequeno, o Alpha é 0.2 2. Valores calculados de Alfa - erro real suavizado exponencialmente dividido pelo erro absoluto exponencialmente sufocado. Técnicas qualitativas em previsão Conhecimento de especialistas e exigem muito julgamento (novos produtos ou regiões) 1. Pesquisa de mercado - procurando novos produtos e idéias, gostos e desgostos sobre produtos existentes. Principalmente Pesquisas amp ENTREVISTAS 2. Painel consenso - a idéia de que 2 cabeças são melhores do que uma. Painel de pessoas de uma variedade de posições pode desenvolver uma previsão mais confiável do que um grupo mais estreito. O problema é que menores níveis de EE são intimidados por níveis mais altos de gerenciamento. O julgamento executivo é usado (o nível mais alto de gerenciamento está envolvido). 3. Analogia histórica - uma empresa que já produz torradeira e quer produzir potes de café pode usar o histórico da torradeira como um modelo de crescimento provável. 4. Método Delphi - muito dependente da seleção dos indivíduos certos que serão utilizados de forma crítica para realmente gerar a previsão. Todos têm o mesmo peso (mais justo). Resultados satisfatórios geralmente são alcançados em 3 rodadas. OBJETIVO - Planejamento colaborativo, previsão e reabastecimento (CPFR) Para trocar informações internas selecionadas em um servidor da Web compartilhado, a fim de fornecer visões futuras confiáveis e de longo prazo sobre a demanda na cadeia de suprimentos. Métodos da série temporal Os métodos da série temporal são técnicas estatísticas Que fazem uso de dados históricos acumulados ao longo de um período de tempo. Os métodos de séries temporais assumem que o que ocorreu no passado continuará a ocorrer no futuro. Como sugere o nome da série temporal, esses métodos relacionam a previsão com apenas um fator - tempo. Eles incluem a média móvel, suavização exponencial e linha de tendência linear e estão entre os métodos mais populares para previsão de curto alcance entre empresas de serviços e fabricação. Esses métodos assumem que os padrões ou tendências históricas identificáveis na demanda ao longo do tempo se repetirão. Média móvel Uma previsão de séries temporais pode ser tão simples como usar a demanda no período atual para prever a demanda no próximo período. Isso às vezes é chamado de previsão ingênua ou intuitiva. 4 Por exemplo, se a demanda é de 100 unidades nesta semana, a previsão para a próxima semana, a demanda é de 100 unidades, se a demanda for de 90 unidades, então a demanda de semanas a seguir é de 90 unidades, e assim por diante. Este tipo de método de previsão não leva em consideração o comportamento da demanda histórica, ele depende apenas da demanda no período atual. Ele reage diretamente aos movimentos normais e aleatórios na demanda. O método de média móvel simples usa vários valores de demanda durante o passado recente para desenvolver uma previsão. Isso tende a atenuar ou suavizar os aumentos e diminuições aleatórias de uma previsão que usa apenas um período. A média móvel simples é útil para prever a demanda que é estável e não exibe nenhum comportamento de demanda pronunciado, como uma tendência ou padrão sazonal. As médias móveis são calculadas para períodos específicos, como três meses ou cinco meses, dependendo de quanto o antecessor deseja suavizar os dados da demanda. Quanto maior o período médio móvel, mais suave será. A fórmula para calcular a média móvel simples é a Computação de uma Média Móvel Simples O Instant Paper Clip Office Supply Company vende e entrega suprimentos de escritório para empresas, escolas e agências dentro de um raio de 50 milhas de seu armazém. O negócio de suprimentos de escritório é competitivo e a capacidade de entregar ordens prontamente é um fator para obter novos clientes e manter os antigos. (Os escritórios geralmente não efetuam pedidos quando são baixos os suprimentos, mas quando eles estão completamente esgotados. Como resultado, eles precisam de suas ordens imediatamente). O gerente da empresa quer ter certeza de que drivers e veículos estão disponíveis para entregar ordens prontamente e Eles têm inventário adequado em estoque. Portanto, o gerente quer ser capaz de prever o número de pedidos que ocorrerão no próximo mês (ou seja, para prever a demanda por entregas). A partir dos registros das ordens de entrega, a administração acumulou os seguintes dados nos últimos 10 meses, dos quais pretende calcular as médias móveis de 3 e 5 meses. Vamos assumir que é o final de outubro. A previsão resultante da média móvel de 3 ou 5 meses é tipicamente para o próximo mês na seqüência, que neste caso é novembro. A média móvel é calculada a partir da demanda por pedidos para os 3 meses anteriores na seqüência de acordo com a seguinte fórmula: A média móvel de 5 meses é calculada a partir dos dados anteriores de demanda de 5 meses da seguinte forma: Os 3 e 5 meses As previsões médias móveis para todos os meses de dados da demanda são mostradas na tabela a seguir. Na verdade, apenas a previsão de novembro com base na demanda mensal mais recente seria usada pelo gerente. No entanto, as previsões anteriores para meses anteriores nos permitem comparar a previsão com a demanda real para ver quão preciso é o método de previsão - ou seja, o quão bem ele faz. Médias de três e cinco meses Ambas as previsões da média móvel na tabela acima tendem a suavizar a variabilidade que ocorre nos dados reais. Este efeito de suavização pode ser observado na figura a seguir em que as médias de 3 meses e 5 meses foram sobrepostas a um gráfico dos dados originais: a média móvel de 5 meses na figura anterior suaviza as flutuações em maior medida do que A média móvel de 3 meses. No entanto, a média de 3 meses reflete melhor os dados mais recentes disponíveis para o gerente de suprimentos de escritório. Em geral, as previsões que usam a média móvel de longo prazo são mais lentas para reagir às mudanças recentes na demanda do que as feitas com médias móveis de menor período. Os períodos extras de dados amortecem a velocidade com que a previsão responde. Estabelecer o número apropriado de períodos para usar em uma previsão média móvel geralmente requer alguma quantidade de experimentação de tentativa e erro. A desvantagem do método da média móvel é que ele não reage às variações que ocorrem por uma razão, como ciclos e efeitos sazonais. Os fatores que causam alterações são geralmente ignorados. É basicamente um método mecânico, que reflete os dados históricos de forma consistente. No entanto, o método da média móvel tem a vantagem de ser fácil de usar, rápido e relativamente barato. Em geral, esse método pode fornecer uma boa previsão para o curto prazo, mas não deve ser empurrado para o futuro. Média Variável Ponderada O método da média móvel pode ser ajustado para refletir mais adequadamente as flutuações nos dados. No método da média móvel ponderada, os pesos são atribuídos aos dados mais recentes de acordo com a seguinte fórmula: Os dados de demanda para PM Computer Services (mostrado na tabela para o Exemplo 10.3) parecem seguir uma tendência linear crescente. A empresa quer calcular uma linha de tendência linear para ver se ela é mais precisa do que o suavização exponencial e as previsões de alívio exponencial ajustadas desenvolvidas nos Exemplos 10.3 e 10.4. Os valores necessários para os cálculos de mínimos quadrados são os seguintes: usando esses valores, os parâmetros para a linha de tendência linear são calculados da seguinte forma: Portanto, a equação linear da linha de tendência é Para calcular uma previsão para o período 13, vamos x 13 na linear Linha de tendência: o gráfico a seguir mostra a linha de tendência linear em comparação com os dados reais. A linha de tendência parece refletir de perto os dados reais - isto é, para ser um bom ajuste - e, portanto, seria um bom modelo de previsão para esse problema. No entanto, uma desvantagem da linha de tendência linear é que ela não se ajustará a uma mudança na tendência, pois os métodos de previsão de suavização exponencial serão, é assumido que todas as previsões futuras seguirão uma linha reta. Isso limita o uso desse método para um período de tempo mais curto em que você pode estar relativamente certo de que a tendência não mudará. Ajustes sazonais Um padrão sazonal é um aumento repetitivo e diminuição da demanda. Muitos itens de demanda exibem comportamento sazonal. As vendas de roupas seguem padrões sazonais anuais, com demanda de roupas quentes aumentando no outono e no inverno e diminuindo na primavera e no verão, à medida que a demanda por roupas mais frescas aumenta. A demanda por muitos itens de varejo, incluindo brinquedos, equipamentos esportivos, roupas, eletroeletrônicos, presuntos, perus, vinho e frutas, aumentam durante a temporada de férias. A demanda do cartão de felicitações aumenta em conjunto com dias especiais, como Dia dos Namorados e Dia das Mães. Padrões sazonais também podem ocorrer de forma mensal, semanal ou mesmo diária. Alguns restaurantes têm maior demanda na noite do que no almoço ou nos fins de semana, em oposição aos dias da semana. O tráfego - daí as vendas - nos shoppings começa na sexta e sábado. Existem vários métodos para refletir padrões sazonais em uma previsão de séries temporais. Descreveremos um dos métodos mais simples usando um fator sazonal. Um fator sazonal é um valor numérico que é multiplicado pela previsão normal para obter uma previsão ajustada sazonalmente. Um método para desenvolver uma demanda por fatores sazonais é dividir a demanda por cada período sazonal pela demanda anual total, de acordo com a seguinte fórmula: Os fatores sazonais resultantes entre 0 e 1,0 são, de fato, a parcela da demanda anual total atribuída a Cada estação. Esses fatores sazonais são multiplicados pela demanda prevista anual para produzir previsões ajustadas para cada estação. Computação de uma previsão com ajustes sazonais O Wishbone Farms cresce perus para vender a uma empresa de processamento de carne ao longo do ano. No entanto, sua época alta é, obviamente, durante o quarto trimestre do ano, de outubro a dezembro. A Wishbone Farms experimentou a demanda por perus nos últimos três anos, mostrada na tabela a seguir: por ter três anos de dados da demanda, podemos calcular os fatores sazonais dividindo a demanda trimestral total por três anos pela demanda total em todos os três anos : Em seguida, queremos multiplicar a demanda prevista para o próximo ano, 2000, por cada um dos fatores sazonais para obter a demanda prevista para cada trimestre. Para realizar isso, precisamos de uma previsão de demanda para 2000. Nesse caso, uma vez que os dados de demanda na tabela parecem exibir uma tendência geralmente crescente, calculamos uma linha de tendência linear para os três anos de dados na tabela para obter um impacto Estimativa de previsão: assim, a previsão para 2000 é 58.17, ou 58.170 perus. Usando esta previsão anual da demanda, as previsões corrigidas sazonalmente, SF i, para 2000, estão comparando essas previsões trimestrais com os valores reais da demanda na tabela, eles pareceriam relativamente boas estimativas de previsão, refletindo as variações sazonais nos dados e A tendência geral para cima. 10-12. Como é o método da média móvel semelhante ao suavização exponencial 10-13. O efeito sobre o modelo de suavização exponencial aumentará a constante de suavização de 10 a 14. Como o alinhamento exponencial ajustado difere do alisamento exponencial 10-15. O que determina a escolha da constante de suavização para a tendência em um modelo de suavização exponencial ajustado 10-16. Nos exemplos de capítulo para métodos de séries temporais, a previsão inicial foi sempre assumida como a mesma que a demanda real no primeiro período. Sugira outras maneiras de que a previsão inicial possa ser derivada no uso real. 10-17. Como o modelo de previsão da linha de tendência linear difere de um modelo de regressão linear para a previsão de 10-18. Dos modelos de séries temporais apresentados neste capítulo, incluindo a média móvel e média móvel ponderada, suavização exponencial e alisamento exponencial ajustado, e linha de tendência linear, qual você considera o melhor Porquê 10-19. Quais vantagens o alinhamento exponencial ajustado tem sobre uma linha de tendência linear para a demanda prevista que exibe uma tendência 4 K. B. Kahn e J. T. Mentzer, Previsão em Mercados de Consumidores e Industriais, The Journal of Business Forecasting 14, no. 2 (Verão de 1995): 21-28.P 498 uma empresa quer prever a demanda usando a (pág. 498) Uma empresa quer prever a demanda usando a média móvel simples. Se a empresa usa três valores de vendas anuais anteriores (ou seja, ano de 2009 130, ano de 2010 110 e ano de 2011 160), qual dos seguintes valores é a previsão média móvel em relação ao ano de 2012 A. 100,5 B. 122,5 C. 133,3 D. 135,6 E. 139.3 Usando a equação 15.5 (página 498) Previsão para 2012 (130 110 160) 3 4004 133.3 AACSB: Taxonomia Analítica Taxonomia: Analisar Dificuldade: Médio Jacobs - Capítulo 15 66 Objetivo de Aprendizagem: 15-05 Mostrar como fazer uma previsão de séries temporais Usando médias de tendência de regressão e suavização exponencial Área do tópico: análise da série de tempo 67. (p.500) Uma empresa deseja prever a demanda usando a média móvel ponderada. Se a empresa usa dois valores de vendas anuais anteriores (ou seja, ano 2011 110 e ano de 2012 130), e queremos pesar o ano de 2011 em 10 e ano de 2012 em 90, qual dos seguintes é a média média ponderada prevista para o ano 2013 A. 120 B. 128 C. 133 D. 138 E. 142 Usando a equação 15.6 (página 500) Previsão para 2013 (110x0.1) (130x0.9) 11 117 128 AACSB: Taxonomia analítica Taxonomia: Analise Dificuldade: Médio Jacobs - Capítulo 15 67 Objetivo de aprendizado: 15-05 Mostre como fazer uma previsão de séries temporais usando médias móveis de regressão e suavização exponencial Área do tópico: Análise da série de tempo Esta visualização tem seções intencionalmente borradas. Inscreva-se para ver a versão completa. 68. (p.500) Uma empresa quer prever a demanda usando a média móvel ponderada. Se a empresa usa três valores de vendas anuais anteriores (ou seja, ano de 2010 160, ano de 2011 140 e ano de 2012 170), e queremos subir de peso no ano de 2010 às 30, ano de 2011, aos 30 e ao ano de 2012 em 40, o que é o seguinte Previsão média móvel ponderada para o ano 2013 A. 170 B. 168 C. 158 D. 152 E. 146 Usando a equação 15.6 (página 500) Previsão para 2013 (160x0.3) (140x0.3) (170x0.4) 158 AACSB: Taxa de analítica Taxonomia: Analisar a dificuldade: Médio Jacobs - Capítulo 15 68 Objetivo de aprendizado: 15-05 Mostrar como fazer uma previsão de séries temporais usando médias móveis de regressão e suavização exponencial Área do tópico: Análise da série de tempo 69. (pág. 501) Quais dos dois As seguintes são as principais razões pelas quais o alisamento exponencial tornou-se bem aceito como técnica de previsão A. Precisão B. Sofisticação da análise C. Predeça os pontos de inflexão D. Facilidade de uso E. Possibilidade de previsão de tendências de atrasos de dados As técnicas de suavização exponencial tornaram-se bem Aceito por seis razões principais: 1. Modificação exponencial Eles são surpreendentemente precisos. 2. Formular um modelo exponencial é relativamente fácil. 3. O usuário pode entender como o modelo funciona. 4. É necessária pouca computação para usar o modelo. 5. Os requisitos de armazenamento de computadores são pequenos devido ao uso limitado de dados históricos. 6. Testes de precisão quanto ao bom desempenho do modelo são fáceis de calcular. AACSB: analítico Este é o fim da pré-visualização. Inscreva-se para acessar o resto do documento.
No comments:
Post a Comment