As previsões são vitais para todas as organizações de negócios e para todas as decisões gerenciais significativas. Embora uma previsão nunca seja perfeita devido à natureza dinâmica do ambiente de negócios externo, ela é benéfica para todos os níveis de planejamento funcional, planejamento estratégico e planejamento orçamentário. Tomadores de decisão usam previsões para tomar muitas decisões importantes em relação à direção futura da organização. As técnicas e modelos de previsão podem ser qualitativos e quantitativos e seu nível de sofisticação depende do tipo de informação e do impacto da decisão. O modelo de previsão que uma empresa deve adotar depende de vários fatores, incluindo horizonte de tempo de previsão, disponibilidade de dados, precisão necessária, tamanho do orçamento de previsão e disponibilidade de pessoal qualificado. O gerenciamento de demanda existe para coordenar e controlar todas as fontes de demanda, para que o sistema produtivo possa ser usado com eficiência e o produto entregue no prazo. A demanda pode ser dependente da demanda por outros produtos ou serviços, ou independente, porque não pode ser derivada diretamente da de outros produtos. A previsão pode ser classificada em quatro tipos básicos: qualitativa, análise de séries temporais, relações causais e simulação. Técnicas qualitativas em previsão podem incluir previsão de base, pesquisa de mercado, consenso de painel, analogia histórica e o método Delphi. Modelos de previsão de séries temporais tentam prever o futuro com base em dados passados. Uma previsão de média móvel simples é usada quando a demanda por um produto ou serviço é constante sem variações sazonais. Uma previsão média ponderada variável varia os pesos, dado um fator específico e, portanto, é capaz de variar os efeitos entre dados atuais e passados. A suavização exponencial melhora a previsão da média móvel simples e ponderada, pois considera que os dados mais recentes apontam para ser mais importantes. Para corrigir qualquer tendência ascendente ou descendente nos dados coletados ao longo do tempo, são usadas as constantes de suavização. Alfa é a constante de suavização, enquanto o delta reduz o impacto do erro que ocorre entre o real e a previsão. Erros de previsão são a diferença entre o valor da previsão e o que realmente ocorreu. Todas as previsões contêm algum grau de erro, no entanto, é importante distinguir entre fontes de erro e medidas de erro. Fontes de erro são erros aleatórios e viés. Várias medições existem para descrever o grau de erro em uma previsão. Erros de polarização ocorrem quando um erro é cometido, ou seja, não incluindo a variável correta ou mudando a demanda sazonal. Erros aleatórios não podem ser detectados, eles ocorrem normalmente. Um sinal de rastreamento indica se a média da previsão está acompanhando as mudanças na demanda. O MAD ou o desvio médio absoluto também é uma ferramenta simples e útil na obtenção de sinais de rastreamento. Uma ferramenta de previsão mais sofisticada para definir a relação funcional entre duas ou mais variáveis correlacionadas é a regressão linear. Isso pode ser usado para prever uma variável, dado o valor para outra. É útil para períodos de tempo mais curtos, uma vez que assume uma relação linear entre variáveis. A previsão da relação causal tenta determinar a ocorrência de um evento com base na ocorrência de outro evento. A previsão de foco tenta várias regras que parecem lógicas e fáceis de entender para projetar dados passados no futuro. Atualmente, muitos programas de previsão de computadores estão disponíveis para prever facilmente as variáveis. Ao tomar decisões de longo prazo com base em previsões futuras, deve-se tomar muito cuidado para desenvolver a previsão. Da mesma forma, várias abordagens para previsão devem ser usadas. A previsão precisa ser feita em várias áreas de gerenciamento, como gerenciamento financeiro, gerenciamento de marketing, gerenciamento de pessoal, etc., e as mesmas técnicas discutidas neste artigo são usadas nessas disciplinas também. A previsão é uma atividade importante na análise de segurança. Tipos de componentes de previsão da demanda IV. Técnicas Qualitativas na Previsão Grass Roots Painel de Pesquisa de Mercado Análises Históricas Método Delphi Análise de Séries Temporais Média Móvel Simples Ponderação Média Ponderada Exponencial Suavização Erros de Previsão Fontes de Erro Medição de Erro Análise de Regressão Linear Decomposição de uma Relação Temporal de Séries Temporais Previsão de Análise de Regressão Múltipla. Metodologia de Previsão de Foco da Previsão de Foco Previsão Baseada na Web: Planejamento Colaborativo, Previsão e Reabastecimento (CPFR) Richard B. Chase, F. Robert Jacobs, Nicholas J. Aquilano, Gerenciamento de Operações para Vantagem Competitiva, 10 / e, McGraw-Hill Superior Educação, 2004 highered. mcgraw-hill / sites / 0072506369 / studentview0 / chapter12 / Na prática, a média móvel fornecerá uma boa estimativa da média das séries temporais se a média for constante ou mudar lentamente. No caso de uma média constante, o maior valor de m dará as melhores estimativas da média subjacente. Um período de observação mais longo medirá os efeitos da variabilidade. O objetivo de fornecer um m menor é permitir que a previsão responda a uma mudança no processo subjacente. Para ilustrar, propomos um conjunto de dados que incorpora mudanças na média subjacente da série temporal. A figura mostra as séries temporais usadas para ilustração juntamente com a demanda média a partir da qual a série foi gerada. A média começa como uma constante em 10. A partir do instante 21, ela aumenta em uma unidade em cada período até atingir o valor de 20 no tempo 30. Em seguida, ela se torna constante novamente. Os dados são simulados adicionando à média um ruído aleatório de uma distribuição Normal com média zero e desvio padrão 3. Os resultados da simulação são arredondados para o inteiro mais próximo. A tabela mostra as observações simuladas usadas para o exemplo. Quando usamos a tabela, devemos lembrar que, a qualquer momento, apenas os dados passados são conhecidos. As estimativas do parâmetro do modelo, para três valores diferentes de m, são mostradas junto com a média das séries temporais na figura abaixo. A figura mostra a estimativa da média móvel da média em cada vez e não a previsão. As previsões mudariam as curvas da média móvel para a direita por períodos. Uma conclusão é imediatamente aparente da figura. Para as três estimativas, a média móvel fica atrás da tendência linear, com o atraso aumentando com m. O atraso é a distância entre o modelo e a estimativa na dimensão de tempo. Por causa do atraso, a média móvel subestima as observações à medida que a média está aumentando. O viés do estimador é a diferença em um tempo específico no valor médio do modelo e o valor médio previsto pela média móvel. O viés quando a média está aumentando é negativo. Para uma média decrescente, o viés é positivo. O atraso no tempo e o viés introduzidos na estimativa são funções de m. Quanto maior o valor de m. quanto maior a magnitude do atraso e do preconceito. Para uma série crescente com tendência a. os valores de defasagem e viés do estimador da média são dados nas equações abaixo. As curvas de exemplo não correspondem a essas equações porque o modelo de exemplo não está aumentando continuamente, em vez disso, inicia como uma constante, muda para uma tendência e, em seguida, torna-se constante novamente. Além disso, as curvas de exemplo são afetadas pelo ruído. A previsão da média móvel de períodos no futuro é representada pela mudança das curvas para a direita. O atraso e o preconceito aumentam proporcionalmente. As equações abaixo indicam o atraso e o viés de um período de previsão no futuro quando comparado aos parâmetros do modelo. Novamente, essas fórmulas são para uma série temporal com uma tendência linear constante. Não devemos nos surpreender com esse resultado. O estimador da média móvel baseia-se no pressuposto de uma média constante e o exemplo tem uma tendência linear na média durante uma parte do período do estudo. Como as séries em tempo real raramente obedecerão exatamente às premissas de qualquer modelo, devemos estar preparados para tais resultados. Podemos também concluir a partir da figura que a variabilidade do ruído tem o maior efeito para m menor. A estimativa é muito mais volátil para a média móvel de 5 do que a média móvel de 20. Temos desejos conflitantes de aumentar m para reduzir o efeito da variabilidade devido ao ruído e diminuir m para tornar a previsão mais sensível às mudanças em média. O erro é a diferença entre os dados reais e o valor previsto. Se a série temporal for verdadeiramente um valor constante, o valor esperado do erro é zero e a variância do erro é composta por um termo que é uma função e um segundo termo que é a variância do ruído,. O primeiro termo é a variância da média estimada com uma amostra de m observações, assumindo que os dados provêm de uma população com uma média constante. Este termo é minimizado tornando-se o mais amplo possível. Um grande m faz a previsão não responder a uma mudança na série temporal subjacente. Para tornar a previsão sensível às mudanças, queremos que o menor seja possível (1), mas isso aumenta a variação do erro. A previsão prática requer um valor intermediário. Previsão com o Excel O suplemento Previsão implementa as fórmulas de média móvel. O exemplo abaixo mostra a análise fornecida pelo add-in para os dados de amostra na coluna B. As 10 primeiras observações são indexadas de -9 a 0. Em comparação com a tabela acima, os índices de período são deslocados em -10. As primeiras dez observações fornecem os valores iniciais para a estimativa e são usadas para calcular a média móvel para o período 0. A coluna MA (10) (C) mostra as médias móveis calculadas. O parâmetro de média móvel m está na célula C3. A coluna Fore (1) (D) mostra uma previsão para um período no futuro. O intervalo de previsão está na célula D3. Quando o intervalo de previsão é alterado para um número maior, os números na coluna Fore são deslocados para baixo. A coluna Err (1) (E) mostra a diferença entre a observação e a previsão. Por exemplo, a observação no tempo 1 é 6. O valor previsto feito a partir da média móvel no tempo 0 é 11,1. O erro então é -5.1. O desvio padrão e o Desvio Médio Médio (MAD) são calculados nas células E6 e E7 respectivamente. Simples Média Móvel Média de Movimentação de Operações Ajuda Simples Movimentação Média de quaisquer características sazonais, uma média móvel simples pode ser muito útil na identificação de uma tendência dentro da flutuação de dados. Por exemplo, se quisermos prever vendas em junho com uma média móvel de cinco meses, podemos tirar a média das vendas em janeiro, fevereiro e março. Abril e maio. Quando June passe. a projeção para julho seria a média de fevereiro, março, abril, maio e junho. A fórmula para uma previsão de média móvel simples é Suponha que desejamos prever a demanda semanal de um produto usando uma média móvel de três e nove semanas. conforme mostrado nos Anexos 9.6 e 9.7. Essas previsões são calculadas da seguinte forma: Para ilustrar, a previsão de três semanas para a semana é: Operações relacionadas Atribuições de gerenciamento Média ponderada de movimento Confiabilidade dos dados Principais fórmulas Análise de séries temporais Alisamento exponencial
No comments:
Post a Comment