Relatório Previsão de Demanda

1) Introdução
O presente relatório tem como objetivo apresentar o trabalho realizado para consolidar
o aprendizado sobre os métodos de previsão de demanda apresentados na disciplina de
Logística I. Primeiramente foi realizada a previsão do consumo de refrigerante por diferentes
métodos para que fosse possível definir o melhor método. Além disso, foram respondidas as
perguntas do modelo de regressão múltipla.
2) Modelos de Previsão
Estão descritos abaixo os modelos utilizados para a realização de uma previsão de

demanda assertiva. Para isso, foi necessário avaliar diferentes métodos estudados e
determinar o mais indicado para a situação analisada.
Para a realização da análise do método mais adequado de previsão, serão
considerados os seguintes modelos de séries temporais: média móvel, alisamento
exponencial, alisamento exponencial com tendência e alisamento exponencial com
tendência e sazonalidade.
As seguintes medidas de erros de previsão foram adotadas com o objetivo de eleger
o método com os menores valores desses parâmetros:
Tabela 1: Indicadores de erros e fórmulas
2.1) Média Móvel
A média móvel usa dados de um número definido de períodos, normalmente os mais

recentes, para gerar sua previsão. Para cada novo período, é preciso substituir o dado mais
antigo pelo mais recente. Existem dois tipos de média móvel, a Média Móvel Simples e a
Média Móvel Ponderada. A média móvel simples é uma média aritmética das últimas
observações realizadas, onde a quantidade de observações passadas consideradas vai
depender do número de períodos (k) que a média móvel considera. Já a média móvel
ponderada é uma variação da média móvel, a diferença está nas ponderações à formulação,
podendo dar ênfase às observações mais recentes ou mais antigas, dependendo dos pesos
atribuídos.
A grande vantagem do uso da média móvel para previsões se dá pela sua
simplicidade operacional e facilidade de entendimento. Porém, a necessidade de armazenar
um grande volume de dados, principalmente se o número de períodos for grande, é uma de
suas limitações. Assim, o uso da média móvel é recomendado em situações em que a
demanda apresenta um comportamento estável e o produto não for muito relevante.
Para o trabalho foi escolhido fazer a média móvel para 3 períodos, 5 períodos e 7
períodos. Todos os cálculos se encontram no arquivo em Excel, e o resultado encontrado por
este método é apresentado a seguir.
Tabela 2 - Indicadores de erros na média móvel
Tabela 3 - Indicadores de erros na média móvel com peso
Gráfico 1: Comparativo das previsões de médias móveis com a demanda

Gráfico 2: Comparativo das previsões da média móvel 3P com a demanda

2.2) Alisamento Exponencial
O alisamento exponencial é um método de previsão que pondera a variação entre o

previsto no período anterior e a demanda real, levando em consideração também a
quantidade prevista anteriormente. Por meio da média, esse é um método que considera
apenas o patamar dos dados históricos. Esse método determina o peso dado às observações
passadas mais recentes e assim, controla a taxa de alisamento ou da média. Para isso, é
preciso achar a função Ft, que é o objetivo do método.
A vantagem do alisamento exponencial é que precisa de requisitos mínimos de
armazenamento de dados e o cálculo é fácil. Além disso, a facilidade com que o sistema de
ponderação pode ser alterado através da variação do valor de alfa, a constante de alisamento
que é obtida aplicando o método.
Todos os cálculos se encontram no arquivo em Excel, e o resultado encontrado por
Tabela 4: Indicadores de erros no alisamento exponencial

Gráfico 5: Comparativo das previsões do alisamento exponencial com a demanda
2.3) Alisamento Exponencial com Tendência
O alisamento exponencial com tendência é utilizado quando é identificado um grau de

tendência na demanda histórica. Assim, é possível ajustar a média exponencialmente
suavizada dos dados de acordo com a tendência. Primeiramente é preciso calcular os valores
da constante de suavização, β, e ∝.
Tabela 5: Indicadores de erros no alisamento exponencial com tendência
Tabela 6: Constantes de suavização no alisamento exponencial com tendência

Gráfico 6: Comparativo das previsões do alisamento exponencial com tendência com a
demanda
2.4) Alisamento Exponencial com Tendência e Sazonalidade
Esse método é utilizado quando uma série de demandas apresenta, além de nível e
tendência, sazonalidades. Assim, é possível ajustar a média exponencialmente suavizada
dos dados de acordo com a tendência e com a sazonalidade. Primeiramente é preciso
calcular os valores da constante de suavização, β, e ∝ e γ.
Tabela 7: Indicadores de erros no alisamento exponencial com tendência e sazonalidade
Tabela 8: Constantes de suavização no alisamento exponencial com tendência e

sazonalidade
Gráfico 7: Comparativo das previsões do alisamento exponencial com tendência e
sazonalidade com a demanda
3) Resultados
O último método analisado, Alisamento Exponencial com Tendência e

Sazonalidade, apresentou os menores indicadores de erro de previsão, com um EAMP de
apenas 10,94 e um ajuste dos dados satisfatório. Assim, a previsão será realizada com base
no método de Alisamento Exponencial com Tendência e Sazonalidade.
A previsão para o próximo período, ou seja, t=139 foi realizada utilizando o último fator
de sazonalidade observado no último mês de janeiro e os valores de Lt e Tt do período t=138.
Assim, o valor obtido foi de 70,14.
4) Exercício Regressão Múltipla
Esse exercício consiste em definir a quantidade de mão de obra utilizada (horas), que
são definidas a partir do volume de libras entregues, da porcentagem de unidades entregues
por caminhão, do peso médio de entregas e da semana através do Método de Regressão
Múltipla.
a) Determinação da equação de Previsão dos Mínimos Quadrados
O modelo geral de regressão linear múltipla é o seguinte:
𝑌 = 𝛽𝑂 + 𝛽1 𝑥1 + 𝛽2 𝑥2 + . . . + 𝛽𝐾 𝑥𝐾
A partir do conjunto de dados das 20 semanas fornecidos no problema, encontramos

que:
Mão de Obra = 131,17 + 0,12*Semana + 2,69*Volume + 0,05*Porcentagem de

Unidades - 2,6*Peso Médio
b) Identificação e interpretação do valor de R²
Um dos indicadores mais usados para comparação entre o modelo e a realidade é o

coeficiente de explicação ou determinação (R²). Ele é definido por:
Quanto mais próximo de 0 estiver o R², menor é sua semelhança com a realidade e
quanto mais próximo de 1, melhor a explicação do modelo para a situação real.
Para a situação analisada, encontramos que: R² = 0,77 o que indica uma assertividade
considerável no modelo de previsão elaborado.
c) Previsão para a 21ª semana
Para a previsão de quantidade de mão de obra necessária na 21ª semana,

precisamos dos valores das variáveis independentes: volume de libras entregues,
porcentagem de unidades entregue por caminhão e peso médio de entregas, além a
semana conhecida. Esses valores foram encontrados através de regressão linear
(conforme planilha).
Para a situação analisada, a quantidade de obra prevista (Y) está destacada na

seguinte tabela:
Tabela 9: Previsão para a 21ª semana
5) Conclusão
Este trabalho teve como objetivo demonstrar a utilização de alguns dos métodos de
demanda, seus efeitos e suas aplicações. Durante a sua realização, foi possível observar a
necessidade do estudo do modelo mais adequado para obter uma previsão mais assertiva,
além de aplicar os modelos aprendidos durante as aulas.

Relatório Previsão de Demanda

Enviado por

Direitos autorais:

Formatos disponíveis

Relatório Previsão de Demanda

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Relatório Previsão de Demanda

Enviado por

Direitos autorais:

Formatos disponíveis

1) Introdução

Estão descritos abaixo os modelos utilizados para a realização de uma previsão de

Tabela 1: Indicadores de erros e fórmulas

2.1) Média Móvel

A média móvel usa dados de um número definido de períodos, normalmente os mais

Tabela 2 - Indicadores de erros na média móvel

Tabela 3 - Indicadores de erros na média móvel com peso

Gráfico 1: Comparativo das previsões de médias móveis com a demanda

Gráfico 3: Comparativo das previsões da média móvel 5P com a demanda

2.2) Alisamento Exponencial

O alisamento exponencial é um método de previsão que pondera a variação entre o

Tabela 4: Indicadores de erros no alisamento exponencial

2.3) Alisamento Exponencial com Tendência

O alisamento exponencial com tendência é utilizado quando é identificado um grau de

Tabela 5: Indicadores de erros no alisamento exponencial com tendência

Tabela 6: Constantes de suavização no alisamento exponencial com tendência

2.4) Alisamento Exponencial com Tendência e Sazonalidade

Tabela 7: Indicadores de erros no alisamento exponencial com tendência e sazonalidade

Tabela 8: Constantes de suavização no alisamento exponencial com tendência e

O último método analisado, Alisamento Exponencial com Tendência e

4) Exercício Regressão Múltipla

a) Determinação da equação de Previsão dos Mínimos Quadrados

O modelo geral de regressão linear múltipla é o seguinte:

A partir do conjunto de dados das 20 semanas fornecidos no problema, encontramos

Mão de Obra = 131,17 + 0,12*Semana + 2,69*Volume + 0,05*Porcentagem de

Um dos indicadores mais usados para comparação entre o modelo e a realidade é o

c) Previsão para a 21ª semana

Para a previsão de quantidade de mão de obra necessária na 21ª semana,

Para a situação analisada, a quantidade de obra prevista (Y) está destacada na

Você também pode gostar

Mão de Obra = 131,17 + 0,12Semana + 2,69Volume + 0,05*Porcentagem de