Necessidades de

Previso da Cadeia de
Suprimentos

Introduo
O planejamento e o controle das atividades da cadeia

de suprimentos/logstica dependem de estimativas

acuradas dos volumes de produtos e servios a serem
processados nesta cadeia. Tais estimativas ocorrem
tipicamente na forma de planejamentos e previses.

Introduo
A necessidade de projees de demanda comum no processo

de planejamento e controle. Contudo determinados tipos de

problemas de planejamento como controle de estoques,
economia em compras, controle de custos, previses dos
prazos de entrega, preos e custos podem se mostrar
igualmente necessrios.

Natureza das previses

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
A variao da demanda de acordo com o tempo o

resultado do acrscimo ou do decrscimo nas taxas de

vendas, sazonalidade do padro da demanda e flutuaes
gerais causadas por um sem-nmero de fatores.
O especialista precisa saber onde e tambm quando ir se
manifestar o volume da demanda.

Demanda Espacial versus Demanda

Temporal
As tcnicas de previso devem ser selecionadas de modo

a refletir as diferenas geogrficas capazes de influir

sobre os padres de demanda.
Demanda prevista e depois desagregada por locao
geogrfica (previso de cima para baixo).
Previso desagregada de cada localizao geogrfica e
posterior agregao (previso de baixo para cima).

Demanda Irregular versus

Demanda Regular
Quando a demanda regular os padres de demanda

podem ser divididos em componentes de tendncia,

sazonais ou aleatrios.
Quando a demanda de determinados itens intermitente,
em funo do baixo volume geral e da incerteza quanto
ao instante e em que nvel essa demanda ocorrer, a srie
de tempo chamada de incerta, ou irregular.

Demanda Dependente versus Demanda

Independente
Em um caso, 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. Neste caso, trata-se de demanda independente.
Em outro caso, a demanda deriva das exigncias
especificadas em programas de produo, sendo ento
considerada dependente.
A maior parte dos modelos de previso de curto prazo
tem base em condies de demanda independente e
aleatria. Pelo contrrio, os padres da demanda
dependente so altamente influenciados e no aleatrios.

Exemplo de demanda
regular

Exemplo de demanda
regular

Exemplo de demanda
regular

Exemplo de demanda
incerta

Mtodos de Previso
Tais mtodos so divididos em trs categorias:
Qualitativos
Projeo histrica
Causais

Cada grupo tem diferentes graus em termos de exatido

relativa em previses de longo e de curto prazo, o nvel

de sofisticao quantitativa utilizado e a base lgica
(dados histricos, opinies de especialistas, ou estudos)
da qual a previso derivada.

Mtodos Qualitativos
As informaes relativas aos fatores que afetam a

previso so tipicamente no quantitativas, flexveis e

subjetivas.
Quanto aos dados histricos, possvel que no estejam
ao alcance ou que tenha escassa relevncia para a
previso.
A natureza no cientfica desses mtodos torna difcil sua
padronizao ou mesmo a validao de sua exatido.

Mtodos de Projeo
Histrica

A premissa bsica que o padro de tempo futuro ser

uma repetio do passado, pelo menos em sua maior

parte.
A natureza quantitativa das sries de tempo incentiva o
uso de modelos matemticos e estatsticos como
principais fontes de previso.
Modelos de sries de tempo so reativos por natureza.
So modelos que detectam mudanas a partir da
atualizao sempre que novos dados se tornam
disponveis, uma caracterstica que lhes permite adaptarse a mudanas nos padres de tendncias e sazonais.

Tcnicas selecionadas de
previso
Delphi

Pesquisa de
mercado

Painel de
consenso

Estimativas da
equipe de
vendas

Previso
visionria

Analogia
histrica

Mdia mvel

Ponderao
exponencial

Box-Jenkins

Decomposio
de sries de
tempo

Projees de
tendncia

Previses
focadas

Anlise espectral

Modelo de
regresso

Modelo
economtrico

Indicadores
principais

Modelo de
entrada e sada

Modelos
econmicos de
entrada e sada

Intenes de
compra e
pesquisa de
antecipao

Anlise do ciclo
de vida

Filtro adaptativo

Simulao
dinmica

Resposta
acurada

Redes neurais

Previso

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.
Cada modelo extrai sua validade a partir de padres de
dados histricos que estabelecem a associao entre as
variveis preditivas e a varivel a ser prevista.
O grande problema deste modelo de previso o fato de
indicar como difcil localizar variveis verdadeiramente
causais.

Mtodos Causais
Mais difcil ainda encontrar as variveis causais que

conduzem a varivel prevista no tempo.

Modelos base de tcnicas econmicas e de regresso
podem conter substanciais erros de previso em funo
desses problemas.

Tcnicas teis para os profissionais de

Logstica
Com base no grau de sofisticao, utilizao potencial e

previso de disponibilidade de dados, apenas um nmero

limitado dos mtodos precisam ser estudados
detalhadamente.
Isso ocorre porque inmeros estudos demonstram que
modelos simples da variedade de sries de tempo em
geral fazem previses to boas ou at melhores do que as
verses mais sofisticadas e complexas.
A complexidade nos modelos de previso no aumenta
necessariamente sua preciso.

Ponderao exponencial
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.
Semelhante esquema de ponderao geomtrica pode ser
reduzido a uma simples expresso envolvendo apenas a
previso do perodo mais recente e a demanda real para o
perodo em andamento.

Ponderao exponencial
Nova previso = (demanda atual) + (1 )
(demanda anterior)
Onde um fator de ponderao, normalmente chamado

de constante da ponderao exponencial, com valores que

ficam entre 0 e 1.

Ft 1 At 1 Ft
onde
t = perodo de tempo atual
= constante da ponderada exponencial
At = demanda no perodo t
Ft = previso para o perodo t
Ft+1 = previso para o perodo seguinte t, ou o prximo perodo

Ponderao exponencial
Quanto maior o valor de , maior o peso atribudo aos

nveis de demanda mais recentes. Isso permite que o

modelo responda com maior agilidade s mudanas nas
sries de tempo.
Quanto menor o valor de , maior o peso atribudo
demanda histrica na previso da demanda futura e mais
prolongado o retardamento no tempo de reao s
mudanas fundamentais no nvel da demanda.

Ponderao exponencial
Valores ajustados para variam normalmente de 0,01 a

0,3.
Uma regra que se deve seguir quando em busca de um
valor de escolher um que venha a permitir que o
modelo de previso constate grandes mudanas nas sries
de tempo e que atenue as flutuaes aleatrias.

Corrigindo a Tendncia
Contudo, 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. Felizmente, o modelo pode ser
expandido a fim de proporcionar melhor deteco quando
existem tendncia e elementos sazonais significativos em
relao aleatoriedade nos dados.

Corrigindo a Tendncia
St 1 At 1 St Tt

Tt 1 St 1 - St 1 Tt
Ft 1 St 1 Tt 1
Onde
Ft+1 = previso com tendncia corrigida para o perodo
t+1
St = previso inicial para o perodo t
Tt = tendncia para o perodo t
= constante ponderada da tendncia

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:
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.

Corrigindo Tendncia e
Sazonalidade
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 esse modelo so:

Corrigindo Tendncia e
Sazonalidade
S t 1

At

1 S T

t
t

ItL

Tt 1 St 1 St 1 Tt
At

It
1 It L

St

Ft 1 St 1 Tt 1 I t L 1
Ft+1 = tendnca e previso corrigida sazonalmente para o
perodo t + 1.
= constante de ponderao do ndice sazonal
It = ndice sazonal para o perodo t
L = o tempo de uma estao completa

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. E isto exige uma
previso estatstica.
Manifestado em estatstica como um desvio padro, uma
varincia ou um desvio absoluto mdio.

Definio dos erros de

Previso
O desvio padro desenvolvido como a medida do erro
de previso
Erro de previso = demanda real demanda prevista
A expresso matemtica para esse desvio padro :

SF
SF = erro padro da previso
At = demanda real no perodo t
Ft = previso para o perodo t
N = nmero de perodos de previso t

F
t t
t

N 1

Definio dos erros de

Previso

Pode ser usado o teste a seguir para escolher entre a

distribuio normal (simtrica) e a distribuio

exponencial como representao de uma distribuio
assimtrica.
Em uma distribuio normal, cerca de 2% das observaes

excedem um nvel de 2 desvios padro acima da mdia. Em

uma distribuio exponencial, a probabilidade de exceder a
mdia por mais de 2,75 desvios padro cerca de 2%.

Distribuies de erros de
distribuio tpicas

Monitorando o Erro de
Previso

A qualidade com que o modelo mantm sua exatido est

relacionada diretamente com o valor da constante de

ponderao em qualquer ponto no tempo. Por isso
mesmo, procedimentos de sofisticada previso envolvem
a monitorao do erro de previso e a relao de ajustes
nos valores da constante ponderada.
Um mtodo bastante usado para monitorar o erro na
previso o que funciona por meio de um sinal de
rastreamento. O sinal uma comparao, normalmente
um quociente, do erro de previso presente com uma
mdia de erros de previso passados.

Monitorando o Erro de
As constantes da ponderao exponencialPreviso
podem ser
recomputadas ou novamente especificadas quando o quociente
exceder um limite especificado de controle.
O desempenho de um modelo de ponderao exponencial bem
especificado deveria parecer-se com os ltimos perodos das
sries de tempo mostrados na figura:

Decomposio Clssica da Srie de

Tempo
A previso mediante a decomposio clssica das sries

de tempo tem seu fundamento 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
A anlise clssica de sries de tempo combina cada tipo

das variaes de vendas da seguinte forma:

F=TxSxCxR
F = demanda prevista (unidades ou $)
T = nvel de tendncia (unidades ou $)
S = ndice sazonal
C = ndice cclico
R = ndice residual

Na prtica, o modelo na maioria das vezes reduzido

apenas a componentes de tendncia e sazonais.

O valor da tendncia (T) no modelo pode ser determinado
utilizando o mtodo dos mnimos quadrados.

Decomposio Clssica da Srie de

Tempo
A expresso matemtica de uma linha de tendncia linear

T = a + bt, em que t tempo, T o nvel mdio de

demanda, ou tendncia, e a e b so coeficientes.

D t N D t

b
t Nt
t

a D bt
N = nmero de observaes usadas no desenvolvimento da linda de tendncia
Dt = a demanda real no perodo de tempo t
D = demanda mdia em N perodos de tempo
t = mdia de t ao longo de N perodos de tempo

Decomposio Clssica da Srie de

Tempo
O componente de sazonalidade do modelo 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.
St = D t / Tt
St = ndice sazonal no perodo de tempo t
Tt = valor da tendncia determinado por T = a + bt

A previso feita para o perodo de tempo t no futuro:

Ft = (Tt)(St-L)
Ft = a demanda prevista no perodo de tempo t
L = nmero de perodos no ciclo sazonal

Anlise de Regresso
Mltipla

A anlise de regresso mltipla uma tcnica estatstica

que ajuda a determinar o grau de associao entre um

nmero de variveis selecionadas e a demanda.
A informao sobre as variveis preditivas
(independentes) ento convertida pela equao de
regresso a fim de proporcionar uma previso de
demanda.

Problemas Especiais de
Previso para os
Profissionais de Logstica

Lanamento
Em primeiro lugar, coloque-se a estimativa inicial nas

mos do pessoal do marketing at que uma histria de

vendas comece a desenvolver-se.
Em segundo lugar, vivel elaborar uma estimativa a
partir do padro de demanda de produtos similares j em
linha.
Em terceiro lugar, se o modelo da ponderao
exponencial for utilizado para a previso, a constante da
ponderao exponencial poder estar ajustada num alto
nvel (0,5 ou ainda mais) durante o perodo inicial de
previso.

Demanda irregular
A condio da demanda irregular ocorre quando duas ou

trs vezes o desvio padro dos dados histricos excede a

previso do melhor modelo que pode ser adaptado s
sries de tempo.
O padro da demanda incerta ocorre frequentemente por
uma variedade de razes: o padro da demanda
dominado por pedidos de clientes muito grandes e
infrequentes; a demanda pode derivar da demanda de
outros produtos ou servios; o pico sazonal talvez no
tenha sido levado em considerao; e o padro da
demanda pode ser um resultado de dados excepcionais,
fatores externos ou condies totalmente imprevistas.

Demanda irregular
Deve-se separar a previso de produtos de demanda

irregular daquela dos artigos que demonstrem um padro

de regularidade, usando mtodos de previso adequados a
cada um.
Em segundo lugar, no reaja com rapidez demasiada s
mudanas nos padres de demanda de produtos e servios
cujas razes no conseguir localizar.
Em terceiro lugar, como a demanda irregular
frequentemente ocorre em artigos de baixa demanda, a
exatido da previso pode no ser o ponto mais premente
da questo.

Previso Regional
O profissional de logstica precisa optar entre uma

previso da demanda total e sua distribuio por regies,

tais como territrios de fbrica ou armazm, ou fazer
separadamente a previso para cada regio.
Ratear a previso agregada entre cada uma das regies

pode preservar exatido suficiente para dar resultados

melhores do que ocorreria com a previso individual.

Erro de Previso
Uma combinao dos resultados de vrios modelos pode

transformar-se em previses mais estveis e de maior

exatido.
Uma abordagem de sistema especialista para combinar os
mtodos de previso mostrou resultados entusiasmantes,
especialmente em perodos de previso de curto prazo
inferiores a um ano.
Na figura a seguir mostrado o erro de previso para
quatro tcnicas de previso aplicadas s vendas de um
fabricante de roupas.

Erro de Previso

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 se refere ao desenvolvimento de
previses usando as entradas de mltiplos participantes
(marketing, operaes, logstica, financeiro, compras etc.)
ou dos vrios membros de uma cadeia de suprimentos
vendedores, transportadores e compradores.

Previso Colaborativa
(PC)
Principais passos administrativos:
Deve haver algum liderando o processo.
Mtodos para o processamento da informao de mltiplas

fontes, tipos e formatos devem ser criados.

H necessidade de mtodos para traduzir a previso final na
forma necessria para cada participante.
Deve estar sempre disposio um processo para revisar e
atualizar a previso com base em tempo real.
preciso estabelecer mtricas para avaliar a previso e
determinar se a PC realmente um aperfeioamento.
Os benefcios da PC para cada um dos participantes devem
ser bvios e reais.

Flexibilidade e Resposta
Rpida Uma alternativa

previso
O reconhecimento de que no h previso melhor do que
esperar at que a demanda dos clientes se materialize
uma base para reagir aproximadamente demanda. 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.