Métodos da série de tempo Os métodos da série temporal são técnicas estatísticas que utilizam 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.FORECÇÃO A previsão envolve a geração de um número, conjunto de números ou cenário que corresponde a uma ocorrência futura. É absolutamente essencial o planejamento de curto alcance e longo alcance. Por definição, uma previsão é baseada em dados passados, em oposição a uma previsão, que é mais subjetiva e baseada no instinto, sensação de intuição ou adivinhar. Por exemplo, as notícias da noite dão o tempo x0022forecastx0022 não o tempo x0022prediction. x0022 Independentemente disso, os termos previsão e previsão são freqüentemente usados de forma intercambiável. Por exemplo, as definições da técnica regressionx2014a às vezes usadas na previsão x2014 indicam, em geral, que seu objetivo é explicar ou x0022predict. x0022 Forecasting é baseado em uma série de pressupostos: o passado se repetirá. Em outras palavras, o que aconteceu no passado vai acontecer novamente no futuro. À medida que o horizonte de previsão diminui, a precisão da previsão aumenta. Por exemplo, uma previsão para amanhã será mais precisa do que uma previsão para o próximo mês, uma previsão para o próximo mês será mais precisa do que uma previsão para o próximo ano e uma previsão para o próximo ano será mais precisa do que uma previsão de dez anos na futuro. A previsão no agregado é mais precisa do que a previsão de itens individuais. Isso significa que uma empresa poderá prever a demanda total em todo o seu espectro de produtos de forma mais precisa do que será capaz de prever unidades de estoque (SKUs) individuais. Por exemplo, a General Motors pode prever mais precisamente o número total de carros necessários para o próximo ano do que o número total de Chevrolet Impalas brancas com um determinado pacote de opções. As previsões raramente são precisas. Além disso, as previsões quase nunca são totalmente precisas. Enquanto alguns são muito próximos, alguns são x0022 direitos sobre o dinheiro. x0022 Portanto, é aconselhável oferecer uma previsão x0022range. x0022 Se alguém estivesse pregando uma demanda de 100.000 unidades para o próximo mês, é extremamente improvável que a demanda seja igual a 100.000 exatamente. No entanto, uma previsão de 90.000 para 110.000 proporcionaria um alvo muito maior para o planejamento. William J. Stevenson enumera uma série de características que são comuns a uma boa previsão: Accuratex2014sum grau de precisão deve ser determinado e declarado para que a comparação possa ser feita para previsões alternativas. Reliablex2014 o método de previsão deve fornecer consistentemente uma boa previsão se o usuário for estabelecer algum grau de confiança. Timelyx2014a é necessária uma certa quantidade de tempo para responder à previsão, de modo que o horizonte de previsão deve permitir o tempo necessário para fazer mudanças. Fácil de usar e compreensão dos usuários da previsão deve estar confiante e confortável trabalhar com ele. Com relação ao custo efetivo2020, o custo de fazer a previsão não deve superar os benefícios obtidos com a previsão. As técnicas de previsão variam do simples ao extremamente complexo. Essas técnicas geralmente são classificadas como qualitativas ou quantitativas. TÉCNICAS QUALITATIVAS As técnicas de previsão qualitativa são geralmente mais subjetivas do que suas contrapartes quantitativas. As técnicas qualitativas são mais úteis nos estágios iniciais do ciclo de vida do produto, quando existem menos dados passados para uso em métodos quantitativos. Os métodos qualitativos incluem a técnica de Delphi, a técnica de grupo nominal (NGT), as opiniões da força de vendas, as opiniões executivas e a pesquisa de mercado. A TÉCNICA DELPHI. A técnica Delphi usa um painel de especialistas para produzir uma previsão. Cada perito é solicitado a fornecer uma previsão específica para a necessidade em questão. Depois que as previsões iniciais são feitas, cada especialista lê o que todos os outros especialistas escreveram e, claro, são influenciados por suas opiniões. Uma previsão subseqüente é feita por cada especialista. Cada especialista lê novamente o que todos os outros especialistas escreveram e são novamente influenciados pelas percepções dos outros. Este processo se repete até que cada especialista feche o acordo sobre o cenário ou os números necessários. TÉCNICA DE GRUPO NOMINAL. A técnica de grupo nominal é semelhante à técnica de Delphi, pois utiliza um grupo de participantes, geralmente especialistas. Depois que os participantes responderem às questões relacionadas com a previsão, classificam suas respostas em ordem de importância relativa percebida. Em seguida, os rankings são coletados e agregados. Eventualmente, o grupo deve chegar a um consenso sobre as prioridades das questões classificadas. OPINIÕES DE FORÇA DE VENDA. A equipe de vendas é muitas vezes uma boa fonte de informações sobre a demanda futura. O gerente de vendas pode solicitar a contribuição de cada pessoa de vendas e agregar suas respostas em uma previsão composta da força de vendas. Deve ter cuidado ao usar esta técnica, pois os membros da força de vendas podem não ser capazes de distinguir entre o que os clientes dizem e o que eles realmente fazem. Além disso, se as previsões serão usadas para estabelecer cotas de vendas, a força de vendas pode ser tentada a fornecer estimativas mais baixas. OPINIÕES EXECUTIVAS. Às vezes, os gerentes dos níveis superiores se encontram e desenvolvem previsões com base no conhecimento das suas áreas de responsabilidade. Isso às vezes é referido como um júri da opinião executiva. PESQUISA DE MERCADO. Na pesquisa de mercado, pesquisas de consumo são usadas para estabelecer demanda potencial. Essa pesquisa de marketing geralmente envolve a construção de um questionário que solicite informações pessoais, demográficas, econômicas e de marketing. De vez em quando, os pesquisadores de mercado coletam essas informações pessoalmente em lojas de varejo e shoppings, onde o consumidor pode experimentar um produto especial, sentir, cheirar e verx2014a. O pesquisador deve ter cuidado para que a amostra de pessoas pesquisadas seja representativa do alvo desejado do consumidor. TÉCNICAS QUANTITATIVAS As técnicas de previsão quantitativa são geralmente mais objetivas do que suas contrapartes qualitativas. As previsões quantitativas podem ser previsões de séries temporais (ou seja, uma projeção do passado para o futuro) ou previsões baseadas em modelos associativos (ou seja, com base em uma ou mais variáveis explicativas). Os dados das séries temporais podem ter comportamentos subjacentes que precisam ser identificados pelo provisorista. Além disso, a previsão pode precisar identificar as causas do comportamento. Alguns desses comportamentos podem ser padrões ou simplesmente variações aleatórias. Entre os padrões estão: Tendências, que são movimentos de longo prazo (para cima ou para baixo) nos dados. A sazonalidade, que produz variações de curto prazo que geralmente estão relacionadas com a época do ano, mês ou mesmo um dia particular, como testemunhou as vendas no varejo no Natal ou os espetáculos na atividade bancária no primeiro mês e as sextas-feiras. Ciclos, que são variações ondulantes que dão mais de um ano, geralmente ligadas a condições econômicas ou políticas. Variações irregulares que não refletem o comportamento típico, como um período de clima extremo ou uma greve de união. Variações aleatórias, que abrangem todos os comportamentos não típicos não contabilizados pelas outras classificações. Entre os modelos de séries temporais, o mais simples é a previsão naxEFve. Uma previsão naxEFve simplesmente usa a demanda real para o período passado como a demanda prevista para o próximo período. Isso, é claro, faz a suposição de que o passado irá repetir. Ele também pressupõe que qualquer tendência, sazonalidade ou ciclos sejam refletidos na demanda do período anterior x0027s ou não existam. Um exemplo de previsão naxEFve é apresentado na Tabela 1. Tabela 1 Previsão NaxEFve Outra técnica simples é o uso da média. Para fazer uma previsão usando a média, simplesmente toma a média de alguns períodos de dados passados, somando cada período e dividindo o resultado pelo número de períodos. Esta técnica foi considerada muito eficaz para previsão de curto alcance. As variações da média incluem a média móvel, a média ponderada e a média móvel ponderada. Uma média móvel leva um número predeterminado de períodos, resume sua demanda real e divide-se pelo número de períodos para atingir uma previsão. Para cada período subsequente, o período mais antigo de dados cai e o último período é adicionado. Assumindo uma média móvel de três meses e usando os dados da Tabela 1, simplesmente adicionaria 45 (janeiro), 60 (fevereiro) e 72 (março) e dividiria por três para chegar a uma previsão para abril: 45 60 72 177 X00F7 3 59 Para chegar a uma previsão para maio, um seria soltar a demanda de janeiro de 2000 da equação e adicionar a demanda a partir de abril. A Tabela 2 apresenta um exemplo de uma previsão média móvel de três meses. Tabela 2 Previsão média média de três meses Demanda real (000x0027s) Uma média ponderada aplica um peso predeterminado a cada mês de dados passados, soma os dados passados de cada período e divide o total dos pesos. Se o pré-analista ajustar os pesos para que a soma seja igual a 1, os pesos são multiplicados pela demanda real de cada período aplicável. Os resultados são então somados para atingir uma previsão ponderada. Geralmente, quanto mais recente os dados, quanto maior o peso, e quanto mais velho os dados, menor o peso. Usando o exemplo de demanda, uma média ponderada usando pesos de .4. 3. 2 e .1 renderiam a previsão para junho como: 60 (.1) 72 (.2) 58 (.3) 40 (.4) 53.8 Os meteorologistas também podem usar uma combinação da média ponderada e das previsões da média móvel . Uma previsão média móvel ponderada atribui pesos a um número predeterminado de períodos de dados reais e calcula a previsão do mesmo modo como descrito acima. Como em todas as previsões em movimento, como cada novo período é adicionado, os dados do período mais antigo são descartados. A Tabela 3 mostra uma previsão média móvel ponderada de três meses utilizando os pesos .5. 3 e .2. Tabela 3 3x2013Previsão média ponderada ponderada da demanda média real (000x0027s) Uma forma mais complexa de média móvel ponderada é o alisamento exponencial, assim chamado porque o peso cai exponencialmente à medida que os dados envelhecem. O alisamento exponencial leva a previsão de periodx0027s anterior e ajusta-a por uma constante de suavização predeterminada, x03AC (chamado alfa o valor para alfa é menor que um) multiplicado pela diferença na previsão anterior e na demanda que realmente ocorreu durante o período previamente previsto (chamado Erro de previsão). O alisamento exponencial é expresso como tal: Nova previsão previsão anterior alfa (demanda real x2212 previsão anterior) FF x03AC (A x2212 F) O suavização exponencial requer que o pré-provisorista comece a previsão em um período passado e trabalhe para o período para o qual uma corrente A previsão é necessária. Uma quantidade substancial de dados passados e um início ou previsão inicial também são necessários. A previsão inicial pode ser uma previsão real de um período anterior, a demanda real de um período anterior, ou pode ser estimada pela média total ou parcial dos dados passados. Existem algumas heurísticas para calcular uma previsão inicial. Por exemplo, o heurístico N (2 xF7 x03AC) x2212 1 e um alfa de 0,5 forneceriam N de 3, indicando que o usuário usaria os três primeiros períodos de dados para obter uma previsão inicial. No entanto, a precisão da previsão inicial não é crítica se alguém estiver usando grandes quantidades de dados, uma vez que o alisamento exponencial é auto-corrigido x0022.x0022 Dado períodos suficientes de dados passados, o suavização exponencial eventualmente produzirá correções suficientes para compensar uma inicialização razoavelmente imprecisa previsão. Usando os dados usados em outros exemplos, uma previsão inicial de 50 e um alfa de .7, uma previsão para fevereiro é calculada como tal: Nova previsão (fevereiro) 50 .7 (45 x2212 50) 41.5 Em seguida, a previsão para março : Nova previsão (março) 41,5 .7 (60 x2212 41,5) 54,45 Este processo continua até que o pré-programador atinja o período desejado. Na Tabela 4, isso seria para o mês de junho, uma vez que a demanda atual para junho não é conhecida. Demanda real (000x0027s) Uma extensão de suavização exponencial pode ser usada quando os dados da série temporal exibem uma tendência linear. Este método é conhecido por vários nomes: previsão de suavização exponencial ajustada pela tendência de suavização dupla, incluindo a tendência (FIT) e o modelo Holtx0027s. Sem ajuste, os resultados simples de suavização exponencial vão atrasar a tendência, ou seja, a previsão sempre será baixa se a tendência for crescente ou alta se a tendência estiver diminuindo. Com este modelo, existem duas constantes de suavização, x03AC e x03B2 com x03B2 representando o componente de tendência. Uma extensão do modelo Holtx0027s, chamado Método Holt-Winterx0027s, leva em consideração a tendência e a sazonalidade. Existem duas versões, multiplicativas e aditivas, sendo a multiplicativa a mais utilizada. No modelo aditivo, a sazonalidade é expressa como uma quantidade a ser adicionada ou subtraída da média da série. O modelo multiplicativo expressa a sazonalidade como uma porcentagem2020 conhecida como parentes sazonais ou índices sazonais2020 da média (ou tendência). Estes são então valores de tempos multiplicados para incorporar sazonalidade. Um parente de 0,8 indicaria uma demanda que equivale a 80% da média, enquanto 1,10 indicaria uma demanda que é 10% acima da média. Informações detalhadas sobre este método podem ser encontradas na maioria dos livros didáticos de gerenciamento de operações ou em um número de livros sobre previsão. As técnicas associativas ou causais envolvem a identificação de variáveis que podem ser usadas para prever outra variável de interesse. Por exemplo, as taxas de juros podem ser usadas para prever a demanda por refinanciamento doméstico. Normalmente, isso envolve o uso da regressão linear, onde o objetivo é desenvolver uma equação que resume os efeitos das variáveis preditoras (independentes) sobre a variável prevista (dependente). Se a variável preditora fosse plotada, o objeto seria obter uma equação de uma linha reta que minimize a soma dos desvios quadrados da linha (sendo o desvio a distância de cada ponto para a linha). A equação apareceria como: ya bx, onde y é a variável predita (dependente), x é a variável preditor (independente), b é a inclinação da linha e a é igual à altura da linha no y - interceptar. Uma vez que a equação é determinada, o usuário pode inserir valores atuais para a variável preditor (independente) para chegar a uma previsão (variável dependente). Se houver mais de uma variável preditor ou se a relação entre preditor e previsão não for linear, a regressão linear simples será inadequada. Para situações com múltiplos preditores, a regressão múltipla deve ser empregada, enquanto as relações não-lineares requerem o uso de regressão curvilínea. PREECUIÇÃO ECONÓMETRICA Os métodos econométricos, como o modelo de média móvel vertical auto-regressiva (ARIMA), usam equações matemáticas complexas para mostrar relações passadas entre demanda e variáveis que influenciam a demanda. Uma equação é derivada e depois testada e ajustada para garantir que seja tão confiável quanto possível uma representação da relação anterior. Assim que isso for feito, os valores projetados das variáveis de influência (renda, preços, etc.) são inseridos na equação para fazer uma previsão. PREVISÃO DE AVALIAÇÃO A precisão da previsão pode ser determinada pela computação do viés, desvio absoluto médio (MAD), erro quadrático médio (MSE) ou erro médio de porcentagem absoluta (MAPE) para a previsão usando diferentes valores para alfa. Bias é a soma dos erros de previsão x2211 (FE). Para o exemplo de suavização exponencial acima, o viés calculado seria: (60 x2212 41,5) (72 x2212 54,45) (58 x 2212 66,74) (40 x2212 60,62) 6.69 Se se supõe que um viés baixo indica um erro geral de previsão geral, pode-se Calcular o viés para uma série de valores potenciais de alfa e assumir que aquele com menor viés seria o mais preciso. No entanto, deve-se observar com precaução que as previsões extremamente imprecisas podem apresentar um menor viés se tendem a ser tanto sobre previsão quanto sob previsão (negativa e positiva). Por exemplo, ao longo de três períodos, uma empresa pode usar um valor particular de alfa para sobre previsão em 75.000 unidades (x221275.000), sob previsão de 100.000 unidades (100.000) e, em seguida, sobre previsão de 25.000 unidades (x221225.000), produzindo Um viés de zero (x221275,000 100,000 x2212 25,000 0). Em comparação, outro alfa que custa sobre as previsões de 2.000 unidades, 1.000 unidades e 3.000 unidades resultaria em uma tendência de 5.000 unidades. Se a demanda normal fosse de 100.000 unidades por período, o primeiro alfa renderia previsões que estavam fora de até 100 por cento, enquanto o segundo alfa seria desligado em um máximo de apenas 3 por cento, embora o viés na primeira previsão fosse zero. Uma medida mais segura da precisão da previsão é o desvio absoluto médio (MAD). Para calcular o MAD, o previsor prevê o valor absoluto dos erros de previsão e, em seguida, divide-se pelo número de previsões (x2211 FE x00F7 N). Ao tomar o valor absoluto dos erros de previsão, a compensação de valores positivos e negativos é evitada. Isso significa que uma previsão de 50 e uma previsão inferior a 50 estão desligadas em 50. Usando os dados do exemplo de suavização exponencial, MAD pode ser calculado da seguinte maneira: (60 x2212 41,5 72 x2212 54,45 58 x 2212 66,74 40 x2212 60,62) X00F7 4 16.35 Portanto, o pré-indicador está fora de uma média de 16,35 unidades por previsão. Quando comparado ao resultado de outros alfas, o previsor informará que o alfa com menor MAD produz a previsão mais precisa. O erro quadrático médio (MSE) também pode ser utilizado da mesma forma. MSE é a soma dos erros de previsão quadrados divididos por N-1 (x2211 (FE)) x00F7 (N-1). Esquiar os erros de previsão elimina a possibilidade de compensar números negativos, uma vez que nenhum dos resultados pode ser negativo. Utilizando os mesmos dados acima, o MSE seria: (18.5) (17.55) (x22128.74) (x221220.62) x00F7 3 383.94 Tal como acontece com MAD, o previsor pode comparar a MSE das previsões derivadas usando vários valores de alfa e Assumir o alfa com o menor MSE está produzindo a previsão mais precisa. O erro médio de porcentagem absoluta (MAPE) é o erro de porcentagem absoluta média. Para chegar ao MAPE, deve-se tomar a soma dos índices entre o erro de previsão e os tempos de demanda reais 100 (para obter a porcentagem) e dividir por N (x2211 Demanda real x2212 previsão x00F7 Demanda real) xD7 100 x00F7 N. Usando os dados de O exemplo de suavização exponencial, MAPE pode ser calculado da seguinte forma: (18,5 60 17,55 72 8,74 58 20,62 48) xD7 100 x00F7 4 28,33 Como com MAD e MSE, quanto menor o erro relativo, mais precisa a previsão. Deve-se notar que, em alguns casos, a capacidade da previsão de mudar rapidamente para responder às mudanças nos padrões de dados é considerada mais importante do que a precisão. Portanto, a escolha do método de previsão do onex0027s deve refletir o equilíbrio relativo de importância entre precisão e capacidade de resposta, conforme determinado pelo previsor. FAZENDO UMA PREVISÃO William J. Stevenson enumera o seguinte como as etapas básicas no processo de previsão: determine o objetivo da previsão. Fatores como, como e quando a previsão será usada, o grau de precisão necessário e o nível de detalhe desejado determina o custo (tempo, dinheiro, funcionários) que podem ser dedicados à previsão e ao tipo de método de previsão a ser utilizado . Estabeleça um horizonte de tempo. Isso ocorre depois que um determinou o objetivo da previsão. As previsões a mais longo prazo exigem horizontes de tempo mais longos e vice-versa. A precisão é novamente uma consideração. Selecione uma técnica de previsão. A técnica selecionada depende da finalidade da previsão, do horizonte de tempo desejado e do custo permitido. Reúna e analise dados. A quantidade e o tipo de dados necessários são regidos pelo propósito da previsão, a técnica de previsão selecionada e quaisquer considerações de custo. Faça a previsão. Monitorize a previsão. Avalie o desempenho da previsão e modifique, se necessário. LEITURA ADICIONAL: Finch, Byron J. Operações agora: rentabilidade, processos, desempenho. 2 ed. Boston: McGraw-Hill Irwin, 2006. Green, William H. Análise econométrica. 5 ed. Upper Saddle River, NJ: Prentice Hall, 2003. Joppe, Dr. Marion. X0022A técnica de grupo nominal. x0022 O processo de pesquisa. Disponível a partir de x003C ryerson. ca Stevenson, William J. Administração de Operações. 8 ed. Boston: McGraw-Hill Irwin, 2005. Leia também o artigo sobre Forecasting from Wikipedia
No comments:
Post a Comment