FORECASTING METHODS: CLASSIFICATION QUANTITATIVE METHODS. DIRECT EXTRAPOLATION (Extrapolao Direta) Os demais mtodos. CAUSAL (Causal).

l). Regresso linear simples, linear mltipla e no-linear. QUALITATIVE METHODS. EXPLORATORY (Exploratrios).

Parte-se do conhecimento da situao passada e presente e projeta-se a evoluo registada com o objetivo de prever o que suceder no futuro. Extrapolao de tendncias; Comparao tecnolgica (entre diferentes setores de atividade); Comparao dos hbitos dos consumidores (entre diferentes pases); Mtodo Delphi.
CONHECIMENTO DO PASSADO E PRESENTE PROJEO DA EVOLUO PREVER O FUTURO. NORMATIVES (Normativos).

Parte-se de um cenrio futuro tido como desejvel e caminhando-se para o presente, procuram-se descobrir quais as melhores vias de que se dispe para atingir tal cenrio. Mtodo Delphi; Mtodo Cenrio; rvore de Relevncia (Mtodo PATTERN).
CENRIO FUTURO DESEJVEL VIRAR-SE PRO PRESENTE IDENTIFICAR VIAS PARA ATINGIR O CENARIO. QUADRO DE PREVISO 1. Determinar o que prever. 2. Analisar os dados de demanda e o padro da demanda. 3. Selecionar e adaptar o modelo de previso. 4. Implementar o sistema de previso. O QUE PREVER ANALISAR DADOS E PADRO SELECIONAR E ADAPTAR MODELO IMPLEMENTAR BENEFCIOS DA PREVISO: Reduz a incerteza e ajuda as empresas a tomar decises racionais e criar melhores planos pro futuro. CLASSIFICAO ABC e XYZ: ROTAO DE STOCK Tipo do Produto Consumo/Rotao A Alta B Mdia C Baixa PADRO DA DEMANDA Tipo do Produto Padro de Vendas Acurcia de Previso X Constante, com flutuaes raras ou mnimas. Alta Y Flutuaes fortes, devido influncia de tendncia e sazonalidade. Mdia Z Extremamente irregular ou randmica. Baixa HORIZONTE DE PREVISO Curto Prazo: gesto de estoques e programao. Mdio Prazo: planejamento, compras e distribuio. Longo Prazo: localizao de lojas, localizao estratgica. ABORDAGENS DE PREVISO (TCNICAS DE AGREGAO):

TOP-DOWN: as sries temporais dos SKUs so agregadas, h uma previso conjunta para todo o cluster, e a desagregao tem que ser feita de acordo com a quota de cada produto no cluster. Vantagem: baixo custo e maior acuracia com series que apresentem um padrao estavel. SOMA-SE DADOS INDIVIDUAIS PREVISAO DO GRUPO DESAGREGAAO PREVISOES INDIVIDUAIS = COTA = DEMANDA DO PRODUTO DEMANDA TOTAL DO GRUPO

BOTTOM-UP: previsao individual para cada SKU. As previsoes sao somadas para os produtos do cluster. Vantagem: melhor em capturar as diferenas nos padroes da demanda. PREVISOES INDIVIDUAIS SOMA-SE AS PREVISOES PREVISAO DO GRUPO. = ( ) HYBRID APPROACH: agregar produtos com padres de variao semelhantes. Produtos com alto volume e alta variabilidade. OUTLIERS: Valores atpicos causados por valores de entrada errados ou eventos raros. Quando se identifica um OUTLIER, em vez de retir-lo, deve-se colocar um novo ponto que seja igual a mdia dos valores correspondentes quele perodo (que possuam o mesmo ndice de sazonalidade). Remover os OUTLIERS pode distorcer os estimadores. SELEO DO MODELO DE PREVISO: Medir a acurcia do modelo: EPAM e EQM. Comparar previses geradas por diversos mtodos. Definir intervalos de previso. Tcnica Mdia Mvel Simples ou Amortecimento Exponencial Simples (alfa) Mtodo de HOLT Mtodo de HOLT-WINTERS Decomposio Clssica Caractersticas da srie Sem tendncia Sem sazonalidade Com tendncia Sem sazonalidade Com tendncia Com sazonalidade Com tendncia Com sazonalidade Tamanho necessrio dos dados Pequeno Pequeno Mdio Grande Complexidade de Implementao Baixa Mdia Mdia Alta

MTODOS DE SUAVIZAO EXPONENCIAL PONTOS POSITIVOS: Diferentes pesos para os dados passados; Alta acurcia para o curto prazo; Robusto; Fcil de usar e implementar; Baixo custo. LEIS DA PREVISO: 1 LEI: Em previso, assumimos que o futuro se comporta como o passado. Se o comportamento futuro muda, as previses vo falhar.

 Corolrio: no mundo real, o futuro frequentemente no se comporta como o passado. 2 LEI: Existe um limite de acurcia (preciso) para as previses, ou seja, nada pode ser previsto com exatido. Corolrio: todas as previses vo ser erradas. A questo chave : Quo prximas sero as previses dos valores reais? fundamental tentar quantificar a preciso esperada para a previso. 3 LEI: Quanto mais pro futuro se prev (quanto mais longe do passado), maior ser o erro de previso. Corolrio: maioria das decises so frequentemente baseadas em previses de longo prazo. O risco ainda mais importante nesses casos. DECISES E A SEGUNDA LEI DE PREVISO Decises sero baseadas na previso. Deve-se considerar as ramificaes de uma deciso sobre a gama de possveis resultados. Previses tm erro inerente, assim, as decises baseadas em previses tm risco inerente tambm. Tomadas de Decises racionais incluem anlise do risco.