Técnicas de previsão para pesquisa de mercado
A. Técnicas Qualitativas:
As técnicas qualitativas que são bem reconhecidas cinco e uma tentativa é feita para tocar nelas com vista a familiarizar os estudantes a essência destes como futuros previsores:
I. Raízes de Relva:
A previsão 'Grass roots' constrói a previsão adicionando sucessivamente a partir da parte inferior. A suposição aqui subjacente é que a pessoa mais próxima do cliente ou usuário final do produto conhece melhor suas necessidades futuras.
Embora isso nem sempre seja verdade, em muitos casos, é válido e é a base para esse método. As previsões neste nível inferior são somadas e dadas ao próximo nível superior.
Geralmente, esse é um depósito distrital, que, em seguida, adiciona estoques de segurança e quaisquer efeitos do tamanho das quantidades solicitadas. Essa quantia é então enviada para o próximo nível, que pode ser um depósito regional.
O procedimento é repetido até se tornar uma entrada no nível superior, que, no caso de uma unidade de fabricação, seria a entrada para o sistema de produção.
ii. Pesquisa de mercado:
Muitas vezes, as empresas contratam empresas externas especializadas em pesquisa de mercado para realizar esse tipo de previsão. Como um sistema de apoio, você pode ter estado envolvido em pesquisas de mercado através de uma aula de marketing.
Certamente você pode não ter escapado de telefonemas perguntando sobre preferências de produtos, sua renda e hábitos e assim por diante. A pesquisa de mercado é usada principalmente para pesquisa de produtos, no sentido de procurar novas ideias de produtos, gostos e desgostos sobre os produtos existentes, produtos preferidos de concorrentes, dentro de uma determinada classe, e assim por diante. Novamente, os métodos de coleta de dados são principalmente pesquisas e entrevistas.
iii. Consenso do Painel:
A ideia subjacente ao 'consenso de painel' é 'duas cabeças pensam melhor que uma'. Este ponto é extrapolado para a ideia de que um painel de pessoas de várias posições pode desenvolver previsões mais confiáveis do que um grupo mais restrito.
As previsões do painel são desenvolvidas por meio de reuniões abertas com o livre intercâmbio de idéias de todos os níveis de administração e indivíduos. A dificuldade com esse estilo aberto é que níveis mais baixos de funcionários são intimidados por níveis mais altos de gerenciamento.
Por exemplo, um vendedor em uma determinada linha de produto pode ter uma boa estimativa da demanda futura do produto, mas pode não se pronunciar para refutar uma estimativa muito diferente dada pelo vice-presidente de marketing. Este defeito é corrigido pelo método Delhi.
Quando as decisões na previsão estão em um nível de fronteira e superior, o termo 'julgamento executivo' é geralmente usado. O termo é auto-explicativo, pois um nível mais alto de gerenciamento está envolvido.
iv. Analogia Histórica:
Uma situação ideal seria que o produto existente ou o produto genérico pudesse ser usado como modelo, ao tentar prever a demanda por um novo produto. Existem muitas maneiras de classificar tais analogias, por exemplo, produtos complementares, substitutos ou produtos e produtos competitivos como uma função da renda.
Também é mais claro em correspondência ou catálogos. É natural que quando você compra um CD, através do correio, você tenha certeza de receber mais e mais e-mails contendo informações sobre CDs e CD players.
Uma relação casual é que a demanda por dados compactos é causada pela demanda por CD players. Uma anologia estaria prevendo a demanda por players de discos de vídeo digitais analisando a demanda histórica por videocassetes estéreo.
Os produtos estão na mesma categoria geral de produtos eletrônicos que podem ser comprados por consumidores a preços similares. Um exemplo ainda mais simples pode ser de torradeiras e cafeteiras. Uma empresa que já está produzindo torradeiras e quer produzir cafeteiras pode muito bem usar o histórico da torradeira como um modelo de crescimento provável.
v. Método Delphi:
A limitação do método Panel Consensus é definida pelo método Delphi, na medida em que uma declaração ou opinião mantida pelos funcionários de nível superior é considerada mais importante do que os funcionários de nível inferior, embora possa não ser verdadeira sempre. O pior lado é que as pessoas de nível inferior se sentem ameaçadas e não contribuem com seus verdadeiros sentimentos ou crenças.
O método Delphi elimina isso, ocultando a identidade dos indivíduos participantes do estudo. Sob este programa, cada um tem igual peso-idade. Particularmente, um moderador cria um questionário e o distribui aos participantes.
Seus Reposes são somados e devolvidos ao grupo inteiro junto com um novo conjunto de perguntas. O método Delphi foi desenvolvido pela Rand Corporation of America na década de 1950.
Procedimento envolvido no método Delphi:
O procedimento passo a passo envolvido no método Delphi consiste em cinco etapas:
Em primeiro lugar, escolha os especialistas para participar. Deve haver uma variedade de pessoas com conhecimento em diferentes áreas.
Em segundo lugar, através de um questionário ou e-mail, obter previsões ou quaisquer premissas ou qualificações para as previsões de todos os participantes.
Em terceiro lugar, resuma os resultados e redistribua-os aos participantes, juntamente com a nova pergunta apropriada.
Em quarto lugar, resumir novamente, refinando as previsões e condições, e novamente desenvolver novas questões.
Quinto, repita o passo quatro, se necessário. Distribua os resultados finais para todos os participantes.
A técnica Delphi geralmente consegue atingir resultados satisfatórios em três rodadas. O necessário é uma função do número de participantes, quanto trabalho está envolvido para que eles desenvolvam suas previsões e sua velocidade de resposta.
O método Delphi é um processo de obter consenso de um grupo de especialistas, mantendo seu anonimato. Essa forma de previsão é muito útil quando não há dados históricos a partir dos quais desenvolver modelos estatísticos - quando o julgamento ou opinião, com base na experiência e no estudo de desenvolvimentos de mercado, indústria ou científicos, são as únicas bases para fazer projeções informadas.
O método Delphi pode ser usado para desenvolver previsões de longo alcance da demanda de produtos e projeções de vendas de novos produtos. É justo a boa em identificar os pontos de viragem na demanda. Uma das aplicações mais úteis para o método Delphi é a previsão tecnológica.
A taxa de mudança tecnológica está aumentando muito mais rapidamente do que nunca. Ciência médica e ciência da computação apenas os dois campos que estão experimentando uma mudança tecnológica explosiva.
A substituição do coração humano do fígado tardio por um coração mecânico e um fígado artificial tornou-se um procedimento médico aceito.
Os computadores se tornam obsoletos logo após serem produzidos. Além disso, uma fábrica quase completamente automatizada é possível. Portanto, pergunta é o que vem depois? A tentativa de responder a essa pergunta é o foco da previsão tecnológica.
O método Delphi pode ser usado para obter uma resposta consensual de um painel de especialistas. Os membros do painel podem ser solicitados a especificar os avanços científicos que eles imaginam, bem como as mudanças nas forças ambientais e sociais, como qualidade de vida, regulamentações governamentais e as ações dos concorrentes.
O resultado de tal processo pode fornecer uma direção definitiva para a equipe de pesquisa e desenvolvimento da empresa. A chave para a técnica Delphi está no coordenador e nos especialistas. Os especialistas estão freqüentemente tendo origens diversas. Assim, dois médicos, um químico, um engenheiro elétrico, um contador de custos e um especialista em finanças e marketing podem fazer um painel muito eficaz.
O coordenador deve ser talentoso o suficiente para sintetizar declarações diversas e difundidas e chegar ao conjunto estruturado de perguntas e previsões.
Em suma, o método Delphi tem uma faixa muito boa de precisão tanto para previsão de curto prazo quanto de longo prazo, embora seja necessário um mínimo de dois meses para desenvolver uma previsão e uma coordenação precisa entre os participantes e o coordenador do grupo.
B. Análise de Séries Temporais:
Os modelos de previsão de séries temporais tentam prever o futuro com base em dados passados. Por exemplo, os dados de vendas coletados para cada um dos últimos, digamos seis semanas, podem ser usados para a sétima semana.
Da mesma forma, os dados de vendas trimestrais coletados nos últimos anos podem ser usados para prever os trimestres futuros. Aqui, em ambos os casos, os números de vendas são comuns, mas diferentes modelos de séries temporais de previsão provavelmente serão usados conforme o intervalo de tempo for diferente.
Ou seja, na forma mais simples de análise de séries temporais, a única informação utilizada é o registro histórico da demanda.
O analista não está preocupado com as mudanças nos fatores externos e internos, como observado anteriormente, e assume que o que ocorreu no passado continuará a ocorrer no futuro.
Os métodos de análise de séries temporais enfocam as características de média, tendência e influência sazonal de séries temporais. A tarefa do analista é tentar replicar essas características enquanto projeta a demanda futura.
As técnicas de séries temporais são explicadas com um exemplo junto com a apresentação gráfica :
I. Média Móvel Simples:
Embora as médias móveis estejam centralizadas, é mais conveniente usar dados passados para prever diretamente o período seguinte. Para um caso simples, uma média de cinco meses centralizada de janeiro, fevereiro, março, abril e maio dá uma média centrada em março. No entanto, todos os cinco meses de dados devem existir.
Se o nosso objetivo é prever para junho, devemos projetar a média móvel por alguns meios de março a junho. Se a média não estiver centralizada, mas no final da frente, pode-se prever com mais facilidade, embora uma possa perder.
Alguma quantidade de precisão. Assim, se alguém quiser fazer uma previsão de junho com uma média móvel de cinco meses, a média pode ser de janeiro, fevereiro, março, abril e maio. Quando o mês de junho passa, a previsão para julho seria a média de fevereiro, março, abril, maio e junho.
A FÓRMULA para uma média móvel simples é =
F 1 = A t - 1 + A t 2 + A t 3 + A t n / n
Onde:
F 1 = Previsão para o próximo período
n = Número de períodos a serem calculados
A t-1 = ocorrência real no período passado
A t-2, A t-3 e A = = Ocorrências Reais para períodos, há três períodos atrás e assim por diante até n períodos atrás.
O diagrama a seguir demonstra claramente os efeitos de vários comprimentos do período de média móvel. É evidente que a tendência de crescimento se estabiliza por volta da 23ª semana.
A média móvel de TRÊS SEMANAS responde melhor ao seguir esta mudança do que a média de NOVE-SEMANA, embora no geral, a média de nove semanas seja muito mais suave.
O principal demérito no cálculo de uma média móvel é que todos os elementos individuais devem ser dados transportados porque um novo período de previsão envolve adicionar novos dados e descartar os dados mais antigos ou a média móvel de três ou seis semanas, isso não é muito grave.
No entanto, a alocação de uma média móvel de 60 para o uso de cada um, digamos, 20.000 itens no inventário envolveria bons dados.
ii. Média Móvel Ponderada:
No caso de média móvel simples, dá igual peso a cada componente da base de dados de média móvel. Em relação a isso, a média móvel ponderada permite que qualquer peso seja colocado em cada elemento, desde que a soma de todos os pesos seja igual a 1. Por exemplo, uma loja de departamentos pode descobrir que um período de quatro meses é a melhor previsão usando 40% das vendas reais do mês mais recente, 30% de dois meses atrás, 20% de três meses atrás e 10% de quatro meses atrás.
Portanto, a Fórmula para Média Móvel Ponderada é:
F t = W 1 A t-1 + W 2 A t-2 + … + A n tn
Onde:
W 1 = Peso a ser dado à ocorrência real para o período t-1
W 2 = Peso a ser dado à ocorrência real para o período t — 2
W n = Peso a ser dado à ocorrência real para o período t — n
n = Número total de períodos na previsão.
O que é importante notar é que a soma de todos os pesos deve ser igual a 1, enquanto muitos períodos podem ser ignorados e o esquema de peso-idade pode estar em qualquer ordem.
Isso é:
n∑i = 1 W i = 1
Como escolher pesos?
As maneiras mais simples de escolher pesos são uma experiência rica e boas tentativas e erros. Como regra geral, o passado mais recente é o indicador mais importante do que esperar no futuro e, portanto, deve aumentar a idade do peso.
A receita ou a capacidade da planta do mês anterior, por exemplo, seria uma estimativa melhor para a mariposa que vem do que a receita ou a capacidade da planta de vários meses atrás.
No entanto, se os dados forem sazonais, os pesos deverão ser estabelecidos de acordo. Por exemplo, as vendas de maiôs em julho do ano passado devem ser mais pesadas do que as roupas de banho em dezembro, na parte norte da Índia. Ou seja, a média móvel ponderada tem uma vantagem definitiva sobre a média móvel simples em poder variar os efeitos dos dados passados. No entanto, é mais inconveniente e caro de usar do que o método de suavização exponencial.
iii. Alisamento Exponencial:
A principal desvantagem no caso da média móvel simples e da média móvel ponderada é a necessidade de transportar continuamente uma grande quantidade de dados históricos. Isto é igualmente verdadeiro no caso de técnicas de análise de regressão.
Como cada parte dos novos dados é adicionada nesses métodos, a observação mais antiga é descartada e a nova previsão é calculada. Em muitas aplicações, as ocorrências mais recentes são mais indicativas do futuro do que as do passado mais distante.
Se essa premissa é válida, a importância dos dados diminui à medida que o passado se torna mais distante do que o SMOOTHENING EXPONENCIAL pode ser o mais lógico, o método mais fácil de usar. O motivo pelo qual é chamado de "Alisamento Exponencial" é porque cada incremento no passado é diminuído por (1 - a).
Se a for 0, 05, por exemplo, os pesos para vários períodos seriam os seguintes:
Aqui, portanto, os expoentes 0, 1, 2, 3, ... e assim por diante, dão seu nome. A suavização exponencial é mais amplamente usada em todas as técnicas de previsão. Deve-se dizer que é parte integrante de praticamente todos os programas de previsão informatizados e é amplamente utilizado na solicitação de estoque em empresas de varejo, unidades de atacado e agências de serviços.
Por pelo menos SIX REASONS, as técnicas de suavização exponencial tornaram-se a maior parte confiável.
Esses são:
(1) Modelos exponenciais são muito precisos.
(2) Formular um modelo exponencial é relativamente fácil.
(3) O usuário pode entender como o modelo funciona.
(4) Um pouco de computação é necessário para usar o modelo.
(5) Os requisitos de armazenamento de computadores são pequenos devido ao uso limitado de dados históricos e,
(6) Testes de precisão quanto ao desempenho do modelo são fáceis de calcular. Sob o método de Exponential Smoothening, apenas três itens de dados são necessários para prever o futuro, ou seja, a previsão mais recente, a demanda real que ocorreu para esse período de previsão e uma constante de suavização alfa (α).
Essa constante de suavização determina o nível de suavização e a velocidade de reação às diferenças entre as previsões e as ocorrências reais.
O valor para a constante é determinado pela natureza do produto e pelo sentido do gestor do que constitui uma boa taxa de resposta. Por exemplo, se uma empresa produzisse um item padrão com demanda relativamente estável, a taxa de reação às diferenças entre a demanda real e a prevista tenderia a ser pequena, digamos de apenas 5 a 10 pontos percentuais.
No entanto, se a empresa estiver experimentando crescimento, seria desejável que uma taxa mais alta digitasse de 15 a 30 pontos percentuais, para dar maior importância à recente experiência de crescimento. Quanto mais rápido o crescimento, maior a taxa de reação.
Às vezes, os usuários da média móvel simples mudam para o alisamento exponencial, mas gostam de manter as previsões mais ou menos idênticas às da média móvel simples. Neste caso, o alfa (α) é aproximado 2 + por (n + 1), onde o 'n' é o número de períodos de tempo.
A equação para uma única previsão de suavização exponencial é:
F t = F t-1 + a (A t-1 - F t-1 )
Onde:
F t = A previsão suavemente exponencial para o período t
F t-1 = A previsão Exponencialmente Suavizada feita para o período anterior
A t-1 = A demanda real no período anterior
a = A taxa de resposta desejada ou constante de suavização.
Esta equação afirma claramente que a nova previsão é igual à previsão antiga mais uma porção do erro que é a diferença entre a previsão anterior e o que realmente ocorreu que alguns autores expressam “F t ” uma média suavizada.
Para demonstrar o método, vamos supor que a demanda de longo prazo para o produto em estudo é relativamente estável e a constante de suavização (a) de 0, 05 é considerada aproximada. Se o método exponencial for usado como uma política contínua, uma previsão terá que ser feita para o último mês.
Normalmente, quando um alisamento exponencial é introduzido pela primeira vez, a previsão inicial ou o ponto de partida podem ser obtidos usando uma estimativa simples ou uma média de períodos anteriores, como a média dos dois ou três primeiros períodos. Suponha que a previsão do mês passado (F t-1 ) fosse 1050 unidades.
Se 1000 unidades fossem realmente demandadas, em vez de 1050 unidades, a previsão para este mês seria:
F t = F t-1 + a (A t-1 - F t-1 )
= 1050 + 0, 05 (1000-1050)
= 1050 + 0, 05 (-50)
= 1047, 50 unidades
A reação da nova previsão a um erro de 50 unidades é diminuir a previsão do próximo mês em apenas 2, 50 unidades, porque o coeficiente de suavização é pequeno.
É importante notar, nesse nível, que o único alisamento exponencial tem a desvantagem de mudanças atrasadas na demanda. O diagrama a seguir apresenta os dados reais plotados como uma curva suave para mostrar os efeitos de atraso das previsões exponenciais.
A previsão fica lenta durante um aumento, mas supera quando ocorre uma mudança na direção. Observe que quanto maior o valor de alfa, mais a previsão segue o real. Para acompanhar mais de perto a demanda real, um fator de tendência pode ser adicionado.
Ajustar o valor de alfa também ajuda. Isso é denominado como “Previsão adaptativa”. Os efeitos de tendência e previsão adaptativa são explicados brevemente para o benefício dos leitores.
Previsões exponenciais versus demandas reais de unidades de um produto ao longo do tempo, mostrando a defasagem de previsão.
Efeitos de tendência no nivelamento exponencial:
Vale a pena lembrar que uma tendência ascendente ou descendente nos dados coletados em uma sequência de períodos de tempo faz com que a previsão exponencial sempre fique atrás de maio acima ou abaixo da ocorrência real.
Previsões suavizadas exponenciais podem ser corrigidas de alguma forma adicionando um ajuste de tendência. Para corrigir a tendência, a equação de tendência usa um delta “smoothening constant” (δ), o delta reduz o impacto do erro que ocorre entre o real e a previsão.
Se o Alfa e o delta não estiverem incluídos, a tendência seria reagir a erros. Para obter a equação de tendência, na primeira vez em que é usada, o valor da tendência deve ser inserido manualmente. Este valor de tendência inicial pode ser um dado calculado ou educado ou um cálculo baseado nos dados passados observados.
A equação para calcular a tendência de previsão incluindo (FIT) é:
FIT = F t + T t
Tt = FIT t -1 + a (A t-1 )
Onde: T t = T t-1 + aδ (A t-1 )
Ft = A previsão exponencialmente suavizada para o período t.
T t = A tendência exponencialmente suavizada para o período f.
FIT t = A previsão incluindo tendência para o período t.
FIT t-1 = A previsão incluindo tendência feita para o período anterior
Em -1 = A demanda real do período anterior.
α = constante de alisamento.
δ = constante de suavização.
Escolhendo o valor apropriado de alfa:
O alisamento exponencial requer que a constante de alisamento alfa (a) receba um valor entre 0 e 1. Se a demanda real é estável como é normalmente encontrada no caso de alimentos e eletricidade, gostaríamos que um pequeno alfa diminuísse os efeitos de curto prazo. ou mudanças aleatórias.
Pelo contrário, se a demanda real está aumentando ou diminuindo rapidamente, como no caso de artigos de moda e pequenos eletrodomésticos, a pessoa gosta de pegar um grande alfa para tentar acompanhar a mudança. Seria ideal se alguém pudesse prever qual alfa deveria usar. A este respeito, duas coisas infelizmente vão contra quem está tentando.
Primeiro, levaria algum tempo para determinar o alfa que melhor se ajustaria aos dados. Isso seria muito tedioso para acompanhar e revisar.
Em segundo lugar, a escolha desta semana pode precisar ser revisada no futuro próximo, porque as demandas mudam. Portanto, é necessário algum método automático para rastrear e alterar os valores alfa de uma pessoa.
Previsão adaptativa:
Existem duas abordagens para controlar o valor de alfa. Um usa vários valores de alfa; o outro usa um sinal de rastreamento.
1. Dois ou mais valores predeterminados de alfa :
A quantidade de erro entre a previsão e a demanda real é medida. Dependendo do grau de erro, os diferentes valores de alfa são usados. Se o erro for grande, alfa é 0, 8, se o erro for pequeno, alfa é 0, 2.
2. Valores computados para alfa:
Um alfa de rastreamento calcula se a previsão está acompanhando as mudanças de demanda genuínas para cima ou para baixo, em oposição a mudanças aleatórias. Nesta aplicação, o alpha de rastreamento é definido como o erro real suavizado exponencialmente dividido pelo erro absoluto exponencial suavizado. Alfa muda de período para período dentro do intervalo possível de zero a um.
Erros de previsão:
Quando alguém está usando a palavra 'erro', refere-se à diferença entre o valor previsto e o que realmente ocorreu. Nas estatísticas, esses 'erros' são chamados 'residuais'. Contanto que o valor da previsão esteja dentro dos limites de confiança, isso não é realmente um erro. No entanto, o uso comum refere-se à diferença como um erro.
É bem conhecido que as demandas por um produto são geradas através da interação de vários fatores que são muito complexos para descrever com precisão em um determinado modelo. Portanto, todas as previsões certamente contêm algum erro.
Ao discutir erros de previsão, é conveniente distinguir entre “fontes de erro” e “medição de erro”.
Fontes de Erro:
Erros podem se originar de várias fontes. Uma fonte mais comum é a de que muitos analistas não estão cientes de projetar tendências passadas para o futuro. Erros podem ser classificados como preconceitos ou aleatórios.
Erros de polarização ocorrem quando um erro consistente é feito. Fontes de preconceito incluem a não inclusão das variáveis corretas; usando as relações erradas entre as variáveis; empregando linha de tendência errada; erroneamente mudando a demanda sazonal de onde normalmente ocorre, e a existência de alguma tendência secular não detectada. Erros aleatórios podem ser definidos como aqueles que não podem ser explicados pelo modelo de previsão que está sendo usado.
Medição de Erro:
O grau de erro é expresso em vários termos alternativos, como “erro padrão”, “erro quadrático médio”, “variância” e “desvio médio absoluto” ou “desvio absoluto médio”.
Além disso, os sinais de rastreamento podem ser usados para indicar qualquer tendência positiva ou negativa na previsão. Como o erro padrão é a raiz quadrada de uma função, geralmente é mais conveniente usar a função em si. Isso é chamado de erro quadrático médio ou variância. Vamos considerar o sinal de Desvio Médio Absoluto e Rastreamento.
Louco:
O MEAN ABSOLUTE DEVIATION (MAD) estava em voga no passado, mas subsequentemente foi ignorado em favor de medidas de desvio padrão e erro padrão. Nos últimos anos, a MAD fez um retorno puramente por causa de sua simplicidade e utilidade na obtenção de sinais de rastreamento.
MAD é o erro médio nas previsões, usando valores absolutos. O MAD é valioso porque mede a dispersão de algum valor observado de algum valor esperado, como o do desvio padrão.
O MAD é calculado usando as diferenças entre a demanda real e a demanda prevista sem considerar o sinal. É igual à soma dos desvios absolutos divididos pelo número de pontos de dados.
A equação de MAD é:
Onde:
t = período de número
A = demanda real para o período
F = previsão de demanda para o período
n = número total de períodos
II = Um símbolo usado para indicar o valor absoluto desconsiderando sinais positivos e negativos.
Quando os erros que ocorrem na previsão são normalmente distribuídos, o desvio médio (absoluto) refere-se ao desvio padrão como:
1 Desvio padrão = √π / 2 x MAD, ou aproximadamente 1, 25 MAD.
Por outro lado,
1 MAD = 0, 8 desvio padrão.
O desvio padrão é a medida maior. Se o MAD de um conjunto de pontos foi encontrado em 60 unidades, o desvio padrão seria 75 unidades. Na maneira estatística usual, se os limites de controle fossem definidos em mais ou menos 3 desvios padrão ou ± 3, 75 MADs, então 99, 7% dos pontos cairiam dentro desses limites.
Sinal de Rastreamento:
Um “sinal de rastreamento” é uma medida que indica se a média da previsão está acompanhando qualquer mudança genuína na demanda, para cima ou para baixo. Conforme usado na previsão, o sinal de rastreamento é o número de desvios absolutos médios em que o valor da previsão está acima ou abaixo da ocorrência real.
A figura a seguir exibe uma distribuição normal com uma média de zero e MAD igual a 1. Assim, se alguém calcula o sinal de rastreamento e o encontra igual a menos 2, pode-se ver que o modelo de previsão está fornecendo previsões que estão um pouco acima a média das ocorrências reais. Um sinal de rastreamento (TS) pode ser calculado usando os desvios de previsão de soma aritmética divididos pelo desvio absoluto médio
TS = RSFE / MAD
Onde:
O RSFE é a soma contínua dos erros de previsão, considerando a natureza do erro. Por exemplo, erros negativos cancelam erros positivos e vice-versa.
MAD é a média de todos os erros de previsão, desconsiderando se o desvio é positivo ou negativo. É a média dos desvios absolutos.
Vejamos um caso prático que elimina o procedimento para calcular o MAD e o sinal de ajuste por um período de seis meses. Onde a previsão foi definida em uma constante de 1.000 e a demanda real que ocorreu são mostradas.
Vamos calcular o desvio médio absoluto (MAD), o erro de previsão de execução (RSFE) e o formulário de sinalização de rastreamento (TS).
Previsão e dados anuais os detalhes são apresentados sob a forma de um gráfico com cálculos como abaixo:
Para o 6º mês TS = 400 ÷ 6 = 66, 70
Para o 6º mês TS = RSFE / MAD = 22 / 66, 70 = 3, 30 MADs.
Podemos traçar os sinais de rastreamento calculados acima em 4.6, que aparecerão como abaixo.
É evidente a partir do gráfico acima o período envolvido é de seis meses, onde a previsão foi definida em uma constante de 1.000 unidades e as demandas reais que ocorreram. A previsão, neste exemplo, em média, é de 66, 7 unidades e o sinal de rastreamento foi igual a 3, 3 desvios absolutos médios. É possível sentir melhor o significado do sinal MAD e de rastreamento, plotando os pontos em um gráfico.
Embora isso não seja completamente legítimo a partir de um ponto de vista de tamanho de amostra, ele é plotado a cada mês na Figura 3.18 para mostrar o desvio do sinal de rastreamento. Vale a pena notar que se deslocou de menos 1 MAD para mais 3, 3 MADs.
Isso aconteceu porque a demanda real foi maior que a prevista em quatro dos seis períodos. Se a demanda real não cair abaixo da previsão para compensar o RSFE positivo contínuo, o sinal de rastreamento continuaria a subir e concluiria que assumir uma demanda de 1.000 é uma previsão ruim.
Os limites aceitáveis para o sinal de rastreamento dependem do tamanho da demanda prevista e da quantidade de tempo disponível para o pessoal. A figura a seguir mostra a área da área de limites de controle dentro da qual, para um intervalo de um dos quatro MADs.
Para continuar, em um modelo de previsão perfeito, a soma dos erros de previsão reais seria zero; os erros que resultam em superestimativas devem ser compensados por erros que surgem de subestimações. O sinal de rastreamento também será zero, indicando um modelo imparcial, sem liderar nem atrasando as demandas reais. O MAD é freqüentemente usado para prever erros. É desejável, então, tornar o MAD mais sensível aos dados recentes.
Uma técnica muito útil para fazer isso é calcular um MAD exponencialmente suavizado como uma previsão para o intervalo de erro do próximo período. O procedimento é semelhante ao de suavização exponencial única. O valor da previsão do MAD é fornecer um intervalo de erros. Isso é mais útil no caso de controle de estoque ao definir níveis de estoque de segurança.
Então:
MAD t = a IA t-1 - F t-1 I + (1-a) MAD t-1
Onde:
MAD t = Previsão MAD para o 'th período
A = constante de suavização (normalmente na faixa de 0, 05 a 0, 20)
A t-1 = Demanda real no período t-1
F t-1 = Previsão de demanda para o período t-1
iv. Análise de Regressão Linear:
Regressão é a relação funcional entre duas ou mais variáveis correlacionadas. É usado para prever uma variável dada no outro. A relação é geralmente desenvolvida a partir de dados observados.
Sob o método, os dados devem ser plotados primeiro para ver se eles aparecem lineares ou se pelo menos partes dos dados são lineares. Regressão Linear refere-se à classe especial de regressão em que a relação entre variáveis forma uma linha reta.
A linha de regressão linear da forma Y = a + b X, onde Y é o valor da variável dependente, a é o intercepto, b é a inclinação e X é a variável dependente. Na análise de séries temporais, X é unidades de tempo. A regressão linear é muito útil para a previsão de longo prazo das principais ocorrências e planejamento agregado.
Não pode haver melhor exemplo do que a previsão da demanda por famílias de produtos. Embora a demanda por produtos individuais dentro de uma família possa variar durante um período de tempo, a demanda pela família total de produtos é suave além das expectativas.
A restrição básica ao usar a previsão de regressão linear é, como o nome sugere, que dados passados e projeções futuras são considerados como uma linha reta. Enquanto isso limita a sua aplicação, às vezes, um usa um período mais curto de tempo, a regressão linear ainda pode ser usada. Por exemplo, pode haver segmentos curtos de período mais longo que são aproximadamente lineares.
A regressão linear é usada para as séries temporais e para a previsão de relações causais. Quando a variável dependente, é a análise de séries temporais. Se uma variável muda por causa da mudança em outra variável, esta é a relação causal.
Para explicar o conceito, o exemplo a seguir é usado para comparar modelos de previsão e tipos de análise para ajuste manual de uma linha, para a análise de mínimos quadrados.
Mão de encaixar uma linha de tendência:
No caso da River Valley Products Limited, a linha de produtos durante os 12 trimestres dos 3 últimos anos foi a seguinte:
A empresa quer prever cada trimestre do quarto ano. Ou seja, quartos 13, 14, 15 e 16. Defina uma linha de tendência à mão usando uma aproximação heurística ocular simples ou OHA Ocular.
O procedimento para ajustar uma linha de tendência de conjunto manual. Uma delas é estabelecer uma linha reta através dos pontos de dados até que a linha pareça se encaixar bem e traçar a linha. Esta linha é a linha de regressão. O próximo passo é interceptar a e inclinação b.
Mostra a trama dos dados e a linha reta percorreu os pontos. O intercepto a, onde a linha corta o eixo vertical, parece ser de cerca de 400.
O eixo vertical parece ser cerca de 400. A inclinação b é a “subida” dividida pela “corrida” a mudança na altura de uma parte da linha dividida pelo número de unidades no eixo horizontal.
Quaisquer dois pontos podem ser usados, mas dois pontos distantes proporcionam melhor precisão devido aos erros na leitura dos valores do gráfico. Na exposição acima, lendo os pontos na linha, os valores Y para o trimestre 1 e o trimestre 12 são de cerca de 750 e 4950 rúpias.
Assim sendo:
b = (4950-750) / (12— 1) = 382
Portanto, a equação de regressão ajustada à mão é:
Y = 400 + 382x
As previsões para quatro trimestres 13, 14, 15 e 16 são:
É muito importante observar aqui que essas previsões são baseadas apenas na linha e não identificam ou ajustam elementos como elementos sazonais ou cíclicos.
O que é feito acima também pode ser provado usando MÉTODO QUADRADO MÍNIMO. A equação de mínimos quadrados para regressão linear é a mesma usada na ilustração de ajuste da mão acima:
Y = a + be
Onde:
Y = Variável dependente calculada pela equação
Y = O ponto de dados da variável dependente real.
a = intercepção Y
b = Inclinação da linha
x = período de tempo.
Este método de Mínimos Quadrados tenta ajustar a linha aos dados que minimizam a soma dos quadrados da distância vertical entre cada ponto de dados e seu ponto correspondente na linha. Os mesmos dados são apresentados no diagrama a seguir que explica a mágica do método dos mínimos quadrados.
Se uma linha reta é traçada através da área geral dos pontos, a distância entre o ponto e a linha é y-Y. O diagrama acima mostra as diferenças. A soma dos quadrados das diferenças entre os pontos de dados plotados e os pontos de linha é:
(y-yt) 2 + (y2 - Y2) 2 +… (Y12-Y12) 2
A melhor linha a ser usada é aquela que minimiza esse total.
Como antes, a equação da reta é:
Y = a + bx
A partir do gráfico, foi determinado "a" e "b".
No método dos mínimos quadrados, a equação para a e b 'é:
Onde:
a = intercepção Y
b = Inclinação da linha
Y = média de todos os ys
X = Média de todos os xs
x = x valor em cada ponto de dados
y = y valor em cada ponto de dados
n = Número de pontos de dados
Y = Valor da variável dependente computada com o
O gráfico detalha os cálculos realizados para 12 pontos nas Figuras 3.19 e 3.20. Note que a equação final de Y mostra um intercepto de 441.6 e um declive de 339.6. A inclinação mostra que para cada mudança de unidade em X, Y muda de 359, 6.
Estritamente baseado nas previsões de equações para os períodos 13, 14, 15 e 16 são:
Y 13 = 441, 6+ 359, 6 (13) = 5116, 4
Y 14 = 441, 6 + 359, 6 (14) = 5476, 0
A15 = 441, 6+ 359, 6 (15) = 5835, 6
A16 = 441, 6+ 359, 6 (16) = 6195, 2
Antes de ir para o erro padrão, deixe o leitor vir a conhecer cálculos de cálculos detalhados acima, como mostrado no gráfico 4.11.
C. Previsão de Relacionamento Causal:
Métodos causais nos fornecem as ferramentas de previsão mais sofisticadas. Eles são usados quando os dados históricos estão disponíveis e a relação entre o fator a ser previsto e outros fatores externos e internos pode ser identificada. Essas relações são expressas em termos matemáticos e podem ser muito complexas.
Os métodos causais são, de longe, os melhores para prever pontos de virada na demanda e preparar previsões de longo alcance. Em outras palavras, para ter valor para o propósito de previsão, qualquer variável independente deve ser um indicador principal.
Por exemplo, pode-se esperar que um longo período de dias chuvosos no aumento das vendas de guarda-chuvas e capas de chuva. A chuva faz com que a venda de desgaste de chuva ou engrenagem. Essa é uma relação causal, em que uma ocorrência causa outra. Se o elemento causador for suficientemente adiantado, ele pode ser usado como base para a previsão. Vários métodos causais são usados.
No entanto, o método mais utilizado é a regressão linear, que é explicada nas seguintes páginas:
I. Método de Regressão Linear:
A regressão linear é um dos métodos causais de previsão mais conhecidos. Essa abordagem usa duas variáveis, a saber dependente e “independente”. A variável dependente, como demanda ou custo, é a variável que o previsor deseja prever.
Assume-se que as variáveis independentes afetaram a variável dependente e, assim, "causaram" os resultados observados no passado. Time, também pode ser uma variável independente como um substituto representando um grupo não especificado de variáveis que contribuem para tendências ou padrões sazonais nos dados.
Para explicar o uso da regressão linear, aqui usei o modelo mais simples, no qual a variável dependente é uma função de apenas uma variável independente.
Qualquer método de regressão linear requer que hipotetizemos uma relação entre a variável dependente e a variável independente. No caso mais simples, supomos que o relacionamento seria uma linha reta.
Por conseguinte, a fórmula é:
Y i = a + βX i + u i
Onde:
Y i = o valor da variável dependente para a observação i.
X i = valor da variável independente para observação i.
a = interseção Y da linha.
P = a inclinação da linha.
u i = erro aleatório.
Aqui, eles não conhecem os valores 'a' e 'β', portanto, devemos estimar os valores a partir de uma amostra de dados. Estes dados são usados para calcular 'a', a estimativa de 'a' e 'β' estimativa de usar uma técnica de mínimos quadrados.
O objetivo é encontrar valores de 'a' e que minimizem a soma dos desvios quadrados dos valores reais de Y i dos valores estimados, ou
Onde n é o número de pontos de dados na amostra. O processo de encontrar os valores de aeb que minimiza a soma dos desvios quadrados é complexo; então nós com o estado a equação somente como abaixo:
Vale a pena observar aqui que os valores de aeb também minimizam a soma cumulativa dos erros de previsão, o erro médio (bias) e o desvio padrão dos erros de previsão. No entanto, eles não minimizam o desvio médio absoluto popularmente chamado de MAD.
A análise de regressão pode fornecer orientação útil para importantes decisões de gerenciamento de operações. No entanto, esta abordagem é relativamente dispendiosa devido às grandes quantidades de dados necessários para obter relações úteis de regressão linear.
ii. Múltiplas análises de regressão:
Outro método de previsão é a análise de regressão múltipla, na qual um número de variáveis é considerado, juntamente com os efeitos de cada um no item de previsão. Por exemplo, no caso do mobiliário doméstico, os efeitos do número de casamentos, início de casa, renda disponível e tendência podem ser expressos em uma equação de regressão múltipla, como
S = B + Bm (M) + Bh (H) + Bt (T)
Onde:
S = vendas brutas do ano
B = Vendas básicas, um ponto de partida a partir do qual outros fatores
M = casamentos durante o ano
H = Habitação começa durante o ano
I = rendimento anual disponível
T = tendência do tempo (primeiro ano = 1, segundo = 2, terceiro = 3 e assim por diante)
B m, B h e B t representam a influência sobre as vendas esperadas dos membros dos casamentos e início de moradia, renda e tendência.
A previsão por regressões múltiplas é uma abordagem apropriada quando vários fatores influenciam uma variável de interesse neste caso, vendas.
Sua dificuldade está na computação matemática. Felizmente, programas de computador padrão para análise de regressão múltipla estão disponíveis, aliviando a necessidade de cálculos manuais tediosos.
Escolhendo um método de previsão:
Nesse contexto, surge a primeira questão: se você precisa de um sistema de previsão? O sistema pode variar de ferramentas simples e baratas até programas extensos que exigem compromissos extensos de tempo, tesouro e talento.
Uma empresa usa a previsão no planejamento de seus níveis de estoque e produção, bem como para o desenvolvimento de novos funcionários e orçamentos. No nível do produto, não é dispendioso desenvolver previsões para desenvolver previsões usando a média móvel simples, a média móvel ponderada ou o alisamento exponencial. Esses métodos se aplicariam a grande volume de itens de estoque padrão transportados por uma empresa.
A escolha de qual desses três métodos usar baseia-se nas condições de mercado. As médias móveis ponderam cada período o mesmo, o alisamento exponencial pondera mais o passado recente, e a média móvel ponderada permite que os pesos sejam determinados pelo previsor.
Qual é melhor? Um teste seria usar cada método em dados de amostra e medir os erros usando o MAD e o RSFE como fizemos. Em qualquer caso, todas as previsões devem ser passadas para a área apropriada para que alguém familiarizado com o produto ajuste ou modifique a previsão.
Ao usar a análise de regressão, é fundamental garantir que os dados se encaixem no modelo. Se não o fizerem, as explorações criarão erros graves. A opinião executiva, a força de vendas e a pesquisa de clientes no topo da lista devido à ênfase no marketing e aos valiosos indicadores de previsão são tendências e participação de mercado.
Comparando as empresas de manufatura e serviços, as empresas manufatureiras tendem a ser mais completas e proporcionam mais interações na circulação e no ajuste da previsão. As previsões mais significativas são linhas de subprodutos e ciclos de vida do produto.
Os fabricantes tendem a usar técnicas mais quantitativas e estão mais satisfeitos com o processo de previsão. Eles também tendem a classificar a previsão e o nível de precisão mais importantes do que as empresas de serviços as classificam.
As empresas de serviços tendem a envolver mais pessoas na previsão e têm uma porcentagem maior de envolvimento executivo.
As empresas de serviços também tendem a:
(1) Ver a média móvel ponderada como uma técnica importante e
(2) Use a previsão subjetiva muito mais do que os fabricantes. Por causa das diferentes técnicas que cada uma usa, as empresas de serviços também relataram que seu processo de previsão é mais incômodo do que o dos fabricantes. Além disso, as empresas de serviços estão menos satisfeitas com a previsão.
Previsão de foco:
A previsão de foco é o filho cerebral de Berine Smith. B. Smith a utiliza principalmente no gerenciamento de estoque de produtos acabados. O Sr. B. Smith sustenta fortes argumentos de que as abordagens estatísticas usadas na previsão não dão os melhores resultados.
Ele afirma que técnicas simples que funcionam bem em dados passados também são as melhores para prever o futuro. O que é isso? e sua metodologia? ”Previsão de foco” simplesmente tenta várias regras que parecem lógicas e fáceis de entender para projetar dados passados no futuro. Cada uma dessas regras é usada em um programa de simulação de computador para projetar a demanda e, em seguida, medir o desempenho dessa regra quando comparado com o que realmente aconteceu.
Portanto, os dois componentes do sistema de previsão de foco são:
(1) Várias regras simples de previsão e
(2) simulação computacional dessas regras em dados passados.
Essas são regras simples de senso comum compostas e testadas para ver se devem ser mantidas. Os exemplos de regras simples de previsão podem incluir:
(a) O que quer que tenhamos vendido nos últimos três meses é o que provavelmente venderemos nos próximos três meses.
(b) O que vendeu no mesmo período de três meses do ano passado, provavelmente com venda naquele período de três meses este ano.
(c) Nós provavelmente venderemos 10% a mais nos próximos três meses do que vendemos nos últimos três meses.
(d) Nós provavelmente venderemos 50% mais nos próximos três meses do que vendemos nos mesmos três meses do ano passado.
(e) Qualquer alteração percentual que tivemos nos últimos três meses deste ano em comparação com os mesmos três meses do ano passado será provavelmente a mesma variação percentual que teremos nos próximos três meses deste ano.
Uma coisa é certa de que essas regras de previsão não são rígidas e rápidas. Se uma nova regra parece funcionar bem, ela é adicionada. Se isso não ocorrer, será excluído.
A segunda parte do processo é a simulação por computador. Para usar o sistema, um histórico de dados deve estar disponível por pelo menos 18 a 24 meses. O processo de simulação usa então cada uma das regras de previsão para prever alguns dados passados recentes. A regra que melhor serviu para prever o passado é a regra usada para prever o futuro.
Desenvolvendo um Sistema de Previsão de Foco :
Como desenvolver um sistema de previsão de foco? Aqui estão algumas sugestões ou orientações que ajudam a projetar o sistema de previsão de foco. Esses são:
1. Não tente adicionar o Índice de Sazonalidade:
Não se deve adicionar um índice de sazonalidade. Deixe o sistema de previsão descobrir a sazonalidade por si só, especialmente com itens novos, porque a sazonalidade pode não se aplicar até que a linha de encanamento seja preenchida e o sistema esteja estável. As regras de previsão podem lidar com isso.
2. Não apenas desconsidere as demandas incomuns:
Quando uma previsão é geralmente alta ou baixa, duas ou três vezes o período anterior ou o ano anterior, se houver sazonalidade, imprima um indicador, como a letra 'R', informando a pessoa afetada por essa solicitação para analisá-la. Não apenas desconsidere as demandas incomuns, pois elas podem, de fato, ser mudanças válidas no padrão de demanda.
3. Incentivar a participação dos previsores:
Permita que as pessoas que usarão as previsões, como compradores ou planejadores de inventário, criem regras. B. Smith joga seu jogo com todos os compradores da empresa porque “não se pode adivinhar a previsão do foco”.
Usando dados de dois anos e itens de 2000, a previsão de foco faz previsões para os últimos seis meses. Os compradores são convidados a prever os últimos seis meses usando qualquer regra que preferirem. Se eles forem consistentemente melhores que as regras de previsão existentes, suas regras serão adicionadas à lista.
4. Mantenha as regras simples:
Ao manter as regras simples, elas serão facilmente entendidas e confiáveis pelos usuários da previsão, o que aumenta o valor da previsão de foco.
Em uma casca de noz, parece que a previsão de foco tem um mérito significativo quando a demanda é gerada fora do sistema, como na previsão de demanda de itens finais, peças sobressalentes e materiais e suprimentos usados em uma variedade de produtos. É econômico também como B. Smith relata que a melodia do computador aparentemente não é muito grande, já que 1.00.000 itens são previsões a cada mês usando as regras de ouro da previsão de foco.
D. Modelos de Simulação:
Como dito anteriormente modelos dinâmicos, geralmente baseados em computador, que permitem ao previsor fazer suposições sobre as variáveis internas e ambiente externo no modelo. Muitos programas de previsão comercial estão disponíveis.
A maioria está disponível para microcomputadores e usa bancos de dados de trabalho de rede compartilhados. Grandes empresas da América, como a Wal-Mart, agora estão usando programas que funcionam na Internet.
O futuro é melhorar os padrões de desempenho e os pacotes serão padronizados atendendo às necessidades específicas dos fabricantes e comerciantes na previsão. Todas as fórmulas de previsão, exceto as mais sofisticadas, são fáceis de entender.
Qualquer pessoa que possa usar uma planilha como o Microsoft Excel pode criar um programa de previsão no computador pessoal. Dependendo do conhecimento da planilha, um programa simples pode ser escrito de alguns minutos a algumas horas. Como esta previsão deve ser usada pela empresa pode ser o maior desafio.
Se a demanda por muitos itens deve ser prevista, isso se torna um problema de manipulação de dados, não um problema na lógica de previsão.
Projetando o sistema de previsão:
O conteúdo deste capítulo trouxe para a superfície o número de métodos e técnicas de previsão. O problema antes do gerente é selecionar um método melhor e adequado para que ele possa fazer previsões e prosseguir para o próximo estágio de análise dos problemas de gerenciamento de operações.
Infelizmente, não é assim tão fácil como se diz. A escolha bastante correta de um determinado método é certamente um aspecto significativo do projeto de um sistema de previsão, mas há algumas outras considerações importantes.
Ao projetar um sistema de previsão, o gerente deve decidir sobre:
(1) O que prever?
(2) Qual pacote de software usar para um programa computadorizado?
(3) Como o sistema pode auxiliar na tomada de decisões gerenciais?
Vamos tocar nesses três pontos principais:
Decidindo o que prever:
É bastante comum ouvir os gerentes de operações dizendo que as previsões de demanda devem ser feitas para todos os bens ou serviços produzidos por suas empresas. Por meio de algum tipo de estimativa de demanda é necessária para todos os itens, pode ser mais fácil prever alguma agregação dos produtos e, em seguida, derivar as previsões de produtos individuais.
A seleção da unidade de medida correta também é importante, pois as previsões podem ser tão importantes quanto a escolha do melhor método. Isso deve considerar dois pontos, a saber, nível de agregação e unidades de medida.
1. Nível de Agregação:
Na prática, muito poucas empresas têm erros de mais de 5% em suas previsões de demanda total para todos os produtos. No entanto, os erros nas previsões para itens individuais variam de 100% a + 300% ou mais. Assim, quanto maior a agregação, mais precisas são as previsões.
Muitas empresas empregam um sistema de previsão de dois níveis no qual as previsões são feitas primeiramente para "famílias de produtos", um grupo de bens ou serviços que têm requisitos de demanda semelhantes e requisitos comuns de processamento, mão-de-obra e materiais.
As previsões para itens individuais são divididas de forma que sua soma seja igual à previsão total da família. Essa abordagem mantém a consistência entre o planejamento para os estágios finais de fabricação e o planejamento de longo prazo para vendas, lucro e capacidade.
Unidades de medida:
As previsões que servem como entrada para o planejamento e a análise de problemas operacionais são mais úteis se forem baseadas em unidades de produto e não em valores de rupia. As previsões de receita de vendas não são muito úteis porque os preços podem e geralmente flutuam.
Assim, embora as vendas totais em rúpias possam ser as mesmas de mês para mês, o número real de unidades de demanda variará amplamente.
A previsão do número de unidades de demanda e sua conversão em estimativas de receita de vendas por multiplicação é, frequentemente, um método muito melhor. Pode acontecer, no entanto, que a previsão do número de unidades de demanda para um produto possa não ser possível.
As empresas que produzem bens ou serviços para pedidos de clientes enfrentam esse problema. Nesses casos, é melhor prever as horas-padrão de mão de obra ou máquina requeridas para cada um dos recursos críticos, com base em padrões históricos. Para essas empresas, as estimativas de mão-de-obra ou horas-máquina são importadas para programação e planejamento de capacidade.
2. Selecionando um pacote de software:
Sendo esta a era da informática e a revolução da informação, muitos pacotes de software de previsão estão disponíveis para todos os tamanhos de computadores. Esses pacotes estão disponíveis para todos os tamanhos de computadores. Esses pacotes oferecem uma ampla variedade de recursos de previsão e formatos de relatório. Pacotes como o Sistema de Previsão de Serviço de Tempo (GETSFS) da General Electric e IBMs.
O Sistema de Bens de Consumo (COGS) e o Programa de Gerenciamento de Estoque e Técnica de Controle (IMPACT) contêm módulos de previsão usados por muitas empresas que possuem grandes instalações de computação.
Desde a introdução dos microcomputadores, dezenas de pacotes de software foram desenvolvidos para praticamente todos os computadores pessoais populares. As aplicações variam de programas simples a muito sofisticados.
Esses pacotes de microcomputadores têm preço para torná-los alternativas atraentes aos pacotes tradicionais de quadros principais.
Tomando a eficácia de custo de técnicas, alguns são preferidos em curto alcance enquanto outros em longo alcance. Portanto, a seleção do pacote de software de previsão é a decisão conjunta do gerente de marketing e do gerente de operações. Ou, uma equipe pode estar representando departamentos importantes.
A seleção final do pacote é baseada em:
(1) Como o pacote satisfaz os mostos e desejos?
(2) O custo de comprar ou alugar o pacote
(3) O nível de apoio administrativo requerido e
(4) A quantidade de período de manutenção do programador necessária.
3. Uso Gerencial do Sistema:
Há dois aspectos importantes que devem ser mencionados em relação ao uso do sistema de previsão computadorizado:
(1) Previsões de número único raramente são úteis porque, as previsões são quase sempre erradas. Resultantly, os gerentes sabem que se um único número de demanda de produto prevista, a demanda real será qualquer coisa mas esse número. Portanto, uma abordagem muito mais útil é fornecer ao gerente um valor previsto e um intervalo de erros, o que pode ser feito usando o MAD. Essa informação ajustada dá ao gerente uma melhor percepção da incerteza na previsão e permite ao gerente planejar melhor os estoques, os níveis de pessoal e outros.
(2) Preocupa-se com a quantidade esperada de interface gerencial com o sistema. Os sinais de rastreamento devem ser calculados para cada previsão, e as mensagens devem ser geradas quando os sinais excederem o intervalo selecionado.
Os gerentes devem ter autoridade para executar uma previsão gerada por computador com uma previsão própria ou modificar o método usado quando as mudanças no padrão de demanda são ditadas. Isto é, os gerentes devem ter total liberdade para usar qualquer previsão que os ajude a ganhar confiança no sistema de previsão.
Assim, em conclusão, pode-se dizer que o desenvolvimento de um avanço no sistema de previsão não é fácil. No entanto, isso não é necessário, isso deve ser feito porque a previsão é fundamental para qualquer esforço de planejamento.
