Previsão de Demanda: Modelo Causal

09 de dezembro de 2019
Última modificação: 09 de dezembro de 2019

Autor: Guilherme Mendes
Categorias: Blog

A previsão de demanda hoje em dia é de fundamental importância, pois a falta ou atraso na entrega de produtos pode culminar na perda de clientes e, consequente perda de faturamento. Pensando em um caso mais crítico, como no da indústria de alimentos, prever a demanda é essencial para ramo uma vez que em sua maioria, mesmo que com longos prazos de validade, os produtos são perecíveis.

Levando em consideração o custo como um critério de desempenho, outros pontos importantes, neste caso devido a da falta de previsão de demanda são a sobrecarga de trabalho e/ou a necessidade de horas extras, o que acaba por estreitar ainda mais os orçamentos.

O dimensionamento da capacidade de produção também é um fator de peso pois a demanda deve estar adequada à mesma. Lembrando que a capacidade de produção é um fator que pode variar adotando-se a utilização de horas extras, contratando-se mais funcionários ou terceirizando a produção. O recomendado é que a capacidade seja “estável”.

Previsão de Demanda: Definição

O conceito de previsão pode ser muito relativo dependendo do contexto. Em geral ele concentra-se em torno da antevisão. Mas para o esse contexto vamos adotar uma definição um pouco mais direcionada:

Previsão consiste no ato de especificar informações significativas sobre o futuro. Essa previsão deverá estar ligada a um conjunto de métodos e ao conhecimento do previsor sobre o mercado, ao invés de simples adivinhação.

De quem é a responsabilidade da previsão?

Essa é uma pergunta que muitas vezes acaba ficando sem resposta, ou algumas das respostas mais comuns são: “a responsabilidade é da produção.” Há quem diga também que nessa responsabilidade entram o setor de marketing e também vendas. Mas a grande verdade é que essa responsabilidade se divide entre essas três áreas, pois todas elas estão relacionadas.

Erros mais comuns na previsão de demanda

  • Confundir previsões com metas ou metas com previsões;
  • Gasto de esforços discutindo de “acerta” ou “erra” nas previsões, quando o mais relevante é discutir “ o quanto se está errando” e as formas de adequar a previsão de forma a reduzir esses erros.
  • Basear-se somente na previsão em si, sem considerar as suas chances de erro.

Previsão Agregada

O conceito de previsão agregada consiste na divisão da produção em um nível significativo, geralmente por produto ou produto-cliente, para que possa ser usada pelo setor produtivo e pelo departamento de compras.

Então, como você gerencia a divisão do nível agregado para o nível inferior? Normalmente, esse processo envolve uma ferramenta de previsão dedicada e a chave aqui é que o software deve fazer o trabalho duro. Existem três elementos principais na escolha do software certo para esse tipo de operação de ‘divisão’:

  1. Adaptabilidade

O software deve fornecer uma gama de opções sobre como o nível de divisão para o nível inferior é gerenciado. Por exemplo, permitindo que você:

  • Considere a sazonalidade do nível agregado;
  • Dividir automaticamente com base no histórico de cada um dos produtos do grupo;
  • Permitir o uso de diferentes métodos de divisão para diferentes grupos de produtos ou clientes.
  1. Fácil de configurar

Gerenciar e aplicar as regras de divisão no dia-a-dia está totalmente no controle do usuário. Não há necessidade de contratar o fornecedor de software ou a empresa de consultoria apenas para configurar ou aplicar um tipo diferente de operação de divisão.

  1. Sofisticado

Com um processo de divisão, sempre há exceções a serem gerenciadas. Se a previsão de um produto no nível mais baixo não estiver correta, mas tudo estiver correto, o software deve ser capaz de permitir uma substituição nesse registro. Além disso, deve considerar o impacto nos outros produtos do grupo como resultado dessa substituição.

Modelos Causais

Os modelos causais são utilizados para os casos em que há uma causa que influencia a demanda. Alguns exemplos são: preço, validade do produto, sazonalidade. Ou seja, a previsão de uma variável é derivada a partir da interpretação de outras variáveis relacionadas (causa-efeito).

O maior desafio deste tipo de modelo é encontrar variáveis que realmente impactam a minha demanda.

Regressão Linear

A regressão linear é um tipo básico e comumente usado de análise preditiva de modelos causais. A ideia geral da regressão é examinar duas coisas:

  1. Um conjunto de variáveis preditoras ao prever uma variável de resultado
  2. Quais variáveis em particular são preditoras significativas da variável desfecho e de que maneira elas – indicadas pela magnitude e sinal das estimativas beta – afetam a variável desfecho?

Essas estimativas de regressão são usadas para explicar a relação entre uma variável dependente e uma ou mais variáveis independentes. A forma mais simples da equação de regressão com uma variável dependente e uma variável independente é definida pela fórmula y = ax + b , em que y = pontuação variável dependente estimada, b = constante, a = coeficiente de regressão e x = pontuação na variável independente.

Nomeando as variáveis. Existem muitos nomes para a variável dependente de uma regressão. Pode ser chamada de variável de resultado, variável de critério, variável endógena ou regressão. As variáveis ​​independentes podem ser chamadas de variáveis ​​exógenas, variáveis ​​preditoras ou regressores.

O Microsoft Power BI em conjunto com um bom Dashboard são excelentes ferramentas para tratar e apresentar dados, aproveite para conhecer nossos cursos clicando no link.

Análises de regressão

Três principais usos para a análise de regressão são: (1) determinar a força dos preditores, (2) prever um efeito e (3) prever tendências.

Primeiro, a regressão pode ser usada para identificar a força do efeito que as variáveis ​​independentes têm sobre uma variável dependente. Perguntas típicas são qual é a força do relacionamento entre dose e efeito, gastos com vendas e marketing ou idade e renda.

Segundo, pode ser usado para prever efeitos ou impacto de mudanças. Ou seja, a análise de regressão nos ajuda a entender o quanto a variável dependente muda com uma alteração em uma ou mais variáveis ​​independentes. Uma pergunta típica é: “quanto de receita adicional de vendas recebo por cada US $ 1000 adicional gasto em marketing?”

Terceiro, a análise de regressão prevê tendências e valores futuros. A análise de regressão pode ser usada para obter estimativas pontuais. Uma pergunta típica é: “qual será o preço do ouro em 6 meses?”

Dê continuidade conferindo nossos conteúdos sobre previsão de demanda:

  • Previsão de Demanda: demanda sem tendência.

Deseja ser destaque em metodologias de sucesso na sua carreira? Não perca tempo e acesse a nossa plataforma EAD. Lá você encontra diversos cursos como a formação Lean Six Sigma, Visualização de Dados e Gestão de Processos e Projetos. Confira!

Deixe seu comentário

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

vinte − nove =