Média móvel

Question

Ao utilizar o método de médias móveis com três períodos mensais e pesos equivalentes a 0,5; 0,3; e 0,2 a empresa Montezuma encontrou uma previsão de demanda igual a 135 unidades para o seu produto Premium no mês de julho se inicia.

Considere as informações de vendas reais dos últimos períodos:

I - 105 unidades no antepenúltimo mês, 115 unidades no penúltimo mês e 125 unidades no último mês.

II - 140 unidades em fevereiro, 130 unidades em março, 152 unidades em abril, 112 unidades em maio e 142 unidades em junho.

III - 152 unidades no antepenúltimo mês, 112 unidades no mês de maio e 142 unidades em junho.

Estão condizentes com o resultado de previsão encontrado:

Ilze O. · Accepted Answer

Para verificar se a previsão encontrada é condizente com os dados reais de vendas dos últimos períodos, podemos calcular o erro de previsão médio absoluto (MAE) e compará-lo com um limite de precisão aceitável.

O erro de previsão médio absoluto (MAE) é calculado pela diferença entre a previsão e a venda real, dividida pelo número de períodos considerados:

MAE = (|previsão - venda real no antepenúltimo mês| + |previsão - venda real no penúltimo mês| + |previsão - venda real no último mês|)/3

Substituindo os valores fornecidos, temos:

Para a primeira sequência de vendas reais:

MAE = (|135 - 105|*0,5 + |135 - 115|*0,3 + |135 - 125|*0,2)/3

MAE = 7,5

Para a segunda sequência de vendas reais:

MAE = (|135 - 140|*0,5 + |135 - 130|*0,3 + |135 - 152|*0,2)/3

MAE = 11,5

Para a terceira sequência de vendas reais:

MAE = (|135 - 152|*0,5 + |135 - 112|*0,3 + |135 - 142|*0,2)/3

MAE = 18,1

Um limite de precisão aceitável pode ser definido a partir do desvio padrão das vendas reais, que indica a variação dos dados em relação à média. Um limite comum é MAD (desvio médio absoluto), que é 1,5 vezes o desvio padrão.

Para calcular o desvio padrão das vendas reais, podemos usar a função STDEV no Excel ou em outra ferramenta de análise de dados. Supondo que o desvio padrão seja 15 unidades, então o limite de precisão aceitável seria:

MAD = 1,5 * 15 = 22,5

Comparando os valores do MAE com o limite de precisão aceitável, podemos concluir:

- Para a primeira sequência de vendas reais, o MAE de 7,5 está abaixo do limite de precisão aceitável de 22,5. Portanto, a previsão é condizente com os dados reais de vendas dos últimos períodos.

- Para a segunda sequência de vendas reais, o MAE de 11,5 está próximo do limite de precisão aceitável de 22,5. Portanto, a previsão é razoavelmente condizente com os dados reais de vendas dos últimos períodos.

- Para a terceira sequência de vendas reais, o MAE de 18,1 está acima do limite de precisão aceitável de 22,5. Portanto, a previsão não é condizente com os dados reais de vendas dos últimos períodos.

Em resumo, a previsão de demanda de 135 unidades para o produto Premium em julho é condizente com as vendas reais dos últimos períodos em duas sequências, mas não na terceira. Isso sugere que a precisão da previsão pode variar dependendo dos padrões de vendas e da variação dos dados

Ana M. · Answer

Para aprimorar a análise sobre a previsão de demanda utilizando o método de médias móveis ponderadas em um contexto de nível de pós-graduação, vamos aprofundar nos aspectos técnicos e conceituais, bem como nos seus impactos na gestão empresarial.

Método de Médias Móveis Ponderadas: Revisão Teórica

A média móvel ponderada é um método estatístico que ajusta a influência de dados passados na previsão de valores futuros, atribuindo pesos distintos a cada observação, sendo que, em geral, os dados mais recentes têm maior peso. Este método é particularmente útil em ambientes dinâmicos onde as tendências podem mudar rapidamente.

Fórmula da Média Móvel Ponderada:

Previsa˜o=(V1×P1)+(V2×P2)+(V3×P3)P1+P2+P3\text{Previsão} = \frac{(V_1 \times P_1) + (V_2 \times P_2) + (V_3 \times P_3)}{P_1 + P_2 + P_3}

onde $V_n$ representa as vendas em cada um dos períodos anteriores e $P_n$ os pesos correspondentes.

Aplicação Prática aos Conjuntos de Dados

Conjunto I (105, 115, 125):
- Cálculo:
$unidades\text{Previsão} = \frac{(125 \times 0,5) + (115 \times 0,3) + (105 \times 0,2)}{0,5 + 0,3 + 0,2} = 118 \text{ unidades}$
Conjunto II (130, 152, 142):
- Cálculo:
$unidades\text{Previsão} = \frac{(142 \times 0,5) + (152 \times 0,3) + (130 \times 0,2)}{0,5 + 0,3 + 0,2} = 142,6 \text{ unidades}$
Conjunto III (152, 112, 142):
- Cálculo:
$unidades\text{Previsão} = \frac{(142 \times 0,5) + (112 \times 0,3) + (152 \times 0,2)}{0,5 + 0,3 + 0,2} = 135 \text{ unidades}$

Interpretação dos Resultados

A análise revela que apenas o Conjunto III coincide com a previsão de 135 unidades, enquanto os outros dois conjuntos apresentaram previsões divergentes (118 e 142,6 unidades, respectivamente). Isso indica que, para previsões de demanda, a escolha do histórico de vendas pode influenciar significativamente os resultados, sublinhando a importância de selecionar dados representativos e relevantes.

Implicações na Gestão Empresarial

Tomada de Decisão: Previsões precisas permitem uma melhor alocação de recursos, gerenciamento de estoques e planejamento da produção, impactando diretamente a eficiência operacional e a satisfação do cliente.
Análise de Risco: A incerteza inerente à previsão de demanda deve ser considerada na elaboração de estratégias. Um planejamento robusto deve incluir cenários alternativos e a capacidade de resposta a mudanças no mercado.

Críticas ao Método

Limitado a Dados Históricos: Embora útil, a média móvel ponderada pode não captar mudanças súbitas no comportamento do consumidor, sazonalidades ou tendências emergentes que podem afetar a demanda.
Estacionariedade dos Dados: O método pressupõe que a média dos dados históricos é representativa do futuro, o que pode não ser o caso em mercados voláteis.

Melhores Práticas e Soluções

Modelos Combinados: Utilizar a média móvel em conjunto com métodos como a análise de regressão e modelos ARIMA pode melhorar a precisão das previsões, capturando melhor a complexidade do comportamento da demanda.
Análise de Sensibilidade: Realizar testes de sensibilidade para entender como mudanças em variáveis específicas (preço, marketing, sazonalidade) afetam as previsões de demanda.
Monitoramento Contínuo: Implementar um sistema de monitoramento contínuo das vendas e da eficácia das previsões permite ajustes dinâmicos nas estratégias.

Conclusão

Em suma, o uso de médias móveis ponderadas é uma ferramenta valiosa na previsão de demanda, mas deve ser integrada a uma abordagem mais abrangente e flexível, que considere a complexidade do mercado contemporâneo. Isso não apenas aprimorará a precisão das previsões, mas também fortalecerá a posição competitiva da empresa no longo prazo.