Foto de Julia G.
Julia há 2 anos
Enviada pelo
Site

Média móvel

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: 

 

Professora Ilze O.
Respondeu há 2 anos
Contatar Ilze

 

 

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

Um professor já respondeu

Envie você também uma dúvida grátis
Ver resposta
Tire dúvidas com IA
Resposta na hora da Minerva IA
Enviar dúvida
Professora Ana M.
Identidade verificada
  • CPF verificado
  • E-mail verificado
Respondeu há 6 meses
Contatar Ana Maria

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 VnV_n representa as vendas em cada um dos períodos anteriores e PnP_n os pesos correspondentes.

Aplicação Prática aos Conjuntos de Dados

  1. Conjunto I (105, 115, 125):

    • Cálculo:
    Previsa˜o=(125×0,5)+(115×0,3)+(105×0,2)0,5+0,3+0,2=118 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}
  2. Conjunto II (130, 152, 142):

    • Cálculo:
    Previsa˜o=(142×0,5)+(152×0,3)+(130×0,2)0,5+0,3+0,2=142,6 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}
  3. Conjunto III (152, 112, 142):

    • Cálculo:
    Previsa˜o=(142×0,5)+(112×0,3)+(152×0,2)0,5+0,3+0,2=135 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

  1. 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.

  2. Análise de Sensibilidade: Realizar testes de sensibilidade para entender como mudanças em variáveis específicas (preço, marketing, sazonalidade) afetam as previsões de demanda.

  3. 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. 

Um professor já respondeu

Envie você também uma dúvida grátis
Ver resposta
Minerva IA
do Profes
Respostas na hora
100% no WhatsApp
Envie suas dúvidas pelo App. Baixe agora
Prefere professores para aulas particulares ou resolução de atividades?
Aulas particulares
Encontre um professor para combinar e agendar aulas particulares Buscar professor
Tarefas
Envie sua atividade, anexe os arquivos e receba ofertas dos professores Enviar tarefa