UFAM / 2026

1. Introdução à Previsão de Demanda

O que é a Demanda?

A previsão de demanda é a principal informação empregada pelo PCP para antever o futuro e planejar adequadamente suas ações (Tubino, 2017).

  • Finalidade: Usada pelo PCP para:
    1. Planejar o sistema produtivo (decisões de longo prazo: capacidade, instalações).
    2. Planejar o uso do sistema produtivo (decisões de curto prazo: programação, compras).

A Inércia de Curto Prazo

  • Em horizontes de até 3 meses, o comportamento recente é um preditor poderoso da demanda futura.
  • A responsabilidade de gerar as previsões geralmente é da área de Marketing ou Vendas.
  • Contudo, o PCP deve dominar a modelagem para calibrar o ritmo da linha e programar suprimentos sem gerar estoques obsoletos ou quebras de entrega.

2. Etapas de um Modelo de Previsão

O processo metodológico de previsão de demanda estruturado em Engenharia de Produção divide-se em 5 etapas fundamentais:

  1. Objetivo do Modelo: Definir qual família de produtos prever, o nível de agregação dos dados e o horizonte temporal.
  2. Coleta e Análise de Dados: Filtragem de valores atípicos (outliers), preenchimento de lacunas e determinação do histórico.
  3. Seleção da Técnica: Escolha entre abordagens subjetivas (qualitativas) ou baseadas em dados históricos (quantitativas).
  4. Obtenção das Previsões: Geração e processamento matemático dos resultados futuros estimados.
  5. Monitoração do Modelo: Comparação contínua da previsão contra a demanda real (cálculo de erros residuais para calibragem).

3. Tipos de Técnicas de Previsão

A. Técnicas Qualitativas (Subjetivas)

Privilegiam o julgamento, a intuição e a experiência de especialistas em cenários de alta incerteza ou sem histórico de dados. - Método Delphi: Painel de peritos em ciclos de consulta anônimos até convergir a um consenso. - Opinião de Força de Vendas: Estimativas da equipe de campo com base no contato direto com clientes.

B. Técnicas Quantitativas (Objetivas)

Baseadas inteiramente na análise numérica de dados numéricos históricos, isentando-se de opiniões pessoais. - Séries Temporais (Não Causais): Assumem que “o futuro é uma função do passado” e projetam padrões puramente temporais. - Modelos Causais: Demanda prevista em função de uma causa externa relacionada (ex: Regressão Linear).

4. O que é uma Série Temporal?

Uma Série Temporal é uma sequência de observações quantitativas ordenadas de forma cronológica e registradas em intervalos de tempo sucessivos e iguais.

  • Diferença de Dados Transversais (Cross-Sectional): Em dados transversais, as observações são coletadas em um mesmo instante de tempo (ex: o PIB de vários países em 2025). Nas séries temporais, a ordem cronológica é fundamental, pois existe uma dependência temporal intrínseca entre as observações.

  • Premissa Básica: O comportamento passado da variável contém padrões estruturais que tendem a se repetir no futuro de curto e médio prazo.

  • Componente Estocástico vs. Determinístico: Embora influenciada por ruídos de mercado imprevisíveis, a série expressa padrões estatísticos estáveis que podem ser isolados e modelados.

5. Tipos de Séries Temporais

As séries temporais podem ser classificadas em diferentes dimensões de acordo com suas características de registro e comportamento:

Quanto ao Registro

  • Séries Contínuas: Registradas instantaneamente sem interrupções.
    • Exemplo: Temperatura de um reator químico ou nível de umidade do ar.
  • Séries Discretas: Registradas em intervalos específicos e padronizados.
    • Exemplo: Vendas diárias, faturamento mensal, PIB anual.

Quanto ao Comportamento

  • Estacionárias: Flutuam de forma aleatória em torno de uma média constante e estável ao longo do tempo.
  • Não Estacionárias: Apresentam tendências de subida/queda no longo prazo ou oscilações periódicas sazonais de curto prazo.

6. Aplicações Multidisciplinares

As séries temporais são empregadas de forma ampla e estratégica em diversas áreas do conhecimento humano:

Economia e Finanças

  • Projeção de taxas de câmbio, índices de inflação (IPCA), taxas de juros (Selic) e crescimento do PIB.
  • Modelagem de preços de ativos financeiros (ações, commodities, moedas) para tomada de decisões de investimento.

Engenharia de Produção (PCP)

  • Previsão de demanda para planejamento agregado da produção.
  • Planejamento de capacidade de armazenamento (câmaras frias, silos).
  • Previsão de taxas de consumo de insumos elétricos.

Climatologia e Meteorologia

  • Registro histórico e projeção de temperaturas médias globais (estudos de mudanças climáticas).
  • Previsão de pluviosidade e vazão de rios para planejamento hidrelétrico.

Saúde Pública e Epidemiologia

  • Monitoramento semanal de surtos de doenças endêmicas (ex: dengue, gripe).
  • Previsão de ocupação de leitos hospitalares em terapias intensivas.

7. O que é uma Série Temporal Estacionária?

Uma série temporal é considerada estacionária quando o seu comportamento flutua de forma aleatória em torno de uma média constante e estável.

  • Ausência de Padrões Complexos: Ela não exibe tendência de crescimento ou declínio no longo prazo, nem variações periódicas marcantes (sazonalidade).
  • Ruído Branco (Variação Irregular): As oscilações pontuais para cima ou para baixo representam flutuações inevitáveis e imprevisíveis de mercado de curtíssimo prazo.
  • O Objetivo do PCP: Em séries estacionárias, o papel do engenheiro de produção é projetar um modelo que atue como um filtro passa-baixa. Ele deve “limpar” o ruído diário ou semanal para estimar com precisão o patamar médio real da demanda, blindando a fábrica de oscilações artificiais.

8. Modelo 1: Média Móvel Simples (MMS)

A previsão para o próximo período é a média aritmética simples das \(n\) observações reais mais recentes da janela temporal de teste.

Fórmula Geral

\[Mm_n = \frac{D_{t-1} + D_{t-2} + \dots + D_{t-n}}{n} = \frac{\sum_{i=1}^{n} D_{t-i}}{n}\]

  • \(Mm_n\): Média móvel (previsão) de \(n\) períodos para o instante seguinte.
  • \(D_{t-i}\): Demanda real observada no período \(t-i\).
  • \(n\): Tamanho da janela temporal (normalmente entre 3 e 12 períodos).

Trade-off de Engenharia: - Janela pequena (\(n\) pequeno): Alta reatividade (segue mudanças de patamar muito rapidamente, mas deixa passar muito ruído). - Janela grande (\(n\) grande): Alta estabilidade (suaviza muito bem as oscilações cotidianas, mas atrasa a resposta a mudanças reais na média).

9. MMS: Exemplo Didático

Cenário de Quadro

A demanda real de embalagens biodegradáveis dos últimos 6 meses foi consolidada na tabela abaixo. Calculamos a previsão de \(Mm_3\) para Julho:

Histórico de Demanda Real (t)
Mês Janeiro Fevereiro Março Abril Maio Junho
Demanda 60 50 45 50 45 70

Cálculo de Lousa (Janela de \(n = 3\) meses)

Para estimar a demanda do mês de Julho, tiramos a média aritmética dos meses de Abril, Maio e Junho:

\[Mm_3 = \frac{D_{\text{Abr}} + D_{\text{Mai}} + D_{\text{Jun}}}{3}\]

\[Mm_3 = \frac{50 + 45 + 70}{3} = \frac{165}{3} = \mathbf{55,00\text{ toneladas}}\]

10. Modelo 2: Média Móvel Ponderada (MMP)

Diferente do modelo simples, a Média Móvel Ponderada permite atribuir pesos diferenciados (\(w_i\)) para cada dado da janela, com o objetivo de dar mais relevância às informações mais recentes.

Fórmula Geral

\[F_t = w_1 D_{t-1} + w_2 D_{t-2} + \dots + w_n D_{t-n}\]

Restrição Matemática de Normalização

\[\sum_{i=1}^{n} w_i = 1.0 \quad (100\%)\]

  • \(F_t\): Previsão de demanda para o período \(t\).
  • \(w_i\): Peso associado à demanda ocorrida no período \(t-i\).
  • \(D_{t-i}\): Demanda real ocorrida no período \(t-i\).

Aplicação Prática: Utilizada quando o mercado está sofrendo uma sutil transição recente e o PCP deseja dar mais peso às últimas informações comerciais observadas.

11. MMP: Exemplo Didático

Cenário de Quadro

Utilizando os mesmos dados de demanda real (Abril = 50, Maio = 45, Junho = 70) e os pesos definidos pelo PCP de: - Pesos estabelecidos: \(w_1 = 0,60\) (Junho), \(w_2 = 0,30\) (Maio) e \(w_3 = 0,10\) (Abril). Note que \(0,60 + 0,30 + 0,10 = 1,00\).

Cálculo de Lousa

Multiplicamos os valores de demanda por seus respectivos pesos para estimar Julho:

\[F_{\text{Julho}} = (w_1 \times D_{\text{Jun}}) + (w_2 \times D_{\text{Mai}}) + (w_3 \times D_{\text{Abr}})\]

\[F_{\text{Julho}} = (0,60 \times 70) + (0,30 \times 45) + (0,10 \times 50)\]

\[F_{\text{Julho}} = 42,00 + 13,50 + 5,00 = \mathbf{60,50\text{ toneladas}}\]

12. Modelo 3: Suavização Exponencial Simples (SES)

A Suavização Exponencial Simples (SES) estima o próximo período corrigindo de forma recursiva a previsão anterior com base em uma fração do erro de planejamento cometido.

Fórmula Geral

\[M_t = M_{t-1} + \alpha(D_{t-1} - M_{t-1})\]

  • \(M_t\): Nova previsão de demanda elaborada para o período \(t\).
  • \(M_{t-1}\): Previsão que havia sido elaborada anteriormente para o período \(t-1\).
  • \(D_{t-1}\): Demanda real observada no período \(t-1\).
  • \(\alpha\): Constante de suavização, variando estritamente entre \(0 < \alpha < 1\).

Interpretação Física do Parâmetro: - \(\alpha \to 1\): O modelo torna-se extremamente reativo (ignora o histórico passado e segue o dado mais recente). - \(\alpha \to 0\): O modelo torna-se estável e amortece flutuações rápidas de mercado.

13. SES: Exemplo Didático

Cenário de Quadro

A previsão de demanda de PCP estabelecida para o mês de Junho foi de 60 caixas de material. No final do mês, contudo, a demanda real observada nas lojas foi de 75 caixas. Adotando uma constante de suavização de \(\alpha = 0,30\), qual deve ser a previsão para Julho?

Cálculo de Lousa

Aplicando a equação de correção de erro da SES:

\[F_{\text{Julho}} = F_{\text{Junho}} + \alpha \times (D_{\text{Junho Real}} - F_{\text{Junho}})\]

\[F_{\text{Julho}} = 60 + 0,30 \times (75 - 60)\]

\[F_{\text{Julho}} = 60 + 0,30 \times (15) = 60 + 4,50 = \mathbf{64,50\text{ caixas}}\]

14. Avaliação de Acurácia: O MAD

O desvio absoluto de previsão em um período é a magnitude física do erro cometido pelo PCP: \(|e_t| = |D_{\text{real}} - F_{\text{prev}}|\).

O MAD (Mean Absolute Deviation) ou Desvio Médio Absoluto é a média dessas magnitudes de erro absoluto calculadas ao longo de um horizonte de teste:

\[MAD = \frac{\sum_{t=1}^{n} |D_t - F_t|}{n}\]

  • Utilização Prática: O modelo que apresentar o menor MAD possui a maior acurácia estatística histórica de previsão.
  • O valor do MAD é o principal insumo estatístico utilizado no PCP para o dimensionamento de estoques de segurança sob condições de demanda estocástica estável.

15. Comparação dos Modelos (Visualização R)

Simulamos o comportamento e a filtragem de ruído gerada pelas três metodologias sob uma mesma série de dados históricos estacionários:

16. Atividade Ativa (Oficina PBL)

Utilizando calculadoras de mesa e a planilha de suporte, as equipes devem analisar e resolver o cenário prático abaixo:

Caso: O Dilema de Estoque em Codajás (AM)

Uma cooperativa registrou as seguintes demandas semanais de polpa de frutas em toneladas: - Semana 1: 22,00 t | Semana 2: 18,00 t | Semana 3: 25,00 t - Previsão inicial estimada para a Semana 1: 20,00 t.

Tarefas Acadêmicas (10 minutos)

  1. Calculem a previsão para as Semanas 2, 3 e 4 utilizando a Suavização Exponencial (SES) com constante de suavização de \(\alpha = 0,40\).
  2. Calculem o MAD (Desvio Médio Absoluto) resultante das semanas de teste 2 e 3.

17. Encerramento e Próximos Passos

Esta aula estabeleceu as fundações analíticas e práticas de previsão para mercados estacionários (médias constantes).

Takeaways de Engenharia de Produção

  • A MMS descarta o passado histórico de forma abrupta; a SES retém todo o histórico aplicando pesos geometricamente decrescentes ao longo do tempo.
  • O MAD avalia a precisão do modelo e calibra os limites operacionais de estoque.

Conexão com a Próxima Unidade

Na próxima aula de laboratório de PCP, estudaremos o comportamento de séries de dados que rompem a estacionariedade na média, exibindo Tendência Linear e Sazonalidade marcantes (Modelos de Holt e de Winters).

Abram a Aba 3 (Exercícios Propostos) da planilha no laboratório para simular e submeter suas resoluções.