T - MPEP
Transcrição
T - MPEP
MB – 756 PESQUISA OPERACIONAL APLICADA À PRODUÇÃO Professor: Rodrigo A. Scarpel [email protected] www.mec.ita.br/~rodrigo Programa do curso: Semana Conteúdo 1 (16 ago 13) Princípios de POAP : 1. O processo decisório no âmbito da produção e da pesquisa operacional; 2. Conceito de modelagem e aplicações de técnicas de pesquisa operacional; 3. Problemas clássicos de pesquisa operacional e resolução computacional 3.1. Problema da mistura 3.2. Problemas de alocação de recursos 3.3. Problemas de corte e empacotamento 3.4. Ajuste de curvas 2 (13 set 13) Previsão de demanda e POAP : 1. Métodos de previsão de demanda 1.1. Produtos realmente novos: modelo de Bass, conjoint analysis 1.2. Bens de consumo: modelos de séries temporais: 1.2.1. Métodos baseados em médias móveis e suavização exponencial 1.2.2. Decomposição de séries temporais e métodos baseados em extrapolação de tendências 1.2.4. Modelos multivariados 3 (18 out 13) Planejamento da produção e POAP : 1. Gestão de estoques e compras: planejamento de compras e estoques, Otimização em múltiplos períodos. 2. Pesquisa operacional aplicada ao planejamento da produção 2.1. Planejamento agregado da produção 2.2. Otimização em múltiplos períodos 2.3. Programação e sequência da produção 2.4. Balanceamento de linhas de montagem 3. Gerenciamento de projetos 3.1. Problema da cobertura 3.2. Problema do caminho crítico. 4 (22 nov 13) Planejamento logístico e POAP : 1. Pesquisa operacional aplicada ao planejamento logístico 1.1. Problema do transporte e distribuição 1.3. Problema da localização de facilidades e cobertura 1.5. Problema do caminho mais curto 5 Prova: 04/12/13 1.2. Problema do transbordo 1.4. Dimensionamento de frota 1.6. Problema do fluxo máximo. MB – 756 PREVISÃO DE DEMANDA Professor: Rodrigo A. Scarpel [email protected] www.mec.ita.br/~rodrigo Questões gerenciais relacionadas às previsões: Qual o própósito da criação de previsões? O que, especificamente, se quer prever (ex: demanda do mercado, tendência tecnológica)? Quão importante é o passado na previsão do futuro? Qual a influência nós temos na construção do futuro? Quais fatores podem modificar as previsões? Que método(s) deveríamos utilizar para criar as previsões? Árvore de Seleção de métodos de Previsão: Fonte: Armstrong, J. S., 2011. Selecting forecasting methods. In: J. Scott Armstrong, Principles of Forecasting, Kluwer, Boston, MA. Seleção de métodos de Previsão: Dados objetivos disponíveis? Método Julgamental Não Sim É um produto novo? New product method (Bass, Conjoint) Sim Não Grandes mudanças no ambiente? Extrapolação / método automático Não Sim Conhecimento dos relacionamentos? Não Não Sim Há dados das variáveis causais? Modelo causal Sim Desafios em previsão de produtos novos: Identificar os principais determinantes que afetaram a difusão de um novo produto / tecnologia ao longo do tempo Considerar o ciclo de vida do produto / tecnologia Vendas (un) Fase embrionária: conhecimento da tecnologia e do potencial de mercado é pequeno (risco, retorno) Fase de crescimento Fase da maturidade Fase da queda Tempo (t) Permitir realizar previsões com poucos ou nenhum dado O modelo de Bass: É o modelo mais utilizado em difusão St = p Potenciais (Restante) Efeito de Inovação + q Adotadores Potentiais (Restante) Efeito de Imitação S t 1 m S t 1 S t S t 1 pm S t 1 q m em que: St = unidades vendidas até o período t m = potencial de mercado / penetração de mercado p = coeficiente de inovação q = coeficiente de imitação O modelo de Bass: MODELO DE BASS (m=100) MODELO DE BASS (m=100) 100 100 9 90 8 80 7 70 q = 0,20 60 p = 0,05 5 50 4 40 3 VENDAS NO PERÍODO 6 60 imitação (q) = inovação (p) 50 q = 0,10 p = 0,10 6 40 4 30 30 20 2 2 20 10 10 1 0 0 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 28 VENDAS ACUMULADAS VENDAS ACUMULADAS 17 18 19 20 21 22 23 24 25 26 PERÍODO PERÍODO VENDAS VENDAS MODELO DE BASS (m=100) 100 25 90 80 20 60 15 imitação (q) < inovação (p) q = 0,05 p = 0,20 50 40 10 30 20 5 10 0 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 PERÍODO VENDAS ACUMULADAS VENDAS 20 21 22 23 24 25 26 27 28 VENDAS NO PERÍODO 70 VENDAS ACUMULADAS 8 A ordem de grandeza de p e de q definem o quão rápido se chega na saturação do mercado 27 28 VENDAS NO PERÍODO 10 imitação (q) > inovação (p) 70 VENDAS ACUMULADAS 90 VENDAS ACUMULADAS 80 12 O modelo de Bass: Alguns exemplos: O modelo de Bass: Estimação: por análise de regressão St 1 m St 1 e t St St 1 pm St 1 q m q St St 1 p St 1 m St 1 e t m Vendas no período t Variáveis de decisão: p, q, m n F.O. M in e t 2 t 1 q S.A. e t St St 1 p St 1 m St 1 m Ilustração: Difusão de Novas Tecnologias Assuma que o uma nova tecnologia que está chegando no Brasil. A partir do histórico de venda no mercado Norte-Americano, pretende-se prever a difusão dessa “nova” tecnologia no Brasil. Ano 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 t 1 2 3 4 5 6 7 8 9 10 Vendas 5 25 75 280 300 700 1370 1900 3100 3750 Vendas (mil unidades) 4000 3500 3000 2500 2000 1500 1000 500 0 0 2 4 6 8 10 12 O modelo de Bass: Ilustração p = 0,061 q = 0,664 Potencial de mercado: 31.750.000 unidades Pico de vendas: ~11 anos após sua introdução (1994) Tempo para atender todo potencial: 18 anos (2001) Seleção dos parâmetros por analogia: 1. Contexto no ambiente: "link" entre os participantes do mercado 2. Estrutura de mercado: monopólio, concorrência perfeita, concorrência monopolística. 3. Comportamento do comprador: grau de complexidade, demanda mudanças significativas na forma de fazer ? 4. Estratégia de marketing-mix: natureza e efeitos dos esforços de promoção, canais de comunicação utilizados 5. Características de inovação: benefícios são observáveis? Alta vantagem em relação aos produtos existentes? Grau de compatibilidade (em relação ao que existe) OBS: Diferenciar a seleção para produtos (ex: Ipad, Xbox One) e mercados (ex: Tablet, Jogos) Seleção dos parâmetros por analogia: Seleção dos parâmetros por analogia: Análise conjunta (conjoint analysis) : Objetivo: avaliar as preferências dos consumidores por conceitos alternativos. Na análise conjunta os consumidores são apresentados a diferentes ofertas hipotéticas, combinando vários níveis de atributos. O método se baseia na premissa de que os consumidores avaliam o valor ou a utilidade de cada produto pela combinação das utilidades de cada atributo separadamente. Análise conjunta (conjoint analysis) : Etapas em análise conjunta: 1. Definição dos atributos que serão testados (atributos e os respectivos níveis) 2. Planejamento da coleta dos dados: • Criação dos produtos hipotéticos • Planejamento do experimento 3. Coleta dos dados 4. Análise dos dados: • Importância relativa dos atributos • Simulação da preferência por produtos novos • Estimação da fatia de mercado dos produtos Análise conjunta (conjoint analysis) : 1. Definição dos atributos que serão testados (atributos e os respectivos níveis): • Tamanho • Celular(S/N) • Hands free • Extended Battery • Wireless Internet • Preço Análise conjunta (conjoint analysis) : 2. Planejamento da coleta dos dados: • Criação dos produtos hipotéticos Combinações: • Tamanho • Celular(S/N) • Hands free • Extended Battery • Wireless Internet • Preço Análise conjunta (conjoint analysis) : 2. Planejamento da coleta dos dados: • Planejamento do experimento: Ex: fatorial completo Atributo 1 – níveis: 1A, 1B, 1C Atributo 2 – níveis: 2A, 2B Atributo 3 – níveis: 3A, 3B, 3C, 3D Atributo 4 – níveis: 4A, 4B Quantidade de produtos a serem testados = 3 x 2 x 4 x 2 = 48 48 1A 2A 3A 4A 1B 2A 3A 4A 1C 2A 3A 4A ... ... ... ... 1C 2B 3D 4B Nota (0 a 10) ou Ordem de preferência Análise conjunta (conjoint analysis) : 3. Análise dos dados: • Importância relativa dos atributos • Simulação da preferência por produtos novos • Estimação da fatia de mercado dos produtos Minimizar ^ 2 NOTA NOTA i i i ^ _______ NOTAi NOTA P1A *1A P1B *1B P1C *1C P2 A * 2 A ... P4 B * 4 B P1A P1B P1C 0 P2 A P2 B 0 P3 A P3B P3C P3D 0 P4 A P4 B 0 Análise conjunta (conjoint analysis) : Análise dos dados: Importância do atributo: Atributo1 P1A P1B P1C P1A P1B P1C ... P4 B ... Atributo 4 P4 A P4 B P1A P1B P1C ... P4 B Preferência: ^ _______ NOTA NOTA P1A *1A P1B *1B P1C *1C P2 A * 2 A ... P4 B * 4 B _______ ^ Rank Rank P1A *1A P1B *1B P1C *1C P2A * 2A ... P4B * 4B Análise conjunta (conjoint analysis) : Análise dos dados: Estimação da Fatia de Mercado: ^ Fatia(Prod1) NOTA(Prod1) ... ^ ^ NOTA(Prod1) ... NOTA(Prodn ) ^ Fatia(Prodn) NOTA(Prodn) ^ ^ NOTA(Prod1 ) ... NOTA(Prodn ) ou ^ 1/Rank(Pro d1) Fatia(Prod1) ^ ^ 1/Rank(Pro d1) ... 1 / Rank(Prodn) ... ^ 1/Rank(Pro dn) Fatia(Prodn) ^ ^ 1/Rank(Pro d1) ... 1 / Rank(Prodn) Análise conjunta (conjoint analysis) : Exemplo: Um fabricante de pneus precisa decidir qual a combinação de atributos (marca, preço, durabilidade, preço para recauchutar) que seu novo lançamento precisa ter. Objetivo: Selecionar os atributos do pneu que será lançado Marcas: RollsAhead / TireMax / GoodTreats Recarga: US$0.00 / US$7.50 Preço: US$45.00 / US$60.00 / US$ 75.00 Durabilidade: 40.000 / 60.000 / 80.000 Marca Recarga RollsAhead $0.00 TireMax $7.50 GoodTreads $0.00 RollsAhead $7.50 TireMax $0.00 GoodTreads $7.50 GoodTreads $0.00 RollsAhead $7.50 TireMax $0.00 GoodTreads $7.50 RollsAhead $0.00 TireMax $7.50 TireMax $0.00 GoodTreads $7.50 RollsAhead $0.00 TireMax $7.50 GoodTreads $0.00 RollsAhead $7.50 Preço $45.00 $45.00 $60.00 $60.00 $75.00 $75.00 $45.00 $45.00 $60.00 $60.00 $75.00 $75.00 $45.00 $45.00 $60.00 $60.00 $75.00 $75.00 Durabilidade 40000 40000 40000 40000 40000 40000 60000 60000 60000 60000 60000 60000 80000 80000 80000 80000 80000 80000 Análise conjunta (conjoint analysis) : Marcas: RollsAhead / TireMax / GoodTreats Recarga: US$0.00 / US$7.50 Preço: US$45.00 / US$60.00 / US$ 75.00 Durabilidade: 40.000 / 60.000 / 80.000 MÉDIA Marca_TireMax Marca_GoodTreads Marca_RollsAhead Recarga_0.00 Recarga_7.50 Preço_45.00 Preço_60.00 Preço_75.00 Durabilidade_40000 Durabilidade_60000 Durabilidade_80000 9,500 1,238 -0,357 -0,881 -0,659 0,659 -2,071 -0,690 2,762 4,643 -1,238 -3,405 SOMA: 1,238 0,357 0,881 0,659 0,659 2,071 0,690 2,762 4,643 1,238 3,405 18,603 Importância: Atributo 13,31% Marca 7,08% Recarga 29,69% Preço 49,91% Durabilidade Análise conjunta (conjoint analysis) : Simulações: preferência DURABILIDADE = 40.000 e PREÇO=US$45.00 RANK = MÉDIA + 2,571 DURABILIDADE = 80.000 e PREÇO=US$75.00 RANK = MÉDIA - 0,643 DURABILIDADE = 60.000 e PREÇO=US$60.00 RANK = MÉDIA - 1,929 Simulações: fatia de mercado DURAB. = 40.000, REC. = 0.00, PREÇO=US$45.00 e TireMax Pref = 12,65 FATIA = 1/12,65 / [1/12,65 + 1/7,32 + 1/6,56] = 21,5% DURAB. = 80.000, REC. = 0.00, PREÇO=US$75.00 e RollsAhead Pref = 7,32 FATIA = 1/7,32 / [1/12,65 + 1/7,32 + 1/6,56] = 37,1% DURAB. = 60.000, REC. = 0.00, PREÇO=US$60.00 e GoodTreads Pref = 6,56 FATIA = 1/6,56 / [1/12,65 + 1/7,32 + 1/6,56] = 41,4% Análise conjunta (conjoint analysis) : Ilustração do método: Um fabricante de veículos pretende lançar um novo produto no segmento de sedans compactos. Utilizaremos a análise conjunta para ajudar o fabricante. Atributos: marca (Volkswagen, Fiat, Chevrolet e Renault), preço + itens de série (A: R$28.000,00, B: R$33.000,00, C: R$38.000,00), potência / economia (75CV / 10km/l, 105CV / 8km/l), volume do porta-malas (350l, 425l, 500l). A: carro básico B: A + trio elétrico e ar-condicionado C: B + câmbio automatizado + itens “tecnológicos” (sensores,…) Análise conjunta (conjoint analysis) : Ilustração do método: Coleta dos dados: MARCA Preço (R$) Porta-malas(l) Fiat 33.000 500 Renault 38.000 500 Ford 38.000 350 Chevrolet 38.000 425 VW 38.000 350 Fiat 28.000 425 Ford 28.000 500 VW 33.000 425 Chevrolet 28.000 350 Renault 33.000 350 Potência (CV) PREFERÊNCIA NOTA (0 a 10) 105 105 105 75 75 105 75 105 105 75 Análise dos dados… Seleção de métodos de Previsão: Dados objetivos disponíveis? Método Julgamental Não Sim Método para produtos novos É um produto novo? Sim Não Grandes mudanças no ambiente? Extrapolação / método automático Não Sim Conhecimento dos relacionamentos? Não Não Sim Há dados das variáveis causais? Modelo causal Sim Métodos automáticos de previsão: Os métodos automáticos de previsão são aqueles em que se faz necessária pouca ou nenhuma intervenção. Os métodos automáticos, normalmente, decompõem a série temporal e tratam os componentes sazonal e de tendência automaticamente, gerando previsões a partir destas. Dentre os modelos automáticos de previsão destaca-se o método de Holt-Winters (suavização exponencial com tendência linear ou quadrática e sazonalidade). Método de Holt-Winters : É um método que lida, simultâneamente, com a suavização, com a componente de tendência e com a componente sazonal (de forma aditiva ou multiplicativa). Versão aditiva: Yt a bt st t Versão multiplicativa: Yt a bt st t Variações: Tendência constante: Yt ast t Tendência quadrática: Y a bt ct 2 s t t t Método de Holt-Winters : Versão aditiva: Ŷt h â t h.b̂ t ŝ t em que â t Yt ŝ t p 1 Ŷt b̂ t 1 b̂ t â t Ŷt 1 b̂ t 1 Versão multiplicativa: ŝ t Yt â t 1 ŝ t p Ŷt h â t h.b̂ t ŝ t em que â t Yt / ŝ t p 1 Ŷt b̂ t 1 b̂ t â t Ŷt 1 b̂ t 1 ŝ t Yt / â t 1 ŝ t p em que p é o número de períodos do ciclo sazonal (ex: 12 para sazonalidade anual) Tanto na versão multiplicativa, quanto na aditiva, é necessário pelo menos 3 ciclos para estimar a componente sazonal. Ilustração: Holt-Winters - vendas de Guaraná (Pet 2L) GUA=read.delim(file='C:/CURSOS/MB-756 Pesquisa Operacional Aplicada à Produção/S 02/DADOS/Guarana.txt') GUA_TS = ts(GUA,frequency=12,start=c(2001,1)) plot(GUA_TS) Ilustração: Holt-Winters - vendas de Guaraná (Pet 2L) (model = HoltWinters(GUA_TS, seasonal=“mult“)) pred = predict(model, n.ahead=12) plot(model, pred) Smoothing parameters: Coefficients: alpha: 0.062 b -0.152 beta : 1.0 gamma: 0.453 a 38.14 s1 0.847 s2 s3 0.867 0.986 s4 0.959 s5 0.799 s6 0.776 s7 0.875 s8 0.868 s9 0.987 s10 1.074 s11 1.122 s12 1.744 Seleção de métodos de Previsão: Dados objetivos disponíveis? Método Julgamental Não Sim Método para produtos novos É um produto novo? Sim Não Grandes mudanças no ambiente? Extrapolação / método automático Não Sim Conhecimento dos relacionamentos? Não Não Sim Há dados das variáveis causais? Modelo causal Sim Decomposição de séries temporais: Princípio: Componente Sazonal Série Original Componente de Tendência Componente Aleatória Decomposição de séries temporais: Métodos de decomposição clássicos: Modelo aditivo: Yt = Tt + St + et Modelo multiplicativo: Yt = Tt * St * et em que: Yt é a série temporal Tt é uma componente de tendência St é uma componente cíclica ou sazonal et é uma componente aleatória ou ruído (parte não explicada, que espera-se ser puramente aleatória) Decomposição de séries temporais: Passos na decomposição: 1. Estimar a componente de tendência (médias móveis ou por regressão) 2. Remover a componente de tendência 3. Estimar a componente cíclica ou sazonal 4. Estimar a componente aleatória (modelo aditivo: et = Yt - Tt - St ou modelo multiplicat.: et = Yt / (Tt * St )) Decomposição de séries temporais: Estimação da componente de tendência: Tt É um método também chamado de filtragem. Estimação da tendência de longo prazo: Tt yt 6 ... yt ... yt 5 12 , t 1,..., n (Sazonalidade anual) Remoção da componente de tendência (aditivo): Yt = Tt + St + et St + et = Yt - Tt Remoção da componente de tendência (multiplicativo): Yt = Tt * St * et St * et = Yt / Tt Decomposição de séries temporais: Estimação da componente de tendência: Tt Decomposição de séries temporais: Dilma Lula Desv. cambial Plano Real Collor Estimação da componente de tendência: Tt Decomposição de séries temporais: Série temporal sem a componente de tendência: St + et St * et Decomposição de séries temporais: Estimação da componente de sazonal (aditivo): St Z Jan (S e)Jan, 1 ... (S e)Jan, k k Z Dez (S e)Dez, 1 ... (S e)Dez, k k Z Jan ... Z Dez St Z t , t Jan,..., Dez 12 Estimação da componente aleatória (aditivo): et = Yt - Tt - St Decomposição de séries temporais: Componente de cíclica ou sazonal: Componente aleatória ou Ruído: Decomposição de séries temporais: Estimação da componente de sazonal (multiplicativo): St Z Jan (S *e)Jan, 1 ... (S *e)Jan, k k Z Dez (S *e)Dez, 1 ... (S *e)Dez, k k 12 St Z t , t Jan,..., Dez Z Jan ... Z Dez Estimação da componente aleatória (aditivo): et = Yt / (Tt * St ) Decomposição de séries temporais: Componente de cíclica ou sazonal: Componente aleatória ou Ruído: Decomposição de séries temporais no R: A função “decompose” estima as componentes de tendência, sazonalidade e ruído por meio de média móveis. m = decompose(x, type = c("additive", "multiplicative")) T = m$trend T = na.contiguous(m$trend) S = m$seasonal S = na.contiguous(m$seasonal) E = m$random E = na.contiguous(m$random) Decomposição de séries temporais no R: Método aditivo: decompose(x, type = c("additive")) Decomposição de séries temporais no R: Método aditivo: decompose(x, type = c(“multiplicative")) Modelos de extrapolação de tendência: Componente Sazonal Modelos Multivariado / Causal Série Original Componente de Tendência Componente Aleatória Vendas Modelos causais: Max Função Resposta Vendas Atuais Min Gasto Atual Gastos com Publicidade Modelos causais: Saturação Linear Y = a (1 – e–bx) + c Y Y Y = a + bX X X Retornos Decrescentes Decaimento exponencial Y = a + bX c (c<1) Y = aXb (x>0, 0<b<1) Y = aebx (x>0, b<0) Y = aXb (x>0, b<0) Y Y X X Modelos causais: Formato S Retornos Crescentes Y Y X Y = a + bX c (c>1) Y = aebx (x>0, b>0) X Y = b + (a–b) Xc d + Xc Y = abcX + d (a>0, 0<b<1, c<1) Y = aXb (x>0, b>1) Y = a -(b+cX) 1+e +d Ilustração: previsão de fatia de mercado Dados: PERIODO 1999.II 1999.III 1999.IV 2000.I 2000.II 2000.III 2000.IV 2001.I 2001.II 2001.III 2001.IV 2002.I 2002.II 2002.III 2002.IV 2003.I 2003.II 2003.III 2003.IV Unidades Fonte VOLUME 1.222 1.331 1.358 1.378 1.283 1.183 1.221 1.268 1.408 1.416 1.348 1.267 1.246 1.321 1.327 1.390 1.288 1.269 1.306 Toneladas Empresa Share Volume Share Valor Share Gôndola Relação de Preço 49,923 52,928 40,750 1,0602 49,886 52,539 40,406 1,0532 49,682 52,207 39,464 1,0508 49,309 52,213 38,560 1,0589 48,213 52,202 35,350 1,0827 46,734 51,797 36,054 1,1083 46,889 51,865 35,216 1,1061 47,605 52,197 35,809 1,0965 48,941 52,977 34,800 1,0825 47,813 52,908 34,061 1,1066 47,390 52,805 34,185 1,1143 46,971 53,308 33,029 1,1349 46,545 53,816 34,735 1,1562 46,028 53,632 36,197 1,1652 45,174 53,321 36,943 1,1803 44,225 52,909 37,721 1,1964 45,281 54,102 38,189 1,1948 45,309 53,803 37,725 1,1875 46,814 55,232 38,260 1,1798 % ACNIELSEN % ACNIELSEN % ACNIELSEN Ilustração: decomposição e modelo causal Sabendo-se que a previsão do número de passageiros (embarque + desembarque) é uma informação fundamental para planejamento (aeroportos, turismo e negócios) e que o crescimento do número de passageiros está relacionada ao nível de atividade econômica. 4385 - PIB mensal (US$ milhões) SBGR OBSERVAÇÃO Este material refere-se às notas de aula do curso MB-756 (Pesquisa Operacional Aplicada à Produção) do Instituto Tecnológico de Aeronáutica (ITA). Não substitui o livro texto, as referências recomendadas e nem as aulas expositivas. Este material não pode ser reproduzido sem autorização prévia do autor. Quando autorizado, seu uso é exclusivo para atividades de ensino e pesquisa em instituições sem fins lucrativos.
Documentos relacionados
Análise de Séries Temporais
5. Identificação de Modelos Propriedades da função de autocorrelação amostral. Função de autocorrelação parcial. Função de autocorrelação inversa. Exemplos de outros procedimentos de identificação....
Leia mais