Técnicas de Previsão da Demanda (Levantamento e Métodos Estatísticos)

O principal desafio para prever a demanda é selecionar uma técnica eficaz.

Não existe um método específico que permita às organizações antecipar riscos e incertezas no futuro. Geralmente, existem duas abordagens para a previsão de demanda.

A primeira abordagem envolve a previsão da demanda, coletando informações sobre o comportamento de compra dos consumidores de especialistas ou realizando pesquisas. Por outro lado, o segundo método é prever a demanda usando os dados anteriores por meio de técnicas estatísticas.

Assim, podemos dizer que as técnicas de previsão de demanda são divididas em métodos de pesquisa e métodos estatísticos. O método de pesquisa geralmente é para previsões de curto prazo, enquanto métodos estatísticos são usados ​​para prever a demanda no longo prazo.

Essas duas abordagens são mostradas na Figura 10:

Vamos discutir essas técnicas (como mostra a Figura 10).

Método de pesquisa :

O método de pesquisa é um dos métodos mais comuns e diretos de previsão da demanda no curto prazo. Esse método abrange os planos futuros de compra dos consumidores e suas intenções. Nesse método, uma organização realiza pesquisas com os consumidores para determinar a demanda por seus produtos e serviços existentes e antecipar a demanda futura de acordo.

O método de pesquisa realiza três exercícios, mostrados na Figura 11:

Os exercícios realizados no método de pesquisa (como mostrado na Figura 11) são discutidos da seguinte forma:

Eu. Pesquisa de opinião de especialistas:

Refere-se a um método no qual os especialistas são solicitados a opinar sobre o produto. Geralmente, em uma organização, os representantes de vendas atuam como especialistas que podem avaliar a demanda pelo produto em diferentes áreas, regiões ou cidades.

Os representantes de vendas estão em contato próximo com os consumidores; portanto, eles estão bem cientes dos futuros planos de compra dos consumidores, de suas reações às mudanças do mercado e de suas percepções em relação a outros produtos concorrentes. Eles fornecem uma estimativa aproximada da demanda pelos produtos da organização. Este método é bastante simples e mais barato.

No entanto, possui suas próprias limitações, que são discutidas a seguir:

uma. Fornece estimativas que dependem das habilidades de mercado dos especialistas e de suas experiências. Essas habilidades diferem de indivíduo para indivíduo. Dessa maneira, é difícil fazer previsões exatas da demanda.

b. Envolve julgamento subjetivo do avaliador, o que pode levar a super ou subestimação.

c. Depende dos dados fornecidos pelos representantes de vendas que podem ter informações inadequadas sobre o mercado.

d. Ignora fatores como mudança no Produto Nacional Bruto, disponibilidade de crédito e perspectivas futuras do setor, que podem ser úteis na previsão da demanda.

ii. Método Delphi:

Refere-se a uma técnica de tomada de decisão em grupo de previsão de demanda. Nesse método, as perguntas são feitas individualmente por um grupo de especialistas para obter suas opiniões sobre a demanda por produtos no futuro. Essas perguntas são repetidamente feitas até que um consenso seja obtido.

Além disso, nesse método, cada especialista recebe informações sobre as estimativas feitas por outros especialistas do grupo, para que ele possa revisar suas estimativas com relação às estimativas de outros. Dessa maneira, as previsões são cruzadas entre os especialistas para alcançar uma tomada de decisão mais precisa.

Qualquer especialista pode reagir ou fornecer sugestões sobre as estimativas dos outros. No entanto, os nomes dos especialistas são mantidos anônimos enquanto trocam estimativas entre especialistas para facilitar o julgamento justo e reduzir o efeito do halo.

A principal vantagem desse método é que ele é econômico e econômico, pois vários especialistas são abordados em pouco tempo sem gastar em outros recursos. No entanto, esse método pode levar à tomada de decisão subjetiva.

iii. Método de Experiência de Mercado:

Envolve a coleta de informações necessárias sobre a demanda atual e futura de um produto. Este método realiza estudos e experimentos sobre o comportamento do consumidor em condições reais de mercado. Nesse método, algumas áreas dos mercados são selecionadas com características semelhantes, como população, níveis de renda, formação cultural e gostos dos consumidores.

As experiências de mercado são realizadas com a ajuda de alterações de preços e despesas, para que as alterações resultantes na demanda sejam registradas. Esses resultados ajudam na previsão da demanda futura.

Existem várias limitações desse método, que são as seguintes:

uma. Refere-se a um método caro; portanto, pode não ser acessível por organizações de pequena escala

b. Afeta os resultados de experimentos devido a várias condições socioeconômicas, como greves, instabilidade política, calamidades naturais

Métodos estatísticos :

Os métodos estatísticos são um conjunto complexo de métodos de previsão de demanda. Esses métodos são usados ​​para prever a demanda a longo prazo. Nesse método, a demanda é prevista com base em dados históricos e dados transversais.

Os dados históricos se referem aos dados anteriores obtidos de várias fontes, como balanços patrimoniais anteriores e relatórios de pesquisas de mercado. Por outro lado, os dados transversais são coletados através da realização de entrevistas com indivíduos e da realização de pesquisas de mercado. Ao contrário dos métodos de pesquisa, os métodos estatísticos são econômicos e confiáveis, pois o elemento de subjetividade é mínimo nesses métodos.

Esses diferentes métodos estatísticos são mostrados na Figura 12:

Os diferentes métodos estatísticos (como mostrado na Figura 12).

Método de projeção de tendências :

A projeção de tendências ou o método dos mínimos quadrados é o método clássico de previsão de negócios. Nesse método, uma grande quantidade de dados confiáveis ​​é necessária para prever a demanda. Além disso, esse método pressupõe que os fatores, como vendas e demanda, responsáveis ​​pelas tendências passadas permaneceriam os mesmos no futuro.

Nesse método, as previsões de vendas são feitas através da análise de dados passados ​​dos livros contábeis do ano anterior. No caso de novas organizações, os dados de vendas são obtidos de organizações já existentes no mesmo setor. Este método usa dados de séries temporais sobre vendas para prever a demanda de um produto.

A Tabela 1 mostra os dados de séries temporais da organização XYZ:

O método de projeção de tendências realiza mais três métodos em consideração, que são os seguintes:

Eu. Método gráfico:

Ajuda a prever as vendas futuras de uma organização com a ajuda de um gráfico. Os dados de vendas são plotados em um gráfico e uma linha é desenhada nos pontos plotados.

Vamos aprender isso através de um gráfico mostrado na Figura 13:

A Figura 13 mostra uma curva que é plotada levando em consideração os dados de vendas da Organização XYZ (Tabela 1). A linha P é desenhada através dos pontos médios da curva e S é uma linha reta. Essas linhas são estendidas para obter as vendas futuras para o ano de 2010, que são de aproximadamente 47 toneladas. Este método é muito simples e mais barato; no entanto, as projeções feitas por esse método podem se basear no viés pessoal do previsor.

ii. Método de tendência apropriado:

Implica um método pelo menos quadrado no qual uma linha de tendência (curva) é ajustada aos dados de séries temporais de vendas com a ajuda de técnicas estatísticas.

Nesse método, há dois tipos de tendências levados em consideração, que são explicados da seguinte maneira:

uma. Tendência linear:

Implica uma tendência na qual as vendas mostram uma tendência crescente.

Na tendência linear, é ajustada a seguinte equação de tendência em linha reta:

S = A + BT

Onde

S = vendas anuais

T = tempo (em anos)

A e B são constantes

B fornece a medida do aumento anual das vendas

b. Tendência exponencial:

Implica uma tendência na qual as vendas aumentam nos últimos anos a uma taxa crescente ou constante.

A equação de tendência apropriada usada é a seguinte:

Y = aTb

Onde

Y = vendas anuais

T = tempo em anos

aeb são constantes

Convertendo isso em logaritmo, a equação seria:

Log Y = Log a + b Log T

A principal vantagem deste método é que é simples de usar. Além disso, o requisito de dados desse método é muito limitado (pois apenas dados de vendas são necessários), portanto, é um método barato.

No entanto, esse método também sofre de certas limitações, que são as seguintes:

1. Supõe que a taxa passada de alterações nas variáveis ​​também permaneça a mesma no futuro, o que não é aplicável nas situações práticas.

2. Não se aplica a estimativas de curto prazo e onde a tendência é cíclica com muitas flutuações

3. Não consegue medir a relação entre variáveis ​​dependentes e independentes.

iii. Método Box-Jenkins:

Refere-se a um método usado apenas para previsões de curto prazo. As previsões desse método exigem apenas dados estacionários de séries temporais que não revelam a tendência de longo prazo. É usado nas situações em que os dados de séries temporais retratam variações mensais ou sazonais com alguns graus de regularidade. Por exemplo, esse método pode ser usado para estimar as previsões de vendas de roupas de lã durante o inverno.

Método Barométrico :

No método barométrico, a demanda é prevista com base em eventos passados ​​ou variáveis-chave que ocorrem no presente. Esse método também é usado para prever vários indicadores econômicos, como economia, investimento e renda. Esse método foi introduzido pelo Serviço Econômico de Harvard em 1920 e revisado pelo Bureau Nacional de Pesquisa Econômica (NBER) na década de 1930.

Essa técnica ajuda a determinar a tendência geral das atividades de negócios. Por exemplo, suponha que o governo distribua terras à sociedade XYZ para a construção de edifícios. Isso indica que haveria uma alta demanda por cimento, tijolos e aço.

A principal vantagem desse método é que ele é aplicável mesmo na ausência de dados anteriores. No entanto, este método não é aplicável no caso de novos produtos. Além disso, perde sua aplicabilidade quando não há atraso entre o indicador econômico e a demanda.

Métodos Econométricos :

Os métodos econométricos combinam ferramentas estatísticas com teorias econômicas para previsão. As previsões feitas por esse método são muito confiáveis ​​do que qualquer outro método. Um modelo econométrico consiste em dois tipos de métodos, a saber, modelo de regressão e modelo de equações simultâneas.

Esses dois tipos de métodos são explicados da seguinte maneira:

Eu. Métodos de regressão:

Consulte o método mais popular de previsão de demanda. No método de regressão, a função de demanda para um produto é estimada onde a demanda é variável dependente e as variáveis ​​que determinam a demanda são variáveis ​​independentes.

Se apenas uma variável afeta a demanda, isso é chamado de função de demanda de variável única. Assim, técnicas simples de regressão são usadas. Se a demanda é afetada por muitas variáveis, isso é chamado de função de demanda multivariável. Portanto, nesse caso, a regressão múltipla é usada.

As técnicas de regressão simples e múltipla são discutidas a seguir:

uma. Regressão simples:

Refere-se ao estudo da relação entre duas variáveis ​​em que uma é variável independente e a outra é variável dependente.

A equação para calcular a regressão simples é a seguinte:

Y = a + bx

Onde, Y = Valor estimado de Y para um determinado valor de X

b = Quantidade de variação em Y produzida por uma mudança de unidade em X

aeb = constantes

As equações para calcular aeb são as seguintes:

Vamos aprender a calcular a regressão simples com a ajuda de um exemplo. Suponha que um pesquisador queira estudar o relacionamento entre a satisfação do funcionário (grupo de vendas) e as vendas de uma organização.

Ele / ela recebeu o feedback dos funcionários na forma de questionário e pediu que eles classificassem seu nível de satisfação em uma escala de 10 pontos, onde 10 é o mais alto e 1 é o mais baixo. O pesquisador coletou os dados de vendas de cada membro individual do grupo de vendas. Ele / ela tomou a média das vendas mensais durante um ano para cada indivíduo.

Os dados coletados estão organizados na Tabela 2:

O cálculo da média da satisfação do funcionário (X) e das vendas é o seguinte:

Esta é a equação de regressão na qual o pesquisador pode pegar qualquer valor de X para encontrar o valor estimado de Y.

Por exemplo, se o valor de X for 9, o valor de Y será calculado da seguinte maneira:

Y = -1, 39 + 1, 61X

Y = -1, 39 + 1, 61 (9)

Y = 13.

Com a ajuda do exemplo anterior, pode-se concluir que, se um funcionário estiver satisfeito, sua produção aumentará.

b. Regressão múltipla:

Refere-se ao estudo da relação entre mais de uma variável independente e dependente.

No caso de duas variáveis ​​independentes e uma variável dependente, a seguinte equação é usada para calcular a regressão múltipla:

Y = a + b1X1 + b2X2

Onde, Y (variável dependente) = Valor estimado de Y para um determinado valor de X1 e X

X1 e X2 = Variáveis ​​independentes

b1 = Quantidade de variação em Y produzida por uma variação de unidade em X

b2 = Quantidade de variação em Y produzida por uma mudança de unidade em X2

a, b1 e b2 = constantes

As equações usadas para calcular os valores aeb são as seguintes:

O número de equações depende do número de variáveis ​​independentes. Se houver duas variáveis ​​independentes, haverá três equações e assim por diante.

Vamos aprender a calcular a regressão múltipla com a ajuda de um exemplo. Suponha que o pesquisador queira estudar a relação entre porcentagem intermediária, porcentagem de graduação e percentil MAT de um grupo de 25 alunos.

É importante notar que o percentual intermediário e o percentual de graduação são variáveis ​​independentes e o percentil MAT é variável dependente. O pesquisador quer descobrir se o percentil no MAT depende da porcentagem de intermediários e graduados ou não.

Os dados coletados são mostrados na Tabela 3:

As equações necessárias para calcular a regressão múltipla são as seguintes:

Essas equações são usadas para resolver a equação de regressão múltipla manualmente. No entanto, você também pode usar o SPSS para descobrir a regressão múltipla.

Se usarmos o SPSS no exemplo anterior, obteremos a saída mostrada na Tabela 4:

A Tabela 5 mostra o resumo do modelo de regressão. Nesta tabela, R é o coeficiente de correlação entre as variáveis ​​independentes e dependentes, que é muito alto neste caso. R Square mostra que grande parte da variação do modelo é mostrada pelas oportunidades de emprego em um estado. O erro padrão da estimativa é bastante baixo, ou seja, 1, 97. Também indica que a variação nos dados atuais é menor.

A Tabela 6 mostra os coeficientes do modelo de regressão:

A Tabela 6 mostra que o valor t calculado é maior que o valor t de significância. Assim, os coeficientes mostram relação de causa e efeito entre as variáveis ​​independentes e dependentes.

A Tabela 7 mostra a tabela AN OVA para as duas variáveis ​​em estudo:

A Tabela 7 mostra a análise de variação no modelo. A linha de regressão mostra a variação ocorrida devido ao modelo de regressão. No entanto, a linha residual mostra a variação que ocorreu por acaso. Na Tabela 7, o valor da soma dos quadrados da linha de regressão é maior que o valor da soma dos quadrados da linha residual; portanto, a maioria das variações é produzida apenas devido ao modelo.

O valor F calculado é muito grande em comparação com o valor de significância. Portanto, podemos dizer que o percentual intermediário e o percentual de graduação têm um forte efeito no percentil MAT de um aluno.

Equações simultâneas:

Envolve várias equações simultâneas.

Existem dois tipos de variáveis ​​incluídas neste modelo, que são os seguintes:

Eu. Variáveis ​​endógenas:

Consulte as entradas que são determinadas dentro do modelo. Essas são variáveis ​​controladas.

ii. Variáveis ​​exógenas:

Consulte as entradas do modelo. Exemplos são tempo, gastos do governo e condições climáticas. Essas variáveis ​​são determinadas fora do modelo.

Para o desenvolvimento de um modelo completo, variáveis ​​endógenas e exógenas são determinadas primeiro. Depois disso, os dados necessários sobre as variáveis ​​exógenas e endógenas são coletados. Às vezes, os dados não estão disponíveis na forma necessária, portanto, precisam ser ajustados no modelo.

Após o desenvolvimento dos dados necessários, o modelo é estimado através de algum método apropriado. Finalmente, o modelo é resolvido para cada variável endógena em termos de variável exógena. A previsão é finalmente feita.

Outras medidas estatísticas :

Além dos métodos estatísticos, existem outros métodos para previsão de demanda. Essas medidas são muito específicas e usadas apenas para conjuntos de dados específicos. Portanto, não é possível generalizar o uso para todos os tipos de pesquisa.

Essas medidas são mostradas na Figura 14:

Os diferentes tipos de medidas estatísticas (como mostrado na Figura 14) são discutidos da seguinte forma:

iii. Número do índice:

Refere-se às medidas usadas para estudar as flutuações em uma variável ou grupo de variáveis ​​relacionadas em relação ao período / período base. Eles são mais comumente usados ​​em pesquisa econômica e financeira para estudar vários fatores, como preço e quantidade de um produto. Os fatores responsáveis ​​pelo problema são identificados e calculados.

Existem principalmente quatro tipos de números de índice, que são os seguintes:

uma. Número de índice simples:

Refere-se ao número que mede uma mudança relativa em uma única variável em relação ao ano base.

b. Número de índice composto:

Refere-se ao número que mede uma mudança relativa em um grupo de variáveis ​​relacionadas em relação ao ano base.

c. Número do índice de preços:

Refere-se ao número que mede uma mudança relativa no preço de uma mercadoria em diferentes períodos de tempo.

d. Número do índice de quantidade:

Refere-se ao número que mede uma mudança relativa na quantidade física de bens produzidos, consumidos ou vendidos para uma mercadoria em diferentes períodos de tempo.

Análise de séries temporais: refere-se à análise de uma série de observações durante um período de intervalos de tempo igualmente espaçados. Por exemplo, analisando o crescimento de uma empresa desde a sua incorporação até a situação atual. A análise de séries temporais é aplicável em vários campos, como setor público, economia e pesquisa.

Existem vários componentes da análise de séries temporais, que são os seguintes:

uma. Tendência secular:

Refere-se à tendência que é denotada por T e prevalece durante um período de tempo. A tendência secular para uma série de dados pode ser ascendente ou descendente. A tendência de alta mostra o aumento de uma variável, como o aumento dos preços das commodities; enquanto a tendência de queda mostra as fases em declínio, como o declínio na taxa de doenças e as vendas de um determinado produto.

b. Oscilação de curta duração:

Refere-se a uma tendência que permanece por um período mais curto.

Ele pode ser classificado nas três tendências a seguir:

1. Tendência sazonal:

Refere-se à tendência que é denotada por S e ocorre ano após ano por um período específico. O motivo de tais tendências são condições climáticas, festivais e alguns outros costumes. Exemplos de tendência sazonal são o aumento da demanda por lã nos invernos e o aumento nas vendas de doces perto de Diwali.

2. Tendência Cíclica:

Refere-se à tendência indicada por C e dura mais de um ano. As tendências cíclicas não são contínuas nem sazonais por natureza. Um exemplo de tendência cíclica é o ciclo de negócios.

3. Tendência irregular:

Refere-se à tendência denotada por I e é curta e imprevisível por natureza. Exemplos de tendências irregulares são terremotos, erupções vulcânicas e inundações.

Análise de Árvore de Decisão:

Refere-se ao modelo usado para tomar uma decisão em uma organização. Na análise da árvore de decisão, uma estrutura do tipo árvore é desenhada para decidir a melhor solução para um problema. Nesta análise, primeiro descobrimos diferentes opções que podemos aplicar para resolver um problema específico.

Depois disso, podemos descobrir o resultado de cada opção. Essas opções / decisões são conectadas a um nó quadrado enquanto os resultados são demonstrados com um nó circular. O fluxo de uma árvore de decisão deve ser da esquerda para a direita.

A forma da árvore de decisão é mostrada na Figura 15:

Vamos entender o trabalho de uma árvore de decisão com a ajuda de um exemplo. Suponha que uma organização queira decidir o tipo de segmentação para aumentar a base de clientes.

Esse problema pode ser resolvido usando a árvore de decisão mostrada na Figura 16:

Na Figura 16, a árvore de decisão mostra dois tipos de segmentação, a segmentação demográfica e a geográfica. Agora, analisaríamos os resultados dessas duas segmentações. Para analisar a segmentação demográfica, a empresa deve incorrer em S 40.000 (custo estimado). O resultado da segmentação demográfica pode ser bom, moderado e ruim.

A receita estimada projetada para três anos para as três opções (boa, moderada e ruim) é a seguinte:

Bom = $ 21500000

Moderado = $ 950000

Fraco = S300000

As probabilidades atribuídas aos resultados são 0, 4 para o bem, 0, 5 para moderado e 0, 1 para o mal.

Agora, calculamos os resultados da segmentação demográfica da seguinte maneira:

Bom = 0, 4 * 2100000 = 840000

Moderado = 0, 5 * 950000 = 475000

Fraco = 0, 1 * 300000 = 30000

Da mesma forma, no caso de segmentação geográfica, o custo incorrido é de US $ 70000 (custo estimado). O resultado da segmentação geográfica pode ser bom e ruim.

A receita estimada projetada para três anos para as duas opções (boa e ruim) é a seguinte:

Bom = $ 1350000

Fraco = $ 260000

As probabilidades atribuídas aos resultados são 0, 6 para o bem e 0, 4 para o ruim.

Agora, calculamos os resultados da segmentação geográfica da seguinte maneira:

Bom = 0, 6 * 1350000 = $ 810000

Fraco = 0, 4 * 260000 = $ 104000

Agora, analisaríamos os dois resultados para tomar uma decisão de selecionar uma segmentação dentre as duas segmentações da seguinte maneira:

Para segmentação demográfica:

Bom = 840000-40000 = $ 800000

Moderado = 475000-40000 = $ 435000

Ruim = 30000-40000 = $ (10000)

Da mesma forma, para segmentação geográfica:

Bom = 810000-70000 = $ 740000

Fraco = 104000-70000 = $ 340000

Como podemos ver no cálculo, se selecionarmos a segmentação demográfica, o lucro máximo estimado seria de US $ 800000. Na segmentação demográfica, há chances de incorrer em perdas (10.000), se o produto não for bem-sucedido no mercado.

Se selecionarmos a segmentação geográfica, o lucro máximo estimado seria de US $ 740000. Na segmentação geográfica, obteríamos menos lucro (S 340000), se o produto não obtiver sucesso no mercado. Portanto, é melhor usar a segmentação geográfica para comercializar o produto, pois nenhuma perda está envolvida nele.

 

Deixe O Seu Comentário