Gestão & Produção
https://www.gestaoeproducao.com/article/doi/10.1590/0104-530x1297-19
Gestão & Produção
Original Article

Exponential smoothing for intermittent demand with demand basis updated more frequently than seasonality factors

Suavização exponencial para demanda intermitente com fatores de sazonalidade considerando períodos maiores do que os usados para atualizar a base da demanda

Jorge Luiz de Biazzi

http://dx.doi.org/10.1590/0104-530x1297-19 Gest. Prod., vol.26, n1, p.0, 2019
Downloads: 0
Views: 805

Abstract

Abstract This study aims to present an alternative technique of exponential smoothing to estimate the demand for items with intermittent and seasonal demand. The usual technique would aggregate demand periods (months in quarters, for instance) to calculate a seasonality factor for the set of periods. The estimate for the set would be divided by the number of periods comprising it to calculate the demand per period. This technique recalculates the basis and seasonality factor for each set, and provides equal estimates for all periods within the set. The alternative herein presented also recalculates seasonal factors for every set of periods, but recalculates the demand basis for each period, allowing better monitoring of demand behavior. Based on a real-life case, the results obtained by the two techniques mentioned above and by others that do not explicitly consider seasonality were compared: simple moving average, no-seasonality exponential smoothing, Croston’s, and Syntetos-Boylan. The latter two were developed specifically for intermittent demands without seasonality. The techniques that consider seasonality performed better for estimation errors. The suggested technique, in the example, showed less bias, although with somewhat lower accuracy than exponential smoothing with seasonality and period aggregation.

Keywords

Exponential smoothing, Intermittent demand, Seasonality

Resumo

Resumo Este estudo tem como objetivo apresentar uma técnica alternativa de suavização exponencial para estimar a demanda de itens com demanda intermitente e sazonal. A técnica usual consiste em agregar alguns períodos (meses agregados em trimestres, por exemplo) e calcular um fator de sazonalidade para o conjunto e, após fazer a estimativa para este, dividir pela quantidade de períodos que o compõe para calcular a demanda por período. Esta técnica, que recalcula base e fator de sazonalidade a cada conjunto de períodos, resulta em estimativas iguais para todos os períodos do conjunto. A alternativa apresentada também recalcula fatores de sazonalidade a cada conjunto de períodos, mas recalcula a base da demanda a cada período, permitindo acompanhar o comportamento da demanda com frequência maior. A partir de um caso real, foram comparados os resultados obtidos para as duas técnicas mencionadas e para outras que não consideram explicitamente a sazonalidade: média móvel sem sazonalidade, suavização exponencial sem sazonalidade, Croston e Syntetos-Boylan. Estas duas últimas foram desenvolvidas para demandas intermitentes, mas sem sazonalidade. As técnicas que consideram sazonalidade tiveram melhor desempenho em relação aos erros de estimação. A técnica sugerida apresentou, no exemplo utilizado, menos viés, embora com uma precisão um pouco menor do que a suavização exponencial com sazonalidade e agregação de períodos.

Palavras-chave

Suavização exponencial, Demanda intermitente, Sazonalidade

Referências

Ballou R. H. Gerenciamento das cadeias de suprimentos: logística empresarial. 2006.

Biazzi J. L., Vital M. Gestão de estoques para peças de reposição de baixo consumo em empresa do setor Bioenergético Sucroalcooleiro.. 2013.

Bowersox D. J., Closs D. J. Logística empresarial: o processo de integração da cadeia de suprimento. 2001.

Chase R. B., Jacobs F. R., Aquilano N. T. Administração da produção para a vantagem competitiva. 2006.

Chopra S., Meindl P. Gerenciamento da cadeia de suprimentos: estratégia, planejamento e operação.. 2003.

Codogno V. O mercado de sorvetes pós-paleta. 2016.

Croston J. D. Forecasting and stock control for intermittent demands. Operational Research Quarterly. 1972;23(3):289-303.

De Gooijer J. G., Hyndman R. J. 25 years of time series forecasting. International Journal of Forecasting. 2006;22(3):443-73.

Dekker M., Van Donselaar K., Ouwehand P. How to use aggregation and combined forecasting to improve seasonal demand forecasts. International Journal of Production Economics. 2004;90(2):151-67.

Gardner Jr E. S. Exponential smoothing: the state of the art. Journal of Forecasting. 1985;4(1):1-28.

Gardner Jr E. S. Exponential smoothing: the state of the art: Part II. International Journal of Forecasting. 2006;22(4):637-66.

Gould P. G., Koehler A. B., Ord J. K., Snyder R. D., Hyndman R. J., Vahid-Araghi F. Forecasting time series with multiple seasonal patterns. European Journal of Operational Research. 2008;191(1):207-22.

Krajewski L. J., Ritzman L., Malhotra M. Administração de produção e operações. 2009.

Makridakis S., Wheelwright S. C., Hyndman R. J. Forecasting: methods and applications. 1998.

Rego J. R., Mesquita M. A. Controle de estoques de peças de reposição: uma revisão literária. Produção. 2011;21(4):645-55.

Silver E. A., Pyke D. F., Peterson R. Inventory management and production planning and scheduling. 1998.

Syntetos A. A., Boylan J. E. On the bias of intermittent demand estimates. International Journal of Production Economics. 2001;71(1-3):457-66.

Syntetos A. A., Boylan J. E. The accuracy of intermittent demand estimates. International Journal of Forecasting. 2005;21(2):303-14.

Taylor J. W. Triple seasonal methods for short-term electricity demand forecasting. European Journal of Operational Research. 2010;204(1):139-52.

Wanke P. Gestão de estoques na cadeia de suprimento: decisões e modelos quantitativos. 2003.

Willemain T. R., Smart C. N., Schwarz H. F. A new approach to forecasting intermittent demand for service parts inventories. International Journal of Forecasting. 2004;20(3):375-87.

Yager R. R. Exponential smoothing with credibility weighted observations. Information Sciences. 2013;252:96-105.

Yelland P. M. Bayesian forecasting of parts demand. International Journal of Forecasting. 2010;26(2):374-96.

5defabe20e8825a66db5f734 gp Articles
Links & Downloads
1806-9649 (Eletrônico) 0104-530X (Impresso)
Gest. Prod. ©2024 Todos os direitos reservados.

Gest. Prod.

Share this page
Page Sections