Post on 07-Jan-2017
IMPLEMENTAÇÃO DE UM MODELO
DE PREVISÃO DE VENDAS NA
DISTRIBUIÇÃO DE AÇOS ESPECIAIS
Patricia Tais Tisott (UCS )
patriciatisott@gmail.com
Gabriel Vidor (UCS )
gvidor@ucs.br
Alexandre Homsi Pedott (UCS )
alexandre.pedott@hotmail.com
Leonardo Dagnino Chiwiacowsky (UCS )
ldchiwiacowsky@ucs.br
Este trabalho apresenta uma proposta para implementação de um
modelo para previsão de vendas em uma empresa de distribuição de
aços especiais. Foram propostos modelos de previsão de demanda por
suavização exponencial e ARIMA, bem como suas combinações por
pesos e aritméticas. A pesquisa abordou os itens com dificuldade de
reposição e histórico de falta de material em estoque da empresa. As
séries temporais foram coletadas, tabuladas e modeladas para um
período cinco anos. Os modelos foram comparados através das
medidas de acuracidade. Os resultados demonstraram que as previsões
utilizadas pela empresa diferem dos resultados desta proposta. Os
resultados da pesquisa indicam uma boa oportunidade para o
planejamento das compras e recebimento de materiais para a
empresa.
Palavras-chave: Distribuição de Aços, Previsão de Demanda, Séries
Temporais, Combinação de Modelos de Previsão
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016.
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
2
1. Introdução
A análise de séries temporais é um método quantitativo para estimar a demanda de um
determinado recurso com base no histórico de consumo. Gaither e Frazier (2002) definem
uma série temporal como um conjunto de valores observados ao longo de um período de
tempo sucessivos. Esses valores permitem uma estimativa da demanda, pressupondo a
continuidade de comportamento ao longo do tempo, através da modelagem matemática dos
dados (PELLEGRINI; FOGLIATTO, 2001).
Paiva e Negrao (2014) e Alves et al. (2014) demonstraram a importância da utilização das
séries temporais na gestão de estoques no comércio e na indústria. Decisões gerenciais
baseadas em modelagens de séries temporais permitem equilibrar a capacidade e a demanda e
reduzir ou eliminar os custos associados à armazenagem de mercadorias. A previsão de
demanda auxilia no planejamento da produção para assegura o fornecimento sem
interrupções. A qualidade dos bens, a velocidade de resposta ao cliente, a confiabilidade e a
flexibilidade também são diretamente melhoradas (SLACK, et al., 1997).
Nas análises de séries temporais três variáveis devem ser consideradas: tendência,
sazonalidade e ciclo. Segundo Moreira (1999), a tendência ocorre pela mudança gradual de
acréscimo ou decréscimo dos valores em relação a um período de referência ou valor médio.
Já a da sazonalidade é definida pela variação da demanda em determinados períodos. O ciclo,
por sua vez, é definido por alterações de ordem econômica, de difícil previsão e causas nem
sempre definidas. Essas variáveis afetam estimativa da demanda, principalmente em
mercados instáveis, em itens com consumos irregulares ou atípicos, gerando excesso ou
escassez de mercadorias.
Ritzman e Krajewski (2004) afirmam que previsões precisas permitem aos programadores
utilizarem a capacidade eficientemente, reduzir o tempo de reação dos clientes e reduzir
estoques. Entretanto, uma previsão errada pode reduzir o desempenho operacional e
financeiro de uma organização e implicar em custos adicionais devido ao excesso ou escassez
de mercadorias. Além disso, se a demanda for maior que o previsto os clientes não serão
devidamente atendidos, afetando a intenção de recompra do cliente e a lucratividade
operacional da organização (CORRÊA e CORRÊA, 2006).
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
3
A previsão da demanda provoca impactos em diferentes níveis do processo de planejamento e
de controle da produção, tais como controle de estoque e de custos e tempo de resposta
(BALLOU, 2001). Krajewski, et al. (2009), exemplificam como a previsão de demanda tem
impacto sobre vários setores: o departamento financeiro depende dessas previsões para
projetar fluxos de caixa e requisitos de capitais; o setor de recursos humanos precisa de
previsões para avaliar necessidades de contratação ou remanejamento de pessoal; já o
departamento de operações depende das previsões para planejar compras, cronogramas de
produção, estoques e capacidades.
O objetivo geral deste trabalho é implementar um modelo de previsão de demanda de vendas
em uma empresa de distribuição de aços especiais. Os objetivos específicos são: (i) avaliar o
perfil da demanda dos itens comercializados na empresa; (ii) mapear os componentes de
tendência, sazonalidades e ciclos de demanda nas séries dos produtos em estudo; (iii) avaliar a
acurácia dos modelos utilizados; e (iv) definir uma sistemática de previsão de demanda que
atenda outras situações na organização em estudo.
A análise de séries temporais auxilia na estimativa ou previsão de quantidade para do futuro.
A análise fornece uma base científica, através de dados estatísticos, para o planejamento e a
tomada de decisões sobre a produção futura. Para Gaither e Frazier (2002), o primeiro passo
no planejamento é prever, ou estimar a demanda futura por produtos e serviços e os recursos
necessários para produzi-los. Os modelos de previsão de demanda são muito usados em
empresas de diferentes segmentos da indústria e do comércio. Moro et al. (2014) demonstram
a eficácia da previsão de demanda em uma empresa do setor moveleiro. Souza et al. (2013)
utilizaram modelos matemáticos de previsão no beneficiamento e produção de açaí. Barbosa
(2014) utilizou a análise de séries temporais para a previsão de demanda de combustíveis em
um terminal petroquímico.
A seção seguinte apresenta a fundamentação teórica, com a revisão bibliográfica abordando
técnicas de previsão de suavização exponencial, com modelos aditivos e multiplicativos, e
com modelos ARIMA. Na Seção 3 é apresentada a metodologia do trabalho, a descrição do
estudo de caso e as etapas de aplicação do estudo. Na seção 4 são apresentados os resultados e
uma proposta de modelo de previsão do estudo de caso A discussão dos resultados e as
conclusões são apresentadas na seção 5.
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
4
2. Referencial Teórico
A previsão de demanda pode ser dividida em três categorias: (i) qualitativa; (ii) análise de
séries temporais; e (iii) modelos causais. A previsão qualitativa utiliza o julgamento, a
intuição, pesquisas e técnicas de comparação para estimar valores no futuro (BALLOU,
2001). Os métodos de análises de séries temporais ou de projeção histórica são abordagens
estatísticas que utilizam séries de dados do passado para projetar os dados do futuro,
estimando uma repetição da demanda, reconhecendo tendências e padrões sazonais
(KRAJEWSKI et al., 2009). Os modelos causais, por sua vez, admitem que a demanda futura
esteja relacionada a variáveis independentes. Utilizam dados históricos a partir de variáveis de
causa e efeito, como em campanhas promocionais, condições do mercado e ações dos
concorrentes para prever a demanda dos próximos períodos (DAVIS et al., 2001).
A seleção de um modelo de previsão deve considerar a acurácia, relacionada a capacidade de
acerto da estimativa. Também deve-se considerar o horizonte de tempo para gerar previsões a
longo, médio e curto prazo. Além disso, o nível de sofisticação quantitativa empregado e a
base de dados disponível são parâmetros importantes para a escolha do modelo (BALLOU,
2001). Conforme Davis et al. (2001), as previsões de médio prazo são úteis para efeitos
sazonais. Os modelos de longo prazo detectam, normalmente, tendências, e são especialmente
úteis na identificação de pontos críticos. Já os modelos de curto prazo são menos complexos,
compensam variações aleatórias e ajustam-se melhor às mudanças de curto prazo.
A Figura 1 apresenta um quadro resumido dos principais modelos de previsão. Os modelos
podem ser divididos em três grupos principais: (i) Modelos de decomposição, em que as
séries são analisadas considerando-se quatro componentes: tendência, sazonalidades, ciclos de
negócios e flutuações irregulares; (ii) Modelo de suavização exponencial, em que a estimativa
valoriza às demandas mais recentes; (iii) Modelo ARIMA, baseado em um procedimento
iterativo de ajuste de fatores sazonais e de tendência (BALLOU, 2001; WERNER e
RIBEIRO, 2003).
Figura 1. Referências para os fundamentos sobre a aplicação de modelos de previsão
Categoria Modelo Referência
Modelos de
Decomposição
Aditivo Moreira (1999)
Multiplicativo Moreira (1999)
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
5
Modelos de Suavização
Exponencial
Média móvel exponencialmente
ponderada de primeira ordem
Krajewski, et al., (2009)
Média móvel exponencialmente
ponderada de segunda ordem
Moreira (1999)
Modelo ARIMA Autorregressivo Pellegrini (2000)
Média Móvel Werner e Ribeiro (2003)
Autorregressivo de Média Móvel Werner e Ribeiro (2003)
Modelo Autorregressivo
Integrado de Médias Móveis
Werner e Ribeiro (2003)
Fonte: elaborado pelos autores (2015)
Conforme Krajewski, et al. (2009), o uso combinado de modelos permite encontrar resultados
otimizados de previsão. Previsões combinadas geralmente são geradas pelo cálculo da média
de previsões independentes, utilizando como referência métodos ou dados diferentes, ou ainda
ambos os casos. Normalmente a combinação de previsões resulta em dados mais precisos ao
longo do tempo, mesmo que uma das técnicas isolada seja mais acurada nos períodos iniciais.
Werner (2004) descreve as formas de combinações de previsões, classificando tais previsões
como objetivas, quando são obtidas de técnicas quantitativas, ou subjetivas, quando são
obtidas de técnicas qualitativas. A combinação estritamente objetiva considera duas previsões
objetivas devidamente corrigidas, atribuindo diferentes pesos para as mesmas, de acordo com
a acuracidade ou relevância dos dados obtidos. Além da combinação por pesos, também se
utiliza com frequência a combinação aritmética, que não considera pesos para as técnicas
utilizadas, apenas faz uma média aritmética simples para obter o resultado médio dentre os
obtidos.
Os erros presentes nas previsões podem ser classificados como sistemáticos ou aleatórios. Os
erros decorrem da negligência de fatores como a tendência e a sazonalidade ou imprevisíveis.
Para escolher o modelo de previsão mais adequado é necessário medir e avaliar os erros. O
MAPE, erro percentual absoluto médio, relaciona o erro de previsão ao nível de demanda e é
útil para colocar o desempenho de previsão na perspectiva adequada. O MAD, desvio
absoluto médio, é simplesmente a média dos erros de previsão ao longo de uma série de
períodos, sem levar em conta se o erro foi superestimado ou subestimado. O valor absoluto do
erro utilizado no MAD faz com que sejam consideradas apenas as dispersões dos valores em
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
6
torno da demanda real. O RMSE, ou raiz do erro quadrático médio, considera os erros numa
proporção maior, uma vez que os erros são elevados ao quadrado (KRAJEWSKI et al., 2009).
3. Metodologia
A pesquisa foi aplicada no setor de suprimentos da empresa Diferro Aços Especiais Ltda, que
realiza as compras de insumos e materiais indiretos para as três unidades de distribuição de
aço e para uma recicladora. Os materiais são comprados por diferentes analistas conforme a
família de materiais. As famílias de materiais são divididas primeiramente em materiais
diretos (aço) ou indiretos (insumos). A empresa utiliza o ponto de reposição calculado pelo
MRP. A sistemática permite comprar os volumes previstos para o estoque com as previsões
comerciais. As previsões comerciais são feitas atualmente com base nos dados históricos do
ano anterior, adicionando um percentual de crescimento definido pela direção da empresa. O
modelo usado avalia a sazonalidade, mas não inclui a análise de tendência.
As atividades de pesquisa foram divididas em quatro etapas. A primeira etapa consiste em
identificar as famílias de materiais com maior indisponibilidade em estoque. Na segunda, os
dados foram coletados através do sistema informatizado utilizado pela empresa. Nessa etapa
também foi definida a quantidade de períodos que será utilizada para o estudo, que pode
variar de 36 a 60 meses. Na terceira etapa foram analisados os dados em planilha eletrônica,
através de gráficos de tendência e sazonalidade. Por fim, foram definidos os modelos mais
adequados ou, se necessário, uma combinação deles.
As estimativas de previsão foram feitas com o auxílio do software IMB Statistical Package for
Social Sciences 21® (SPSS). Os dados foram ajustados pelos modelos ARIMA e Suavização
exponencial. Além disso, os modelos foram combinados por pesos e média aritmética. Para
cálculo da acuracidade foram usados os métodos MAPE, MAD e RMSE. Por fim o modelo de
maior acuracidade foi escolhido para ser usado.
4. Resultados
Foram definidos cinco itens importantes para a análise, denominados A, B, C, D e E. Foram
coletados os dados dos consumos de um período de cinco anos utilizando o sistema da
empresa. As Figuras 2 a 6 apresentam os gráficos das séries. O coeficiente de correlação
medido em todas as séries foi considerado adequado para implementação do estudo.
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
7
Figura 2. Serie temporal do produto A
Fonte: elaborado pelos autores (2015)
Figura 3. Serie temporal do produto B
Fonte: elaborado pelos autores (2015)
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
8
Figura 4. Serie temporal do produto C
Fonte: elaborado pelos autores (2015)
Figura 5. Serie temporal do produto D
Fonte: elaborado pelos autores (2015)
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
9
Figura 6. Serie temporal do produto E
Fonte: elaborado pelos autores (2015)
Para cada série, foram avaliados os modelos de suavização exponencial e ARIMA. Estes
modelos também foram usados para a análise das combinações aritmética e por pesos. As
Tabelas 1 a 5 apresentam os resultados das medidas de acuracidade MAE, MAPE e RMSE
para cada modelo. Destaca-se que o modelo escolhido é aquele que apresentar pelo menos
dois indicadores com o menor valor. Os menores valores de cada indicador estão destacados
em negrito em cada tabela.
Tabela 1 – Indicadores de Acuracidade Item A
Suavização
Exponencial
ARIMA Combinação
Aritmética
Combinação
por Pesos
RMSE 351,12 404,67 360,59 404,67
MAPE 60,80 69,26 59,37 69,26
MAE 251,95 290,64 261,75 290,41
Fonte: elaborado pelos autores (2015)
Tabela 2 – Indicadores de Acuracidade Item B
Suavização
Exponencial
ARIMA Combinação
Aritmética
Combinação
por Pesos
RMSE 684,23 733,16 686,71 733,16
MAPE 65,60 63,48 59,89 63,48
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
10
MAE 529,71 584,68 536,53 584,68
Fonte: elaborado pelos autores (2015)
Tabela 3 – Indicadores de Acuracidade Item C
Suavização
Exponencial
ARIMA Combinação
Aritmética
Combinação
por Pesos
RMSE 1160,98 1312,62 1184,03 1372,16
MAPE 61,38 71,54 61,93 78,36
MAE 935,60 1031,57 938,48 1089,24
Fonte: elaborado pelos autores (2015)
Tabela 4 – Indicadores de Acuracidade Item D
Suavização
Exponencial
ARIMA Combinação
Aritmética
Combinação
por Pesos
RMSE 857,16 1374,39 1029,59 1374,39
MAPE 85,50 627,93 131,15 627,93
MAE 663,21 887,35 724,03 887,35
Fonte: elaborado pelos autores (2015)
Tabela 5 – Indicadores de Acuracidade Item E
Suavização
Exponencial
ARIMA Combinação
Aritmética
Combinação
por Pesos
RMSE 544,21 562,63 539,68 1147,16
MAPE 77,77 81,10 74,07 754,30
MAE 433,72 425,03 418,60 975,95
Fonte: elaborado pelos autores (2015)
O modelo de suavização exponencial apresentou maior acurácia para os itens A, B, C e D.
Para o item E, o resultado com menor desvio foi à combinação aritmética entre os métodos de
suavização exponencial e ARIMA.
As Tabelas 6 a 11 apresentam a comparação dos resultados da pesquisa com os realizados
pela empresa no período de fevereiro a julho de 2015. A primeira foi a previsão gerada
tacitamente pelo setor comercial, a segunda diz respeito as quantidades efetivamente
vendidas, a terceira é a quantidade em estoque disponível no início de cada período, a quarta é
o volume de material recebido ao longo destes meses e a quinta os volumes indicados para
compra pelos dois métodos utilizados pelo setor de suprimentos da empresa. Todas essas
informações foram comparadas para cada um dos cinco itens em estudo.
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
11
Tabela 6 – Resultados Item A
Previsão
Comercial
Previsão
Suavização
Realizado Estoque Recebi-
mento
Média
4 meses
Ponto
Reposição
fev/15 580,8 437,36 480 1295 0 510 1503,84
mar/15 704 290,78 417 694,7 0 276,25 1494,01
abr/15 546,7 421,4 387 399,3 0 380,5 1444,52
mai/15 204,6 350,64 24 56 0 429 1423,87
jun/15 300,3 426,53 32 32 0 327 1417,43
jul/15 540,1 202,11 65 1095,7 1160 215 672
Fonte: elaborado pelos autores (2015)
Tabela 7 – Resultados Item B
Previsão
Comercial
Previsão
Suavização
Realizado Estoque Recebi-
mento
Média 4
meses
Ponto
Reposição
fev/15 936,1 1308,66 2904 3211,75 0 767,75 3475,05
mar/15 126,5 1136,46 775 334,5 2095 1077,5 4116,5
abr/15 733,7 871,33 902 1582,2 0 1200,5 4143,02
mai/15 3009,6 1355,06 815 817,6 0 1333,5 4163,99
jun/15 2206,6 1388,41 0 18,6 0 1349 3618,62
jul/15 367,4 432,63 8 18,6 2342 623 1669,41
Fonte: elaborado pelos autores (2015)
Tabela 8 – Resultados Item C
Previsão
Comercial
Previsão
Suavização
Realizado Estoque Recebi-
mento
Média 4
meses
Ponto
Reposição
fev/15 0 906,27 3188 2762 1074 976,75 3264,34
mar/15 0 1059,86 405 671 1035 1638,25 4146,33
abr/15 0 1447,7 1549 1298,04 2110 1659,25 4166,87
mai/15 209 508 658 2108,2 0 1871,25 4350,91
jun/15 106,7 826,84 784 1453 0 1450 4375,19
jul/15 460,9 647,74 595 674,6 0 849 2868,81
Fonte: elaborado pelos autores (2015)
Tabela 9 – Resultados Item D
Previsão
Comercial
Previsão
Suavização
Realizado Estoque Recebi-
mento
Média 4
meses
Ponto
Reposição
fev/15 3870,9 2184,76 3289 6339 2697 2323 6142,65
mar/15 2312,2 2254,76 1030 5748 1608 2443,25 6055,2
abr/15 3019,5 2253,08 1115 6326 0 2313 5993,85
mai/15 328,9 2254,14 2061 5224 1966 1936,5 5759,91
jun/15 3625,6 2284,21 2324 4086 2198 1873,75 5764,21
jul/15 2404,6 2321,41 1675 3405 0 1632,5 4820,08
Fonte: elaborado pelos autores (2015)
Tabela 10 – Resultados Item E
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
12
Previsão
Comercial
Previsão
Suavização
Realizado Estoque Recebi-
mento
Média 4
meses
Ponto
Reposição
fev/15 266,2 637,75 0 27,9 0 734,75 1899,55
mar/15 0 378,77 0 27,9 1126 192 1856,95
abr/15 106,7 322,92 145 1009,6 0 84,25 1835,73
mai/15 636,9 315,22 144 929,7 0 84 1839,17
jun/15 53,9 355,47 289 785,7 0 72,25 1776,04
jul/15 158,4 353,87 49 498,75 0 144,5 537,29
Fonte: elaborado pelos autores (2015)
Alguns itens tiveram quebra de estoque e outros tiveram estoques superiores ao necessário no
período da análise. Para os itens que tiveram ruptura de estoque é possível estimar a
quantidade que deveria estar em estoque pelo número obtido no método de previsão mais
adequado para o item. Assim também é possível estimar a diferença nos valores que seriam
investidos ou não em estoque nesse período de análise, conforme demonstrado na Tabela 11.
O custo de reposição desses itens atualmente é de R$ 2,75.
Tabela 11 – Resultados dos valores investidos em estoques
Quant.
Recebida
(kg)
Valor
Investido
(R$)
Quant.
Prevista
(kg)
Estoque
Inicial
(kg)
Quant. a
Receber
(kg)
Valor
Previsto
Investimento
(R$)
Diferença
(R$)
A 1160 3.190,00 2129 1295 834 2.293,01 -896,99
B 4437 12.201,75 6493 3212 3281 9.022,19 -3.179,56
C 4219 11.602,25 5396 2762 2634 7.244,62 -4.357,63
D 8469 23.289,75 13552 6339 7213 19836,71 -3.453,04
E 1126 3.096,50 2364 28 2336 6424,26 3.327,76
Totais 19411 53.380,25 29934 13636 16298 44.820,80 -8.559,45
Fonte: elaborado pelos autores (2015)
Com a análise da Tabela 11 é possível verificar que, caso o método de compras fosse alterado
para as previsões obtidas no presente estudo, haveria uma redução de R$ 8.559,45 no estoque
em seis meses, para apenas cinco itens trabalhados na empresa (de um total de 1192 itens
ativos). Contudo, é preciso relembrar o que foi concluído na análise de cada item em
particular, observando que os resultados obtidos nas previsões devem sempre ser comparados
aos volumes realizados, aos demais métodos utilizados para previsão e compras e medindo a
acurácia de tais resultados.
5. Conclusão
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
13
O objetivo desse estudo foi analisar o processo de implementação de um método de previsão
de demanda em uma distribuidora de aços especiais. Para tanto foi organizado um método em
cinco etapas. Ao final foi possível observar que, os resultados obtidos são importantes e
geram resultados favoráveis à empresa. Contudo, é necessário rever continuamente a acurácia
dos mesmos, bem como o modelo utilizado para cada série de dados.
A empresa utiliza um método bastante simples para previsão baseado no consumo do mesmo
período no ano anterior com um percentual estimado de crescimento. A verificação dos
estoques de todos os materiais da empresa é feita diariamente pelo setor de suprimentos, o que
naturalmente faz com que este conheça e avalie diariamente os itens comercializados. O setor
de compras também utiliza esses dados como base no orçamento proposto no início do ano,
mas as compras periódicas são feitas com base nos dados históricos, tanto para as compras
baseadas nas médias dos últimos quatro meses como nas compras feitas com base nos
cálculos do módulo MRP. Contudo, com os dados obtidos no presente estudo, é possível
verificar que as previsões utilizadas atualmente pela empresa ficam muito distantes dos
volumes realizados.
A comparação dos volumes em estoque apresenta desvios maiores em função das quantidades
mínimas de compras na usina. Verificou-se que o estoque possui picos em função do
recebimento de materiais. A análise dos resultados permite propor um período mais
apropriado para a compra de materiais e melhorar a gestão em vários setores da empresa. Na
área fabril e no PCP as melhorias se dão em função da melhor disposição dos itens em
estoque, uma vez que os estoques são mais enxutos, mais adequados à demanda prevista. A
área de separação de materiais consegue organizar com mais facilidade os estoques com
quantidades reduzidas.
No setor de vendas, a mudança maior se dá em função da adequação das metas, que agora
podem ser baseadas nas previsões. Além disso, antes as metas eram geradas por famílias de
materiais, agora podem ser estabelecidas por itens. A coordenação do setor comercial pode
acompanhar mensalmente o atendimento das metas por itens, de forma bem mais detalhada.
Desta forma também é esperado um giro maior de estoque, uma vez que o setor de vendas
deverá ter mais atenção no detalhe dos itens, atentar para a venda completa do mix de
produtos. O setor financeiro também é beneficiado, uma vez que a previsão gerada pelos itens
de cada família de materiais faz com que seja realizada uma programação de compra com as
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
14
usinas com maior acuracidade nas quantidades, o que, por sua vez, deixa o fluxo de caixa
mais coerente e o setor tem maior confiança para realizar suas aplicações e demais operações
financeiras necessárias.
A abordagem proposta neste trabalho deve ser estendida como uma sistemática de previsão de
demanda para todos os itens da empresa. A intenção da empresa é utilizar o método aqui
proposto para as demais famílias de materiais, de forma gradual até atingir a totalidade dos
itens comercializados.
Baseado na realização desse trabalho é possível verificar que novos estudos podem ser
realizados para refinar os resultados encontrados. Um exemplo é o uso sistemático do MRP
substituindo o valor da previsão atual, por um cálculo robusto de séries temporais. Com isso a
empresa teria compras cada vez mais ajustadas à demanda do setor comercial e, com isso,
menores investimentos em estoque.
Além disso, seria necessário desenvolver um método que auxiliasse a verificação do modelo
utilizado para que a avaliação mensal do consumo dos itens e do método utilizado fosse mais
ágil. Isso possibilitaria a avaliação de mais itens e a certeza de que o melhor modelo está
sendo utilizado para tais itens. É importante ressaltar que a reavaliação dos modelos utilizados
é imprescindível, pois, uma vez que os itens não têm variáveis bem definidas e com a
mudança dos consumos ao longo dos meses, pode ser que o modelo utilizado em um
momento não tenha a melhor acurácia com o passar do tempo.
REFERÊNCIAS
ALVES, L. C.; FLORES, S. A. M. F.; MARTINS, C. N. Gestão de estoque: análise em uma rede de
franquias. Anais... XXXIV Encontro Nacional de Engenharia de Produção. Curitiba, 2014.
BALLOU, R. H. Gerenciamento da cadeia de suprimentos: planejamento, organização e logística
empresarial. 4. ed. Porto Alegre: Bookman, 2001.
BARBOSA, C. L. R. Estudo de previsão de demanda de movimentação de diesel, gasolina e álcool, no
terminal petroquímico de Miramar, utilizando abordagem de séries temporais e séries causais. Anais...
XXIV Encontro Nacional de Engenharia de Produção. Curitiba, 2014.
CORRÊA, H. L.; CORRÊA, C. A. Administração de produção e operações. 2. ed. São Paulo: Atlas, 2006.
DAVIS, M. M.; AQUILANO, N. J.; CHASE, R. B. Fundamentos da administração da produção. 3. ed. Porto
Alegre: Bookman Editora, 2001.
XXXVI ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCÃO Contribuições da Engenharia de Produção para Melhores Práticas de Gestão e Modernização do Brasil
João_Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016. .
15
GAITHER, N.; FRAZIER; G. Administração da produção e operações. 8. ed. São Paulo: Pioneira Thomson
Learning, 2002.
KRAJEWSKI, L. J.; RITZMAN, L. P.; MALHOTRA, M. K. Administração da produção e operações. 8. ed.
São Paulo: Pearson Prentice Hall, 2008.
MOREIRA, D. A. Administração da produção e operações. 4. ed. São Paulo: Pioneira, 1999.
MORO, M. F.; BORTOLOTTI, S. L. V.; NAUMANN, E. A.; SCHROEDER, W. Previsão de demanda: uma
aplicação do método Holt-Winters em uma indústria moveleira de pequeno porte. Anais... XXXIV
Encontro Nacional de Engenharia de Produção. Curitiba, 2014.
PAIVA, M. H. P.; NEGRAO, L. L. L. Análise de métodos de previsão de demanda: Aplicação na indústria
cerâmica. Anais... XXXIV Encontro Nacional de Engenharia de Produção. Curitiba, 2014.
PELLEGRINI, F. R. Metodologia para implementação de sistema de previsão de demanda. 2000.
Dissertação de Mestrado. Programa de Pós-Graduação em Engenharia de Produção. Universidade Federal do Rio
Grande do Sul. Porto Alegre, 2000.
PELLEGRINI, F. R.; FOGLIATTO, F. S. Passos para a implantação de sistemas de previsão de demanda –
Técnicas e estudo de caso. Revista Produção, v. 11, n. 1, p. 43-64, 2001.
RITZMAN, L. P.; KRAJEWSKI, L. J. Administração da produção e operações. São Paulo: Prentice Hall,
2004.
SLACK, N.; CHAMBERS, S.; HARLAND, C.; HARRISON, A.; JOHNSTON, R. Administração da
produção. São Paulo: Atlas, 1997.
SOUZA, A. E. C.; PINHEIRO, A. W. S.; SILVA, E. C. S.; REIS, K. A. Utilização do método Box-Jenkins
(ARIMA) na previsão de demandas de um produto de uma empresa de beneficiamento de açaí. Anais...
XXXIII Encontro Nacional de Engenharia de Produção. Salvador, 2013.
WERNER, L. Um modelo composto para realizar previsão de demanda através da integração da
combinação de previsões e do ajuste baseado na opinião. 2004. Tese Doutorado. Programa de Pós-graduação
em Engenharia de Produção. Universidade Federal do Rio Grande do Sul. Porto Alegre, 2004.
WERNER, L.; RIBEIRO, J. L. D. Previsão de demanda: Uma aplicação dos modelos Box-Jenkins na área
de assistência técnica de computadores pessoais. Revista Gestão & Produção, v. 10, n. 1, p. 46-67, abr. 2013.