ANÁLISE COMPARATIVA ENTRE MODELOS DE DECOMPOSIÇÃO …
Transcript of ANÁLISE COMPARATIVA ENTRE MODELOS DE DECOMPOSIÇÃO …
ANÁLISE COMPARATIVA ENTRE MODELOS DE
DECOMPOSIÇÃO DE SÉRIES TEMPORAIS EM
UMA PEQUENA EMPRESA DE CAJUÍNA EM
TERESINA, PIAUI.
Patricia Layana de Lima Mourao (UFPI)
Arthur Pereira Duarte (UFPI)
Raimundo Batista Albuquerque Neto (UFPI)
Carlos Magno de Lima Melo (UFPI)
Matheus das Neves Almeida (UFPI)
À medida que o mercado se torna mais competitivo, as empresas
necessitam se adaptar e buscar novas formas de alcançar vantagens
competitivas. O Planejamento, Programação e Controle da produção (PCPP)
é uma função que, realizada de forma eficiente, pode otimizar todo o
processo produtivo e, consequentemente, todas as áreas aliadas a produção.
As previsões são essenciais para que o planejamento se torne o mais próximo
da realidade da empresa, dessa forma, métodos de previsão de demanda
adequados são fundamentais para um bom PCPP. Consequentemente, o
estudo dos modelos de previsão de demanda e sua comparação em relação à
realidade da empresa são necessários para identificar o método e modelo
que melhor se adequam a empresa alvo. Dessa maneira, o artigo tem como
objetivo realizar uma análise comparativa entre os três modelos de
decomposição de séries temporais. Á metodologia utilizada realizou coleta de
dados sobre o histórico de vendas da empresa alvo e elaborou planilhas no
Microsoft Excel para os cálculos dos modelos de Previsões de demanda de
Média Móvel Simples, Ponderada e com Suavização Simples. Com os
resultados obtidos observou-se as variações nos valores, possibilitando,
assim, a realização de uma comparação entre os modelos. A partir disso,
constatou-se o método mais adequado diante da realidade da empresa.
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
2
Palavras-chave: Previsão de demanda, Planejamento, Séries
Temporais, Cajuina
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
3
1 Introdução
Em um cenário competitivo e em constante variação, as empresas devem ser flexíveis às
mudanças que enfrentam para ajustar-se de forma mais adequada a sua demanda. Segundo
Tubino (2009), o planejamento pode ser estruturado em três níveis de atuação: estratégico,
tático e operacional.
O estratégico possui um conteúdo sintético e abrangente, é idealizado a longo prazo, envolve
a empresa como um todo e busca atingir os objetivos globais, além de ser definido pela alta
administração. Já o tático, abrange cada departamento ou unidade da organização, é traçado a
médio prazo pelo nível intermediário da administração, geralmente para exercício anual,
buscando os objetivos departamentais. Por fim, o operacional possui um teor detalhado,
específico e analítico, abrange cada função ou atividade específica, é projetado a curto prazo
ou imediato, buscando o alcance de metas específicas, sendo definido pelo nível
operacional(CHIAVENATO, 2004).
As previsões são um dos principais fatores que auxiliam na tomada de decisões de
todos os níveis de planejamento e são essenciais para todas as organizações, diminuindo as
incertezas e possibilitando desenvolver planos mais realistas (STEVENSON, 2001).
Corroborando com isso, a previsão de demanda se configura um dos itens de estudo mais
importante na definição de sistemas de produção, muito utilizada pelo Planejamento,
Programação e Controle da Produção (PPCP) (TUBINO, 2009).
Dentre as previsões, a mais impactante na área de produção é a previsão de demanda,
que pode ser projetada a curto, médio e longo prazo. Realizar previsões é necessário, pois as
organizações operam em uma atmosfera de incerteza. Portanto, as decisões afetam o futuro da
organização, porém devem ser tomadas conforme as informações do presente (MANCUZO;
WERNER, 2014).
Sabe-se que muitas empresas fazem usos de modelos qualitativos de previsão de demanda e,
geralmente, elas possuem dados históricos de vendas de seus produtos que poderiam ser
aproveitados para gerar modelos de previsão de demanda quantitativos. Porém, devido à falta
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
4
de colaboradores que dominem esses modelos, falta de recursos financeiros, tempo e outros
fatores, as empresas fazem uso de métodos qualitativos.
Dessa forma, este artigo indaga a respeito de qual o melhor modelo quantitativo de previsão
de demanda que melhor se ajuste a demanda de uma empresa produtora de cajuína. Com base
nessa informação, buscou-se uma empresa que atue nessa área para realizar um estudo
baseado na previsão de demanda, ligada à produção da cajuína, com o intuito de verificar os
benefícios de um estudo mais criterioso a cerca dessa temática, levando em consideração que
foi verificado carência de trabalhos científicos desta natureza que envolva uma empresa deste
ramo nos anais nacionais brasileiros de produção. Porém, são vários os trabalhos publicados a
respeito de previsão de demanda em outras empresas (Jesus, Silva e Girade (2016); Pimentel,
Cruz e Gerreiro, (2016); Bortoletto et al, (2016); Tisott et al, (2016)) mostrando assim a
importância de se estudar e aplicar este assunto tanto no meio acadêmico como no
empresarial.
Dessa forma, este estudo teve como objetivo identificar o método de previsão de demanda
mais adequado à uma empresa do ramo de bebidas de cajuína. Contudo, mais
especificamente, buscou-se levantar os dados de demanda desta empresa, verificar os modelos
de previsão mais utilizados na literatura e avaliar a consistência dos modelos gerados.
2 Referencial teórico
2.1 Princípios e modelos de previsão de demanda
Segundo Fernandes e Godinho Filho (2010) na estrutura do Planejamento e Controle da
Produção (PCP) o gerenciamento da demanda é uma atividade primordial e fundamental para
um bom planejamento da produção. De fato, as atividades subsequentes a da gestão da
demanda necessitam que a previsão seja confiável, pois, caso contrário, podem ocorrer
diversas consequências à empresa, tais como: falta ou ociosidade de seus recursos.
As formas de planejamento em uma empresa utilizam como base o processo de previsão de
demanda, que oferece um direcionamento para a capacidade de produção, a gestão de
estoques e a cadeia de suprimentos. Para Chase et al (2006) a previsão torna-se vital na
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
5
organização e nas decisões a serem tomadas pelo planejamento do futuro da empresa. Para
Ballou (2006) a previsão de demanda é fundamental na identificação de fatores que
influenciam de forma direta nos resultados obtidos pelas vendas.
O direcionamento da previsão de demanda sobre a capacidade de produção é imprescindível
em todos os níveis da empresa, pois a capacidade é “o volume ou a quantidade máxima em
condições fixas destes ativos ou instalações” (PEINADO e GRAEML, 2007) já, conforme
Slack et al (2015), é o nível mais elevado do processo que tem valor adicional em um estado
normal e com determinado tempo. Ao trabalhar com a capacidade de produção é necessário
ter cuidado para não operar em máxima utilização, pois pode impactar nos resultados,
ocasionando prejuízos para a empresa, pois a produção acima da demanda poderá
sobrecarregar os estoques e, consequentemente, desordenar a cadeia de suprimento.
Diante das especificações produtivas da empresa é importante conhecer e compreender quais
são e no que consistem os métodos de previsão de demanda. Segundo Jurandir Peinado
(2007), existe quatro grandes modelos amplamente utilizados pelas empresas: os modelos
qualitativos; os modelos de decomposições de séries temporais; o modelo do ajustamento
sazonal; e o modelo dinâmico de previsão.
Assim, segundo Jurandir (2007) os modelos qualitativos são, essencialmente, subjetivos e
apropriados quando não existem dados históricos para serem analisados como base para a
previsão. Os principais modelos qualitativos de previsão de demanda são: predição, opiniões
de executivos, método Delphi, opiniões da equipe de vendas, pesquisas de mercado e analogia
com produtos similares. Os modelos de decomposição de séries temporais baseiam-se no
estudo estatístico das demandas anteriores, para projetar a demanda futura. Toda série
temporal pode ser analisada e decomposta em uma parte sistemática, composta de nível,
tendência e sazonalidade e outra parte aleatória. Dentre estes modelos tem-se: os modelos
baseados na média (média móvel, ponderada ou com suavização exponencial), que devem ser
aplicados apenas às demandas que não apresentem tendência ou sazonalidade e os modelos de
regressão linear, são utilizados para demandas que apresentam tendência, mas não apresentam
sazonalidade. Já o modelo do ajustamento sazonal pode ser aplicado para séries temporais de
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
6
demandas que apresentam nível, tendência e sazonalidade. Os três modelos acima são
conhecidos como modelos estáticos de previsão, pois assumem que estas características são
constantes ao longo do tempo, quando estes índices variam com o passar do tempo é
necessário utilizar um modelo dinâmico de previsão.
Em contrapartida, segundo Armstrong (1983), os métodos de previsão de demanda dividem-
se basicamente em métodos qualitativos e quantitativos. Os métodos qualitativos de previsão,
são também chamados por ele de métodos intuitivos ou subjetivos, dependem da experiência
acumulada pelos especialistas ou grupo de pessoas reunidas para determinar a probabilidade
dos resultados, além de usarem tanto dados quantitativos quanto qualitativos, como dados de
entrada para o processamento das previsões, considerando ou não padrões de demanda
históricos no processo preditivo (CHAMBERS; MULLICK; SMITH, 1971; ARMSTRONG,
1983). Tratando-se dos métodos quantitativos ou métodos objetivos podemos defini-los como
métodos estruturados que podem ser reaplicados por outros analistas, as previsões obtidas são
idênticas às originais (ARMSTRONG, 1983), sendo classificados em métodos de série
temporais e métodos casuais.
Evidentemente, embora hajam diferenças entre as ideias, ao longo das décadas de estudo,
sobre cada um dos métodos pelos autores, percebe-se que por mais que o grau de importância
a eles atribuído possa divergir, os princípios de cada um dos modelos, independentemente de
como são abordados por cada pesquisador, apresentam grande similaridade de base teórica.
2.2 Modelo de decomposição de séries temporais
De acordo com Peinado e Graeml (2007), os modelos de decomposição de série temporais se
fundamentam no estudo da demanda anterior para projetar a demanda futura de produtos que
possuam históricos de vendas e uma situação estável no seu ciclo de vida, não sofrendo tantas
variações de um período para outro. Frequentemente, usa-se o período de um ano para análise,
então para prever demandas futuras estes modelos são um bom ponto de partida, contudo
devem ser utilizados com outros métodos de previsão para serem mais eficazes.
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
7
Geralmente, essas séries temporais de demanda passada expõem quatro particularidades,
como o nível que representa o volume de vendas e desconsidera as variações de sazonalidade
e aleatoriedades. A “tendência” são dados históricos, onde representam o ocorrido em cada
período, podem ser crescente, estabilizada, decrescente, linear ou não linear. Já a sazonalidade
é entendida como padrões repetidos ao longo dos mesmos períodos anualmente, sendo assim
bem diferentes de variações aleatórias. Por fim, a aleatoriedade é a comparação entre o erro
que existe do modelo de previsão construído e a demanda passada realmente ocorrida,
portanto um bom modelo de previsão de demanda é aquele que evidencia um erro estatístico
comparável à característica de aleatoriedade da demanda, permitindo que se tenha uma noção
da dimensão desta variabilidade (PEINADO; GRAEML, 2007).
Para Peinado e Graeml (2007), o modelo de média móvel simples é obtido facilmente pela
média aritmética dos “n” últimos períodos observados. Pode-se analisar a partir da equação,
expressada na Figura 1, que quanto maior o valor de n, maior será a influência dos efeitos das
componentes: Tendência, Sazonalidade e Cíclica nos modelos.
Figura 1: Equação da média móvel simples
Fonte: Peinado e Graeml (2007)
Tendo em vista as recomendações do autor supracitado e a equação da Figura 1, seria
prudente escolher um valor de “n” que seja pequeno na faixa de 3 a 5 meses para minimizar
estes efeitos das componentes.
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
8
Ainda de acordo com Peinado e Graeml (2007), o modelo da média móvel ponderada é
igualmente parecido á média móvel simples, considerando que só deve ser aplicado para
demandas que não apresentam tendência nem sazonalidade, diferenciando-se apenas que
levam em consideração os últimos meses com maior peso que os mais antigos de forma
gradativa, sendo assim os últimos mais importantes. Este modelo, ilustrado pela figura 2, é
calculado pela divisão da soma dos produtos da demanda pelo seu peso por um.
Figura 2: Equação da média móvel ponderada
Fonte: Peinado e Graeml (2007)
O modelo de média móvel com suavização exponencial simples, verificado na Figura 3, é
uma variação da média móvel ponderada, sendo igual aos dois modelos anteriores em relação
à aplicação para demandas que não apresentem tendência ou sazonalidade.
Figura 3: Equação da média móvel com suavização exponencial simples
Fonte: Peinado e Graeml (2007)
Observando a Figura 3 nota-se que este modelo se diferencia pelo fato que o peso de
ponderação vai ser elevado exponencialmente, quanto mais recente são os períodos
observados. O calculado deste modelo se dá pela multiplicação da constante de suavização (α)
pela demanda média dos últimos n períodos (Ď), somando-se a multiplicação da demanda real
ocorrida no período anterior ao período j (Dj-1) por 1-α. Conforme a fórmula, podemos
perceber que quanto maior o valor de α, menor será a influencia da demanda real do ultimo
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
9
período na previsão de demanda. Todos os três modelos de média apresentados podem ser
calculados com o auxilio de planilhas no Excel (PEINADO; GRAEML, 2007).
Tendo em vista os modelos supracitados que servirão de base para a metodologia é de
extrema importância dissertar a respeito das medidas de ajuste destes modelos, ou seja, das
variáveis que servirão de medidas de desempenho dos modelos para uma escolha adequada.
Essas medidas, de acordo com a literatura a respeito do tema, tem por base o erro gerado entre
o valor observado e o valor predito que serão apresentados na seção seguinte.
2.3 Erros de previsão
Como já citado anteriormente, conforme Jurandir Peinado (2007), toda demanda possui um
componente aleatório, e este comportamento é captado pela medição dos erros de previsão,
sendo considerado bom quando indica isto por uma amplitude do próprio erro, desta forma, é
fundamental, pois é ele que vai demonstrar a adequabilidade do seu modelo e a importância
para o planejamento logístico (definição do estoque de segurança de acordo com o desvio
padrão).
Para calculá-los basta comparar o desvio padrão da série das demandas observadas com o
desvio padrão da previsão da demanda. Este último é encontrado calculando o erro simples
(1), que é a diferença entre a demanda real e a demanda prevista, o erro absoluto (2) é dado
pelo módulo do erro simples, depois se faz o cálculo do desvio médio absoluto (3), sendo a
média acumulada dos erros absolutos nos últimos períodos, o calculo do desvio padrão dos
erros da previsão (4) representa o desvio da diferença entre a demanda ocorrida e a demanda
prevista através do modelo, diferentemente do desvio padrão da série de demandas
observadas, mencionado anteriormente. Já o erro ou tendência de viés (5) ocorre quando as
variações da demanda efetivamente ocorridas, quando comparadas com as previsões,
apresentam um comportamento estatisticamente não aleatório, sendo evidente em valores
acima ou abaixo dos valores reais de uma série temporal, demonstrando otimismo ou
pessimismo da demanda. As equações podem ser observadas conforme a Figura 4 a seguir:
(PEINADO; GRAEML, 2007).
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
10
Figura 4: Quadro ilustrativo dos componentes aleatórios
Fonte: Peinado e Graeml (2007)
Considerando que as médias em geral tem tendência central, o desvio padrão vai fornecer a
média de afastamentos em torno desta média principal, justificando sua relevância em toda a
estatística. Quanto maior o desvio padrão da sequência da demanda real observada, maior será
a amplitude do erro de previsão, ao se utilizar o método da média móvel simples, uma vez que
o desvio padrão da série está diretamente ligado ao comportamento aleatório da demanda.
Consequentemente, produtos que apresentam maior desvio padrão devem ter um estoque de
segurança maior que produtos que possuem desvio padrão baixo (PEINADO; GRAEML,
2007).
3 Metodologia
3.1 Definição do problema da empresa
A empresa estudada é de origem familiar, especializada na fabricação de especiarias
provenientes de frutas tropicais, especialmente derivados do caju. O principal produto da
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
11
empresa, a cajuína, possui mercado consumidor em todo o Estado do Piauí e em seus
vizinhos. A fábrica conta com uma equipe de oito funcionários que atuam diretamente no
processo produtivo da cajuína, além disso, possui uma produção que varia de acordo com a
demanda e a disponibilidade do caju, influenciados, principalmente, pelo período do ano.
O processo produtivo ocorre, principalmente, através de atividades manuais e, mesmo os
processos automatizados, necessitam de uma participação humana constante. Assim, para
fazer o melhor uso de todos os recursos disponíveis na fábrica, na produção, é necessário se
ter uma previsão de demanda que torne o erro, entre o que realmente será vendido em relação
ao que vai ser produzido, o menor possível, buscando minimizar os desperdícios. Entretanto, a
escolha de um novo método quantitativo de previsão de demanda não foi definida, por isso o
objetivo dessa pesquisa é comparar três modelos para determinar qual o mais adequado à
realidade da empresa.
3.2 Ferramentas e procedimentos de coleta de dados e aplicação de métodos
Tendo em vista o objetivo da pesquisa, identificar o modelo representativo da previsão da
demanda, esse só foi possível iniciar após a confirmação da disponibilidade do histórico de
vendas da empresa por meio de uma reunião com o gerente. A partir daí, elaboraram-se
planilhas eletrônicas utilizando o software Microsoft Excel 2010 para coletar o histórico da
demanda mensal de vendas da cajuína. Determinou-se, também, o período que se estenderia
esta pesquisa.
O período escolhido foi entre junho de 2016 a abril de 2017 por estar inserido em um período
de crise que o Brasil enfrenta. Na Figura 5 estão expostos os dados que foram utilizados para
o cálculo das médias moveis simples, ponderadas e com suavização.
Figura 5: Dados do histórico de vendas da empresa
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
12
Fonte: Elaborado pelos autores
3.2.1 Ferramentas e procedimentos de análise de dados
Após a coleta de dados, estes foram tratados tendo como base os modelos expostos da
fundamentação teórica. Desta forma, elaboraram-se planilhas eletrônicas no Microsoft Excel
2010 com as equações citadas das seções 2.2 e 2.3. Em seguida, realizou-se a previsão de
demanda por meio da média móvel simples, tendo como base a média dos últimos três meses
para alcançar a previsão do quarto mês (Figura 6).
Figura 6: Planilha de cálculo da previsão da Média Móvel Simples
Fonte: Elaborado pelos autores
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
13
Na Figura 6, para determinar o erro simples, calculou-se a diferença entre a venda e a
previsão do mês correspondente, o modulo dessa diferença foi classificado como o erro
absoluto. O cálculo do desvio médio absoluto foi feito a partir da média acumulada dos erros
absolutos mensais e, em seguida, o erro de viés foi determinado a partir da somatória do erro
simples, com o primeiro mês fixado dividido pelo desvio padrão absoluto. Por fim, o desvio
padrão dos erros de previsão foi apurado com base no erro simples.
Em relação ao cálculo da média móvel ponderada, a montagem da planilha foi feita de forma
equivalente ao modelo anterior, sendo que a única mudança é utilização de um fator de
ponderação atribuídos aos meses anteriores, para encontrar a previsão de demanda dos seus
respectivos meses posteriores, sendo o ultimo o mês o mais relevante (Figura 7).
Figura 7: Planilha de cálculo da previsão da Média Móvel Ponderada
Fonte: Elaborado pelos autores
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
14
Visualizando a Figura 7 a diferença entre a planilha da Figura 8 está nos fatores de
ponderação (último, penúltimo e antepenúltimo) e nas formulas da previsão que leva em
consideração estes fatores para os cálculos. Estes fatores foram determinados pela ferramenta
“solver” do Excel, utilizada para minimizar a função objetivo (desvio padrão do erro).
Aplicação do método da média móvel com suavização exponencial simples
Já para o cálculo da média móvel com suavização exponencial simples, os passos e fórmulas,
representados na Figura 8 para preenchimento da planilha, são idênticos aos dois modelos
anteriores, e sendo apenas uma variação da média móvel ponderada, utiliza-se o peso de
ponderação elevado de forma exponencial. Neste caso, o peso de ponderação nos cálculos é
apenas um, a constante de suavização (α), que é encontrada também pela ferramenta “Solver”
para obter o menor desvio padrão possível.
Figura 8: Planilha de cálculo da previsão da Média com Suavização Exponencial
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
15
Fonte: Elaborado pelos autores
4 Resultados e discussões
Em conformidade com os métodos aplicados puderam-se obter três planilhas de previsões de
demanda, cada uma com sua particularidade e desvio padrão especifico. Primeiramente,
podemos analisar abaixo na Figura 9 o resultado do modelo da média móvel simples:
Figura 9: Planilha de resultados da Média Móvel Simples
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
16
Fonte: Elaborado pelos autores
Com base nos dados obtidos na figura acima, podemos analisar que a previsão de demanda
apresenta-se bastante otimista em relação ao histórico de vendas, fazendo com que o erro
simples se caracterize por uma presença, predominante, de valores negativos. Em relação ao
erro de viés, podemos obter duas análises quanto ao seu resultado, pois alguns autores
consideram o intervalo de – 4 a + 4 para ser estatisticamente satisfatório, neste caso, o
resultado apresentado na figura não seria viável. Contrapondo-se a análise anterior, alguns
autores consideram o intervalo de – 6 a + 6, desta forma, estes valores demonstram que a
aplicação deste método de previsão é estatisticamente satisfatória. Conforme a Figura 10
abaixo, verificamos os resultados do modelo de média móvel ponderada:
Figura 10: Planilha de resultados da Média Móvel Ponderada
Fonte: Elaborado pelos autores
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
17
Já para o modelo de média móvel ponderada podemos constatar uma visão bem mais otimista
da previsão em relação ao histórico do método anterior, isto é, o erro simples se constitui por
maioria de valores negativos, com exceção do mês 7. Analisando a tendência de viés, é
verossímil ao de média móvel simples, sendo estatisticamente aceitável se for avaliado entre
valores de – 6 a + 6, e inadequado entre os valores de – 4 a + 4. A figura 11 abaixo apresenta
os resultados obtidos com o modelo de média móvel com suavização exponencial simples:
Figura 11: Planilha de resultados da Média Móvel com Suavização Exponencial
Fonte: Elaborado pelos autores
No modelo de média móvel com suavização exponencial averígua-se uma perspectiva mais
otimista da previsão em relação ao histórico dos métodos anteriores, isto é, o erro simples é
retratado por grande parte de valores negativos. Analisando a tendência de viés, igualmente
aos dois métodos anteriores, é satisfatório se for avaliado entre valores de – 6 a + 6, e
inadequado entre os valores de – 4 a + 4.
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
18
5 Conclusão
Com base nos resultados analisados pode-se perceber que os três modelos de previsão de
demanda utilizados para a análise comparativa possuem dados com valores próximos, por se
tratarem de modelos do método de series temporais. Por isso, o erro simples dos três
apresentam um maior número de valores negativos nos meses analisados, isso indica que os
métodos de previsão aplicados apontam prognósticos de vendas otimistas em relação à
realidade da demanda da empresa. Apesar disso, os procedimentos aplicados podem ser
classificados como estatisticamente satisfatórios, já que apresentam valores dentro do limite
especificado do erro de viés, portanto, não superestimam a demanda e podem ser usados para
auxiliar no planejamento da empresa. Além disso, é possível perceber que o maior erro
relacionado à previsão nos três modelos ocorre no sexto mês, em novembro, devido a uma
queda brusca de vendas desse mês relacionado ao anterior, de acordo com o gerente da
empresa essa variação ocorre todos os anos, em virtude do fim do período de safra do caju.
De acordo com as figuras 8, 9, 10 é notório que o menor desvio padrão dos erros calculados
foi no modelo de média móvel ponderada, em que a função dos fatores de ponderação
determinados pelo “Solver” foi essencial para isso, pois ele indicou valores mais precisos que
proporcionaram uma redução do desvio padrão, entregando assim estimativas de demanda
mais próximas da realidade.
A partir desse modelo, é notável que os valores de previsão ainda possuam erros
consideráveis em relação à demanda real, entretanto, a utilização desse método quantitativo
aliado a métodos qualitativos tornam os erros ainda menores e facilitam ainda mais o
planejamento estratégico da empresa. As incertezas do mercado tornam a previsão de
demanda um processo complexo, porém, a falta de um planejamento de vendas cria um
mercado ainda mais incerto que põe em risco toda a sobrevivência da empresa, por isso, as
previsões são essenciais para que uma empresa se torne competitiva.
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
19
REFERÊNCIAS
BALLOU, R. H. Gerenciamento da cadeia de suprimentos: logística empresarial. 5 ed. Porto Alegre:
Bookman, 2006, p. 616 .
BORTOLETTO, Wagner Wilson. et al. Modelos de series temporais para previsão de demanda: estudo de
caso em uma indústria eletrônica. XXXIV Encontro Nacional de Engenharia de Produção. João Pessoa, 2016
CHASE, Richard B; JACOBS, Robert F; AQUILANO, Nicholas J. Administração da produção para a
vantagem competitiva. Porto Alegre: Bookman, 2006.
CHIAVENATO, Idalberto. Introdução a Teoria geral da Administração. Rio de Janeiro: Elsevier, 2004.
CORRÊA, H. L.; CORRÊA, GIANESI, I. G. N. CAON, M. Planejamento, programação e controle da
produção: MRP II / ERP conceitos, uso e implantação. São Paulo: Atlas. 2001.
FERNANDES, Flavio Cesar Faria; GODINHO FILHO, Moacir. Planejamento e controle da produção: dos
fundamentos ao essencial. 1 ed. São Paulo: Atlas, 2010. 275 p.
XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens
avançadas de produção”
Joinville, SC, Brasil, 10 a 13 de outubro de 2017.
20
JESUS, Gessica M. K.; SILVA, Janaina M.; GIRADE, Camila. Analise de técnicas de previsão de demanda:
um estudo de caso em uma cerâmica. XXXIV Encontro Nacional de Engenharia de Produção João Pessoa,
2016.
LEMOS, Fernando de Oliveira. Metodologia para seleção de métodos de previsão de demanda. 183 f.
Dissertação-Universidade Federal do Rio Grande do Sul, Porto Alegre, 2006.
MANCUZO, A. C. B.; WERNER, L. Estudo dos métodos de previsão de demanda aplicado em uma empresa de
auditorias médicas. Revista Ingienería Industrial. p. 99-111, abr. 2014.
PEINADO, Jurandir; GRAEML, Alexandre Reis. Administração da produção: operações industriais e de
serviços. Curitiba: UnicenP, 2007.
PIMENTEL, Fernanda Q. A; CRUZ, Roberta G. G.; GUERREIRO, Rafael P. Aplicação de técnicas de
previsão de demanda em uma loja de materiais de construção. XXXIV Encontro Nacional de Engenharia de
Produção João Pessoa, 2016.
SLACK, Nigel; CHAMBERS, Stuart; JOHNSTON, Robert. Administração da produção. São Paulo: Atlas,
2002.
TEVENSON, Willian J. Administração das operações de produção. Rio de Janeiro: LTC, 2001.
TISOTT, Patricia Tais. et al. Implementação de um modelo de previsão de vendas da distribuição de aços
especiais. XXXIV Encontro Nacional de Engenharia de Produção João Pessoa, 2016.
TUBINO, Dalvio Ferrari. Planejamento e controle da produção: teoria e prática. 2. ed. São Paulo: Atlas, 2009.