APLICAÇÃO DE TÉCNICAS DE PREVISÃO DE DEMANDA NA INDÚSTRIA DE...
Transcript of APLICAÇÃO DE TÉCNICAS DE PREVISÃO DE DEMANDA NA INDÚSTRIA DE...
APLICAÇÃO DE TÉCNICAS DE
PREVISÃO DE DEMANDA NA
INDÚSTRIA DE CONFECÇÕES
ABNER ROCHA PINHEIRO (UNIFOR )
Fernando Luiz Emerenciano Viana (UNIFOR )
Eduardo Alencar Lima Castro (UNIFOR )
O presente trabalho tem como objetivo analisar a aplicação de
técnicas de previsão de demanda em uma indústria de confecção no
estado do Ceará. Para tal, foram apresentadas algumas das principais
técnicas de previsão de demanda disponíveis na literatura, de modo
que se pudesse analisar a mais adequada à realidade dos dados
históricos de vendas da empresa estudada. Trata-se de um estudo de
caso exploratório, no qual foram trabalhados dados primários e
secundários, utilizando-se o Microsoft Excel como principal
ferramenta de análise de dados. A técnica de Suavização Exponencial
de Séries com Tendência e com Variações de Estação (Modelo de
Winter) mostrou-se como a mais adequada para fazer previsões de
demanda da empresa, pois apresentou o menor desvio absoluto médio,
confirmando o que se esperava a partir do referencial teórico, tendo
em vista que os dados de vendas da empresa apresentam sazonalidade
e tendência de crescimento. A partir dessa constatação, utilizou-se essa
técnica para realizar previsões da demanda futura da empresa com o
intuito de aumentar a acurácia dos planejamentos a longo, médio e
curto prazo elaborados pela mesma.
Palavras-chaves: Previsão de demanda, Modelos de séries temporais,
Planejamento de produção.
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
2
1. Introdução
Observa-se que o processo de globalização tem contribuído bastante para o aumento da
competitividade entre empresas, pois atualmente estas não concorrem apenas em nível
nacional, mas também em nível mundial. A busca incessante por redução de custos torna-se
cada vez mais presente no dia a dia das corporações, pois as mesmas não conseguem mais
determinar o preço de seus produtos como sendo o custo acumulado na cadeia de suprimentos
acrescido do lucro desejado. Quando se discute a necessidade de redução dos custos nas
organizações, a minimização dos estoques (matéria prima e produto acabado) também tem
sido muito discutida, não só por essa questão estar presente nos oito tipos de desperdícios do
sistema de produção Lean (DENNIS, 2008), mas também por trazer inúmeros benefícios.
Dentro desse contexto, a Previsão de Demanda tem sido um assunto bastante estudado
atualmente, visto que ela é fundamental para o planejamento de longo, médio e curto prazo
das empresas. Na visão de Tubino (2009), a previsão de demanda é a base para o
planejamento estratégico da produção, vendas e finanças de qualquer companhia, ou seja, as
empresas elaboram seus planos de produção, quadro de mão de obra, fluxo de caixa, entre
outros elementos, para o rumo em que as mesmas acham que o negócio andará.
Pode-se afirmar que as empresas buscam a cada dia uma maior acurácia em seus
planejamentos, sejam eles de longo, médio ou curto prazo, para que possam alcançar suas
metas e objetivos e, para isso, é fundamental uma boa previsão de demanda que auxilie esse
planejamento. Considerando-se o exposto, esse trabalho tem como objetivo geral analisar a
aplicação de técnicas de previsão de demanda em uma indústria de confecção no estado do
Ceará, de modo a se identificar a técnica mais adequada à realidade da organização, de modo
a minimizar os erros de previsão.
2. Técnicas de Previsão de Demanda
As técnicas de previsão de demanda classificam-se em três categorias gerais: qualitativa,
análise de séries temporais e modelos causais. Chopra e Meindl (2003) afirmam que modelos
de séries temporais pressupõem que a demanda histórica pode ser usada para prever a
demanda futura, sendo mais apropriados quando a situação é estável e o padrão básico da
demanda não sofre grandes alterações de um ano para o outro. Para Tubino (2009), esse é o
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
3
método mais simples e usual de previsão e pode gerar bons resultados quando elaborado
corretamente. O uso de modelos de séries temporais será o principal foco deste trabalho.
Para Morettin e Toloi (2006), uma série temporal é um conjunto de observações distribuídas
ao longo do tempo e que podem ser classificadas em discretas, quando suas observações são
feitas em tempos específicos, geralmente em intervalos de tempos iguais, ou contínuas,
quando as observações são feitas continuamente no tempo. Chopra e Meindl (2003) ressaltam
que os modelos de séries temporais são mais apropriados para serem utilizados em previsões
quando se espera que a demanda futura siga os mesmos padrões dos dados históricos
utilizados no modelo de previsão. Nesse caso, a demanda projetada ou demanda observada
possui um componente sistemático e um componente aleatório, conforme representado pela
Equação 1.
Demanda observada (O) = Componente sistemático (S) + Componente aleatório (R) (1)
O componente sistemático da demanda, obtido a partir da utilização de dados históricos, é
composto por: (a) nível, que constitui a demanda atual dessazonalizada; (b) tendência, que é a
taxa de crescimento ou declínio da demanda que direciona os dados ao longo do tempo e; (c)
sazonalidade, flutuações sazonais previsíveis da demanda, como alterações climáticas.
No que diz respeito ao componente aleatório, trata-se da parte inexplicável da demanda, ou
seja, é a parte da previsão que se desvia do componente sistemático. Geralmente, essas
variações são causadas por eventos causais, atípicos e de difícil previsão. Já quando não é
possível nem identificar as causas das mesmas, elas são chamadas de puramente aleatórias.
Chopra e Meindl (2003) afirmam que o componente aleatório não pode e não deve ser
previsto, apenas sua dimensão e variabilidade deve ser conhecida, fornecendo uma medida de
erro padrão ao estudo.
O Quadro 1 apresenta os elementos básicos das principais técnicas de previsão de demanda
baseadas em séries temporais.
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
4
Técnica Componente Sistemático (S) Principais Fórmulas
Média móvel simples Nível de demanda (L)
n
AAAF nttt
t
...21 , onde
tF = Demanda prevista no período t
1tA = Demanda real no período t-1
n = Número de períodos considerados na
média
Média móvel ponderada Nível de demanda (L)
n
AWAWAWF ntnttttt
t
...2211 , onde
tF = Demanda prevista no período t
1tA = Demanda real no período t-1
1tW = Peso atribuído ao período t-1
n = Número de períodos considerados na
média
Média ponderada exponencial Nível de demanda (L) )( 111 tttt FAFF , onde
tF = Previsão exponencialmente ajustada
para o período t
1tF =Previsão exponencialmente ajustada
para o período anterior
1tA = Demanda real no período anterior
α = Taxa de resposta desejada, ou
constante de ajuste (0< α<1)
Suavização exponencial de séries
com tendência (Modelo de Holt) Nível de demanda (L) +
Tendência (T) ttt TLF 1 ou
ttnt nTLF
))(1(11 tttt TLDL
ttt TLtLT )1()( 11 , onde
α = constante de suavização de nível (0<
α<1)
β = constante de suavização de tendência
(0< β <1)
Suavização exponencial de séries
com tendência e com variações de
estação (Modelo de Winter)
[Nível (L) + Tendência (T)] x
Fator de sazonalidade 11 )( tttt STLF ,ou
ntttnt SnTLF )(
))(1()/( 111 ttttt TLSDL
tttt TLLT )1()( 11
1111 )1()/( tttpt SLDS
α = constante de suavização de nível (0<
α<1)
β = constante de suavização de tendência
(0< β <1)
γ= constante de suavização da
sazonalidade (0< γ <1)
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
5
Quadro 1 – Principais informações acerca das técnicas de previsão baseadas em séries temporais
Fonte: Elaborado pelos autores a partir de Chopra e Meindl (2003) e Davis, Chase e Aquilano (2001).
Conforme supracitado, a demanda observada é formada por um componente sistemático e um
componente aleatório. O componente sistemático é previsto pela técnica ou modelo de
previsão utilizado, já o componente aleatório se manifesta na forma de um erro de previsão.
Esses erros de previsão devem ser analisados cuidadosamente e deles extraídas informações
valiosas, utilizadas pela organização para auxiliar as várias tomadas de decisão, determinar se
o modelo de previsão que está sendo utilizado está prevendo detalhadamente o componente
sistemático da demanda ou deixou de ser adequado, entre outros (CHOPRA; MEINDL,
2003). O erro de previsão para o período t (Et) é dado como a diferença entre a previsão para
o período t (Ft) e a demanda real no período t (Dt). O Quadro 2 apresenta as fórmulas de
cálculo das principais medidas de erros de previsão.
Medidas de Erro de Previsão Fórmulas de Cálculo
Erro de previsão para o período t (Et) ttt DFE
Erro quadrático médio (EQM)
n
t
tn En
EQM1
21
Desvio absoluto no período t (At) tt EA
Desvio médio absoluto (DAM)
n
t
tn An
DAM1
1
Erro absoluto médio percentual (EAMP)
n
D
E
EAMP
n
t t
t
n
1
100
Viés da previsão (VP)
n
t
tn Eviés1
Razão de viés (TS)
t
t
tDAM
viésTS
Quadro 2 – Fórmulas de cálculo das medidas de erros de previsão
Fonte: Elaborado pelos autores a partir de Chopra e Meindl (2003).
3. Aspectos Metodológicos
A partir do seu objetivo geral, pode-se classificar o presente trabalho, quanto aos fins, como
uma pesquisa exploratória, conforme estabelecido por Gil (1991). Já quanto aos meios,
caracteriza-se como um estudo de caso (VERGARA, 1997), realizado em uma empresa da
indústria de confecções do estado do Ceará, do segmento de moda praia. Com mais de 20
anos de existência, atualmente emprega cerca de 60 funcionários, entre diretos e indiretos e
possui clientela ativa em 24 estados brasileiros.
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
6
A escolha da empresa deu-se por conveniência, tendo em vista que um dos autores trabalha na
organização e participa de suas decisões gerenciais, tendo constatado que um dos problemas
mais críticos no processo de planejamento da produção é não utilização de técnicas
estruturadas de previsão de demanda, sendo a demanda prevista com base na estimativa e
opinião dos responsáveis pela unidade de mercado da empresa.
Os dados primários coletados foram relativos às informações gerais sobre a empresa
pesquisada e seus dados históricos de demanda, com auxílio de um roteiro de observações.
Para a aplicação das técnicas de previsão de demanda aos dados de demanda histórica da
empresa, foi necessária a utilização do software Microsoft Excel 2007, mais especificamente
de ferramentas como a análise de regressão linear, para estimar tendências, bem como o
solver, para a definição de valores ótimos para as constantes de suavização (α, β e γ). O Excel
foi também utilizado para o desenvolvimento de gráficos e cálculos necessários à aplicação
das técnicas de previsão descritas anteriormente.
4. Resultados e Discussão
Para atender ao objetivo geral do trabalho efetuou-se um levantamento dos dados históricos
de vendas da empresa, de modo que se pudesse proceder a aplicação das técnicas de previsão
de demanda. A série histórica foi coletada a partir de relatórios acessados diretamente do
sistema de informação utilizado pela empresa. Foi escolhida para esse estudo de caso a linha
de produtos com maior valor agregado, aqui denominada linha de produtos X, devido à sua
importância para a organização. Os dados são referentes ao período de junho/2008 a
julho/2012.
Após a coleta dos dados, com o auxílio da ferramenta Microsoft Excel 2007, foi construído
um gráfico da série de vendas da linha de produtos X dos últimos 50 períodos mensais,
conforme exposto na Figura 1.
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
7
-
5.000
10.000
15.000
20.000
25.000
30.000
35.000 ju
n/0
8
jul/
08
ago
/08
set/
08
ou
t/0
8
no
v/0
8
de
z/0
8
jan
/09
fev/
09
mar
/09
abr/
09
mai
/09
jun
/09
jul/
09
ago
/09
set/
09
ou
t/0
9
no
v/0
9
de
z/0
9
jan
/10
fev/
10
mar
/10
abr/
10
mai
/10
jun
/10
jul/
10
ago
/10
set/
10
ou
t/1
0
no
v/1
0
de
z/1
0
jan
/11
fev/
11
mar
/11
abr/
11
mai
/11
jun
/11
jul/
11
ago
/11
set/
11
ou
t/1
1
no
v/1
1
de
z/1
1
jan
/12
fev/
12
mar
/12
abr/
12
mai
/12
jun
/12
jul/
12
Ve
nd
as e
m u
nid
ade
s d
e p
rod
uto
s
Figura 1 - Série de vendas da linha de produtos X
Fonte: Elaborado pelos autores
Ao se realizar uma análise inicial do gráfico da Figura 1, percebe-se que se trata de uma série
de vendas sazonal, em que há uma maior concentração das vendas no segundo semestre do
ano.
Além da questão da sazonalidade, é importante também verificar se a série histórica apresenta
tendência (crescimento ou retração). Para tal, torna-se necessário proceder a dessazonalização
da demanda e a consequente estimativa dos valores de a (interseção no eixo Y) e b (inclinação
da linha), conforme exposto na Figura 2.
-
5.000
10.000
15.000
20.000
25.000
30.000
35.000
jun
/08
jul/
08
ago
/08
set/
08
ou
t/0
8
no
v/0
8
de
z/0
8
jan
/09
fev/
09
mar
/09
abr/
09
mai
/09
jun
/09
jul/
09
ago
/09
set/
09
ou
t/0
9
no
v/0
9
de
z/0
9
jan
/10
fev/
10
mar
/10
abr/
10
mai
/10
jun
/10
jul/
10
ago
/10
set/
10
ou
t/1
0
no
v/1
0
de
z/1
0
jan
/11
fev/
11
mar
/11
abr/
11
mai
/11
jun
/11
jul/
11
ago
/11
set/
11
ou
t/1
1
no
v/1
1
de
z/1
1
jan
/12
fev/
12
mar
/12
abr/
12
mai
/12
jun
/12
jul/
12
Série de Vendas Série de Vendas Dessazonalizada
Figura 2 - Série de vendas dessazonalizada
Fonte: Elaborado pelos autores
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
8
Como se pode perceber na Figura 2, a série dessazonalizada apresenta uma tendência de
crescimento, o que confirma a existência dessa característica na série histórica analisada.
Considerando-se que a série apresenta as características de sazonalidade e tendência, supõe-
se, com base no capítulo 2, que o Modelo de Winter seria o mais adequado a ser utilizado.
Entretanto, optou-se por utilizar todas as técnicas apresentadas e avaliar o resultado de cada
uma delas, com foco nas medidas de estimativas de erros de previsão (desvio absoluto médio,
erro absoluto médio percentual e razão de viés). O Quadro 3 apresenta o resultado geral da
utilização das técnicas de previsão de demanda apresentadas aos dados históricos de vendas
da empresa estudada.
Modelo de previsão DAM (Desvio
absoluto médio)
EAMP (Erro absoluto
médio percentual)
Variação do TS
(Razão de viés)
Média móvel simples três períodos 7.264 240% -0,41 a -8,47
Média móvel simples seis períodos 9.732 496% -1,00 a -10,54
Média móvel simples nove períodos 10.068 519% -1,00 a -12,94
Média móvel ponderada com três períodos 6.321 189% -0,53 a -8,63
Média ponderada exponencial 5.336 116% 2,00 a -7,02
Suavização exponencial de séries com
tendência (Modelo de Holt) 5.469 122% 2,08 a -4,85
Suavização exponencial de séries com
tendência e variações de estação (Modelo
de Winter)
3.448 75% 5,17 a -6,00
Quadro 3 – Resultado geral da utilização das técnicas de previsão de demanda
Fonte: Elaborado pelos autores.
De acordo com o Quadro 3, pode-se afirmar que a técnica de previsão de demanda que
apresentou o resultado mais satisfatório, entre as técnicas aplicadas, foi a técnica de
suavização exponencial de séries com tendência e variações de estação (Modelo de Winter), o
que de certa forma já era esperado a partir do exposto no capítulo 2, visto que tal técnica
aborda tanto o componente de sazonalidade, como o componente de tendência, apresentado
anteriormente no referencial teórico. Vale ressaltar ainda a importância de se analisar a
variação de TS, medida de erro de previsão que torna possível saber quando a previsão
realizada utilizando determinada técnica está enviesada ou não. Caso esteja enviesada, o que
ocorre quando se tem valores de TS menores do que -6,0 ou maiores do que 6,0, mesmo que a
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
9
técnica utilizada apresente um desvio absoluto médio (DAM) menor, recomenda-se que ela
não seja utilizada com aqueles dados de série de vendas.
É importante mencionar, ainda, que no caso das técnicas de média ponderada exponencial,
modelo de Holt e modelo de Winter, em que é necessário definir os valores das constantes de
suavização (α, β e γ), essa definição foi feita com auxílio da ferramenta Solver do Excel. A
Figura 3 apresenta graficamente o resultado obtido com o uso da técnica que se mostrou mais
apropriada, o modelo de Winter.
-
5.000
10.000
15.000
20.000
25.000
30.000
35.000
jun
/08
jul/
08
ago
/08
set/
08
ou
t/0
8
no
v/0
8
de
z/0
8
jan
/09
fev/
09
mar
/09
abr/
09
mai
/09
jun
/09
jul/
09
ago
/09
set/
09
ou
t/0
9
no
v/0
9
de
z/0
9
jan
/10
fev/
10
mar
/10
abr/
10
mai
/10
jun
/10
jul/
10
ago
/10
set/
10
ou
t/1
0
no
v/1
0
de
z/1
0
jan
/11
fev/
11
mar
/11
abr/
11
mai
/11
jun
/11
jul/
11
ago
/11
set/
11
ou
t/1
1
no
v/1
1
de
z/1
1
jan
/12
fev/
12
mar
/12
abr/
12
mai
/12
jun
/12
jul/
12
Série de vendas Modelo de Winter
Figura 3 - Suavização exponencial de séries com tendência e com variações de estação (Modelo de Winter)
Fonte: Elaborado pelos autores
Uma vez selecionada a técnica de previsão de demanda mais adequada, calculou-se a previsão
de vendas para os doze períodos mensais posteriores (agosto/2012 a julho/2013) para a
empresa estudada. A Figura 4 representa graficamente a previsão de vendas para esse período.
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
10
-
5.000
10.000
15.000
20.000
25.000
30.000
35.000
jun
/08
jul/
08
ago
/08
set/
08
ou
t/0
8
no
v/0
8
de
z/0
8
jan
/09
fev/
09
mar
/09
abr/
09
mai
/09
jun
/09
jul/
09
ago
/09
set/
09
ou
t/0
9
no
v/0
9
de
z/0
9
jan
/10
fev/
10
mar
/10
abr/
10
mai
/10
jun
/10
jul/
10
ago
/10
set/
10
ou
t/1
0
no
v/1
0
de
z/1
0
jan
/11
fev/
11
mar
/11
abr/
11
mai
/11
jun
/11
jul/
11
ago
/11
set/
11
ou
t/1
1
no
v/1
1
de
z/1
1
jan
/12
fev/
12
mar
/12
abr/
12
mai
/12
jun
/12
jul/
12
ago
/12
set/
12
ou
t/1
2
no
v/1
2
de
z/1
2
jan
/13
fev/
13
mar
/13
abr/
13
mai
/13
jun
/13
jul/
13
Série de vendas Modelo de Winter
Figura 4 – Previsão de vendas doze períodos posteriores com uso da técnica de suavização exponencial de séries
com tendência e com variações de estação
Fonte: Elaborado pelos autores
O Quadro 4 apresenta a previsão de vendas para os doze períodos mensais posteriores.
Período Previsão (Unid.) Período Previsão (Unid.)
Agosto/2012 15.920 Fevereiro/2013 3.476
Setembro/2012 18.903 Março/2013 817
Outubro/2012 20.064 Abril/2013 632
Novembro/2012 18.756 Maio/2013 3.285
Dezembro/2012 13.501 Junho/2013 5.628
Janeiro/2013 6.056 Julho/2013 3.814
Quadro 4 - Previsão de demanda para os doze períodos posteriores
Fonte: Elaborado pelos autores
Ao se analisar os dados da previsão feita para os doze períodos posteriores, percebe-se que
estes seguem o mesmo comportamento da demanda dos períodos anteriores, em que o
segundo semestre do ano (agosto a dezembro) tem a maior concentração das vendas.
Visualiza-se também na Figura 4 que a previsão é inferior em quantidades para quase todos os
períodos estimados, quando comparado aos doze períodos mensais anteriores à previsão. Do
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
11
ponto de vista do pesquisador, esse comportamento da previsão para os doze períodos
posteriores ocorreu, principalmente, devido ao fato de o modelo de previsão utilizado tentar
corrigir as estimativas superiores aos dados de demanda real realizadas para os períodos
anteriores (outubro/2011 a abril/2012).
5. Considerações Finais
Esse trabalho foi realizado com o objetivo geral de analisar a aplicação de técnicas de
previsão de demanda em uma indústria de confecção no estado do Ceará. Trata-se de um
estudo de caso exploratório, realizado em uma empresa do segmento de moda praia, no qual
houve coleta de dados primários e secundários, cuja principal ferramenta de análise de dados
utilizada foi o software Microsoft Excel.
Com a aplicação de diversas técnicas de previsão de demanda aos dados coletados, conclui-se
que a técnica de suavização exponencial de séries com tendência e variação de estação obteve
um resultado mais satisfatório, possuindo o menor desvio absoluto médio (DAM) e
reforçando que este método se ajusta bem às séries que possuem tanto o componente de
tendência, como o componente de sazonalidade, conforme ressaltado no capítulo 2
(CHOPRA; MEINDL, 2003), características estas presentes nos dados históricos de demanda
da empresa.
A partir da constatação da melhor adequação da técnica de suavização exponencial e séries
com tendência e variação de estação (Modelo de Winter), pode-se partir para a utilização da
mesma na previsão da demanda futura da empresa.
Vale ressaltar a importância da aplicação dessas técnicas de previsão de séries temporais aos
dados coletados, de maneira que, a cada novo dado de demanda real, essa previsão seja refeita
ou atualizada, objetivando mantê-las mais próximas da demanda real. Outro ponto que merece
destaque é a necessidade de equilibrar fatores objetivos e subjetivos ao prever a demanda,
visto que o potencial humano não deve ser excluído na finalização da previsão, pois este pode
ter acesso a informações sobre condições do mercado que não estariam disponíveis nos dados
históricos da demanda. A relevância do uso das técnicas se torna ainda maior pelo fato da
empresa nunca ter utilizado anteriormente qualquer técnica estruturada de previsão de
demanda. Assim sendo, o trabalho traz grande contribuição para a gestão da organização. A
partir da realização do presente trabalho, vislumbram-se outras possibilidades, que
configuram as sugestões para trabalhos futuros relacionados ao uso de técnicas de previsão de
demanda.
XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos
Salvador, BA, Brasil, 08 a 11 de outubro de 2013.
12
Uma primeira possibilidade seria a utilização dos modelos de Box-Jenkins, genericamente
conhecidos por ARIMA (Auto Regressive Integrated Moving Averages), que são modelos
estatísticos lineares para análise de séries temporais e que se tornam mais sofisticados por
usarem a correlação entre as observações. Os modelos de redes neurais artificiais (RNAs)
também merecem destaque, por trabalharem com funções não lineares (como muitas vezes
são as séries temporais) com alto grau de acurácia. Por fim, a utilização conjunta de técnicas
de previsão de demanda e modelos de simulação pode aumentar a confiabilidade das
previsões a partir da simulação de diferentes cenários, baseados em comportamentos das
principais variáveis que possam influenciar a demanda que se pretende estimar.
Referências
CHOPRA, Sunil; MEINDL, Peter. Gerenciamento da cadeia de suprimentos: Estratégia,
planejamento e operação. São Paulo: Pearson Prentice Hall, 2003.
DAVIS, Mark M.; AQUILANO, Nicholas J.; CHASE, Richard B. Fundamentos da
administração da produção. 3. Ed. Porto Alegre: Bookman, 2001.
DENNIS, Pascal. Produção lean simplificada: Um guia para entender o sistema de produção
mais poderoso do mundo. 2. Ed. Porto Alegre: Bookman, 2008.
GIL, Antônio Carlos. Como elaborar projetos de pesquisa. 3. ed. São Paulo: Atlas, 1991.
MADDALA, G. S. Introdução à econometria. 3. Ed. Rio de Janeiro: LTC, 2003.
MORETTIN, Pedro A.; TOLOI, Clélia M. C. Análise de séries temporais. 2. Ed. São Paulo:
Blucher, 2006.
TUBINO, Dalvio Ferrari. Planejamento e controle da produção: teoria e prática. 2. Ed. São
Paulo: Atlas, 2009.
VERGARA, Sylvia Constant. Projetos e relatórios de pesquisa em administração. São
Paulo: Atlas, 1997.