CENTRO UNIVERSITRIO DO PAR CESUPA

CURSO DE ENGENHARIA DE PRODUO

DISCIPLINA: TRABALHO DE CONCLUSO 1
TURMA: EP7NA
PROFESSOR: CLUDIO MAURO VIEIRA SERRA

APLICAO DE REDES NEURAIS PARA PREVISO DE VENDAS

EM UMA PRESTADORA DE SERVIOS DE PLANO DE SADE

Benedito Antnio Gonalves Dias Junior

Pedro Henrique Fernandes Diniz

Belm
Junho/2016.

1. INTRODUO
A demanda por Planos de Sade vem crescendo rapidamente no Brasil, em
resposta a uma srie de fatores como o ambiente macroeconmico favorvel, o aumento
da criao de empregos formais e de profissionais liberais, crescente poder aquisitivo,
envelhecimento da populao e um histrico de limitaes na qualidade e no acesso a
servios pblicos de sade. Tal demanda, aliada a um histrico de limitaes de acesso a
Planos de Sade individuais ou familiares (principalmente em razo de preos,
qualidade e disponibilidade), resultou em um forte crescimento da base de Beneficirios
nos ltimos anos.
De acordo com a Agncia Nacional de Sade Suplementar (ANS, 2014), a
penetrao dos Planos de Sade no Brasil cresceu aproximadamente 50% desde o ano
de 2001, alcanando mais de 50,6 milhes de indivduos em setembro de 2014. No
entanto, em 30 de setembro de 2014, apenas 24,7% da populao brasileira possua
Planos de Sade.
Diante dessas informaes, pode-se afirmar que o mercado de planos de sade se
tornou competitivo entre as operadoras, tal fato se d ao motivo de atualmente existir
vrios tipos de planos de sade, mas apenas dois padres, enfermaria ou apartamento.
Esse aumento na demanda por planos de sade ocorre pelo fato do pas no oferecer
uma sade de qualidade para a populao, seja de baixa renda, classe-mdia baixa ou
alta, e h planos de diversos preos que atendem a populao seja de qual classe social
ela estiver encaixada.
O crescimento da demanda por planos de sade vem fazendo com que aumente a
quantidade de operadoras para a comercializao desses planos, e isso faz com que
ocorra competitividade no mercado, por conta das operadoras que comercializam planos
de baixo, mdio e alto valor. Sendo assim, h operadoras que possuem prestadoras de
servios, onde essas prestadoras tem a funo apenas de comercializar os planos de
sade gerando uma grande quantidade de clientes e lucro tanto para a operadora quanto
para a prestadora.
Diante de um mercado mundial altamente competitivo muitas empresas buscam se
diferenciar em relao as outras e para isso preciso que elas apresentem bons mtodos

de gesto de demanda para ter um destaque sobre seus concorrentes. A importncia

dessa gesto hoje uma caracterstica diferenciadora, visto que de acordo com
Favaretto (2001), a gesto da demanda, a integrao entre cliente e empresa, sendo
responsvel pelo planejamento adequado de todas as demandas geradas, externa ou
internamente, a fim de se obter um equilbrio entre o que o mercado requer e o que a
produo pode fornecer. Barbosa; Chaves, (2012) ressalta outra importncia, que diante
das incertezas do mercado, os gestores buscam obter melhores previses de demanda,
para apoiar o processo decisivo, pois necessrio realizar investimentos, programar a
produo, alocar fora de vendas, contratar e treinar pessoas, adquirir equipamentos e
comprar matria-prima. No entanto, a gesto da demanda no se resume apenas
previso de vendas, ela envolve tambm a capacidade de planejar, comunicar,
influenciar e priorizar a demanda da melhor maneira possvel. Portanto quando h uma
boa gesto da demanda muitas empresas conseguem se antecipar as situaes que vo
acontecer em futuros prximos.
As prestadoras de servios ficam to focadas no lucro que essas vendas trazem,
que se esquecem da importncia de se ter uma boa gesto dessas vendas e at uma
previso das mesmas, e a previso de vendas vem para ser um bom plano de
contingencia para as prestadoras. A previso de vendas um processo muito importante
dentro da gesto de demanda, pois muitos problemas so encontrados na previso de
vendas, um que podemos ressaltar que a previso nunca est precisamente correta.
Corra, Gianesi e Caon, (2001) ressalta que como a previso uma das informaes
mais importantes para o planejamento, conclui-se que qualquer processo de
planejamento sofre em virtude dos erros de previso, e as incertezas das previses e
erros correspondentes provm de duas fontes distintas: a primeira delas corresponde ao
prprio mercado, que, dada sua natureza, pode ser bastante instvel e de baixa
previsibilidade; a segunda corresponde ao sistema de previso, que, com base em
informaes vrias coletadas no mercado e em dados histricos, gera uma informao
que pretende antecipar a demanda futura, informao esta que pode conter incertezas
em virtude da prpria eficcia (ou falta de eficcia) do sistema de previso.
Atualmente a prestadora de servio no apresenta nenhum mtodo para prever as
suas vendas, tudo feito base de suposies e experincias dos prprios donos e isso
ocasiona em erros na previso em alguns meses, onde esses erros acabam influenciando
nas receitas da empresa.

Para que seja possvel prever os valores futuros das vendas, necessrio que se
disponha de uma memria histrica de valores passados em um conjunto de dados,
porm, somente esse conjunto de dados no permite a previso de valores futuros. Para
que isso ocorra, necessrio a utilizao de algoritmos e/ou tcnicas ou mtodos de
previso de sries temporais. O presente trabalho tem por finalidade aplicar um mtodo
de srie temporal, para auxiliar a prestadora de servios na sua previso de venda de
plano de sade.
1.1.

JUSTIFICATIVA DO TRABALHO

Devido forte competitividade entre as empresas, a tomada de decises vem

sendo crucial no mercado, elas precisam ser exatas e precisas e com isso as empresas
precisam ter uma certa qualidade nessa tomada de decises, logo elas precisam de dados
passados para analisar e ver o que ser feito para frente. Para que seja tomada a deciso,
o tomador tem de ter os dados disponveis e habilidade em extrair desses dados
informaes importantes.
Uma das vantagens que esse trabalho pode trazer para a prestadora no mbito do
negcio, com a aplicao de um mtodo para prever as vendas isso pode vir a ser uma
caracterstica diferenciadora diante as outras prestadoras de servios de outras
operadoras de planos de sade.
Outra vantagem seria para contribuio acadmica, visto que atualmente, ainda
muito escassa a aplicao de uma previso de vendas para operadoras ou prestadoras de
servio na rea de planos de sade. Hoje a quantidade de operadoras que se tem no
mercado muito grande, devido a demanda por sade no setor privado est
aumentando, e isso abre oportunidades para quem deseja investir no mercado, com isso,
quanto mais pesquisas forem desenvolvidas, mais resultados iro ser gerados para esse
mercado.
Prope-se com estre trabalho criar uma ferramenta que possa contribuir com a
prestadora de servio, para o auxlio da mesma com base em um modelo de previso de
vendas eficiente, fazendo assim, com que eles possam aumentar seu lucro na
comercializao do plano de sade e que possam, portanto, ser uma prestadora
diferenciada no mercado em que atuam.

1.2.

Objetivos do Trabalho

1.2.1. Objetivo Geral

O objetivo principal deste trabalho elaborar uma metodologia para
implementao de sistema de previso de vendas com o modelo de Redes Neurais
Artificiais. A aplicao principal para esta metodologia dever ocorrer em uma empresa
do ramo de prestao de servios na comercializao de planos de sade; desta forma, a
metodologia deve ser adequada a este tipo de empresa.
1.2.2. Objetivos Especficos
a) Construir uma rede neural MLP para realizar a previso de vendas
b) Realizar as previses atravs da Rede Neural Artificial

2. REFERENCIAL TERICO
2.1 MTODOS QUANTITATIVOS DE PREVISO
Os mtodos quantitativos de previso definem explicitamente como a previso
determinada. A lgica claramente diagnosticada e as operaes so matemticas. Os
processos envolvem verificao de dados histricos para identificar o processo
(CAVALHEIRO, 2003).

Existem basicamente trs condies que devem ser consideradas para se fazer
uma eficiente previso quantitativa:
1. Informaes sobre o passado devem estar disponveis.
2. As informaes podem ser quantificadas.
3. Pode-se assumir que alguns aspectos do comportamento passado vo se repetir
no futuro, chamada de hiptese de continuidade.
A seguir ser demonstrado o mtodo de previso que ser desenvolvido para
elaborao do modelo de previso utilizado neste trabalho.
2.2 Redes Neurais Artificiais
Segundo Haykin (2008) o trabalho em redes neurais artificiais, usualmente
denominadas redes neurais , tem sido motivado desde o comeo pelo
reconhecimento de que o crebro humano processa informaes de uma forma
inteiramente diferente do computador digital convencional. O crebro um computador
(sistema de processamento de informao) altamente complexo, no-linear e paralelo.
Ele tem a capacidade de organizar seus constituintes estruturais, conhecidos por
neurnios, de forma a realizar certos processamentos (p.ex., reconhecimento de
padres, percepo e controle motor) muito mais rapidamente que o mais rpido
computador digital hoje existente.
Ainda de acordo com Haykin (2008) na sua forma mais geral, uma rede neural
uma mquina que projetada para modelar a maneira como o crebro realiza uma tarefa
particular ou funo de interesse; a rede normalmente implementada utilizando-se
componentes eletrnicos ou simulada por programao em um computador digital.
A construo de Redes Neurais Artificiais (RNA) tem inspirao nos neurnios
biolgicos e nos sistemas nervosos. Entretanto, importante compreender que,
atualmente, as RNA esto muito distantes das Redes Neurais Naturais (RNN) e,
frequentemente, as semelhanas so mnimas (AZEVEDO, BRASIL E OLIVEIRA
2000).
De acordo com Braga, Carvalho e Ludermir (2007), as RNAs tentam reproduzir
as funes das redes biolgicas, buscando implementar seu comportamento funcional e
sua dinmica. No entanto, do ponto de vista fisiolgico as redes artificiais na sua forma
atual ainda diferem razoavelmente das redes biolgicas. importante, contudo,
observar as similaridades entre esses dois tipos de sistemas, tanto para que possa
entender melhor o sistema nervoso quanto para buscar ideias e inspiraes para a
pesquisa em neurocomputao. Como caractersticas comuns, pode-se citar que os dois
sistemas so baseados em unidades de computao paralela e distribuda que se

comunicam por meio conexes sinpticas, possuem detetores de caractersticas,

redundncia e modularizao das conexes.
2.2. Histrico
Foi a partir da dcada de 40, precisamente no ano de 1943, que foi desenvolvido o
primeiro modelo artificial de um neurnio biolgico, o qual foi fruto de um trabalho
pioneiro de Warren McCulloch e Walter Pitts. McCulloch era um psiclogo e neurofisiologista que dedicou a sua carreira tentativa de representar e modelar eventos que
ocorrem no sistema nervoso, j Pitts era um matemtico recm-graduado que se juntou
com McCulloch em 1942, e juntos, conseguiram publicar um trabalho em 1943 o qual
eles o chamaram de A Logical Calculus of the Ideas Immament in Nervous Activity,
onde nele so apresentadas uma discusso sofisticada de redes lgicas de neurnios
artificiais (chamados de MCP, em homenagem a McCulloch e Pitts), alm de novas
ideias sobre mquinas de estados finitos, elementos de deciso de limiar lineares e
representaes lgicas de vrias formas de comportamento e memria . O trabalho de
ambos concentrou-se muito mais em descrever um modelo artificial de um neurnio e
apresentar suas capacidades computacionais do que em apresentar tcnicas de
aprendizado. (BRAGA, CARVALHO E LUDERMIR, 2007).
O prximo desenvolvimento significativo das Redes Neurais Artificiais veio em
1949, com a publicao do livro de Hebb The Organization of Behavior, no qual
apresentado uma formulao explicita de uma regra de aprendizagem filosfica para a
modificao sinptica. Nesse livro Hebb props que a conectividade do crebro
continuamente modificada conforme um organismo vai aprendendo tarefas funcionais
diferentes e que agrupamentos neurais so criados por tais modificaes. Hebb ainda
deu seguimento a uma sugesto anterior de (Ramn y Cajl. 1911 apud HAYKYN,
2001) e apresentou o seu famoso postulado de aprendizagem, que afirma que a
eficincia de uma sinapse varivel entre dois neurnios aumentada pela ativao
repetida de um neurnio causada pelo outro neurnio, atravs daquela sinapse. (ibidem).
Nos anos 50, Von Neumman investigou a capacidade das RNAs corrigirem seus
prprios erros atravs da utilizao de informaes redundantes (Fih, 1996 apud
FERNANDES 2003). O interesse no mecanismo de aprendizagem foi iniciado por Hebb
(Fat, 1995, apud FERNANDES, 2003), que props uma regra de aprendizagem a qual
diz que quando um estmulo de entrada influencia na produo do estimulo de sada, os
pesos da conexo entre os neurnios devem ser incrementados. A regra de Hebb
utilizada em vrios algoritmos de aprendizagem (FERNANDES, 2003)

Em 1958, Frank Rosenblatt demonstrou, com o seu novo modelo, o perceptron ,

que se fossem acrescidas de sinapses ajustveis, as RNAs com neurnios MCP,
poderiam ser treinadas para classificar certo tipos de padres. Rosenblatt descreveu uma
topologia de RNA, estruturas de ligao entre os neurnios e, o mais importante, props
um algoritmo para treinar a rede para executar determinados tipos de funes.
(BRAGA, CARVALHO E LUDERMIR, 2007).
J nos anos 60, Windrow e Hoff (1996, apud VALLE FILHO,2003)
desenvolveram o ADALAINE (Adaptative Linear Element) e o MADALAINE (Many
ADALAINE) para o reconhecimento de padres. O algoritmo de aprendizagem de
Windrow conhecido como regra Delta (FERNANDES, 2003)
No final dos anos 60, Minsky e Papert, chamaram a ateno para algumas tarefas
que o perceptron de uma nica camada descrito por Rosenblatt no era capaz de
executar. O perceptron simples, como ficou conhecido o modelo de nica camada de
pesos ajustveis, est limitado resoluo de problemas linearmente separveis, ou seja,
problemas cuja soluo somente pode ser obtida dividindo-se o espao de entrada em
duas regies por meio de uma superfcie linear. O perceptron, por exemplo, no
consegue detectar paridade, conectividade e simetria, que so problemas nolinearmente separveis (BRAGA, CARVALHO E LUDERMIR, 2007), a descoberta
dessas limitaes por eles, veio a despertar uma viso pessimista no mundo, a respeito
da aplicabilidade da RNA, por esse fator, as pesquisas relacionadas a esse campo
ficaram paradas por um bom tempo.
O renascimento dos interesses sobre RNAs aconteceu s aps 20 anos mais tarde,
quando na dcada de 80, surgiram diversos trabalhos, como os de Hopfield, o qual ele
elaborou um algoritmo que estabiliza uma rede binria simtrica com realimentao
(Hopfield, 1982, apud FERNANDES, 2003). Uma rede de Hopfield capaz de
estabilizar um conjunto de padres de treinamento e tambm de realizar auto-associao
semelhante a uma memria endereada por contedo (FERNANDES, 2003).
A deficincia das redes perceptron na resoluo de problemas de associao de
padres para um conjunto de padres no-lineares foi eliminada por Rumelhart, Hinton
e Willians (Carvalho, 1996, apud, VALLE FILHO, 2003). A soluo encontrada foi a
generalizao da Regra Delta, conhecida como algoritmo de Backpropagation para
redes MLP com entradas e sadas analgicas (FERNANDES, 2003).
2.3 Funcionamento de um Neurnio Biolgico

Os neurnios biolgicos so constituintes estruturais do crebro humano (Cajl,

1911 apud HAYKYN, 2008). Cada um deles processa e se comunica com uns aos
outros, continuamente e em paralelo, estima-se que crebro possua em torno de 10
neurnios (BRAGA, CARVALHO E LUDERMIR,2007,). Os mesmos esto divididos
de maneira simplificada, em trs sees: o corpo celular, os dendritos e o axnio, cada
um com funo especifica no crebro, porm complementares. Os dendritos tm por
funo receber as informaes, ou impulsos nervosos, oriundas de outros neurnios e
conduzi-las at o corpo celular. Aqui as informaes so processadas, e novos impulsos
so gerados, os mesmos so transmitidos a outros neurnios, passando atravs do
axnio at os dendritos dos neurnios seguintes. O ponto de contato entre a terminao
axnica de um neurnio e o dendrito de outro chamado de sinapse, atravs dela, que
os neurnios se unem funcionalmente, formando as redes neurais biolgicas (Braga,
Carvalho e Ludermir,2007). Na figura 1 ilustra, a constituio de um neurnio
biolgico.

Figura 1 - Modelo de neurnio biolgico.

Fonte:https://aprendendoredesneurais.wordpress.com/2015/08/07/desmistificandornas-parte-1/
2.4 Modelo MCP de um Neurnio Artificial

Na obra publicada por McCulloch e Pitts, eles propuseram a descrio de um

modelo neural simplificado (MCP) que apresenta n terminais de entrada, os quais
recebem os valores de x1, x2, x3, ..., xn, e com apenas um terminal de sada denominado
de y, o modelo ainda possui pesos acoplados nos terminais entradas que so
denominados de w, onde o mesmo ir representar o comportamento das sinapses. Seus
valores podem ser tanto negativos quanto positivos, isso vai depender se as sinapses
correspondentes forem inibitrias ou excitatrias. O efeito que uma sinapse particular i
ter sobre um neurnio pssinptico dado por XiWi. Os pesos determinaro em qual
grau o neurnio deve considerar sinais de disparo que ocorrem naquela conexo. A
descrio do modelo pode ser ilustrada na figura abaixo (BRAGA, CARVALHO E
LUDERMIR,2007).

Figura 2 - Modelo de neurnio artificial MCP.

Fonte: Haykin (2001)

Por sua vez, representado nesse modelo, um mecanismo simples, que faz a soma
dos valores XiWi recebidos pelo neurnio (soma ponderada) e decide se o neurnio deve
ou no disparar (sada igual a 1 ou a 0), comparando a soma obtida ao limiar do
neurnio. No modelo MCP, a ativao do neurnio obtida atravs da aplicao de uma
funo de ativao que pode ativar ou no a sada, isso vai depender do valor que se

obteve na soma ponderada das entradas do modelo. (BRAGA, CARVALHO e

LUDERMIR, 2007).
2.5 Funes de ativao
As funes de ativao tem como proposito de gerar sadas y dos neurnios a
partir dos valores do peso w= (w1, w2,.., wn) e de entrada x=(x1, x2,, xn) (BRAGA,
CARVALHO E LUDERMIR,2007).: Este processamento composto por duas etapas:
na primeira, cada entrada xi do neurnio multiplicada pelo peso sinptico
correspondente wji (peso da entrada i do neurnio j). O resultado de cada multiplicao
ento somado. Na segunda etapa, a soma aplicada a uma funo de ativao f,
obtendo-se a sada do neurnio (y), ilustrada na forma:

A funo de ativao deve simular as caractersticas no lineares do neurnio

biolgico (Abelm, 1994). As funes mais utilizadas so:
a) Funo linear: uma equao linear da forma:
Figura 3 Funo linear.

b) Funo degrau: uma equao utilizada para valores binrios e da forma:

Figura 4 Funo degrau.

c) Funo sigmide: Tambm chamada de funo logstica, uma funo

contnua que permite a transio gradual entre os dois estados. dada por:

Figura 5 Funo sigmoidal.

d) Funo tangente hiperblica: uma funo sigmide que varia entre 1 e

+1. dada por:

Figura 5 Funo tangente hiperblica.

3. METODOLOGIA
3.1.

CLASSIFICAO METODOLGICA

O presente trabalho possui natureza aplicada, pois requer determinadas teorias

como ponto de partida e tem por objetivo pesquisar, comprovar ou rejeitar hipteses
pelos modelos tericos apresentados e assim realizar a sua aplicao para diferentes
necessidades humanas (OLIVIERA, 1999).
A abordagem do trabalho classificada como quantitativa, pois o presente
trabalho quantifica dados, nas formas de coletas de dados e informaes, assim como se
utiliza o modelo rede neural artificial para prever as vendas.

3.2.
DESCRIO DA METODOLOGIA
A metodologia da pesquisa apresenta as seguintes etapas:
a) Escolha de qual plano de sade.
b) Coleta do histrico de vendas.
c) Organizar os dados coletados do histrico.
d) Utilizao de rede neural como previsora.
e) Analisar os resultados.
3.2.1 Escolha de qual plano de sade.
Os planos de sade comercializados atualmente so os de padro enfermaria,
onde o cliente caso passe por algum processo de atendimento e necessita de uma
internao, ir dividir um quarto com demais clientes da operadora, e o padro
apartamento, caso o cliente siga o mesmo processo e precise de uma internao ter
quarto exclusivo.
Mas para este trabalho a escolha foi do plano padro enfermaria na faixa etria
de zero a 18 anos, pois se trata se um produto de maior comercializao dentro do
mercado de plano de sade.

3.2.2 Coleta do histrico de vendas

O histrico das vendas do plano de sade padro enfermaria ser coletado
atravs do banco de dados da empresa. Atravs desse banco de dados sero retirados o
histrico de vendas dos anos 2014 e 2015.
3.2.3 Organizar os dados coletados do histrico
A organizao desses dados dever ser feita com muita cautela, pois no banco
de dados possui histrico de vendas de outras faixas etrias como de 19 a 23, 24 a 28 e
outros. Mas ser apenas coletado os dados na faixa etria de zero a 18 anos.
3.2.5 Analisar os resultados.
A organizao desses dados dever ser feita com muita cautela, pois no banco
de dados possui histrico de vendas de outras faixas etrias como de 19 a 23, 24 a 28 e
outros. Mas ser apenas coletado os dados na faixa etria de zero a 18 anos.