Você está na página 1de 11

ANAIS

ESTUDO E APLICAO DE UM MODELO PARA PREVISO DE DEMANDA:


ESTUDO DE CASO EM UMA EMPRESA DO SETOR MOVELEIRO DE PEQUENO
PORTE.
Fbio Silva Figueredo; fabio.figueredo@fatec.sp.gov.br; FATEC Zona Leste
Rafael Cavalcanti Bizerra; rafael@guarumaster.com; FATEC/USP

RESUMO
O presente trabalho tem como objetivo definir um modelo de previso de vendas
aplicado a uma empresa do ramo moveleiro, adotando um modelo matemtico e excluindo o
uso de mtodos ingnuos de previso, utilizados atualmente na empresa. A metodologia de
pesquisa tem carter exploratrio, com abordagem quantitativo, onde se utilizou a
pesquisa bibliogrfica e de campo, limitada a um estudo de caso. Uma anlise comparativa
entre diferentes modelos de previso foi realizada, para esta comparao utilizou-se por base
oito produtos, que juntos representam aproximadamente 40% da demanda da empresa
estudada. A fim de se determinar qual dos mtodos obteria uma menor margem de erro,
considerando utilizar o mtodo escolhido, como modelo para futuras previses de demanda,
modelo que permita a empresa se prepararar para as oscilaes de vendas causadas por
sazonalidades inerentes ao setor, visando melhoria no processo de previso acarretando
melhor administrao do estoques, contratao de mo-de-obra coerente com a previso de
produo, compras de matrias-primas e contratao de transportes.
Palavras-Chave: Previso de Demanda; Modelos de Previso; Setor
Moveleiro.

ABSTRACT
This paper aims to define a model of sales forecasting applied to a company in the furniture
industry, adopting a mathematical model and excluding the use of naive forecasting methods
currently used in the company. The research methodology is exploratory, with quantitative
approach, which used the bibliographical and field research, limited to a case. A comparative
analysis between different models of forecasts was performed, for this comparison was used
as base the demand annual of eight products, that together represent approximately 40% of the
demand of the studied company. In order to determine which method would get a smaller
margin of error, considering to use the method chosen as a model for future demand forecasts,
reflecting fluctuations in sales caused by seasonality inherent in the sector, aiming at
improving the forecasting process leading to better management of inventories, hiring of labor
consistent with the prediction of production, purchases of raw materials and hiring of
transport.

Keywords: Demand Forecasting; Forecasting Models; Furniture Sector.

1/11

ANAIS
1 - INTRODUO
A pesquisa aqui apresentada foi elaborada com o objetivo de definio de uma
metodologia a ser utilizada para previso de vendas, em uma empresa do setor moveleiro, na
qual no havia uma sistemtica formal para a estruturao de atendimento demanda futura,
estando a empresa tomando decises apenas com base em conhecimentos empricos e por
mtodo ingnuo de previso.
Utilizando dados reais da empresa e apoiada em tcnicas tradicionais de previso, a
pesquisa pretende determinar o mtodo a ser utilizado para previses futuras, a deciso ser
estruturada por meio de simulaes.
Segundo Barbieri e Machiline (2009 p. 83), demanda a quantidade de um bem ou
servio que as pessoas estariam dispostas a adquirir sobre determinadas condies. Demanda
uma das principais previses e serve de base para o planejamento da produo, vendas e
finanas. Qualquer empresa que pode a partir deste dado obtido desenvolver seus planos de
capacidade, fluxo de caixa, vendas, produo, estoques e outras atividades empresariais
(CASTIGLIONI, 2010).
De acordo com Castelo e Rasera (1999), o sucesso empresarial repousa na maioria das
vezes, no acerto de decises tomadas no passado, onde a previso serviu para reduzir riscos
inerentes ao processo.
Para WANKE (1998 p.1), a disseminao da previso tem utilizado recursos
computacionais:
O desenvolvimento de tcnicas de previso cada vez mais
sosticadas, paralelamente ao rpido desenvolvimento de
computadores e outras tecnologias de informao e manipulao
de dados, tem levado diversas empresas a se interessarem cada
vez mais pelo processo de previso de vendas. Este crescente
interesse est baseado principalmente na disseminao e
utilizao de micro-computadores pessoais cada vez mais potentes
e dotados de vrios recursos (WANKE, 1998 p.1).

2- FUNDAMENTAO TERICA
Martins e Laugeni (1998), definem previso como um processo metodolgico para
determinao de dados futuros baseado em modelos estatsticos, matemticos ou em modelos
subjetivos utilizando-se de uma metodologia definida.
2.1 Horizonte de planejamento
Conforme Buffa e Sarin (1987), pode-se definir estes horizontes da seguinte
maneira:
Curto prazo: previses relacionadas com a programao da produo e decises
relativas ao controle de estoque.
Mdio prazo: o horizonte de planejamento varia aproximadamente de seis meses a
dois anos. Planos como o agregado e o plano mestre de produo, baseiam-se
nestas previses.
Longo prazo: o horizonte de planejamento se estende aproximadamente h cinco
anos ou mais. Auxilia decises de natureza estratgica, como ampliaes de
capacidade, alteraes na linha de produtos, desenvolvimento de novos produtos,
etc.
2/11

ANAIS
2.2 Etapas para escolha de um modelo de previso
Tubino (2007 p.16), descreve uma srie de passos a se tomar para se executar uma
previso de demanda:
1) A primeira etapa para se realizar uma previso, determinar a razo pela qual ser
feita a previso, qual produto ser previsto, qual o grau de acuracidade e grau de
detalhe que a previso ir trabalhar.
2) O passo seguinte consiste em levantar os dados histricos dos produto,
identificando a tcnica de previso que melhor se adapte aos produtos estudados.
Entretanto ao se levantar dados, deve se ter em mente:
Quanto mais dados forem obtidos, mais confivel a tcnica de previso;
Devem ser utilizados valores referentes procura de determinado produto;
Variaes extraordinrias da demanda, decorrentes de promoes devem ser
desconsiderados e substitudos por valores mdios, compatveis com o
comportamento da demanda; e
A escolha do perodo de consolidao dos dados, tem influncia direta na
escolha da tcnica de previso.
3) Aps a obteno dos dados decide-se pela tcnica de previso mais apropriada.
4) Obtm-se as previses.
5) Conforme as previses forem alcanadas pela demanda real, deve-se verificar o
erro entre o que foi previsto e o que foi realizado.
2.3 - Mtodos de previso
Para Morettin e Toli (2006), mtodos de previso variam muito, podem ser simples e
intuitivos ou quantitavos. Um mtodo pode mesclar as duas formas, o resultado por mais
sofisticado que seja, no dispensa interpretao por parte de quem ir tomar deciso a partir
dos dados obtidos, as hipteses devem ser acompanhadas para se confirmar ou no.
2.3.1 - Mtodo ingnuo
Barbieri e Machiline (2009, p.89), definem o mtodo ingnuo como aquele que se
baseia em projees simplificadas como as seguintes:
Previso de abril = demanda de maro;
Previso de agosto deste ano = demanda de agosto do ano passado; e
Previso do prximo ano = demanda deste ano mais um acrscimo de 20%.
Samohyl, Souza e Miranda (2007), afirmam que nesse mtodo de previso no
considerado qualquer outra caracterstica da srie, excluindo-se assim dados passados,
fazendo que as previses sigam as oscilaes que ocorrem na demanda defasada por um
perodo. Assim como apresenta a expresso (1):
P t +1=Ot
(1)
Em que:
Pt +1 : previso para o perodo t+1
Ot : valor observado no perodo t (atual)
t: ndice do perodo (t= 1, 2, 3, ...)
Exemplo: Demanda do ms de janeiro ser a previso para o ms de fevereiro

3/11

ANAIS
2.3.2 - Jri de opinio
Na tcnica de jri de executivos, as opinies, experincia e conhecimento tcnico de
um ou mais gerentes so combinados para chegar a uma previso (KRAJEWSKI e
RITZMAN, 2004).
O jri de opinio pode ser realizado por: (i) meio de reunies com a presena de todos
os opinadores previamente selecionados e (ii) por meio de consultas aos opinadores, essas
consultas so realizada pelo responsvel pela previso (BARBIERI e MACHILINE, 2009, P
88).
2.3.3 - Analogia
Segundo Armstrong e Green apud (RUSCHEL, WERNER e LEMOS, 2007), a
metodologia atravs da analogia deve ser operacionalizada em cinco etapas: (i) Descrio do
produto; (ii) Seleo de especialistas; (iii) Identificao e descrio dos produtos anlogos
pelos especialistas; (iv) Descrio das similaridades entre os produtos anlogos selecionados e
aquele que se deseja prever; e (v) Previso de demanda baseada nas anlises dos especialistas.
2.3.4 - Mtodo Delphi
De acordo com Linstone e Turoff (1975, p3), o Delphi um mtodo para estruturar um
processo de comunicao grupal de maneira que o processo efeito em permitir um grupo de
indivduos como um todo a lidar com um problema complexo.
O mtodo Delphi envolve a aplicao de questionrios a um grupo de especialistas ao
longo de vrias rodadas. A pesquisa visa basicamente a prospeco de tendncias futuras
sobre o objeto em estudo. (KAYO e SECURATO, 1997)
O quantidade de rodadas a ser realizado ir depender do custo das interaes, do
tempo disponvel para se resolver o problema e, tambm, da disponibilidade de tempo dos
participantes (MARTINS, SOUZA e MELO, 2006).
2.3.5 Sazonalidade
A sazonalidade definida por Wallis e Thomas (1971), como o conjunto de
movimentos ou flutuaes de uma srie temporal, geralmente estas flutuaes so ligadas
direta ou indiretamente a causas naturais, econmicas ou ambas.
Quando se dispe de um nmero razovel de dados histricos, tendncias e variaes
sazonais, com sries de tempo estveis e bem definidas, podem-se utilizar os mtodos de
projeo histrica para previso de curto prazo. Estes mtodos partem da premissa de que o
padro de tempo futuro ser uma repetio do passado, pelo menos em sua maior parte
(BALLOU, 2006). Em outras palavras, quando mtodos de previso com srie histrica so
utilizados, a demanda atual, os padres de crescimento e os padres sazonais histricos,
influenciaro em sua demanda futura (CHOPRA e MEINDL, 2003).
Barbieri e Machline (2009 p. 106 ), afirmam que estas oscilaes peridicas so dadas
a um fator, chamado fator de sazonalidade, este dado pela expresso (2):
D
FSi= i
i
D
(2)
Em que:
i = Fator de sazonalidade:
FS
D i a demanda do perdo i:
4/11

ANAIS
D i = demanda mdia calculado no perodo i.
Identificado o fator de sazonalidade mdio do perodo cuja demanda se quer prever,
calcula-se a previso segundo a expresso (3):
m
Pt m= Dt FS
(3)
Em que:
m o fator de sazonalidade mdio do perodo t + m.
FS
D t = Demanda do perodo anterior observado
Pt m = Previso
Exemplo:

A mdia para estas demandas de 75 unidades, o clculo do fator de sazonalidade para o


perodo I (Trimestre 2013), dado pela expresso:
DemandaTrimestre I 2013
FSTrimestre I 2013 =
Mdia Trimestres2013
82
75
FSTrimestre I 2013 =1,09
FSTrimestre I 2013 =

A previso para o Trimestre I de 2014 dado pela expresso :


PrevisoTrimestreI 2014= Demanda Trimestre I 2013 x FSTrimestre I 2013
PrevisoTrimestreI 2014=82 x 1,09
PrevisoTrimestreI 2014=89,65
2.3.6 - Mdia mvel aritmtica
A previso utilizando-se da mdia mvel usa dados de um nmero determinado de
perodos, normalmente os mais recentes para gerar a previso, conforme os dados vo se
sendo atualizados com o tempo, exclui-se o dado mais antigo (TUBINO, 2007 p.20). Mdia
mvel aritmtica obtida atravs da expresso (4).
n

Di
Mmn=

(4)

n
Onde:
Mmn = mdia mvel de N perodos
Di
= demanda ocorrida no perodo i
i
= demanda real do perodo i
n
= nmero de perodos
Exemplo: Para se obter a previso do ms de maio de determinada srie temporal,
soma-se os valores correspondentes as demandas de Janeiro at Abril, e se divide pela
quantidade de perodos considerados para a previso. Para se fazer a previso de Junho,
exclui-se o ms de Janeiro e adiciona-se o ms de Maio.
5/11

ANAIS
2.3.7 - Mdia mvel ponderada
Para Pereira et al. (2006):
A mdia mvel ponderada uma variao da mdia mvel que
consiste em ponderar a importncia dos perodos da previso
atribuindo-lhes pesos diferentes, conforme se queira mais ou
menos nfase ao perodo, normalmente com pesos maiores dados
mais recentes.

Segundo Moreira apud (PEREIRA, et al., 2006), a soma dos pesos


deve ser igual a 1. Tal como no caso da mdia mvel, a escolha de n
arbitrria, assim como a escolha dos pesos. A vantagem sobre a mdia
mvel que os valores mais recentes da demanda, que podem revelar
alguma tendncia, recebem importncia maior. Entretanto, valem as
mesmas observaes quanto ao valor de n. Quanto maior, mais suavizar
os efeitos sazonais e mais lentamente responder a variaes.
Dada pela expresso (5):
D P
i i
P t +1= D=
(5)
Pi
Onde:
Pt +1 = Mdia Mvel Ponderada
D i = Demanda de um determinado perodo
Exemplo: Para calcular a demanda para o ms de Abril, escolhe-se
um peso para cada um das demandas imediatamente anteriores, sempre
valorizando a demanda mais recente, adotaremos, 0,5 para Maro, 0,3
para Fevereiro e 0,2 para Janeiro. Se multiplica estes pesos pelas
demandas observadas e divide-se pela soma dos pesos.
D abril=

Djan X 0,2+ Dfev X 0,3 + D mar X 0,5


1

2.3.8 - Mtodo da suavizao exponencial


Para Tubino (2007, p.21), em sua forma de apresentao mais
simples, cada nova previso obtida com base na previso anterior,
acrescida do erro cometido corrigido por um coeciente de ponderao.
Dado pela expresso (6):
t 1
(6)
Dt 1 M
M t = M t 1+
Onde:
M t a previso para o perodo t:
M t1 a previso para o perodo t-1 ;
o coeficiente de ponderao;
D t1 a demanda do perodo t -1.
O coeciente de ponderao um valor xado entre 0 e 1, quanto
maior o seu valor, o modelo reagir de uma forma mais rpida a uma
variao real de demanda (TUBINO, 2007, p. 21). Exemplo: Foi previsto
6/11

ANAIS
para o ms de janeiro uma demanda de 20 unidades, foi observada uma
demanda real de 25 unidades. Ser adotado para efeitos de clculo um
coeciente de demanda de 0,8.
D fev =20 + 0,8 X (25 20)
D fev =20 + 0,8 X 5
D fev =20 + 4
D fev =24
2.4 - Analise da previso
Barbieri e Machline (2009 p.116), armam que toda previso precisa
ser avaliada para vericar se ela est acompanhando a demanda futura. O
erro absoluto correspondem a diferena algbrica entre o valor verdadeiro
e o valor obtido, dado pela expresso (7) (CABRAL, 2004).
Erro absoluto=Valor medido valor verdadeiro
(7)
Por muitas vezes til apresentar valores relativos quando se
exprimem erros nas medies. A forma de mais usual de apresentao
indicar os erros relativos em porcentagem segundo Cabral (2004) dado
pela expresso (8)
:
Erro absoluto
Erro relativo =
100
(8)
Erro verdadeiro
3 ESTUDO DE CASO
Para o estudo empregou-se os mtodos de previso, sobre as demandas dos ltimos 24
meses para alguns itens da linha de mveis que a empresa estudada, trabalha. Nesta verificase a necessidade de realizao de uma previso de demanda com maior taxa de acerto, tendo
como objetivo a reduo de custos relacionados a perda de oportunidade e custos com
estoques mau dimensionados.
Sendo assim a metodologia de pesquisa tem carter exploratrio, com
abordagem quantitativa, onde se utilizou a pesquisa bibliogrfica e de campo, limitada a um
estudo de caso. Para obter o conhecimento antecipado da quantidade que ser vendida,
visando obter maior acuracidade no setor de compras, evitando compras de urgncia preos
mais altos, bem como compras acima da quantidade necessria. Para testar os mtodos de
previso, utilizou-se o software Microsoft Excel .
3.1. Apresentao da empresa estudada
Empresa do setor moveleiro instalada em um parque fabril de 10.000 m 2, sendo de
4.500m2 de rea construda instalada na cidade de Itaquaquecetuba-SP. A previso de
vendas hoje realizada pelo setor de PPCP da empresa, e aprovado pela
diretoria administrativa, atravs de uma previso ingnua. A empresa
objeto deste estudo, vende em mdia 10.324 unidades dos seus produtos.
Foram escolhidos oitos produtos, estes denominados com as letras
(A, B, C, D, E, F, G e H). A demanda mdia no ano de 2013 destes produtos
totalizou 3963 unidades, perfazendo-se 38% do total dos itens
comercializados pela empresa.Os produtos foram selecionados de acordo
7/11

ANAIS
com sua participao no faturamento da empresa, cabe acrescentar que
estes no sofreram alteraes de design, permacendo na sua forma
original durante o perodo estudado.
3.2. Coleta de dados
Foram coletados em planilhas eletrnicas de controle das demandas referentes ao
perodo de Janeiro de 2012 Dezembro de 2013. Conforme dados da Tabela 1 (a2012 e b13):
Tabela 1a - Demanda observada perodo (2012)

Fonte: Autor
Tabela 1b - Demanda observada perodo (2013)

Fonte: Autor

4 ANLISE DOS RESULTADOS


Valores de previso para os mtodos:
Atual.
Mdia Mvel Aritmtica.
Mdia Mvel Ponderada com os pesos: (0,2 0,3 0,5).
Suavizao Exponencial com coecientes: (0,3 0,5 0,8).
Sazonalidade

8/11

ANAIS
A anlise dos erros de previso permite escolher, dentre os modelos
aplicados, aquele que mais adequado para fazer previses para a srie
em estudo. Nesta pesquisa foi utilizado como valor de referncia o que
possuir menor erro relativo, conforme os valores apresentados na Tabela
2.
Tabela 2 - Comparao entre os modelos de previso de demanda

Fonte: Autor

Comparando-se os mtodos de previso empregados Mdia Mvel


Simples, Mdia Mvel Ponderada, Suavizao Exponencial Simples e
Sazonalidade - percebe-se que o mtodo da sazonalidade responsvel
por gerar o valor de erro relativo mais prximo do zero.
Como pode ser visto, luz dos resultados observados na Tabela 2,
com a aplicao do erro relativo mdio nos 5 mtodos analisados, o
mtodo da sazonalidade apresenta um menor erro mdio percentual,
demonstrando que, dentre os mtodos de previso de demanda
estudados, este mtodo, seguramente o que oferece maior proximidade
entre o consumo real e o que foi previsto para o mesmo perodo. Potendo
ser utilizado pela empresa como base para as previses futuras.
5 CONCLUSO
O presente trabalho caracterizou o comportamento da demanda de produtos fabricados
pela empresa estudada ao longo de toda a srie temporal analisada, e assim, determinou qual a
melhor tcnica de previso de demanda para o caso em estudo.
Este estudo teve sua importncia para empresa, pois introduziu tcnicas de previso de
demanda na cultura da empresa, alm disso, proporciona uma racionalizao dos estoques de

9/11

ANAIS
matria-prima, mesmo em pocas com menor volumes de vendas, levando em considerao o
tempo de entrega e grau de atendimento.
Para estudos futuros, considerando que a sazonalidade ocorre geralmente com outras
caractersticas das sries temporais, com maior ou menor intensidade, sugere-se estudar o
modelo de suavizao de Winter que suavizada a tendncia e a sazonalidade. Alm de
considerar o nvel de renda da populao para o perodo, bem como o comportamento de
alguns setores da economia, particularmente a construo civil o qual possui uma forte
correlao com o setor moveleiro.

REFERNCIAS
BALLOU, Ronald H.. Gerenciamento da cadeia de suprimentos: logstica empresarial. 5.
ed. Porto Alegre: Bookman, 2006.
BARBIERI, Jos Carlos; MACHILINE, Claude. Logstica Hospitalar: Teoria e Prtica. 2.
ed. So Paulo: Saraiva, 2009.
BUFFA, E. S.; SARIN, R. K . Modern production / operations managemen t. 8. ed. Los
Angeles: John Wiley & Sons, 1987.
CABRAL, Paulo. Erros e Incertezas nas Medies. 2004. Disponvel em:
<http://www.peb.ufrj.br/cursos/ErrosIncertezas.pdf>. Acesso em: 08 abr. 2014.
CASTELO, Marcelo Augusto Pereira; RASERA, Rodrigo. PREVISO DE DEMANDA:
MODELOS EMPRICOS DE PREVISO DE DEMANDA COMPARADOS TEORIA
ANLISE,
MENSURAO
E
IMPACTOS.
1999.
Disponvel
em:
<http://gvpesquisa.fgv.br/sites/gvpesquisa.fgv.br/files/publicacoes/analise_comparacao_e_me
nsuracao_da_acuracia_de_modelos_0.pdf>. Acesso em: 08 abr. 2014.
CASTIGLIONI, Jose Antonio de Mattos. Logstica Operacional: Guia Prtico. 2. ed. So
Paulo: rica Ltda, 2009
CHOPRA, S. MEINDL, P. Gerenciamento da cadeia de suprimentos : estratgia,
planejamento e operao. So Paulo. Prentice Hall, 2003.
KAYO, Eduardo Kazuo; SECURATO, Jos Roberto. Mtodo Delphi: Fundamentos,
Crticas e Vieses. 1997. Disponvel em: <http://www.ead.fea.usp.br/cad-pesq/arquivos/c4art5.pdf>. Acesso em: 08 abr. 2014.
LINSTONE, Harold A., ; TUROFF, Murray. The Delphi Method: techniques and
aplcattions. London : Addison-Wesley, 1975.
MARTINS, Daniel de Arajo; SOUZA, Dayse da Mata Oliveira; MELO, Klaus Charlie
Nogueira Serafim de. Utilizao do Mtodo Delphi no processo de planejamento
estratgico: duas perspectivas e a garantia de eficincia e heterogeneidade. 2006.
Disponvel em: <http://www.abepro.org.br/biblioteca/ENEGEP2006_TR450301_8469.pdf>.
Acesso em: 08 abr. 2014.
MARTINS, Petrnio Garcia; LAUGENI, Fernando Piero. Administraao da Produao. So
Pa: Saraiva, 1998.
MORETTIN, P. A.; TOLI, C. M. C. Anlise de sries temporais. 2. ed. So Paulo: Edgard
Blcher, 2006. - (Coleo Projeto Fisher).
PEREIRA, Salomo Almeida et al. Estudo comparativo entre modelos de previso de
demanda: ensaio em um produto classe a de uma empresa de perfumes e cosmticos.
2006. Disponvel em: <http://www.simpep.feb.unesp.br/anais/anais_13/artigos/984.pdf>.
Acesso em: 08 abr. 2014.
RITZMAN, L.P & KRAJEWSKI, L.J. Administrao da Produo e Operaes. Pearson
Prentice Hall, So Paulo, 2004.
10/11

ANAIS
RUSCHEL, Leticia Pereira; WERNER, Liane; LEMOS, Fernando de Oliveira. Previso de
demanda de novos produtos : aplicao Integrada de Mtodos Quantitativo e
Qualitativo.
2007.
Disponvel
em:
<http://www.abepro.org.br/biblioteca/enegep2007_tr620466_9333.pdf>. Acesso em: 08 abr.
2014.
SOUZA, Gueibi Peres; SAMOHYL, Robert Wayne; MIRANDA, Rodrigo Gabriel de.
Mtodos Simplificados de Previso Empresarial. Rio de Janeiro: Cincia Moderna, 2008.
TUBINO, Dalvio Ferrari. Manual de Planejamento e Controle da Produo. So Paulo,
2007.
WALLIS, K. F.; THOMAS, J. J. (1971) - Seasonal variation in regression analysis. Journal
of the Royal Statistical Society, Ser. A, v. 134, n. 1, p. 57-72.
WANKE, Peter. O processo de previso de vendas nas empresas: Aspectos
organizacionais
e
tecnolgicos.
1998.
Disponvel
em:
<http://www.livrosdelogistica.com.br/documentos/22 - O PROCESSO DE PREVISAO DE
VENDAS NAS EMPRESAS ASPECTOS.pdf>. Acesso em: 08 abr. 2014.
"O contedo expresso no trabalho de inteira responsabilidade do(s) autor(es)."

11/11