Estruturao do processo de previso de demanda em uma empresa

do segmento de autopeas

Rhonderson Monteiro Lima (FAR) - rhonderson_lima@hotmail.com

Gilberto Yoshio Aiko (FAR) - gilberto-aiko@hotmail.com
Rodolfo Benedito da Silva (UFGD) - rodolfoengenheiro@hotmail.com
Lucas Borba dos Santos (FAR) - borbals@gmail.com

Resumo: O presente trabalho teve por objetivo realizar a estruturao de um processo de

previso de demanda em uma empresa do segmento de autopeas, baseando-se em uma
metodologia clara e objetiva. Para isto, o estudo foi executado atravs das etapas de coleta e
anlise de dados, priorizao dos produtos (curva ABC), agrupamento dos produtos de classe
A em seis grupos, modelagem e previso de demanda, obteno dos ndices de participao de
cada produto em relao demanda total do seu respectivo grupo e, por fim, obteno da
previso individual. Aps a aplicao dos modelos de previso, verificou-se que o grupo 1
(motor), grupo 2 (suspenso), grupo 3 (freio), grupo 5 (acessrios) e grupo 6 (diferencial)
apresentam comportamento sazonal de vendas com comprimento sazonal de 12 meses, pois
ocorrem picos de vendas todo ms de dezembro. Logo para estes grupos, o modelo que
apresentou o melhor desempenho foi o Holt-Winters. J para o grupo 4 (cmbio), o modelo
que melhor se ajustou aos dados histricos foi o de suavizamento exponencial simples. Estes
modelos que apresentaram os menores erros de previso para cada um dos seis grupos, foram
utilizados para obter as previses de demandas agregadas e, posteriormente, as previses
individuais.
Palavras-chave: Previso de demanda; Modelos quantitativos; Autopeas

1. Introduo

O processo de previso de demanda desempenha um papel muito importante quando

implantado nas organizaes. Isto, por que, a previso permite aos gestores tomarem decises
de modo eficaz quanto alocao dos recursos visando atender a demanda dos produtos ou
servios em momentos futuros (SILVA, 2014).
Independentemente do porte das organizaes, de fundamental importncia que as
mesmas estabeleam um rigoroso processo de planejamento e controle de suas atividades. Neste
sentido, o planejamento geralmente realizado com base em previses. Segundo Martins e
Laugeni (2009), a previso de demanda importante para utilizar e planejar adequadamente os
recursos da empresa, com o critrio na escolha do modelo, no acompanhamento de sua validade
e na coleta dos dados.
De acordo com Ritzman e Krajewski (2004), a previso de demanda importante para
diversos setores da empresa, tais como: finanas (que faz uso das previses para prever as
necessidades de capital); recursos humanos (que utiliza-se das previses para prever as
necessidades dos funcionrios); sistema de informao gerencial (que idealiza e pe em prtica
sistemas de previso); marketing (que amplifica previses de vendas utilizando-as para planos
de mdio e longo prazo); operaes (que expande e utiliza previses para decises como a
programao de funcionrios, reposio de estoques a curto prazo e a organizao a longo prazo

1
da capacidade).
Previses de demanda no setor de autopeas, despertaram os interesses e foram objetos
de estudos de alguns autores, dentre os quais destacam-se os trabalhos de Lopes (2002); Mine
(2010) e Fernandes (2010). Nos trabalhos destes trs autores, o objetivo principal foi avaliar os
desempenhos das tcnicas de previso e fazer uso da que melhor se ajustou aos dados histricos
para prever a demanda de vendas em perodos futuros.
Diante deste contexto, o objetivo deste trabalho realizar a estruturao de um processo
de previso de demanda em uma empresa do segmento de autopeas baseando-se em uma
metodologia clara e objetiva para auxiliar nos processos de suprimentos e gesto de estoques,
visando a reduo de custos, aumento do nvel de servio e melhoria na qualidade do
atendimento.
O artigo est dividido em cinco sees, incluindo esta introduo. Na seo 2,
apresentada a reviso bibliogrfica, que traz os principais conceitos utilizados no trabalho. A
seo 3 apresenta a metodologia do estudo. Na seo 4, so apresentados e discutidos os
resultados. Por fim, a seo 5 traz as consideraes finais do artigo.
2. Reviso bibliogrfica
2.1 Previso da demanda
A previso da demanda de suma importncia para qualquer empreendimento. Isto por
que segundo Tubino (2009), ela tem como objetivo planejar estrategicamente a produo,
vendas e finanas das organizaes.
Para Moreira (2014, p. 293), a previso de demanda pode ser definida como um
processo racional de busca de informaes acerca do valor das vendas futuras de um item ou
conjunto de itens. J para Martins e Laugeni (2009, p. 226), a previso um processo
metodolgico para definio de dados futuros baseados em modelos estatsticos, matemticos
ou economtricos ou ainda em modelos subjetivos apoiados em uma metodologia de trabalho
clara e previamente definida.
Segundo Mesquita (2008), as tcnicas de previso de demanda podem ser classificadas
em dois grupos de acordo com o contexto da anlise a ser realizada e disponibilidade de
informaes, sendo elas: as tcnicas quantitativas e qualitativas.
As tcnicas quantitativas, so aquelas utilizadas para prever a demanda atravs de
frmulas matemticas e/ou estatsticas, em situaes onde possvel obter informaes
passadas do comportamento do mercado. Os modelos quantitativos utilizados podem ser
classificados em: i) modelos de sries temporais que englobam Mdia mveis, Suavizao
exponencial, Projeo de tendncias, Decomposio, Box Jenkins (ARIMA) e; ii) modelos de
correlao onde se enquadram a regresso simples, regresso mltipla e mtodos
economtricos.
Por sua vez, as tcnicas qualitativas so comumente usadas em casos onde h poucas ou
nenhuma informaes histricas, como por exemplo, um novo produto. Neste caso, o processo
de previso realizado atravs de opinies e julgamentos de pessoas experientes da
organizao, especialistas de mercado, tendncias e comportamento do mercado. De acordo
com Mesquita (2008), as metodologias mais utilizadas nesta situao so o mtodo Delphi,
pesquisa de mercado, simulao de cenrios, dentre outras.
A Figura 1 apresenta a classificao das tcnicas de previso de demanda, bem como os
modelos utilizados em cada uma delas.

2
 Mtodos de
Previso

Quantitativos Qualitativos

Projeo Correlao Mtodo Delfi

Regresso Pesquisa de
Mdias mveis simples mercado

Suavizamento Regresso Simulao de

exponencial mltipla cenrios

Projeo de Mtodos
tendncias economtricos

Decomposio

Box Jenkins
(ARIMA)
Figura 1: Classificao dos modelos de previso de demanda
Fonte: Mesquita (2008, p. 57)

A seguir, so apresentados os conceitos e equaes dos modelos quantitativos de

previso de demanda atravs de mdia mvel e suavizamento exponencial que se divide em
suavizamento exponencial simples, com tendncia (modelo linear de Holt) e com sazonalidade
(modelo de Holt-Winters).
2.2 Tcnicas quantitativas de previso
A tcnica de previso quantitativa denominada mdia mvel, mais indicada em
situaes em que os dados no apresentam tendncia ou sazonalidade. A operacionalizao do
modelo consiste em selecionar dados de um nmero de perodos, normalmente os mais recentes,
para obter a previso (TUBINO, 2009, p. 20). De acordo com Ritzman e Krajewski (2004), os
valores de n devem ser definidas pelo grau de alteraes na demanda, portanto para poucas
variaes podem ser utilizados maior quantidade de n. J para os dados suscetveis a alteraes,
a quantidade de n deve ser menor.
O modelo de suavizao exponencial simples outro mtodo mais sofisticado e
utilizado que a mdia mvel simples e a mdia mvel ponderada e tambm s considera o nvel
da srie temporal na modelagem (MOREIRA, 2014). Esse modelo necessita de que seja
angariado os dados referentes ao perodo imediatamente anterior. Usando-se um percentual do
erro, representado por que varia de 0 a 1, ocorre a ponderao e suavizamento do erro de
previso que somada previso, ambos do perodo anterior, obtm-se a previso do perodo

3
analisado (STEVENSON, 2001). importante ressaltar que o coeficiente de ajustamento ao
possuir um valor muito pequeno, tende prever uma demanda muito abaixo da demanda real, e
o oposto (valor alto) tende a ter uma resposta mais sensvel variao da demanda.
J o modelo linear de Holt, tambm conhecido como suavizao exponencial dupla,
utilizado sempre que houver dados que apresentem uma tendncia linear de crescimento ou
decrescimento, considerando duas constantes de suavizao ( e ) e trs equaes (MARTINS
e LAUGENI, 2009).
Por fim, tm-se o modelo de Holt-Winters. Este mtodos possui como diferencial o fato
de se trabalhar com dados que possuem tendncia e sazonalidade, apresentando duas formas
distintas de abordagem (multiplicativa e aditiva), as quais dependem da forma como acontece
a sazonalidade, sendo a atuao dos ndices sazonais a principal diferena nos modelos. A forma
multiplicativa usada em sries temporais em que a amplitude do ciclo sazonal aumenta, isto
, a disparidade entre ponto maior e menor deste ciclo tende a aumentar com o tempo. J a
forma aditiva utilizada em sries temporais em que a amplitude constante ao longo do tempo
(MAKRIDAKIS et al., 1998).
As equaes utilizadas para obter previses pelos modelos de mdia mvel simples e de
suavizao exponencial so apresentadas na Tabela 1. Na Tabela 1, MM a mdia mvel, F
o valor da observao prevista, Y corresponde demanda real, L a estimativa do nvel da srie
temporal, b corresponde estimativa de tendncia da srie temporal, S o ndice sazonal da
srie temporal, , e so constantes de suavizao (com valores entre 0 e 1, no
correlacionados, que controlam o peso relativo ao nvel, tendncia e sazonalidade,
respectivamente), n o nmero de perodos (n = 1, 2, 3...), t o instante de observao no tempo
(t = 1, 2, 3...) e, por fim, m so os perodos frente que se deseja obter previses (m = 1, 2, 3...).

TABELA 1 - Equaes dos modelos de previso de demanda

Modelos Equaes
nt =1 Yt
Mdia Mvel Simples MMn =
n
= 1 + (1 1 )
Suavizao Exponencial Simples

+ = +

Modelo linear de Holt = + (1 )(1 + 1 )

= ( 1 ) + (1 )1
+ = ( + )+

= + (1 )(1 + 1 )

Modelo de Holt-Winters
(mtodo multiplicativo) = ( 1 ) + (1 )1

= + (1 )

+ = ( + ) + +
= ( ) + (1 )(1 + 1 )
Modelo de Holt-Winters
(mtodo aditivo) = ( 1 ) + (1 )1
= ( ) + (1 )

4
2.3 Medidas de acurcia
No processo de previso de demanda h necessidade de fazer uso de mecanismos para
averiguar a preciso de um modelo de previso. Segundo Tubino (2009, p. 33), isto necessrio
para acompanhar o desempenho das previses e confirmar sua validade perante a dinmica
atual dos dados. No presente trabalho foram utilizados as seguintes medidas de acurcia para
avaliar a preciso dos modelos analisados: i) Erro Absoluto Mdio ou Mean Absolute Error
(MAE); ii) Erro Quadrtico Mdio ou Mean Squared Error (MSE); iii) Erro Percentual
Absoluto Mdio ou Mean Absolute Percentage Error (MAPE). As equaes utilizadas para
obter estas medidas de acurcia so apresentadas na Tabela 2.

TABELA 2 - Medidas de acurcia

Siglas Frmulas
nt= 1|Et |
MAE
n
nt= 1(Et )2
MSE
n
nt= 1|Et / | 100
MAPE
n
Em que: Et o erro de previso no instante t; n o nmero de observaes; Yt a demanda real
no tempo t e t = 1, 2, ... , n.

3. Procedimentos metodolgicos

Quanto sua natureza, este trabalho pode ser considerado com uma pesquisa aplicada,
que segundo Andrade (2010, p. 111), dispensa a originalidade, mas no o rigor cientfico.
Trata-se de pesquisa fundamentada em trabalhos mais avanados, publicados por autoridades
no assunto.
J em relao abordagem, o estudo classificado como uma pesquisa quantitativa. De
acordo com Mezzaroba et al. (2007), este tipo de pesquisa tem como objetivo prestar medio,
devendo-se esta ser interessante para o resultado final da investigao.
Quanto aos objetivos, a pesquisa qualificada como exploratrio, pois segundo Andrade
(2010, p. 112), o primeiro passo de todo trabalho cientfico e conforme Gil (2010, p. 27)
tm como propsito proporcionar maior familiaridade com o problema, com vista a torn-lo
mais explcito ou a construir hipteses.
Por fim, em relao aos procedimentos utilizados, o trabalho caracterizado como uma
pesquisa bibliogrfica, que segundo Bervian et al. (2007, p. 60) procura explicar um problema
a partir de referncias tericas publicadas em artigos, livros, dissertaes e teses, tendo como
nfase o estudo de caso, que de acordo com Gil (2010, p. 37), consiste no estudo profundo e
exaustivo de um ou poucos objetos, de maneira que permita seu amplo e detalhado
conhecimento.
Para atingir os objetivos propostos, o presente trabalho foi desenvolvido seguindo seis
etapas, conforme apresentado da Figura 2. Na sequncia, so descritas mais detalhadamente
cada uma dessas etapas.

5
 1) Coleta e anlise de dados

2) Priorizao dos produtos - curva ABC

3) Agrupamento dos produtos da classe A

4) Modelagem e previso de demanda agregada

5) Obteno de ndices de participao dos produtos

6) Obteno da previso individual

Figura 2: Etapas de execuo do estudo

1 Etapa coleta e anlise dos dados: o processo de coleta de dados foi realizado atravs dos
relatrios fornecidos pelo software de gesto empresarial que a empresa faz uso. Primeiramente,
foram coletados dados referentes ao faturamento de cada produto no ano de 2014 para realizar
a classificao ABC e, em seguida, coletou-se dados mensais das unidades vendidas dos
produtos para realizar o processo de previso de demanda.
2 Etapa priorizao dos produtos: de posse das informaes do faturamento dos produtos,
a segunda etapa do trabalho consistiu em realizar a priorizao dos produtos atravs da curva
ABC, onde foi possvel identificar os produtos que possuem maior representatividade em
termos de retorno financeiro para a empresa (itens da classe A).
3 Etapa agrupamento dos produtos da classe A: aps identificar os produtos de maior
representatividade, realizou-se o agrupamento dos mesmos devido ao grande nmero de
produtos pertencente esta classe. Este processo teve por objetivo reduzir o tempo demandado
no processo de previso e identificar um padro na demanda agregada visando aumentar a
acurcia. Para isto, os produtos da classe A foram classificados em seis grupos, sendo eles:
Grupo 1 Motor; Grupo 2 Suspenso; Grupo 3 Freio; Grupo 4 Cmbio; Grupo 5
Acessrios; Grupo 6 Diferencial.
4 Etapa modelagem e previso de demanda agregada: de posse de dados das demandas
agregadas, representadas em unidades vendidas mensalmente dos ltimos cinco anos (janeiro
de 2010 a dezembro de 2014), realizou-se a modelagem e previso de demanda. Para isto, foram
aplicados os modelos de mdia mvel simples, suavizao exponencial simples, suavizao
exponencial com tendncia (modelo linear de Holt) e, por fim, suavizao exponencial com
tendncia e sazonalidade (modelo de Holt-Winters) nas formas aditiva e multiplicativa. A
previso de demanda agregada foi ento obtida pelo modelo que apresentou as melhores
medidas de acurcia empregadas, sendo elas: MAE, MSE e MAPE.
5 Etapa obteno dos ndices de participao dos produtos: nesta etapa o objetivo foi
encontrar um ndice de participao de cada produto dos seis grupos para que fosse possvel
fazer o rateio da previso de demanda agregada e, ento, obter a previso de cada produto. Para

6
isto, realizou-se a diviso da demanda de cada produto mensalmente pela demanda total de cada
grupo no ano de 2014 que o perodo mais recente. Ento, para obter o ndice de participao
de um determinado produto no ms de janeiro de 2015, dividiu-se a demanda deste produto no
ms de janeiro de 2014 e pela demanda total de janeiro deste mesmo ano do grupo ao qual ele
pertence. Este mesmo procedimento foi realizado para obter os ndices de participao dos
demais meses de 2015.
6 Etapa obteno da previso individual: a previso para cada produto foi obtida
multiplicando-se a previso de demanda agregada pelo ndice de participao do produto para
cada ms analisado.
4. Apresentao e discusso dos resultados
A empresa onde foi realizado este estudo de caso, atua desde 1988 no setor de auto peas
na cidade de Rondonpolis-MT, sempre visando o melhor atendimento ao cliente. At o
momento da realizao deste estudo, no havia na empresa um processo estruturado de previso
de demanda, sendo a reposio de itens feita considerando a mdia dos ltimos trs perodos e
com quantidades suficientes para cobertura de estoque de trs meses. Deste modo, o presente
trabalho auxiliar os gestores a tomarem decises quanto reposio baseando-se no modelo
que melhor se ajuste aos dados histricos.
Tendo em vista ao grande nmero de itens que a empresa comercializa, sendo 8.758 ao
todo, realizar o processo de modelagem e previso de demanda para todos eles requer um tempo
considervel. Deste modo, houve a necessidade de realizar a classificao destes produtos
conforme a curva ABC e desenvolver o processo de previso para os itens da classe A que
possuem maior representatividade para a empresa em termos de faturamento. A Tabela 3,
apresenta os resultados obtidos da classificao ABC dos produtos da empresa considerando o
faturamento do ano de 2014.

TABELA 3 - Classificao ABC dos produtos comercializados pela empresa

Classificao Quantidade % Itens Faturamento (R$) % Faturamento
Itens Classe A 1.805 20,61 4.635.183,81 80,00
Itens Classe B 1.318 15,05 578.824,18 9,99
Itens Classe C 5.635 64,34 579.899,02 10,01
Total 8.758 100,00 5.793.906,41 100,00

De posse das informaes referente aos produtos pertencente classe A, foi realizado o
agrupamento dos mesmos em seis grupos com o intuito de realizar a previso da demanda
agregada. A Tabela 4, apresenta o nmero de produtos que se enquadram em cada grupo.

TABELA 4 - Quantidade de produtos da classe A por grupo

Grupos Quantidade % Itens
Grupo 1 Motor 760 42,10
Grupo 2 Suspenso 563 31,19
Grupo 3 Freio 211 11,69
Grupo 4 - Cmbio 147 8,15
Grupo 5 - Acessrios 88 4,87
Grupo 6 - Diferencial 36 2,00
Total 1.805 100,00

7
 Aps realizar o agrupamento dos produtos conforme apresentado na Tabela 4, foi
realizado a modelagem e previso de demanda para cada um dos seis grupos com o auxlio do
software MINITAB 16.0. A Tabela 5, apresenta os resultados das trs medidas de acurcia
(MAE, MSE e MAPE) de todos os modelos de previso analisados para os seis grupos. Os
modelos destacados em negrito, foram os que apresentaram os menores erros de previso e,
consequentemente, foram utilizados para obter a previso de demanda para o prximo perodo.

TABELA 5 - Medidas de acurcia dos modelos analisados

Modelos MAE MSE MAPE
Mdia Mvel Simples (n = 3) 439,00 320987,00 11,00
GRUPO 1

Suavizao Exponencial Simples 413,00 295104,00 11,00

Suavizao Exponencial com Tendncia 419,00 323006,00 11,00
Suavizao Exponencial com Sazonalidade (Multiplicativo) 335,00 226132,00 9,00
Suavizao Exponencial com Sazonalidade (Aditivo) 360,00 246503,00 9,00
Mdia Mvel Simples (n = 3) 206,50 85096,70 11,70
GRUPO 2

Suavizao Exponencial Simples 203,30 77981,10 11,70

Suavizao Exponencial com Tendncia 215,20 89316,50 13,00
Suavizao Exponencial com Sazonalidade (Multiplicativo) 158,00 57046,40 9,10
Suavizao Exponencial com Sazonalidade (Aditivo) 169,20 61040,90 10,40
Mdia Mvel Simples (n = 3) 55,56 6017,86 11,19
GRUPO 3

Suavizao Exponencial Simples 52,00 5342,18 10,58

Suavizao Exponencial com Tendncia 56,58 6100,77 11,71
Suavizao Exponencial com Sazonalidade (Multiplicativo) 49,93 5295,85 10,45
Suavizao Exponencial com Sazonalidade (Aditivo) 52,46 5552,67 11,32
Mdia Mvel Simples (n = 3) 33,81 2191,83 14,75
GRUPO 4

Suavizao Exponencial Simples 30,17 1809,72 13,04

Suavizao Exponencial com Tendncia 32,66 2133,85 13,95
Suavizao Exponencial com Sazonalidade (Multiplicativo) 33,53 2051,23 14,48
Suavizao Exponencial com Sazonalidade (Aditivo) 31,70 1859,58 14,45
Mdia Mvel Simples (n = 3) 88,60 23658,70 11,60
GRUPO 5

Suavizao Exponencial Simples 82,10 22595,50 11,00

Suavizao Exponencial com Tendncia 89,80 24645,60 12,00
Suavizao Exponencial com Sazonalidade (Multiplicativo) 81,60 21454,60 10,70
Suavizao Exponencial com Sazonalidade (Aditivo) 13,20 22679,20 13,20
Mdia Mvel Simples (n = 3) 7,15 78,20 36,76
GRUPO 6

Suavizao Exponencial Simples 6,68 64,96 35,68

Suavizao Exponencial com Tendncia 7,35 85,42 40,70
Suavizao Exponencial com Sazonalidade (Multiplicativo) 6,48 75,67 35,12
Suavizao Exponencial com Sazonalidade (Aditivo) 6,18 64,33 32,97

Pode-se verificar atravs da Tabela 5, que para os grupos 1, 2, 3 e 5, o modelo de

suavizao exponencial com sazonalidade (Holt-Winters mtodo multiplicativo) foi o que
melhor se ajustou aos dados histricos dos respectivos grupos e, consequentemente, apresentou
os menores erros de previso. Comportamento semelhante, teve o grupo 6, em que o modelo
suavizao exponencial com sazonalidade (Holt-Winters), no entanto, na abordagem do mtodo
aditivo foi o que apresentou os menores erros de previso. Isto por que as sries histricas destes
grupos apresentam comportamento sazonal com comprimento sazonal de doze meses,
apresentando altas nas vendas todo ms de dezembro. Buscando entender o motivo desta
sazonalidade, constatou-se a partir dos relatos dos gestores da empresa, que o principal fator
que contribui com isto o incio do perodo de frias em que aumenta o nmero de revises de

8
veculos em oficinas e concessionrias de automveis. J para o grupo 4, o modelo que
apresentou o melhor desempenho foi o de suavizao exponencial simples.
A Figura 3 apresenta os ajustes das previses (linhas vermelhas) dos modelos que
apresentaram as melhores medidas de acurcia aos dados histricos da demanda (linhas pretas)
para cada um dos seis grupos.

MODELO DE HOLT-WINTERS (MULTIPLICATIVO) - GRUPO 1 MODELO DE HOLT-WINTERS (MULTIPLICATIVO) - GRUPO 2

7000
3000

6000
2500
DEMANDA

DEMANDA
5000
2000
4000

1500
3000

1000
2000
1 6 12 18 24 30 36 42 48 54 60 1 6 12 18 24 30 36 42 48 54 60
PERODOS PERODOS

MODELO DE HOLT-WINTERS (MULTIPLICATIVO) - GRUPO 3 SUAVIZAO EXPONENCIAL SIMPLES - GRUPO 4

450
800
400
700
350
600
DEMANDA

DEMANDA

300

500
250

400 200

300 150

200 100
1 6 12 18 24 30 36 42 48 54 60 1 6 12 18 24 30 36 42 48 54 60
PERODOS PERODOS

MODELO DE HOLT-WINTERS (MULTIPLICATIVO) - GRUPO 5 MODELO DE HOLT-WINTERS (ADITIVO) - GRUPO 6

1800
50
1600

1400 40

1200
DEMANDA
DEMANDA

30
1000

800 20

600
10
400
0
200
1 6 12 18 24 30 36 42 48 54 60 1 6 12 18 24 30 36 42 48 54 60
PERODOS PERODO

Figura 3: Ajuste das previses aos dados histricos de demanda dos seis grupos

Na Figura 3, possvel verificar para os grupos 1, 2, 3, 4, 5 e 6, respectivamente, os

picos de vendas nos perodos 12, 24, 36, 48 e 60 que so os meses de dezembro de cada ano
(2010-2014).
As Tabelas 6, 7, 8, 9, 10 e 11, respectivamente, apresentam as previses de demanda
agregadas (A) obtidas a partir dos modelos que apresentaram os menores erros de previso para
o ms de janeiro de 2015 de cada um dos seis grupos, os ndices de participao (B) de cada
produto em relao demanda total ocorrida em janeiro de 2014 e as previses individuais
(AxB), resultante do produto entre as demandas agregadas e os ndices de participao. Tendo
em vista ao grande nmero de produtos em cada grupo, foram apresentados apenas o primeiro

9
e ltimo produto de cada grupo, de modo que a soma dos ndices de participao iguais a
100% e a soma das demandas individuais iguais s demandas agregadas (A).

TABELA 6 - Obteno das previses individuais Grupo 1

Previso Agregada (Janeiro 2015) = 4.620,00 unidades (A)
ndice de Previso
Seq. Cdigo Produto participao Individual
GRUPO 1

(B) (A x B)
1 6314 OLEO MOTOR 15W40 SL 1011554 6,36% 294,00
. . . . .
760 8974 MANGUEIRA RAD VW 1015 0,02% 1,00
TOTAL 100,00% 4.620,00

TABELA 7 - Obteno das previses individuais Grupo 2

Previso Agregada (Janeiro 2015) = 2.216,00 unidades (A)
ndice de Previso
Seq. Cdigo Produto participao Individual
GRUPO 2

(B) (A x B)
1 7445 AMORTECEDOR D. VW CT30826 0,89% 20,00
. . . . .
563 10959 KIT AMORTECEDOR VW MB4158 0,00% 0,00
TOTAL 100,00% 2.216,00

TABELA 8 - Obteno das previses individuais Grupo 3

Previso Agregada (Janeiro 2015) = 570,00 unidades (A)
ndice de Previso
Seq. Cdigo Produto participao Individual
GRUPO 3

(B) (A x B)
1 4200 JG SAPATA FREIO FIAT FI91CP 1,10% 6,00
. . . . .
211 3070 REPARO PINCA GM/FORD 0,27% 2,00
TOTAL 100,00% 570,00

TABELA 9 - Obteno das previses individuais Grupo 4

Previso Agregada (Janeiro 2015) = 303,00 unidades (A)
ndice de Previso
Seq. Cdigo Produto participao Individual
GRUPO 4

(B) (A x B)
1 7421 KIT EMBREAGEM FIAT 6267 5,12% 16,00
. . . . .
147 8026 ANEL SINCRONIZADO FIAT 1972 0,00% 0,00
TOTAL 100,00% 303,00

10
 TABELA 10 - Obteno das previses individuais Grupo 5
Previso Agregada (Janeiro 2015) = 1.092,00 unidades (A)
ndice de Previso
Seq. Cdigo Produto participao Individual
GRUPO 5

(B) (A x B)
1 6147 BATERIA MARELLI 60A PL60DR-E 2,32% 25,00
. . . . .
88 8393 PEITO ACO VW GP457 0,15% 2,00
TOTAL 100,00% 1.092,00

TABELA 11 - Obteno das previses individuais Grupo 6

Previso Agregada (Janeiro 2015) = 40,00 unidades (A)
ndice de Previso
Seq. Cdigo Produto participao Individual
GRUPO 6

(B) (A x B)
1 3517 COROA PINHAO MB 7X43 06350006 2,63% 1,00
. . . . .
36 2721 LUVA SINCRONIZADORA 14330022 0,00% 0,00
TOTAL 100,00%

As previses individuais obtidas e apresentadas anteriormente, devem ser utilizadas para

o estabelecimento do plano de reposio dos produtos na empresa, bem como para processo de
gesto de estoques. importante salientar que fazendo uso destas informaes, possibilitar a
reduo dos nveis de estoques dos produtos na empresa e melhoria no nvel de servio, visto
que os modelos consideram o padro da demanda ocorrida no passado, pois o processo como
realizado atualmente (baseando em mdia dos ltimos trs perodos) possibilita a formao
elevada de estoques em determinados perodos e a falta de produtos em outros, principalmente
nos produtos dos grupos 1, 2, 3, 5 e 6, respectivamente, em que as sries histricas apresentam
padres sazonais.
5. Consideraes finais
Este trabalho teve por objetivo realizar a estruturao de um processo de previso de
demanda em uma empresa do segmento de autopeas, baseando-se em uma metodologia clara
e objetiva. Esta estruturao, foi motivada pelo fato que o processo atual opera considerando a
mdia dos ltimos trs perodos para todos os produtos, sem considerar o padro da demanda,
contribuindo para a formao excessiva de estoques em alguns perodos do ano e falta de
produtos em outros, comprometendo assim o nvel de servio da empresa.
Para atingir este objetivo, o estudo foi executado seguindo as etapas de coleta e anlise
de dados, priorizao dos produtos (curva ABC), agrupamento dos produtos de classe A em
seis grupos, modelagem e previso de demanda, obteno dos ndices de participao de cada
produto em relao demanda total do seu respectivo grupo e, por fim, obteno da previso
individual.
A etapa de agrupamento dos produtos de classe A para obter a previso de demanda
agregada foi muito importante para o estudo, pois possibilitou reduzir a demanda de tempo para
o processo de modelagem e previso e tambm melhorar a acurcia dos modelos, visto que a
demanda agregada ameniza as oscilaes da demanda e permite identificar os padres da
demanda que so considerados pelos modelos quantitativos.

11
 Com a aplicao dos modelos de previso na etapa de modelagem e previso de
demanda, constatou-se que o grupo 1 (motor), grupo 2 (suspenso), grupo 3 (freio), grupo 5
(acessrios) e grupo 6 (diferencial) apresentam comportamento sazonal de vendas com
comprimento sazonal de 12 meses, pois ocorrem picos de vendas todo ms de dezembro. Logo
para estes grupos o modelo que apresentou o melhor desempenho foi o Holt-Winters que
considera as tendncias e sazonalidades das sries temporais.
J para o grupo 4 (cmbio), o modelo que melhor se ajustou aos dados histricos foi o
de suavizamento exponencial simples. Estes modelos que apresentaram os menores erros de
previso para cada um dos seis grupos, foram utilizados para obter as previses de demandas
agregadas e, posteriormente, as previses individuais considerando o ndice de participao de
cada produto em relao ao grupo que ele pertence.
Por fim, para trabalhos futuros recomenda-se que os estudos sobre previses de
demanda sejam estendidas aos demais produtos das classes B e C. Alm disso, sugere-se que
os resultados oriundos deste estudo sejam integrados a outros trabalhos de polticas de gesto
de estoques encontradas na literatura, tais como reviso contnua e peridica.
Referncias
ANDRADE, M. M. Introduo Metodologia do Trabalho Cientfico. 10.ed. So Paulo, Atlas S.A., 2010.
BERVIAN, P. A.; DA SILVA, R.; CERVO, A. L. Metodologia Cientfica. 6.ed. So Paulo, Pearson Prentice Hall,
2007.
FERNANDES, F. Integrao de Mtodos Quantitativos e Qualitativos para previso de demanda no setor de
autopeas. 27 f. Trabalho de Concluso de Curso (Graduao em Engenharia de Produo), Escola de Engenharia,
Universidade Federal do Rio Grande do Sul, Porto Alegre, 2010.
GIL, A.C. Como Elaborar Projetos de Pesquisa. 5.ed. So Paulo, Atlas, 2010.
LOPES, R. D. Previso de autopeas: estudo de caso em uma concessionria de veculos. 107 f. Dissertao
(Mestrado em Engenharia de Produo) Universidade Federal de Santa Catarina, UFSC, Florianpolis, 2002.
MAKRIDAKIS, S.; WHEELWRIGHT, S.; HYNDMAN, R. J. Forecasting: Methods ans Applications . 3 ed.
New York , John Wiley & Sons, 1998.
MARTINS, P. F.; LAUGENI, F. P. Administrao da Produo e Operaes. So Paulo: Saraiva, 2009.
MESQUITA, M. A. Previso de Demanda. In: Lustosa, L.; Mesquita, M.A.; Quelhas, O.; Oliveira,
R.; Planejamento e Controle da Produo. Rio de Janeiro: Elsevier, 2008.
MEZZAROBA, O.; MONTEIRO, C. S. Manual de Metodologia da Pesquisa no Direito. 3.ed. So Paulo, Saraiva,
2007.
MINE, O. M. Previso de demanda de autopeas com redes neurais. 225 f. Dissertao de mestrado (Mestrado
em Informtica) - Universidade Federal do Esprito Santo, UFES, Vitria, 2010.
MOREIRA, D. A. Administrao da Produo e Operaes. 2.ed.So Paulo: Cengage Learning, 2014.
RITZMAN, L. P.; KRAJEWSKI, L. J. Administrao da Produo e Operaes. So Paulo: Pearson Prentice
Hall, 2004.
SILVA, R. B. Previso de demanda no setor de suplementao animal usando combinao e ajuste de previses.
2014. 64p. Dissertao (Mestrado em Engenharia de Produo), Escola de Engenharia, Universidade Federal do
Rio Grande do Sul, Porto Alegre, 2014.
STEVENSON, W. J. Administrao das Operaes de Produo. 6.ed. Rio de Janeiro: LTC, 2001.
TUBINO, D. F. Planejamento e Controle da Produo. 2.ed. So Paulo: Atlas S.A., 2009.

12