Escolar Documentos
Profissional Documentos
Cultura Documentos
So Carlos
2015
I
v.1
Trabalho de Concluso de
Curso apresentado Escola
de Engenharia de So Carlos
da Universidade de So Paulo,
para obteno do ttulo de
Engenheiro Mecnico.
So Carlos
2015
II
III
AGRADECIMENTOS
Aos meus pais, por me proporcionaram esses anos de aprendizado e pela confiana
em mim depositada de que concluiria esta etapa.
s minhas irms, que sempre torceram por mim mesmo estando longe, sempre
acreditando no meu potencial e me ajudando quando necessrio.
RESUMO
ABSTRACT
LISTA DE FIGURAS
LISTA DE GRFICOS
LISTA DE TABELAS
NOMENCLATURA
SUMRIO
1. INTRODUO.............................................................................................................. 13
1.2. Objetivos................................................................................................................ 13
2. REVISO BIBLIOGRFICA.......................................................................................... 15
3.1. Introduo.............................................................................................................. 29
3.3. Iniciativa................................................................................................................. 30
REFERNCIAS ................................................................................................................... 45
13
1. INTRODUO
1.2. Objetivos
Este trabalho traz, inicialmente, uma reviso dos atuais mtodos de previso
de vendas, desde os qualitativos, marcados pela subjetividade; at mtodos que
utilizam grande esforo computacional, com grandes bancos de dados e complexas
regresses lineares.
2. REVISO BIBLIOGRFICA
Natureza Mtodo
Pesquisa de mercado
Qualitativos Estimativa da fora de vendas
Delphi
Mdia mvel
Suavizao exponencial simples
Projees Histricas
Suavizao exponencial com tendncia
Suavizao exponencial com tendncia e sazonalidade
Regresso linear simples
Causais
Regresso linear mltipla
Ballou (2001) ainda atenta ao fato de que por serem mtodos de natureza no
cientfica, difcil conseguir uma padronizao e validao em termos de acurcia.
De acordo com Ballou (2001), tal tcnica deve ser empregada somente se os
vendedores estiverem prximos do cliente, e se as condies para a realizao da
estimativa forem boas. Na opinio de Mentzer e Moon (2005), a fora de vendas
deve participar da previso de vendas em apenas duas situaes: quando o fluxo do
produto at o cliente responsabilidade do vendedor ou quando contratos de
fornecimento contnuo so fechados, caso em que extremamente importante saber
quando os fornecimentos acontecero.
A utilizao desta tcnica vista por Mentzer e Moon (2005) como vantajosa,
pois incorpora nas previses o conhecimento das pessoas prximas aos clientes, ao
mesmo tempo em que gera uma maior responsabilidade nos vendedores, j que
eles sero um dos maiores impactados com possveis erros nas previses de
demanda.
2.3.1.3. Delphi
O mtodo Delphi foi criado durante a Segunda Guerra Mundial, com o intuito
de prever avanos tecnolgicos na rea militar. O nome do mtodo faz referncia ao
orculo de Delfos, aonde as pessoas iam, na Grcia Antiga, para obter
ensinamentos e previses do futuro. Sua principal virtude se encontra no fato de ter
um processo formalizado, algo muito difcil em mtodos qualitativos. Hoje em dia
uma tcnica amplamente utilizada em empresas, no apenas para previso de
vendas, mas tambm para soluo de problemas tcnicos (LUSTOSA et al., 2008).
Para Ballou (2001), esta tcnica interessante por eliminar o efeito de massa
da opinio da maioria. Lustosa et al. (2008) acrescentam que a tcnica permite que
todos os integrantes no sejam inibidos por relaes de hierarquia ou de
personalidade.
Uma vez que se tem em mos uma quantidade razovel de dados histricos,
e a tendncia e variaes sazonais so estveis e bem definidas, projetar estes
dados pode ser uma boa forma de previso (BALLOU, 2001). A premissa a de que
o padro observado no passado se repetir no futuro, e por isso, podemos fazer as
previses (LUSTOSA et al., 2008).
anteriores. Este procedimento recebe o nome de mdia mvel, pois a cada novo
valor adicionado sria histrica, o valor mais antigo descartado (LUSTOSA et al.,
2008).
(2.1)
Onde:
(2.2)
Onde:
(2.3)
(2.4)
(2.5)
24
Onde:
De acordo com Ballou (2001), este modelo deve ser utilizado apenas no caso
da demanda ser estvel, significativa e discernvel das variaes aleatrias. Caso
contrrio, as outras verses do modelo, com um alto valor definido para a constante
de ponderao, de forma a reduzir o problema da defasagem pode ter melhores
resultados.
(2.6)
(2.7)
25
(2.8)
(2.9)
Onde:
(2.10)
Onde:
Y = varivel dependente;
X = varivel independente;
a = interseco da reta no eixo y;
b = inclinao da reta.
Funciona da mesma forma que o mtodo anterior, mas agora com mais de
uma varivel independente. O mtodo de obteno dos coeficientes o mesmo que
para a regresso linear simples, o mtodo dos mnimos quadrados, por exemplo
(LUSTOSA et al., 2008).
Para Chopra (2003), um bom mtodo de previso deve ser capaz de captar o
componente sistemtico de demanda, no o componente aleatrio. o componente
27
(2.11)
(2.12)
Lustosa et al. (2008) e Chopra (2003) concordam que para um grande valor
de n, o Erro Mdio deve estar prximo de zero, caso contrrio, a previso estar
enviesada, com um erro sistemtico. Neste momento, o gerente deve tomar medidas
corretivas, alterando o mtodo, por exemplo. Chopra (2003) ilustra um caso onde o
gerente utiliza a mdia mvel como mtodo de previso de um produto com
tendncia de crescimento. Neste caso, a previso estar constantemente menor que
a demanda real, o que resultar num EM negativo. Uma boa medida corretiva seria
utilizar um mtodo que incorporasse a componente de tendncia em seu clculo.
(2.13)
Nesta medida, erros maiores tm maior peso, e o contrrio ocorre com erros
menores. Sua frmula , segundo Lustosa et al. (2008), como em 2.14.
28
(2.14)
(2.15)
3. ESTUDO DE CASO
3.1. Introduo
3.3. Iniciativa
Estes dados foram ento consolidados via SQL para total de vendas dirias
por produtos por ponto de venda, e ento entregues ao autor para que fossem
preparados da melhor maneira para fazer as anlises.
32
Ainda assim, tinha-se muitos produtos para analisar, por isso uma
segmentao de produtos j existente na empresa (os produtos j eram
classificados pela empresa de acordo com seu padro de demanda histrica) foi
utilizada, e foram escolhidos alguns produtos de cada famlia de demanda, com total
de 30 produtos.
As famlias escolhidas para anlise, com produtos de cada uma delas, foram:
Demanda estacionria;
Demanda estacionria com pico;
Demanda estacionria com pico sazonal;
Demanda estacionria sazonal;
Demanda com tendncia;
Demanda sazonal com tendncia.
3.5.3. Dificuldades
De acordo com a literatura, o ideal seria ter pelo menos 36 meses de dados,
por conta da modelagem do mtodo de Suavizao Exponencial com Tendncia e
Sazonalidade (Holt-Winters), uma vez que assim teria-se 24 meses (2 perodos
33
Consumo
Cada um dos mtodos foi colocado em uma aba, como explicado a seguir.
No Excel, a funo MDIA foi utilizada para se fazer a previso, sendo que
dependendo do horizonte de tempo histrico, foram utilizados mais ou menos dados:
quatro semanas para um ms, oito semanas para dois meses e doze semanas para
trs meses.
Previso
Como previso inicial, foi utilizada a mdia dos ltimos dois meses, e depois
da segunda previso, a formulao deste mtodo foi utilizada.
0<x<1 0<x<1
Famlias 1 Cod Material Cte Level Cte Trend
Estacionria Produto 1 0,0400 -
Estacionria Produto 2 0,0348 -
Estacionria Produto 3 0,0650 0,0616
Estacionria Produto 4 0,0051 1,0000
Estacionria Produto 5 0,6162 0,0062
Estacionria Produto 6 0,1884 0,3089
Estacionria Produto 7 1,0000 -
Estacionria Produto 8 0,3732 -
Estacionria Produto 9 1,0000 -
Estacionria - com pico Produto 10 0,9573 0,0087
Estacionria - com pico sazonal Produto 11 0,9011 0,0011
Estacionria - com pico Produto 12 1,0000 -
Uma vez as previses feitas, atravs dos diferentes mtodos, o erro das
mesmas precisa ser calculado, para que, dessa forma, pudesse ser feita uma
comparao dos desempenhos.
37
Como nos primeiros doze meses (52 semanas) no existem previses para o
mtodo de Holt Winters, a medio de erro ser feita apenas para os ltimos doze
meses, de forma a se comparar o mesmo perodo de tempo para todos os mtodos.
Abs Erro
Note que cada material possui uma constante de nvel e uma de tendncia,
como foi explicado no captulo anterior. Tais constantes so delimitadas por zero e
um (restries), e so elas tambm as clulas variveis. A clula de destino que
deve ser minimizada ser a medida de erro, EPAM, das previses deste produto.
Cada uma das consolidaes feita em uma aba especfica, onde esto os
resultados do EPAM de todos os modelos, e ento definido que para determinado
item ou famlia, o mtodo com o menor erro ser o mais indicado, como pode ser
visto na Tabela 4.1.
39
A comparao dos erros das previses para cada produto, atravs dos
diferentes modelos, pode ser vista na Tabela 4.1, extrada do Excel.
Pela Tabela 4.1 e pelo Grfico 2, podem-se tirar algumas concluses acerca
dos mtodos utilizados neste trabalho:
Ainda assim, para produtos sazonais, ele apresenta uma boa aderncia
curva, como pode ser visto no Grfico 3.
Fica claro que quanto mais constante a demanda, menores os valores das
constantes, de forma a dar um peso maior ao histrico. Enquanto que ao olhar para
os valores das constantes nos produtos de demanda estacionria sazonal, v-se
que a constante de nvel sempre prxima de um, dando um grande peso para as
ltimas previses, praticamente copiando as mesmas, minimizando, assim, o erro.
5.1. Concluses
Outro ponto claro foi em relao ao mtodo de Holt Winters, que no estudo
no obteve os melhores resultados, muito provavelmente por conta da
indisponibilidade de trs perodos sazonais na base de dados utilizada pelo estudo.
Ainda assim, de acordo com os dados disponveis, pode-se afirmar que a previso
pelo mtodo de Holt foi a que apresentou melhores resultados, chegando a ter sete
pontos percentuais de melhoria em relao ao mtodo atualmente utilizado pela
empresa.
Quanto aos objetivos especficos propostos por este trabalho, estes foram
cumpridos. Tem-se na Reviso Bibliogrfica um bom resumo sobre os principais
mtodos utilizados em previses como a realizada no estudo de caso.
REFERNCIAS
FILDES, R.; HIBON, M.; MAKRIDAKIS, S.; MEADE, N. Generalising about univariate
forecasting methods: Further empirical evidence. International Journal of
Forecasting, v. 14, p. 339-358, 1998.
MAKRIDAKIS, S.; HIBON, M. Exponential smoothing: The effect of initial values and
loss functions on post-sample forecasting accuracy. International Journal of
Forecasting, v. 7, p. 317330, 1991.