Você está na página 1de 50

UNIVERSIDADE DE SO PAULO

ESCOLA DE ENGENHARIA DE SO CARLOS

EDUARDO PERIN FAVERO

Mtodos de previso de vendas: um


estudo de caso numa rede varejista

Orientador: Prof. Dr. Iris Bento da Silva

So Carlos

2015
I

EDUARDO PERIN FAVERO

Mtodos de previso de vendas: um estudo de caso


numa rede varejista

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.

Orientador: Prof. Dr. Iris Bento da Silva

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.

Agradeo aos meus amigos, que me acompanharam em todos os momentos,


fossem eles alegres e vitoriosos ou de dificuldades. Com certeza sentirei saudades
destes momentos de alegria.

Ao meu orientador Iris Bento da Silva, pela oportunidade, orientao e suporte


durante as pesquisas e o trabalho.
V

RESUMO

FAVERO, E. P. Mtodos de previso de vendas: um estudo de caso numa rede


varejista. 2015. 45 f. Trabalho de concluso de curso Escola de Engenharia de
So Carlos, Universidade de So Paulo, So Carlos, 2015.

Buscando cada vez mais aperfeioar suas operaes, empresas visam


modelos que reduzam desperdcios e otimizem recursos no dia a dia. O uso de
mtodos de previso de vendas deve ser um grande aliado no planejamento de
operaes destas empresas. Este trabalho busca proporcionar um resumo dos
principais mtodos de previso de vendas utilizados atualmente, juntamente com
uma aplicao prtica dos mtodos de projeo histrica em uma indstria do varejo
nacional. Os resultados mostram que a utilizao de mtodos de suavizao
exponencial tm melhores resultados quando comparados aos de mdia mvel,
sendo, portanto, mais indicados para a realizao da previso de vendas da
empresa estudada. Conclui-se, ainda, que a adoo de softwares disponveis no
mercado para automatizao no processo seja um bom investimento para a
empresa.

Palavras-chave: Planejamento da produo, Previso de vendas, Anlise de sries


temporais.
VI

ABSTRACT

FAVERO, E. P. Sales forecasting methods: a case study in a retailer. 2015. 45 p.


Graduation thesis Engineering School of So Carlos, University of So Paulo, So
Carlos, 2015.

Increasingly looking to improve their operations, companies aim patterns that


reduce waste and optimize resources on a daily basis. The use of sales forecasting
methods should be a great ally in planning operations of these companies. This
paper seeks to provide a summary of key sales forecasting methods currently used,
along with a practical application of historical data projection methods in a national
retail industry. The results show that the use of exponential smoothing methods have
better results when comparing to the moving average, and is therefore most suitable
for sales forecast in the company studied. The paper also suggests that the
acquisition of a software available in the market for automation of the process is a
good investment for the company.

Keywords: Production planning, Sales forecast, Time series analysis.


VII

LISTA DE FIGURAS

Figura 1 - Propagao do Erro de Demanda (adaptado MENTZER e MOON, 2005)


.................................................................................................................................. 15
Figura 2 - Fluxograma do Mtodo Delphi. Fonte: MENTZER e MOON, 2005. .......... 20
Figura 3 - Organograma da rea de Gesto de Estoques......................................... 29
Figura 4 - Organizao dos dados histricos ............................................................ 34
Figura 5 - Modelagem de mdia mvel (um ms) ..................................................... 35
Figura 6 - Constantes de suavizao do mtodo de Holt .......................................... 36
Figura 7 - Medio de erro ....................................................................................... 37
Figura 8 - Otimizao do mtodo de Holt Winters com auxlio do Solver .................. 38
Figura 9 - Diferenas entre as constantes, por famlia .............................................. 42
VIII

LISTA DE GRFICOS

Grfico 1 - Padres de demanda (adaptado LUSTOSA et al., 2008) ....................... 17


Grfico 2 - Resultado consolidado ............................................................................ 40
IX

LISTA DE TABELAS

Tabela 2.1 - Mtodos de previso ............................................................................. 18


Tabela 4.1 - Comparao dos erros entre os mtodos, por produto ......................... 39
Tabela 4.2 - Comparao dos erros entre os mtodos, por famlia ........................... 41
X

NOMENCLATURA

F Previso para um determinado perodo


D Demanda real de determinado perodo
t Perodo de tempo atual
n Nmero de perodos considerados para a srie histrica
S Previso inicial para o perodo
T Tendncia para o perodo
I ndice sazonal para o perodo
L Perodo de tempo para uma estao completa
Constante de ponderao exponencial
Constante ponderada de tendncia
Constante de ponderao sobre o ndice sazonal
TI Tecnologia da Informao
SQL Structured Query Language
MMS4 Mdia mvel simples (4 meses)
MMS8 Mdia mvel simples (8 meses)
MMS12 Mdia mvel simples (12 meses)
SE Suavizao Exponencial Simples
XI

SUMRIO

1. INTRODUO.............................................................................................................. 13

1.1. Contexto e justificativa ........................................................................................... 13

1.2. Objetivos................................................................................................................ 13

1.3. Metodologia de pesquisa ....................................................................................... 14

1.4. Contedo geral do trabalho.................................................................................... 14

2. REVISO BIBLIOGRFICA.......................................................................................... 15

2.1. Importncia da previso de vendas ....................................................................... 15

2.2. Caractersticas da demanda .................................................................................. 16

2.3. Mtodos de previso de vendas ............................................................................ 17

2.3.1. Mtodos Qualitativos ...................................................................................... 18

2.3.2. Mtodos de projeo histrica ........................................................................ 21

2.3.3. Mtodos causais ............................................................................................. 25

2.4. Medidas de erro de previso.................................................................................. 26

2.4.1. Desvio Absoluto Mdio (DAM) ........................................................................ 27

2.4.2. Erro Quadrtico Mdio (EQM) ........................................................................ 27

2.4.3. Erro Percentual Absoluto Mdio (EPAM) ........................................................ 28

2.5. Otimizao das constantes de ponderao ........................................................... 28

3. ESTUDO DE CASO ...................................................................................................... 29

3.1. Introduo.............................................................................................................. 29

3.2. Empresa objeto de estudo ..................................................................................... 29

3.3. Iniciativa................................................................................................................. 30

3.4. Definio do problema ........................................................................................... 30

3.5. Levantamento das informaes ............................................................................. 31

3.5.1. Coleta de dados ............................................................................................. 31

3.5.2. Preparao dos dados .................................................................................... 32

3.5.3. Dificuldades .................................................................................................... 32

3.6. Pacote computacional utilizado .............................................................................. 33


XII

3.7. Modelos matemticos ............................................................................................ 33

3.7.1. Organizao dos dados histricos .................................................................. 34

3.7.2. Mdia mvel ................................................................................................... 34

3.7.3. Suavizao exponencial simples .................................................................... 35

3.7.4. Suavizao exponencial com tendncia ......................................................... 35

3.7.5. Suavizao exponencial com tendncia e sazonalidade ................................. 36

3.7.6. Medio de erro (EPAM) ................................................................................ 36

3.7.7. Otimizao da previso .................................................................................. 37

3.7.8. Consolidao dos resultados .......................................................................... 38

4. RESULTADOS OBTIDOS E DISCUSSO ................................................................... 39

4.1. Resultados por produto .......................................................................................... 39

4.2. Resultados por famlia de produtos........................................................................ 40

4.3. Constantes de suavizao ..................................................................................... 42

4.4. Softwares de previso ........................................................................................... 42

5. CONCLUSES E SUGESTES DE TRABALHOS FUTUROS .................................... 43

5.1. Concluses ............................................................................................................ 43

5.2. Sugestes de trabalhos futuros.............................................................................. 44

REFERNCIAS ................................................................................................................... 45
13

1. INTRODUO

1.1. Contexto e justificativa

As empresas buscam cada vez mais aperfeioarem suas operaes, visando


modelos de gesto lean, com o intuito de reduzir desperdcios e otimizar recursos no
dia a dia.

O uso de mtodos de previso de vendas um grande aliado no


planejamento de operaes das empresas, pois evitam rupturas em estoques, ao
mesmo tempo em que mantm os nveis do mesmo em patamares aceitveis.

Contudo, a dificuldade de utilizao desses mtodos muitas vezes passa pela


falta de conhecimento das tcnicas existentes, da qualidade de bases de dados ou
at mesmo de como utiliz-las da maneira correta.

Assim, este trabalho visa abordar os principais mtodos de previso de


vendas utilizados atualmente, juntamente com uma aplicao prtica dos mtodos
de projeo histrica e discusso de seus resultados.

1.2. Objetivos

O objetivo principal deste trabalho identificar dentre as tcnicas de previso


mais comuns, a que melhor produz projees empresa estudada, passando por
detalhes operacionais dos modelos at posteriores discusses de resultados.

Em relao aos objetivos especficos, podem ser citados:

Levantamento dos principais mtodos de previso de vendas utilizados


atualmente;
Levantamento de dados histricos para aplicao dos mtodos
quantitativos de previso de vendas;
Modelagem matemtica dos mtodos de projeo histrica, com
otimizao de constantes de suavizao relacionadas nvel, tendncia e
sazonalidade.
14

1.3. Metodologia de pesquisa

O trabalho foi realizado por intermdio de uma reviso bibliogrfica, com


posterior estudo de caso numa rede varejista nacional.

A reviso bibliogrfica foi realizada por meio da leitura de livros clssicos


sobre o tema de previso de vendas, aliado a leituras complementares de artigos
nacionais e internacionais acerca do tema.

No estudo de caso, as tcnicas mencionadas durante a reviso bibliogrfica


foram devidamente aplicadas numa empresa real do ramo varejista nacional.

1.4. Contedo geral do trabalho

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.

Num segundo momento, realizou-se um estudo de caso numa empresa


nacional varejista, de forma a testar os diferentes mtodos apresentados para
produtos com diferentes padres de demanda, buscando encontrar o melhor mtodo
para cada padro de demanda.

Por fim, so apresentadas as concluses do trabalho, junto com suas


limitaes e potenciais novos estudos para complement-lo.
15

2. REVISO BIBLIOGRFICA

2.1. Importncia da previso de vendas

Em produo e controle de estoques, a previso de vendas uma grande


influenciadora nos custos de estoque, no nvel de servio, na programao e na
eficincia de funcionrios, entre outros pontos de desempenho operacional
(GARDNER, 2006).

A previso da demanda futura, de acordo com Chopra (2003), a base para


todas as decises estratgicas e de planejamento em uma cadeia de suprimentos,
sendo a primeira medida a ser tomada pelo gerente da cadeia de suprimentos.
Ainda assim, tais previses no so responsabilidade apenas do profissional de
logstica produzir tais previses, tendo auxlio tambm do marketing, planejamento
econmico ou a um grupo especialmente designado para isso (BALLOU, 2001).

Dependendo de sua posio na cadeia produtiva, a empresa deve encarar a


demanda por seus produtos de maneira diferente, sendo que o nico ponto onde a
demanda pode ser considerada totalmente independente a demandada pelo
usurio final, o responsvel por determinar a demanda que flui na cadeia produtiva
(MENTZER; MOON, 2005).

A partir da Figura 1 possvel observar o comportamento do erro de previso


na cadeia de produo. Assumindo 10% de estoque de segurana em cada etapa,
percebemos que uma demanda de 1000 unidades do cliente final gerar um estoque
adicional de 1103 unidades, ou 110,3% da demanda do cliente.

Figura 1 - Propagao do Erro de Demanda (adaptado MENTZER e MOON, 2005)


16

Lustosa et al. (2008) afirmam que as oscilaes de demanda a montante das


cadeias de suprimento so maiores que as oscilaes observadas no varejo, por
conta da poltica de compras de grandes lotes, visando economias de escala. Isto
chamado de efeito chicote, fenmeno que torna a gesto de estoques na cadeia de
suprimentos bastante complexa.

Lustosa et al. (2008) afirmam ainda que o resultado econmico de uma


empresa ser diretamente impactado pela capacidade de prever bem, pensamento
compartilhado por Chopra (2003), que afirma que duas previses de vendas
diferentes, com diferentes nveis de erro, tero uma diferente poltica de gesto de
estoques adotada, culminando em resultados melhores ou piores.

2.2. Caractersticas da demanda

A primeira diferenciao da demanda se d entre demanda pontual e


demanda repetitiva. A demanda pontual aquela que acontece de forma
concentrada ou apenas uma vez, e depois tem fim ou diminui drasticamente. Para
este tipo de demanda, a dificuldade da previso se encontra na falta de histrico de
demanda confivel (LUSTOSA et al., 2008).

Para itens de demanda repetitiva, podemos fazer uma segunda diferenciao,


entre demanda dependente e demanda independente. Para Slack (2007), demanda
dependente uma demanda previsvel, por estar associada a fatores conhecidos.
Como exemplo clssico, podemos citar a demanda de pneus por uma montadora. A
quantidade de pneus dependente da de carros, j que sabendo a quantidade de
carros produzidos, sabemos que a quantidade de pneus ser cinco vezes maior.

Para itens de demanda independente, Lustosa et al. (2008) faz a


diferenciao entre demanda estacionria e com tendncia, sendo a primeira
caracterizada por patamar constante, identificando variaes aleatrias ao seu
redor. A demanda com tendncia corresponde quela com crescimento ou declnio
nas vendas.
17

Existe ainda outro aspecto, a sazonalidade, representada por variaes


regulares ao longo de um ciclo. Um exemplo clssico a venda de protetores
solares durante o ano, com um pico de vendas durante o vero.

O Grfico 1 apresenta os quatro padres de demanda independente.

Grfico 1 - Padres de demanda (adaptado LUSTOSA et al., 2008)

2.3. Mtodos de previso de vendas

Aps dcadas de estudos na rea de previso de vendas, vrias tcnicas


foram desenvolvidas. De acordo com Ballou (2001) e Lustosa et al. (2008), tais
tcnicas podem ser divididas em trs grupos: qualitativos, projees histricas e
causais; e suas principais diferenas consistem na assertividade, na subjetividade e
na simplicidade.

A deciso do mtodo ideal no uma escolha fcil para a empresa, e


diversos estudos indicam que a utilizao de mais de um mtodo, com uma
combinao posterior de seus resultados, garante melhores resultados (CHOPRA,
2003).

Segundo Makridakis (1986), diferentes estudos chegaram a diferentes


concluses quanto ao desempenho dos mtodos, no sendo possvel concluir que
um mtodo apresenta melhores resultados que outros consistentemente.
18

A seguir, a Tabela 2.1 contm os mtodos apresentados neste trabalho:

Tabela 2.1 - Mtodos de previso

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

2.3.1. Mtodos Qualitativos

Para Chopra (2003), Lustosa et al. (2008) e Ballou (2001) h um consenso de


que os mtodos qualitativos apresentam um maior grau de subjetividade e menor
preciso em comparao aos mtodos de projeo histrica, mas em momentos
onde no existem dados disponveis, esta seja a nica alternativa.

Todos concordam que em novas indstrias, lanamento de novos produtos ou


at mesmo em casos onde exista uma grande inteligncia de mercado, mtodos
estatsticos sero pouco teis, e, neste momento, os mtodos qualitativos ganham
importncia.

Ainda que os responsveis possuam conhecimento nico e informaes


privilegiadas no disponveis em mtodos quantitativos, estudos empricos mostram
que estas previses tm pior desempenho, uma vez que os responsveis tendem a
ser otimistas e subestimar incertezas futuras. Em adio, o custo de previses
qualitativas consideravelmente maior que o de previses quantitativas (Makridakis,
1986).
19

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.

2.3.1.1. Pesquisa de mercado

Recurso que serve a diferentes finalidades gerenciais, desde a avaliao da


demanda potencial de um produto ou servio at a avaliao de preo e
concorrncia, diretamente com os consumidores finais, ou seja, a informao vir de
fora da empresa. Esta tcnica j largamente empregada, contando com empresas
especializadas no mercado (Lustosa et al., 2008).

Para Ballou (2001), a pesquisa de mercado um procedimento sistemtico,


utilizado para testar hipteses a respeito do mercado real. Esse procedimento deve
ser utilizado para previses de longo prazo, ou lanamento de novos produtos
(CASULA, 2012).

2.3.1.2. Estimativa da fora de vendas

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.

Ainda segundo os autores, interessante fazer com que a gerao de


previses seja parte do trabalho dos vendedores, previamente capacitados para
20

isso, de forma a melhorar a qualidade das informaes geradas pela fora de


vendas.

Outra forma de melhorar a qualidade das informaes geradas e dos inputs


fornecer uma previso inicial gerada estatisticamente para os vendedores, sendo
papel destes apenas ajust-las, j que a maioria dos vendedores tem melhor
desempenho revisando previses do que as criando (FRAGOSO, 2009).

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).

O processo pode ser dividido em duas etapas. A primeira, em que os


participantes emitem suas opinies individuais em relao ao tema, as quais so
coletadas pelo mediador. A segunda parte se d pela busca do consenso nas
opinies em reunio com todos os participantes, atravs de novas rodadas de
perguntas pertinentes (LUSTOSA et al., 2008).

A Figura 2 apresenta os passos do processo, por Mentzer e Moon (2005):

Figura 2 - Fluxograma do Mtodo Delphi. Fonte: MENTZER e MOON, 2005.

Passo 1 - Os membros escolhidos respondem a pergunta em questo (ex:


previso de vendas de determinado produto);
21

Passo 2 - As respostas so consolidadas e retornam para o painel, sem a


indicao dos responsveis pelas mesmas;
Passo 3 - Aps lerem as respostas, os especialistas tm a possibilidade de
alterar sua resposta, ou mant-la;
Passo 4 - Os passos 2 e 3 so repetidos at que se chegue a um
consenso.

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.

2.3.2. Mtodos de projeo histrica

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).

Para Ballou (2001), tais mtodos so reativos por natureza, se adaptando s


mudanas assim que os dados se tornam disponveis para as prximas previses.
Contudo, uma de suas desvantagens que esta mudana no ser sinalizada antes
de sua ocorrncia. Mas ainda segundo o autor, para horizontes curtos de tempo,
exceto em casos com mudanas drsticas, isto no uma sria limitao.

Na sequncia, alguns dos mtodos de projees histricas mais comuns.

2.3.2.1. Mdia mvel

O mtodo de projeo mais simples possvel seria o de simplesmente repetir


o ltimo valor da srie histrica, porm, este procedimento, embora bastante
simples, iria carregar consigo toda a variao da demanda. Uma alternativa para a
resoluo deste problema seria ento fazer a mdia aritmtica de n perodos
22

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).

A Equao 2.1 representa o mtodo:

(2.1)

Onde:

F = previso para um determinado perodo


D = demanda real de determinado perodo
t = perodo de tempo atual
n = nmero de perodos considerados para a srie histrica

Apesar da simplicidade do mtodo, tanto para Chopra (2003) quanto para


Lustosa et al. (2008), o mtodo de mdia mvel indicado apenas quando a
demanda no apresenta tendncia ou sazonalidade. Para estes casos, mtodos de
suavizao so os mais indicados.

2.3.2.2. Suavizao exponencial

Diferentemente da mdia mvel, onde todos os perodos da sria histrica


tm o mesmo peso na previso, no mtodo de suavizao exponencial os valores
passados tm pesos que decrescem geometricamente (LUSTOSA et al., 2008).

Trs variaes do mtodo sero apresentadas: simples, com tendncia


(modelo de Holt) e com tendncia e sazonalidade (modelo de Holt-Winters).

a) Suavizao exponencial simples

Este modelo adequado para demanda sem tendncia ou sazonalidade.


Para Ballou (2001), esta provavelmente a tcnica mais til para previso de curto
prazo, devido sua simplicidade e no necessidade de dados com alta qualidade.
Ela fornece o resultado mais acurado entre os modelos concorrentes (simplicidade)
e, por conta da ponderao, se adapta automaticamente s principais mudanas.
23

A Equao 2.2 representa o modelo.

(2.2)

Onde:

= constante de ponderao exponencial

A constante de ponderao exponencial varia de 0 a 1, tendo em mente que


quanto maior seu valor, maior o peso colocado nos perodos mais recentes da srie,
fazendo com que o modelo responda mais rapidamente s mudanas. Contudo, ao
aumentar a constante, mais nervosa ficar a previso, seguindo variaes
aleatrias ao invs de mudanas fundamentais (BALLOU, 2001). Adiante neste
trabalho ser abordada a otimizao da constante de ponderao com o auxlio de
medidas de erro de previso e softwares especiais.

Com relao primeira previso, para um perodo t, outro mtodo histrico


deve ser utilizado, como a mdia mvel, por exemplo (FRAGOSO, 2009).

b) Suavizao exponencial com tendncia (modelo de Holt)

Ainda que a suavizao exponencial simples tenha bons resultados, quando


existe uma significativa tendncia ou padro sazonal nos dados, uma defasagem
estar inerente aos resultados, levando a erros inaceitveis de previso (BALLOU,
2001)

No caso da correo da tendncia, uma segunda varivel adicionada,


refletindo o crescimento da demanda entre os perodos. Da mesma forma que a
previso para o mtodo exponencial simples, esta nova varivel ser atualizada
exponencialmente, com uma nova constante (LUSTOSA et al., 2008).

As Equaes que regem este mtodo so a 2.3, 2.4 e 2.5.

(2.3)

(2.4)

(2.5)
24

Onde:

S = previso inicial para o perodo;


T = tendncia para o perodo;
= constante ponderada de tendncia.

Assim como para a constante , devemos otimizar com o auxlio de


softwares. O mesmo vale para a primeira previso (S0), que deve ser calculada com
outro mtodo (a mdia mvel funciona, novamente).

Makridakis e Hibon (1991) mostraram que a escolha dos valores iniciais no


tem grande influncia no resultado da previso, podendo serem calculadas com
mtodos simples, ou at mesmo igualadas zero nas primeiras previses. Por outro
lado, Lustosa et al. (2008) diz que os valores das constantes de suavizao ( e )
tm bastante influncia no resultado, estando a calibrao do modelo concentrada
nestes parmetros.

c) Suavizao exponencial com tendncia e sazonalidade (modelo de


Holt Winters)

Esta verso do mtodo utilizada quando existe tanto a componente de


tendncia quanto a de sazonalidade. Neste caso, um ndice de sazonalidade
definido, e da demanda base, este efeito retirado, para ser, ao final do mtodo,
incorporado na previso (LUSTOSA et al., 2008).

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.

As Equaes (2.6 a 2.9) a seguir representam o modelo.

(2.6)

(2.7)
25

(2.8)

(2.9)

Onde:

= constante de ponderao sobre o ndice sazonal;


I = ndice sazonal para o perodo;
L = perodo de tempo para uma estao completa.

A resoluo do mtodo funciona da mesma forma que os anteriores, agora


com os novos componentes a serem calculados.

Segundo Lustosa et al. (2008), uma das complicaes do mtodo a


necessidade de srie histrica mais longa, de pelo menos trs ciclos sazonais
completos, 36 meses, no caso de anos.

2.3.3. Mtodos causais

Tambm conhecido por modelos economtricos, modelos de previso causais


estabelecem correlaes entre a demanda e outros fatores conjunturais.
Normalmente, utiliza-se a previso de tais fatores, como PIB, ou investimento em
Marketing, por exemplo, para obter uma previso de vendas (CHOPRA, 2003).

Ainda que estudos empricos provem que previses por modelos


economtricos no so necessariamente mais precisos que mtodos de sries
temporais, seu propsito no unicamente prever, mas sim explicar fenmenos
econmicos entre as variveis correlacionadas e a demanda. Tais informaes
podem ajudar, de forma indireta, na preciso da previso (MAKRIDAKIS, 1986).

Tanto Ballou (2001) quanto Makridakis (1986) concordam que o aumento de


complexidade no garante melhoria nas previses, portanto dois dos mtodos mais
simples de modelos causais so descritos a seguir.
26

2.3.3.1. Regresso linear simples

De acordo com Barbosa (2014), este o sistema de regresso mais simples,


sendo que a varivel dependente funo de apenas uma varivel independente.
Desta forma, a relao terica uma linha reta como na Equao 2.10.

(2.10)

Onde:

Y = varivel dependente;
X = varivel independente;
a = interseco da reta no eixo y;
b = inclinao da reta.

Um importante medidor da qualidade da correlao o coeficiente de


correlao, r. Este coeficiente ter seu valor entre 0 e 1, sendo que quanto mais alto
seu valor, melhor a correlao. Uma regra geral a de que valores acima de 0,8 so
adequados, enquanto que menores que 0,5, insatisfatrios (LUSTOSA et al., 2008).

2.3.3.2. Regresso linear mltipla

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).

2.4. Medidas de erro de previso

O futuro no espelhado perfeitamente pelo passado, e por este motivo


que a previso apresentar erros. E o erro de previso ir mostrar o quo prximo a
mesma est do nvel real da demanda (BALLOU, 2001).

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

aleatrio que chamaremos de erro de previso. Os gerentes devem se atentar a


isso, e utilizar as medidas de erro para perceber se o modelo de previso est de
fato prevendo o componente sistemtico da demanda.

De acordo com Lustosa et al. (2008), o erro de previso para o perodo t


dado pela Equao 2.11, e o Erro Mdio (EM) pela 2.12:

(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.

Os mais utilizados mtodos de medio de erro sero apresentados a seguir.

2.4.1. Desvio Absoluto Mdio (DAM)

Esta foi, historicamente, a medida de erro de previso referncia, pelo fato de


os recursos computacionais da poca serem limitados, e esta ser uma medida
simples (BALLOU, 2001).

De acordo com Chopra (2003), o DAM expresso como na Equao 2.13.

(2.13)

2.4.2. Erro Quadrtico Mdio (EQM)

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)

Uma desvantagem do mtodo que sua unidade no a mesma que a dos


dados de demanda.

2.4.3. Erro Percentual Absoluto Mdio (EPAM)

Outro indicador de erro bastante utilizado, como alternativa ao DAM, mas


considerando erros relativos ou percentuais. expresso, segundo Lustosa et al.
(2008) como na Equao 2.15.

(2.15)

2.5. Otimizao das constantes de ponderao

Gardner (2006) afirma que no existem mais desculpas para no utilizar


parmetros otimizados no mtodo de suavizao exponencial, visto que temos a
disponibilidade de muitos algoritmos de busca, como o Excel Solver, por exemplo.

De acordo com Gardner (2006), o mtodo de busca do melhor parmetro


deve ser feito atravs da comparao dos erros medidos entre as diferentes
previses, tentando encontrar um mnimo para este erro. O autor, no entanto, deixa
claro que nem sempre encontraremos um mnimo para a funo, o que pode
representar um problema para o mtodo.

Uma vez os parmetros que minimizam os erros escolhidos, nos deparamos


com um segundo problema: qual a frequncia que devemos atualizar tais
parmetros. E, segundo estudo desenvolvido por Fildes et al. (1998), a melhor
opo a de atualiz-los toda vez que se for realizar uma previso.

Para diminuir o esforo computacional, e deixar a previso menos sujeita a


variaes aleatrias, Flowers (1980) prope a criao de limites para as constantes,
sem deixar que elas flutuem sempre entre zero e um.
29

3. ESTUDO DE CASO

3.1. Introduo

Neste captulo apresenta-se um estudo de caso numa empresa do ramo


varejista, com a finalidade de se aumentar a acuracidade de previso de vendas
com mtodos de projeo histrica.

3.2. Empresa objeto de estudo

A empresa objeto do estudo uma empresa brasileira, do ramo varejista, com


atuao em todo o territrio nacional. A empresa trabalha com mais de cinco mil
produtos e conta com mais de cem pontos de vendas, sendo que estes so
abastecidos por Centros de Distribuio estrategicamente posicionados pelo
territrio nacional.

O estudo foi realizado junto da rea de Gesto de Estoques da empresa, a


qual composta por um diretor, uma gerente e trs analistas. Esta a rea
responsvel pelas previses de vendas e ndices de estoques em geral.

O organograma desta rea da empresa segue abaixo:

Figura 3 - Organograma da rea de Gesto de Estoques


30

No que diz respeito ao planejamento de vendas, reunies semanais so


realizadas com a rea de compras, para maiores alinhamentos em relao a
compras de oportunidade (melhor preo, ainda que no haja necessidade), por
exemplo.

Dando suporte a toda esta operao, existe a equipe de tecnologia da


informao, que responsvel por manter o sistema de controle de estoques,
projeo de vendas, entre outros, operando, e ainda efetuar extraes para
posteriores anlises.

3.3. Iniciativa

Em vista do grande crescimento da empresa nos ltimos anos, ela se viu em


face de um dilema: A atual forma de gerenciar estoques a melhor?.

Para encontrar respostas, uma srie de estudos comeou a ser realizados


sobre as operaes, para que as prticas atuais fossem avaliadas frente s
melhores prticas de mercado.

Um dos pontos que preocupavam a direo da empresa era o fato de que os


estoques de alguns itens cresciam muito, enquanto que outros sofriam de rupturas
no estoque. Outra preocupao seria a forma de tratar sazonalidades, que no
momento do incio do estudo era feita de forma manual, atravs de reunies entra a
equipe de gesto de estoques.

3.4. Definio do problema

O problema a ser resolvido era o de fazer a previso de vendas para todos os


produtos, que passavam de cinco mil, para todos os pontos de venda, com a
finalidade de se estimar qual seria a sada de produtos dos Centros de Distribuio
que abasteciam tais lojas, e assim, estimar qual o volume de produtos a ser
comprado.

O mtodo de previso que a empresa utilizava era o mtodo de projees


histricas mais simples, a mdia mvel. Por isso, o principal componente do estudo
31

seria o de encontrar novas solues, com a introduo de novos mtodos, como os


outros apresentados no captulo anterior.

Embasado pela literatura consultada para a concluso do captulo anterior e


atravs de reunies com a direo da empresa, decidiu-se que mtodos de projeo
histrica seriam os mtodos mais adequados para modelagem, pelos seguintes
aspectos:

A empresa trabalha com muitos produtos, em diferentes pontos de vendas,


o que inviabiliza reunies qualitativas semanais a respeito dos mesmos,
ainda que se faa uma classificao ABC;
No existe uma maneira de se planejar as vendas atravs de encomendas
ou reservas, como feito em indstrias de peas automotivas (a empresa
objeto de estudo tem demanda independente), por exemplo;
O mtodo atual de previso de vendas da empresa atravs de projees
histricas. Dessa forma, a utilizao de mtodos anlogos possibilitaria
uma comparao direta entre os desempenhos.

3.5. Levantamento das informaes

Por conta da grande quantidade de informaes necessrias para a


realizao das previses, a equipe de TI da empresa foi essencial com o sistema de
informao, desde a extrao dos dados, at a consolidao e escolha dos produtos
a serem analisados.

3.5.1. Coleta de dados

Uma extrao dos dados de vendas de todos os produtos, em todos os


pontos de venda foi realizada pela equipe de TI.

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

3.5.2. Preparao dos dados

De forma a minimizar a aleatoriedade dos dados, os dados dirios de vendas


foram agrupados em vendas semanais. Uma maior consolidao no seria
interessante, visto que a frequncia de compras de produtos era semanal.

Feito isso, os produtos foram consolidados de acordo com o centro de


distribuio responsvel por abastecer seu ponto de venda. Dessa forma, tinha-se a
base de dados para trabalhar, com vendas semanais, consolidados por Centro de
Distribuio.

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

Um dos problemas enfrentados para a coleta de dados foi a qualidade dos


mesmos no perodo anterior h 24 meses, por conta de uma troca de sistemas
realizada na empresa. Dessa forma, para garantir a qualidade dos dados, optou-se
por utilizar apenas os dados dos ltimos 24 meses.

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

sazonais) como base histrica, e os ltimos 12 meses como parmetro para


medio de erro.

Dessa forma, com apenas 24 meses, sero utilizados 12 meses (1 perodo


sazonal) como base histrica, e 12 meses para medio de erro.

Outra dificuldade que vale ser destacada no levantamento de informaes diz


respeito ao grande esforo computacional nas etapas de extrao dos dados do
sistema e na consolidao via SQL, devido grande quantidade de dados.

3.6. Pacote computacional utilizado

Para a modelagem de todos os mtodos utilizados no estudo, foi utilizado o


software Microsoft Excel, junto com sua verso bsica de otimizao, chamada
Solver.

Ainda que tenham conhecidas limitaes, estes programas foram escolhidos


devido alta penetrao deles no mercado, o que facilita o entendimento de outras
pessoas pelo trabalho, e tambm pelo domnio do autor pelas ferramentas.

3.7. Modelos matemticos

De forma a conseguir avaliar o desempenho do modelo atual de previso, e


ainda propor novos modelos empresa, foi feita uma modelagem em Excel dos
seguintes mtodos:

Mdia mvel (1 ms);


Mdia mvel (2 meses);
Mdia mvel (3 meses);
Suavizao exponencial simples;
Suavizao exponencial com tendncia (modelo de Holt);
Suavizao exponencial com tendncia e sazonalidade (modelo de Holt
Winters).
34

3.7.1. Organizao dos dados histricos

Os dados de vendas histricos foram colocados em uma mesma aba do


modelo, e classificados de acordo com sua famlia, como se pode ver na Figura 4
abaixo.

Consumo

Famlias 1 Cod Material Semana 1 Semana 2 Semana 3 Semana 4

Estacionria Produto 1 902 1.073 966 974


Estacionria Produto 2 1.489,00 1.583 1.477 1.435
Estacionria Produto 3 1.269 1387 1427 1.344
Estacionria Produto 4 594 566 504 498
Estacionria Produto 5 7719 7953 7632 7431
Estacionria Produto 6 1.854,00 1.530,00 1.632,00 1.955,00
Estacionria Produto 7 4.173,00 3.744,00 3.196,00 3.150,00
Estacionria Produto 8 2.130,00 2.396,00 2.412,00 2.410,00
Estacionria Produto 9 6.313,00 6.171,00 5.688,00 5.326,00
Estacionria - com pico Produto 10 2297 1826 1883 1818
Estacionria - com pico sazonal Produto 11 2769 2048 1860 1445
Estacionria - com pico Produto 12 2132 2182 2687 2674

Figura 4 - Organizao dos dados histricos

Organizados dessa forma, tem-se a possibilidade de fazer o modelo de forma


mais simples e direta.

Cada um dos mtodos foi colocado em uma aba, como explicado a seguir.

3.7.2. Mdia mvel

Para o mtodo da mdia mvel, foram utilizados trs horizontes de tempo


histrico, um ms, dois meses (atual mtodo da empresa) e trs meses.

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.

A organizao da planilha pode ser vista na Figura 5.


35

Previso

Famlias 1 Cod Material Semana 1 Semana 2 Semana 3 Semana 4 Semana 5 Semana 6

Estacionria Produto 1 979 1.038


Estacionria Produto 2 1.496 1.547
Estacionria Produto 3 1.357 1.411
Estacionria Produto 4 541 536
Estacionria Produto 5 7.684 7.710
Estacionria Produto 6 1.743 1.792
Estacionria Produto 7 3.566 3.160
Estacionria Produto 8 2.337 2.400
Estacionria Produto 9 5.875 5.707
Estacionria - com pico Produto 10 1.956 1.833
Estacionria - com pico sazonal Produto 11 2.031 1.662
Estacionria - com pico Produto 12 2.419 2.616

Figura 5 - Modelagem de mdia mvel (um ms)

Note que as quatro primeiras semanas no tm previso. Isso acontece


porque as demandas reais dessas semanas so utilizadas como entradas para a
previso da quinta semana.

3.7.3. Suavizao exponencial simples

Para este mtodo, no apenas dados histricos so utilizados, mas tamb m


uma constante de suavizao, com valores que variam de zero a um, como foi
explicado na Reviso Bibliogrfica.

Como previso inicial, foi utilizada a mdia dos ltimos dois meses, e depois
da segunda previso, a formulao deste mtodo foi utilizada.

De forma a manter a coerncia entre as bases utilizadas pelos mtodos,


apenas os ltimos doze meses foram modelados, por conta da necessidade do
mtodo de Holt Winters de um perodo sazonal de dados histricos.

3.7.4. Suavizao exponencial com tendncia

Da mesma forma que o mtodo anterior, o mtodo de Holt possui constantes


de suavizao, neste caso duas, de nvel e de tendncia. Esta a principal diferena
deste modelo, pois so necessrias duas previses para obteno da previso final:
a previso de nvel e tendncia. Todas as frmulas utilizadas se encontram na
reviso bibliogrfica, e foram adaptadas linguagem Excel.
36

Na Figura 6, podemos ver no modelo as constantes utilizadas para a previso


no mtodo de Holt.

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 -

Figura 6 - Constantes de suavizao do mtodo de Holt

3.7.5. Suavizao exponencial com tendncia e sazonalidade

A aplicao do modelo de Holt Winters muito similar de Holt, com a


diferena principal em relao ao fato que este possui uma terceira constante de
suavizao, relacionada sazonalidade.

A sazonalidade foi calculada no primeiro perodo sazonal, de uma forma


bastante simples. A sazonalidade de um perodo igual s vendas do perodo
dividido pela mdia de vendas do ano. O prximo passo a multiplicao deste fator
na previso calculada pelas parcelas de nvel, neste momento dessazonalizada, e
de tendncia.

3.7.6. Medio de erro (EPAM)

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.

O mtodo utilizado para a medio de erro foi o Erro Percentual Absoluto


Mdio (EPAM), j apresentado na Reviso Bibliogrfica, de acordo com a frmula
(2.15). Esta medio foi escolhida por ter seus resultados em percentual, o que
facilita na comparao, e tambm mais fcil de ser interpretado. Outro ponto
positivo do EPAM que por ser percentual, no leva-se em considerao a
magnitude dos valores de vendas, que pode variar bastante entre os produtos.

Para a medio do erro, inicialmente calculado o erro absoluto, e depois


calculado o EPAM, conforme pode ser visto na Figura 7.

Abs Erro

Semana 102 Semana 103 Semana 104 Semana 105 EPAM

259 363 0 222 6,8%


228 243 1 147 5,5%
208 180 97 379 5,7%
21 4 100 88 8,9%
263 177 583 987 4,7%
0 333 84 346 7,6%
140 183 386 295 4,0%
123 45 298 467 5,1%
232 1.381 207 77 5,7%
192 134 349 216 8,2%
51 985 2.232 723 38,3%
46 54 40 362 6,8%
124 299 775 0 7,0%

Figura 7 - Medio de erro

3.7.7. Otimizao da previso

Os modelos de suavizao exponencial possuem constantes que variam de


zero a um, sendo que sua alterao melhora ou piora as previses. Com o auxlio da
ferramenta Solver do Microsoft Excel foi feita uma otimizao dessas variveis,
de forma a minimizar o erro da medio, EPAM.

A Figura 8 representa a tela do Solver do Excel, com as equaes para a


resoluo do problema de Holt (duas constantes).
38

Figura 8 - Otimizao do mtodo de Holt Winters com auxlio do Solver

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.

3.7.8. Consolidao dos resultados

Uma vez modelados e otimizados, os resultados so comparados entre si.


Isto se faz de duas maneiras, item a item, e famlia a famlia.

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

4. RESULTADOS OBTIDOS E DISCUSSO

4.1. Resultados por produto

A comparao dos erros das previses para cada produto, atravs dos
diferentes modelos, pode ser vista na Tabela 4.1, extrada do Excel.

Tabela 4.1 - Comparao dos erros entre os mtodos, por produto

Famlia Material MMS4 MMS8 MMS12 SE Holts Winters


Estacionria Produto 1 7,6% 7,3% 6,9% 6,8% 6,8% 7,8%
Estacionria Produto 2 6,2% 5,9% 5,6% 5,5% 5,5% 4,9%
Estacionria Produto 3 6,3% 6,0% 5,7% 5,7% 5,7% 6,2%
Estacionria Produto 4 9,5% 9,6% 9,6% 9,2% 8,9% 7,1%
Estacionria Produto 5 5,0% 5,3% 5,8% 4,7% 4,7% 5,9%
Estacionria Produto 6 9,0% 9,6% 10,6% 8,1% 7,6% 11,3%
Estacionria Produto 7 4,7% 5,4% 5,7% 4,0% 4,0% 8,9%
Estacionria Produto 8 5,0% 5,3% 5,6% 5,1% 5,7% 5,6%
Estacionria Produto 9 7,8% 8,0% 7,9% 5,7% 5,7% 8,8%
Estacionria - com pico Produto 10 11,0% 14,8% 18,7% 8,3% 8,2% 11,4%
Estacionria - com pico sazonal Produto 11 53,2% 71,5% 103,6% 38,4% 38,3% 37,9%
Estacionria - com pico Produto 12 8,9% 10,5% 11,9% 6,8% 6,8% 9,2%
Estacionria - com pico sazonal Produto 13 7,6% 8,0% 8,2% 7,0% 7,0% 8,1%
Estacionria Sazonal Produto 14 17,4% 23,4% 26,9% 11,5% 11,7% 20,4%
Estacionria Sazonal Produto 15 14,6% 19,9% 23,1% 9,6% 9,6% 12,6%
Estacionria Sazonal Produto 16 17,0% 23,7% 27,7% 9,4% 9,4% 14,3%
Estacionria Sazonal Produto 17 14,8% 18,7% 21,0% 8,7% 8,7% 14,2%
Estacionria Sazonal Produto 18 10,5% 14,2% 16,9% 7,2% 7,2% 9,1%
Estacionria Sazonal Produto 19 19,5% 25,7% 28,2% 12,7% 12,7% 18,0%
Estacionria Sazonal Produto 20 38,5% 70,9% 108,8% 22,1% 20,6% 21,6%
Estacionria Sazonal Produto 21 11,9% 12,8% 14,2% 10,3% 10,3% 10,0%
Tendncia Produto 22 4,8% 4,8% 4,9% 4,5% 4,5% 8,9%
Tendncia Produto 23 8,5% 10,3% 11,4% 8,3% 8,2% 15,0%
Tendncia Produto 24 5,4% 5,9% 6,5% 5,3% 5,2% 6,7%
Tendncia Produto 25 9,1% 10,6% 12,4% 8,9% 8,9% 9,3%
Tendncia Produto 26 11,1% 11,9% 12,5% 10,4% 10,3% 11,6%
Tendncia Sazonal Produto 27 14,7% 14,9% 16,5% 13,8% 13,8% 19,3%
Tendncia Sazonal Produto 28 13,8% 18,0% 21,2% 11,6% 11,4% 10,0%
Tendncia Sazonal Produto 29 11,2% 14,5% 17,4% 8,3% 8,3% 9,1%
Tendncia Sazonal Produto 30 15,8% 21,9% 26,4% 9,6% 9,6% 13,1%
12,7% 16,3% 20,1% 9,6% 9,5% 11,9%
O Grfico 2 apresenta o resultado consolidado das medidas de erro para
todos os produtos, evidenciando a melhoria dos outros mtodos em funo do
atualmente utilizado pela empresa.
40

Grfico 2 - Resultado consolidado

Pela Tabela 4.1 e pelo Grfico 2, podem-se tirar algumas concluses acerca
dos mtodos utilizados neste trabalho:

A concluso mais clara a de que realmente a escolha do mtodo tem


grande impacto no resultado. Para alguns produtos a diferena entre eles
chega a ser de mais de 80 pontos percentuais;
No existe o mtodo ideal. Nos trinta produtos analisados, cinco mtodos
tiveram o melhor resultado para pelo menos um dos produtos;
Em mdia, o mtodo de Holt (melhor geral) tem erro 6,8 pontos percentuais
menor que o mtodo de mdia mvel com 8 semanas de histrico
(atualmente utilizado pela empresa);
Os mtodos de mdia mvel (4 semanas, 8 semanas e 12 semanas)
apresentam bons resultados para itens de demanda estacionria, porm,
ao analisar-se os itens com outro padro de demanda, em especial
sazonais, estes modelos tm desempenho bastante inferior aos mtodos
de suavizao;
Os mtodos de suavizao exponencial simples e suavizao exponencial
de Holt tm desempenho muito semelhante;
O mtodo da suavizao exponencial de Holt Winters no apresentou, na
maioria dos casos, desempenho superior aos outros dois mtodos de
suavizao.

4.2. Resultados por famlia de produtos

Tambm para comparao, e especialmente para facilitar a anlise, tem-se os


resultados consolidados por famlia de produtos, na Tabela 4.2.
41

Tabela 4.2 - Comparao dos erros entre os mtodos, por famlia

# de Erro Atual Mtodo Reduo do


Familia
produtos (MMS8) MMS4 MMS8 MMS12 SE Holts Winters escolhido erro (p.p.)
Estacionria 9 6,9% 6,8% 6,9% 7,0% 6,1% 6,1% 7,4% Holts 0,9%
Estacionria - com pico 2 12,6% 9,9% 12,6% 15,3% 7,6% 7,5% 10,3% Holts 5,1%
Estacionria - com pico sazonal 2 39,7% 30,4% 39,7% 55,9% 22,7% 22,6% 23,0% Holts 17,1%
Estacionria Sazonal 8 26,2% 18,0% 26,2% 33,3% 11,4% 11,3% 15,0% Holts 14,9%
Tendncia 5 8,7% 7,8% 8,7% 9,6% 7,5% 7,4% 10,3% Holts 1,3%
Tendncia Sazonal 4 17,3% 13,9% 17,3% 20,4% 10,8% 10,8% 12,9% Holts 6,6%

Para todas as famlias, o mtodo que apresentou melhor resultado foi o de


Holt. Em algumas famlias, como Estacionria Sazonal, por exemplo, a reduo do
erro de previso chega a 15 pontos percentuais.

O esperado seria que o mtodo de Holt Winters apresentasse os melhores


resultados, visto que se trata de um mtodo muito parecido ao de Holt, apenas com
uma nova varivel, associada sazonalidade do produto. No entanto, dois pontos
podem explicar seu pior desempenho:

Apenas um perodo sazonal de histrico, sendo que o ideal seria no


mnimo dois. Isso pode fazer com que o modelo interprete como existente
uma aleatoriedade como sazonalidade, ou que at mesmo no tenha
certeza da definio dos perodos sazonais;
A consolidao dos dados em semanas no capaz de reduzir a
aleatoriedade a nveis exigidos pelo mtodo, de forma a ter perturbaes
que implicam em erros.

Ainda assim, para produtos sazonais, ele apresenta uma boa aderncia
curva, como pode ser visto no Grfico 3.

Grfico 3 - Previso pelo mtodo de Winters


42

4.3. Constantes de suavizao

Outra anlise que deve ser levada em considerao a diferena entre as


constantes de suavizao para as diferentes famlias, apresentadas nas Figura 9.

Figura 9 - Diferenas entre as constantes, por famlia

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.

4.4. Softwares de previso

Para empresas menores, com poucos produtos e com previses mais


esparsas, o uso do Excel para realizar previses pode funcionar. No entanto, para
empresas como a estudada neste trabalho, com uma grande variedade de produtos
e com previses semanais, uma ferramenta mais robusta necessria.

Para esta finalidade, existem diversos softwares disponveis no mercado que


fazem previses de vendas. Seu funcionamento muito parecido com a planilha:
testa previses por diferentes mtodos, encontra a previso de menor erro, e ento
realiza as previses requeridas pela utilizador. Uma grande vantagem da utilizao
destes softwares a de que as previses sero sempre realizadas por produto,
garantindo, dessa forma, a maior reduo do erro de previso.

Tais softwares, como o Forecast Pro, representam um investimento muito


baixo quando comparado ao retorno que ele pode trazer, reduzindo o erro de
previso, melhorando, dessa forma, a gesto de estoques da empresa.
43

5. CONCLUSES E SUGESTES DE TRABALHOS


FUTUROS

5.1. Concluses

No que diz respeito ao desenvolvimento deste trabalho, com a reviso


bibliogrfica de caractersticas de demanda, bem como mtodos de previso da
mesma (qualitativos, projeo histrica e causais) e medidas de erro mais comuns.
Tambm no estudo de caso real, numa rede varejista nacional, para a escolha do
mtodo ideal para a previso de vendas, conclui-se que o objetivo do estudo foi
alcanado.

Percebeu-se que os mtodos de suavizao exponencial tm erros muito


menores que os mtodos de mdia mvel, e que a utilizao dos mesmos pode
levar a redues de mais de 20 pontos percentuais do erro de previso da demanda,
em comparao com mdia mvel, nos itens estudados.

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.

Os mtodos de projeo histrica foram modelados em Excel, com as


constantes de suavizao dos mtodos que as possuam sendo otimizadas com a
ferramenta Solver, de forma a minimizar o erro EPAM das previses.

Por fim, os resultados, comparados na Tabela 4.1, se mostraram coerentes com a


literatura e indicaram uma grande melhoria nos indicadores de desempenho da
empresa, caso sejam implementados.
44

5.2. Sugestes de trabalhos futuros

Como sugesto para trabalho futuros, de pesquisas e estudos identificados


durante o trabalho, sugere-se que uma vez com maior quantidade de dados
confiveis para anlise, o estudo seja refeito, de forma a confirmar qual o melhor
mtodo, se Holt ou Holt Winters. A nova anlise pode ser realizada na mesma
planilha utilizada para este estudo, com pequenas adaptaes.

Com relao s caractersticas de demanda, este trabalho se focou em


demandas de sries regulares, ainda que tenha a incluso de tendncia e
sazonalidade. Sugere-se, portanto, um novo estudo, considerando mtodos para
demanda intermitente, e real aplicao na indstria.

Por fim, qualquer tipo de melhoria na metodologia apresentada, desde a


aplicao dos mtodos, passando pela utilizao de softwares de otimizao mais
avanados e novas estimativas iniciais para os mtodos propostos considerada
vlida, afim de que se obtenham melhores resultados.
45

REFERNCIAS

BALLOU, R. H. Gerenciamento da cadeia de suprimentos: planejamento,


organizao e logstica empresarial. 4. ed. Porto Alegre: Bookman, 2001.

BARBOSA, C. L. R. Estudo de previso de demanda de movimentao de diesel,


gasolina e lcool, ver terminal petroqumico de Miramar, utilizando abordagem de
sries temporais e sries causais. In: XXXIV ENCONTRO NACIONAL DE
ENGENHARIA DE PRODUO, 2014, Curitiba.

CASULA, H. C. Aplicao de tcnicas de previso de demanda em manufatura:


estudo de caso em uma indstria de laminados. 2012. 99 f. Dissertao (Mestrado
em Engenharia Mecnica) - Faculdade de Engenharia Mecnica, Universidade
Estadual de Campinas, Campinas, 2012.

CHOPRA, S. Gerenciamento da cadeia de suprimentos. So Paulo: Pearson


Prentice Hall, 2003.

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.

FLOWERS, A. D. A Simulation Study Of Smoothing Constant Limits For An Adaptive


Forecasting System. Journal of Operations Management, v. 1, n. 2, p. 85-94,
1980.

FRAGOSO, B. B. Mtodo para a criao de um processo de previso de


demanda de vendas. 2009.121 f. Dissertao (Mestrado em Engenharia Mecnica)
- Faculdade de Engenharia Mecnica, Universidade Estadual de Campinas,
Campinas, 2009.

GARDNER, E. S. Exponential smoothing: the state of the art-Part II. International


Journal of Forecasting, v. 22, p. 637-666, 2006.

LUSTOSA, L. J.; MESQUITA, M. A.; QUELHAS, O. L. G.; OLIVEIRA, R. J.


Planejamento e controle da produo. Rio de Janeiro: Elsevier, 2008.

MAKRIDAKIS, S. The art and science of forecasting: An assessment and future


directions. International Journal of Forecasting, v. 2, p. 15-39, 1986.
46

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.

MENTZER, J. T.; MOON, M. A. Sales Forecasting Management: a demand


management approach. 2. ed. London: SAGE Publications, 2005.

SLACK, N. Administrao da produo. 2. ed. So Paulo: Atlas, 2007.