AVALIAÇÃO DE DIFERENTES MÉTODOS PARA

PREVISÃO DE DEMANDA NO RESTAURANTE

UNIVERSITÁRIO DA UFV/CRP
LAURA FERREIRA NAVARRO ANANIAS - lauraananias@hotmail.com
UNIVERSIDADE FEDERAL DE VIÇOSA - UFV

MARIANA OLIVEIRA GROSSI - marianagrossi96@gmail.com

UNIVERSIDADE FEDERAL DE VIÇOSA - UFV

RAIANE RIBEIRO MACHADO GOMES - RAIANEMACHADO@UFV.BR

UNIVERSIDADE FEDERAL DE VIÇOSA - CAMPUS RIO PARANAÍBA

Área: 1 - GESTÃO DA PRODUÇÃO

Sub-Área: 1.2 - PLANEJAMENTO E CONTROLE DA PRODUÇÃO

Resumo: ESTE ARTIGO APRESENTA UM ESTUDO DE PREVISÃO DE DEMANDA

PARA UM RESTAURANTE UNIVERSITÁRIO DA UNIVERSIDADE FEDERAL DE
VIÇOSA - CAMPUS RIO PARANAÍBA. O PERÍODO DE OBSERVAÇÃO FOI O MÊS DE
SETEMBRO DE 2017, E PROCUROU-SE ANALISAR A DEMANDA A PARRTIR DE
DIFERENTES MÉTODOS DE PREVISÃO, COMO MÉDIA MÓVEL, TENDÊNCIA
LINEAR, SUAVIZAÇÃO EXPONENCIAL SIMPLES E SUAVIZAÇÃO EXPONENCIAL
LINEAR DE HOLT. A FIM DE VALIDAR OS MÉTODOS E ENCONTRAR O MAIS
ADEQUADO, FORAM UTILIZADOS UTILIZADAS MEDIDAS DE ACURÁCIA,
ATRAVÉS DOS MÉTODOS DESVIO MÉDIO ABSOLUTO E ERRO QUADRÁTICO
MÉDIO. COM BASE NOS TESTES, CONCLUIU-SE QUE O MÉTODO DE TENDÊNCIA
LINEAR FOI O MAIS EFICAZ E INDICADO PARA O RESTAURANTE UNIVERSITÁRIO
EM QUESTÃO.

Palavras-chaves: PREVISÃO DE DEMANDA; MÉTODOS DE PREVISÃO; MEDIDAS

DE ACURÁCIA
 XXV SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Inovação E Sustentabilidade Na Gestão De Processos De Negócios
Bauru, SP, Brasil, 7 a 9 de novembro de 2018

EVALUATION OF DIFERENT METHODS OF

DEMAND FORECASTING AT THE
UNIVERSITY RESTAURANT OF
UFV/CRP
Abstract: THIS ARTICLE PROPOSE THE STUDY OF DEMAND FORECASTING AT
THE UNIVERSITY RESTAURANT IN UNIVERSIDADE FEDERAL DE VIÇOSA -
CAMPUS RIO PARANAÍBA. THE OBSERVATION OCCURRED IN SEPTEMBER 2017,
AND THE DEMAND WAS ANALYZE FROM DIFFERENT FORECASTING
MMETHODS, SUCH AS MOVING AVERAGE, LINEAR TREND, SIMPLE
EXPONENTIAL SMOOTHING AND HOLT EXPONENTIAL SMOOTHING. IN ORDER
TO VALIDATE THE METHODS AND TO FIND THE MOST APPROPRIATE, IT WAS
USED THE ACCURACY MEASURES MEAN ABSOLUTE DEVIATION AND MEAN
SQUARED ERROR. BASED ON THE TESTS, IT WAS FOUND THAT LINEAR TREND
METHOD WAS THE MOST APROPRIATE FOR THE UNIVERSITY RESTAURANT IN
QUESTION.

Keyword: DEMAND FORECASTING; FORECASTING METHODS; ACCURACY

MEASURES

2
 XXV SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Inovação E Sustentabilidade Na Gestão De Processos De Negócios
Bauru, SP, Brasil, 7 a 9 de novembro de 2018

1. Introdução

Segundo Werner e Ribeiro (2006), a competitividade tem levado as empresas

produtoras de bens e serviços a buscarem novas formas de alcançar a qualidade e a
produtividade, não bastando apenas que elas sejam reconhecidas pela sua qualidade e boa
imagem, mas também que elas sejam concebidas para mensurar a quantidade de bens ou
serviços que irão produzir. Nesse sentido, de acordo com Makridakis et al. (1998), efetuar
previsões de demanda é fundamental para contribuir com a determinação de recursos
necessários para uma empresa.
No mesmo contexto, conforme Garcia (2011), para que as empresas forneçam bens e
serviços de qualidade aos seus clientes, é imprescindível prever e gerenciar a demanda.
Levando em consideração o serviço oferecido por empresas do setor alimentício, é de suma
importância estabelecer métodos para prever a demanda dos estabelecimentos, devido sua
representatividade para o Brasil. De acordo com Oliveira (2003), esse setor representa um dos
principais setores da economia brasileira, tendo contribuído em 2016, de acordo com dados da
Associação Brasileira das Indústrias da Alimentação, com um saldo de US$ 31,5 bilhões para
o superávit total da balança comercial do Brasil,
Dentre os estabelecimentos do setor alimentício se encontram os Restaurantes
Universitários (RU). De acordo com uma pesquisa realizada pela Associação Nacional dos
Dirigentes das Instituições Federais de Ensino Superior (2014) sobre o perfil socioeconômico
de 34.000 estudantes universitários vinculados a 47 instituições federais de ensino superior, os
RU são frequentados principalmente pelas classes C, D e E, que possuem uma renda familiar
mensal em média de R$ 207,00 a R$ 927,00.
Santos et al. (2017) argumenta que as políticas públicas para ingresso de alunos vindos
de escolas públicas em universidades públicas ganharam impulso nos últimos anos e tende a
continuar, fazendo com que a demanda dos RU’s seja afetada, visto que tais alunos estão mais
sujeitos à vulnerabilidade socioeconômica. Assim, devido grande utilização dos Restaurantes
Universitários, principalmente pelas classes mais carentes da sociedade, que recorrem a ele
principalmente em épocas de crises financeiras, como a ocorrida em 2015, que levou a 260,6
mil famílias a entrarem nas classes D e E, acabam aumentando a demanda consideravelmente.
Dessa forma, realizar uma previsão em tais locais torna-se imprescindível, para que os
recursos possam ser geridos de forma correta, e seja evitado que os estudantes deixem de ser
atendidos por uma estimativa inadequada de consumo.
Diante desse contexto, este artigo propõe a avaliação de diferentes métodos de

3
 XXV SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Inovação E Sustentabilidade Na Gestão De Processos De Negócios
Bauru, SP, Brasil, 7 a 9 de novembro de 2018

previsão de demanda no Restaurante Universitário da Universidade Federal de Viçosa -

Campus Rio Paranaíba, já que de acordo com Werner e Ribeiro (2006), nos tempos recentes
em que é de suma importância analisar todas as informações disponíveis, apenas uma técnica
de previsão de demanda não é o bastante. Assim, objetiva-se identificar o método mais
adequado, para que os recursos possam ser geridos da melhor forma possível.

2. Revisão Bibliográfica

2.1 Previsão de Demanda

Laugeni e Martins (2006) definem a previsão de demanda como sendo um processo

metodológico que busca determinar dados futuros, se baseando em modelos estatísticos,
matemáticos ou econométricos. Peinado e Graeml (2007) citam que, para que a administração
da produção possa trabalhar, ela precisa de um norte, que pode ser oferecido pelo processo em
questão. Nesse sentido, Bermúdez, Segura e Vercher (2006) e Krajewski, Ritzman e Malhotra
(2007) argumentam que a previsão da demanda serve como base para que as empresas tomem
grande parte das decisões orientadas para o futuro, sendo uma ferramenta de grande
importância para decisões de gestão e planejamento estratégico.
Para Rocha, Matos e Frei (2011), ao se tratar de restaurantes universitários, a
responsabilidade de definir o número de refeições a serem servidas no dia a dia é da
nutricionista responsável, que o faz de forma subjetiva. Assim, Oliveira et al. (2017) destaca
que restaurante universitário utiliza na distribuição da refeição o sistema self-service e
também um funcionário que serve o alimento proteico, o que não permite estimar com
precisão o número de comensais a serem atendidos, precisando se basear em previsões. O
autor afirma que prever é importante, pois faltas podem acarretar na insatisfação do cliente.
Segundo Peinado e Graeml (2007), os métodos de previsão de demanda com base em
dados do passado se tratam dos modelos de decomposição de séries temporais, que se baseiam
no estudo estatístico da demanda acontecida no passado para projetar a demanda futura. De
acordo com os autores, uma série temporal de demandas pode apresentar quatro
características: nível, tendência, sazonalidade e aleatoriedade.
Além disso, Ballou (1999) afirma que, devido ao fato de o futuro não refletir
perfeitamente o passado, há a possibilidade de erros, que representam a diferença entre a
demanda real e a prevista. Assim, é preciso encontrar o que mais se aproxima do real, e para
isso são testados diferentes métodos. Serão abordados: média móvel, tendência linear,
suavização exponencial simples e suavização exponencial linear de Holt. Para análise da

4
 XXV SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Inovação E Sustentabilidade Na Gestão De Processos De Negócios
Bauru, SP, Brasil, 7 a 9 de novembro de 2018

qualidade dos métodos, será utilizada medida de acurácia.

2.2 Média Móvel

Segundo Peinado e Graeml (2007), este é um método simples e muito utilizado para
previsões de curto prazo. Conforme Makridakis, Wheelwright e Hyndman (1998), Ballou
(1999) e Peinado e Graeml (2007), ele é adequado quando o padrão da série temporal tem
dados irregulares, ou seja, não apresenta tendência ou sazonalidade. Tem-se a seguinte
equação para a média móvel:

Sendo a previsão de demanda para o período j, o índice do período, a demanda

do período e n número de períodos.

2.3 Tendência Linear

De acordo com Tubino (2007), a tendência refere-se ao movimento gradual de longo

prazo da demanda. Schwitzky (2001) afirma que, no caso do método de tendência linear,
parte-se do pressuposto que existe uma reta que ajusta a tendência evolutiva dos dados no
tempo. Segundo Peinado e Graeml (2007), esse método pode ser aplicado em séries temporais
de demanda que apresentam tendência, mas não apresentam sazonalidade. Tem-se a seguinte
equação para o método:

Sendo o valor da demanda na reta de tendência no período , o coeficiente de

nível da demanda, o coeficiente de tendência da demanda e o período de tempo .
Os coeficientes e são calculados da seguinte forma:

2.4 Suavização Exponencial Simples

De acordo com Armstrong e Brodie (1999), a suavização exponencial simples trata-se

de um método popular e com o melhor custo/benefício entre os métodos de séries temporais.
Segundo Lemos (2006), o método de suavização exponencial simples obtém a previsão para

5
 XXV SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Inovação E Sustentabilidade Na Gestão De Processos De Negócios
Bauru, SP, Brasil, 7 a 9 de novembro de 2018

um período futuro através de ajustes do período atual com erro de previsão. Veríssimo et al.
(2013) argumenta que, se a série temporal se mantém constante sobre um nível médio, então
uma suavização exponencial simples pode ser usada para previsão de dados futuros da série.
Assim, Ballou (1999) ressalta que o método é indicado se tendência e sazonalidade não
representam variações substanciais. Tem-se a seguinte equação para o método:

Sendo a previsão para o período t+1, α a constante de suavização 0≤ α ≤1, a

demanda realizada no período t e a previsão para o período t.

2.5 Suavização Exponencial Linear de Holt

Também conhecido como Suavização Exponencial Dupla, o método da Suavização

Exponencial Linear de Holt, de acordo com Makridakis et al. (1998), expande o método de
Suavização Exponencial Simples para previsões em que os dados demonstrem tendência
linear, mas que não apresentam sazonalidade. Kurrle (2004) afirma que tal método encontra
aplicação confiável na previsão de valores futuros de processos que variam linearmente em
função do tempo, apresentando tendência linear.
De acordo com Lemos (2006), é necessário estimar valores para as constantes de
suavização, sendo que estes podem ser determinados, conforme Makridakis et al. (1998)
através da minimização do erro de previsão. Tem-se as seguinte equações para o método:
Previsão:

Nível:

Tendência:

Sendo a previsão para o período , o horizonte de previsão, a

estimativa do nível da série temporal no período , a estimativa de tendência da série
temporal para o período e oscoeficientes de suavização de forma que e
.

2.6 Medidas de Acurácia

Carbone e Armstrong (1982) apontaram em seu estudo a acurácia como sendo um

importante critério para utilização de determinado método. Assim, de acordo com Pellegrini
(2000), avalia-se a adequação dos modelos de acordo com os erros apresentados. Nesse

6
 XXV SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Inovação E Sustentabilidade Na Gestão De Processos De Negócios
Bauru, SP, Brasil, 7 a 9 de novembro de 2018

sentido, Elsayed e Boucher (1984) sugerem a utilização do Desvio Médio Absoluto (DMA)
para o cálculo da acurácia. Schwitzky (2001) aponta que o DMA mostra a variação que os
métodos apresentam durante um determinado período, dado pela média das diferenças
absolutas entre a demanda observada e a prevista. Já Carbone e Armstrong (1982) ressaltam
que o Erro Quadrático Médio (EQM) é a medida de acurácia preferida dos estudos empíricos.
Assim, Pellegrine (2000) aponta que o modelo de previsão da demanda mais adequado será
aquele com o menor erro associado.
O erro é calculado da seguinte forma:

Sendo o erro simples de previsão no período i, a demanda observada no período i

e a demanda prevista para o período i. Já a equação para cálculo do desvio médio absoluto
pode ser definida por:

Sendo o desvio médio absoluto, o erro cometido no período i e n o número

de períodos.
Em relação ao erro quadrático médio, tem-se a seguinte equação:

Sendo o erro quadrático médio, o erro cometido no período i e n o número

de períodos.

3. Metodologia

Vianna (2001) cita que a metodologia se refere a ciência que descrever os métodos
utilizados, a fim de se alcançar os objetivos propostos. Assim, buscando avaliar diferentes
métodos de previsão de demanda para o RU da UFV/CRP, a pesquisa é de natureza aplicada,
de forma que, segundo Silva e Menezes (2000), tem por objetivo gerar conhecimento para
aplicação prática, voltada para solução de problemas específicos. A forma de abordagem é de
cunho quantitativo, pois de acordo com Silva e Menezes (2000) requer o uso de técnicas e
modelos estatísticos. O objetivo de estudo é descritivo, que segundo Gil (1991) visa descrever
as características de determinado fenômeno ou o estabelecimento de relações entre as
variáveis. Por fim, quanto aos procedimentos técnicos, trata-se de um estudo de caso visto
que, conforme Cauchick Miguel (2007), esse considera um determinado fenômeno, dentro de
um cenário real da vida, quando os limites entre o contexto e fenômenos em que ele se junta
não são notoriamente definidos.

7
 XXV SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Inovação E Sustentabilidade Na Gestão De Processos De Negócios
Bauru, SP, Brasil, 7 a 9 de novembro de 2018

Portanto, para se chegar no método de previsão mais adequado, baseando na

metodologia de Lemos (2006), foram necessários os seguintes passos: coleta de dados,
simulação da previsão de demanda, verificação da acurácia e avaliação dos métodos. Na
coleta de dados, conforme Lemos (2006), é preciso definir os fatores temporais do processo
preditivo que influenciam na seleção de métodos, como período, intervalo e horizonte de
tempo. Assim, os dados foram coletados no Restaurante Universitário da UFV/CRP com base
em entrevista com a nutricionista responsável, que forneceu os dados da quantidade de
refeições servidas em cada dia através do sistema utilizado que, ao cada aluno entrar na fila e
passar sua carteirinha, os números vão sendo registrados. O período considerado foi em dias,
num intervalo de agosto a setembro, considerando o período do almoço de segunda a sexta-
feira. Foi feita uma análise gráfica preliminar, como sugerida por Makridakis (1996), para
avaliar o padrão da demanda e identificar dados atípicos devido a eventos especiais passados.
Dada a descrição da situação onde se situa o processo de previsão, concentra-se no
próximo passo, que é a determinação do método de previsão (LEMOS, 2006). Para isso, foi
simulada a previsão de demanda através de métodos temporais: média móvel, tendência
linear, suavização exponencial simples e suavização exponencial linear de Holt. Conforme
Lemos (2006), os métodos quantitativos são geralmente implementados através da utilização
de softwares. Assim, tais simulações foram feitas através do Microsoft Excel.
Após, foi realizada a verificação da acurácia. Seguindo a proposta de Schwitzky
(2001) para essa etapa, primeiramente os dados da demanda foram tabulados e posteriormente
passados para um gráfico. Porém, analisando apenas o gráfico, muitas vezes é difícil concluir,
com certeza, qual o método de previsão foi mais eficiente. Para Schwitzky (2001), nessas
situações os cálculos matemáticos dão uma resposta mais precisa. Assim, para se avaliar os
métodos e definir o mais adequado, foram utilizados os métodos de acurácia, através do
Desvio Médio Absoluto e Erro Quadrático Médio. Conforme Lemos (2006), quanto menor o
valor da medida de acurácia utilizada, melhor a previsão do métodos. Ou seja, o método mais
adequado foi aquele que apresentou os menores valores de DMA e EQM e,
consequentemente, melhor acurácia.

4. Resultados e Discussão

O Restaurante Universitário da UFV/CRP não apresenta nenhum método ou sistema

para previsão das quantidades de refeições a serem preparadas em cada dia, o que pôde ser
constatado durante a entrevista para coleta de dados com a nutricionista responsável. Segundo

8
 XXV SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Inovação E Sustentabilidade Na Gestão De Processos De Negócios
Bauru, SP, Brasil, 7 a 9 de novembro de 2018

ela, uma estimativa é feita de maneira subjetiva, de forma que nos dias de terça, quarta e
quinta são os dias em que há maior saída de refeições e consequentemente maior quantidade
preparada. Quando há sobras de alimentos dentro da cozinha, elas são utilizadas na
preparação do cardápio do jantar. Porém, quando falta comida durante o almoço, os alunos
precisam ficar esperando na fila até que uma nova quantidade seja preparada.
Assim, os dados quanto ao número de refeições servidas no almoço para o mês de
setembro de 2017 se encontram na Tabela 1.

TABELA 1 – Quantidade de refeições em setembro de 2017

Com base nos dados, gerou-se o Gráfico 1, conforme o sugerido por Makridakis
(1996), a fim de encontrar tendência e sazonalidade, e analisar o padrão da demanda.

GRÁFICO 1 – Gráfico dos dados de setembro de 2017

9
 XXV SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Inovação E Sustentabilidade Na Gestão De Processos De Negócios
Bauru, SP, Brasil, 7 a 9 de novembro de 2018

Após plotados os dados como visto no Gráfico 1, foi gerada a linha de tendência.
Assim, pode-se verificar uma leve tendência de crescimento do número de refeições servidas
a cada dia no almoço. Foram identificados outliers nos dias 7 e 8 de setembro, visto que se
tratou de feriado com recesso, em que muitos estudantes se ausentaram de Rio Paranaíba.
Assim, a demanda desses dois dias foi desconsiderada para aplicação dos métodos. Quanto à
sazonalidade, não foi identificada no gráfico.
Na Gráfico 2 é possível observar a previsão da demanda utilizando o método da média
móvel.

GRÁFICO 2 – Aplicação da média móvel

Nota-se que os resultados da previsão estão relativamente defasados em relação à

demanda real. Considerou-se n=3 visto que, conforme Moreira (2013), um valor alto para n
pode suavizar a previsão e esconder alterações bruscas. Com relação à acurácia deste método,
obteve-se um valor de 33,11458 para o DMA e 1850,35 para o EQM.
No Gráfico 3observa-se a previsão da demanda utilizando o método da tendência
linear.

GRÁFICO 3 – Aplicação da tendência linear

10
 XXV SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Inovação E Sustentabilidade Na Gestão De Processos De Negócios
Bauru, SP, Brasil, 7 a 9 de novembro de 2018

Esse método obteve um DMA de 21,26 e EQM de 806,83.

No método da suavização exponencial simples, para definição de alfa foram testados
diferentes valores, de forma que α=0,01 deu um menor DMA e EQM. Assim, obteve-se a
previsão de demanda conforme o Gráfico 4.

GRÁFICO 4 – Aplicação da suavização exponencial simples

Esse método retornou um valor de 23,0706 para o DMA e 972,6882 referente ao

EQM.
Para a aplicação do método de Suavização Exponencial de Holt há necessidade de se
determinar o valor dos coeficientes de suavização α e β. Para determinação dos valores dos
ótimos dos coeficientes seguiu-se o que foi proposto por Makridakis, Wheelwright e
Hyndman (1998), em que a escolhas dos coeficientes deve ser obtido por meio da
minimização dos erros. Dessa forma, após testes, o valor dos coeficientes que apresentaram
menor minimização dos erros foi β = 0,3 e α = 0,4. O valor do erro quadrático médio obtido
foi EQM = 1628,848, e o desvio médio absoluto obtido foi DMA = 31,33. A previsão de
demanda obtida pela aplicação deste método está apresentada no Gráfico 5.

GRÁFICO 5 – Aplicação da suavização exponencial linear de Holt

11
 XXV SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Inovação E Sustentabilidade Na Gestão De Processos De Negócios
Bauru, SP, Brasil, 7 a 9 de novembro de 2018

Para avaliar os modelos aplicados, comparou-se os valores encontrados para o DMA e

EQM de cada um, como pode ser visto na Tabela 2.

DMA EQM
Média Móvel 33,11458 1850,35
Tendência Linear 21,26 806,83
Suavização 23,0706 972,6882
Exponencial Simples
Suavização 31,33 1628,848
Exponencial Linear de Holt

TABELA 2 – Comparação dos métodos de previsão

Após análise dos resultados do DMA e EQM dos métodos testados, verifica-se que o
método com menor DMA e EQM é o da tendência linear. Justifica-se pelo fato de que o
método é adequado para séries temporais que apresentam tendência, mas não apresentam
sazonalidade, o que foi identificado na análise dos dados coletados, conforme já descrito.
Dessa forma, dentre os modelos ele é o mais adequado para o Restaurante Universitário da
UFV/CRP.
Quanto aos outros métodos, o segundo mais eficiente foi a suavização exponencial
simples, visto que é um método indicado para dados que não possuam tendência e
sazonalidade com variações substanciais. Isso foi identificado nos dados visto que não há
sazonalidade e a linha de tendência não possui uma inclinação elevada. Em seguida, tem-se o
método da suavização exponencial linear de Holt, que é adequado para dados com tendência
linear, mas sem sazonalidade. Por fim, o modelo com menos eficiência foi o da média móvel
que, como visto no referencial teórico, não trabalha bem com dados que apresentam
sazonalidade e tendência, fazendo com que a previsão esteja sempre em atraso em relação aos
valores reais, o que pode ser verificado analisando o gráfico do modelo.

5. Considerações Finais

Este artigo apresentou a determinação do método que melhor se adequa à previsão de

demanda para os dados da demanda diária em um restaurante universitário. Dentre os
métodos analisados, o que melhor se encaixa no modelo da empresa, para o período de tempo
analisado, foi o de tendência linear, apresentando a medida de acurácia mais eficaz. O
resultado da previsão coincide com a realidade dos dados, já que foi verificada presença de
tendência no Gráfico 1.
Diante do descrito, os objetivos desta pesquisa foram conquistados, já que foi possível

12
 XXV SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Inovação E Sustentabilidade Na Gestão De Processos De Negócios
Bauru, SP, Brasil, 7 a 9 de novembro de 2018

selecionar, através da análise da medida de acurácia, o método que mais se aproxima da

realidade da empresa, proporcionando a mesma ajustar seus recursos de forma eficiente, de
acordo com sua demanda. Do ponto de vista científico, este trabalho contribuiu para a
Engenharia de Produção, pois se trata de um assunto pouco ainda explorado e por se tratar do
setor alimentício, que possui grande impacto na economia brasileira.
Como proposta de trabalhos futuros, sugerem-se a aplicação de outros métodos de
previsão de demanda em outras épocas do ano, para se possível identificar situações
diferentes como picos de sazonalidade.

Referências
ARMSTRONG, J. S.; BRODIE, R. J. Forecasting for marketing. In: HOOLEY, G. J.; HUSSEY, M. K.
Quantitative methods in marketing. 2 ed, London: International Thompson Business Press, 1999.
ABIA. Associação Brasileira das Indústrias da Alimentação. Coletiva de Imprensa: ABIA divulga balanço do
setor de alimentos e bebidas. Disponível em:
<http://www.abia.org.br/vsn/tmp_2.aspx?id=319#sthash.i2HlPd1F.dpbs>. Acesso em 09 de novembro de 2017.
ANDIFES. Associação Nacional dos Dirigentes das Instituições Federais de Ensino Superior, F. II Perfil
Socioeconômico e Cultural dos Estudantes de Graduação das Instituições Federais de Ensino Superior. 2004.
Disponível em:
<http://unb2.unb.br/administracao/decanatos/dac/fonaprace/perfil/2004/IFES/fonaprace_com_linhas.pdf>.
Acesso em 09 de novembro de 2017.
BALLOU, R. H. Gerenciamento da Cadeia de Suprimentos: Logística Empresarial . 4. ed. Porto Alegre: Editora
Bookman, 1999.
BERMÚDEZ, J. D.; SEGURA, J. V.; VERCHER, E. A decision support system methodology for forecasting of
time series based on soft computing. Computational Statistics & Data Analysis, v. 51, p.177-191, 2006.
CARBONE, R.; ARMSTRONG, J. S. Evaluation of explorative forecasting methods: Result of a survey of
academicians and practitioners. Journal of Forecasting, v. 1, n. 2, p.215–217, 1982.
CAUCHICK MIGUEL, P. A. Estudo de caso na engenharia de produção: estruturação e recomendações para sua
condução. Production, v. 17, n. 1, p. 216-229, 2007.
ELSAYED, E. A.; BOUCHER, T. O. Analysis and control of production systems. 2. ed. New Jersey: Prentice
Hall, 1994.
GARCIA, R. A. Análise dos Métodos de Previsão de Demanda: estudo de caso em unidades distintas de uma
escola de idiomas. Programa de Graduação. Departamento de Engenharias e Computação, Universidade Federal
do Espírito Santo, São Mateus, 2011.
GIL, A. C. Como elaborar projetos de pesquisa. São Paulo: Atlas, 1991.
KURRLE, M.A. Métodos para previsão da demanda de veículos novos: estudo de caso em um concessionária
de automóveis. Dissertação (Mestrado) — Programa de Pós-Graduação em Engenharia de Produção,
Universidade Federal do Rio Grande do Sul, 2004.
KRAJEWSKI, L.; RITZMAN, L; MALHOTRA, M. Operations Management: Processes and Value Chain,
Eight Edition, Pearson Prentice Hall, 2007.

13
 XXV SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Inovação E Sustentabilidade Na Gestão De Processos De Negócios
Bauru, SP, Brasil, 7 a 9 de novembro de 2018

LAUGENI, F. P.; MARTINS, P. G. Administração da produção. São Paulo: Saraiva, 2006.

LEMOS, F. O. Metodologia para seleção de métodos de previsão de demanda. Dissertação (Mestrado) —
Programa de Pós-Graduação em Engenharia de Produção, Universidade Federal do Rio Grande do Sul, 2006.
MAKRIDAKIS, S. G. Metaforecasting: Ways of improving forecasting accuracy and usefulness. International
Journal of Forecasting , v. 12, n. 4, p. 313–537, 1996.
MAKRIDAKIS, S.; WHEELWRIGHT, S. C.; HYNDMAN, R. J. Forecasting methods and applications. John
wiley & sons, 1998.
OLIVEIRA, F. E. S.; MEIRELES, T. P. F. S; NASCIMENTO, L. A.; MOURA, L. A. B.; COSTA, E. A.
Previsão da demanda de refeições do restaurante universitário - refeitório II do campus do PICI. Encontros
Universitários da UFC, v. 1, n. 1, p. 5359, 2017.
OLIVEIRA, B. Evolução e perspectivas da indústria alimentícia brasileira. In: SEMINÁRIOS EM
ADMINISTRAÇÃO FEA-US, 6, São Paulo, 2003. Disponível em:
<http://www.ead.fea.usp.br/Semead/6semead/index.htm> Acesso em: 14 abr. 2008.
PEINADO, J.; GRAEML, A. R. Administração da produção: operações industriais e de serviços. 1. ed.
Curitiba: UnicenP, 2007.
PELLEGRINI, F. R.; FOGLIATTO, F. Estudo comparativo entre modelos de Winters e de Box-Jenkins para a
previsão de demanda sazonal. Revista Produto & Produção, v. 4, p. 72–85, 2000.
ROCHA, J. C.; MATOS, F. D.; FREI, F. Utilização de redes neurais artificiais para a determinação do número
de refeições diárias de um restaurante universitário. Revista de Nutrição, p. 735-742, 2011.
SANTOS, A. B.; MARTOS, M. G.; TRENTO, J. M.; JANZANTTI, N. S. Previsão de demanda de refeições em
restaurante universitário com oferta insuficiente. Revista GUAL, v. 10, n. 1, p. 210-228, 2017.
SCHWITZKY, M. Acuracidade dos Métodos de Previsão e a sua Relação com o Dimensionamento dos stoques
de Produtos Acabados . Dissertação (Mestrado) — Universidade Federal de Santa Catarina, Florianópolis, 2001.
SILVA, E. L. D.; MENEZES, E. M. Metodologia da pesquisa e elaboração de dissertação. Florianópolis:
Laboratório de Ensino a Distância da UFSC, 2000.
TUBINO, D. F. Planejamento e controle da produção: Teoria e prática. São Paulo: Atlas, 2007.
VIANNA, I. O. Metodologia do trabalho científico: um enfoque didático da produção científica. São Paulo:
EPU, 2001.
VERÍSSIMO, A. J.; ALVES, C. C.; HENNING, E.; AMARAL, C. E.; CRUZ, A. C. Métodos estatísticos de
suavização exponencial holt-winters para previsão de demanda em uma mpresa do setor metal mecânico. Revista
Gestão Industrial, v. 8, n. 4, 2013.
WERNER, L; RIBEIRO, J. L. D. Modelo composto para prever demanda através da integração de previsões.
Revista Produção, Universidade Federal do Rio grande do Sul, 2006.

14