7.8 QUESTÕES E TÓPICOS PARA DISCUSSÃO.

1 – Suponha que seu superior Hierárquico, no meio de uma reunião importante com os
acionistas, dirija-se a você e pergunte: “ porque você defende a criação de uma função de
gestão de demanda para nossa empresa, mesmo sabendo que isso representará pelo menos
no curto prazo um aumento de custos? “ Você sabe que tem de ser breve, didático e
convincente. O que você responde?

R: A Gestão da Demanda gera subsídios para elaborar um plano de vendas coerente com o
plano mestre de produção que serve como base para orientar as ações da área comercial e
planejamento da empresa.

2 - O diretor comercial de sua empresa defende a utilização do feeling dos vendedores (que
estão sempre em contato estreito com o mercado) para a realização das previsões de
vendas. O diretor industrial, inconformado acha que modelos matemáticos de previsão
deveriam ser as fontes das previsões. No elevador, você encontra o presidente que lhe pede
opinião. Você tem de o décimo andar ao térreo para lhe responder. O que você responde?

R: Adotava a alternativa de criar uma área específica para cuidar da área da Gestão da
Demanda, que funcionalmente pode estar ligada a diretoria comercial, à diretoria, à diretoria
industrial, à diretoria de logística ou a diretoria financeira. O importante é que o responsável
por essa área seja capaz de articular a participação das demais áreas, garantindo a obtenção
das informações necessárias e o comprometimento adequado de todos.

3 - Numa discussão com o novo gerente de vendas, ele lhe diz: “ Para mim, gestão de
demanda é só o nome da moda para a velha previsão de vendas. “ Que contra-argumento
você usaria para dissuadi-lo?

R: a gestão da demanda não é modismo, é uma forma das empresas alcançarem um benefício
substancial focando no cliente, além de enfatizar a necessidade de colaboração entre
marketing e SCM para a criação de valor. Os conceitos e objetivos da gestão da demanda
discutidos por diversos autores pressupõem que a gestão da demanda não pode ser
considerada um processo isolado ou uma atividade resumida à previsão de vendas. No meu
ponto de vista defendo outro conceito mais abrangente que envolve a criação de sinergias
entre as áreas operacionais e de marketing com o objetivo de compreender o mercado e
desenvolver ações sincronizadas com a estratégia da empresa, capacidade produtiva e
atendimento das necessidades do consumidor final. Já a previsão de vendas enfatiza a
projeção para o futuro da demanda esperada.

4 – Que tipo de artificio uma empresa fornecedora de produtos do tipo commodity não
sazonal pode usar para influenciar sua demanda?

Resp. As mesmas tendências de crescimento, no passado devem permanecer no futuro, assim

como a sazonalidade oi ciclicidade observadas no passado. A técnica então geralmente
utilizada é a projeção: são chamadas modelos temporais, a projeção é feita modelando-se
matematicamente e na previsão de vendas.
5 – Em uma empresa fabricante de cosméticos populares (principais clientes são alguns
grandes supermercados e um grande número de pequenas farmácias de bairros), quem você
considera que deveria ser responsável pela função de gestão de demanda?

Resp. O processo de gestão da demanda deve ser muito bem planejado para que todos os
clientes possam ser atendidos, o que transmitirá confiança ao mercado por saber que será
atendido sempre quando necessário. Por isso a importância do planejamento da demanda.

6 – Porque os modelos matemáticos de séries temporais em geral só devem ser usados para
previsões de curto prazo?

R: para previsão de vendas de curto prazo (até cerca de quatro meses), normalmente
utilizamos a hipótese de que o futuro seja uma continuação do passado, ao menos do passado
recente, ou seja, as mesmas tendências de crescimento ou declínio observadas no passado
devem permanecer no futuro, assim como a sazonalidade ou ciclicidade observadas no
passado. A técnica então geralmente utilizada é a projeção; são os chamados modelos
temporais. A projeção é feita modelando-se matematicamente os dados do passado, ou seja,
procurando representar o comportamento das vendas por meio de expressões matemáticas e
utilizando essas mesmas equações para prever os vedas no futuro. Essa técnica é a mais
comum e está presente na maioria dos softwares de previsão de vendas.

7 – Porque o histórico de vendas efetivas passadas (com quantidades e datas efetivas em

que as vendas ocorreram) pode não ser a melhor fonte de dados históricos para uma boa
previsão de vendas?

R: quando o horizonte aumenta ainda mais (previsão de longo prazo), a hipótese de que as
relações que havia no passado entre as vendas e outras variáveis continuam a valer no futuro
deixam muitas vezes de ser válidas, porque mudanças tecnológicas, de design ou a introdução
de produtos substitutos podem alterar as relações anteriores válidas. Nesses casos, adotamos
a hipótese de que o futuro não guarda relação direta com o passado, pelo menos não uma
relação que possa ser modelada matematicamente.

8 – Qual a diferença entre o desvio absoluto médio e o tracking signal? Quando deveríamos
usar um e quando deveríamos usar o outro?

R: o desvio médio absoluto (DAM) calcula o erro médio de previsão. O termo absoluto significa
que apenas o valor do desvio é importante e não se as vendas foram maiores ou menores. O
DAM fornece uma estimativa do erro típico de previsão, importante para o dimensionamento
dos estoques de segurança. Entretanto, esse método não indica se as previsões estão
sistematicamente erradas para mais ou para menos. Já o tracking signal, utiliza um sinal de
advertência que dá uma indicação da acurácia da previsão. O TS é definido como a relação
entre o desvio acumulado e o desvio absoluto médio. Se as previsões são maiores que as
vendas reais o desvio acumulado é positivo, isso indica um possível viés. O oposto também é
válido. Ou seja, o DAM usa um método quantitativo e o TS usa um método qualitativo.

9 – O que é e para que serve o modulo DRP (Distribution requeriments Planning)?

R: Distribution requirements planning (DRP) ou planeamento das necessidades de distribuição,

pode ser definido como a aplicação dos princípios do Material Requirements Planning (MRP)
num ambiente de distribuição. Consegue integrar as necessidades especiais de distribuição
num modelo dinâmico que inclui planos de movimentação de estoque no presente e no
futuro.
10 – O que é e para que serve o mecanismo DPP (disponível para promessa) em sistemas
MRP II?

Resp. A expressão "Disponível para promessa" ou Available to promise (ATP) designa a parte
não comprometida do estoque de produção planejada de uma empresa mantida em um
programa mestre para cobrir pedidos futuros dos clientes. A quantidade ATP (available-to-
promise) em um primeiro pedido é um balanço do estoque não comprometido e se calcula
normalmente para cada período em haja um recebimento programado no MPS (master
production system - Plano Mestre de Produção). No primeiro período o ATP é igual ao estoque
físico menos os pedidos dos clientes em atrasos. Em qualquer período que contenha recepções
programadas, o ATP é igual ao MPS menos os pedidos dos clientes neste mesmo período e dos
períodos seguintes antes da próxima recepção programada.

11 – É possível usar o DPP em ambientes MTO (make-tho-order, ou produção sob

encomenda)? Como?

Resp. Não é possível, pois tem características peculiares, tais como: um equipamento
específico, um lote fechado de produto, o início e término da execução são previstos, a
lista de materiais/ fórmulas contém componentes ou ingredientes específicos, entre
outros. Os processos MTO normalmente são tratados como projeto onde cada ordem
de fabricação tem um cálculo do custo de fabricação .

12 – Suponha que a tabela abaixo (em milhões de litros) mostre as vendas mensais de
determinada marca de cerveja, para os últimos 3 anos.

Ano Jan. Fev. Mar. Abr. Maio Jun. Jul. Ago. Set. Out. Nov. Dez.
2002 144 122 74 56 72 73 69 68 64 65 98 153
2003 152 170 94 122 78 80 81 83 69 91 140 177
2004 194 195 101 197 80 95 66 81 100 93 116 189

Construa gráficos com os dados e passe algum tempo analisando-os.

a) É possível identificar alguma tendência?
b) Há alguma sazonalidade? Discuta
c) Há alguma anomalia? Discuta
d) Qual a sua previsão para janeiro de 2005? E para junho de 2005?
a) visualmente, pode-se perceber uma tendência (ao menos leve de crescimento para as
vendas gerais de cerveja – veja o gráfico 2). Quando se ajusta uma curva de tendência pelo
método dos mínimos quadrados (usando o Excel), vê-se que de fato há uma tendência de
longo prazo de crescimento – observe que a reta de tendência tem coeficiente angular
positivo.

B) Visualmente pelo Gráfico, 1 pode-se identificar uma ciclicidade (maiores vendas no início e
final do ano). No Gráfico 2, pode-se ver claramente que ao longo dos três anos, os meses do
meio do ano têm vendas abaixo da reta de tendência enquanto os meses de final e início de
ano (provavelmente associado com o verão) têm vendas acima da reta de tendência.

c) as vendas do mês de abril parecem apresentar um comportamento que merece uma análise
mais detalhada. As vendas de abril de 2005 encontravam-se abaixo da linha de tendência.
Gradualmente ao longo dos anos de 2006 e 2007, o mês de abril apresenta vendas
crescentemente acima da linha de tendência. Isso pode significar que algum evento em abril,
por exemplo, ao longo dos anos está se tornando mais e mais relevante. Isso pode ser uma
informação muito importante para que o planejamento de produção e estoques possa
preparar-se adequadamente para eventuais picos de demanda em abril.

d) de posse da linha de tendência calculada no item a (a equação que representa a reta de

tendência é y = 1,2963x + 83,575), podemos calcular os pontos da reta de tendência para os
meses de 1 (janeiro de 2002) até 48 (dezembro de 2005). Note que o ano de 2005 é aquele
que estamos projetando. Veja o quadro a seguir. Uma vez que os pontos da reta de tendência
são calculados, temos a reta em torno da qual a sazonalidade vai se sobrepor. O próximo passo
é calcular os “coeficientes de sazonalidade” (veja o quadro a seguir). Isso é feito dividindo-se
as vendas reais, mês a mês, pelo ponto da reta de tendência correspondente, para todos os
meses do histórico de vendas. Em seguida, para cada mês (janeiro, fevereiro, março, etc.),
calculamos a média dos coeficientes de sazonalidade dos três anos no histórico. Acompanhe: o
coeficiente de sazonalidade médio de janeiro é 1,51 = (1,34+1,51+1,67) /3. A área sombreada
do quadro traz os coeficientes médios de sazonalidade. A área sombreada foi então
transportada para a parte de baixo do quadro (meses projetados, de janeiro a dezembro de
2005) para facilitar a visualização do processo de cálculo. A partir daí o processo de projeção é
simples. Basta multiplicarmos o ponto da reta de tendência pelo coeficiente médio de
sazonalidade. Respondendo então à pergunta, temos: Projeção para vendas de janeiro de
2005 = 199 milhões de litros. Projeção para vendas de junho de 2005 = 107 milhões de litros.

2 – A tabela abaixo mostra as vendas do refrigerante ULTRACOLA nas suas 3 embalagens.

Preveja a demanda agregada (em litros) utilizando:

a) Média móvel de 6 períodos;

b) Média móvel ponderada de 6 períodos com fatores de ponderação f1 (para período
mais recente) = 0,35; f2=0,25; f3=0,20; f4=0,10; f5=0,075; f6=0,025
c) Amaciamento exponencial α=0,2;
d) Como você pode avaliar qual dos três métodos utilizar para prever as vendas de
janeiro de 2008?
Quantidades de Milhares de “unidades”
Mês 1 Litro 750 2 Litros Mês 1 Litro 750 2 litros
ml ml
Jan./2007 154 176 65 Jul./2007 170 194 93
Fev. /2007 126 179 80 Ago. 162 186 86
/2007
Mar./2007 118 189 73 Set. /2007 183 207 99
Abr./2007 131 177 86 Out. 173 197 92
/2007
Maio. 160 192 78 Nov./2007 187 200 94
/2007
Jun./2007 159 187 94 Dez. 187 208 107
/2007
R) na tabela anterior, a Coluna 5 (Col. 5) traz o cálculo das quantidades mensais em litros. Apenas
olhando os dados é possível verificar que se trata de uma série com tendência de crescimento –
ou seja, o uso de médias móveis (ponderadas ou não, com pesos decrescendo
exponencialmente ou não) pode não ser o mais adequado. Entretanto, o exercício pede uma
comparação entre métodos que se utilizam de médias. Portanto, vejamos:

a) A previsão para janeiro de 2008, com média móvel de seis períodos, é calculada como a média
aritmética das vendas de julho de 2007 até dezembro de 2007: 516,3 mil litros (última linha da
Col. 5).

b) A previsão para janeiro de 2008, com média móvel ponderada de seis períodos, é calculada
como a média ponderada das vendas de julho de 2007 até dezembro de 2007, com pesos
decrescentes para períodos mais antigos: (0,35; 0,25; 0,20; 0,10; 0,075 e 0,025): 528,8 mil litros
(última linha da Col. 6).

c) A previsão para janeiro de 2008, com método de amaciamento exponencial, é calculada como
a média ponderada da previsão feita em novembro para as vendas de dezembro com peso (1 −
α = 0,8) e as vendas efetivas de dezembro com peso (α = 0,2): 501,7 mil litros (última linha da
Col. 7). Para começar a série assumimos que a previsão para janeiro de 2007 teria sido perfeita,
ou seja, igual as vendas reais = 416 mil litros.

d) há várias formas de avaliar métodos de previsão. Uma delas consiste em avaliar qual método
teria sido mais acurado para avaliar demandas passadas da série histórica em questão. Neste
caso, por exemplo, a tabela de tratamento de dados mostra o cálculo das previsões que teriam
sido geradas desde julho de 2007 pelos três diferentes métodos (nas colunas 5, 6 e 7). A partir
daí, nas colunas 9, 10 e 11, são calculados os erros percentuais (em relação às vendas reais) de
cada uma destas previsões, mês a mês. Note que os erros das previsões usando MM6 são
claramente enviesados, sempre negativos. Isso é típico do uso de métodos de médias móveis
para séries históricas com tendência (crescente no caso da Ultra cola). Uma das formas de avaliar
a acurácia das previsões é calcular o erro médio percentual das previsões dos últimos seis meses
(período para o qual temos dados para os três métodos), o que é feito na última linha das
colunas 9, 10 e 11, para cada um dos métodos. O resultado é que, claramente, o método de
médias móveis ponderadas com os pesos considerados mostrou-se aquele que teria tido nos
períodos passados, o menor erro médio percentual absoluto (5% contra 8% e 9% dos outros
métodos). Na ausência de outros fatores relevantes, então a decisão poderia ser por adotar o
método de média móvel ponderada e, portanto, a previsão de 528,8 mil litros para janeiro de
2008.

3 – Utilizando os mesmos dados do exercício 2, desenvolva a previsão de vendas para cada

uma das embalagens, utilizando:

R) as três tabelas a seguir trazem o tratamento dos dados para as vendas históricas e previsões
para as embalagens individuais:

a) Média móvel de 6 meses;

b) Media moves ponderada de 6 meses com f1= 0,35; f2= 0,25; f3=0,20; f4= 0,1; f5= 0,075
e f6=0,025 (pesos maiores para meses mais recentes);
c) Amaciamento exponencial (α=0,2);
d) Avalie qual teria sido o melhor método para prever vendas de cada uma das
embalagens usando como critério de avaliação o erro médio percentual de previsões
dos últimos 6 meses.

a) Média móvel de seis meses para as embalagens individuais: previsão para janeiro
de 2008: 1 litro: 177 mil unidades 750 ml: 198,7 mil unidades 2 litros: 95,2 mil
litros.

b) média móvel ponderada de seis meses para as embalagens individuais: previsão

para janeiro de 2008: 1 litro: 181,5 mil unidades 750 ml: 201,7 mil unidades 2 litros: 98
mil litros.

c) amaciamento exponencial (α = 0,2) para as embalagens individuais: previsão para

janeiro de 2008: 1 litro: 171,2 mil unidades 750 ml: 195,8 mil unidades 2 litros: 91,8 mil
litros.
d) _para todas as embalagens, o método de média móvel ponderada usado mostrou-
se aquele que teria apresentado os menores erros médios percentuais absolutos.
4 - Considere a demanda de um novo videogame lançado há 6 meses. As vendas iniciais
foram conforme a seguir:

Vendas

Mês 1 678

Mês 2 918

Mês 3 1.232

Mês 4 1.350

Mês 5 1.430

Mês 6 ?

Use amaciamento exponencial com dois parâmetros (α=0,3 e β=0,4) para gerar previsões
para o mês 6. Considere que a tendência prevista inicialmente era de um aumento de vendas
de 200 unidades (adicionais) por mês (R˳) e a previsão inicial feita antes do lançamento para
o primeiro mês foi de 400 unidades (S˳).

RESP: Conforme a formulação do livro: Pé = St−1 + Rt−1 Se = α x Vi + (1 − α) x (St−1 + Rt−1) Ret.

= β x (Se − St−1) + (1 − β) x Rt−1 P1 = S0 + R0 = 400 + 200 = 600 S1 = α x V1 + (1 − α) x (S0 + R0)
S1 = 0,3 x 678 + (0,7) x (400 + 200) = 623,4 R1 = β x (S1 − S0) + (1 − β) x R0 R1= 0,4 x (623,4 −
400) + (0,6) x 200 = 209,3 P2 = S1 + R1 = 623,4 + 209,3 = 833,7 S2 = α x V2 + (1− α) x (S1 + R1)
S2 = 0,3 x 918 + (0,7) x (623,4 + 209,3) = 858,99 R2 = β x (S2 − S1) + (1 − β) x R1 R1 = 0,4 x
(858,99 − 623,4) + (0,6) x 209,3 = 219,81

P3 = S2 + R2 = 858,99 + 219,82 = 1.078,81 S3 = α x V3 + (1− α) x (S2 + R2) S3 = 0,3 x 1232 + (0,7)

x (858,99 + 219,82) = 1.124,77 R3 = β x (S3 − S2) + (1 − β) x R2 R3 = 0,4 x (1124,77 − 858,99) +
(0,6) x 219,82 = 238,20

P4 = S3 + R3 = 1124,77 + 238,20 = 1362,97 S4 = α x V4 + (1− α) x (S3 + R3) S4 = 0,3 x 1350 +

(0,7) x (1124,77 + 238,20) = 1.333,88 R4 = β x (S4 − S3) + (1 − β) x R3 R4 = 0,4 x (1333,88 −
1124,77) + (0,6) x 238,20 = 226,56

P5 = S4 + R4 = 1333,88 + 226,56 = 1.560,44 S5 = α x V5 + (1− α) x (S4 + R4) S5 = 0,3 x 1430 +

(0,7) x (1333,88 + 226,56) = 1.383,08 R5 = β x (S5 − S4) + (1 − β) x R4 R5 = 0,4 x (1383,08 −
1333,88) + (0,6) x 226,56= 155,62

Previsão para o período seis usando amaciamento exponencial de dois parâmetros é de

1.538,7 unidades do vídeo game.

5 – O restaurante japonês TEN SHIM encomenda semanalmente salmão ao seu fornecedor.

Devido à falta de espaço para estocagem e com receio de contaminação o gerente procura
estimar com precisão as necessidades semanais do peixe. Os consumos recentes são
mostrados na tabela abaixo.

a) Preveja a demanda de salmão para a semana de 14 de junho usando a média móvel

simples com n=3.
b) Repita a previsão usando a média móvel ponderada com n=3 e peso de 0,50, 0,30 e
0,20 com 0,50 para a demanda mais recente.
c) Calcule o desvio médio absoluto para cada método, se tivessem sido usados para
prever as semanas de 23 de maio a 7 de junho.

Semana Salmão (KG) Semana Salmão (KG)

02 de maio 50 23 de maio 56
09 de maio 65 30 de maio 55
16 de maio 52 07 de junho 60
 RESP: a) Previsão com MM3 para semana de 14 de junho: 57 kg.
b) Previsão com média móvel ponderada com n = 3 (pesos 0,5; 0,3; 0,2) para semana
de 14 de junho: 57,7 kg.
c) Desvio médio absoluto para semanas de 23 de maio a 7 de junho: MM3: 2,8 kg
Média ponderada: 2,3 kg

6 – A quantidade vendida mensalmente de determinado tipo de poltrona produzida por uma

indústria de moveis é mostrada a seguir. Como a fabricação é sob licença de um estúdio de
design sueco, autor do projeto, é preciso importar a madeira utilizada. Problemas
burocráticos quanto as liberações já chegaram a comprometer a produção e as entregas, o
que torna sore maneira importante a previsão das vendas futuras. Você está analisando o
potencial de uso do método de amaciamento exponencial para fazer as previsões de vendas
das poltronas.

a) Utilize o método do amaciamento exponencial para “prever” as demandas do

período julho – dezembro. Note que as demandas de julho a dezembro já ocorreram.
O que você precisa é simular quais teriam sido as previsões para os meses de julho a
dezembro se o método tivesse usado. A previsão feita em junho para as vendas de
julho é 105 unidades; use α= 0,2.
b) Calcule o DAM dos erros de previsão até o fim de dezembro.
c) Calcule o Tracking signal até o fim de dezembro. Se seus estudos do mesmo período,
mas com uso de um método alternativo de previsão, apresentam DAM de 14
unidades e tracking signal em dezembro de 4,5, que você pode dizer a respeito dos
resultados de sua análise do uso de previsão com amaciamento exponencial com α
=0,2, comparado com o método alternativo.

Mês Unidades Mês Unidade

Maio 100 Setembro 105

Junho 80 Outubro 110

Julho 110 Novembro 101
 Agosto 95 Dezembro 120

RESP: a) as previsões de julho a dezembro encontram-se na Coluna 2 da tabela anterior.

b) O desvio absoluto médio (DAM) encontra-se calculado na Coluna 6 da tabela anterior.

c) O tracking signal (TS) é calculado na Coluna 7 da tabela anterior. O DAM em dezembro é de

7,3 e o TS de −1,7 (bem dentro da faixa de −4,00 a + 4,00). Em comparação com os valores de
DAM (14 unidades) e TS (4,5), o desempenho do método de amaciamento exponencial mostra-
se muito superior.

1 – Como forma de melhorar sua renda, o Sr. Washington e sua esposa Lucila produzem
bombons recheados caseiro cuja a demanda é bastante incerta. “ Faz parte” costuma dizer o
Sr. Washington, mas a Sra. Lucila acredita que há certo padrão nas vendas, o que poderia ser
útil na compra do chocolate, açúcar e licor para o recheio. A demanda para o quadrimestre
dos últimos 3 anos é mostrada na tabela abaixo.

a) Assuma sazonalidade com hipótese de ausência de tendência. Quais os coeficientes

de sazonalidade para a série histórica de venda de bombons?
Os Coeficientes de sazonalidade são calculados na tabela:
 Média: 2.539

Coeficientes de sazonalidade médios para os trimestres:

Trimestre 1: 1,15
Trimestre 2: 0,72
Trimestre 3: 0,38
Trimestre 4: 1,75

b) Use seus conhecimentos sobre precisão para estimar as demandas por trimestre
para o 4º ano.

Trimestre Ano 1 Ano 2 Ano 3

1º 3.012 2.650 3.120
2º 1.709 1.960 1.810
3º 910 1.150 840
4º 4.405 4.320 4.482

RESP:

Coeficientes de sazonalidade médios para os trimestres: Trimestre 1: 1,15 Trimestre 2: 0,72

Trimestre 3: 0,38 Trimestre 4: 1,75
 c) A estimativa de vendas por trimestre para o ano 4 pode ser feita assim: Previsão
para o Trimestre i do ano 4 = Média Global * Coeficiente médio de sazonalidade do
Trimestre i.
Previsão para o Trimestre 1 do ano 4 = 2.539 x 1,15 = 2.920 unidades Previsão para o
Trimestre 2 do ano 4 = 2.539 x 0,72 = 1.828 unidades Previsão para o Trimestre 3 do
ano 4 = 2.539 x 0,38 = 965 unidades Previsão para o Trimestre 4 do ano 4 = 2.539 x
1,75 = 4.443 unidades.

8- Considere as vendas Históricas do livro introdução a estatistística abaixo;

Análise a série histórica e decida qual o modelo de previsão utilizar. Note que há essa questão,
resolva de melhor forma possível e produza previsões para 2008.

Resp.: Em primeiro lugar, é necessário resolver a questão da falta do dado. Uma forma usual é
se calcular a média entre o dado do período anterior e o dado do período posterior ao período
faltante. Neste caso, poderíamos fazer: Estimativa do dado faltante = (108 + 171) /2 = 140.
A partir daí a série histórica fica como a seguir:

O primeiro passo numa análise como esta é analisar graficamente a série:

No gráfico com os anos superpostos, fica clara a presença de sazonalidade. Podemos então
adotar a hipótese de permanência (não-tendência) com sazonalidade. A partir daí, calculamos
os fatores de sazonalidade em relação à média geral e então geramos as previsões para 2008:
9 - Como costuma fazer toda semana, Maria Teresa, gerente de planejamento da produção
da Tangerin, uma indústria de alimentos, analisou os relatórios do sistema integrado de
gestão implantado na empresa atualizados durante o fim de semana e, entre outros, avaliou
o registro a seguir reproduzido. Viu, ao abrir seu e-mail, uma mensagem do gerente de
vendas consultando sobre a possibilidade de entrega de 270 kg de massa especial dali a duas
semanas.

a) calcule as linhas de DPP e conclua qual teria sido a resposta de Maria Teresa,
considerando que o MPS atual não seja alterado. Por quê?
De acordo com as linhas de “DPP” e “DPP acumulado”, a entrega de 270 kg de massa em duas
semanas é impossível (sem alterar o MPS), pois mesmo considerando o total de massa
disponível para promessa acumulado, apenas 150 kg de massa poderiam ser prometidos para
a semana 2.

b) E se a entrega fosse para daqui a cinco semanas? Por quê?

Para daqui a quatro semanas, com o DPP acumulado sendo 410 kg, é possível
prometer uma quantidade de 270 kg, comprometendo apenas 10 kg do disponível
para promessa de períodos anteriores.