UNIVERSIDADE ESTADUAL DE CAMPINAS

FACULDADE DE ENGENHARIA MECÂNICA

COMISSÃO PÓS-GRADUAÇÃO EM ENGENHARIA MECÂNICA

Autor: Henrique Cury Casula.

APLICAÇÃO DE TÉCNICAS DE PREVISÃO

DE DEMANDA EM MANUFATURA:
ESTUDO DE CASO EM UMA INDÚSTRIA
DE LAMINADOS

Campinas, 2012
35/2012
 Henrique Cury Casula

APLICAÇÃO DE TÉCNICAS DE PREVISÃO

DE DEMANDA EM MANUFATURA:
ESTUDO DE CASO EM UMA INDÚSTRIA
DE LAMINADOS

Dissertação de mestrado acadêmico apresentado à

comissão de Pós Graduação da Faculdade de
Engenharia Mecânica, como requisito para a
obtenção do título de mestre em Engenharia
Mecânica.

Área de Concentração: Materiais e Processos de

Fabricação
Orientador: Prof. Dr. Antonio Batocchio.

Campinas
2012

i
 FICHA CATALOGRÁFICA ELABORADA PELA
BIBLIOTECA DA ÁREA DE ENGENHARIA E ARQUITETURA - BAE - UNICAMP

Casula, Henrique Cury

C179a Aplicação de técnicas de previsão de demanda em
manufatura: estudo de caso em uma indústria de
laminados / Henrique Cury Casula. --Campinas, SP:
[s.n.], 2012.

Orientador: Antonio Batocchio.

Dissertação de Mestrado - Universidade Estadual de
Campinas, Faculdade de Engenharia Mecânica.

1. Previsão de vendas. 2. Análise de séries temporais.

3. Programação não linear. 4. Demanda (Teoria
econômica). 5. Oferta e procura. I. Batocchio, Antonio.
II. Universidade Estadual de Campinas. Faculdade de
Engenharia Mecânica. III. Título.

Título em Inglês: Application of techniques for forecasting demand in

manufacturing: a case study in an industry of rolled laminates
Palavras-chave em Inglês: Sales Forecasting, Time series analysis, Nonlinear
programming, Demand (Economic theory), Supply and
demand
Área de concentração: Materiais e Processos de Fabricação
Titulação: Mestre em Engenharia Mecânica
Banca examinadora: João Mauricio Rosario, Marcos Ricardo Rosa Georges
Data da defesa: 25-01-2012
Programa de Pós Graduação: Engenharia Mecânica

ii
 UNIVERSIDADE ESTADUAL DE CAMPINAS
FACULDADE DE ENGENHARIA MECÂNICA
COMISSÃO PÓS-GRADUAÇÃO EM ENGENHARIA MECÂNICA
DEPARTAMENTO DE ENGENHARIA DE FABRICAÇÃO

DISSERTAÇÃO DE MESTRADO ACADÊMICO

APLICAÇÃO DE TÉCNICAS DE PREVISÃO DE

DEMANDA EM MANUFATURA: ESTUDO DE
CASO EM UMA INDÚSTRIA DE LAMINADOS

Autor: Henrique Cury Casula.

Orientador: Prof. Dr. Antonio Batocchio.

Campinas, 25 de Janeiro de 2012

iii
 Dedicatória:

Dedico esse trabalho aos meus pais que devido ao suporte, empurrões e amor
tornaram tudo possível.

iv
 Agradecimentos

As oportunidades e conquistas de hoje são graça ao voto de confiança dado pelo

orientador, mestre e amigo professor Antonio Batocchio, meus sinceros agradecimentos por
todas as oportunidades e a porta sempre aberta.

A CAPES pelo suporte financeiro durante essa jornada.

Aos colaboradores da companhia Norte, sem os mesmos esse trabalho não seria
possível da maneira como o é.

Há pessoas que fazem seu caminho mais fácil, há as que apontam o caminho e as que
te deixam tropeçar para te ver levantar mais forte. Há ainda aquelas que te ensinam a
aprender, as que caminham ao seu lado, as que passam correndo e te dão um empurrão, as
que só cruzam o seu caminho, há também as que simplesmente pegam sua mão e andam um
pedaço dele com você para depois tomar outra direção. A todas elas meu agradecimento.
Pois, contribuíram e contribuem para as minhas próprias decisões. Dessas, gostaria de citar
algumas poucas aqui:

Aos professores, amigos, funcionários, colegas e companheiros da Unicamp, minha

casa em muitos momentos desses últimos 8 anos. Muito obrigado!

Aos amigos de faculdade em ordem de quem primeiro apareceu em meu caminho:

Caio Frizzone, Luiz Matheus, Gustavo Panosso, Felipe Gorla, Bruno Tibério, Maurílio
Cassiani, Guilherme Mello, Cassio Murillo, Eduardo Becker, Leonardo Massaguer, Matheus
Pascoal...

E em especial ao meu Pai Nelson Casula, por ter sido sempre referência e porto seguro
e a minha mãe Maria Christina, pelo amor, pelos puxões de orelha e incentivo. A minha irmã
Ligia que é em muitos aspectos o que eu deveria ser. E a todas as minhas outras irmãs,
irmãos, pais e mães da minha fantástica família.

v
Somos o que queremos ser, “a excelência não é um ato, mas um hábito”.

Aristóteles

vi
 Resumo

A previsibilidade é uma importante ferramenta que os tomadores de decisão buscam nas

suas escolhas. Entende-se a tomada de decisão como o processo de identificação de um
problema ou de uma oportunidade e a seleção de uma linha de ação para resolvê-la ou de
alteração dos objetivos e metas a fim de superá-las. Visando o auxilio a decisões de
dimensionamento da cadeia de suprimentos será apresentado um estudo de caso de aplicação de
modelos estatísticos em séries temporais para gerar cenários futuros, os riscos inerentes e os erros
de previsão. Os dados matemáticos foram ajustados com os especialistas da empresa em estudo
que acrescentaram informações não presentes nas séries temporais, como informações de
mercado, gerando assim a previsão fim para as decisões. O trabalho foi aplicado em uma
manufatura para o auxilio no dimensionamento do seu centro de distribuição para comportar o
crescimento de longo prazo.

Palavras chave: Previsão de vendas; Análise de séries temporais; Programação não linear;
Demanda (teoria econômica); Oferta e procura.

vii
 Abstract

Predictability is an important tool for decision makers in their choices. The decision-
making is the process of identifying a problem or an opportunity and the selection of a course of
action to solve it or change the goals and objectives in order to overcome them. In order to help
of design decisions in the supply chain will be presented to the application of statistical models in
time series to generate future scenarios, the risks and the forecast errors. The mathematical data
were fitted with the company's experts added information not present in time series, such as
market information, thereby generating the prediction order for decisions. The method was
applied in a manufacturing to design your distribution center to accommodate the long-term
growth.

Key Words: Sales Forecasting; Time series analysis; Nonlinear programming; Demand(Economic
theory); supply and demand.

viii
 Lista de Figuras

Figura 1 – Classificação da demanda (adaptado de BALLOU, 2006) ...........................................................9

Figura 2 – ‘a’, ‘b’ e ‘c’ mostram os tipos de demandas regulares e ‘d’ um exemplo de demanda irregular.
(Adaptado de BALLOU, 2006) ....................................................................................................................10
Figura 3 – Modelos de previsão de demanda (Adaptado de Davis 2003). ...................................................17
Figura 4. Demanda histórica mensal de um produto consistindo de um crescimento com tendência, fator
cíclico e demanda sazonal (Davis 2003) ......................................................................................................20
Figura 5. Tipos básicos de tendências (Davis 2003) ....................................................................................21
Figura 6 – Processo de tomada de decisão (LACHTERMARCHER 2009). ...............................................33
Figura 7 – Processo de resolução de um problema ( Lanchtermacher, 2009), .............................................37
Figura 8 – Exemplo generalizado de método cientifico estudo de caso (JUNG 2009). ...............................49
Figura 9 - Envolvidos na implantação da previsão de vendas (adaptado de Fragoso 2009) ........................53
Figura 10 – Passos para previsão de demanda de vendas na tomada de decisão (próprio autor). ................64
Figura 11 – Organograma resumido da empresa. Apresentando as posições mais envolvidas no estudo. ..66
Figura 12 – Levantamento dos dados históricos de janeiro de 2004 a junho de 2010 para a Família 12. ...71
Figura 13 – Levantamento dos dados históricos dos últimos 6,5 anos para a Família 14. É de fácil
observação que a sua demanda é irregular ou especial. ...............................................................................72
Figura 14 – Levantamento dos dados históricos dos últimos 6,5 anos para a Família 27 e Identificação dos
valores espúrios para a sua posterior substituição pelas médias do ano.......................................................73
Figura 15 – Gráfico de barras e de linhas para a família 12, o período escolhido foi anual para
identificação de possíveis sazonalidades da demanda. ................................................................................74
Figura 15 – Função objetiva a ser otimizada e variáveis de otimização. .....................................................80
Figura 16 – Equacionamento no solver do Excel. ........................................................................................80
Figura 17 - Regressão linear corrigida para a família 1. ..............................................................................82
Figura 18 – Modelo de Winter para a família 1. ..........................................................................................82
Figura 19 – Previsão agregada matemática x previsão ajustada das famílias para o centro de trabalho 1...84
Figura 20 – Previsão agregada matemática x previsão ajustada das famílias para o centro de trabalho 2...85
Figura 21 – Previsão agregada matemática x previsão ajustada das famílias para o centro de trabalho 3...85

ix
 Lista de Tabelas

Tabela 1 – Disposição dos dados históricos (em metros lineares) em uma única coluna, a figura mostra a
família de número 1. ....................................................................................................................................76
Tabela 2 – Aplicação da função Projelin do Excel, nos dados da tabela 1, para o retorno do nível e
tendência da série. ........................................................................................................................................77
Tabela 3 – Exemplo de alguns modelos matemáticos utilizados. ................................................................78
Tabela 4 – Erro médio para as diversas famílias de produtos. .....................................................................81
Tabela 5 – Previsão matemática agregada para a família de produtos 2 e previsão já ajustada. ..................83
Tabela 6 – Analise dos erros puramente quantitativos para os últimos 6 meses de 2010. Comparação entre
os dados da previstos e os dados reais..........................................................................................................86

Lista de Figuras Anexo A

Figura A 1 – Equacionamento da regressão linear corrigida para fator de sazonalidade 12 no Excel®. .....97
Figura A 2 – Equacionamento para a suavização exponencial dupla de Holt no Excel®............................97
Figura A 3 – Winter Passo 1 - Equacionamento para a o modelo de Holt-Winter para período sazonal de
12 meses no Excel®. ...................................................................................................................................98
Figura A 4 – Winter Passo 2 - Equacionamento para a o modelo de Holt-Winter para período sazonal de
12 meses no Excel®. ...................................................................................................................................98
Figura A 5 – Winter Passo 3 parte 1- Equacionamento para a o modelo de Holt-Winter para período
sazonal de 12 meses no Excel®. .................................................................................................................99
Figura A 6 – Winter Passo 3 parte 2- Equacionamento para a o modelo de Holt-Winter para período
sazonal de 12 meses no Excel®. .................................................................................................................99

x
 Lista de Abreviaturas e Siglas

Letras Latinas

D – demanda real de determinado período

F – previsão final para um determinado período

I – índice de sazonalidade para um determinado período

L – período completo de observação da sazonalidade

N – número de períodos considerados

S – Previsão inicial sem tendência para determinado período

T – tendência para um determinado período

t – período de tempo atual

Letras Gregas

α – constante de ponderação exponencial

β – coeficiente de ponderação para a tendência

γ – coeficiente de ponderação para a tendência

Abreviações

DMAIC – Define, Measure, Analyze, Improve, Control

ERP – Enterprise Resource Planning

xi
MRP – Materials Resource Planning

S&OP – Sales and Operation Planing - (Planejamento de Vendas e Operações)

PCP – Planejamento e Controle da Produção

PCM – Planejamento e Controle de Materiais

PIB – Produto Interno Bruto

VBA – Visual Basic for Aplication

DAM – Desvio Absoluto Médio

MNQ – Mínimos Multiplos Quadrados

xii
 SUMÁRIO

1 INTRODUÇÃO .......................................................................................................................1

1.0 Caracterização do ambiente da proposta ....................................................................... 1

1.1 Formulação do problema ............................................................................................... 2

1.2 Objetivo Geral ............................................................................................................... 2

1.3 Objetivos Específicos .................................................................................................... 2

1.4 Justificativa .................................................................................................................... 3

1.5 Plano de trabalho, viabilidade e importância. ................................................................ 4

2 REVISÃO DA LITERATURA................................................................................................ 6

2.0 Introdução ...................................................................................................................... 6

2.1 Da Demanda .................................................................................................................. 7

2.2 Da Capacidade ............................................................................................................. 11

2.2.1 A Capacidade e a Demanda ................................................................................. 11

2.3 Da Previsão de vendas e o planejamento da demanda ................................................. 12

2.4 Técnicas de Previsão de demanda ............................................................................... 16

2.4.1 Modelo Qualitativo .............................................................................................. 17

2.4.2 Modelos Causais .................................................................................................. 19

2.4.3 Modelos Quantitativos ......................................................................................... 19

2.4.4 A utilização de técnicas subjetivas no fechamento do modelo quantitativo ........ 30

2.5 Programação Linear e Não Linear na Tomada de Decisão.......................................... 31

2.5.1 Tomada de Decisão.............................................................................................. 32

2.5.2 A Programação Linear ......................................................................................... 34

2.6 S&OP ........................................................................................................................... 42

2.7 A Cadeira de Suprimentos ........................................................................................... 46

xiii
3 METODOLOGIA ..................................................................................................................48

3.0 Método cientifico ......................................................................................................... 49

3.1 Iniciativa ...................................................................................................................... 51

3.2 Definição do problema ................................................................................................ 52

3.3 Formação da equipe de previsão .................................................................................. 53

3.2.1 Patrocinador ............................................................................................................... 53

3.2.2 Consultor externo ....................................................................................................... 53

3.2.3 Facilitador .................................................................................................................. 54

3.2.4 Equipe ........................................................................................................................ 55

3.4 Levantamento das informações ................................................................................... 56

3.5 Análise preliminar ....................................................................................................... 58

3.6 Escolha do pacote computacional e modelagem para a programação linear ............... 59

3.7 Modelos matemáticos .................................................................................................. 60

3.8 Previsão matemática otimizada e validação do(os) modelo(os) .................................. 61

3.9 Ajuste e revisão............................................................................................................ 61

3.10 Reunião de fechamentos e decisões ............................................................................. 63

4 RESULTADOS E DISCUSSÃO ........................................................................................65

4.0 Introdução .................................................................................................................... 65

4.1 Empresa objeto do estudo ............................................................................................ 65

4.2 Aplicando a Metodologia ............................................................................................ 66

4.2.0 Iniciativa .............................................................................................................. 66

4.2.1 Definição do problema......................................................................................... 67

4.2.2 Definição da equipe de previsão .......................................................................... 68

4.2.3 Levantamento das Informações ........................................................................... 70

4.2.4 Analise Preliminar ............................................................................................... 71

4.2.5 Escolha do pacote computacional voltado à programação linear. ....................... 75

4.2.6 Modelos Matemáticos .......................................................................................... 75

xiv
 4.2.7 Previsão Matemática Otimizada e Validação do Modelo .................................... 78

4.2.8 Ajuste e revisão.................................................................................................... 83

4.2.9 Reunião de fechamento e decisões ...................................................................... 87

5 CONCLUSÃO E SUGESTÕES DE TRABALHOS FUTUROS ....................................88

5.0 Conclusão .................................................................................................................... 88

5.1 Sugestões de trabalhos futuros..................................................................................... 89

REFERÊNCIAS............................................................................................................................91

ANEXO A ......................................................................................................................................97

xv
 1 INTRODUÇÃO

1.0 Caracterização do ambiente da proposta

A particularidade que cada linha de produto de uma companhia apresenta em

relação ao mercado leva a utilização de diversos modelos de previsão de demanda, desde
regressões lineares simples, passando por modelos mais complexos de sazonalidade e
redes neurais e com isso, a dificuldade de se ajustar os modelos de previsão de demanda,
como na escolha de suas constastes de suavização, tendência e de nível, fazendo-se cada
vez mais necessário a utilização de um suporte a decisão, quanto mais segmentado o seu
mercado e quanto mais de cada linha de produto a empresa possui.

Este trabalho propõe um estudo de aplicação de métodos de previsão de demanda

de vendas, utilizando o ambiente Excel™ no desenvolvimento de modelos matemáticos
de projeções de séries históricas. Os modelos de projeção de séries históricas adotados
buscam a melhor aderência dos dados e foram formatados para aplicação de programação
não linear.

A partir dos modelos criados de previsão de demanda de vendas e do seu resultado

final, pretende-se auxiliar o empreendedor na tomada de decisões coorporativas de
dimensionamentos. As decisões baseiam-se em uma lógica simples, como por exemplo,
no dimensionamento da produção necessária para atender a projeção de venda, das
matérias primas que serão necessárias para atender a produção e do estoque físico
necessário para garantir o fornecimento dentro da política de estoque da companhia, giro
e prazo de entrega.

Por fim o método constitui-se um sistema de suporte à decisão do negócio que é a

base para solução de diversos problemas de dimensionamento nas empresas.

1
 1.1 Formulação do problema

Através da previsão de demanda de vendas deve-se solucionar problemas de

decisões na companhia relacionados principalmente ao dimensionamento da sua cadeia de
suprimentos no nível matéria prima, produção e estoque. O estudo de caso foi a aplicação
de diversos métodos para dimensionar um centro de distribuição real onde a principal
variável é o número de posições de paletes do seu estoque.

1.2 Objetivo Geral

O objetivo é através da sistematização da aplicação de métodos previsão de

demanda de vendas dar suporte ao responsável por projetos de expansão da companhia á
tomada de decisão. O modelo utiliza apenas séries temporais, as variáveis mercadológicas
e de planejamento de investimentos deverão ser contempladas em reunião entre o
departamento comercial, planejamento e produção e serão um ajuste ou limitante externo
a previsão puramente matemática.

Este trabalho busca, ainda, aplicar os conceitos de previsão de demanda com

auxilio de ferramentas e algoritmos de pesquisa operacional, particularmente de
programação não linear, como ferramenta para otimização e ajuste das curvas, a partir de
dados reais.

1.3 Objetivos Específicos

 Identificar alguns dos métodos de previsão de demanda mais comuns, e suas

possíveis aplicações.
 Aplicação de diversas metodologias existentes para auxilio na tomada de decisão
de dimensionamento em uma companhia (metodologias quantitativas).

2
 Coleta dos dados necessários ao modelo como: dados históricos de vendas dos
diferentes tipos de produtos ou famílias da companhia.
 Modelagem matemática de séries temporais de modo a comportarem otimizações
nas suas constantes de nível, tendência e sazonalidade.
 Aplicação de dados qualitativos como auxilio no fechamento do modelo
matemático objetivando a maior precisão ao se agregar inteligências intrínsecas as
variáveis da companhia, como variáveis de produção, variáveis financeiras e extrínsecas
como variáveis mercadológicas (inteligência de mercado), entrada de novos players,
novos produto, entre outros.

1.4 Justificativa

Todos os anos, semestres, ou meses, os executivos de companhias se deparam com

os mesmos questionamentos: ‘que metas deveremos ter para o próximo período?’ ‘Como
alcançá-las?’ ‘Como dimensionar com maior precisão meus futuros investimento e
controlar meu orçamento?’ Para tanto, muitas empresas reconhecem a importância da
previsão de demanda em todos os níveis de uma organização. Está diretamente
relacionada a quase todos os tipos de planejamento da companhia, desde os níveis mais
altos, onde é a base para realizar o planejamento estratégico a longo prazo. Nas áreas
funcionais de finanças e de contabilidade, a previsão de demanda fornece a base para o
planejamento orçamentário e controle de custos. As funções de administração da
produção utilizam as previsões para tomar decisões periódicas envolvendo seleções de
processos, planejamento de capacidade, melhorias de leiaute (layout), e para decisões
contínuas sobre planejamento da produção, da programação e do estoque. O setor de
marketing confia na previsão de vendas para planejar novos produtos, premiar os
vencedores, e tomar outras importantes decisões. Operadores de serviços têm utilizado as
técnicas de previsão para conhecer a demanda de seus clientes ou projetos, conseguindo,
desta forma, atendê-los melhor e, ao mesmo tempo, controlar seus custos e margem de
lucro.
3
 Muitas vezes essas previsões exigem um gerenciamento de esforços enormes por
parte da organização. Quanto maior o número de famílias de produtos que a empresa
possui, as sazonalidades do mercado, as imprecisões dos modelos e como tratá-los, as
variáveis externas, os planejamentos anteriores de investimentos. Visando diminuir este
esforço o presente trabalho procurou estudar e desenvolver uma metodologia que servirá
como um guia simples para a solução deste problema complexo.

Cabe ressaltar que as previsões de demanda terão grande chance de sucesso (boa
precisão) quando alinhadas com as demais áreas e acima disso com o planejamento
estratégico da empresa, sendo fundamental, o comprometimento de toda a empresa com
os objetivos organizacionais, atingido sempre, com uma comunicação clara, objetiva e de
penetração como nos mostra Batocchio e Biagio (2005).

1.5 Plano de trabalho, viabilidade e importância.

Os modelos de demanda foram aplicados para prever a venda em uma indústria de

laminados sintéticos. Graças o comprometimento com o projeto, a empresa forneceu os
dados para sua aplicação real. Optou-se pela planilha eletrônica Excel™, pois é
largamente difundido no ambiente empresarial (LANCHESMASCHER, 2009). Existe
restrições quanto ao número de variáveis do modelo, mas vale ressaltar que a versão
básica do Solver™ (módulo do Excel) foi suficiente para as soluções. Segundo o
SEBRAE (2003), o Excel™ está presente em 70% das empresas que são informatizadas
(PUPULIN, 2008). Por apresentar uma interface mais acessível ao usuário foi à
ferramenta escolhida.

A empresa em questão é uma produtora de rolos de laminados sintéticos utilizados

em revestimentos em geral (couros sintéticos, produtos de revestimento de calçados,
indústria moveleira, revestimentos de piscinas, paredes, impermeabilizantes de solos, etc).

4
 Foi então proposta a metodologia de previsão de demanda de vendas para auxilio
aos seus executivos na tomada de decisões. Assim pode-se estimar a produção agregada
total a longo prazo, verificar quando a capacidade máxima fabril seria atingida, estimar
novos investimentos e a partir daí, projetar um centro de distribuição que comportará a
nova capacidade máxima da empresa. Foram testados diversos modelos matemáticos para
cada família de produto sendo que os escolhido foi o que apresentou melhor aderência, ou
seja, menor erro na família em questão.

5
 2 REVISÃO DA LITERATURA

2.0 Introdução

Este trabalho traz a busca de soluções para as decisões de curto e longo prazo na
organização. Para estes horizontes de tempo não há definição na literatura precisa dos
limites que os definem. Segundo Makridakis (1987) considera que o curto prazo é de 1 a
3 meses, médio prazo de 3 meses a 2 anos e longo prazo é maior que 2 anos. Outros
autores domo Dias (1998) definem curto prazo como algo em torno de 3 meses, médio
prazo de 4 meses a 2 anos e longo prazo maior que 2 anos.

O trabalho traz modelos matemáticos para previsões estatísticas que englobam os

três horizontes de planejamento. Média móvel para curto prazo. Exponencial simples,
método de Winter e exponencial dupla, além de regressão linear simples e ajustada para
previsões de médio prazo. E como a metodologia leva em consideração o fechamento do
planejamento da demanda com os especialistas de marketing e produção também engloba
o horizonte de longo prazo.

O fechamento do modelo puramente matemático com os especialistas, ou a

chamada revisão gerencial, pode ocorrer nas sistemáticas de reunião do S&OP.

Os dados finais da previsão da demanda, já chamada de planejamento da demanda,

servem para o planejamento das restrições que irão alimentar o MRP da organização.
Tipos de restrições essas que podem ser desde armazéns de estocagem aquém da
capacidade necessária prevista, falta de insumos para o processo produtivo, falta de
capacidade instalada para a produção ou excesso da mesma.

Sendo assim este capitulo de revisão bibliográfica irá abordar os seguintes tópicos
sobre a Demanda, Capacidade, Previsão de vendas, Técnicas de previsão de

6
Demanda de Vendas, S&OP. Também possuirá um tópico sobre a tomada de decisão e
a programação não linear. Pois alguns modelos retirados da literatura de previsões
estatísticas dos dados históricos fornecem melhor aderência quando suas constantes são
otimizadas por um software.

2.1 Da Demanda

A demanda é a procura, de um bem ou serviço que os consumidores desejam

adquirir (REBELLATO, 2004), é uma necessidade por um item ou componente
específico (APICS DICTIONARY, 1995). A demanda pode vir de várias fontes, como
pedidos dos clientes, previsões, necessidades de outras plantas, etc. No nível de produtos
finais, as informações de demanda são geralmente diferentes das informações de vendas,
porque a demanda não necessariamente resulta em vendas, por exemplo: se não houver
estoque, não haverá a venda, se não houver capacidade produtiva suficiente para atender a
demanda, ou se houver falhas nesta capacidade (Adaptado de BARBEIRO, 2005). A
cadeia produtiva tem apenas um ponto em que a demanda pode ser dita 100%
independente: a quantidade de produtos demandado pelo usuário final da cadeia.
Independente se o cliente final estar comprando os produtos em uma loja, shopping ou
online, ou empresas comprando produto em outras empresas para ser transformado por
suas manufaturas, este cliente final é quem determina a real demanda que deve fluir por
toda a cadeira produtiva (MENTZER, 2005 apud FRAGOSO, 2009).

A demanda segundo Ballou (2006) deve ser analisada de acordo com algumas
classificações apresentados na sequência:

I – Temporalidade

Segundo Fragoso (2009), a primeira análise que se faz sobre a demanda de

determinado produto é relativa à temporalidade. Trata-se, basicamente, de verificar se
determinado produto está sendo pedido uma única vez, unitariamente ou num
7
determinado lote, em condições especiais que tornem sua demanda única. Estas demandas
são chamadas de especiais, para estas, não há mais classificação. Todos os outros
produtos, que possuem algum histórico de demanda passada e expectativa de demanda
futura, possuem demanda denominada temporal (BALLOU, 2006).

Com relação à previsão de demanda, quando se trata da especial, é mais fácil para
as organizações prever onde e quando elas vão acontecer, de modo a se planejarem para
suprir tal necessidade. Já com relação às chamadas temporais, estas são resultado de
diversos fatores como taxa de vendas, sazonalidade e outras flutuações gerais. Estas séries
de tempo, ou temporais, são base para a maioria dos métodos de previsão de demanda
(FRAGOSO, 2009).

II – Regulariedade

De acordo com Ballou (2006), com relação às demandas temporais, cabe uma nova
análise para determinar como se comporta tal demanda, trata-se da regularidade. Têm-se
basicamente demanda regular e irregular. A demanda regular é aquela que acontece
continuamente durante o tempo, sem interrupções. A demanda regular, por sua
continuidade, pode se apresentar com ou sem tendência, aleatória ou contínua, com ou
sem sazonalidade.

A demanda pode ser também irregular, ou nebulosa. Neste caso, em alguns

períodos ela pode ser nula. Para estes tipos, é extremamente difícil para os gestores
determinar uma previsão de demanda segura utilizando as técnicas mais comuns. Quando
esta demanda representa um percentual significativo do volume de vendas de certa
empresa, representam um problema especial.

III - Dependência

A última maneira, de classificação da demanda é quanto à dependência (BALLOU

2006). Uma demanda é dita dependente, ou derivada, quando depende exclusivamente das

8
exigências especificadas em uma programação da produção já conhecida. Isto acontece
normalmente quando a demanda de determinado produto se dá a partir da demanda já
conhecida de outro produto. Um exemplo clássico é o de um fabricante de pneus. Quando
este vende pneus exclusivamente a uma montadora de veículos, sabe-se que o número de
pneus será cinco vezes o número de carros produzidos. Considerando que o programa de
produção de carros está pronto, a demanda será um múltiplo definido do número de carros
produzidos(SLACK, 2002 apud FRAGOSO, 2009).

Quando a demanda é dita independente, isto quer dizer que ela é dada a partir das
demandas de diversos clientes diferentes pelo mesmo produto. Neste caso, dada a sua
aleatoriedade, os métodos conhecidos de previsão baseados em estatística são
recomendados (SLACK, 2002).

DEMANDA

Temporal Especial

Regular Irregular Dependente Independente

Figura 1 – Classificação da demanda (adaptado de BALLOU, 2006)

9
Figura 2 – ‘a’, ‘b’ e ‘c’ mostram os tipos de demandas regulares e ‘d’ um exemplo de demanda irregular. (Adaptado de
BALLOU, 2006)

10
 2.2 Da Capacidade

A capacidade é uma habilidade ou uma característica inerente ao objeto ou pessoa.

Pode ser a habilidade de se fazer, conter, prender, absorver ou produzir. Esta última nos
leva ao termo Capacidade Produtiva, que no contexto empresarial é do interesse da
dissertação. Trata da quantidade máxima de peças, produtos ou serviços que uma
empresa, sem investimentos em novos recursos, consegue entregar ao longo de um
período específico.

2.2.1 A Capacidade e a Demanda

A capacidade produtiva e a demanda de mercado são assuntos amplamente

debatidos. Com o mercado aquecido, (entenda-se como ‘Demanda’ maior que
‘Capacidade’), as empresas podem então, tentar melhorar seus processos afim de
aumentar o fluxo produtivo e consequentemente a capacidade. Taish Ohno (1988)
apresentou as técnicas da Toyota para reduzir custos, cativar os clientes por meio da
qualidade a preços justos e por fim aumentar a Capacidade de Produção sem
investimentos significativos, reduzindo os desperdício da linha produtiva, usando o bom
senso de se pensar de maneira diferente, de questionar-se sobre o estado atual. O bom
senso de Ohno é ótimo para o aumento da eficiência da fábrica, mas tem um limite. E
para superá-lo são necessários investimentos, como em máquinas e pessoas para aumento
da Capacidade, para gerar mais receitas e, consequentemente, lucro. Todo o investimento
possui um ‘lead time’ para geração de capacidade, nas indústrias de energia e de base
pode levar até dezenas de anos.

Por outro lado, manter uma empresa com capacidade em excesso é perder dinheiro
aumentando os custos dos produtos comercializados e perdendo competitividade. Os

11
investimentos têm que chegar na hora certa. Sendo assim a previsão da demanda é de
fundamental importância aos ajustes de capacidade da fábrica maximizando a sua receita.

2.3 Da Previsão de vendas e o planejamento da demanda

Segundo Barbeiro (2005) Uma vez no mercado, a empresa precisa preparar

previsões de demanda rigorosas. Estas previsões são usadas pelo departamento financeiro
para levantar o dinheiro necessário aos investimentos e operações; para o departamento de
manufatura estabelecer a capacidade e níveis de produção; para o departamento de
compras adquirir os suprimentos que serão utilizados e para o departamento de recursos
humanos contratar o pessoal necessário.

O planejamento da demanda é o processo de, continuamente, recolher, compilar, e

rever os dados da demanda para criar um único Plano de Demanda que seja usado para
direcionar as necessidades de suprimentos, distribuição e da manufatura.

Muitas empresas têm a produção e a distribuição fora de sincronização com

demanda. O planejamento de demanda oferece um método melhorado para continuamente
coletar e comunicar a demanda do cliente, o que permite que se aumente a exatidão das
previsões.

As previsões de vendas e o planejamento da demanda não são apenas estimativas

sobre qual será a demanda no futuro, e implica também nas ações necessárias para
influenciar a demanda e fazê-la acontecer (PALMATIER e CRUM, 2003). É importante
porque (CORREA, GIANESI e CAON, 1997):

 Poucas empresas são tão flexíveis que possam, de forma eficiente, alterar de forma
substancial seus volumes de produção ou a combinação de produtos produzidos de

12
 um período para outro, de forma a atender as variações de demanda,
principalmente no curto prazo;
 Para muitas empresas, principalmente aquelas multi divisionais, parte da demanda
não vem do ambiente externo, mas de outras divisões ou de subsidiárias, o que
permite esforços de administração desta demanda;
 Empresas que têm relações de parcerias com seus clientes podem negociar
quantidade e momento da demanda por eles gerada, de modo a melhor adaptá-la a
suas possibilidades de produção;
 A demanda de muitas empresas, principalmente as que produzem produtos de
consumo, pode ser criada ou modificada, tanto em termos de quantidade como de
momento, através de atividades de marketing, promoções, propaganda, esforço de
venda, entre outros. Mesmo empresas que produzem outros tipos de produtos, que
não de consumo, podem exercer influência sobre a demanda através de esforço de
venda, através de sistemas indutores de comportamento de seus vendedores e
representantes comerciais (sistemas de cotas e comissões variáveis, por exemplo).

Resumidamente, têm-se que os objetivos da previsão e planejamento da

demanda são:

 Um único e consensual plano global de demanda para direcionar as atividades de

manufatura, suprimentos e distribuição;
 Monitoramento contínuo e acompanhamento das mudanças para garantir que o
Plano de Demanda é corrente e dinâmico;
 Foco nos requerimentos dos clientes chave assim como nos planos totais por
produtos.

O resultado é um serviço ao cliente melhor e a redução de ordens atrasadas, além

da redução dos investimentos em inventário. Adicionalmente, o planejamento bem
sucedido da demanda resulta nestas circunstâncias favoráveis:

13
  As necessidades dos clientes são mais visíveis;
 Um conjunto de números direciona a manufatura;
 Papéis e responsabilidades mais claros e melhores definidos;
 Confiança e Trabalho em equipe é desenvolvido;
 Melhoria de Produtividade;
 Aumento de Vendas.

A gestão da demanda inclui atividades em cinco áreas principais (CORREA,

GIANESI e CAON, 1997):

 Habilidade para prever a demanda: é muito importante que a empresa saiba utilizar
todas as ferramentas disponíveis para conseguir antecipar a demanda futura com
alguma precisão. Pode ser necessário formar e manter uma base de dados
históricos de vendas, assim como informações que expliquem suas variações e
comportamento no passado; utilizar modelos matemáticos adequados que ajudem a
explicar o comportamento da demanda; compreender como os fatores ou variáveis
internas (promoções, etc.) e externas (clima, condições econômicas, etc.)
influenciam o comportamento da demanda; coletar informações relevantes do
mercado e ser capaz de derivar daí uma estimativa da demanda futura;
 Canal de comunicação com o mercado: normalmente as pessoas que mantém
contato com os clientes (vendedores e representantes de vendas) estão preocupadas
somente em vender, desprezando uma função extremamente importante: a de trazer
informações dos clientes e do mercado para a empresa, numa base continua e
permanente. De fato, não se pode censurá-las, já que poucas empresas colocam
explicitamente nas suas atribuições essas funções, ou vinculam o desempenho
nesta atividade a algum sistema de remuneração ou reconhecimento. Enquanto o
trabalho de previsão estiver sendo feito apenas com base em dados históricos ou
contando com o apoio apenas do pessoal que mantém pouco ou nenhum contato

14
 com o mercado, a empresa estará desperdiçando uma fonte inestimável de
informações;
 Poder de influência sobre a demanda: além de tentar prever o comportamento da
demanda, é fundamental que a empresa procure influenciá-lo. Esta influência pode
se dar não só sobre a demanda já manifesta, negociando o parcelamento da entrega
com os clientes, por exemplo, como também sobre a demanda que ainda vai
acontecer, incentivando vendedores e representantes de vendas a oferecerem ao
mercado uma determinada combinação de produtos que melhor ocupe a
capacidade instalada e disponível, ou ainda através de promoção e propaganda. Em
qualquer circunstância é importante que as ações praticadas pela empresa para
influenciar sua demanda sejam conhecidas e levadas em conta na previsão de
vendas futuras. Apesar de óbvia, nem sempre esta preocupação está presente,
fazendo com que as previsões incorporem incertezas geradas pelo
desconhecimento que os responsáveis pelas previsões têm das ações da área
comercial;
 Habilidade de prometer prazo: importante para garantir desempenho em
confiabilidade de entregas, a atividade de promessa de prazo também é de
responsabilidade de quem faz a gestão da demanda;
 Habilidade de priorização e alocação: o objetivo do planejamento é criar condições
para que a empresa consiga atender toda a demanda dos clientes. Contudo, se
ocorre de não haver produtos suficientes ou se os recursos e materiais necessários
não estão disponíveis, é preciso decidir quais os clientes serão atendidos total ou
parcialmente e quais terão que esperar.

15
 2.4 Técnicas de Previsão de demanda

Segundo Fildes et al (2009) e Lawrence (2006) A previsão de demanda é um

aspecto crucial do processo de planejamento nas empresa. A correta abordagem para a
previsão de demanda das empresas envolve a utilização de um sistema informatizado de
previsão ou um software estatistico cada vez mais acessivel (WRIGHT et al, 1996) para
produzir previsões iniciais e o posterior julgamento e ajuste destas previsões pelos
planejadores da empresa, e para ter em conta circunstâncias excepcionais esperadas ao
longo do horizonte de planejamento a ostensiva revisão dessas previsões, envolvendo
gestão de esforços e tempo com o intuito de melhorar a precisão. Sendo essencial para
tomada de decisão sobre investimentos respondendo a questões estratégicas como quanto
e como investir (LAWRENCE et al, 2006).

Davis et al (2003) dividiu os métodos de previsão de demanda em três categorias,

qualitativas, quantitativas e causais, outras publicações unem os dois últimos, o autor
deste trabalho irá apresentar rapidamente as três categorias, e na metodologia aprofundar
um pouco mais os modelos quantitativos unidos com os causais e qualitativos para a
previsão. Os métodos de previsão quantitativos utilizam séries históricas para estabelecer
uma relação de nível e tendência com o que será projetado no futuro, e os métodos
qualitativos de tendência usam as experiências e julgamentos para estabelecer as
previsões futuras, já os causais tentam compreender o sistema que envolve o item a ser
previsto. Na figura 3 são apresentados alguns dos modelos.

16
Figura 3 – Modelos de previsão de demanda (Adaptado de Davis 2003).

2.4.1 Modelo Qualitativo

Segundo Slack et al (2008, 2009) e Davis et al (2003) os modelos qualitativos são,

essencialmente, subjetivos ou opinativos, ou seja, baseados em intuição, em estimativas e
em opiniões. Estes modelos podem ser apropriados quando não existem dados históricos a
serem analisados como base para a previsão. Geralmente dependem de profissionais e
especialistas com larga experiência de mercado. As técnicas de previsão por meio de
dados qualitativos se baseiam no julgamento de dados subjetivos. Métodos qualitativos
costumam apresentar um baixo grau de precisão, sendo, mesmo assim, os mais utilizados
por empresas, apesar da difusão dos métodos quantitativos impulsionada pelo avanço na
capacidade de processamento e armazenamento de dados computacionais. A extensa
utilização de métodos qualitativos parece estar relacionada ao fato das previsões por eles

17
geradas corresponderem às metas de demanda estabelecidas pelas empresas (PELEGRINI
2001). Na sequência será apresentado alguns métodos qualitativos:

2.4.1.1 O método de Pesquisa de Mercado

Demonstra como coletar dados de várias maneiras (levantamentos, entrevistas,

etc.) para testar hipóteses sobre o mercado. È tipicamente utilizada para realizar previsões
de longo prazo e para a venda de novos produtos (DAVIS, 2003).

2.4.1.2 O método de Analogia Histórica

Relacionada com a previsão de demanda de um produto similar. É importante no

planejamento de novos produtos, no qual uma previsão é derivada da trajetória de um
produto similar existente (DAVIS, 2003).

2.4.1.3 O método Delphi

A técnica Delphi foi criado na Rand Corporation em Santa Mónica, California,

onde em 1966 o pesquisador Helmer da Rand publicou o relatório “The use of Delphi
technique in problems of educational innovations”. De acordo com Helmer (1966) o
objetivo do método era apresentar o estudo do futuro em áreas específicas. Tendo sua
origem na pesquisa para defesa militar em plena guerra fria. O método Delphi (pronuncia-
se délfi) é baseado no principio de que estimativas de um grupo estruturado de
especialistas são mais precisas do que as estimativas derivadas de um grupo informal ou
de indivíduos isolados (OLIVEIRA 2008). Constitui de rodadas sistemáticas e interativas
de estimativa envolvendo um grupo de especialistas que respondem a um questionário.
Um mediador reúne os resultados e fórmula um novo questionário, o qual é apresentado
ao mesmo grupo (DAVIS 2003). Após cada ciclo, o mediador provê um sumário anônimo
das estimativas de cada especialista no ciclo, bem como as razões sobre as quais cada um
baseou sua estimativa. Os especialistas são então encorajados a revisar suas estimativas
anteriores com base nas opiniões dos demais participantes. Busca-se durante este processo
que ocorra uma convergência das estimativas. Finalmente, o processo é encerrado com
18
base em um critério predefinido de finalização (ou seja, um número de ciclos ou de
atingimento do consenso, ou estabilidade de resultados) quando a média ou mediana do
ciclo final estabelece o resultado final. Baseia-se portanto em quatro pilares: O
Anonimato, o uso de especialistas, a aplicação de rodadas interativas e com feedback, e a
busca por consenso (OLIVEIRA, 2008 apud SÁFADI, 2001).

2.4.2 Modelos Causais

Segundo Davis (2003) este tipo de modelagem tenta compreender o sistema que
envolve o item a ser previsto Por exemplo, a vendas podem ser afetadas pela propaganda,
pela qualidade, pela concorrência, por uma política promocional, por uma retração do
mercado, por um mal planejamento do estoque de matérias primas.

2.4.2.1Analise de Regressão

Semelhante ao método dos mínimos quadrados das séries temporais, mas pode
apresentar múltiplas variáveis. O fundamental é que a previsão é causada pela ocorrência
de outros eventos.

2.4.2.2Modelo de Entrada/Saída

Enfoca as vendas de cada indústria para outras empresas e governos. Indica as

mudanças nas vendas que uma indústria de produção pode esperar devido a mudanças de
demanda de outra indústria.

2.4.2.3Principais Indicadores

Estatísticas que se movem na mesma direção das sérias previstas mas se alteram
após as séries, como quando um aumento no preço do combustível indica um declínio
futuro nas vendas de carros grandes.

2.4.3 Modelos Quantitativos

19
 O uso de técnicas de previsão quantitativos juntamente com os outros já estudados,
nas organizações tem sido um tema de interesse na literatura. Tem sido estudado por
exemplo para o planejamento da cadeia de suprimentos (FILDES et al, 2009 e
ASIMAKOPOULOS et al, 2011), a estimativa do tamanho do mercado versus
planejamento financeiro, tipo de indústria de consumo, por exemplo, contra bens
industriais, tamanho da empresa pequenas versus grandes (SANDERS 2001), horizonte
de tempo, curto versus longo prazo (FILDES E HASTINGS, 1994), a previsão de nível, o
tipo de mercado dos países desenvolvidos versus o Terceiro Mundo
(DIAMANTOPOULOS 2003). Na sequência será apresentado alguns dos modelos de
previsão de demanda dentre eles: Média Movel Simples; Média Móvel Ponderada; Média
Ponderada Exponencial; Média Ponderada Exponencial com efeitos tendenciosos;
Regressão Linear; Regressão Linear com Sazonalidade; Método de Winter; Exponencial
Dupla; Redes Neurais, além de um tópico expecífico para as medição e
acompanhamentos de erros.

Figura 4. Demanda histórica mensal de um produto consistindo de um crescimento com tendência, fator
cíclico e demanda sazonal (Davis 2003)

20
Figura 5. Tipos básicos de tendências (Davis 2003)

2.4.3.1Método da média móvel

O desenvolvimento dos métodos 2.4.3.1 ao 2.4.3.7 encontram-se no livro de

Chopra & Meindl, (2004).
Utiliza-se o modelo de média móvel quando a demanda não apresenta tendência ou
sazonalidade. Nessa situação, aplica-se a seguinte equação:

Componente sistemático de demanda = nível

Nesse modelo, estima-se o nível no período t pela média da demanda durante os

períodos N mais recentes. Isso representa uma média móvel para o período N. Assim,
tem-se o seguinte:

21
 (2.1) Lt  Dt  Dt  1  ...  Dt  N  1 / N
Onde:

Dt = demanda no período t e Lt = nível do período t

A previsão atual para todos os períodos futuros é a mesma e baseia-se na

estimativa de nível atual. A previsão é formulada assim:

(2.2) Ft 1  Lt e Ft  N  Lt

Onde Ft + n é a previsão para os períodos futuros.

Após a observação da demanda para o período t + 1, revisa-se as estimativas da

seguinte maneira:

(2.3) Lt 1  Lt e Lt  1  Dt  1  Dt  ...  Dt  N  2 / N e Ft  2  Lt  1

Isso significa que para computar a nova média móvel, simplesmente adicionamos a
mais recente observação e descartamos a mais antiga. A média móvel revisada serve
como a próxima previsão.

2.4.3.2 Método da Regressão linear

A regressão linear é um método muito utilizado baseado nos mínimos quadrados,

sua formulação é simples é a base para as previsões iniciais dos demais métodos aqui
apresentados, trata-se da regressão linear de uma demanda D em um período t:

(2.4) Dt = at + b

22
 A formulação é:

Nível  b 
 t  Dt   tDt  t
2

n t   t 
(2.5) 2 2

n tDt    t  Dt
(2.6) Tendência  a 
n t 2   t 
2

E a previsão no período t se torna:

(2.7) Ft  a * t  b

2.4.3.3 Regressão Linear Corrigida

A regressão linear corrigida, serve para se aproximar de sazonalidades. Nada mais

é que um fator de sazonalidade no período de tempo t que multiplica a regressão linear
simples.
(2.8) Ft =( at + b)*Fator Sazonal do período.

O Fator sazonal é a média da porcentagem de variação da soma da demanda pela

previsão no período. Ex.: Se a sazonalidade se repete a cada 12 meses e se a série
histórica é de 36 meses. Deve-se dividir a Demanda Real Dt observada do mês 1 pelo
valor da regressão linear Ft no mês1, somar todos esses valores do mês 1. E após isso
fazer à média.
T = repetição da sazonalidade dentro da série histórica;
=Período 1 de n períodos possíveis dentro do período sazonal;

(2.9)

23
 Assim, para cada período da regressão linear, se tem um ajuste médio sazonal.

2.4.3.4Método da suavização exponencial simples

O modelo de suavização exponencial simples é adequado quando a demanda não

apresenta tendência ou sazonalidade. Nesse caso, aplica-se a seguinte equação:

Componente sistemático de demanda = nível

A estimativa inicial de nível L0, e feita com a média de todos os dados históricos
porque supôs-se que a demanda não apresentasse tendência ou sazonalidade. Dadas as
informações sobre demanda para os períodos 1 a n, obtém o seguinte:

A previsão atual para todos os períodos futuros é igual à estimativa atual do nível e
é dada dessa maneira:

(2.10) Ft + 1 = Lt e Ft + n = Lt

Após a observação da demanda, Dt + 1, para o período t + 1, revisa-se a estimativa

do nível assim:

(2.11) Lt + 1 = α Dt + 1 + (1 – α) Lt

Onde α é uma constante de suavização para o nível, 0 < α < 1. O valor revisado do
nível é a média ponderada entre o valor observado do nível (Dt + 1) no período t + 1 e a
antiga estimativa do nível (Lt) no período de t. Utilizando a equação acima, podemos
expressar o nível em um determinado período como uma função entre a demanda atual e
o nível no período anterior. Pode-se assim reescrever a equação acima como vê-se a
seguir:
24
 (2.12)

A estimativa atual do nível é a média ponderada de todas as observações anteriores

de demanda, com observações recentes com peso maior que as antigas observações. Um
valor mais alto de α corresponde a uma previsão mais responsiva a observações recentes,
ao passo que um valor mais baixo de α representa uma previsão mais estável e menos
responsiva a observações recentes.

2.4.3.5Método da suavização exponencial dupla de Holt.

Este modelo é adequado quando a demanda possui um nível e uma tendência no

componente sistemático, mas não apresenta sazonalidade. Nesse caso, tem-se o seguinte:

Componente sistemático da demanda = nível + tendência

Obtemos uma estimativa inicial de nível e tendência executando a regressão linear

entre a demanda D e o período de tempo t da seguinte maneira:

(2.13) Dt = at + b

Nesse caso, a execução da regressão linear entre demanda e períodos de tempo é

aconselhável porque supomos que a demanda possui uma tendência, mas não apresenta
sazonalidade. A relação fundamental entre a demanda e tempo é assim: A constante b
mede a estimativa de demanda no período t = 0, e é uma estimativa de nível inicial L0. A
inclinação ‘a’ mede a taxa de mudança na demanda por período e é a estimativa inicial de
tendência T0.
No período t, dadas as estimativas de nível L e de tendência T, a previsão para os
períodos futuros é expressa assim:
25
 (2.14) Ft + 1 = Lt + Tt e Ft + n = Lt + nTt

Após a observação da demanda para o período t, revisamos as estimativas de nível

e de tendência dessa maneira:

(2.15) Lt + 1 = α Dt + 1 + (1 – α) (Lt + Tt)

(2.16) Tt + 1 = β (Lt + 1 – Lt) + (1 – β) Tt

Onde, α é a constante de suavização para o nível, 0 < α < 1, e β é a constante de

suavização para a tendência, 0 < β < 1. Observe que em cada uma das atualizações, a
estimativa revisada (de nível e de tendência) é a média ponderada entre o valor observado
e a antiga estimativa.

2.4.3.6 Método de Holt Winter

É utilizado quando há sazonalidade na demanda. Considera variações relacionadas

a tendência e a sazonalidade.

De maneira análoga ao método da exponencial dupla de hotel, podemos obter uma

estimativa inicial ou de base através da regressão linear entre a demanda D e o período de
tempo t da seguinte maneira:

(2.17) Dt = at + b

Relembrando:
S = Valor da base no instante T;
L = o número de períodos em que a sazonalidade se repete (por exemplo, L será 12
se a previsão for mensal e a sazonalidade anual);
It = Índice de sazonalidade;
26
 bt = Índice da tendência;
Yt = Valor da série no instante t se o instante t for passado, então o valor de Y é
um valor já observado, ou seja, um valor realizado. Se o instante t for futuro
então o valor de Y é uma previsão.
m = períodos de previsão ou tamanho do período

(2.18)

(2.19)

(2.20)

(2.21)

α é a constante de suavização para o nível, 0 < α < 1, e β é a constante de

suavização para a tendência, 0 < β < 1. E é a constante de suavização para a
sazonalidade.
É desaconselhável utilizar α com valores próximos de 1, pois a previsão pode-se
tornar reativa, ou seja, toda a variação da demanda acaba incorporada a previsão (DIAS
1998).

2.4.3.7Medidas de erro das previsões

Os gerentes devem fazer análises completas dos erros em uma previsão por dois
motivos:
1. Os gerentes podem utilizar as análises de erros para determinar se o modelo de
previsão adotado está prevendo detalhadamente o componente sistemático da demanda.
2. Os gerentes estimam o erro da previsão porque qualquer plano de contingência
deve ser responsável por tal erro.

27
 Se a empresa observa um erro que está muito além das estimativas históricas, essa
descoberta pode indicar que o modelo de previsão adotado deixou de ser adequado. Se
todas as previsões da empresa costumam superestimar ou subestimar a demanda, isso
também pode ser um sinal de que a empresa deve alterar seu modelo de previsão.
Conforme definido anteriormente, o erro de previsão para o período t é dado por
Et, e expressa-se assim:

(2.22) Et = Ft – Dt

Isso significa que o erro no período t é a diferença entre a previsão para o período t
e a demanda real no período t. É importante que o gerente estime um erro de uma
previsão feita com uma antecedência equivalente ao lead time exigido de maneira que ele
possa tomar qualquer decisão para a qual a previsão foi designada. Por exemplo, se a
previsão vai ser usada para determinar o tamanho de um pedido e se o lead time de
fornecedor é de seis meses, o gerente deve estimar o erro para uma previsão feita seis
meses antes que a demanda surja. Em uma situação com um lead time de seis meses, não
há razão para estimar erros para uma revisão feita com um mês de antecedência.

Uma das medidas de erro de previsão é o erro quadrático médio (EQM), para o
qual se aplica o seguinte:

(2.23)

O EQM estima a variação do erro de previsão.

Definição do desvio absoluto no período t, At, como sendo o valor absoluto do erro
no período t, ou seja, o seguinte:

28
 (2.24) At = |Et|

Definimos desvio absoluto médio (DAM) como sendo a média do desvio absoluto
em todos os períodos, expressa dessa maneira:

(2.25)

O DAM pode ser usado para estimar o desvio-padrão do componente aleatório,

supondo que o componente aleatório seja distribuído normalmente. Nesse caso, o desvio-
padrão do componente aleatório é:

(2.26) σ = 1,25 DAM

Estimamos a partir daí que a média do componente aleatório e 0 e que o desvio-

padrão do componente aleatório da demanda é σ.

O erro absoluto médio percentual (EAMP) é o erro absoluto médio como

porcentagem de demanda e se expressa assim:

(2.27)

Para determinar se o modelo de previsão consistentemente superestima ou

subestima a demanda, pode-se utilizar a soma dos erros de previsão para avaliar o viés da
previsão, resumindo assim:

(2.28)

29
 O viés da previsão (VP) oscilará em torno de 0 se o erro for verdadeiramente
aleatório e não enviesado de uma forma ou de outra. O ideal é que, se plotar todos os
erros, a inclinação da reta seja 0.

A razão de viés (TS) é a razão entre o viés da previsão e o DAM e é formulada da

seguinte maneira:

(2.29)

Se o TS em qualquer período estiver fora da faixa ± 6, isso significa que a previsão

está enviesada e que pode estar sub (razão de viés abaixo de - 6) ou superestimada (razão
de viés acima de + 6). Nesse caso, a empresa deve optar pela escolha de um novo modelo
de previsão.

2.4.4 A utilização de técnicas subjetivas no fechamento do modelo quantitativo

Gerentes necessitam de previsões para tomar diversos tipos de decisões como a

expansão de uma planta, o desenvolvimento de novos produtos, ou mesmo para mudança
do currículo de um curso. Esse tipo de decisão requer previsões de longo prazo, mais
agregadas como vendas anuais, tendências de mercado. "Virtualmente todas as atividades
são baseadas em previsões, desde as atividades de vendas até os fornecedores"
(BRANDER, 1995 apud DIAS,1998).

Tomadas em conjunto, a evidência empírica mostra que as técnicas subjetivas são

populares para todos os tipos de situações de previsão (isto é, em todos os horizontes
temporais e os níveis de previsão). As empresas maiores são mais propensas a recorrer a
técnicas estatísticas que as pequenas empresas (SANDERS e MANRODT, 1994),
enquanto o uso de técnicas de previsão de julgamento é mais difundido entre os gestores
com maior experiência de trabalho. Há evidências substanciais da literatura de que
30
previsões estatísticas econômicas podem ser mais exatas, quando os especialistas a
ajustam, tendo em conta os efeitos de eventos especiais e as alterações que não foram
incorporados ao modelo estatístico. No entanto, poucos estudos têm investigado o ajuste
de julgamento no âmbito das previsões da empresa. As exceções de alguns estudos, todos
baseados na mesma empresa, por Diamantopoulos (2003). Estas mostraram que os ajustes
de julgamento tendem a melhorar a precisão, embora às vezes só marginal, mas que eles
também podem introduzir viés.

Para as previsões agregadas são utilizadas relações causais e ferramentas

estatísticas, como regressão e correlação. Os julgamentos gerenciais também são
amplamente utilizados nesses casos. Pois não se deve imaginar que apenas o passado será
um bom referencial para as previsões. Há situações em que o passado não existe ou não
está disponível e de novos variáveis podem interferir na previsão como a entrada de novos
concorrentes no mercado, promoções, mudanças na legislação, avanços tecnológicos, etc.
Hoje, esse tipo de ruptura entre o padrão passado e o presente é bastante importante
devido a grande velocidade com que as mudanças têm ocorrido. Isso torna necessária uma
revisão gerencial das previsões que agregue informações sobre mudanças no
comportamento da demanda.

2.5 Programação Linear e Não Linear na Tomada de Decisão

A programação linear já é amplamente utilizada na pesquisa operacional, em

programas na solução de problemas para operadores logísticos, como roteirização, na
otimização de sistemas, problemas de localização, de carteira de investimento, de
alocação de pessoas, previsão e planejamento, alocação de verbas e mídia. Lachtermacher
(2009) nos mostra que o Management Sciences (MS) é uma área de estudos que utiliza
computadores, estatísticas e matemática para a solução de problemas de negócios. Sendo
uma importante ferramenta na tomada de decisão. A tomada de decisão será definida na
sequência.
31
 2.5.1 Tomada de Decisão.

Segundo Lachtermacher (2009), podemos entender a tomada de decisão como o

processo de identificação de um problema ou de uma oportunidade e a seleção de uma
linha de ação para resolvê-lo. Um problema ocorre quando o estado atual de uma situação
é diferente do desejado. Já uma oportunidade ocorre quando as circunstâncias oferecem a
chance de um individuo ou de uma organização ultrapassar ou alterar seus objetivos ou
metas.

De acordo com o autor Pupulin (2008) diversos fatores afetam a tomada de decisão
tais como:

 Tempo disponível;
 Importância da decisão;
 Ambiente de decisão;
 Certeza/incerteza e risco da decisão;
 Agentes decisores;
 Conflito de interesses.

O processo de tomada de decisão segundo Angeloni (2003) tem como subsídios

essenciais o dado, a informação e o conhecimento, definindo dado como um elemento
bruto, sem significado e desvinculado da realidade, já a informação consiste em um dado
dotado de significado, apresentando assim relevância e propósito; o conhecimento por fim
é considerado como a informação processada pelo indivíduo, ou seja, convertida em um
conjunto de ações a serem implementadas.

Assim, quando os gerentes se veem em uma situação na qual uma decisão deve se
tomada entre uma série de alternativas conflitantes e concorrentes, duas opções básicas se
apresentam: (1) usar apenas a intuição gerencial; e (2) realizar um processo de
modelagem da situação e exaustivas simulações dos mais diversos cenários de maneira a
estudar mais profundamente o problema (LACHTERMACHER 2009). A intuição dos
32
especialistas para decidir depende de habilidade e experiência e é de extrema importância
quando se tem pouco tempo. Segundo Welch (2005) depende também da qualidade
chamada estofo, na qual o líder, com base na sua experiência e das informações que
foram possíveis colher consegue prever o desenrolar dos fatos e tomar uma decisão rápida
e na maioria dos casos assertiva. Essa opção na tomada de decisão tem o viés dos dados,
informações e conhecimentos estarem dispersos, fragmentados e armazenados na mente
dos especialistas (ANGELONI, 2003).

Quando se há tempo hábil, e perante a dificuldade em identificar e organizar os

dados encontrados no ambiente de decisão atual Lachtermacher (2009) sugere a
construção de modelos computacionais como uma alternativa em situações na qual estão
presentes propostas conflitantes e concorrentes, nas quais a opção usual seria somente o
uso de um modelo mental preexistente do especialista. Assim o mesmo autor recomenda a
utilização das duas opções conjuntamente para melhorar ainda mais o processo de tomada
de decisão, como mostrado na figura 6. Por modelos computacionais entende-se um
conjunto de relações matemáticas e hipóteses lógicas, implantadas em um computador de
tal forma a representar um problema real de tomada de decisão (PUPULIN, 2008).

Figura 6 – Processo de tomada de decisão (LACHTERMARCHER 2009).

33
 2.5.2 A Programação Linear

Segundo Pupulin (2008) a programação linear nada mais é que um aprimoramento

de uma técnica de resolução de sistema de equações lineares via inversões sucessivas de
matrizes, com a vantagem de incorporar uma equação linear adicional representativa de
um dado comportamento que deva ser otimizado.

Para a formulação do problema, segundo o autor, existem alguns passos básicos,

como:

a) Deve ser definido o objetivo básico do problema – que a princípio deve ser único
– com respeito a otimização a ser perseguida. Por exemplo: maximização do
lucro, ou de eficiência, ou de bem-estar social; minimização de custos, ou de
tempos, ou de perdas, e assim por diante. Tal objetivo será assim representado
por uma função objetivo, a ser maximizada ou minimizada;
b) Para que essa função objetivo possa ser matematicamente especificada, as
alternativas possíveis para a ocorrência de tal otimização – as chamadas variáveis
de decisão envolvidas – deverão ser definidas. Por exemplo, os tipos de cultura
e/ou área a serem explorados; as classes de investimento à disposição de um
tomador de decisão, alocação de hora-máquina, etc. Normalmente, convenciona-
se que todas essas variáveis possam assumir somente valores positivos;
c) Tais variáveis podem estar sujeitas a uma série de limitações – também
conhecidas restrições do problema -, normalmente representadas por inequações.
Por exemplo, limitações referentes à área total disponível, às exigências
nutricionais para determinado rebanho, à disponibilidade de capital e mão-de-
obra, etc (PUPULIN 2008).

2.5.2.1O processo de modelagem

Durante o processo de decisão sempre existe a situação onde uma decisão deve ser
tomada entre uma série de alternativas conflitantes e concorrentes. Nesse caso, duas

34
opções básicas se apresentam, que seria utilizar a intuição gerencial ou realizar um
processo de modelagem da situação e realizar exaustivas simulações dos mais diversos
cenários de maneira a estudar mais profundamente o problema (PUPULIN, 2008).

A primeira opção até recentemente se constituía uma única alternativa viável pois
os dados e informações muitas vezes não eram confiáveis ou muitas vezes não existiam e
também não havia poder computacional para equacionar os problemas. Com o surgimento
dos microcomputadores e com o aprimoramento da tecnologia de banco de dados, esta
deixou de ser a única opção para os tomadores de decisão. Um número cada vez maior de
empresas e tomadores de decisão começaram a optar pela segunda opção que seria a
elaboração de modelos para auxiliar o processo devido principalmente a complexidade
dos fatores envolvidos e o grande número de variáveis (PUPULIN 2008).

Segundo (LACHTERMARKER, 2009) a realidade, atualmente, o que está

ocorrendo é o inverso do que ocorreu 20 anos atrás. A maioria dos tomadores de decisão
está tomando a segunda maneira de agir devido a dois fatores principalmente:

 Excesso de informações disponíveis. Com a internet, o problema é o contrário do

que acontecia anteriormente, a quantidades de informação é tão grande que é
necessário filtrar as informações necessárias e relevantes de maneira a modelar a
situação para poder analisá-la.
 Muitos gerentes acabam tomando suas decisões sempre com base nos dados e
respostas de modelos e deixam de utilizar a sua intuição e esta base de
conhecimentos intrínseca aos tomadores de decisão acaba sendo desperdiçada.

Portanto, é importante utilizar um modelo para equacionar todas as variáveis e

restrições de um problema, desde que o conhecimento do gerente do processo ou tomador
de decisão na oportunidade sirva para a geração de cenários e análise das soluções
encontradas.

2.5.2.2Processo de Resolução de um Problema

35
 O processo de resolução de um problema apresenta cinco etapas consecutivas que
podem, entretanto, se repetir dependendo da situação. Cada uma das etapas é essencial
para o processo.

A primeira etapa é a etapa de identificação do problema. Apesar de parecer uma

etapa simples, esta é fundamental, pois uma definição inadequada do problema não levará
a resposta alguma do modelo ou a conduzirá a uma solução que não seja contundente ou
ótima com a realidade em questão.

A segunda etapa é a formulação dos modelos. A formulação do modelo consiste na

seleção dos dados relevantes e necessários obtidos na identificação do problema e
montagem do problema em si. A segunda etapa representa uma visão de quem modela o
problema que representa a realidade.

A terceira etapa é a análise de cenários. Nesta etapa é de vital importância que o

usuário operador do software ou modelo de programação tenha experiência e
conhecimento prévio sobre o problema para poder gerar cenários que sejam contundentes
e que reflitam a realidade no intuito da resolução do problema. O modelo normalmente
considera dados passados e presentes para analisar e decidir sobre situações futuras,
portanto associadas a incertezas. A geração de cenários procura identificar caminhos
frente a esta incerteza.

A quarta etapa é a interpretação de resultados. Nesta etapa, os decisores analisam

os resultados das iterações feitas e julgam a decisão correta ou conveniente.

A última etapa é a implementação e monitoração. Geralmente as variáveis dos

problemas apresentam mutabilidade e sempre existe a necessidade de rever as variáveis,
restrições e gerar novos cenários para acompanhamento da situação.
(LACHTERMACHER, 2009).

36
Figura 7 – Processo de resolução de um problema ( Lanchtermacher, 2009),

Uma situação problemática em um cenário real apresenta variáveis que se

transformam e precisam ser avaliadas rotineiramente. Assim, é necessário adequar as
variáveis e restrições no intuito de manter a solução do problema sempre contundente
com a realidade. Seria um processo de feedback que está representado pelas setas que
retornam aos processos antecessores representados acima.

2.5.2.3Fundamentos da programação linear e não linear

A programação linear foi estabelecida em termos matemáticos por G. B. Dantzig

em 1947 para ajudar a resolver problemas de logística da Força Aérea Americana.
37
Posteriormente, para generalizar os procedimentos de solução aplicada a grande número
de variáveis e restrições, pode-se utilizar o Método Simplex (ANGELONI 2003). Este
método trata de um procedimento algébrico que pode fornecer uma solução factível para
um problema de Programação Linear, caso contrario o problema possui solução não
factível pelo método ou infinitas soluções.

A difusão da técnica de Programação Linear foi bastante rápida, principalmente

com o advento do computador. O uso da PL permitiu alcançar um considerável aumento
na eficiência dos recursos dos processos de produção. Sem dúvida, é a técnica de
otimização mais empregada na indústria, no comércio, na agricultura e no setor público,
chegando a render um prêmio Nobel na área de Economia, em 1975, na resolução de um
problema econômico de alocação de recursos (PUPULIN, 2008).

Segundo Reis (2010) a otimização é uma importante área da matemática aplicada

cujos resultados são largamente utilizados na ciência de tomadas de decisão e na análise
de sistemas físicos. Para usa-la, devemos primeiro identificar alguma funções que
represente o desempenho sob estudo. Tal função pode ser o lucro, tempo, energia
potencial, e a meta é encontrar valores das variáveis que otimizam o valor desta função
objetivo. Frequentemente as variáveis devem satisfazer algumas condições, denominadas
restrições. Por exemplo, quantidades tais como densidade de elétrons de uma molécula ou
as taxa de juros de um empréstimo não podem ser negativas.

O processo de identificar o objetivo, variáveis e restrições para um dado problema

é conhecido como modelagem. Construir um modelo apropriado é o primeiro passo
algumas vezes o mais importante no processo de otimização. Se o modelo for muito
simples, pode não representar o problema original, mas se for muito complexo, pode se
tornar muito difícil, ou mesmo impossível numericamente, de resolver (REIS, 2010).

38
 Lachtermacher (2009) assim descreve um problema de programação linear:

Otimizar: z= f(x1,x2, ... , xn)

Sujeito a: g1(x1, x2, ... , xn) b1

g2(x1, x2, ... , xn) b2

gm(x1, x2, ... , xn) bm

Onde: f(x1, x2, ... , xn) = c1x1 + c2x2 + ... + cnxn

gi(x1, x2, ... , xn) = ai1x1 + ai2x2 + ... + ainxn, para i = 1, .... , m

Nesta descrição temos que z é a função objetivo a ter o seu valor otimizado (quer
por minimização ou maximização), g1 a gm representam as inequações das restrições, que
limitam assim a solução do problema, b1 a bm representam os valores das restrições, n
corresponde ao o número de variáveis de decisão (x1 a xn), m ao número de restrições do
problema, i ao índice de uma determinada restrição, os termos c1 a cn representam
coeficientes aplicados a cada uma das variáveis de decisão na função objetivo, já ai1 a ain
representam os coeficientes aplicados a cada uma das variáveis de decisão nas inequações
das restrições.

Já Reis (2010) descreve a modelagem do sistema em questão de maneira mais

generalista, de como que também seja possível a programação não linear.

N modelagem pode-se expressar as variáveis como um vetor e o objetivo

como uma função

39
 (2.30)

Onde é uma função cujas componentes Ci(x); i = 1 : : :m são funções

continuamente diferenciáveis e as componentes dos vetores l e u fornecem os limitantes
inferiores e superiores, respectivamente, as componentes de x. A solução de um
problema de otimização como o (2.30), também chamada de minimizador e o local se
para qualquer x pertencente a uma vizinhança de x contida no domínio de f
e global se , para qualquer x pertencente ao domínio de f. Para esse tipo de
problema podemos empregar métodos que trabalham exclusivamente com pontos que
pertencem a os serão chamados de pontos
viáveis. A preferência por métodos de pontos viáveis vem da necessidade de satisfazer
restrições que se referem, por exemplo, a alguma lei física que não pode ser violada, pois
uma solução inviável não faria sentido. Mas, dependendo da curvatura de C, fica
impraticável usar estratégias de pontos viáveis, pois a busca por um novo ponto viável
pode resultar em um passo pequeno, o que pode deixar o método muito lento (REIS,
2010).

Temos como exemplo de métodos viáveis o método de pontos interiores e o

método Simplex usados para problemas de otimização linear e o método de restrições
ativas para problemas com restrições lineares. Existem métodos que trabalham com
pontos não necessariamente viáveis, como os de Penalização, Lagrangiano Aumentado e
Programação Quadrática Sequencial (NOCEDAL, 1999 apud REIS, 2010).

Segundo Reis (2010) problemas de otimização não linear são frequentemente

abordados com métodos que utilizam somente pontos viáveis. O motivo é que para
aplicações práticas é mais interessante determinar soluções viáveis não ótimas, que
satisfaçam restrições que modelam limites inerentes ao problema, tais como: massa e
40
tempo positivos, conservação de energia, a soma de diferentes investimentos de um
portfólio menor ou igual a um determinado capital inicial, ou ainda um limite inferior e
superior para produção de uma indústria, e que portanto são uteis em aplicações da
engenharia, física, química, finanças e outras áreas. Uma solução que se aproxime mais
da solução ótima, mas que não seja viável, pode perder seu significado e portanto a sua
utilidade. Não é de importância para este estudo descrever detalhadamente os métodos de
otimização, lineares quanto não lineares e sim descrever como modelar o sistema de
modo a poder empregar um software de otimização não linear.

A modelagem que buscamos será a minimização do desvio absoluto médio

(DAM), otimizando as variáveis de nível, tendência e sazonalidade. Conforme:

(2.31)

Sujeita as variáveis

α, β e γ das equações do modelo de Holt-Winter:

Sujeitas as restrições:

α, β, γ >0;

Basicamente as técnicas de otimização possuem uma estrutura bastante simples,

para representação do modelo. Seguem abaixo, alguns conceitos básicos empregados:

 Função objetivo (Fo): são funções analíticas das variáveis de decisão e parâmetros
que expressam o objetivo a ser alcançado.
 Variáveis de decisão: representam os aspectos do problema que podem ser
controlados.
 Conjunto de restrições: é o conjunto de equações ou inequações que devem ser
satisfeitas pelas condições do problema, representando as limitações dos recursos
41
 disponíveis ou exigências que devem ser controladas durante a resolução do
problema.
 Soluções factíveis: são aquelas que satisfazem o conjunto de restrições do
problema, delimitando a região onde todas as exigências são cumpridas.
 Solução ótima: é a que melhor satisfaz o conjunto de restrições, dentre as soluções
factíveis.

2.6 S&OP

Segundo Barbeiro (2008) o Planejamento de Vendas e Operações (do inglês S&OP

– Sales and Operations Planning) é o processo que confere à administração a habilidade
de direcionar seus negócios para atingir a vantagem competitiva de forma contínua,
através da integração dos planos de marketing focados nos clientes com a gestão da
cadeia de suprimentos, para produtos novos e já existentes. Este processo reúne todos os
planos do negócio (vendas, marketing, desenvolvimento, manufatura, compras e
financeiros) num único conjunto integrado de planos. É realizado ao menos uma vez por
mês e revisado pela administração num nível agregado (família de produtos). Deve
reconciliar os planos de suprimento, demanda e novos produtos tanto no nível detalhado
quanto no agregado e verificar sua aderência ao plano de negócio. É a elaboração
definitiva dos planos organizacionais para os períodos próximos e intermediários
cobrindo um horizonte suficiente para o planejamento de recursos e para suportar o
processo de planejamento de negócios. A condução apropriada do Planejamento de
Vendas e Operações conecta o plano estratégico de negócio com sua execução e revisão
de desempenho a fim de garantir a melhoria contínua (APICS Dictionary, 1995).

O desafio do Planejamento de Vendas e Operações é equilibrar demanda com

suprimento, a fim de evitar falta ou excesso de produtos. Segundo Ling e Goddard (1988),
S&OP é um processo através do qual, o gerente geral de um negócio ou empresa se reúne
42
com seus gerentes de forma regular e freqüente, para atualizar os planos dos
departamentos. Os planos consideram as projeções realizadas pelos departamentos de
marketing, os recursos disponíveis na manufatura, engenharia, compras e finanças e são
direcionados para atingir os objetivos da Companhia. Este processo é realizado num nível
agregado de produtos e cobre um período de tempo suficiente para assegurar que os
recursos necessários serão disponibilizados. Os planos agregados aprovados direcionam,
então, os planos detalhados de cada departamento. Cada mês, ou mais com maior
freqüência, se o mercado for muito volátil, os representantes se encontram novamente,
para verificar se os planos estão em andamento, para verificar o nível de realização dos
planos e para ajustá-los de acordo com as mudanças do mercado e da Companhia.

Deste modo, segundo Correa, Gianesi e Caon (1997), um dos principais objetivos
do S&OP é gerar planos de demanda, produção, financeiros e de introdução de novos
produtos que estejam alinhados uns com os outros e coerentes com os objetivos da
empresa. Sendo estes objetivos conseguidos através de um processo onde participam
elementos das principais áreas da empresa: gerência geral, vendas, operações, finanças,
desenvolvimento de produtos, etc.

É nesse nível de planejamento que as estratégias de manufatura (custos baixos,

velocidade de entrega, etc) devem ser colocadas, condicionando as decisões de
planejamento. Os níveis de estoque, a variação da carga de trabalho e a alocação de
recursos, entre outros, são definidos no nível do S&OP, considerando as prioridades
estratégicas. A partir destas definições, as de finições do S&OP são desagregadas nos
níveis inferiores de planejamento (MRP), ligando as decisões estratégicas de manufatura
com os planos operacionais(BARCEIRO 2008).

O S&OP é um processo que envolve tanto a média administração como o grupo de

executivos, sendo realizado em grupos agregados (famílias ou categorias de produtos) e
focando numa revisão de:

43
  Desempenho do passado recente: compara o desempenho real contra o
Plano de Demanda, de Produção, de Atendimento aos Clientes, de Inventário, do
registro dos pedidos pendentes ou atrasados e ressalta os desvios. Este controle de
desempenho aumenta a responsabilidade na realização dos planos;
 Perspectiva para o futuro: as previsões novas e atualizadas de demanda e os
planos de operações resultantes (planos de produção) são desenvolvidos,
modificados onde necessários, e aprovados.
 Os benefícios quantitativos do Planejamento de Vendas e Operações
incluem (WALLACE, 2005):
 Para empresas de produção para estoque: melhor nível de atendimento aos
clientes, e, ao mesmo tempo, inventário quase sempre menores;
 Para empresas de produção sob encomenda: melhor nível de cumprimento
de prazos e, prazos de entrega, quase sempre mais curtos;
 Ritmos de produção mais estável e redução de horas extras, com aumento de
produtividade;
 Redução de obsolescência;
 Redução de fretes especiais.

Um dos benefícios não quantitativos é a melhoria do trabalho em equipe, tanto no

nível executivo quanto no operacional principalmente pela visão holística que o processo
permite aos seus integrantes. Outro benefício é o aumento de controle sobre o negócio,
uma vez que as decisões são conhecidas por todos e operacionalizadas nos vários níveis
da organização. Um outro benefício não quantitativo é que o S&OP provê uma janela
para o futuro, e, portanto, um processo de decisão avançado, permitindo aos executivos e
gerentes a visão das alterações de demanda com uma antecedência maior do que era
possível no passado. Segundo o Aberdeen Group, que em 2004 que desenvolveu uma
tabela chamada S&OP.

44
 Competitive Framework (Inventory Management Report, 2004) , relacionando as
características que, combinadas, definem a efetividade e eficiência de uma estratégia de
S&OP , existem certos fatores comuns que ajudam as empresas a obterem maiores benef
ícios com a estratégia. São eles:

 Planejar e medir considerando os lucros e não somente o equilíbrio entre

demanda e suprimentos;
 Incluir os elementos de decisão internos e externos à empresa;
 Verificar e melhorar sistematicamente as premissas e o Processo S&OP em
face aos resultados;
 Dar poder às equipes S&OP de alterar os planos iniciais de Demanda
Suprimentos;
 Integrar sistemas de Inteligência de Negócio, de Suporte às Decisões e
sistemas transacionais;
 como parte da infra-estrutura do processo;
 Desenvolver planos de simulação e formulação de cenários alternativos.
 O S&OP Competitive Framework é apresentado na tabela 2.7: Quadro de
Competitividade S&OP.
 O próximo nível de execução de S&OP, que está sendo apontado por
especialistas envolve as seguintes capacidades (WALLACE, STAHL, 2005):
Simulações rápidas e abrangentes;
 Ligação direta e sem barreiras entre planos detalhados e agregados;
Integração financeira abrangente; Suporte ao Sarbanes-Oxley e outros requisitos
para fins de auditoria;
 Combinação de informações de diversas fontes para a tomada de decisões.

Os desafios mais freqüentes na implantação do Processo estão relacionados a

fatores internos, como estrutura organizacional não alinhada, restrições de recursos, falta
de suporte executivo ativo, falta de “benchmarks” competitivos credíveis (Inventory
45
Management Report, 2004) . As ações necessárias para a superação destas dificuldades
recaem em três categorias: diretiva executiva, colaboração com parceiros e suporte à
equipe multifuncional interna de implementação.

Um outro ponto a ser observado é que a implementação de um Processo S&OP

custa pouco (Wallace, 2000). Uma vez que envolve dezenas de pessoas (e não centenas)
numa empresa de porte médio, os custos de educação e treinamento são baixos.
Normalmente não exige uma equipe ou um gerente de projeto, em tempo integral. Além
disso, os custos computacionais são moderados.

2.7 A Cadeira de Suprimentos

A cadeia de suprimentos, e os seus níveis de atuação possíveis a uma empresa é

um dos pontos competitivos fundamentais no mundo globalizado, onde as distâncias
tendem a ser cada vez menores, do ponto de vista de tempo e custos. A integração dos
fornecedores das matérias primas, passando pelas indústrias de base, até as de
transformação, manufaturas até os distribuidores, chegando finalmente ao cliente ou tendo
outras etapas, garante o menor tempo de resposta, a melhor qualidade de serviço e
assegura a melhor margem. Portanto para uma empresa operar em uma economia de alto
nível, uma boa gestão das atividades logísticas é vital. Os mercados podem até ter
amplitude nacional ou internacional, enquanto que a produção pode estar concentrada em
alguns poucos pontos. As atividades logísticas fornecem a ponte entre o local de produção
e os mercados que estão separados pelo tempo e pela distância. Sendo a logística
empresarial um campo de estudo relativamente novo da gestão integrada. A novidade no
campo da movimentação e armazenagem resulta do conceito de gerenciamento
coordenado das atividades relacionadas, ao contrário da prática história de coordená-las
separadamente, e do conceito de que a logística adiciona valor aos produtos ou aos

46
serviços que são essenciais para as vendas e a satisfação das necessidades dos clientes
(Ballou, 2004).

A grande maioria das cadeias de suprimento são projetados para a excelência na

redução de custos através de um foco em processos de back-end, como de compra,
fabricação e distribuição física. Isto pode se traduzir em cadeias de abastecimento
eficientes que muitas vezes não verdadeiramente suportam a estratégia global de negócios
da companhia. As novas estratégias para o gerenciamento das cadeias de suprimentos irão
apoiar melhorias contínuas na produtividade, mas também irá conduzir ao melhor nível de
serviço com um forte foco no cliente (COHEN, 2005).

O bom gerenciamento da cadeia de suprimentos é de importância para a

competitividade da empresa. Pois pode-se tanto aumentar a margem, como melhorar o
nível de atendimento ao cliente através de uma estruturada com base em contratos bem
elaborados, com as empresas realizando alianças com outras da cadeia, objetivando uma
redução de custos de transação de maneira sistêmica (na cadeia), com a conseqüente
elevação destes custos para seus concorrentes. Assim o gerenciamento da cadeia de
suprimentos alinha todas as atividades de produção de forma sincronizada, visando
reduzir custos, minimizar ciclos e maximizar o valor percebido pelo cliente final por meio
do rompimento das barreiras entre departamentos e áreas (LEAL, 2005).

47
 3 METODOLOGIA

Relembrando a afirmação dessa dissertação que “podemos entender a tomada de

decisão como o processo de identificação de um problema ou de uma oportunidade e a
seleção de uma linha de ação para resolvê-lo. Um problema ocorre quando o estado
atual de uma situação é diferente do desejado. Já uma oportunidade ocorre quando as
circunstâncias oferecem a chance de um individuo ou de uma organização ultrapassar ou
alterar seus objetivos ou metas.” Será sistematizado a aplicação de métodos de previsão
de demanda de vendas em uma empresa de modo que tragam informações valiosas para a
tomada de decisão na organização. Tomada de decisão relacionadas a motivações
diversas, as quais estão descritas no tópico ‘3.1 Iniciativa’, logo na sequencia. Assim, a
elaboração de um sistema de previsão, segundo Pelegrini (2001) demanda conhecimento e
habilidade em quatro áreas básicas:

(i) Identificação e definição dos problemas a serem tratados na previsão;

(ii) aplicação dos métodos de previsão;
(iii) procedimentos para seleção do método apropriado a situações específicas;
(iv) e suporte organizacional para adaptar e usar os métodos de previsão
requeridos.

Um sistema de previsão deve estabelecer relações entre previsões feitas pelas

diferentes áreas de gerenciamento. Existe um alto grau de dependência entre essas
previsões; o perfeito entendimento da natureza da dependência define o sucesso na
implantação do sistema de previsão.

A aplicabilidade dessa metodologia de previsão de vendas depende de três

condições:

(i) disponibilidade de informações históricas;

48
 (ii) possibilidade da transformação de informações históricas em dados
numéricos;
(iii) e suposição da repetição de padrões observados em dados passados no
tempo futuro. Esta última consideração é conhecida como suposição de
continuidade. Tal condição é uma premissa básica para a utilização de
métodos quantitativos de previsão, bem como de diversos métodos
qualitativos.

3.0 Método cientifico

Segundo Silva et al (2001) o método científico é o conjunto de processos ou

operações mentais que se devem empregar na investigação. É a linha de raciocínio
adotada no processo de pesquisa. Que pode ser do tipo estudo de caso Figura 8.

Figura 8 – Exemplo generalizado de método cientifico estudo de caso (JUNG 2009).

49
 Este estudo utilizará a pesquisa bibliográfica a respeito dos conceitos de métodos
de previsão de demanda de vendas. Estes métodos depois de aplicados serão
direcionadores para o planejamento da organização quanto o dimensionamento da sua
cadeia de suprimentos. Este trabalho se caracteriza como estudo de caso em uma empresa
de laminados sintéticos. Este terá como objetivo aplicar as técnicas de previsão de
demanda de vendas que foram abordadas na revisão bibliográfica, assim como a
sistematização da etapa de otimização das variáveis α, β e λ. De modelo de gestão de
estoques que mais satisfatoriamente se aplica à realidade da empresa.

Para esta dissertação pode-se dizer que a pesquisa bibliográfica, bem como o
estudo de caso, podem ser classificados como pesquisas do tipo aplicada, ou seja, se
preocupam com a aplicação da teoria à solução de problemas e têm a intenção de dar
suporte à tomada de decisão em relação a duas ou mais proposições. (SILVA, 2001 e
MORETTI, 2005). Também pode ser classificada como pesquisa teórico-conceitual, ou
seja, é produto de reflexões a partir de um fenômeno observado ou relatado pela literatura,
compilação de idéias e opiniões de diferentes autores ou ainda simulação e modelagem
teórica (BERTO & NAKANO, 2000 apud MORRETI, 2005). Além disso, trata-se de uma
pesquisa histórica, ou seja, envolve o estudo, o entendimento e a explicação de eventos no
passado. O objetivo da pesquisa histórica é chegar à conclusões sobre eventos do presente
ou prever eventos futuros baseados em causas, efeitos e tendências do passado.

O estudo de caso é uma forma de pesquisa empírica que visa investigar fenômenos,
considerando o contexto real do fenômeno estudado, geralmente quando as fronteiras
entre o contexto e o fenômeno não estão bem definidas. Os estudos de caso podem ser
usados para cumprir diversos objetivos: fornecer descrição sobre o tema, testar a teoria, e
gerar teoria (MORETTI, 2005). Neste trabalho o estudo de caso servirá para testar a teoria
já abordada e gerar os dados reais necessários para as analises fim.

50
 3.1 Iniciativa

Segundo Fragoso (2009) a primeira etapa para a criação de um processo de

previsão de vendas deve ser realizada pela alta gestão da empresa, por tratar-se de uma
iniciativa que envolve custos e mudanças. Toda mudança em uma organização requer
grandes esforços, e seu sucesso está completamente atrelado ao envolvimento dos
executivos nesta iniciativa como forma de sustentar a mudança de cultura, tanto com
recursos como com a definição clara dos objetivos da empresa. Dessa maneira, faz-se
necessário o entendimento completo, por parte do comando da empresa, dos benefícios e
implicações da previsão de vendas que se pretende implantar.

Esta iniciativa deve estar de acordo com o planejamento estratégico da empresa. E

geralmente parte por motivações que variam de oportunidades a problemas, e irão gerar
no final um processo decisório, dentre os quais, pode-se citar:

(i) planejamento dos investimento em capacidade da empresa de médio e longo

prazo, desde aquisições de novas máquinas a construção de novas unidades;
(ii) dimensionamento de centros de distribuições, pois esse tipo de investimento
requer um horizonte grande de tempo;
(iii) maior poder de barganha na compra de matérias primas, já que se tem a
previsibilidade de quanto será necessário e quando;
(iv) e se antecipar em ações para garantir a participação e crescimento no
mercado, frente a novos produtos de concorrentes, novos entrantes,
mudanças culturais, mudanças na conjuntura econômica, entre outros.

51
 3.2 Definição do problema

Diversos fatores devem ser analisados nesta etapa: como e onde a previsão será
usada, onde será usada e como se enquadra dentro da organização. A definição do nível
de detalhe requerido para o sistema é influenciada por diversos fatores, tais como
disponibilidade de dados, acurácia, custo da análise e preferências gerenciais. O custo da
previsão está diretamente ligado à acurácia requerida. Uma vez que o aumento da
acurácia diminui as perdas resultantes dos processos decisórios, a relação entre o custo da
previsão e as perdas causadas pela incerteza forma um trade-off. Assim, após um
determinado ponto o aumento dos recursos investidos não implica em aumento expressivo
na acurácia do sistema de previsão (PELLEGRINI, 2001).

Uma segunda classe de decisões envolve elementos temporais: o período,

horizonte e intervalo da previsão. O período é a unidade básica de tempo em que a
previsão é requerida, podendo ser expresso em meses ou semanas, dependendo do espaço
de tempo em que os dados de demanda estão armazenados. A magnitude do período é o
fator que mais influencia na escolha do modelo estatístico a ser utilizado na modelagem
das séries. O horizonte é o número de períodos futuros cobertos pela previsão, sendo
expresso na mesma unidade temporal do período. Ele está relacionado com a capacidade
de resposta da organização. Quanto menos ágil for à organização, maior será o horizonte.
Recomenda-se que o horizonte da previsão seja, no mínimo, igual ao maior tempo de
resposta da organização (DIAS, 1998). O intervalo é a frequência com a qual novas
previsões são preparadas. Na definição desta frequência, existe um trade-off entre o risco
de não se identificar uma mudança na série temporal e os custos na revisão da previsão.
Assim, o intervalo depende da estabilidade do processo, das consequências de se estar
usando uma previsão obsoleta, e dos custos da previsão e do replanejamento. Geralmente
o intervalo é igual ao período; assim, modelos são revistos a cada período, usando a
demanda do período mais recente (MONTGOMERY et al, 1990).

52
 3.3 Formação da equipe de previsão

Figura 9 - Envolvidos na implantação da previsão de vendas (adaptado de Fragoso 2009)

Apresenta-se a seguir a descrição das responsabilidades e papéis de cada envolvido

no processo:

3.2.1 Patrocinador

A previsão de demanda, apesar de geralmente iniciada com o pessoal de marketing,

freqüentemente requer a participação de pessoas de vendas, atendimento ao cliente,
logística, produção e qualquer outra área que possa ter contato com o cliente ou ter
informações relevantes. Dessa maneira, o líder do projeto, também conhecido como
patrocinador, deve ter influência sobre todas as áreas que serão envolvidas como forma de
garantir que os esforços necessários vão ser realizados.

3.2.2 Consultor externo

53
 Segundo Fragoso (2009) o consultor externo pode ser representado por uma pessoa
propriamente dita, ou uma empresa de consultoria. O papel deste personagem é auxiliar
com os conceitos e experiências passadas na implantação da metodologia, tornando-se
uma espécie de guia e fonte de informações. É bastante recomendável a utilização de uma
figura externa à organização principalmente quando

• A empresa, de uma maneira geral, tem pouco ou nenhuma experiência com

implantação de processos de qualquer natureza;

• A pessoa designada para ser facilitadora, apesar de atender os requisitos do perfil,

não tem conhecimentos sobre gestão ou métodos de previsão de demanda;

• For identificado que a posição de destaque que o facilitador foi colocado pode
causar o fracasso do processo pela concorrência interna dos integrantes da equipe. Neste
caso, a figura do consultor vai tirar o foco de atenção sobre o trabalho do dono do
processo sem, no entanto, “concorrer” com os demais.

3.2.3 Facilitador

O facilitador é a pessoa geralmente nomeada pelo patrocinador, possui dentre suas

responsabilidades destacam-se:

• Participar na definição da equipe que fará parte da previsão de vendas;

• Coordenar e operacionalizar a implantação do processo de previsão de vendas

através da metodologia que está sendo proposta;

• Garantir as execuções sistemáticas da previsão após completamente implantada e

definida, atuando junto à equipe;

• Acompanhar o desempenho do processo de previsão, promovendo ações de

melhoria contínua para que os resultados sejam satisfatórios.

54
 O perfil do facilitador do projeto ou processo de previsão de vendas também deve
ser definido com bastante cuidado, devido à variedade de tarefas que este desempenha.
Deve possuir excelente habilidade de relacionamento interpessoal, experiência
administrativa, capacidade de liderar equipes e reuniões e Conhecimento a respeito dos
produtos e clientes da empresa. Por tudo isso, é altamente desaconselhável que o dono do
processo seja terceirizado ou recém-contratado pela empresa, deve-se preferir um
funcionário (adaptado de FRAGOSO 2009 e SEBRAE 2011).

3.2.4 Equipe

Montar a equipe de previsão de vendas é um desafio muito grande para o

Patrocinador, Facilitador e demais executivos da empresa. A composição dela vai ser
determinante para o sucesso ou insucesso do projeto de implantação da previsão. É
recomendável que se monte uma equipe com representantes de todas as áreas envolvidas
com o planejamento de vendas. Dentre elas, Fragoso (2009) sugere:

• Envolvimento das áreas que participam do desenvolvimento de novos negócios

com os clientes. Em uma empresa em que a venda é técnica, usualmente os vendedores
são a própria fonte de informações referentes aos prazos em que os negócios serão
concretizados e, consequentemente passados para a fase de produção.

• Envolvimento das áreas que estão no atendimento dos clientes, quanto aos
produtos de carteira. Isto pode variar de acordo com a organização da estrutura de
atendimento ao cliente de cada empresa. Se o próprio vendedor é incumbido de passar o
pedido para dentro da empresa, ele deve estar envolvido.

Outras organizações têm, por sua vez, um time de atendimento ao cliente para
receber as ordens de compra dos clientes.

• Envolvimento dos influenciadores do comportamento dos clientes. Qualquer ação

que for desenvolvida na empresa que possa influenciar o comportamento do cliente, como
uma promoção ou aumento de preço, deve ser conhecida com antecedência para a
55
previsão de vendas. Sendo assim, o time de marketing estratégico também deve ser
envolvido.

• Envolvimento da área de produção, de preferência especialistas que tem total

conhecimento da capacidade produtiva e as peculiaridades de produção de cada produto.
As informações desses dão suporte aos desdobramentos que a previsão pode gerar;

• Envolvimento do pessoal de Tecnologia da Informação. Em todo processo, e

principalmente no de previsão de vendas, faz-se necessário o uso de suporte de softwares
para auxílio no fluxo de informações. Por isso é de extrema importância que o TI esteja
ciente e engajado no processo, ou que alguém apto a extrair informações do banco de
banco de dados da companhia.

• Por fim, deve-se ainda analisar a empresa como um todo para que se possam
identificar outras fontes de informação a respeito do comportamento das vendas. Como
algumas áreas poucos usuais as previsões podem ter informações preciosas como a
expedição, qualidade, logística, dentre outras.

3.4 Levantamento das informações

O sistema de previsão tem como base modelos quantitativos, pelo menos dois tipos
de informações devem estar disponíveis na elaboração de um sistema de previsão
(MAKRIDAKIS et al, 1998 apud PELLEGRINI, 2001):

(i) dados estatísticos (geralmente numéricos);

(ii) e dados subjetivos oriundos de julgamento e perícia de especialistas
(empregado também na avaliação da qualidade dos dados a serem
utilizados no sistema). Dados estatísticos são utilizados na modelagem

56
 matemática da previsão; opiniões de especialistas permitem a validação
prática das previsões geradas pelo sistema.

• Montagem do Banco de Dados

Os dados estatísticos a serem utilizados na previsão da demanda são usualmente

armazenados em um banco de dados. O banco de dados deve conter, além da série
temporal (representada por produtos e sua demanda a cada período), informações que
possibilitem a estratificação dos dados. A atualização do banco de dados deve ser feita a
cada período, incorporando-se, assim, informações mais recentes aos modelos de
previsão.(PELLEGRINI 2001)

• Classificação dos Produtos

Em certos sistemas de previsão, centenas de produtos podem estar em estudo.

Porém, nem sempre se faz necessária, para fins gerenciais, a análise de todos os produtos
individualmente. Muitos deles podem ser agregados, através de critérios pré-
determinados, em uma mesma série temporal, e analisados conjuntamente.

A metodologia mais aplicada para a agregação de produtos é a classificação ABC,

a qual determina a importância do produto, relacionando demanda e seu faturamento
(NAHMIAS, 1993). Sugere-se a utilização dessa classificação como critério de definição
do nível de detalhamento a ser adotado na modelagem de séries temporais. Neste
contexto, os produtos aos quais estão associadas as séries temporais em estudo podem ser
classificados em 3 classes:

Classe A – Representa 80% do faturamento e cerca de 20% dos produtos vendidos

pela empresa. A previsão de demanda é feita individualmente para produtos nesta classe.
Estratificações das séries temporais de demanda conforme região, cliente ou vendedor,
por exemplo, podem também ser de interesse gerencial. De forma geral, somente
estratificações nas séries da classe A justificam-se economicamente.

57
 Classe B - Representa 15% do faturamento e cerca de 30% dos produtos vendidos
pela empresa. A previsão de demanda é feita individualmente para cada produto, porém
estratificações nas séries não são, via de regra, necessárias.

Classe C - A classe C contempla 5% do faturamento e cerca de 50% dos produtos

vendidos pela empresa. Para os produtos nesta classe, o mais indicado é a realização de
uma previsão agregada única de demanda.

Um outro método de agregação que também pode ser utilizado nesta etapa é a
classificação dos produtos por família. Neste método, produtos com as mesmas
características são agrupados em uma única série temporal, reduzindo significativamente
o número de séries a serem analisadas. Um exemplo de aplicação deste método de
agregação é apresentado no estudo de caso, no capitulo 4.

3.5 Análise preliminar

Nesta etapa, dados históricos são agrupados e representados graficamente. Desta

maneira, pode-se identificar possíveis valores espúrios na série temporal, o que
dificultaria a sua modelagem. Valores espúrios podem ser causados por erros de
digitação, falta de produtos, promoções esporádicas e variações no mercado financeiro,
entre outras causas. Para o tratamento destes valores, sugerem-se os seguintes
procedimentos:

Procedimento A - Quando o valor espúrio encontra-se no final da série temporal e

existem valores suficientes para gerar um modelo de previsão, substitui-se o valor espúrio
pela previsão relativa ao período correspondente ao dado excluído.

Procedimento B - Quando o valor espúrio encontra-se no início da série temporal,

o procedimento descrito anteriormente torna-se inviável. Uma sugestão para tal situação é

58
fazer a substituição do valor espúrio pelo média das observações imediatamente
adjacentes a ele, e gerar um modelo de previsão. Uma vez feita a previsão, o valor espúrio
é substituído pela previsão relativa ao período correspondente.

Uma vez retirados os valores espúrios, analisam-se fatores como padrões,

tendências e sazonalidades que podem estar presentes na série em estudo. A análise
gráfica preliminar fornece subsídios auxiliares na escolha dos modelos quantitativos a
serem utilizados na modelagem matemática das diversas séries de dados (PELLEGRINI e
FOGLIATO 2001).

3.6 Escolha do pacote computacional e modelagem para a programação linear

Deverá se escolher um pacote computacional que permita a modelagem

matemática entradas dos modelos e permita a utilização de programação linear. As opção
conhecidas pelo autor são o Matlab, e o Excel. O Matlab tem a vantagem de aceitar
qualquer tipo de modelo, é uma poderosa ferramenta computacional, capaz de se resolver
qualquer problema técnico. Possui uma família de aplicativos específicos (“toolboxes”),
que são coleções de funções usadas para resolver determinados problemas tais como:
otimização, manipulação algébrica, redes neurais, processamento de sinais, simulação de
sistemas dinâmicos, entre outros. A desvantagem é que requer maior tempo para
modelagem e conhecimento prévio de programação. E o custo de aquisição pela empresa
do programa e as licenças dos toolboxes pode passar de dezenas de milhares de reais.

O Excel não é uma ferramenta tão poderosa para simulações e modelagens

matemáticas como o MatLab. Mas possui a vantagem de ser amplamente utilizado nas
organizações, baixo custo de aquisição, e exige pouco ou nenhum conhecimento em
programação (para conhecimento a programação do Excel é em VBA – Visual Basic For
Application) e permite a rápida modelagem dos sistemas computacionais.

59
 Também a disposição dos pesquisadores softwares livres, são opções que poderiam
ser avaliadas mas não foram utilizadas nesse trabalho.

É necessário conhecimento prévio de modelagem para programação linear. Livros

de pesquisa operacional podem oferecer a lógica necessária, veja o livro de Gerson
Lachtermacher (2009), Pesquisa Operacional.

No capítulo 4 foi utilizado pelo autor o ambiente Excel para a modelagem.

3.7 Modelos matemáticos

Escolhido o pacote, deve-se então entrar com as equações dos modelos

quantitativos, nesta etapa quanto mais modelos melhor são os resultados finais da
previsão. No estudo de caso do capitulo 4, foram utilizados a regressão linear, a regressão
linear ponderada, a média móvel, dupla exponencial de Holt e método Winter. O objetivo
é para cada série histórica previamente analisada, gerar diversas previsões simultâneas e
os seus respectivos desvios para posterior analise e escolha. È importante levar em
consideração que:

• Características da série temporal - a previsão futura de uma série temporal pode

ser feita através das previsões de seus componentes (sazonalidade, tendência, etc.). A
previsão da sazonalidade, em virtude da sua regularidade, pode ser feita de maneira
adequada por um grande número de modelos. Muitas séries, inclusive, podem ser
modeladas de forma mais acurada se removido o componente sazonal (MAKRIDAKIS&
HIBON, 1997); sem o componente sazonal, o domínio de um dos componentes sobre os
demais na série pode definir o modelo a ser utilizado (PELLEGRINI e FOGLIATO
2001).
• Agregação temporal dos dados - o grau de agregação influencia na seleção do
modelo, pois, de maneira geral, a aleatoriedade diminui com o agrupamento dos dados.
60
Assim, dados dispostos anualmente possuem pouca aleatoriedade e um forte componente
de tendência; por outro lado, dados diários possuem grande aleatoriedade. Modelos mais
complexos produzem melhores resultados em agregações intermediárias (mensais ou
quadrimensais), já que estas podem exibir fortes componentes cíclicos e de tendência.

3.8 Previsão matemática otimizada e validação do(os) modelo(os)

Após se gerar os diversos modelos, deve-se utilizar a otimização linear nos

modelos que possuem as constantes de nível, tendência e sazonalidade, a fim de
aperfeiçoa-las e melhorar o ajuste da curva do modelo à série histórica, minimizando o
desvio absoluto médio, da sigla DAM. A não utilização da otimização linear nesta etapa
condiciona a acurácia dos modelos o fator humano, onde as escolhas são muitas vezes
subjetivas, a velocidade do processo de previsão seria prejudicado e os resultados muitas
vezes ótimos.

Assim, a escolha do modelo de previsão apropriado a cada série temporal levará

em conta puramente a sua acurácia, ou o menor DAM percentual. Para cada série
histórica podemos ter diferentes modelos qualitativos apresentando a melhor
aproximação.

Após escolhido o modelo de previsão quantitativo, entra o fechamento qualitativo.

3.9 Ajuste e revisão

Segundo Fragoso (2008) esta é a fase que dá início a entrada de informações de

base qualitativa, que possam influenciar o volume de vendas para os períodos seguintes.

61
Vale lembrar que a partir deste ponto, consideram-se apenas os produtos classificados
como B e A anteriormente.

Dependendo do grau de maturidade da companhia, a reunião de revisão da

previsão de demanda pode ser realizada juntamente com as reuniões do S&OP, como
mostrado bor Barbeiro (2005). Caso a companhia ainda não possua essa sistemática,
deve-se proceder de maneira geral, conforme descrito na sequência:

O time de previsão de vendas deve reunir-se para levantar possíveis informações

que possam impactar nas vendas futuras como promoções, ajustes de preço, fatores de
mercado, ofertas e outros, com a finalidade de refinar o número gerado estatisticamente
pela previsão baseada em dados históricos.

Com o intuito de ajustar a previsão estatística com as variáveis e com os dados não
históricos, é feita então uma reunião com os especialistas de marketing e de produção.
Ambos em mãos com o modelo de previsão puramente matemático. Irão ponderar sobre
os efeitos que as variáveis passadas tiveram sobre os dados históricos, e os possíveis
efeitos que as variáveis futuras terão sobre a demanda.

Assim a área comercial ajusta o modelo de acordo com o conhecimento de

aspectos que podem influenciar a demanda, como, por exemplo, promoções ou
campanhas promocionais, é de extrema importância para o processo de previsão. Através
deste tipo de informação, pode-se fazer com que a previsão, com o uso da análise
subjetiva, se ajuste a casos particulares (PELLEGRINI 2002).

Outros variáveis que influenciam a previsão são relacionados à conjuntura

econômica do país e das demais nações nas quais possuem relações comerciais. Também
informações passadas por clientes, como grande demanda de determinado produto,
informações sobre novos entrantes no mercado, campanhas e ações de marketing e de
concorrentes.

62
 A produção por sua vez, de acordo com os investimentos previstos ou o tempo de
resposta para o aumento da sua capacidade produtiva informa se pode atender a demanda
prevista ou se em determinado período deverá fazer um corte na previsão de vendas por
falta de capacidade produtiva, para posterior crescimento da curva.

3.10 Reunião de fechamentos e decisões

Uma vez tendo-se os modelos e seus parâmetros estimados apropriadamente, sua

utilização na predição da demanda futura pode ser testada. Para tanto deve-se reunir os
responsáveis pelo comercial e produção, para alinhamento das diretrizes dos seus planos,
para que ambos caminhem em paralelo, sem detrimentos e visando as diretrizes gerais do
planejamento estratégico da companhia. (adaptado de BATOCCHIO & BIAGIO 2005).

Neste ponto, o processo de implantação do sistema de previsão é considerado

concluído, é aconselhável aqui dar início o a fase de manutenção da previsão, com a
revisão do sistema a cada período de tempo previamente definido. Assim, decisões de
dimensionamento da companhia e sua cadeia de suprimentos terão sempre dados
atualizados para se amparar, e pode-se reavaliar os modelos estatísticos inicialmente
selecionados para sua previsão futura. Pois quanto maiores são os valores, ou as
mudanças envolvidas nas decisões mais importantes são a acurácia da previsão.

63
Figura 10 – Passos para previsão de demanda de vendas na tomada de decisão (próprio autor).

64
 4 RESULTADOS E DISCUSSÃO

4.0 Introdução

Será apresentado neste capítulo a aplicação da metodologia proposta para o auxilio

na tomada de decisão de uma companhia real. O autor participou ativamente na
implantação da metodologia na empresa, também será apresentada a empresa foco desse
estudo.

4.1 Empresa objeto do estudo

A empresa do estudo é de capital Brasileiro, e o seu segmento objeto dessa

dissertação é o de fabricação de laminados sintéticos. Suas atividades tiveram inicio na
década de 60 em sua sede no interior do estado de São Paulo. Hoje possui mais de 100
mil metros quadrados de área produtiva, atuando nos setores plástico, químico e não-
tecidos. A atuação se estende a diversos segmentos de mercado como: calçados, bolsas e
acessórios, utilidades domésticas, impermeabilização, móveis, vestuários, automotivo,
puericultura, mineração, esporte e lazer, brindes, escolar e comunicação visual. Líder de
mercado no seu segmento. Formando uma gama de diversificados produtos para atender
clientes totalmente distintos.

Na figura 11 é apresentado o organograma resumido da empresa.

65
 Presidente

Consultoria

Diretor de Diretor de
Diretor Financeiro Diretor de TI Diretor Comercial
Desenvolvimento Produção

Ger. Vendas Ger. logística

Ger. qualidade

Ger. PCP

Ger. produção

Figura 11 – Organograma resumido da empresa. Apresentando as posições mais envolvidas no estudo.

4.2 Aplicando a Metodologia

4.2.0 Iniciativa

A companhia estava em face de um problema. Os armazéns de estocagem já

tinham passado do limite, os produtos acabados estavam sendo estocados nos corredores
de circulação. Novas máquinas estavam sendo instaladas frente ao plano de produção para

66
atender em parte a força de vendas, com o comercial prometendo prazos apertados e ao
mesmo tempo vendendo produtos que seriam entregues só meses depois comprometendo
ainda mais os estoques abarrotados. Além disso, novos produtos iriam entrar em
circulação e as expectativas eram animadoras.

A solução era investir um novo armazém, e a decisão se baseava no tamanho ideal

para comportar de maneira aproximado o crescimento da companhia nos próximos 10
anos. Pela intuição de especialistas da empresa, uma armazém de 10.000m2 seria o
suficiente para atendê-los, segundo cotações da época, o custo de construção seria em
torno de 10 milhões de reais. Mas atenderia até que horizonte de tempo? Sendo que cada
metro quadrado de construção a mais impactaria em mil reais (R$1.000,00) de recursos
adicionais que poderiam ser empregados em atividades rentáveis da companhia.

4.2.1 Definição do problema

Consiste na estimativa da previsão de demanda de vendas da companhia nos

próximos 10 anos afim de se dimensionar o seu centro de distribuição.

Diversos fatores devem ser analisados nesta etapa: como e onde a previsão será
usada, onde será usada e como se enquadra dentro da organização.

A previsão deverá atuar sobre o histórico de faturamento dos produtos da

companhia que se destinaram ao CD.

Os produtos para tanto serão agregados em famílias, depois será feita análise
individual da série histórica de cada uma das famílias para a classificação das suas
demandas, pois só as demandas temporais regulares é do interesse desse estudo.

Como a previsão que será necessária é de longo prazo será utilizado a

periodicidade mensal para os cálculos dos modelos e para gerar a previsão quantitativa.
Mas para o fechamento com o corpo de especialistas, a previsão será agregada em anos.
67
Dentre os modelos selecionados na metodologia já se descarta a média móvel, pois só é
aconselhável para previsões de curto prazo, assim não foi estudado o seu efeito nas séries
em questão.

Com base previsão de longo prazo se tem um crescimento das vendas dos produtos
e por conseguinte do estoque. O critério para o cálculo do estoque escolhida foi o tempo
de permanência médio de cada uma das famílias de produtos em dias multiplicado pela
produção média em dia gerada pela previsão de faturamento média dia.

4.2.2 Definição da equipe de previsão

Tomada à decisão de prosseguir com o trabalho pela alta gestão da empresa, faz
necessário à definição do time de previsão de vendas. Naturalmente o patrocinador tende
a ser o alto executivo que tem a decisão em mãos, mas para o sucesso do projeto, o
mesmo precisa ter influência sobre as demais áreas da companhia. Assim a escolha fica
restrita aos diretores ou a algum gerente muito influente dentro da estrutura.

Neste caso a escolha foi natural e a responsabilidade ficou sobre o Gerente de

Produção.

No caso da consultoria, esta é aconselhável quando a companhia não domina as

técnicas desta metodologia ou não possui força de trabalho para levar o projeto. Isso
implica que, os consultores contratados, seja uma única pessoa, ou uma empresa
especializada, deva dominar o assunto em profundidade, às ferramentas utilizadas e seja
capaz de disseminar o conhecimento para a empresa, de modo que a mesma consiga nos
anos subsequentes dar continuidade a previsão de demanda. A escolha se acabou sendo
óbvia e recaiu sobre o próprio autor e a sua equipe. O autor, na figura da consultoria foi o
principal agente de mudanças.

68
 O Facilitador, quando não há a figura da consultoria deve assumir todo o papel de
principal agente do projeto. Neste trabalho em específico sua figura foi de extrema
importância e fator crítico para o sucesso. O mesmo possuía profundo conhecimento da
companhia e das pessoas. Fazia os contatos e provinham às informações necessárias as
analises da consultoria. Fez várias buscas de informações ao banco de dados ou as
solicitou para a equipe de TI. Devido a grande quantidade de informações demandadas
durante todo o projeto e a responsabilidade sobre a veracidade dos dados, ficou definido
não 1, mas 2 facilitadores. O primeiro seria o gerente de qualidade devido principalmente,
o mesmo ter trabalhado no PCP da companhia e ter vasto conhecimento de cada um dos
produtos e o gerente de logística, principal afetado com o resultado final do projeto e
devido ao mesmo ser um funcionário antigo da companhia, conhecendo as peculiaridades
de armazenamento de cada tipo de produto.

Juntamente com os facilitadores e patrocinador deverá ser definido os restantes da

equipe de projeto. Ela deveria envolver multiáreas, logo já foi envolvido o Diretor de
Produção para dar maior credibilidade e comprometimento dos integrantes da equipe ao
projeto. Basicamente, se buscou os maiores especialistas nos produtos e no mercado. Pois,
os mesmo deveriam prover informações e trabalhar em conjunto com os facilitardes e
patrocinador, para realizar os ajustes da previsão quantitativa e validar os números finais.
Assim foi definido como parte da equipe:

Diretor Comercial e Gerente de Vendas são as pessoas que possuem a maior

quantidade de informações sobre a tendência do mercado, sobre os clientes e
concorrentes. Os mesmos participam de todas as decisões estratégicas da companhia que
possam influenciar o comportamento dos clientes.

O Diretor Financeiro também tem experiência no mercado, nas suas oscilações e

pode trazer importantes informações a respeito da demanda que não estavam sendo
consideradas pelos demais integrantes.

69
 Diretor de Tecnologia da Informação é responsável com a sua equipe pela extração
de alguns dados e o seu tratamento.

4.2.3 Levantamento das Informações

A companhia possui diversas linhas de produtos, algumas das linhas não há lote
mínimo de compra e são produtos feitos Make to Stock. Mas nada impede que se a
quantidade do pedidos for muito grande gerar uma ordem de produção específico para o
cliente, caracterizando a segunda classificação de produtos da companhia, os Make to
Order que há lote mínimo de compra e necessariamente vão gerar uma ordem de
produção, são geralmente produtos muito específicos mas na sua maioria são os mesmos
produtos Make to Stock, mas personalizados para o cliente ou simplesmente com o
acabamento final como coloração, estampa ou texturas diferentes dos produzidos Make to
Stock.

O portfólio de produtos da companhia ultrapassa 2000 agrupados em centenas de

famílias e reagrupados em 40 macro famílias. Há grandes clientes para famílias
específicas, mas como já dito não há lote mínimo de compra para os produtos de estoque.
Decidiu-se que as macro famílias seriam suficientes para o estudo pela forma de trabalho
da companhia e devido a isso a facilidade das informações pois a empresa já as possuía.
Uma agregação maior não seria interessante devido a perda de informação e uma
agregação menor levaria muito tempo de avaliação dos dados, modelagem e
posteriormente ajustes. Sendo assim as macro famílias foram suficientes para o estudo.

• Montagem do Banco de Dados

A montagem do banco de dados se deu com o auxilio dos colaboradores de TI, os

quais levantaram relatórios do faturamento de todos os produtos entre janeiro de 2004 a
junho de 2010, totalizando 6,5 anos.

70
 Para o posterior tratamento estatístico foi preciso estratificar os dados anuais do
faturamento pelas famílias. Incumbência dos coordenadores de logística e produção que
conheciam muito bem cada um dos produtos e suas classificações. O resultado é mostrado
para a família 12, e foi feito para as demais 28 famílias de produtos (28 pois no próximo
passo a analise dos dados mostrou que algumas famílias não apresentavam demanda
regular).

Na figura 12 a seguir há um exemplo do levantamento dos dados históricos de

faturamento.

Figura 12 – Levantamento dos dados históricos de janeiro de 2004 a junho de 2010 para a Família 12.

4.2.4 Analise Preliminar

Nesta fase entra o julgamento subjetivo dos dados de cada família de produtos.
Deve-se analisar cada uma das séries, principalmente para a definição do seu tipo de
demanda, se é ou não uma demanda temporal, se é regular ou irregular. Pois os modelos
qualitativos, base do estudo, têm a restrição de só trabalharem com demandas temporais
regulares.
71
 Também é nesta fase a retirada dos valores espúrios, em alguns casos específicos
essa retirada possibilidade a transformação de uma demanda irregular em regular.
Também é possível identificar tendências e sazonalidades de cada família de produto, já
antecipando os modelos estatísticos que apresentaram a melhor aderência.

No próprio levantamento dos dados históricos é possível observar demandas

irregulares, como mostrado na figuras 13 e também identificar valores espúrios, que
podem ser do início do ciclo de vida do produto, ou mesmo por falhas da força de vendas,
como os mostrado na figura 14 e assim, para posterior substituição do valor espúrio por
sua média do ano.

Figura 13 – Levantamento dos dados históricos dos últimos 6,5 anos para a Família 14. É de fácil observação
que a sua demanda é irregular ou especial.

72
Figura 14 – Levantamento dos dados históricos dos últimos 6,5 anos para a Família 27 e Identificação dos
valores espúrios para a sua posterior substituição pelas médias do ano.

Essas análises foram feitas, por decisão do autor para cada uma das 40 famílias de
produtos, não utilizando a principio da classificação da curva ABC. O que a principio foi
um erro, pois das 40 famílias, apenas 28 possuíam demandas regulares e eram aptas a
aplicação dos modelos qualitativos.

As famílias número 4, 14, 17, 23, 24, 30, 33, 35, 38 e 40 não possuem demanda
regular. Não podendo assim ter previsões estimadas com base na metodologia e ficaram
de fora do estudo, pois também não eram significativas, sendo na classificação ABC
classificadas como uma das ultimas do item C.

Para as demais famílias, foram gerados gráficos como os apresentados na figura

15, para a análise de possíveis tendências e sazonalidades dos produtos. Foi identificado
que as famílias 21 e 22, além de possuir demanda decrescente já tinham alcançado o fim
do ciclo de vida e só não eram descontinuadas pois alguns clientes específicos ainda as
adquiriam. E também foram excluídas do estudo.

73
Figura 15 – Gráfico de barras e de linhas para a família 12, o período escolhido foi anual para identificação de
possíveis sazonalidades da demanda.

74
 4.2.5 Escolha do pacote computacional voltado à programação linear.

A escolha foi natural e desde o principio já havia sido tomada, apesar de o autor
dominar a linguagem do MatLab®, os seus custos de licença comercial e a dificuldade de
continuidades da sua utilização na empresa o inviabilizaram. Já o Minitab®, outra
poderosa ferramenta estatística muito difundida não possuía o suporte para a programação
linear, e se a mesma não fosse objeto do estudo, no Minitab® só é possível analisar uma
série de dados por vez com múltiplos modelo.

Assim a escolha recaiu sobre o Excel®. Devido a sua penetração nas industrias e a
familiaridade do autor com a ferramenta. Este permite a analise de varias séries de dados
ao mesmo tempo e com diversos modelos quantitativos. O Excel vem com uma versão
básica de uma software de otimização chamado SOLVER®, muito utilizado por
profissionais de pesquisa operacional. A versão básica apesar de limitada a menos de 50
variáveis foi suficiente para este estudo.

4.2.6 Modelos Matemáticos

Assim, após a análise preliminar, os dados históricos que foram mostrados na

figura número 12 foram colocados em uma mesma coluna do Excel®, e os modelos
matemáticos foram criados e replicados para todas as 28 famílias estudadas. Cada família
então passou a possuir uma planilha específica no Excel, como exemplificado na tabela 1.

75
Tabela 1 – Disposição dos dados históricos (em metros lineares) em uma única coluna, a figura
mostra a família de número 1.

Após a criação de uma planilha para cada série histórica devera-se entrar com os
modelos matemáticos.

O primeiro passo é criar uma estimativa inicial para o nível e tendência para os
demais modelos (com exceção da média móvel que a não utiliza). Esta estimativa inicial
será obtida através de uma regressão linear simples da série histórica para o período t, de

76
acordo com Chopra e Meindl (2006), já citado na revisão bibliográfica. O Excel já possui
uma função matricial específica que pode retornar a informação desejada. A função é a
Projelin mostrada na Tabela 2, que foi aplicada na série histórica da Tabela 1.

Tabela 2 – Aplicação da função Projelin do Excel, nos dados da tabela 1, para o retorno do nível
e tendência da série.

TENDÊNCIA NIVEL
`=PROJ.LIN(D13:D90;C13:C90;6) `=PROJ.LIN(D13:D90;C13:C90;6)

O primeiro modelo matemático a ser aplicado já está resolvido e são as projeções

através da regressão linear simples, mostrado na Tabela 3 como a coluna MNQ. Apesar
dessa mesma tabela apenas mostrar mais 2 modelos MNQ Corrigido e Média Movel, para
o aplicativo também foi usado a suavização exponencial dupla de Holt e o modelo de Holt
Winter. Os demais modelos matemáticos e o seu equacionamento no Excel serão
mostrados no Anexo A.

77
 Tabela 3 – Exemplo de alguns modelos matemáticos utilizados.

4.2.7 Previsão Matemática Otimizada e Validação do Modelo

O objetivo da otimização é melhorar o máximo possível os ajustes das constantes

de nível, tendência e sazonalidade, minimizando assim o DAM. Sendo assim a lógica de
otimização é apresentada como:

Objetivo: Minimizar a função objetiva;

78
 Função objetiva: DAM;

Variáveis: α (alpha), β (beta) e λ (gama).

Vale lembrar que a otimização só é possível para os modelos quantitativos de

HOLT e HOLT-WINTER, pois só os mesmos neste estudo apresentam as constantes.

Na figura 16 em amarelo tem-se as funções objetivas a serem minimizadas. E em

laranja são as variáveis a serem encontradas. Na figura de número 17 tem-se a tela do
solver do Excel já com os dados da tabela mostrado na figura 16. Ainda na figura 17, no
círculo vermelho são apresentadas as restrições e no circulo azul tem-se a escolha da
opção de minimização.

Na sequência segue o equacionamento já apresentado no capitulo 2, (conjunto de

equações 2.31):

Minimizar a função objetiva:

Otimizando as variáveis α, β e γ das equações do modelo de Holt-Winter:

Sujeitas as restrições:

α, β, γ >0;

Como o solver só possui a opção maior ou igual, menor ou igual, substituímos o

zero por 0,01. Também se faz necessário no solver marcar os campos “presumir não
negativas” e “presumir modelo não linear”.

79
 Para a otimização das constantes para cada uma das séries históricas. A escolha do
modelo final que irá gerar a previsão de vendas se baseou-se no menor DAM. Conforme
mostrado na Tabela 4 para alguns dos produtos mais representativos.

Figura 16 – Função objetiva a ser otimizada e variáveis de otimização.

Figura 17 – Equacionamento no solver do Excel.

80
 Tabela 4 – Erro médio para as diversas famílias de produtos.
Erro MNQ Erro
Erro Exp.
ERRO Corrigido – WINTER Modelo
Dupla de DAM
MNQ periodicidade periodicidade escolhido
HOLT
12 12
Familia 1 39% 29% 36% 29% WINTER 29%

Familia 2 31% 22% 30% 22% MMQ 22%

Familia 5 76% 60% 67% 54% WINTER 54%

Familia 8 30% 21% 32% 23% MMQ 21%

Familia 10 38% 31% 37% 30% WINTER 30%

Familia 12 19% 15% 18% 16% MNQ 15%

Familia 13 30% 12% 28% 12% MNQ 12%

Familia 15 28% 16% 27% 15% WINTER 15%

Familia 16 33% 35% 28% 23% WINTER 23%

Familia 20 20% 16% 20% 18% MMQ 16%

Erro médio 24%

É nítido que pela tabela 4 os modelos que apresentaram maior aderência são os que
levam em conta variações sazonais. É importante dizer que no caso do modelo de Holt-
Winter após feita a otimização das suas constantes, em todas as famílias de produtos essa
constante tendeu a zero. Ou seja, apesar das séries históricas apresentarem certa
sazonalidade, essa não tem um período específico, se tornando irregular.

Tomou-se como critério para escolha do modelo no caso que há empate dos erros,
sempre optar pelo modelo que apresentava menor Viés, como esse fato só ocorreu para o
Winter e MNQ (mínimos quadrados) Corrigido, coincidentemente o MNQ Corrigido
apresentou o menor viés na maioria dos casos.

81
 As figuras 18 e 19 mostram os modelos de MNQ Corrigido e Winter para a família
de número 1. Repare que pela tabela 4 os modelos tem o mesmo DAM, mas visualmente
percebe-se que a aderência do modelo de Winter esta melhor. Isso se confirma quando
verificamos o viés da previsão, a qual é a soma dos erros.

Tendência Real MNQ Corg

350000

300000

250000

200000

150000

100000

50000

0
0 10 20 30 40 50 60 70 80

Figura 18 - Regressão linear corrigida para a família 1.

Tendência Real WINTER

450000
400000
350000
300000
250000
200000
150000
100000
50000
0
0 10 20 30 40 50 60 70 80 90

Figura 19 – Modelo de Winter para a família 1.

82
 Após a escolha do modelo com a maior aderência e menor DAM foi feita as
projeções com periodicidade mensal, e depois as mesmas foram agregadas em anos de
2011 até 2020, para o fechamento dos especialistas da empresa, que ocorrerá no próximo
passo.

4.2.8 Ajuste e revisão

Aqui ocorre a entrada dos dados das variáveis não quantitativas. A equipe de
previsão de vendas fez os ajustes finais necessários a previsão quantitativa para cada uma
das famílias de produtos, como exemplificado na Tabela 5 para a família 02.

Tabela 5 – Previsão matemática agregada para a família de produtos 2 e previsão já ajustada.

Volume Volume Volume Volume Volume Volume Volume
...
2009 2010 2011 2012 2013 2014 2021
Volume(metros) 4.845.884 5.924.872 6.258.781 6.820.073 7.267.673 7.715.273 ... 10.848.474
Crescimento
Previsão 22% 8% 7% 7% 6% ... 4%
Anual
Matemática
Familia 02

Crescimento
22% 32% 41% 50% 59% ... 124%
Progressivo

Volume(metros) 4.845.884 5.924.872 7.347.461 7.900.000 9.186.338 9.204.321 .. 9.310.000

Previsão Crescimento
Ajustada Anual 22% 24% 8% 16% 0% ... 0%
Crescimento
Progressivo 52% 63% 90% 90% ... 92%

O autor não teve acesso às considerações finais desses ajustes. Mas é possível fazer
algumas analises. Pois como as fabricas são divididas em 3 centros de trabalho, pode-se
gerar as figuras 20, 21 e 22 que mostram a previsão matemática de vendas agregada para
cada um dos centros de trabalho e compara com a previsão ajustada pelos especialistas da
empresa. Com base na observação dessas figuras, fica claro que o ajuste feito pelos
especialistas da empresa, levaram em consideração apenas as definições estratégicas de
investimentos em capacidade para os produtos já existentes e para o investimento nos
novos produtos. Ou seja, foi feito ajustes na curva de acordo com a nova capacidade a ser
instalada. Nota-se também pela observação das curvas que apesar da previsão matemática
83
ter sido feita para o horizonte de 10 anos, foi efetuado um corte na previsão ajustada a
partir do ano de 2015, ou seja, horizonte de 5 anos. Sendo este o limite do atual
planejamento estratégico da empresa e dos seus planos de investimento, visto que no ano
de 2010, ano do estudo, a empresa estava trabalhando com a capacidade máxima
produtiva e estava para entrar em operação as primeiras de algumas novas máquinas.

Na figura 21, observa-se a discrepância dos dados matemáticos para os dados

ajustados da companhia. Isso se dá devido ao enorme investimento que será em novas
máquinas para esse centro de trabalho, devido à entrada de um novo produto, que promete
ser muito promissor. Visto que a previsão matemática foi muito conservadora em relação
ao ajuste. Pois os dados referentes a essa nova linha são puramente qualitativos.

Previsão Matemática Previsão Ajustada

120%

100%
94%
98%
86%
80% 74% 78%
69% 73%
70% 74% 76% 76% 75%
60% 63% 62%
60%
54%
46%
40% 41%
38%
34%
30%
20% 21%
14%

0%
2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021

Figura 20 – Previsão agregada matemática x previsão ajustada das famílias para o centro de trabalho 1.

84
 Previsão Matemática Previsão Ajustada
140%

120%
119% 119% 119% 118%
119%
115% 116%
100% 101%
91%
80%
75% 82%
68%
60% 60% 60%
53%
46%
40% 39%
32% 31%
24%
20%
17%
10%
0% 3%
2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021

Figura 21 – Previsão agregada matemática x previsão ajustada das famílias para o centro de trabalho 2.

Previsão Matemática Previsão Ajustada

120%

100% 96%

87%
80% 79%
72%
66%
60% 54% 55% 55% 60%
53% 55% 55% 55%
55% 55% 55%
47%
40% 40%
34%
27%
20% 21%

0%
2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021

Figura 22 – Previsão agregada matemática x previsão ajustada das famílias para o centro de trabalho 3.

85
 Ainda foram coletados dados pelo autor de 6 meses após os ajustes finais nos
dados, ou seja até o fechamento do ano de 2010. Infelizmente não é possível comparar
esses dados com a previsão ajustada pelos especialistas, pois os mesmos iniciaram o
estudo a partir de 2011. Sendo assim conclui-se que as previsões para o fechamento do
ano de 2010 foram puramente quantitativas e nos permitem analisar o erro com resultados
reais. A analise de erros é mostrado na tabela 6, para as previsões puramente quantitativas
que apresentaram melhor ajuste a cada uma das famílias.

Tabela 6 – Analise dos erros puramente quantitativos para os últimos 6 meses de 2010.
Comparação entre os dados da previstos e os dados reais.

DAM Familia1 Familia2 Familia5 Familia8 Familia10 Familia12 Familia13 Familia15 Familia16 Familia20
Julho 9% 9% 88% 64% 95% 8% 2% 8% 30% 45%
Agosto 13% 1% 33% 1% 43% 6% 69% 0% 59% 0%
Setembro 47% 10% 136% 3% 28% 29% 44% 14% 14% 17%
Outubro 28% 8% 29% 8% 33% 7% 18% 1% 33% 63%
Novembro 10% 10% 53% 9% 153% 3% 5% 2% 63% 9%
Dezembro 16% 42% 50% 16% 34% 52% 24% 20% 71% 0%
Dam
Médio 21% 13% 65% 17% 64% 18% 27% 7% 45% 22%

Da tabela 6 percebe-se que as famílias que apresentaram maior erro foram a 5 e a

10, sendo que já erra esperado pela analise da tabela 4, pois as mesma já haviam
apresentado maior erro individual. Mostra que os modelos de previsão adotados ou a
periodicidade para essas duas famílias não estavam adequados e necessitariam revisão ou
que a demanda dessas famílias apesar de ser regular apresenta fatores irregulares.

Esse erro é absoluto, pode-se também analisar o viés de cada uma das famílias com
o intuito de se escolher um método quantitativo que apresenta viés negativo para quando
se deseja salvar recursos no dimensionamento ou baseados em um viés positivo quando se
deseja aumentar a margem de segurança. No estudo de caso em questão, a escolha do
método quantitativo que iria gerar a previsão base foi baseada puramente no menor DAM,

86
sendo que ao final da analise foi incluído um coeficiente de segurança definido junto com
o facilitador e patrocinador do projeto de 15%.

4.2.9 Reunião de fechamento e decisões

A reunião serve para comprometimento dos altos executivos com os dados

gerados, suas consequências e tomada à decisão de prosseguir com os planos de
dimensionamento da cadeia de suprimentos da companhia.

Foi realizadas duas dessas reuniões no estudo de caso, a primeira validou os dados
ajustados pela equipe de previsão de vendas. Foi dado início então pelo pesquisador o
trabalho de dimensionamento do centro de distribuição da companhia, e o resultado foi
apresentado novamente para os altos executivos para a decisão final de construção.

Assim obteve-se um método que sistematiza o auxilio nas decisões de

dimensionamento de itens da cadeia de suprimentos da companhia.

87
 5 CONCLUSÃO E SUGESTÕES DE TRABALHOS FUTUROS

5.0 Conclusão

Considerando o desenvolvimento deste trabalho, com o estudo e levantamento de

métodos de previsão de demanda de vendas e a aplicação prática dos mesmos em um
estudo de caso real, seguido da posterior analise dos dados para o dimensionamento da
cadeia de suprimentos da companhia. E como no estudo de caso o método proposto
auxiliou uma companhia na sua tomada de decisão de dimensionamento, de maneira
sistemática, confiável e com erros controlados, conclui-se que o trabalho obteve êxito

Notou-se que apesar da aleatoriedade dos dados, os métodos sazonais com

periodicidade doze como o de winter e a regressão linear corrigida apresentaram melhores
ajustes e assim menores erros. Apesar de que os mesmos em alguns casos ainda se
encontravam altos, muito provavelmente devido a grandes mudanças nas séries históricas
que nenhum dos métodos estudados conseguiu prever.

Quando do fechamento das previsões puramente matemáticas com os especialistas

em relação à previsão mais imediata, mais próxima do presente, Ficou evidente que
fatores externos não presentes nas séries históricas estavam afetando a mesma. Nota-se
isso devido o ajuste feito pelos especialistas consideravam um aumento das vendas maior
que as previsões puramente matemática. Isso muito provavelmente se deu devido a
existência de uma demanda reprimida que diminuiu a tendência de crescimentos da
previsões matemáticas. Essa demanda reprimida devido à falta de capacidade foi
solucionada nos meses posteriores provocando um grande crescimento das vendas.

88
 Notou-se também que os especialistas da empresa ajustaram a previsão final
abaixo dos dados matemáticos. Também ficou evidente que eles não quiseram assumir
nenhum crescimento acima dos planos de investimentos já previstos para a empresa.

Com relação aos objetivos específicos propostos neste trabalho, estes foram
também cumpridos. Na revisão bibliográfica procurou-se levantar principais
metodologias de previsões de demanda e suas aplicações dentro de horizontes de tempo
específicos.

Os métodos quantitativos de previsão foram modelados no Excel® de modo que

permitissem a otimização das constantes de nível, tendência e sazonalidade nos modelos
que as possuem, utilizando o software Solver que permite a programação não linear.

Quanto as aplicações dos modelos matemáticos e seus ajustes, agregando variáveis

aleias as séries temporais como informações intrínsecas da companhia (variáveis de
produção e financeira) e variáveis extrínsecas como mercadológicas, foi alcançada a partir
da validação dos modelos pelos especialistas da companhia que formaram a equipe de
vendas. Foi feito ainda uma discussão sobre os erros e comparado à previsão com dados
reais obtidos

5.1 Sugestões de trabalhos futuros

Como trabalho futuro sugere-se a criação de aplicativo computacional para a

previsão de demanda de vendas, que utilize otimização nas constantes de suavização de
nível, tendência e sazonalidade. Este aplicativo deverá ser intuitivo de modo que
empresas com pouco conhecimento das técnicas de previsão de demanda e pesquisa
operacional consigam manuseá-lo, tirando proveito do conhecimento acadêmico. O
aplicativo pode inclusive ser desenvolvido no próprio Excel. Sugere-se também o
89
incremento do método com outras formas de previsão mais complexas como redes neurais
que não foi abordada neste trabalho.

Outra possibilidade de trabalhos futuros é a inclusão de uma metodologia mais

complexa que incluiria a previsão de demanda para séries irregulares não abordadas neste
trabalho pois os métodos quantitativos estudados tem as mesmas como restrições de sua
aplicação.

90
 REFERÊNCIAS

APICS Dictionary; APICS - the American Production and Inventory Control

Society. Falls Church,VA.8th ed. 1995.

ANGELONI, Maria Terezinha; Elementos Intervenientes na Tomada de Decisão; Ci. Inf.,

Brasília, v. 32, n. 1, p. 17-22, jan./abr. 2003.

ASIMAKOPOULOS, Stavros; Alan Dix, Robert Fildes Using hierarchical task

decomposition as a grammar to map actions in context: Application to forecasting
systems in supply chain planning Int. J. Human-Computer Studies 69 p234–250.
2011.

BATOCCHIO, Antonio; Biagio, Luiz A.; Plano de Negócios - Estratégia para Micro e
Pequenas Empresas. Barueri, SP: Manole, 2005

BALLOU, Ronald H. Gerenciamento da Cadeia de Suprimentos: planejamento,

organização e logística empresarial. 5. ed. Porto Alegre, RS: Bookman, 2004.

BARBEIRO, Francisco Miguel, Metodologia de Implementação de Planejamento de

Vendas e Operações: Estudo de Caso em Manufatura de Produção para Estoque,
Campinas: Faculdade de Engenharia Mecânica, Universidade Estadual de
Campinas, 2005. 140 p.

BERTO, R.M.V.S., Nakano, D.N., Metodologia de pesquisa e a engenharia de produção.

In (CDROM): XVIII Encontro Nacional de Engenharia de Produção (ENEGEP) e
IV International Congress of Industrial Engineering (ICIE), Niterói, RJ,
UFF/ABEPRO, outubro 1998.

COHEN, Shoshanah; Roussel, Joseph., Strategic Supply Chain Management – The Five
Disciplines for Top Performance. MC Graw Hill 1.ed. 2005.

91
CORREA, H. L., Gianesi, I. G. N., Caon, M. Planejamento, programação e controle da
produção: MRPII/ERP: conceitos, usos e implantação. 1a ed. São Paulo: Gianesi
Correa e Associados: Atlas, 1997, 361 p.

DALRYMPLE, DJ. Sales forecasting practices. Int J Forecas;3:379–91. 1987.

DAVIS, Mark M.; Aquilano, Nicholas J.; Chase, Richard B. Fundamentos Da

Administração da Produção. Bookman, 3ed. 2003.

DIAS George P. P., Proposta de Processos de Previsão de Vendas para Bens de

Consumo. Anais do XVI ENEGEP - 16º Encontro Nacional de Engenharia de
Produção, Rio de Janeiro, 1998.

DIAMANTOPOULOS A., WINKLHOFER H., Export sales forecasting by UK firms

Technique utilization and impact on forecast accuracy. Journal of Business
Research 56 pages: 45– 54, 2003.

FILDES, Robert; Goodwin, Paul; Lawrence, Michael; Nikolopoulos , Konstantinos.;

Effective forecasting and judgmental adjustments: an empirical evaluation and
strategies for improvement in supply-chain planning. International Journal of
Forecasting 25 pages: 3–23, 2009.

FILDES R; Hastings R. The organization and improvement of market forecasting. J Oper

Res Soc; 45:1– 16. 1994.

FRAGOZO, Bruno Barreira. Métodos para a Criação de um Processo de Previsão de

Demanda de Vendas. Campinas: Faculdade de Engenharia Mecânica, Universidade
Estadual de Campinas, 121p. Dissertação (Mestrado). 2009.

GREENE , William H., ECONOMETRIC ANALYSIS. New York University. Prentice

Hall. Upper Saddle River, New Jersey, 2003.

92
LAWRENCE Michael., Goodwin Paul., O’Connor Marcus., O¨ nkal Dilek.., Judgmental
forecasting: A review of progress over the last 25years. International Journal of
Forecasting 22 pages: 493– 518. 2006.

LANCHTERMARCHER, Gerson., Pesquisa Operacional na Tomada de Decisões.

Prentice Hall, São Paulo, 220 p. 2009.

LEAL, Lydiane Abdon, Avaliação da Aplicabilidade da Teoria da Gestão da Cadeia de

Suprimentos no Setor Elétrico. / Lydiane Abdon Leal, --Campinas, SP: 2005.

MAKRIDAKIS S, Wheelwright SC. The handbook of forecasting: a manager’s guide.

2nd ed. New York: Wiley, 1987.

MENTZER, John T.; Moon, Mark A. Sales Forecasting Management. SAGE

Publications, 347p, 2005.

HAMILTON, J. D. Time series analysis, Princeton Univ. Press, Princeton, NJ. 1994.

HELMER, O. The use of Delphi technique in problems of educational innovations. Santa

Mônica, Rand Coorporation, Report 3499. 1966.

HILL, T. Manufacturing strategy: text and cases, 2ª ed., Irwin, Boston, MA. 1994.

MAKRIDAKIS, S. & HIBON, M. ARMA models and the Box-Jenkins methodology.

Journal of Forecasting, v. 16, n. 3, p. 147-163, may 1997.

MAKRIDAKIS, S., WHEELWRIGHT, S. C. & HYNDMAN, R. J. Forecasting –

methods and applications, 3ª ed., John Wiley, New York. 1998.

MENTZER, J. T. & COX Jr., J. E. Familiarity, application, and performance of sales

forecasting techniques. Journal of Forecasting, v. 3, n. 1, p. 27-37, jan. 1997.

MONTGOMERY, D. C., JOHNSON, L. A. & GARDINER, J. S. Forecasting and time

series analysis, 2ª ed., McGraw-Hill, Inc., New York, 1990.
93
MORETTI, Diego de Carvalho Gestão de suprimento em um operador logístico / Diego
de Carvalho Moretti. -Campinas, SP: [s.n.], 2005

NAHMIAS, S. Production and operations analysis, 2ª ed., Irwin, Illinois. 1993

NOCEDAL, J. & Wright, S. J., Numerical Optimization, Springer Series in Operation

Researchs, 1999.

OHNO, Taiichi (1988), Toyota Production System: Beyond Large-Scale Production,

Productivity Pres.

OLIVEIRA, Joelma Souza Passos de; Murrieta, Maira; Costa, Marina Ferreira de Castro
Wille; Marchiori, Patricia Zeni.; Introdução Ao Método Delphi, Curitiba:Mundo
Material 16p. 2008.

PALMATIER, G.E., Crum, C. Enterprise sales and operations planning. 1ed. Florida:
Ross Publishing, Inc, 2003. 266 p.

PELLEGRINI, Fernando R; Fogliatto, Flávio S.; Passos para implantação de sistemas de

previsão de demanda - técnicas e estudo de caso - Revista PRODUÇÃO, v. 11 n.
1, Junho, 2001.

PELLEGRINI, Fernando R; Fogliatto, Flávio S.; Metodologia Para Implantação De

Sistemas De Previsão De Demanda - Revista PRODUÇÃO, v. 11 n. 1, Novembro,
2001.

PUPULIN, Ricardo P., Sistema de Apoio Para Programação de Colheita em Usina de

Cana de Açúcar de Médio Porte. Campinas: Faculdade de Engenharia Mecânica,
Universidade Estadual de Campinas. Dissertação (Mestrado). 2008.

REBELATTO, Dayse. Projeto de Investimento. Barueri-SP, Ed Manole, 2004.

94
REIS, Diego Derivaldo dos; Análise computacional do método de restauração inexata
para problemas de otimização com restrições de igualdade e de canalização --
Campinas, [S.P. : s.n.], 2010.

SÁFADI, C.M.Q. Delphi: Um estudo sobre sua aceitação. In: V SEMEAD, 2001. São
Paulo: Anais ...SEMEAD FEA-USP, 2001.

SAMNDERS, NR., Manrodt KB. Forecasting practices in US corporations: survey

results. Interfaces; 24(2):92 –100. 1994.
SANDERS, N. R.; RITZMAN, L. P. Judgmental Adjustment of Statistical Forecasts. In:
ARMSTRONG, J. S. Principles of Forecasting: A Handbook for Researchers and
Practitioners. Kluwer Academic Publishers, 2001.

SILVA, Edna Lúcia da Metodologia da pesquisa e elaboração de dissertação/Edna Lúcia

da Silva, Estera Muszkat Menezes. – 3. ed. rev. atual. – Florianópolis: Laboratório
de Ensino a Distância da UFSC, 2001. 121p.

SLACK, Nigel.; Chambers, Stuart.; Johnston, Robert.; Betts, Alan.; Gerenciamento de

Operações e Processos. Bookman 5ed. 2008.

SLACK, Nigel.; Chambers, Stuart.; Johnston, Robert. Administração da Produção. 3.ed.

São Paulo, Atlas, 2009.

WALLACE, T. W., Stahl, R. Sales and operationa planning. The next generation.
December, 2005.

WATKINS, D. S., Fundamentals of Matrix Computations, 2a Ed, Wiley, 2002.

WELCH, Jack – Paixão por vencer: winning / Jack Welch com Suzi Welch – Rio de
Janeiro: Elsevier, 2005.

WRIGHT G, Lawrence MJ, Collopy F. The role and validity of judgment in forecasting.
Int J Forecast;12:1–8. 1996.

95
Referências consultadas na Web:

ALEXANDER, Ruy; Notas de Aula da disciplina Previsão de demanda, disponível em

.http://ruyalexandre.zzl.org/ Ultimo acesso: 04/05/2010.

JUNG, Carlos Fernando; Metodologia Cientifica e Tecnológica. Módulo 4 – Método

Cientifico, Faculdade de Engenharia Elétrica e Eletrônica. 2009. Disponível em
http://www.dsce.fee.unicamp.br/~antenor/mod4.pdf Ultimo acesso: 01/03/2012.

SEBRAE, A informação nas MPEs paulistas : relatório de pesquisa / coordenador

Marco Aurélio Bedê. São Paulo 1ed, 2003. Disponível em:
http://201.2.114.147/bds/BDS.nsf/F864F1EEEFFADD30832572B30065BABC/$F
ile/NT00035132.pdf Ultimo acesso 10/02/2012.

SEBRAE, Gerenciamento de venda. Disponível em

http://www.sebrae.com.br/customizado/acesso-a-mercados/venda-melhor/equipe-
de-vendas Ultimo acesso 10/10/2011.

96
 ANEXO A

Figura A 1 – Equacionamento da regressão linear corrigida para fator de sazonalidade 12 no Excel®.

Figura A 2 – Equacionamento para a suavização exponencial dupla de Holt no Excel®.

97
Figura A 3 – Winter Passo 1 - Equacionamento para a o modelo de Holt-Winter para período sazonal de 12 meses
no Excel®.

Figura A 4 – Winter Passo 2 - Equacionamento para a o modelo de Holt-Winter para período sazonal de 12 meses
no Excel®.

98
Figura A 5 – Winter Passo 3 parte 1- Equacionamento para a o modelo de Holt-Winter para período sazonal de 12
meses no Excel®.

Figura A 6 – Winter Passo 3 parte 2- Equacionamento para a o modelo de Holt-Winter para período sazonal de 12
meses no Excel®.

99