Escolar Documentos
Profissional Documentos
Cultura Documentos
Campinas, 2012
35/2012
Henrique Cury Casula
Campinas
2012
i
FICHA CATALOGRÁFICA ELABORADA PELA
BIBLIOTECA DA ÁREA DE ENGENHARIA E ARQUITETURA - BAE - UNICAMP
ii
UNIVERSIDADE ESTADUAL DE CAMPINAS
FACULDADE DE ENGENHARIA MECÂNICA
COMISSÃO PÓS-GRADUAÇÃO EM ENGENHARIA MECÂNICA
DEPARTAMENTO DE ENGENHARIA DE FABRICAÇÃO
iii
Dedicatória:
Dedico esse trabalho aos meus pais que devido ao suporte, empurrões e amor
tornaram tudo possível.
iv
Agradecimentos
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:
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
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
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
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
Letras Gregas
Abreviações
xii
SUMÁRIO
1 INTRODUÇÃO .......................................................................................................................1
2 REVISÃO DA LITERATURA................................................................................................ 6
xiii
3 METODOLOGIA ..................................................................................................................48
REFERÊNCIAS............................................................................................................................91
ANEXO A ......................................................................................................................................97
xv
1 INTRODUÇÃO
1
1.1 Formulação do problema
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
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).
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.
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 segundo Ballou (2006) deve ser analisada de acordo com algumas
classificações apresentados na sequência:
I – Temporalidade
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.
III - Dependência
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
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
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.
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).
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.
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
16
Figura 3 – Modelos de previsão de demanda (Adaptado de Davis 2003).
17
geradas corresponderem às metas de demanda estabelecidas pelas empresas (PELEGRINI
2001). Na sequência será apresentado alguns métodos qualitativos:
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
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.
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)
21
(2.1) Lt Dt Dt 1 ... Dt N 1 / N
Onde:
(2.2) Ft 1 Lt e Ft N Lt
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) 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
(2.7) Ft a * t b
(2.9)
23
Assim, para cada período da regressão linear, se tem um ajuste médio sazonal.
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
(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)
(2.13) Dt = at + b
(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)
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)
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)
(2.27)
(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.
(2.29)
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.
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).
33
2.5.2 A Programação Linear
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).
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).
36
Figura 7 – Processo de resolução de um problema ( Lanchtermacher, 2009),
38
Lachtermacher (2009) assim descreve um problema de programação linear:
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.
39
(2.30)
(2.31)
Sujeita as variáveis
Sujeitas as restrições:
α, β, γ >0;
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
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.
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.
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:
46
serviços que são essenciais para as vendas e a satisfação das necessidades dos clientes
(Ballou, 2004).
47
3 METODOLOGIA
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.
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
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).
52
3.3 Formação da equipe de previsão
3.2.1 Patrocinador
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
• 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
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
• 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.
• 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.
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):
56
matemática da previsão; opiniões de especialistas permitem a validação
prática das previsões geradas pelo sistema.
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.
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.
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.
59
Também a disposição dos pesquisadores softwares livres, são opções que poderiam
ser avaliadas mas não foram utilizadas nesse trabalho.
61
Vale lembrar que a partir deste ponto, consideram-se apenas os produtos classificados
como B e A anteriormente.
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.
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.
63
Figura 10 – Passos para previsão de demanda de vendas na tomada de decisão (próprio autor).
64
4 RESULTADOS E DISCUSSÃO
4.0 Introdução
65
Presidente
Consultoria
Diretor de Diretor de
Diretor Financeiro Diretor de TI Diretor Comercial
Desenvolvimento Produção
Ger. qualidade
Ger. PCP
Ger. produção
4.2.0 Iniciativa
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.
Diversos fatores devem ser analisados nesta etapa: como e onde a previsão será
usada, onde será usada e como se enquadra dentro da organização.
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.
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.
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.
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.
69
Diretor de Tecnologia da Informação é responsável com a sua equipe pela extração
de alguns dados e o seu tratamento.
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.
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).
Figura 12 – Levantamento dos dados históricos de janeiro de 2004 a junho de 2010 para a Família 12.
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.
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.
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.
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)
77
Tabela 3 – Exemplo de alguns modelos matemáticos utilizados.
Sujeitas as restrições:
α, β, γ >0;
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.
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%
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.
300000
250000
200000
150000
100000
50000
0
0 10 20 30 40 50 60 70 80
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.
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.
Crescimento
22% 32% 41% 50% 59% ... 124%
Progressivo
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.
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.
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%
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%.
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.
87
5 CONCLUSÃO E SUGESTÕES DE TRABALHOS FUTUROS
5.0 Conclusão
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.
90
REFERÊNCIAS
BATOCCHIO, Antonio; Biagio, Luiz A.; Plano de Negócios - Estratégia para Micro e
Pequenas Empresas. Barueri, SP: Manole, 2005
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.
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.
HAMILTON, J. D. Time series analysis, Princeton Univ. Press, Princeton, NJ. 1994.
HILL, T. Manufacturing strategy: text and cases, 2ª ed., Irwin, Boston, MA. 1994.
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.
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.
WALLACE, T. W., Stahl, R. Sales and operationa planning. The next generation.
December, 2005.
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:
96
ANEXO A
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