Escolar Documentos
Profissional Documentos
Cultura Documentos
UM ESTUDO DE CASO
Rio de Janeiro
2008
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
PREVISÃO DE VENDAS TOP-DOWN OU BOTTOM-UP?
UM ESTUDO DE CASO
Aprovada por:
_________________________________
Prof. Peter Fernandes Wanke, D.Sc. (COPPEAD/UFRJ) - Orientador
_________________________________
Prof. Eduardo Saliby, Ph.D. (COPPEAD/UFRJ)
_________________________________
Prof. Rafael Garcia Barbastefano, D. Sc. (CEFET-RJ)
Rio de Janeiro, RJ
2008
ii
Siqueira, Leonardo Gonçalves.
ix, 70 f.: il
iii
AGRADECIMENTOS
Aos meus queridos pais, Celso e Vera, minhas irmãs, Michelle e Giselle e minhas
quase irmãs, Ilcéia e Tatiana por terem me dado o suporte necessário nos 2 anos
de Mestrado.
À Mariana, por ter apoiado minhas escolhas, pela ajuda e por ter caminhado junto
comigo nestes 2 anos.
Aos amigos da Turma 2006, pessoas que ficarão marcadas na minha vida pelos
momentos passados juntos.
iv
RESUMO
v
ABSTRACT
In this context, this study uses model presented by Wanke and Saliby (2007) that
helps to decide beforehand which is the best approach using simple exponential
smoothing for each product. So, the main objective was to verify if this model
answers adequately when tested with actual data series rearranged obtained from
an automotive lubricants company. The secondary objective was to test if forecast
errors (average and variance) are influenced by series profiles.
Results showed that model is applied to actual data series when series
characteristics are favorable to simple exponential smoothing. Series
characteristics also confirmed their impacts on forecasts errors and approximately
80% of real better approach was the same as outputted in Wanke and Saliby
model (2007). The management impacts are also shown.
vi
SUMÁRIO
1. Introdução ......................................................................................................... 1
2. Revisão de literatura ......................................................................................... 5
2.1 As abordagens de previsão de vendas ..................................................... 5
2.2 Top-down ................................................................................................... 6
2.3 Bottom-up .................................................................................................. 7
2.4 As vantagens e desvantagens das abordagens ....................................... 9
2.5 Como escolher a melhor abordagem ...................................................... 13
2.6 O modelo Wanke e Saliby ....................................................................... 15
2.7 O que ainda não foi explorado na literatura: teste com dados reais....... 20
3. Objetivos e metodologia ................................................................................. 21
3.1 Objetivos .................................................................................................. 21
3.2 Organização das atividades .................................................................... 21
3.3 A técnica de reamostragem univariada usada: bootstrap....................... 23
3.4 As séries de vendas geradas por reamostragem.................................... 26
3.5 As análises utilizadas .............................................................................. 27
4. Análise dos dados........................................................................................... 29
4.1 A série de vendas original ....................................................................... 31
4.1.1 A série de vendas de 100 períodos.................................................. 33
4.1.2 A série de vendas de 500 períodos.................................................. 36
4.1.3 A série de vendas de 1.000 períodos .............................................. 38
4.2 As previsões top-down e bottom-up sobre as séries geradas ................ 41
4.3 Os erros medidos .................................................................................... 42
4.4 Os valores de f e ρ obtidos.................................................................. 45
4.5 Testes com regressões lineares.............................................................. 47
4.5.1 Regressão linear das variáveis f e ρ com o erro médio observado
..........................................................................................................48
4.5.2 Regressão linear das variáveis f e ρ com o k ............................. 53
4.6 Teste com regressão logística................................................................. 55
4.7 Capacidade preditiva do modelo ............................................................. 58
4.8 Características de séries que não se adequam ao modelo .................... 60
5. Discussão........................................................................................................ 61
6. Conclusões ..................................................................................................... 65
7. Referências ..................................................................................................... 68
vii
LISTA DE GRÁFICOS
LISTA DE FIGURAS
LISTA DE TABELAS
viii
Tabela 4.19 – Freqüência de correlação dos SKUs por família e por classe ABC47
Tabela 4.20 – Resumo de SKUs analisados por tamanho de série...................... 50
Tabela 4.21 – Estatísticas de regressão linear por família – 100 períodos........... 50
Tabela 4.22 – Estatísticas de regressão linear por família – 500 períodos........... 51
Tabela 4.23 – Estatísticas de regressão linear por família – 1.000 períodos ....... 51
Tabela 4.24 – Estatísticas de regressão linear por classe ABC – 100 períodos .. 52
Tabela 4.25 – Estatísticas de regressão linear por classe ABC – 500 períodos .. 52
Tabela 4.26 – Estatísticas de regressão linear por classe ABC – 1.000 períodos 52
Tabela 4.27 – Regressão para k como variável dependente – 100 períodos....... 54
Tabela 4.28 – Regressão para k como variável dependente – 500 períodos...... 54
Tabela 4.29 – Regressão para k como variável dependente – 1.000 períodos.... 54
Tabela 4.30 – Parâmetros do modelo (variável viável) ......................................... 56
Tabela 4.31 – Coeficientes padronizados (variável viável) ................................... 57
Tabela 4.32 – Resumo do acerto do k crítico ....................................................... 59
ix
1. Introdução
de vendas vem sendo cada vez mais importante para a geração de ganhos na
cadeia de suprimentos.
1996), que diz ser “...verdade que, se a previsão não é tudo na administração,
aquela que ninguém quer assumir e que é delegada a qualquer área, para a
setores, como o setor varejista (ECR Brasil, 2001) e o setor produtor de bens
março/2004) são impactados por previsões mal feitas. Isso só demonstra que
1
individuais) ou bottom-up (previsões sobre os itens individuais e com posterior
consolidação).
simples, que é o modelo mais comumente usado para determinar uma previsão
das séries que afetam a abordagem que apresenta o menor erro. Estudos
estas características.
2
Em função da limitação do número de dados originais, as séries reais de
de dados.
Por fim, através da comparação entre os erros obtidos nas previsões top-
3
ainda, o detalhamento do modelo que será utilizado, de Wanke e Saliby (2007),
anteriormente.
4
2. Revisão de literatura
− O que são;
− Como escolher;
− O que ainda não foi explorado na literatura: teste com dados reais.
Dangerfield (1997), elas são sugeridas a fim de que se prepare previsões para
5
itens individuais em uma família. Ao longo desta seção, são descritas as
2.2 Top-down
como uma previsão feita para um grupo, sendo posteriormente quebrada para
os itens que compõem este grupo (Lapide, 1998). Para Kahn (1998), a
de previsões locais. Anteriormente, Jain (1995), por sua vez, definiu a previsão
abordagem top-down:
6
Figura 2.1 – Exemplo de abordagem top-down
Fábrica
Previsão consolidada
(100.000 unidades)
Percentual
histórico
2.3 Bottom-up
vendas pode ser definida como a previsão que é realizada diretamente para
Por sua vez, Lapide (1998 e 2006) define a abordagem bottom-up como
sendo a previsão que é feita individualmente para cada item e, então, somada,
ainda, alguns dos níveis para os quais as previsões agrupadas podem ser a
unidades de negócios;
7
- Por produtos: uma marca ou um grupo de produtos tem como
destes dados, para conseguir uma previsão por família ou por algum nível
superior desejado.
previsão local por itens, a fim de que seja, então, somada, para criar uma
previsão agregada de uma marca nacional. Gelly (1999) utiliza uma explicação
previsões baseados nos menores níveis disponíveis (que, em geral, são por
força de vendas.
8
Ferreira (2006) sugere a Figura 2.2, a seguir, como ilustração para uma
Fábrica
Previsão total
(102.392 unidades)
esta questão seria simples: iniciar com a abordagem bottom-up, seguida pela
top-down, usando, às vezes, uma abordagem middle-up and down, que seria o
relativas aos custos de cada um. Ferreira (2006) levanta a questão acerca dos
custos atrelados a cada uma das abordagens. Para analisar os custos, o autor
comumente utilizados nas empresas. De acordo com o autor, o custo total para
9
o armazenamento de dados é o custo de se manter os dados armazenados
armazenagem dos mesmos, uma vez que estas atividades envolvem sistemas
e pessoas.
10
para que seja possível a realização de novas previsões. Apenas em casos de
dos índices percentuais dos itens individuais nos agrupados é que o esforço de
medida de difícil mensuração, uma vez que precisaria ser avaliado o número
de vezes em que o disco rígido é acessado. Como o autor sugeriu nos demais
recursos computacionais estão ficando cada vez menores, o autor sugere que
Ele defende que outros aspectos devem ser levados em consideração na hora
de se escolher a abordagem.
série agregada pode omitir ou esconder. Como exemplo, ele cita que qualquer
estímulo fora do padrão. Como este cliente ou esta região “recebe” suas
fazem parte, uma ação, ainda que direta, nos componentes individuais da
11
família, mexeria pouco na previsão agregada e, ainda assim, seria distribuída
que isso é ainda mais perigoso quando a área comercial precisa atingir uma
determinado item individual, para que ocorra algum benefício para a área
comercial como, por exemplo, o aumento de um item que tenha uma meta mais
facilmente alcançável ou, ainda, que tenha uma rentabilidade ou receita maior,
estímulo à demanda estará sendo forçado e será artificial, podendo não ser
ciclos econômicos.
12
sejam trabalhados nos níveis mais desagregados possíveis (em geral, os
escassos. Isto, ainda que reduzido nos grandes varejistas, continua sendo um
Ainda que estas restrições tenham sido feitas pelo autor, cabe o
uma ou outra abordagem, uma vez que o impacto destas ações serão sentidos,
priori, qual a melhor abordagem a ser utilizada e, para tanto, precisaria fazer as
13
abordagem top-down tende a ser mais precisa, mas que a abordagem bottom-
up, por ser individual, ajuda a identificar padrões da demanda que podem estar
(2006) acredita que muito da escolha estará relacionada ao uso que a empresa
14
com os itens que a compõem, os resultados foram divididos. Quando os itens
melhores resultados.
α
⎡
V ( LTE A ) = σ A2 ⋅ ⎢ μ LT +
2 −α
(
⋅ μ LT
2 2 ⎤
+ σ LT )
⎥⎦ , (1)
⎣
onde:
resposta;
σ A2 é a variância de A ;
α é a constante de amortecimento; e
σ LT
2
é a variância do tempo de resposta.
⎡ f 2 ⋅α ⎛ 1 2 ⋅ ρ AB ⎞ 2 ⎤
V ( LTE A ) = σ A2 ⋅ ⎢ μ LT +
2 −α ⎝
⋅ ⎜1 + 2 +
k ⎠
( 2
)
⎟ ⋅ μ LT + σ LT ⎥ , (2)
⎣ k ⎦
onde:
resposta;
σ A2 é a variância de A ;
16
μ LT é o valor esperado do tempo de resposta;
α é a constante de amortecimento;
σ LT
2
é a variância do tempo de resposta.
um determinado SKU ( s12 ), dividido pela variância dos demais SKUs (que
s12
k2 = . (3)
s 22
17
O autor prova analiticamente, para o amortecimento exponencial
f ( ρf + f 2( ρ 2 − 1) + 1)
k crítico = , (4)
1− f 2
onde:
k é o valor que iguala a variância dos erros de previsão nas abordagens top-
down e bottom-up;
classe; e
abordagem top-down deve ser a escolhida, caso k < k crítico , a abordagem a ser
ser utilizada, não sendo necessário, para tanto, fazer previsões com as duas
18
abordagens a fim de se saber qual retornará o menor erro. Este fato confirma-
f , ρ e k.
E(f) = 0.90
8
Top-down: k > kcrítico
Bottom-up: k < kcrítico
6
kcrítico
4
E(f) = 0.75
2
E(f) = 0.50
E(f) = 0.25
0 E(f) = 0.10
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
ρAB
19
Wanke (2006) aponta que, de acordo com o demonstrado na Figura 2.3,
down pode ser a melhor opção, também, para o caso de a razão da variância
dados reais
Torna-se relevante, a partir daí, que testes com dados reais sejam
20
3. Objetivos e metodologia
3.1 Objetivos
up), por meio de um estudo de caso prático. Este objetivo principal desdobra-se
na seguinte pergunta:
participação do item em estudo nas vendas totais ( f ). Para tanto, foi formulada
a seguinte pergunta:
21
histórico de vendas de 33 meses, de junho do ano de 2002 até o mês de
abaixo:
Saliby (2007) foi baseado nestas séries de vendas com 33 períodos. A partir da
série real, foram geradas novas séries artificiais com 100, 500 e 1.000
da série original.
22
3.3 A técnica de reamostragem univariada usada: bootstrap
da década de 40.
Chernick (1999) indica que foi Efron (1979) quem unificou as idéias e
que faz a reamostragem dos dados com reposição. Foi apenas após os artigos
do próprio Efron (1982), Diaconis e Efron (1983), Efron e Gong (1983) e Efron e
dados empírica não começou com Efron. Anteriormente, havia poucas técnicas
23
Por reamostragem com reposição entende-se, segundo Hesterberg et al.
(2002), que após uma observação ser retirada de uma amostra original, ela é
retira-se aleatoriamente uma das amostras e registra-se seu valor. Após este
abaixo:
Para Politis e Romano (1994), o bootstrap criado por Efron provou ser
24
O bootstrap funciona, de forma geral, da seguinte maneira: deseja-se
distribuição empírica.
diferentes vezes na nova série, enquanto que outras observações podem não
aparecer.
25
3.4 As séries de vendas geradas por reamostragem
Foi gerada uma única vez para cada um dos SKUs uma série de vendas
com 1.000 dados, a partir das séries de vendas originais, para depois serem
analisados até o centésimo dado, até o qüingentésimo dado e, por fim, até o
milésimo dado.
abordagem univariada.
vez que estas são retiradas aleatórias das séries originais) e para uma maior
período mensal por SKU. Para isso, foi calculado o fator sazonal de cada mês
∑ FS mês
IS mês = k =1 k
, (5)
n
onde,
∑ FS mês
k =1 k
é a soma dos fatores sazonais do mês em análise;
26
n é o número de vezes que o mês se repete.
voltou-se com a sazonalidade, para ter a série completa. Este procedimento foi
feito SKU a SKU e gerou uma nova base de dados com os mesmos 497 SKUs
testado comparativamente aos valores de k , para ver o quanto este pode ser
27
(2006), ou seja, para os valores de k que se encontraram acima de um, a
abordagem top-down foi definida como “viável”, caso contrário, foi definida
SKU com variância das vendas superior à variância das vendas dos demais
itens agregados.
28
4. Análise dos dados
Família 7; 22,0%
Família 3; 35,5%
Família 6; 0,1%
Família 5; 10,3%
Família 4; 1,0%
como base para a geração de novas séries de dados, com 100, 500 e 1.000
29
Assim, passou-se a ter séries maiores do que as originais para a
com abordagens reais (top-down e bottom-up), para 100, 500 e 1.000 dados e,
previsões das abordagens reais foram feitas no MS Excel 2007, pois este
agregação dos SKUs foi definido em função do perfil de vendas dentro da série
total (A, B ou C). Ambas as previsões reais (bottom-up e top-down) foram feitas
como a melhor abordagem real (retornada a partir dos erros medidos, sendo
30
up) por família ou por classificação ABC do produto. Posteriormente, foram
31
(aproximadamente 20% de itens A, 30% de itens B e 50% de itens C), esta
7000
Número de observações por faixa
36,9%
6000
5000
24,6%
4000
3000
2000 10,4%
11,6%
5,8% 9,1%
1000
1,0% 0,4% 0,0%
0
Percentual de observações por faixa sobre o total
32
Tabela 4.3 – Estatísticas descritivas da série original por família
Família Total vendas % sobre total Média Desvio-padrão Mínimo Máximo N (SKUs) Coef. de variação
1 47.552.069 14,0% 1.440.972 237.341 978.977 2.030.776 49 16%
2 2.514.368 0,7% 76.193 32.257 12.696 134.448 26 42%
3 120.439.075 35,5% 3.649.669 756.291 2.133.992 5.615.067 61 21%
4 3.294.552 1,0% 99.835 19.112 65.187 141.201 47 19%
5 34.884.257 10,3% 1.057.099 209.201 634.309 1.546.571 66 20%
6 392.396 0,1% 11.891 5.632 1.640 22.292 32 47%
7 74.503.928 22,0% 2.257.695 419.691 1.145.797 3.131.899 139 19%
8 302.300 0,1% 9.161 5.433 2.000 29.100 16 59%
9 36.844.122 10,9% 1.116.489 210.777 744.065 1.700.686 26 19%
10 18.370.553 5,4% 556.683 95.670 337.149 779.220 35 17%
Classe Total vendas % sobre total Média Desvio-padrão Mínimo Máximo N (SKUs) Coef. de variação
A 270.984.882 80% 8.211.663 1.351.922 5.397.308 11.319.041 68 16%
B 51.157.437 15% 1.550.225 284.186 872.815 2.118.543 99 18%
C 16.981.879 5% 514.602 94.956 322.470 737.199 330 18%
33
Apesar da pouca diferença, houve uma pequena variação no número de
explicado pela potencialização dos itens sem vendas ou com vendas muito
Gráfico 4.3 – Distribuição de freqüência das observações da série gerada com 100
períodos
25000
Número de observações por faixa
39,7%
20000
15000 24,3%
10000
10,9%
9,3% 8,7%
5000 5,4%
1,2% 0,4% 0,0%
0
0 1.000 2.000 5.000 10.000 250.000 500.000 1.000.000 10.000.000
Percentual de observações por faixa sobre o total
34
O padrão das observações da série gerada segue o padrão da série
abaixo.
Família Total vendas % sobre total Média Desvio-padrão Mínimo Máximo N (SKUs) Coef. de variação
1 141.689.148 13,9% 1.416.891 319.231,31 702.527 2.201.209 49 23%
2 7.417.170 0,7% 74.172 29.990,30 21.972 193.109 26 40%
3 366.078.827 35,9% 3.660.788 920.610,71 1.939.768 5.601.378 61 25%
4 9.896.444 1,0% 98.964 30.300,06 29.136 171.725 47 31%
5 105.967.368 10,4% 1.059.674 227.807,27 607.478 1.600.202 66 21%
6 1.075.124 0,1% 10.751 4.463,52 2.161 22.863 32 42%
7 221.599.760 21,7% 2.215.998 422.771,88 1.502.028 3.252.164 139 19%
8 819.639 0,1% 8.196 3.574,64 1.707 17.472 16 44%
9 111.171.899 10,9% 1.111.719 256.934,52 562.887 1.616.333 26 23%
10 54.870.247 5,4% 548.702 103.283,43 366.567 805.647 35 19%
Tabela 4.7 – Estatísticas descritivas da série de 100 períodos por classificação ABC
Classe Total vendas % sobre total Média Desvio-padrão Mínimo Máximo N (SKUs) Coef. de variação
A 815.044.784 80% 8.150.448 1.659.107 4.682.220 12.072.456 67 20%
B 154.116.632 15% 1.541.166 295.934 975.290 2.256.111 93 19%
C 51.424.210 5% 514.242 93.997 319.549 685.076 337 18%
originais, o desvio-padrão foi levemente maior nestes grupos. Isto pode ser
35
sido dessazonalizado e depois de reamostrado ter contado com a volta da
sazonalidade.
série com 100 dados, possui a diferença de um SKU a mais, classificado como
distribuição:
36
Gráfico 4.4 – Distribuição de freqüência das observações da série gerada com 500
períodos
120000
Número de observações por faixa
39,6%
100000
80000
24,4%
60000
40000 10,9%
9,3% 8,8%
20000
5,5%
1,1% 0,4% 0,1%
0
0 1.000 2.000 5.000 10.000 250.000 500.000 1.000.000 10.000.000
Percentual de observações por faixa sobre o total
Família Total vendas % sobre total Média Desvio-padrão Mínimo Máximo N (SKUs) Coef. de variação
1 713.000.235 13,9% 1.426.000 306.572,83 653.059 2.452.838 49 21%
2 37.271.840 0,7% 74.544 31.939,75 15.114 193.109 26 43%
3 1.825.631.108 35,6% 3.651.262 908.482,90 1.860.788 6.023.520 61 25%
4 47.923.305 0,9% 95.847 29.460,33 29.136 178.100 47 31%
5 529.732.602 10,3% 1.059.465 236.529,77 575.482 1.667.827 66 22%
6 5.531.262 0,1% 11.063 4.806,79 937 28.316 32 43%
7 1.129.400.342 22,0% 2.258.801 434.595,58 1.454.712 3.674.346 139 19%
8 4.310.872 0,1% 8.622 4.468,74 1.207 32.597 16 52%
9 551.677.264 10,8% 1.103.355 274.670,41 441.423 1.965.641 26 25%
10 277.931.285 5,4% 555.863 102.975,97 329.859 947.407 35 19%
37
valores máximos aumentaram e os mínimos diminuíram mais
significativamente.
Classe Total vendas % sobre total Média Desvio-padrão Mínimo Máximo N (SKUs) Coef. de variação
A 4.097.327.346 80% 8.194.655 1.652.383 4.685.494 12.428.804 67 20%
B 766.107.139 15% 1.532.214 304.323 955.127 2.343.866 94 20%
C 258.975.630 5% 517.951 99.679 290.954 796.978 336 19%
classificado como B.
38
Tabela 4.11 – Quantidade de SKUs por classe
Gráfico 4.5 – Distribuição de freqüência das observações da série gerada com 1.000
períodos
250000
Número de observações por faixa
39,5%
200000
150000 24,4%
100000
11,0%
9,3% 8,7%
50000 5,5%
1,1% 0,4% 0,1%
0
0 1.000 2.000 5.000 10.000 250.000 500.000 1.000.000 10.000.000
Percentual de observações por faixa sobre o total
apenas o aumento das séries observadas como zero. Mas isso se deve,
esporádicas.
39
Para a análise do comportamento das famílias nas séries geradas com
Família Total vendas % sobre total Média Desvio-padrão Mínimo Máximo N (SKUs) Coef. de variação
1 1.427.402.739 13,9% 1.427.403 311.817,70 638.096 2.495.201 49 22%
2 74.584.042 0,7% 74.584 32.252,48 15.114 206.502 26 43%
3 3.666.854.577 35,8% 3.666.855 928.869,72 1.837.647 6.658.697 61 25%
4 97.447.132 1,0% 97.447 29.865,21 29.136 184.111 47 31%
5 1.054.919.976 10,3% 1.054.920 235.530,31 548.815 1.667.827 66 22%
6 11.089.346 0,1% 11.089 4.877,33 937 29.117 32 44%
7 2.253.337.443 22,0% 2.253.337 434.858,53 1.432.782 3.674.346 139 19%
8 8.848.982 0,1% 8.849 4.653,49 277 33.167 16 53%
9 1.106.615.305 10,8% 1.106.615 285.765,30 367.362 1.975.350 26 26%
10 553.892.879 5,4% 553.893 103.162,80 299.915 947.407 35 19%
características:
Tabela 4.13 – Estatísticas descritivas da série de 1.000 períodos por classificação ABC
Classe Total vendas % sobre total Média Desvio-padrão Mínimo Máximo N (SKUs) Coef. de variação
A 8.169.278.477 80% 8.169.278 1.691.541 4.549.405 12.794.655 66 21%
B 1.566.934.756 15% 1.566.935 304.921 990.873 2.392.165 95 19%
C 518.779.188 5% 518.779 99.411 286.036 803.767 336 19%
em função das vendas oscilarem mais, quanto mais longas forem as séries de
40
4.2 As previsões top-down e bottom-up sobre as séries
geradas
PX t = aX t −1 + ( 1 − a )PX t −1 . (6)
onde,
Este cálculo foi aplicado diretamente à série original a ser prevista, sem
que esta passasse por nenhum tipo de tratamento, ou seja, sem que tenha
41
previsões bottom-up, o cálculo foi realizado diretamente sobre os SKUs. Já
nos mesmos níveis. Somente após o cálculo das previsões das séries
SKU.
Três medidas de erro foram calculadas por previsão feita neste trabalho.
São elas: MAPE, MPE e o erro médio. A diferença entre o MAPE e o MPE é
valores absolutos, ou seja, sem valores negativos, sendo esta uma medida de
estudo. O erro médio é o valor médio dos desvios da previsão, medidos por
1 ⎡ n X i − Fi ⎤
MAPE = ⎢∑ | | ×100 ⎥ , (7)
n ⎣ i =1 Xi ⎦
onde:
1 ⎡ n X i − Fi ⎤
MPE = ⎢∑ × 100 ⎥ , (8)
n ⎣ i =1 X i ⎦
onde:
43
Tabela 4.15 – Erros medidos contra a previsão top-down (previsto por família)
Tabela 4.16 – Erros medidos contra a previsão top-down (previsto por classe ABC)
Ainda assim, nota-se que o erro médio cai significativamente das séries
de 100 períodos para as séries de 500 períodos. Já das séries de 500 períodos
tão significativo.
44
4.4 Os valores de f e ρ obtidos
Foram obtidos dois f por SKU para cada tamanho de série, um referente
ABC, respectivamente.
45
Dentro das famílias, para todas as séries analisadas, somente quatro
dos SKUs (357 – séries de 100 e 1.000 períodos – e 358 – séries de 500
SKUs são classe A, o que pode ser entendido devido a grande quantidade de
46
Tabela 4.19 – Freqüência de correlação dos SKUs por família e por classe ABC
excluídos. Isto é reforçado por baixos f nas famílias e classes e pelo fato de
a resposta deste.
(100, 500 e 1.000 períodos) e a variável dependente y foi testada tanto sendo
47
considerada o erro quanto sendo considerada o valor de k . Assim, estas
observado
estatística usada, que tem por objetivo examinar as relações entre uma variável
48
A medida de erro utilizada como variável dependente (y) do modelo foi o
erro percentual médio. Este foi calculado como o desvio entre as vendas reais
O modelo foi testado para cada bloco, ou seja, por cada família ou
fraco, por contar, por exemplo, em determinada família com um SKU com alto
f (maior do que 0,5) e com os demais SKUs com baixa participação. Em outra
modelo deve contar com, no mínimo, cinco casos para cada variável
todas as observações, ou seja, SKUs nos quais a soma de vendas foi zero, ao
49
Tabela 4.20 – Resumo de SKUs analisados por tamanho de série
seguintes:
50
Tabela 4.22 – Estatísticas de regressão linear por família – 500 períodos
do erro médio medido. Analisando o motivo, foi possível verificar que a média
períodos e os erros médios oscilam para cima e para baixo, sem muito padrão.
pequena, ela existe, o que faz com que o modelo tenha alto poder de
51
Ao se obter o valor F para que fosse testada a acuracidade do modelo,
das séries de 100 e 1.000 períodos. Este dado analisado por família mostra-se
aplicável e em qual não é o mais indicado. Ou seja, para séries em que o erro
médio é zero ou muito próximo a zero, as variáveis f e ρ não têm alto poder
Tabela 4.24 – Estatísticas de regressão linear por classe ABC – 100 períodos
Tabela 4.25 – Estatísticas de regressão linear por classe ABC – 500 períodos
Tabela 4.26 – Estatísticas de regressão linear por classe ABC – 1.000 períodos
52
O teste aplicado por classe ABC dos SKUs mostra que as variáveis f e
ρ também têm alto poder de explicação do erro médio obtido, exceto para a
O teste F para as séries de 500 e 1.000 períodos mostra que o modelo possui
Após o teste do modelo para explicação dos erros, onde foi possível
série.
seguintes:
53
As tabelas apresentadas a seguir mostram os valores obtidos na
regressão do modelo.
R² F F de significância
f,p,k por família 0,894 1900,4 < 0
f,p,k por ABC 0,420 162,7 < 0
R² F F de significância
f,p,k por família 0,872 1599,2 < 0
f,p,k por ABC 0,431 177,9 < 0
R² F F de significância
f,p,k por família 0,867 1570,1 < 0
f,p,k por ABC 0,433 183,5 < 0
para a análise das variáveis geradas por família. Ainda assim, as variáveis
54
melhor abordagem pode ser definida sem que sejam testadas repetidamente
variável dependente possui apenas dois grupos, segundo Hair et al. (1998). É
ainda uma ferramenta estatística muito utilizada por pesquisadores, por ser
que se encontraram entre zero e um, a abordagem top-down foi definida como
55
SKU com variância das vendas superior à variância das vendas dos demais
itens agregados.
zero e um. Conforme Hair et al. (1998) apresentam, a partir de 0,50 o modelo
pode ser considerado significativo, uma vez que, de acordo com Hair et al.
pontos corroboram o modelo como viável, do mesmo modo que definido por
Fonte Valor Erro padrão Qui-quadrado de Wald Pr > Qui² Wald Limite inf. (95%) Wald Limite sup. (95%)
Intercepto 12,485 4,079 9,368 0,002 4,490 20,479
f -21,704 6,361 11,640 0,001 -34,172 -9,236
ρ -6,082 6,198 0,963 0,326 -18,230 6,066
56
Este modelo fica de acordo com o ilustrado por Gordon, Morris e
erro de previsão.
57
Gráfico 4.6 – Coeficientes padronizados
0,5
Coeficientes padronizados
‐0,5
f; ‐0,509
ρ; ‐0,696
‐1
‐1,5
‐2
‐2,5
Variável
Wanke e Saliby (2007), com uma série aleatória de dados. Naquela, os autores
58
Outro ponto que reforça os resultados obtidos no estudo é o efeito
agregados.
Ou seja, para estes percentuais que oscilam em cerca de 80% dos SKUs
abordagem real do SKU. Isto indica que para casos em que o teste seja muito
o previsor não precisaria fazer testes com ambas as abordagens para defini-la.
59
Além disso, o modelo, por já proporcionar a medição dos valores de f e
ρ , pode ser também utilizado para que se tente apurar valores do erro que
possivelmente venha a ocorrer com certa confiabilidade. Isto faria com que os
reduzido.
60
5. Discussão
séries reais de vendas ainda não havia sido testada. Portanto, esta seção
precisa ser muito bem definido antes de sua implantação, para evitar, segundo
o autor, uma mudança posterior no processo. Mudança esta que seria de difícil
61
disso, necessitaria tanto de ajustes em softwares quanto de ajustes na
estrutura organizacional.
e os erros gerados a partir das previsões. As tabelas 4.19, 4.20, 4.21, 4.22,
série. Esta informação é extremamente útil para que ações gerenciais sejam
As tabelas 4.25, 4.26 e 4.27 mostram que a razão das variâncias de uma
série de determinado SKU sobre a série agregada dos demais SKUs (variável
abordagem.
definida para o estudo. Percebe-se que o modelo testado com as séries reais
62
de dados reforça o que havia sido anteriormente apurado em Wanke (2006),
99% dos valores de k ficaram entre zero e um, o que define o modelo como
de cálculo seja feito para uma única abordagem. Pode, ainda, facilitar o
abordagem top-down.
Assim, para a maior parte dos SKUs das séries reais apuradas a
abordagem top-down.
63
Outra grande vantagem do modelo é o fim do conflito entre as áreas na
através das séries reais analisadas, que, em casos onde o erro médio oscila
próximo a zero, este não é muito bem explicado pelas características da série
deixar de ter a precisão necessária. Isto não deve ser um grande problema,
porque dificilmente uma classe ou família consegue manter-se com este erro
64
6. Conclusões
são corroborados, pois a maior parte das séries analisadas retornou top-down
65
Para a segunda pergunta, as demais análises feitas sobre as séries de
agregadas, cujo valor médio do erro seja próximo a zero, é que as variáveis
por Wanke e Saliby (2007), seja utilizado para que se defina, a priori, qual
generalizações.
66
Cabe ponderar que a série tratada foi reamostrada e gerou séries de
vendas artificiais, com periodicidades maiores, mas que estes dados não eram
valores gerados da série real, não é possível afirmar que a série real exibiria as
mesmas características.
modelo para outras indústrias, mas que possuam séries de vendas que
uma série real de longo período com dados empíricos coletados, ao invés de
67
7. Referências
ECR BRASIL. Por falhas na previsão, supermercados perdem até 50% das
vendas. ECR Notícias. Disponível em:
<http://www.ecrbrasil.com.br/ecrbrasil/page/noticias_detalhe.asp?id=21>.
Acesso em: 24 ago. 2008.
GIJBELS, I.; POPE, A.; WAND, M.P. Understanding exponential smoothing via
kernel regression. Journal of the Royal Statistical Society: Series B
(Statistical Methodology). v. 61, n. 1, p. 39-50, 1999.
HAIR, J.F et al. Multivariate Data Analysis. 5 ed. New Jersey: Prentice-Hall,
1998.
68
JAIN, Chaman L. How to determine the approach to forecasting. The Journal
of Business Forecasting Methods & Systems, v. 14, n. 2, p. 2-28, summer
1995.
MAKRIDAKIS, Spyros. Forecasting: its role and value for planning and strategy.
International Journal of Forecasting, v.12, n.4, p. 513-537, dez. 1996.
69
______. Previsão top-down ou bottom-up? Impacto nos níveis de erro e de
estoque de segurança. Gestão & Produção. v. 15, n. 2, maio-ago, 2008.
70
Livros Grátis
( http://www.livrosgratis.com.br )