coppead.
qxd 24/1/2006 11:04 Page 60
CENTRO DE ESTUDOS EM LOGÍSTICA
Metodologia para gestão de
estoques de peças de reposição:
um estudo de caso em
empresa brasileira
Peter Wanke
Introdução
U
ma típica empresa fabricante de bens de con-
sumo tende a manter entre US$ 5 milhões e
US$ 15 milhões imobilizados em peças de
reposição, a um custo de oportunidade anual que oscila
entre 20% e 40% do valor em estoque7. De modo geral,
há um consenso de que os estoques de peças de re-
posição não podem ser gerenciados pelos modelos ou
métodos tradicionais, já que as condições para sua apli-
cação não são satisfeitas. Isso porque o padrão de con-
sumo é esporádico (ou seja, é irregular e pequeno), os
tempos de resposta do ressuprimento são longos e os
custos de aquisição são elevados1. Mesmo assim, as per-
guntas básicas da gestão de estoques ainda devem ser
respondidas: quais itens devem ser estocados e o quanto
de cada item deve ser mantido em estoque.
A gestão das peças de reposição também pode ser en-
tendida pelo aspecto do serviço ao cliente e não apenas
pelo aspecto financeiro e/ou de logística. Para muitas
empresas que enfrentam um ambiente competitivo
mais acirrado, a satisfação dos clientes é crucial3. Um
meio bastante comum de manter os clientes satisfeitos
é na assistência pós-venda, através do rápido reparo dos
60 - Revista Tecnologística - Dezembro/2005
produtos e sistemas defeituosos. Para isso, uma quanti-
dade suficiente de peças de reposição deve ser mantida
em estoque para atender a determinados níveis de
serviço ao cliente. Este pode ser normalmente medido
em termos de disponibilidade de produto, como nos in-
dicadores de probabilidade de não faltar produto em es-
toque e Fill Rate10/14, e em termos de prazo de entrega.
Sob o prisma da administração de materiais, as peças
de reposição podem ser divididas em duas principais
categorias: itens reparáveis ou itens consumíveis ou
descartáveis1. Os itens reparáveis englobam as peças de
reposição que são técnica e economicamente recu-
peráveis. Em caso de falha, a peça antiga é substituída
por uma nova e enviada para um centro de reparo,
sendo posteriormente disponibilizada em estoque. Já os
itens consumíveis correspondem às peças que não são
técnica e economicamente recuperáveis. Em caso de fa-
lha, a peça antiga é simplesmente descartada. No pri-
meiro caso, a possibilidade de recuperação de um item
acarreta implicações na gestão de estoques, uma vez
que, em linhas gerais, as quantidades em processo de re-
condicionamento devem ser deduzidas das quantidades
a serem ressupridas no futuro8.
Este artigo baseia-se num estudo de caso13. Nele, são
apresentadas considerações metodológicas sobre como
segmentar a gestão de estoques por diferentes peças de
reposição consumíveis em termos de suas características
principais15: consumo médio e coeficiente de variação
do consumo, ou seja, a razão entre seu desvio-padrão e
sua média. Também são tecidas considerações sobre co-
mo operacionalizar essa segmentação a partir de um
modelo ou política de gestão de estoques atualmente
em curso e sobre como estimar os ganhos potenciais em
termos de aumentos nos níveis de serviço, de redução
dos estoques e de redução nos erros de previsão. Mais
especificamente, é descrita a metodologia operaciona-
lizada através de planilha MS-Excel e do pacote estatís-
coppead.qxd 24/1/2006 11:04 Page 61
tico SPSS para os itens consumíveis de uma empresa fa-
bricante de equipamentos e implementos agrícolas ins-
talada no Brasil. Por razões óbvias, informações sen-
síveis à empresa, ao seu posicionamento na indústria e
às suas operações serão omitidas ou disfarçadas.
Revisão da literatura
A gestão de estoques tem recebido substancial
atenção dos meios acadêmico e empresarial nos últimos
anos. A maior parte da literatura está focada em deter-
minar, estabelecer ou aplicar métodos para ressupri-
mento dos estoques em ambientes de produção e dis-
tribuição1. Nesses ambientes, a demanda e o tempo de
resposta tendem a ser previstos com maior grau de
certeza e a grande maioria dos modelos empregados per-
mite a tomada de decisões adequadas sobre quanto
manter em estoque de cada item ou produto11. Nesse ar-
tigo, a tomada de decisão em gestão de estoques ocorre
num contexto totalmente diferente, ou seja, o ressupri-
mento de peças de reposição. Nesse contexto, empresas
e gerentes enfrentam um problema mais complexo:
peças de reposição são caras, a demanda é errática e difí-
cil de prever, tempos de resposta são longos e estocás-
ticos e os clientes querem receber as peças de reposi-
ção rapidamente.
Dessa forma, a literatura sobre o ressuprimento de
peças de reposição tende a ser mais escassa1 e os desen-
volvimentos nos últimos dez anos tendem a apresentar
várias abordagens para o problema, como a determi-
nação do último pedido4, a determinação do intervalo
ótimo de revisão9 e a determinação de políticas de es-
toque com base na criticidade dos itens2. Mais especifi-
camente, o desenvolvimento da revisão de literatura foi
direcionado para o mapeamento de abordagens realis-
tas, previamente testadas em empresas, como as de Yeh
(1997), Robison (2001), Sandivg e Allaire (1998) e as dos
próprios Botter e Fortuin (2000); abordagens puramente
teóricas e hipotéticas por natureza foram desconside-
radas, sendo privilegiada sua aplicabilidade prática.
Yeh (1997) adotou a premissa da distribuição Gama
da demanda para determinação dos pontos de ressupri-
mento numa empresa de médio porte, fabricante de
produtos eletrônicos, localizada em Taiwan. Pelo fato de
mais da metade dos dez mil itens analisados apresentar
algum consumo menos de dez vezes por ano, a premis-
sa da distribuição Normal foi inicialmente descartada. A
distribuição Poisson, também utilizada bastante na
prática8/14 e proposta como uma alternativa à dis-
tribuição Normal para itens de baixo consumo, também
foi descartada. De acordo com Yeh, a aplicabilidade da
premissa da distribuição Poisson depende da razão en-
tre a variância e a média da demanda, que deve se si-
tuar entre os limites de 0,9 e 1,1.
Robison (2001) desenvolveu uma técnica para anali-
sar os níveis de estoque e prever o nível de serviço ao
cliente, considerando-se simultaneamente 15 mil itens.
De modo inverso, dado um determinado nível de
serviço, a técnica desenvolvida permite calcular os ní-
veis de estoque necessários. Mais especificamente,
através de métodos como Análise de Regressão Linear,
Robison determinou equações que relacionam níveis de
serviço aos níveis de estoque, com coeficientes de de-
terminação (R2) ao redor de 0,70.
Sandvig e Allaire (1998) desenvolveram um mode-
lo em planilha MS-Excel para evidenciar como os níveis
de estoque respondiam, em termos de nível de serviço,
sob diferentes cenários de demanda. A partir dos da-
dos reais de consumo de milhares de peças de reposi-
ção numa empresa norte-americana, os autores deter-
minaram que níveis de serviço mais baixos resulta-
vam da interação da elevada variabilidade da demanda
com longos tempos de resposta. Ações foram tomadas
no sentido de reduzir os níveis de estoque a partir de
mudanças na sistemática de colocação dos pedidos por
parte dos clientes.
Botter e Fortuin1 segmentaram 50 mil peças de
reposição em níveis decrescentes de consumo, tempo de
resposta, preço e criticidade de cada item, com a subse-
qüente determinação dos valores médios para cada ní-
vel. Níveis de serviço foram calculados para esses seg-
mentos com base nesses valores, considerando-se si-
tuações alternativas de ressuprimento a partir de um
centro de distribuição regional ou de um armazém lo-
cal. Ganhos em termos de redução de níveis de estoque
e aumento nos níveis de serviço também foram estima-
dos para cada segmento.
A breve descrição dessas quatro abordagens práticas,
aplicadas à gestão de peças de reposição, permite inferir
alguns aspectos metodológicos sobre como empresas e
gerentes estão encaminhando a determinação desses
níveis de estoque:
• A aproximação dos dados de consumo pela dis-
tribuição Gama para cálculo dos pontos ou níveis de
reposição dos estoques12;
• A utilização de técnicas de análise estatística multi-
variada para relacionar níveis de estoque a medidas de
nível de serviço como, por exemplo, o Fill Rate6;
Dezembro/2005 - Revista Tecnologística - 61
coppead.qxd 24/1/2006 11:04 Page 62

CENTRO DE ESTUDOS EM LOGÍSTICA

• A utilização de dados reais do consumo para testar desvio-padrão é de 422 unidades. O consumo anual por
as políticas de estoques propostas7 em termos de nível item, com base nos últimos 36 meses, vai de um míni-
de serviço; mo de 0,30 a um máximo de 29.756 unidades, deno-
• A segmentação das peças de reposição com base em tando simultaneamente grande amplitude e concen-
diferentes critérios e o cálculo de estimativas sobre ga- tração dos dados para valores inferiores à média. Já a
nhos de nível de serviço e reduções nos níveis de es- média do coeficiente de variação do consumo mensal
toque para cada segmento1. (CV) é de aproximadamente 2,8, e o erro mensal médio
de previsão em valores absolutos (MAD – Mean Absolute
A empresa e a política atual gestão de estoques Deviation) por item é de 4,1. O desvio-padrão do erro de
previsão médio absoluto é de 24 unidades por mês.
A empresa é um dos maiores fabricantes multina- Já de acordo com a Tabela 2, metade dos itens (medi-
cionais de equipamentos e implementos agrícolas insta- ana) apresenta consumo anual menor ou igual a 5,70
lados no Brasil. Para apoiar a assistência técnica e o unidades. Com relação ao coeficiente de variação do
serviço pós-venda de seus equipamentos, a empresa consumo mensal, metade dos itens apresenta valores
mantém 20.833 diferentes tipos de itens centralizados superiores a 2,4. Esses dados refletem as características
em seu armazém de fábrica, totalizando um montante principais envolvidas na gestão de estoques de peças de
de capital empatado em estoque da ordem de 20 mi- reposição apontadas na literatura: consumo pequeno e
lhões de dólares. Existe aproximadamente um mi-
lhão de unidades em estoque, o que perfaz um va- Fill Rate Nível de Estoque
lor unitário médio de 20 dólares. N Válidos 20.824 20.833
Atualmente, a empresa decide repor os estoques Faltas 9 1
com base em previsões de consumo para os próxi- Média 0,8028 52,4009
mos meses. Todas as peças de reposição são pro- Mediana 0,8330 8,0000
duzidas internamente e os ciclos de programação Desvio-padrão 0,12885 237,37580
da produção observam o horizonte de um mês. Em Mínimo 0,03 0,00
linhas gerais, pode-se dizer que o tempo de respos- Máximo 1,00 9.810,00
ta para disponibilização de um pedido de peças de Percentis 25 0,7500 2,0000
reposição tem média de um mês e desvio-padrão 50 0,8330 8,0000
de zero. 75 0,9170 27,0000
De acordo com a Tabela 1, o consumo anual mé-
dio por item (D_YR) é de quase 63 unidades e seu Tabela 3 – Distribuição de freqüências - Fill Rate e nível de estoque

N Mínimo Máximo Média Desvio-padrão

irregular, com elevado desvio-padrão dos er-
D_YR 20.833 0,30 29.756,00 62,6849 422,42238 ros de previsão, implicando elevados níveis
CV 20.833 0,30 6,00 2,7699 1,59721 de estoque em relação ao consumo médio.
MAD 20.833 0,00 1.218,20 4,0879 24,12931 A empresa mede o nível de serviço ofereci-
N válido 20.833 do aos seus clientes através de indicadores de
Fill Rate para cada item pedido. Por exemplo,
Tabela 1 – Estatísticas descritivas para os últimos 36 meses para um determinado item, se a quantidade
inicialmente solicitada foi de cem unidades e
D_YR CV MAD
só havia 80 unidades disponíveis em estoque,
N Válidos 20.833 20.833 20.833
o Fill Rate é calculado como 80%. Conforme
Faltas 0 0 0
indicado na Tabela 3, nos últimos 36 meses, o
Mediana 5,7000 2,4000 0,6000
Desvio-padrão 422,42238 1,59721 24,12931
Fill Rate médio para todos os itens da empre-
Percentis 25 1,7000 1,5000 0,2000 sa foi de 80,28%, sendo que 50% dos itens
50 5,7000 2,4000 0,6000 apresentaram Fill Rate inferior a 83,30%. Um
75 22,0000 3,7000 2,1000 quarto dos itens apresentou Fill Rate superior
a 91,70%, provavelmente denotando excesso
Tabela 2 – Distribuição de freqüências para os últimos 36 meses de itens em estoque.

62 - Revista Tecnologística - Dezembro/2005

coppead.qxd 24/1/2006 11:04 Page 63

CENTRO DE ESTUDOS EM LOGÍSTICA

• Passo 1: calcular, para cada item, a média de erro absoluto de previsão, Fill Rate e nível de estoque para os últimos 36 meses
(horizonte de tempo considerado no estudo de caso);
• Passo 2: aproximar o consumo real de cada item pela distribuição Gama;
• Passo 3: determinar os níveis de estoque para diferentes níveis de probabilidade de não faltar produto em estoque (10%, 20%,
30%, até 90%);
• Passo 4: calcular os novos erros absolutos de previsão de consumo, considerando cada nível de estoque uma previsão proba-
bilística. Calcular também os novos indicadores de Fill Rate e nível de estoque médio;
• Passo 5: confrontar os erros calculados no passo anterior com os erros absolutos de previsão gerados pelo modelo atualmen-
te adotado (passo1);
• Passo 6: identificar os modelos de menor erro absoluto para cada um dos itens;
• Passo 7: segmentar a base de dados e executar os passos seguintes para os itens nos quais as previsões probabilísticas geraram
menor erro de previsão;
• Passo 8: conduzir análise de regressão logística multinomial para segmentar os modelos (previsões probabilísticas) em função
do consumo médio anual e do coeficiente de variação do consumo mensal. A segmentação decorre da quantificação dos valo-
res mais prováveis dessas duas variáveis para um determinado modelo;
• Passo 9: calcular, para cada item, a variação no MAD, Fill Rate e nível de estoque a partir da diferença nos resultados gerados
nos passos 1 e 4;
• Passo 10: conduzir Análise de Regressão Linear Múltipla para cada variável dependente do Passo 9 em função do consumo
médio anual e do coeficiente de variação do consumo mensal. Essas análises permitem prever os ganhos decorrentes da mu-
dança de modelo e devem ser utilizadas em conjunto com os resultados do Passo 8.

Tabela 4 – Metodologia proposta

De acordo com a Tabela 3, existem em média 52,4
unidades para cada item em estoque. 25% dos itens pos-
suem mais de 27 unidades, com estoque máximo de
9.810 unidades. Outros 25% dos itens possuem menos
de duas unidades, com estoque mínimo de zero. Esses
dados, quando confrontados aos da Tabela 1, indicam
uma cobertura agregada de quase dez meses de con-
sumo em estoque.
No presente momento, a empresa está reestrutu-
rando a gestão de estoques de peças de reposição. Seu
objetivo principal é a determinação de previsões de
consumo mais precisas para cada item, como meio pa-
ra simultaneamente reduzir os níveis de estoque e
equilibrar os níveis médios de Fill Rate para os dife-
rentes itens.
Metodologia utilizada
Com base na revisão da literatura, a metodologia em-
pregada para a redefinição da gestão de estoques de
peças de reposição consistiu das etapas descritas a
seguir. Inicialmente foram determinados os níveis de
reposição dos estoques com base na distribuição Ga-
ma do consumo mensal. A distribuição Gama é defi-
nida por dois parâmetros12, sendo o primeiro a razão en-
tre o consumo médio e o coeficiente de variação do
consumo e, o segundo, o próprio coeficiente de va-
riação do consumo.
Para cada item, esses níveis de reposição foram
primeiramente determinados para diferentes níveis de
probabilidade de não faltar produto em estoque (dora-
vante denominados de modelos 10%, 20%, 30%, 40%,
50%, 60%, 70%, 75%, 80%, 85%, 90%, 95% e 99%) e se-
cundariamente utilizados como previsões probabilísti-
cas de consumo. Essas previsões foram confrontadas
com os dados reais de cada item para os últimos 36
meses, sendo calculados, item a item, novos valores
para o erro médio absoluto de previsão (MAD), o Fill
Rate e o nível de estoque.
Através de técnicas de análise multivariada, foi possí-
vel relacionar o consumo anual e o coeficiente de va-
riação do consumo mensal de cada item às variações
no MAD, Fill Rate e nível de estoque, decorrentes da
comparação entre o modelo atualmente adotado pela
empresa e os modelos propostos. Também foi possível
relacionar, para cada item, o modelo de previsão de
consumo de menor erro ao consumo anual e ao coefi-
ciente de variação do consumo mensal.

63 - Revista Tecnologística - Dezembro/2005

coppead.qxd 24/1/2006 11:04 Page 64
Resultados alcançados
Os resultados apresentados constituem avanços
nos aspectos teórico e prático da gestão de estoques
de peças de reposição. As implicações teóricas estão
relacionadas à aplicação em conjunto, num fabrican-
te brasileiro de equipamentos e implementos agríco-
las, de quatro abordagens práticas recentemente
relatadas na literatura: (1) aproximação dos dados
do consumo pela distribuição Gama, (2) utilização
de técnicas estatísticas multivariadas para estima-
ção de variações em indicadores-chave da gestão de
estoques, (3) utilização de dados reais do consumo
para testar os modelos alternativos propostos e (4)
segmentação das políticas de estoque com base nas
características principais das peças de reposição. Por
sua vez, as implicações práticas estão relacionadas
aos ganhos estimados para a empresa analisada e à
facilidade de replicação das análises apresentadas
no meio gerencial.
Especificamente com relação ao avanço teórico, a ca-
pacidade explicativa e preditiva das análises desenvolvi-
das para segmentar os modelos de gestão de estoques e
estimar as variações em indicadores como MAD, Fill
Rate e níveis de estoque, a partir do consumo anual e do
coeficiente de variação do consumo mensal, permite
formalizar uma metodologia para a gestão de estoques
de peças de reposição composta por dez passos, con-
forme descrição apresentada na Tabela 4.
Já com relação aos ganhos para a empresa analisada, os
resultados apontam para uma redução potencial de 14
milhões de dólares (aproximadamente 70%) no montan-
te de capital empatado em estoque. Essa soma foi obtida
considerando-se o produto do valor médio de cada item
em estoque (20 dólares) com a redução média efetiva-
mente verificada de 79,46 unidades para cada um dos
8.893 itens da amostra efetivamente considerada na aná-
lise. Considerando-se a cobertura média dos estoques (cf.
Tabelas 1 e 3), espera-se que 50% desse potencial sejam
reconvertidos em capital de giro ao final de dez meses.
coppead.qxd 24/1/2006 11:04 Page 65
CENTRO DE ESTUDOS EM LOGÍSTICA
Finalmente, com relação ao meio gerencial, a me-
todologia descrita pode ser facilmente implementada e
operacionalizada em planilha MS-Excel e no software
estatístico SPSS, necessário especificamente para a exe-
cução do Passo 8. A partir do consumo anual médio e
do coeficiente de variação do consumo mensal de um
determinado item, essa metodologia permite responder
às seguintes questões: (1) “qual modelo possui maior
probabilidade de apresentar menor erro de previsão?” e
(2) “quais as variações esperadas em termos do erro mé-
dio absoluto de previsão, do Fill Rate e do nível de es-
toque ao se adotar esse modelo?”.
Conclusões
Neste artigo, é relatado um estudo de caso desen-
volvido num fabricante brasileiro de equipamentos e
implementos agrícolas, no qual recentes abordagens
para gestão de peças de reposição são utilizadas em con-
junto. A capacidade preditiva e explicativa das análises
multivariadas desenvolvidas permitiu a proposição de
uma nova metodologia para determinar modelos de
gestão de estoques mais precisos e quantificar variações
nos erros de previsão, nos níveis de serviço e nos níveis
de estoque. Dentre outros elementos, a metodologia ba-
seia-se na premissa da distribuição Gama do consumo
de peças de reposição e na segmentação dos modelos
por suas características principais: consumo médio e co-
eficiente de variação do consumo.
Estudos futuros deveriam considerar nas análises
multivariadas a interação do consumo anual médio
com o coeficiente de variação do consumo mensal.
O efeito conjunto dessas duas variáveis pode aumentar
a capacidade preditiva e explicativa das análises con-
duzidas, haja vista que itens com consumos mais eleva-
dos tendem a apresentar coeficientes de variação mais
reduzidos e vice-versa.
Referências Bibliográficas
1
BOTTER, R.; FORTUIN, L. Stocking strategy for service
parts: a case study. International Journal of Operations & Pro-
duction Management, v. 20, n. 6, pp. 656-674, 2000.
2
DEKKER, R; KLEIJN, M.J.; DE ROOIJ, P.J. A spare parts sto-
cking policy based on equipment criticality. International Journal
of Production Economics, v. 56/57, n. 1-3, pp. 69-77, 1998.
3
FIGUEIREDO, K.F.; FLEURY, P.F.; WANKE, P. Logística e
gerenciamento da cadeia de suprimentos. São Paulo: Editora
Atlas, p.483, 2003.
65 - Revista Tecnologística - Dezembro/2005
4
HILL, R.M.; OMAR, M.; SMITH, D.K. Stock replenishment
policies for a stochastic exponentially-declining demand
process. European Journal of Operational Research, v. 116, pp.
374-388, 1999.
5
KIM, J.S.; SHIN, K.C.; YU, H.K. Optimal algorithm to de-
termine the spare inventory level for a repairable-item inven-
tory system. Computers Operations Research, v. 23, n. 3, pp.
289-297, 1996.
6
ROBISON, J.A. Inventory profile analysis: an aggregation
technique for improving customer service while reducing in-
ventory. Production and Inventory Management Journal, v. 42, n.
2, pp. 8-13, 2001.
7
SANDVIG, J.C.; ALLAIRE, J.J. Vitalizing a service parts in-
ventory. Production and Inventory Management Journal, v. 39, n.
1, pp. 67-71, 1998.
8
SHERBROOKE, C.C. Metric: a multi-echelon technique for
recoverable item control. Operations Research, v. 16, pp. 122-
141, 1968.
9
SHIBUYA, T.; DOHI, T.; OSAKI, S. Optimal continuous re-
view policies for spare part provisioning with random lead
times. International Journal of Production Economics, v. 55, n. 3,
pp. 257-271, 1998.
10
SILVER, E.; PETERSON, R. Decision systems for inventory
management and production planning. New York: Wiley, p
722, 1985.
11
SILVER, E.; PYKE, D.; PETERSON, R. Inventory manage-
ment and production planning and scheduling. New York: Wi-
ley, p 754, 1998.
12
YEH, Q.J. A practical implementation of gamma distribu-
tion to the reordering decision of an inventory control pro-
blem. Production and Inventory Management Journal, v. 38, n. 1,
pp. 51-57, 1997.
13
YIN, R.K. Case study research: design and methods. Thou-
sand Oaks: Sage, 1994.
14
WANKE, P. Gestão de estoques na cadeia de suprimentos.
São Paulo: Editora Atlas, 2003. 176 p.
15
WILLIAMS, T.M. Stock control with sporadic and slow-
moving demand. Journal of the Operations Research Society, v.
35, n. 10, pp. 939-948, 1984.
Peter Fernandes Wanke
D.Sc., é pesquisador do Centro de
Estudos em Logística – CEL – do Coppead/UFRJ
Fone: (21) 2598-9812
peter@coppead.ufrj.br