Aplicação de técnicas de previsão de demanda em uma fábrica de

ração animal no estado de Mato Grosso

Rodolfo Benedito da Silva (UNEMAT) rodolfoengenheiro@hotmail.com

Cinthia Serenotti Brigante (UNEMAT) cinthia.brigante@gmail.com
Fabricio Schwanz da Silva (UNEMAT) fabricio.silva@vsp.com.br
Tadeu Miranda de Queiroz (UNEMAT) tdmqueiroz@yahoo.com.br
Fábia Fernanda da Costa Aires (UNEMAT) fabia_aires@hotmail.com

Resumo: Tentar prever o futuro de vendas se tornou uma tarefa desafiadora dentro de muitas
organizações. Muitas delas utilizam a previsão de demanda como base para o planejamento
estratégico, financeiro e das operações da produção. Neste sentido, o presente estudo tem por
objetivo verificar através de técnicas quantitativas, qual modelo que melhor se ajuste aos
dados históricos de vendas de uma fábrica de ração localizada na mesorregião sudoeste
mato-grossense, para que este possa então ser utilizado como referência na previsão de
demanda. Com os resultados obtidos pode-se constatar que o modelo de Suavização
Exponencial Simples, apresentou o menor Erro Percentual Absoluto Médio (MAPE) dentre
todos os modelos analisados.
Palavras-chave: Previsão de demanda; Erros de previsão; Fábrica de ração.

1. Introdução
As organizações, de uma maneira ou de outra, buscam direcionar a atenção de suas
atividades para o rumo em que acreditam que seu negócio irá progredir. O rumo deste
progresso é normalmente traçado com base em previsões, sendo que a previsão de demanda se
configura como a principal entre elas (TUBINO, 2000).
A atividade de previsão da demanda dentro das empresas é responsabilidade dos
departamentos de vendas e/ou marketing. É, entretanto, o insumo (input) o foco principal para
a decisão do planejamento e controle da capacidade, que é geralmente responsabilidade da
gerência de produção (SLACK et al., 2008).
Segundo Pellegrini (2000), as previsões de demanda desempenham um importante
papel em diversas áreas de gestão; por exemplo, na área financeira (no planejamento da
necessidade de recursos), na área de recursos humanos (no planejamento de modificações no
nível da força de trabalho) e na área de vendas (no agendamento de promoções). Tais
previsões são também essenciais na operacionalização de diversos aspectos do gerenciamento
da produção, como na gestão de estoques e no desenvolvimento de planos agregados de
produção.
Diante do exposto, o presente trabalho tem por objetivo realizar e verificar o
desempenho da aplicação de modelos quantitativos de previsão de demanda em uma fábrica
de ração localizada na mesorregião sudoeste mato-grossense. Sendo assim, foram utilizados
dados históricos de vendas do período de janeiro de 2008 a junho de 2009. O erro de previsão
de cada modelo foi o principal critério de decisão para verificar aquele que melhor se ajustou
aos dados.

1
2. Revisão bibliográfica
Neste item, abordam-se os principais conceitos que norteiam os estudos sobre previsão
de demanda, apresentando primeiramente a contextualização, a classificação das técnicas
utilizadas, os passos necessários que compõem este processo, os modelos do método
quantitativo de previsão e as formas de mensurar os erros desta área de estudo.
2.1 Previsões de demanda
Segundo Martins e Laugeni (2006), “previsão é o processo metodológico para
determinação do futuro, baseado em modelos estatísticos, matemáticos ou econométricos ou
ainda em modelos subjetivos apoiados em uma metodologia de trabalho clara e previamente
definida”.
Para tanto, as técnicas de previsão de demanda podem ser classificadas em dois
grandes grupos, sendo as técnicas qualitativas e as quantitativas.
- Técnicas qualitativas: baseiam-se nas opiniões, julgamentos, intuição, pesquisas ou técnicas
comparativas, a fim de produzir estimativas quantitativas sobre o futuro. Dividem-se em:
Avaliação subjetiva, que pode ser pesquisa de opiniões de vendedores, júri de executivos e ou
especialistas e pesquisa de mercado com consumidores finais; Exploratórios, que englobam
métodos de construção de cenários, Método Delphi e métodos de analogia (BALLOU, 2006).
- Técnicas quantitativas: previsões quantitativas se valem de modelos matemáticos e incluem
a análise de série temporal e o método causal. A análise da série temporal se baseia em dados
históricos da demanda, reconhecendo tendências e padrões sazonais, que, ao serem
extrapolados, auxiliam a projetar o futuro. O método causal usa dados históricos para
variáveis dependentes e independentes, procurando relações causais entre fatores que
influenciam a demanda de um produto, tais como, campanhas promocionais, condições
econômicas e ações de concorrentes. As relações entre o fator a ser previsto e outros fatores
são expressas por funções matemáticas, tais como, a regressão linear ou outras regressões.
(RITZMAN e KRAJEWSKI, 2004).
De acordo com Davis et al. (1997), a escolha do método a ser adotado para a previsão
de demanda depende da natureza do produto e de vários fatores, tais como disponibilidade de
dados históricos, horizonte de previsão a longo, médio ou curto prazo, precisão necessária,
orçamento disponível e padrão dos dados existentes (horizontal, sazonal, cíclico ou
tendência).
2.2 Etapas do processo de previsão de demanda
Conhecer as etapas necessárias para um processo de previsão de demanda se configura
em um papel de suma importância dentro do horizonte de planejamento desta atividade. De
acordo com Makridakis et al. apud Manssur (2006), existem cinco passos básicos em
qualquer processo de previsão onde dados quantitativos estejam disponíveis, sendo eles.
Passo 1: Definição do Problema – esta, muitas vezes, pode ser a tarefa mais difícil do
processo, pois necessita de entendimentos sobre como a previsão será usada, quem necessita
da previsão e como esse processo irá se integrar à organização.
Passo 2: Coleta de Informação - existem dois tipos de informação disponível; dados
estatísticos, que são geralmente numéricos e conhecimento e expertise dos funcionários-chave
para o processo.
Passo 3: Análise Preliminar - nesta etapa verificamos os dados para interpretá-los de uma

2
maneira correta, encontrando comportamentos e padrões dos dados.
Passo 4: Escolhendo o Modelo Ideal - com a análise preliminar limitamos as opções de
modelos que são viáveis para o nosso problema, assim nesta etapa definimos o modelo que
melhor se encaixa ao problema.
Passo 5: Usar e Avaliar o Modelo Escolhido - com o modelo escolhido as previsões serão
feitas e os usuários dessa previsão poderão avaliar os prós e contras do modelo em questão. O
modelo só pode ser avaliado apropriadamente após que o dado do período previsto esteja
disponível.
2.3 Métodos quantitativos de previsão de demanda
Na realização do presente estudo serão utilizados os seguintes métodos deste tipo de
previsão de demanda: média móvel, média móvel ponderada, suavização exponencial simples
e suavização exponencial linear de Holt (com tendência).
2.3.1 Média móvel
O método da média móvel consiste em realizar a média de dados arquivados dos
últimos períodos. Este é um modelo muito aplicado nas empresas pela simplicidade de uso e
por precisar de poucos dados para a obtenção da previsão. Segundo Makridakis et al. apud
Manssur (2006), o termo móvel vem da possibilidade de a cada nova previsão feita, o dado
mais antigo é descartado e o mais novo é considerado. Esta previsão pode então ser calculada
de acordo com a expressão apresentada por Stevenson (1999).




   1


 
Onde:
i = nº de ordem de cada um dos períodos mais recentes utilizados para apurar a média móvel;
n = nº de períodos (pontos de dados) da média móvel;
Ri = valor real no período i;
MMn = valor da previsão, segundo uma média móvel de n períodos.
A principal desvantagem desse modelo está relacionada à falta de acurácia ao lidar
com séries históricas que apresentam tendência ou sazonalidade já que, nesse método, a
previsão para o próximo período envolve sempre a adição de novos dados e a desconsideração
dos anteriores. Uma alternativa para amenizar esse erro é a utilização da média ponderada
para tentar construir um padrão mais próximo à realidade (DAVIS et al., 1997).
2.3.2 Média móvel ponderada
Segundo Ritzman e Krajewski (2004), no método da média móvel simples, cada
demanda possui o mesmo peso na média (1/n). No método da média móvel ponderada, cada
demanda histórica na média pode ter seu próprio peso. Sendo assim, a média é obtida
multiplicando o peso de cada período pelo valor para esse período, somando os produtos e
dividindo pela soma dos pesos de cada período. A previsão através da média móvel ponderada
pode ser obtida pela seguinte expressão:




   2


 

3
Sendo:
MMPn = média móvel do período n;
Wi = Peso ocorrido no período i;
Di = demanda ocorrida no período i;
i+k = número de períodos;
i = índice do período (i = 1, 2, 3,...).
Esse modelo assume que as observações mais recentes são mais confiáveis como
projeção de vendas futuras (CORRÊA et al. 2007). De acordo com Davis et al. (1997), a
principal desvantagem na utilização deste método de previsão é a necessidade de
conhecimento para determinar os pesos a serem utilizados.
2.3.3 Suavização exponencial
De acordo com Makridakis et al. apud Manssur (2006), os métodos de previsão de
demanda que aplicam suavização exponencial são divididos em três categorias, sendo elas:
Suavização Exponencial Simples, Suavização Exponencial Linear de Holt e o Método de
Winter. Este último método de previsão não será abordado neste estudo, tendo em vista que
não há dados suficientes para verificar uma possível sazonalidade nas vendas da empresa.
2.3.3.1 Suavização Exponencial Simples
Segundo Stevenson (1999), o método de suavização exponencial é um sofisticado
método de previsão por médias ponderadas, tendo ainda a vantagem de ser relativamente
simples de utilizar e compreender. Cada nova previsão é a soma da previsão anterior com um
percentual da diferença entre o valor real da série no ponto considerado e a previsão anterior.
Em forma de equação temos que:
Nova previsão = Previsão anterior + α (Valor real – Previsão anterior)
Sendo que a diferença (Valor real – Previsão anterior) consiste no erro de previsão e α
representa o percentual do erro. De maneira mais concisa, têm-se:
    α  
3

Onde:
Pt = previsão para o período t;
Pt-1 = previsão para o período t – 1;
α = coeficiente de ajustamento;
Rt-1 = demanda real ou vendas reais para o período t – 1.
A constante de ponderação e suavizamento α está limitada ao intervalo entre 0 e 1.
Quanto maior a constante, maior será o peso dado ao valor das vendas do período mais
recente, em detrimento da última previsão (CORRÊA et al. 2007).
2.3.3.2 Suavização Exponencial Linear de Holt
Quando uma determinada série apresenta uma tendência linear de crescimento ou
decrescimento, o modelo de Holt pode ser usado de maneira satisfatória para a previsão caso
os outros componentes da série possam ser desprezados. Este modelo emprega duas
constantes de suavização, α e β (com valores entre 0 e 1), sendo representado por três
equações (MAKRIDAKIS et al. apud MANSSUR, 2006):
Previsão:       4

Nível:   !"  1  !

  
5

Tendência:   $  

 1  $
 6

4
Sendo:
Ft+m = Previsão para período t + m (horizonte de previsão);
Lt = Estimativa do nível da série temporal no período t;
bt = Estimativa de tendência da série temporal no período t;
Yt = demanda real ou vendas reais para o período t;
α e β = Constantes de suavização.
Segundo Lemos (2006), a inicialização do método de Holt requer duas estimativas,
uma é o valor suavizado para L1 e outra é a tendência b1. Uma alternativa seria considerar L1
igual a Y1 e b1 igual a zero ou a diferença entre os dois primeiros valores da série (Y2-Y1).
2.4 Erros de previsão
Previsões são mais precisas para períodos próximos do que para um futuro distante e
para dados agregados. Nas previsões, precisam ser considerados os erros, estes são tão
importantes quanto às previsões em si. Os indicadores de erros são utilizados para escolher o
método mais adequado de previsão, ou seja, aquele que minimiza os erros, e também para a
calibração do modelo (SILVEIRA, 2008).
Na literatura existem diversas maneiras de mensurar os erros de previsão, sendo que as
mais utilizadas na visão de Hanke & Reitsch apud Kochi (2008) são: Erro Absoluto Médio
(EAM), Erro Percentual Absoluto Médio (MAPE), Erro Quadrático Médio (MSE) e Erro
Percentual Médio (MPE). Neste trabalho serão utilizados apenas os dois primeiros métodos
para verificar a eficácia dos modelos analisados.
- Erro Médio Absoluto (EAM): Esse erro usa o valor absoluto dos erros para se obter a média.
Pode ser calculado através da seguinte fórmula.

|)  )|
&'
  7


 
- Erro Percentual Absoluto Médio (MAPE): O MAPE é calculado dividindo-se os erros
absolutos de cada período pelo valor real observado, em seguida é tirada a média destes
valores porcentuais. É útil quando a magnitude do valor da previsão é relevante para avaliar a
precisão da previsão.

1 )  )

'&   + + , 100 8

 )
 
Onde:
Ft = previsão realizada no período t;
Dt = demanda real no período t;
n = número de períodos.
3. Procedimentos metodológicos
O presente estudo foi desenvolvido por intermédio de um estudo de caso em uma
fábrica de ração localizada na mesorregião sudoeste mato-grossense. Segundo Yin (2005), a
metodologia de estudo de caso é adequada para pesquisas que procuram respostas a perguntas
do tipo “como” e “por que”, quando a ênfase se encontra em fenômenos inseridos em algum
contexto da vida real.
A realização deste trabalho foi impulsionada com o propósito de verificar qual dos

5
modelos de previsão de demanda se ajusta aos dados históricos de maneira satisfatória, para
que este possa então ser utilizado como referência para estimar vendas futuras de ração. Estas
estimativas contribuirão de forma relevante para o planejamento e controle da produção da
empresa, bem como para a elaboração de estratégias diferenciadas de marketing. Para tanto,
foram obtidos dados mensais de vendas arquivados em relatórios contábeis no período de
janeiro de 2008 a junho de 2009.
4. Apresentação e discussão dos resultados
Para realizar a previsão pelo modelo de Média Móvel Ponderada foram utilizados
fatores de correção (Wi), 0,5, 0,3 e 0,2, nessa ordem a partir dos dados mais recentes de
vendas.
No modelo de Suavização Exponencial Simples utilizou-se o coeficiente de
ajustamento (α) de 0,6. Por fim, para calcular a previsão através da Suavização Exponencial
Linear de Holt adotaram-se como coeficientes de ajustamento (α e β) 0,2 e 0,4,
respectivamente.
A Tabela 1 apresenta os dados de vendas da empresa, bem como as previsões obtidas
pelos métodos de Média Móvel Simples (MMn), Média Móvel Ponderada (MMp), Suavização
Exponencial Simples (SES) e Suavização Exponencial Linear de Holt (SELH).
TABELA 1: Dados de vendas de ração em toneladas e previsões de demanda pelos métodos MMn, MMp, SES e
SELH.
Período Vendas (ton) MMn MMp SES SELH
Jan/2008 367,52 - - - 367,52
Fev/2008 580,4 - - 367,52 427,13
Mar/2008 202,52 - - 495,25 381,27
Abr/2008 502,77 383,48 348,88 319,61 414,35
Mai/2008 783,31 428,56 428,22 429,51 526,44
Jun/2008 527,03 496,20 582,99 641,79 564,90
Jul/2008 992,14 604,37 599,06 572,93 722,88
Ago/2008 1127,39 767,49 810,84 824,46 908,67
Set/2008 567,1 882,19 966,74 1006,22 917,91
Out/08 620,23 895,54 820,20 742,75 912,12
Nov/08 264,33 771,57 705,72 669,24 784,49
Dez/08 242,86 483,89 431,65 426,29 634,75
Jan/09 314,03 375,81 324,78 316,23 503,54
Fev/09 307,98 273,74 282,74 314,91 381,72
Mar/09 247,59 288,29 296,77 310,75 261,45
Abr/09 252,97 289,87 279,00 272,85 165,64
Mai/09 270,15 269,51 262,36 260,92 100,78
Jun/09 422,48 256,90 260,48 266,46 105,10

A Figura 1 ilustra o comportamento dos dados históricos de vendas e das previsões

apresentados na Tabela 1.

6
 1200 Variable
vendas
MM
1000 MMP
SES
SELH

800
Vendas (ton)

600

400

200

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Meses

FIGURA 1: Séries temporais de vendas e das previsões

Na Tabela 2 são apresentados o Erro Médio Absoluto (EAM) e Erro Percentual
Absoluto Médio (MAPE) para cada modelo analisado.
TABELA 2: Erros de previsão para cada modelo de previsão
Modelo EAM MAPE (%)
SES 193,35 37,69
MMp 185,69 38,98
MMn 195,4 42,5
SELH 212,30 55,77
É possível observar por meio da Tabela 2 que os erros obtidos pelos modelos SES e
MMp apresentaram pouca variação entre si, sendo que o primeiro possui o menor erro
percentual entre eles. Já os erros de MMn e SELH tem uma maior discrepância em relação aos
dados originais. Tais discrepâncias, de valores percentuais elevados, podem ser justificadas
pelo fato da grande variação dos dados de vendas da empresa ao longo do período observado.
5. Considerações Finais
O presente estudo teve como intuito constatar a aplicação de técnicas quantitativas de
previsão de demanda em uma fábrica de ração animal localizada na mesorregião sudoeste
mato-grossense e analisar a melhor opção dentre eles, para que esta possa então ser utilizada
na estimativa de vendas futuras desta organização.
O critério de utilizado na comparação entre os modelos foi o Erro Médio Absoluto
Percentual (MAPE). Sendo assim, o modelo de Suavização Exponencial Simples apresentou o
melhor resultado em relação aos dados históricos de vendas. Por este motivo, este modelo
passa a ser recomendado para realizar as previsões.
Entretanto, cabe ressaltar que nenhum dos modelos analisados apresentam resultados
ideais, uma vez que todos os MAPE estão acima de 35%. Este fato se deve a grande
variabilidade nos dados de vendas, o que dificulta se fazer uma previsão mais precisa.
Sugere-se à empresa uma análise de períodos de vendas maiores, para que assim possa
verificar a validação deste modelo ou até mesmo a mudança por outro que proporcione um
melhor ajuste aos seus dados reais. Uma alternativa seria a verificação da existência de

7
sazonalidade, o que não foi possível realizar neste trabalho devido à indisponibilidade de
dados suficientes.
Por fim, recomenda-se que o modelo a ser utilizado passe por constantes revisões para
evitar erros ainda maiores e, consequentemente, decisões equivocadas por parte dos
responsáveis pela produção em relação a compras de insumos, planejamento financeiro,
alocação de mão-de-obra e processamento deste produto.
Referências
BALLOU, R.H. Gerenciamento da cadeia de suprimentos: planejamento, organização e logística empresarial.
Porto Alegre, Bookman, 2001.
CORRÊA, H. L.; GIANESI, I. G. N.; CAON, M. Planejamento, Programação e Controle da produção: MRP
II/ERP: conceitos, uso e implantação: base para SAP, Oracle Applications e outros softwares integrados de
gestão. 5 ed. São Paulo: Atlas, 2007.
DAVIS, M. M.; AQUILANO, N. J.; CHASE, R. B. Fundamentos da Administração da Produção. 3ª ed. Porto
Alegre: Bookman, 1997.
KOCHI, G. T. Aplicação dos modelos de previsão de demanda Intermitente na gestão do estoque de peças de
reposição de relógios. Trabalho de Formatura - Escola Politécnica da Universidade de São Paulo. Departamento
de Engenharia de Produção. São Paulo, 2006. 126p.
LEMOS, F. O. Metodologia para seleção de métodos de previsão de demanda. Tese de mestrado - Escola de
Engenharia - Programa de pós-graduação em Engenharia de Produção. Universidade Federal do Rio Grande do
Sul. Porto Alegre, 2006. 183p.
MANSSUR, L. H. Aplicação de um modelo de previsão de demanda em uma empresa de agrobusiness.
Trabalho de Formatura - Escola Politécnica da Universidade de São Paulo. Departamento de Engenharia de
Produção. São Paulo, 2006. 94p.
MARTINS, P. F.; LAUGENI, F. P. Administração da Produção. São Paulo: Saraiva, 2006.
PELLEGRINI, F. R. Metodologia para implementação de sistemas de previsão de demanda. Dissertação de
Mestrado - Escola de Engenharia - Programa de pós-graduação em Engenharia de Produção. Universidade
Federal do Rio Grande do Sul. Porto Alegre, 2000.
RITZMAN, L.; KRAJEWSKI L. Administração da Produção e Operações. São Paulo: Prentice Hall, 2004.
SILVEIRA, D. S. Um Modelo de Previsão de Vendas e Reposição de Estoques para o Planejamento
Colaborativo no Varejo de Telefonia Celular Trabalho. Trabalho de Formatura - Escola Politécnica da
Universidade de São Paulo. Departamento de Engenharia de Produção. São Paulo, 2008. 111p.
SLACK, N.; CHAMBERS, S.; JOHNSTON, R. Administração da Produção. São Paulo: Atlas, 2008.
STEVENSON, W. J. Administração das Operações de Produção. Rio de Janeiro: LTC. 1999.
TUBINO, D. F. Manual de Planejamento e Controle da Produção, 2 ed. São Paulo: Atlas, 2000.
YIN, R. K. Estudo de Caso: Planejamento e Método. Porto Alegre: Bookman, 2005.