186 Administração de produção e de operações • Corréa/Corrêa

Todas essas informações devem ser coletadas de forma sistemática e para

isso procedimentos específicos devem ser estabelecidos e sistemas de infor­
mação adequados devem ser desenvolvidos.
O tratamento de todas essas informações e sua combinação com os dados
históricos tratados estatisticamente devem ser feitos com a participação de
representantes das principais áreas envolvidas no processo de planejamento,
ou seja, comercial, de planejamento, de produção, financeira e de desenvolvi­
mento de serviços/produtos, num evento que está se denominando “reunião
de previsão”.

Previsão de vendas de curto prazo

Para previsões de curto prazo (até três meses), normalmente, aceita-se

mais a hipótese de que o futuro seja uma “continuação” do passado, ao menos
do passado recente, ou seja, as mesmas tendências de crescimento ou declínio
observadas no passado devem permanecer no futuro, assim como a sazonalidade
ou ciclicidade observadas no passado. A técnica então geralmente utilizada é
a de projeção; são os chamados modelos intrínsecos ou de séries temporais simples.
Essa denominação vem do fato de que se faz uma correlação entre as vendas
passadas e o tempo, projetando-se comportamento (padrão de variação) similar
para o tempo futuro, como pode ser visto na Figura 7.6.

Figura 7.6 Projeção das vendas futuras u partir dos dados do passado.
 FVevições é Gésfâô dè Dèrttàndâ Pròduçãô é Opéraçóés 187

A projeção é feita modelando-se matematicamente os dados do passado, ou

seja, procurando representar o comportamento das vendas através de expressões
matemáticas e utilizando projeções no tempo, dessas mesmas equações, para
prever as vendas no futuro. Essa técnica é a mais comum e está presente na
maioria dos softwares de previsão de vendas. Geralmente, procura-se decompor
as vendas passadas em duas ou mais componentes que possam ser modeladas
matematicamente. Nos casos mais comuns, decompõem-se as vendas em termos
de uma curva de tendência e fatores de ciclicidade, como mostrado na Figura 7.6.

Previsão de vendas de médio prazo

Quando o horizonte da previsão começa a aumentar, a hipótese de que o

futuro vai “repetir” o passado (nos padrões de variação) deixa, em geral, de
ser válida. O que acontece é que o peso que se deve dar à análise feita depois
do tratamento estatístico passa a ser tão mais relevante, que o modelo vem
a agregar menos valor à análise, podendo ser quase descartado. Nesse ponto,
deve-se adotar outro modelo, cujas hipóteses sejam válidas para horizontes
maiores. São os modelos extrínsecos ou causais ou de explicação. Nesses modelos,
a hipótese é de que as relações que havia no passado, entre as vendas e outras
variáveis, continuam a valer no futuro. A ideia é de que se procure estabelecer
as relações entre as vendas do passado e outras variáveis que expliquem seu
comportamento.
Essas relações, entre variáveis causais e a demanda procurada, costumam
permanecer válidas por períodos relativamente longos, o que faz com que os
modelos causais sejam mais adequados para previsões de horizonte mais longo.
O resultado da correlação é uma equação do tipo:

V= + a2X2~ + ^3*3* + "• + anXn"

onde xp x2,..., x são os valores das variáveis escolhidas em determinado ponto

do tempo.
Uma vez estabelecidas as relações, deve-se prever (via projeções intrínsecas
ou, como são também chamadas, modelos qualitativos) o valor das variáveis
independentes no futuro e derivar delas o valor da demanda a ser prevista.
Quando se utiliza um modelo causal, admite-se que é mais fácil prever o com­
portamento das demais variáveis.
188 Administração de produção e de operações • Corrêa/Corrêa

Previsão de vendas de longo prazo

Quando o horizonte aumenta ainda mais (vários anos), a hipótese de que

as relações que havia no passado entre a demanda e outras variáveis continuam
a valer no futuro deixa muitas vezes de ser válida. Isso porque mudanças, por
exemplo, tecnológicas, de legislação, de conteúdo do pacote ou a introdução
de serviços substitutos podem alterar as relações anteriormente válidas. Para
exemplificar, no caso da previsão de demanda de defensivos agrícolas, uma
mudança na legislação autorizando plantio de “transgênicos” pode mudar as
relações anteriores de forma substancial.
Nesses casos, adota-se a hipótese de que o futuro não guarda relação
direta com o passado, pelo menos não uma relação que possa ser modelada
matematicamente. A previsão, muitas vezes, necessita ser derivada, portanto,
da opinião de especialistas, para o que se utilizam métodos específicos para se
chegar a um consenso sobre essas opiniões.

PREVISÕES: MÉTODOS DE TRATAMENTO DE

INFORMAÇÕES

Para tratar as informações disponíveis (veja a Figura 7.7), podem-se usar

duas abordagens complementares: as abordagens quantitativas (baseadas em
séries históricas projetadas para o futuro segundo algum método) e as aborda­
gens qualitativas (baseadas em fatores subjetivos ou de julgamento). Em geral,
os modelos quantitativos necessitam de longos históricos, para que por meio
deles se possam identificar os padrões de comportamento que serão projeta­
dos para o futuro. Isso significa que são mais úteis para, por exemplo, fazer
previsões de demanda de produtos mais maduros, que estejam há mais tempo
no mercado. Já os modelos qualitativos encaixam-se melhor em previsões de
produtos novos ou lançamentos para os quais não há históricos longos. Outro
fator determinante para a “ponderação” do uso de modelos quantitativos e
qualitativos na geração de uma previsão é o horizonte da previsão. Em geral,
quanto maior o horizonte de previsão, menos válida é a hipótese de que os pa­
drões do passado se repetirão no futuro (uma hipótese que se assume quando
se usam modelos mais quantitativos). Isso significa que modelos quantitativos
tendem a ser mais adequados a previsões de curto prazo.
 Previsões e Gestão de Demanda em Produção e Operações 189

Figura 7.7 Abordagens para métodos de tratamento de informações em previsões.

MÉTODOS QUALITATIVOS

Os métodos qualitativos incorporam mais fatores de julgamento e intuição,

em geral mais subjetivos, nas análises dos dados disponíveis. A seguir, uma
breve revisão dos principais métodos qualitativos de previsão:

1. Método Delphi. O processo Delphi é interativo e permite que especia­

listas, às vezes localizados distantes uns dos outros, incorporem o con­
senso de suas opiniões subjetivas ao processo de previsão. Comumente
se envolvem de 6 a 12 especialistas no processo. O processo Delphi
destina-se a evitar que uma ou poucas opiniões do grupo consultado
predominem por fatores exógenos ao objetivo de gerar boas previsões,
como, por exemplo, o fato de um participante ser mais extrovertido
que outro, ou o fato de que um participante tenha mais alto escalão
hierárquico que outro. Consiste nos seguintes passos: em primeiro
lugar, propõe-se ao grupo determinada pergunta bem específica sobre
alguma variável que se queira prever. Em seguida, coletam-se as várias
190 Administração de produção e de operações • Corrêa/Corrêa

opiniões, de forma sigilosa e individual. De posse dessas opiniões, o

coordenador do processo trata dessas opiniões (estatisticamente) e
retorna o resultado do tratamento estatístico das opiniões aos par­
ticipantes. Estes são, então, solicitados a refazer suas estimativas.
Recolhem-se e realimentam-se iterativamente as opiniões e elas são
tratadas até que o processo de convergência das opiniões atinja um
nível desejado.
2. Júri de executivos. Este método procura capturar a opinião de peque­
nos grupos, em geral, de executivos de nível alto sobre alguma variável
que se pretenda prever.
3. Força de vendas. Nesta abordagem, cada vendedor ou representante
de força de vendas emite sua estimativa localizada e desagregada. O
composto agregado de todas as estimativas desagregadas é tomado
como a estimativa global.
4. Pesquisa de mercado. Esse método solicita diretamente dos possíveis
clientes ou consumidores sua intenção de compra futura ("Quantas
horas de Internet você pretende utilizar nos três próximos meses?”).
Deve-se atentar para o fato de que nem sempre os respondentes são
realmente fiéis a suas respostas e que “intenções de compra” são
simplesmente isso: “intenções”.
5. Analogia histórica. Este método qualitativo procura identificar produ­
tos similares dos quais se possuem dados para, por analogia, melhor
estimar, por exemplo, um produto novo.

MÉTODOS QUANTITATIVOS

Métodos quantitativos são os métodos de previsão baseados em séries de

dados históricos nas quais se procura, através de análises, identificar padrões
de comportamento para que estes sejam então projetados para o futuro.
Uma série histórica de dados é uma sequência de dados sobre determina­
da variável equiespaçada no tempo (e. g., dados de vendas diárias, semanais,
quinzenais, mensais).

DECOMPOSIÇÃO DE SERIES TEMPORAIS

Uma série temporal de dados em geral tem três principais componentes:

tendência, ciclicidade e aleatoriedade.
 Previsões e Gestão de Demanda em Produção e Operações 191

1. tendência. E a orientação geral, para cima ou para baixo, dos dados

históricos;
2. ciclicidade. São padrões de variação dos dados de uma série que se
repetem a cada determinado intervalo de tempo. Vendas que se “con­
centram" nos últimos dias do mês são um exemplo de ciclicidade;
3. aleatoriedade. São “erros", ou variações da série histórica de dados
que não são devidas a variáveis presentes no modelo de previsão. São
numerosos fatores, cada um dos quais sem uma capacidade relevante
de explicar a variação da variável analisada, que, por inviabilidade ou
impossibilidade de inclusão, são deixados fora do modelo.

A Figura 7.8 mostra uma série temporal em que se notam as presenças

dos três componentes. Geralmente falando, a série histórica de dados ilustrada
apresenta uma tendência de crescimento. Em torno dessa tendência geral de
crescimento, acontece uma sazonalidade (ciclicidade anual) - note como há,
nos três anos representados, uma concentração recorrente de venda nos meses
de agosto e dezembro. Embora se possa de fato ilustrar, em termos médios,
como essa ciclicidade ocorre, a ciclicidade em si não explica 100% da variação
das vendas. Imagine a quantidade de pequenos fatores influentes nas vendas
de um livro, conforme ilustrado na Figura 7.8.

Figura 7.8 Série histórica de dados para as vendas de um produto.

192 Administração de produção e de operações • Corrêa/Corréa

MODELOS QUANTITATIVOS PARA DEMANDA

RELATIVAMENTE ESTÁVEL

Os modelos quantitativos mais simples para previsão são aqueles que

assumem que a demanda encontra-se relativamente estável, flutuando aleato­
riamente em torno de um patamar que se deseja estimar. E vão o esforço de
tentar prever a flutuação aleatória; portanto, é necessário atenuar, suavizar seu
efeito quando se estima o valor do patamar. Uma forma de fazer isso é usando
modelos de médias móveis.

Médias móveis

Modelos de médias móveis assumem que a melhor estimativa do futuro é

dada pela média dos n últimos períodos. Podem-se usar médias móveis de três
(MM3) períodos, de quatro (MM4) períodos ou mais. Consideremos o exemplo
ilustrado na Figura 7.9.
A fórmula de cálculo para médias móveis é:

, S demanda nos n períodos prévios

Media movei =------------------------------------ ---------
n
Vendas reais Média móvel de três
de copos períodos MM3

Janeiro 154 ----------------

Fevereiro 1 14
Março 165
▼ ▼i
Abril 152 (154 +114+ 165)13 = 144,3
Maio 176 (1 14 + 165 + 152)/3 = 143,7

Junho 134 (165 + 152 + 176)/3 = 164,3

Julho 123 (152 + 176 + 134)/3 = 154,0
Agosto 154 (176 + 134 + 123)13 = 144,3

Setembro 134 (134 + 123 + 154)/3 = 137,0

Outubro 156 (123 + 154 + 134)/3 = 137,0
Novembro 123 (154 + 134 + l56)/3 = 148,0

Dezembro 145 (134 + 156 + 123)13 = 137,7

Figura 7.9 Exemplo de cálculo de média móvel.

 Previsões e Gestão de Demanda em Produção e Operações 193

Suavizamento exponencial

Um caso particular de médias (ponderadas) de dados do passado, com peso

de ponderação caindo exponencialmente, quanto mais antigos forem os dados,
é aquele resultante do uso da técnica, bastante divulgada, de suavizamento
exponencial. A fórmula básica do suavizamento exponencial é:

Nova previsão = [(demanda real do último período) x (a)] + [(última

previsão) x (1 - a)]
Onde:
(a) é a chamada “constante de suavizamento”, que é um número entre 0
e 1, e dá a influência percentual da demanda real do último período na
previsão do próximo período;
(1 - a) é a taxa exponencial com que caem os pesos de ponderação dos
dados históricos, de a (referente ao mês passado mais recente “t”)
para a(l - a) para o mês anterior “t - 1” para a(l - a)2 para o mês
“t - 2” e assim por diante.
Observe na Figura 7.10 um exemplo de cálculo.
194 Administração de produção e de operações • Corrêa/Corrêa

Vendas Suavizamento Suavizamento

reais exponencial com alfa exponencial
de copos 0,M----------1 0,8
1
r------------------- J
Ultima previsão (feita em dezembro)

Janeiro 154 -------------- !----- Liso----------- 150

▼ ▼ 4 ▼
Fevereiro 114 [(0,l)*(l54) + (1 - O,I)*(I5O)] = 150,4 153,2

Março 165 [(0,1 )•( 114) + (1 0,1 )*( 150.4)] - 146,8 121,8

4
Abril 152 — -| [(0,l)*(l65) + (1 - 0,1 )*( 146,8)] = 148,6 156,4
4
Maio 176 [(0,1 )*( 15 2) 4- (1 0,1 )*( 148,6)] - 148,9 152,9

4 4
Junho 134 — -| [<0,l)*(l76) 4- (1 - 0,1 )*( 148,9)] = 151,6 171,4
4 4
Julho 123 [(O,I)*(I34) 4- (1 — 0,1 )*( 151,6)] = 149,9 141,5

~4 4”
Agosto 154 [(0,1 )•( 123) 4- (1 0,1 )*( 149,9)] - 147,2 126,7

4 4
Setembro 134 -------- [(0,l)*(l54) 4- (1 - 0,1 )*( 147,2)] = 147,9 148,5
_4 4”
Outubro 156 [<0,l)*( 134) 4- (1 - 0,1 )•( 147,9)] = 146,5 136,9

4 4
Novembro 123 [(0,l)*(l56) + (1 0,1 )*( 146,5)] - 147,4 152,2

4 4
Dezembro 145 [<0.l)*( 123) 4- (1 - 0,1 )*( 147,4)] = 145,0 128,8

Figura 7.10 Exemplo de cálculo de previsões usando suavizamento exponencial com

a = 0,1 e com a = 0,8.

Observe na Figura 7.11, graficamente, o efeito de se utilizarem diferentes

valores para a. Quando se usa a = 0,1 por exemplo, a tendência é de que a pre­
visão seja bastante “suavizada", ou seja, os efeitos das variações aleatórias ficam
atenuados na geração das previsões. Já quando se utiliza a = 0,8, a previsão
gerada fica mais “nervosa", com menos atenuação dos efeitos das aleatorieda-
des. Isso ocorre porque quanto maiores os valores atribuídos à constante de
suavizamento a, maior “peso” relativo na geração das previsões terá o último
valor de venda real e, consequentemente, maior será a taxa segundo a qual os
pesos de ponderação diminuirão exponencialmente, quanto mais antigos forem
os dados. Em situações práticas, os valores da constante a em geral situam-se
na faixa de 0,05 e 0,35.
 Previsões e Gestão de Demanda em Produção e Operações 195

Suavizamento exponencial

&
0)

a)

Vendas reais Suaviz. Expon. a = 0,1 Suaviz. Expon. a = 0,8

Figura 7.11 Efeito demonstrado graficamente de diferentes valores da constante de

suavizamento na geração de previsões pelo método de suavizamento
exponencial.

ERROS DE PREVISÃO

É sempre importante acompanhar dois tipos de erros de previsão: a “am­

plitude”, ou o “tamanho” dos erros e o chamado “viés" dos erros. O viés ocorre
quando os erros ocorrem sistematicamente (tendenciosamente) para um lado
só: ou quando as previsões são sistematicamente superdimensionadas, ou
quando elas são sistematicamente subdimensionadas. Isso em geral ocorre
por alguma causa “identificável", ou seja, pela influência de alguma variável
deixada fora do modelo de previsão cuja influência singular está influenciando
significativamente os erros de previsão. Idealmente, uma vez identificada a ocor­
rência de “viés”, as causas devem ser investigadas e eliminadas (por exemplo,
incorporando a variável “causa” no modelo de previsão).
196 Administração de produção e de operações • Corrêa/Corrêa

Acompanhamento da “amplitude” dos erros

São várias as formas possíveis de mensurar e acompanhar a amplitude dos

erros de previsão. As mais populares são o erro médio absoluto e o erro médio
quadrático.
Retomemos o exemplo da Figura 7.10, quando demonstramos o método
de suavizamento exponencial na Figura 7.12 para ilustrarmos os cálculos de
erro médio absoluto e erro médio quadrático.

Previsão Previsão Desvio Desvio Desvio Desvio

Vendas Suav. Expon. Suav. Expon. absoluto absoluto quadrático quadrático
reais a= 0,1 a = 0,8 d= 0,1 a= 0,8 a = 0,1 a= 0,8

Janeiro 154 150,0 150,0 4.0 4,0 16,0 16,0

Fevereiro 114 150,4 153,2 36.4 39,2 1.325,0 1.536,6
Março 165 146,8 121,8 18,2 43,2 332,7 1 862,8
Abril 152 148,6 156,4 3,4 4,4 11,7 19,1
Maio 176 148,9 152,9 27,1 23,1 733,0 534,8
Junho 134 151,6 171,4 17,6 37,4 310,9 1.396,9
Julho 123 149,9 141,5 26,9 18,5 722,0 341,3
Agosto 154 147,2 126,7 6,8 27,3 46.5 745,6
Setembro 134 147,9 148,5 13,9 14,5 192,2 21 1,4
Outubro 156 146,5 136,9 9,5 19,1 90,7 364,5
Novembro 123 147,4 152,2 24,4 29,2 596,8 851,6
Dezembro 145 145,0 128,8 0.0 16.2 0.0 261.3

Desvios médios 15,69 23,00 364,79 678,48

Figura 7.12 Ilustração de cálculo de erro médio absoluto e erro médio quadrático.

Os cálculos dos desvios são quase autoexplicativos. Os desvios absolutos

são as diferenças entre previsão e vendas reais, mas em módulo (desconside­
rando o sinal). Os desvios quadráticos são esses valores de desvios elevados
ao quadrado. A linha de “desvios médios” traz os valores médios dos desvios
absolutos e quadráticos. Foram calculados na Figura 7.12 os desvios para as
previsões feitas pelo método de suavizamento exponencial com valores de a
de 0,1 e 0,8.

USO DE MÉTODOS QUANTITATIVOS COM A PRESENÇA

DE TENDÊNCIA E CICLICIDADES

Conforme comentado anteriormente, os métodos apresentados até agora

(médias móveis, ponderadas ou não, e suavizamento exponencial) pressupõem
 Previsões e Gestão ce Demanda em Produção e Operações 197

a hipótese de "permanência”, ou seja, assumem que a variável a ser prevista

não tem tendência de crescimento ou decrescimento geral e também não tem
a presença de ciclicidades importantes, tendo apenas uma flutuação aleatória
em torno de um patamar que se deseja estimar. Isso muitas vezes, na realidade,
não pode ser assumido. Nesses casos, modelos como os expostos até aqui não
podem ser usados, sob pena de gerarem previsões com grande erro ou ainda
com "viés” (médias móveis, por exemplo, em situações de tendência importante
de crescimento, sempre gerarão previsões subdimensionadas).
Imagine um histórico de vendas como o ilustrado na Figura 7.8. Fica clara
a presença tanto de tendência geral de crescimento de vendas do livro, como
presença de ciclicidades - relacionadas provavelmente com os períodos letivos
de primeiro e segundo semestre, dado que se trata de um livro didático. O
quadro da Figura 7.13 traz os dados nos quais a Figura 7.8 foi baseada.

Vendas Vendas Vendas

2001 2002 2003

Janeiro 112 146 199

Fevereiro 146 113 175
Março 122 92 88
Abril 125 160 112
Maio 127 188 149
Junho 157 190 140
Julho ISO 168 154
Agosto 235 235 275
Setembro 60 122 90
Outubro 92 97 120
Novembro 206 186 226
Dezembro 312 354 360

Figura 7.13 Exemplo de dados com presença de tendência de crescimento e ciclicidade.

Quando ajustamos uma reta de tendência ao global dos dados (usando o

comando “adicionar linha de tendência" e depois dotando a opção “linear",
do Excel, que usa o método dos mínimos quadrados, ou seja, encontra uma
reta que minimize a soma das distâncias ao quadrado entre a reta e os dados
históricos), achamos algo como ilustrado na Figura 7.14.
198 Administração de produção e de operações • Corrêa/Corrêa

Vendas Vendas Vendas

2001 2002 2003

Janeiro 1 12 146 199

Fevereiro 146 113 175
Março 122 92 88
Abril 125 160 1 12
Maio 127 188 149
Junho 157 190 140
Julho 150 168 154
Agosto 235 235 275
Setembro 60 122 90
Outubro 92 97 120
Novembro 206 186 226
Dezembro 312 354 360

Figura 7.14 Ilustração de ajuste de linha de tendência aos dados históricos.

Identificamos assim uma “linha reta” que de certa forma descreve a compo­
nente de “tendência” da série histórica. Faz sentido agora que identifiquemos
a componente de ciclicidade que se sobrepõe à componente de tendência. A
forma como fazemos isso é calcular quanto, percentualmente em média, as
vendas de cada um dos meses superaram (ou estiveram abaixo de) a reta de
tendência. Acompanhe na Figura 7.15.
 Previsões e Gestão de Demanda em Produção e Operações 199

Vendas Vendas Vendas

2001 2002 2003

Janeiro 1 12 \ 146 199

Fevereiro 146 \ 1 13 175

Março 122 88
\2
Abril 125 I6(K 112
Maio 127 188 149

Junho 157 190 NJ40

Julho 150 168 154
Vendas/ Vendas/ Vendas/
Agosto 235 235 275 \
Tendência Tendência Tendência Media
Setembro 60 122 90 \ 2001 2002 2003
Outubro 92 97 120 112/133.8 = 0.837 -►
Janeiro 0,837 0,939 1,124 0,967
Novembro 206 186 226
Fevereiro 1,077 0,719 0,978 0,925
Dezembro 312 354 360 /
Março 0,888 0,579 0,487 0,651
Abril 0,898 0,995 0,614 0,836
Reta de Reta de > /Reta de
Maio 0,910 1.156 0.809 0,955
tendência tendência tendência
2001 2002 2003 Junho 1.100 1,155 0,752 1,002

Janeiro 133,8 x 155,4 177,1 Julho 1,037 1,01 1 0,820 0,956

Fevereiro 135,6 157,2 178,9 Agosto 1,605 1.398 1,450 1,484

Março 137,4 159,0 180,7 Setembro 0,405 0,718 0,470 0,531

Abril 139,2 160,8 182,5 Outubro 0,613 0,565 0,621 0,600

Maio 141,0 162,6 184,3 Novembro 1,357 1,072 1,158 1,196

Junho 142,8 164,4 186,1 Dezembro 2,031 2,020 1,828 1,960

Julho 144,6 166,2 187,9

Agosto 146,4 168,0 189,7

Setembro 148,2 169,9 191,5
Outubro 150,0 171,7 193,3
Novembro 151,8 173,5 195,1
Dezembro 153,6 175,3 196,9

Figura 7.15 Ilustração do cálculo dos coeficientes de ciclicidade (média dos coeficientes
de ciclicidade do mês para os vários ciclos da série histórica de dados).

Na Figura 7.15, o quadro superior esquerdo traz as vendas reais de três

anos do produto analisado. O quadro inferior esquerdo traz os valores obtidos
a partir da reta de tendência. O quadro da direita então é calculado dividindo
os valores correspondentes do quadro esquerdo superior pelos valores do qua­
dro inferior esquerdo. Com isso, chegamos às relações entre as vendas reais e
a reta de tendência. Observe o valor de janeiro de 2001 do quadro da direita.
Traz o valor 0,837, pois o valor da venda real de janeiro de 2001 representa
83,7% do valor da reta de tendência em janeiro de 2001. No quadro da direita,
então, são calculados os coeficientes para os três anos, da série histórica de
dados, para janeiro, fevereiro, março, e assim por diante. Calculando as médias
desses valores, temos uma boa estimativa de qual será o percentual relativo das
vendas reais dos diversos meses em relação à reta de tendência. Ora, uma vez
que se tenha a intenção de extrapolar a reta de tendência para o ano de 2004,
200 Administração de produção e de operações • Corrêa/Corrêa

por exemplo, pode-se agora, com base nos coeficientes médios para cada um
dos meses, calcular uma estimativa de vendas para 2004, agora considerando a
sazonalidade. Retomando a reta de tendência e projetando seu valor para 2004,
segue, conforme mostrado na Figura 7.16.

-------------------------
Reta de Reta de Reta de Reta de Vendas com
Coeficientes de
tendência tendência tendência tendência 2004 ciclicidade
ciclicidade
2001 2002 2003 projeção projeção

Janeiro 133,8 155,4 177,1 198,7 0,967 192,1

Fevereiro 135,6 157,2 178,9 200,5 0,925 185,4
Março 137,4 159,0 180,7 202,3 0,651 131,8
Abril 139,2 160,8 182,5 204,1 0,836 170,6
Maio 141,0 162,6 184,3 205,9 0,955 196,7
Junho 142,8 164,4 186,1 207,8 1,002 208,3
Julho 144,6 166,2 187,9 209,6 0,956 200,3
Agosto 146,4 168,0 189,7 21 1,4 1,484 313,8
Setembro 148,2 169,9 191,5 213,4 0,531 1 13,2
Outubro 150,0 171,7 193,3 215,0 0,600 128,9
Novembro 151,8 173,5 195,1 216,8 1,196 259,2
Dezembro 153,6 175,3 196,9 218,6 1,960 428,3

Histórico Futuro

Reta de tendência 2004 projeção - - - Vendas com ciclicidade projeção

Figura 7.16 Ilustração de previsão de vendas com presença de tendência e ciclicidade.

 Previsões e Gestão de Demanda em Produção e Operações 201

GESTÃO DE DEMANDA: MAIS QUE APENAS PREVISÕES

DE VENDAS

Mais que apenas prevista, a demanda das organizações também deve ser
gerenciada.
A função de gestão da demanda inclui esforços em várias áreas principais:
previsão da demanda, comunicação com o mercado, influência sobre a demanda,
promessa de prazos de entrega, além de priorização e alocação.

1. habilidade para prever a demanda: é muito importante que a empresa

saiba utilizar todas as ferramentas disponíveis para conseguir anteci­
par a demanda futura com alguma precisão, conforme discutido em
seções anteriores deste capítulo;
2. canal de comunicação com o mercado: este item poderia estar incluído no
anterior, mas sua importância é tão grande e ele é tão negligenciado
que vale a pena destacá-lo. Normalmente, as pessoas que mantêm
contato com os clientes (vendedores e representantes de vendas) estão
preocupadas somente em vender, desprezando uma função extrema­
mente importante: a de trazer informações dos clientes e do mercado
para a empresa, numa base contínua e permanente. De fato, não se
pode censurá-los, já que muito poucas empresas colocam explicita­
mente em suas atribuições essa função 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 com o mercado, a empresa estará
desperdiçando uma fonte inestimável de informações para fazer de
seu sistema de previsão de vendas um processo eficaz dentro da or­
ganização;
3. poder de influência sobre a demanda: além de tentar prever o comporta­
mento da demanda, é importante que a empresa procure influenciá-
-lo. Essa influência pode se dar não só sobre a demanda já manifesta,
negociando parcelamento de entrega com os clientes, por exemplo
(muitas vezes, este parcelamento é até interessante para o cliente
que, por falta de informação, trabalha com restrições fictícias de lote
mínimo de compra), mas também sobre a demanda que ainda vai
acontecer, incentivando vendedores e representantes de vendas a ofe­
recer ao mercado determinado mix de produtos que melhor ocupe a
capacidade, ou ainda através de promoção e propaganda. Em qualquer
circunstância, é importantíssimo que as ações desferidas pela empresa
202 Administração de produção e de operações • Corrêa/Ccrrêa

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;
4. habilidade de prometer prazos: importante para garantir desempenho em
confiabilidade de entrega, a atividade de promessa de prazo também
é de responsabilidade de quem faz a gestão da demanda. A atividade
de prometer datas de entrega depende do tipo de produção (para es­
toque, sob encomenda ou montagem contra pedido) e será discutida
em detalhe mais adiante;
5. habilidade de priorização e alocação: obviamente, um dos objetivos das
operações é criar condições para que a empresa consiga atender a
toda a demanda dos clientes. Contudo, se ocorre de não haver pro­
dutos suficientes ou se os recursos e materiais necessários não estão
disponíveis, é preciso decidir quais clientes serão atendidos total ou
parcialmente e quais terão que esperar. Essa decisão é de responsa­
bilidade da área comercial, devendo ser operacionalizada através dos
mecanismos da função de gestão de demanda.

QUESTÕES PARA DISCUSSÃO

1. Escolha uma operação à qual você tenha acesso e que lhe permita entrevis­
tar os gestores. Pesquise e descreva o processo de previsão de demanda da
operação. A luz dos principais erros encontrados na prática das previsões
nas empresas, discutidos no início do capítulo, identifique quais estão pre­
sentes no processo que você descreveu. Sugira uma série de medidas que
poderiam ser propostas para melhorar o processo de previsão da operação
que você analisou.
2. Analise quais você imagina seriam os impactos de uma previsão de demanda
malfeita para as operações a seguir; analise separadamente os impactos de
más previsões de curto, médio e longo prazos:
• a Companhia Siderúrgica Nacional;
• o portal de compras pela Internet “Submarino”;
• um hospital geral, como o Sírio Libanês, em São Paulo, ou o Miguel
Couto, no Rio de Janeiro;
• uma empresa fabricante de cosméticos;
• uma linha aérea.