UNIVERSIDADE FEDERAL DE SANTA CATARINA

CAMPUS TECNOLÓGICO DE JOINVILLE

Disciplina: EMB 5932 - Logística 2

Professora: Francielly Hedler Staudt

RELATÓRIO 1 – LOGÍSTICA 2

Marielly Alberti

Michel Fernando Madeira

Shariff

A planilha em Excel com os cálculos e fórmulas encontra-se em anexo a este relatório.

1. TRATAMENTO DOS DADOS

A partir dos dados brutos “Produto 60x60 BOLD (R$)” fez-se o tratamento de outliers. Para
tanto, calculou-se a média (μ) dos 43 períodos (1/2018 até 7/2021) e o respectivo desvio padrão (σ)
estabelecendo como limites 2σ para cima ou para baixo.

Para a amostra constatou-se apenas um valor fora dos limites em jul/21 e este foi
substituído de acordo com o método de “nivelar pelo teto”, -2σ neste caso.

1.1 CLASSIFICAÇÃO DA DEMANDA

Calculando os indicadores ADI e CV², a demanda foi classificada como “Smooth” segundo os
critérios padrão de classificação. Este tipo é caracterizado por ser bastante regular em tempo e
quantidade e em geral é fácil de obter previsões com erro baixo.

2. APLICAÇÃO DOS MÉTODOS

Os métodos aplicados neste estudo foram :

 Previsão Ingênua;
 Previsão Ingênua Vários Passos;
 Média Simples;
 Média Móvel (3 e 6);
 MM Ponderada-3M;
 MM Dupla;
 Suavização Exponencial;
 Brown;.
 Holt;
 Holt-Winters;
  Regressão Linear.

Para todos os métodos foram obtidos os seguintes indicadores de análise de erros:

 ME (Mean Error);
 MAD (Mean Absolute Deviation);
 MSE (Mean Square Error);
 MAPE (Mean Absolute Percentage Error);
 U de Theil.

De acordo com o estudo base, “Para os métodos que possuem índices de suavização (média móvel
ponderada, suavização exponencial, Brown e Holt) utilizou-se a ferramenta Solver do programa
Excel® para encontrar os valores dos índices de forma que o erro percentual absoluto médio (MAPE)
fosse minimizado. Repetiu-se este procedimento todos os meses, a cada nova previsão mensal.”
(STAUDT, 2011)

A análise dos resultados consta logo a diante, no capítulo 3.

2.1 JUSTIFICATIVA DA REGRESSÃO LINEAR

Para a aplicação deste método utilizou-se a séria histórica da cotação do BITCOIN e da

cotação do dólar. Entende-se que o indicador CUB seria a opção mais lógica no ramo da construção
civil, mas em um mundo globalizado, referências internacionais tendem a substituir indicadores
regionais (em um futuro ainda distante) ainda que atualmente muitos insumos sejam cotados em
dólar.

A equipe tem consciência, de que neste momento, a correlação é mínima uma vez que o
BITCOIN é um ativo extremamente volátil e que acompanha o dólar, que também tem variação
expressiva com relação ao Real (R$).

A cotação do BITCOIN foi obtida através de conexão direta do excel com o site
“CoinMarketCap”, e a cotação do dólar obtida no site “binance.com” em toda a série disponível
9/2020 – 7/2021, obtendo-se a média para preencher as cotações mais antigas.

A regressão foi feita com a ferramenta de Regressão do pacote de Addins do Excel.

y ( x ) =−0.102489 x+ 80736.11

Regressão Linear
120,000.00
100,000.00
80,000.00
60,000.00
40,000.00
20,000.00
0.00
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43

Produto 60x60 BOLD (R$) Previsão

3 ANÁLISE DE ERROS

Obteve-se a média dos últimos 6 meses para cada indicador, realizando previsões para cada
período (mês a mês).

Em ME, um valor que mostra a diferença entre o observado e o previsto. Um erro positivo
representa uma previsão acima do real assim como um valor negativo mostra que está abaixo. Por
usar valores negativos e positivos, e assim se aproximar de zero, não é um indicador muito utilizado
para a avaliação de métodos. No entanto este indicador fornece uma medida de uma tendência de
pessimismo ou otimismo.

O MAD trata o erro como uma distância do previsto e observado, sendo assim uma medida
da qualidade da previsão. É indicada para analisar previsões de um único produto.

O MSE, é uma medida semelhante ao MAD equilibrando previsões negativas e positivas.

Contudo, ao se elevar ao quadrado, este indicador acentua desvios extremos.

MAPE é o critério mais utilizado não só por ser em porcentagem mas também por não
depender da unidade dos dados, e assim sendo o mais indicado para a comparação de modelos de
previsão.

Em U de Theil tem se uma quantificação das discrepâncias cometidas para a previsão

seguinte, e deve ser menor que um para que o método em questão seja mais preciso que a previsão
ingênua.

3.1 DEFINIÇÃO DO MÉTODO A SER UTILIZADO

Para definirmos o método de previsão a ser utilizado, fez-se a análise de todos os

indicadores do quadro resumo.

Nota-se que a complexidade do método não tem relação direta com sua precisão para este
estudo de caso.

Sendo o MAPE o critério principal, o método de Brown se destacou dos demais com 10% de
erro. Este método também obteve os menores erros para todos os demais indicadores (ME, MAD,
MSE e U de Theil), mostrando ser distantemente o melhor método para esta demanda.

Isso pode ser explicado pelo método se aproveitar de tendências (demanda Smooth),
atribuindo pesos diferentes para a séria histórica através do coeficiente de amortecimento α.

Válido notar também que a previsão do mês 4/2021, apresentou quase exatidão (0.00014).
Referências

www.coinmarketcap.com Acesso em 28/05/2022

www.binance.com Acesso em 28/05/2022