Escolar Documentos
Profissional Documentos
Cultura Documentos
2
XXV SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Inovação E Sustentabilidade Na Gestão De Processos De Negócios
Bauru, SP, Brasil, 7 a 9 de novembro de 2018
1. Introdução
3
XXV SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Inovação E Sustentabilidade Na Gestão De Processos De Negócios
Bauru, SP, Brasil, 7 a 9 de novembro de 2018
modelo de previsão proposto é construído e usado para prever tendências futuras da demanda,
além disso, é feita a análise da acurácia do modelo. A discussão sobre os resultados obtidos é
apresentada na sexta seção. Na seção seguinte, são expostas as conclusões sobre o trabalho.
Por último são apresentadas as referências bibliográficas utilizadas no presente estudo.
1.2 Objetivos
Este artigo tem como objetivo explicar e avaliar a aplicação do método de previsão
grey conhecido como Even Grey Model (1,1) para prever a demanda de uma empresa que atua
no seguimento de vendas de materiais de construção, bem como contribuir com o
conhecimento das áreas propostas nesta pesquisa.
2. Revisão de Literatura
4
XXV SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Inovação E Sustentabilidade Na Gestão De Processos De Negócios
Bauru, SP, Brasil, 7 a 9 de novembro de 2018
das outras e definem as respectivas características delas. O foco da teoria grey são os
problemas com incerteza relacionada à existência de pequenas amostras e dados incompletos
que são difíceis da probabilidade e da matemática fuzzy resolver.
De acordo com Liu, Yang e Forrest (2017), um dos objetivos principais da teoria grey
é perceber relações matemáticas entre diferentes variáveis de sistemas através de dados
disponíveis que caracterizem o comportamento e a interação entre essas variáveis.
A teoria grey tem como fundamento a ideia de que todo sistema possui funções e
propriedades inerentes a ele, mesmo que a identificação destas seja difícil. Nesse sentido, para
entender as leis que caracterizam o sistema, e consequentemente a relação entre suas
variáveis, é preciso identificar o padrão implícito nas sequências de dados disponíveis através
do enfraquecimento da aleatoriedade. Em virtude desse problema foram construídos os
operadores sequenciais grey. (LIU; FORREST; LIN, 2010).
Um operador importante e que auxilia no processo de identificação de padrões
implícitos em uma sequência de dados é o operador de geração acumulada (LIU; YANG;
FORREST, 2017). Seja X a sequência de dados originais, o operador de geração acumulada
(1-AGO) gera a seguinte sequência de dados:
1 1 1 1
𝑋 = 𝑥 1 ,𝑥 2 ,…,𝑥 𝑛
onde,
𝑘
1
𝑥 𝑘 = 𝑥(𝑖) ; 𝑘 = 1,2, … , 𝑛.
𝑖=1
O operador que é capaz de retornar aos valores originais da série é o operador inverso
ao de geração acumulada (1-IAGO). Seja ele aplicado a sequência de dados X (1) acima, então
o operador gera a sequência de dados:
𝑋 = 𝑥 1 ,𝑥 2 ,…,𝑥 𝑛
onde,
1 1
𝑥 𝑘 =𝑥 𝑘 −𝑥 𝑘 − 1 ; 𝑘 = 2,3, … , 𝑛.
Segundo Kung e Yu (2008), realizar uma previsão implica em fazer inferências futuras
sobre eventos incertos, e isto significa admitir que é possível estimar o futuro com base no
5
XXV SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Inovação E Sustentabilidade Na Gestão De Processos De Negócios
Bauru, SP, Brasil, 7 a 9 de novembro de 2018
passado e os resultados são informações úteis que servem de referência na tomada e decisão.
A teoria grey permite a correta descrição do comportamento do sistema e sua evolução
no tempo, e assim gera previsões quantitativas em relação aos estados futuros do sistema.
Para aumentar o grau de acurácia dos modelos de previsões existentes na teoria grey, foram
construídos operadores sequenciais capazes de tratar a sequência de dados originais. (LIU;
YANG; FORREST, 2017)
De acordo com Wei et al. (2015), o modelo grey de previsão usa operadores
sequenciais de geração acumulada (1-AGO) para reduzir a variação na série original de dados
e para construir equações diferenciais através de transformação linear da série de dados. Na
visão de Liu, Yang e Forrest (2017, p.144), “O modelo Even Grey Model, é o modelo de
previsão grey proposto inicialmente pelo professor Deng Julong, e é um dos mais influentes e
um dos mais aplicados na teoria grey para previsão”. Muitos pesquisadores quando se referem
ao modelo GM (1,1) na verdade estão se referindo ao Even Grey Model. Este modelo é
conhecido como EGM (1,1), onde os índices indicam que se tem uma variável apenas e o
modelo de previsão é de primeira ordem. O procedimento geral para realizar uma previsão
usando o modelo EGM (1,1) é apresentada a seguir.
Seja X = (x(1), x(2),…, x(n)), x(k)≥0, k=1,2,…,n, e X(1) é a sequência gerada pelo
operador 1-AGO aplicado em X. Além disso, seja
𝑍 (1) = 𝑧 1
2 ,𝑧 1
3 ,…,𝑧 1
𝑛
onde,
1 1 1 1
𝑧 𝑘 = 𝑥 𝑘 +𝑥 𝑘−1 ,
2
então
1
𝑥(𝑘) + 𝑎𝑧 𝑘 = 𝑏,
é dita como equação diferencial grey do modelo EGM (1,1). Note que, esta equação é
composta pelos valores , que compõem a série original de dados, e também pelos valores
gerados a partir do operador 1-AGO. Além disso, ela tem dois parâmetros característicos, o
parâmetro a é chamado de índice de desenvolvimento ou coeficiente de desenvolvimento e o
b é conhecido como coeficiente da função grey. O z (1) é conhecido como valor de fundo.
Liu e Lin (2006) provaram que o vetor de parâmetros φ = [a,b]T da equação diferencial
acima pode ser estimado usando o método dos mínimos quadrados e, portanto, satisfaz a
equação,
𝜑 = 𝐵𝑇 𝐵 −1
𝐵𝑇 𝑌
onde,
6
XXV SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Inovação E Sustentabilidade Na Gestão De Processos De Negócios
Bauru, SP, Brasil, 7 a 9 de novembro de 2018
1
−𝑧 2 1 𝑥 2
1 𝑥 3
𝐵 = −𝑧 3 1 , 𝑌=
⋮ ⋮ ⋮
−𝑧 1
𝑛 1 𝑥 𝑛
Além disso, a equação diferencial grey do modelo EGM (1,1) pode ser reescrita da
seguinte maneira,
𝑑𝑥 1 1
+ 𝑎𝑥 = 𝑏,
𝑑𝑡
que é conhecida como equação de clareamento da equação diferencial grey. A solução da
equação diferencial acima é
1
𝑏
𝑥 𝑡 = 𝐶𝑒 −𝑎𝑡 +
𝑎
Para t = 1, considere que x(1)(1) = x(1), e substituindo esses valores na equação acima,
é obtido que C = [x(1) - b/a] ea . Portanto, esta equação pode ser reescrita como
1
𝑏 −𝑎(𝑡−1) 𝑏
𝑥 𝑡 = 𝑥 1 − 𝑒 +
𝑎 𝑎
Essa é equação é conhecida como função de resposta temporal do modelo EGM (1,1).
Uma vez que os valores assumidos pela variável t não são contínuos no tempo e sim uma
sequência de dados que correspondem a períodos específicos, deve-se substituir a variável t
pela variável k. Sendo assim, é obtida a sequência de resposta temporal do modelo EGM
(1,1), dada por
1
𝑏 −𝑎(𝑘−1) 𝑏
𝑥 𝑘 = 𝑥 1 − 𝑒 + , 𝑘 = 1,2, … , 𝑛.
𝑎 𝑎
Agora é necessário aplicar o operador 1-IAGO para obter aos valores não acumulados
desejados. Sendo assim,
1 1
𝑥 𝑘 = 𝑥 𝑘 − 𝑥 𝑘 − 1 , 𝑘 = 2, 3, … , 𝑛,
logo, o valor estimado pelo modelo para o k-ésimo período de tempo pode ser calculado
através da fórmula abaixo,
𝑏 −𝑎(𝑘−1)
𝑥 𝑘 = 1 − 𝑒𝑎 𝑥 1 − 𝑒 , 𝑘 = 2,3, … , 𝑛.
𝑎
A aplicação do modelo é consideravelmente mais simples do que sua concepção a
partir de equações matemáticas que são complexas, além disso, a estimação dos parâmetros a
e b não precisa necessariamente ser feita através do método dos mínimos quadrados, diversos
métodos voltados à estimação desses parâmetros foram aplicados de forma satisfatória
recentemente. O modelo apresentado no presente trabalho, que utiliza o método dos mínimos
7
XXV SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Inovação E Sustentabilidade Na Gestão De Processos De Negócios
Bauru, SP, Brasil, 7 a 9 de novembro de 2018
quadrados para estimar os parâmetros, pode ser aplicado seguindo-se as etapas listadas na
Figura 1 abaixo.
Em relação à etapa de análise dos valores estimados pelo modelo EGM (1,1), visando
examinar a acurácia do modelo proposto, o presente trabalho usa o e o Erro Percentual
Absoluto Médio (MAPE), que é a média dos erros em percentuais absolutos. Para Lewis
(1997), o MAPE é uma das medidas de erro mais usadas para se analisar métodos de previsão.
Este tipo erro compara o valor real X encontrado e o valor previsto Y, para medir o erro de
previsão. O modelo de previsão é considerado plausível quando a magnitude do MAPE é
pequena, pois isto indica uma melhor aderência aos dados reais, caso contrário o modelo tem
baixa acurácia. A fórmula que define o MAPE é,
𝑛
100%
𝑀𝐴𝑃𝐸 = 𝑥 𝑘 −𝑥 𝑘 𝑥 𝑘
𝑛
𝑘=1
Lewis (1997) indica que um valor MAPE menor que 10% pode ser considerado muito
bom e com potencial para fornecer uma previsão confiável.
3. Metodologia
O presente trabalho iniciou-se com uma revisão da literatura sobre conceitos que são
fundamentais para a compreensão do fenômeno estudado. Os autores fizeram uso de palavras-
chaves, autores, referências de artigos e periódicos como meios de pesquisa para encontrar as
publicações usadas neste trabalho. Além disso, foram usadas bases de dados específicas para
cada tipo de publicação pesquisada. Visando entender como deveria ser feita previsão da
demanda, esta pesquisa seguiu uma série de procedimentos metodológicos, conforme
apresentado na Figura 2.
A partir de uma revisão na literatura teórica da teoria grey com ênfase em previsão
grey, deu se início a seleção dos dados. Paralelamente, dedicou-se esforço ao entendimento da
teoria sobre metodologia de pesquisa para poder traçar os procedimentos do presente trabalho.
Após a coleta dos dados sobre a demanda, aplicou-se o método de previsão grey
8
XXV SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Inovação E Sustentabilidade Na Gestão De Processos De Negócios
Bauru, SP, Brasil, 7 a 9 de novembro de 2018
conhecido como Even Grey Model. Posteriormente, foi realizada uma análise dos valores
estimados pelo modelo e os valores reais, usando como métrica para isto o indicador MAPE.
O estudo é finalizado com a elaboração de conclusões e sugestões na tentativa de
perceber as implicações positivas que a aplicação do método de previsão grey, quando bem
estruturada, tem para os gestores de empresas. Além disso, a discussão através da análise dos
erros percentuais absolutos deixa evidente a possibilidade de otimização do método
apresentado no presente trabalho.
4. Dados Coletados
Pimentel, Cruz e Guerreiro (2016), fizeram a previsão da demanda para uma loja de
materiais de construção que está localizada na cidade de Ananindeua no Pará, na região
metropolitana de Belém. Eles afirmaram que a organização se posicionava entre as três maiores
distribuidoras de ferro e aço do Estado do Pará, e que era responsável por atender um público-alvo
diversificado como construtoras, indústrias e serralherias.
De acordo com os autores, o estudo foi motivado por conta das dificuldades
econômicas enfrentadas pela empresa. A previsão realizada possibilitou um melhor
planejamento da quantidade necessária de materiais em estoque, o que evitou falta (que
resultaria em vendas perdidas) e excesso (diminuindo assim o custo com estoque).
No trabalho os autores apresentaram os dados mensais que descrevem o histórico de
vendas de itens pertencentes ao grupo de produtos de ferro e aço, responsáveis por mais de
80% da quantidade de vendas totais da empresa, no período de janeiro de 2014 até dezembro
de 2015. A Tabela 1 apresenta estes valores.
9
XXV SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Inovação E Sustentabilidade Na Gestão De Processos De Negócios
Bauru, SP, Brasil, 7 a 9 de novembro de 2018
Esta tabela deixa evidente a variação mensal que ocorre nas vendas e que esta é
caracterizada por grandes quedas e aumentos entre alguns meses do ano. Este fenômeno pode
ser facilmente visualizado através do Gráfico 1 que representa a quantidade vendida por mês.
5. Aplicação
10
XXV SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Inovação E Sustentabilidade Na Gestão De Processos De Negócios
Bauru, SP, Brasil, 7 a 9 de novembro de 2018
dados apresentados na Tabela 1. Todos os cálculos presentes nesta seção foram realizados
através do software MS-Excel 2016. Sendo assim, a sequência de dados iniciais é
X = 721.895, 693.259, 892.825, 793.365, 841.991 .
Esta sequência acrescida do valor da quantidade de vendas para o período de setembro
até dezembro de 2015 pode ser vista no Gráfico 2.
A partir dos valores desta nova sequência pode-se calcular os seus valores de fundo,
z(1) (k), que são dados por,
11
XXV SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Inovação E Sustentabilidade Na Gestão De Processos De Negócios
Bauru, SP, Brasil, 7 a 9 de novembro de 2018
TABELA 2 - Resultados.
Período Quantidade Vendida Real Quadrimestral Quantidade Prevista Quadrimestral Erro Percentual Absoluto
MAPE 6,50%
12
XXV SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Inovação E Sustentabilidade Na Gestão De Processos De Negócios
Bauru, SP, Brasil, 7 a 9 de novembro de 2018
6. Discussão
13
XXV SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO
Inovação E Sustentabilidade Na Gestão De Processos De Negócios
Bauru, SP, Brasil, 7 a 9 de novembro de 2018
resultado previsto para o sexto quadrimestre indicou a mesma tendência de crescimento, com
um crescimento de 4,35%. Assim, é possível concluir que a quantidade de produtos
pertencentes ao grupo de ferro e aço vendidos vai crescer continuamente e que a receita da
empresa deve aumentar no futuro próximo.
7. Conclusão
Referência Bibliográfica
GUERRINI, F.; BELHOT, R.; JÚNIOR, W. Planejamento e controle da produção: projeto e operação de
sistemas. 1ª Ed. Rio de Janeiro: Elsevier, 2014.
KUNG, L. M.; YU, S. W. Prediction of index futures returns and the analysis of financial spillovers - A
comparison between GARCH and the grey theorem. European Journal of Operational Research, v. 186, n. 3, p.
1184-1200, 2008.
LEWIS, C. D. Demand Forecasting and Inventory Control. New York: Wiley, 1997
LIU, S.; FORREST, J.; LIN, Y. Grey systems: theory and applications. Berlin: Springer, 2010.
LIU, S.; LIN, Y. Grey information: theory and practical applications. Londres: Springer, 2006.
LIU, S.; YANG, Y.; FORREST, J. Grey Data Analysis: Methods, Models and Applications. Singapura: Springer,
2016.
TUBINO, D. F. Planejamento e controle da produção: teoria e prática. São Paulo: Atlas, 2007.
WEI, J.; ZHOU, L.; WANG, F.; WU, D. Work safety evaluation in Mainland China using grey theory. Applied
mathematical modelling, v. 39, n. 2, p. 924-933, 2015.
14