TCC UEPA 2008 - Rodrigo Modesto

I
Universidade do Estado do Pará

Centro de Ciências Naturais e Tecnologia
Curso de Graduação em Engenharia de Produção
Rodrigo Modesto Cunha
Previsão de demanda para gêneros alimentícios:

estudo de caso em uma empresa de distribuição
Belém
2008
II
Rodrigo Modesto Cunha
Previsão de demanda para gêneros alimentícios: estudo de caso

em uma empresa de distribuição
Trabalho de Conclusão de Curso apresentado

como requisito parcial para obtenção do grau
de Engenheiro de Produção, Universidade do
Estado do Pará.
Orientador: Prof. M.Sc. Harley dos Santos
Martins.
Belém
2008
III
IV
Para minha mãe, Ana Júlia.

Obrigado por sempre ter acreditado em mim.
V
AGRADECIMENTOS
Primeiramente a Deus, por ser minha fonte de sabedoria e força nos

momentos em que mais preciso.
À minha querida mãe, por sempre estar ao meu lado, por todo o esforço feito
para que eu tivesse uma educação de qualidade, por todo o carinho e amor, e por
ser exemplo de honestidade e força de vontade.
À minha namorada Dyane, por todos esses anos de muito amor, alegria,
companheirismo, e por ser minha referência nos momentos mais difíceis.
À minha tia “Loura”, e aos meus primos Aline, Felipe e Ritinha, por terem me
agüentado todos esses anos como “hóspede” em Belém.
Aos meus avós, Valda e Câmara, pelo amor incondicional e por toda
admiração.
A todos os meus familiares que me ajudaram, de um modo ou de outro, a
vencer mais esta batalha.
Às pessoas na Dismelo que me ajudaram na pesquisa, em especial ao Neto e
ao meu irmão Leonardo.
Aos meus amigos de faculdade Belisa, Diana, Enderson, Erikarla, Jaison,
Laíze, Márcio e Silmara, por tantos finais de semana dedicados aos trabalhos da
faculdade, e por todo o companheirismo e amizade.
Aos meus amigos Ítalo, Néliton, Francisco, Rubens e Rodrigo.
Ao orientador deste trabalho, professor Harley, por todo o apoio e dedicação.
À todos os meus professores, pelo conhecimento compartilhado, em especial
aos professores Rubens, Yvelyne e Denílson.
Aos meus colegas de turma.
E por todos aqueles que contribuíram de forma direta ou indireta em mais
esta conquista.
VI
Se queres prever o futuro, estudas o passado.
Confúcio
VII
RESUMO
CUNHA, Rodrigo Modesto. Previsão de demanda para gêneros alimentícios:

estudo de caso em uma empresa de distribuição. 2008. 53 f. Trabalho de
Conclusão de Curso (Graduação em Engenharia de Produção) – Universidade do
Estado do Pará.
Este trabalho tem por objetivo estabelecer o modelo de previsão quantitativo mais
confiável para se efetuar previsões de demanda de gêneros alimentícios em uma
empresa de distribuição. O estudo pesquisou diversas literaturas para se definir a
metodologia de atuação. A pesquisa foi realizada em todos os departamentos do
setor de alimentos da empresa, que conta com quinze departamentos. Aplicaram-se
seis modelos de previsão, divididos em dois grupos, os de média móvel e os que
levam em consideração a tendência, com o intuito de verificar o de maior acurácia
para cada um dos departamentos. Os resultados obtidos mostraram que os modelos
que se valem da tendência são, em sua maioria, mais apropriados ao setor de
alimentos da empresa.
Palavras-chave: Previsão de demanda. Séries temporais. Alimentos.

VIII
ABSTRACT
CUNHA, Rodrigo Modesto. Previsão de demanda para gêneros alimentícios:

estudo de caso em uma empresa de distribuição. 2008. 53 f. Trabalho de
Conclusão de Curso (Graduação em Engenharia de Produção) – Universidade do
Estado do Pará.
This study aims to establish the model of quantitative forecast to make more reliable
forecasts of demand for food at a distribution company. The study surveyed several
literatures to define the methodology of action. The study was conducted in all
departments of the sector of food of the company, which has fifteen departments.
Statistical analyses six forecasting models, divided into two groups, the moving
average, and those that take into account the trend in order to verify the accuracy of
greater for each of the departments. The results showed that the models that are
worth the trend, most of them, more appropriate to the food industry of the company.
Key-words: Demand forecasting. Time series. Foods.

IX
LISTA DE ILUSTRAÇÕES
Figura 1 – Evolução do faturamento da indústria alimentícia 16

Figura 2 – Etapas do modelo de previsão de demanda 20
Figura 3 – Fatores que influenciam as séries temporais 22
X
LISTA DE TABELAS
Tabela 1 – Composição dos departamentos 29

Tabela 2 – Comparação entre os modelos de previsão (leite) 30
Tabela 3 – Comparação entre os modelos de previsão (condimentos) 31
Tabela 4 – Comparação entre os modelos de previsão (enlatados e
maioneses) 32
Tabela 5 – Comparação entre os modelos de previsão (óleos e vinagres) 33
Tabela 6 – Comparação entre os modelos de previsão (laticínios) 34
Tabela 7 – Comparação entre os modelos de previsão (misturas) 35
Tabela 8 – Comparação entre os modelos de previsão (café) 36
Tabela 9 – Comparação entre os modelos de previsão (doces) 37
Tabela 10 – Comparação entre os modelos de previsão (biscoitos) 38
Tabela 11 – Comparação entre os modelos de previsão (sucos e águas) 39
Tabela 12 – Comparação entre os modelos de previsão (dietéticos) 40
Tabela 13 – Comparação entre os modelos de previsão (salgadinhos e
bomboniere) 41
Tabela 14 – Comparação entre os modelos de previsão (massas) 42
Tabela 15 – Comparação entre os modelos de previsão (matinais) 43
Tabela 16 – Comparação entre os modelos de previsão (carnes secas) 44
Tabela 17 – Resumo dos resultados obtidos por departamento 46
Tabela 18 – Resumo dos resultados obtidos por modelo de previsão 46
XI
LISTA DE GRÁFICOS
Gráfico 1 – Ajustamento polinomial para a tendência do departamento de

leite 31
condimentos 32
Gráfico 3 – Ajustamento exponencial para a tendência do departamento
de enlatados e maioneses 33
Gráfico 4 – Média móvel ponderada das 4 últimas semanas do
Departamento de óleos e vinagres 34
departamento de laticínios 35
de misturas 36
Café 37
Gráfico 8 – Média exponencial do departamento de doces 38
departamento de biscoitos 39
sucos e águas 40
departamento de dietéticos 41
de salgadinhos e bomboniere 42
de massas 43
matinais 44
departamento de carnes secas 45
XII
LISTA DE SIGLAS
ABIA – Associação Brasileira da Indústria da Alimentação

DEC – Distribuidor Especializado Categorizado
MAD – Desvio Médio Absoluto
PCP – Planejamento e Controle da Produção
XIII
SUMÁRIO
1 INTRODUÇÃO 15
1.1 Objetivo Geral 16
1.2 Objetivos Específicos 17
1.3 Metodologia 17
1.4 Estrutura do Trabalho 17
2 REVISÃO DE LITERATURA 19
2.1 Previsão de Demanda 19
2.2 Métodos de Previsão Quantitativos 21
2.3 Séries Temporais 22
2.3.1 Média Móvel 23
2.3.2 Média Móvel Ponderada 23
2.3.3 Média Exponencial Móvel 24
2.3.4 Ajustamento Linear para a Tendência 24
2.3.5 Ajustamento Exponencial para a Tendência 25
2.3.6 Ajustamento Polinomial para a Tendência 26
2.4 Erros de Previsão 26
3 ESTUDO DE CASO 28
3.1 Caracterização da Empresa 28
3.2 Apresentação dos Dados Coletados 29
3.3 Comparação e Seleção dos Modelos de Previsão 30
3.3.1 Departamento de Leite 30
3.3.2 Departamento de Condimentos 31
3.3.3 Departamento de Enlatados e Maioneses 32
3.3.4 Departamento de Óleos e Vinagres 33
3.3.5 Departamento de Laticínios 34
3.3.6 Departamento de Misturas 35
3.3.7 Departamento de Café 36
3.3.8 Departamento de Doces 37
3.3.9 Departamento de Biscoitos 38
3.3.10 Departamento de Sucos e Águas 39
3.3.11 Departamento de Dietéticos 40
XIV
3.3.12 Departamento de Salgadinhos e Bomboniere 41

3.3.13 Departamento de Massas 42
3.3.14 Departamento de Matinais 43
3.3.15 Departamento de Carnes Secas 44
3.4 Resumo dos Resultados 45
4. CONSIDERAÇÕES FINAIS 47
5. REFERÊNCIAS BIBLIOGRÁFICAS 48
ANEXO A 49
15
1 INTRODUÇÃO
A previsão de demanda vem se tornando ferramenta essencial para um bom

gerenciamento dos estoques nas organizações, pois dificilmente, como afirma
Corrêa; Gianesi & Caon (2001, p.238), estas são tão flexíveis que possam, de forma
eficiente, alterar de forma substancial seus volumes de produção ou o mix de
produtos produzidos – ou de distribuição e comercialização no caso estudado – de
um período para o outro, de forma a atender às variações de demanda,
principalmente no curto prazo.
Assim, torna-se imprescindível para as empresas utilizar todas as ferramentas
possíveis com o intuito de estimar a demanda futura e planejar o nível de atividade
esperado, mesmo que não se possa ter certeza de como o mercado irá se
comportar, buscando um equilíbrio entre o atendimento às necessidades dos
clientes, evitando a falta de produtos, e a minimização dos custos envolvidos na
manutenção dos estoques, em caso de excesso, e de perda dos mesmos.
Este trabalho foi desenvolvido em uma empresa distribuidora de gêneros
alimentícios e cosméticos, que está localizada no município de Castanhal, no
nordeste do Pará.
A opção pela escolha do setor de alimentos, em detrimento do estudo no
setor de cosméticos, se justifica pelo fato de o primeiro ser mais recente na
empresa, tendo completado um ano de operação no mês de agosto de 2008 e ainda
não estar tão bem estruturado quanto o departamento de cosméticos, mas
principalmente pelo rápido perecimento dos produtos.
A indústria de alimentos é um dos setores mais importantes da economia
nacional. Segundo a ABIA (Associação Brasileira da Indústria da Alimentação), em
2007 o setor teve um faturamento (líquido de impostos indiretos) de R$ 230,6
bilhões, um crescimento de 10,7% frente ao ano anterior, conforme a figura 1.
A partir da análise da figura 1, percebe-se que em todo o período
considerado, o faturamento do setor aumentou, sem exceção, quase dobrando em
sete anos. Esse significativo avanço observado na indústria alimentícia brasileira
pode ser explicado, dentre outros fatores, pelo crescimento vegetativo da população,
que atua de forma automática no sentido de aumentar a demanda por produtos
alimentícios, e pelo crescimento do consumo, provocado pela elevação da renda
(ABIA, 2008).
16
Figura 1: Evolução do faturamento da indústria alimentícia
Fonte: Perspectivas para a indústria da alimentação no Brasil em 2008: panorama gráfico-estatístico.

São Paulo: ABIA, 2008.
Nesse sentido, no setor de alimentos, uma estimativa razoável do futuro é

bem mais crítica que em outros setores da economia, principalmente pelo rápido
perecimento dos produtos. Outro fator agravante é o fato de a empresa estudada ser
uma distribuidora, que tem como clientes empresas varejistas, que terão ainda que
estocar estes produtos, antes de repassá-lo ao consumidor final.
Diante do exposto, tem-se o seguinte problema a ser pesquisado: Qual o
modelo de previsão quantitativo mais confiável para se efetuar previsões de
demanda por gêneros alimentícios em uma empresa de distribuição?
Partindo do questionamento feito anteriormente, pode-se formular a seguinte
hipótese que busca respondê-lo: Os modelos de previsão quantitativos, que
levam em consideração a tendência, serão, na maioria dos gêneros
alimentícios, os que apresentarão os menores erros.
1.1 Objetivo Geral
Estabelecer o modelo de previsão quantitativo mais confiável para se efetuar

previsões de demanda de curto prazo de gêneros alimentícios em uma empresa de
distribuição.
17
1.2 Objetivos Específicos
1. Identificar os principais métodos quantitativos de previsão de demanda;

2. Aplicar os principais métodos quantitativos de previsão de demanda no estoque
de gêneros alimentícios;
3. Selecionar o método quantitativo de previsão mais confiável;
1.3 Metodologia
Esta pesquisa é classificada como um estudo de caso, do ponto de vista dos

procedimentos técnicos, aplicada, por sua natureza, quantitativa, de acordo com a
abordagem do problema, e exploratória, do ponto de vista de seus objetivos.
A seguir, tem-se a metodologia empregada no trabalho:
1. Revisão de Literatura, feita durante todo o desenvolvimento do estudo;

2. Contato com a empresa e realização da coleta dos dados. Optou-se pela
realização do estudo em todos os produtos do departamento de gêneros
alimentícios;
3. Tabulação dos dados e aplicação dos seguintes métodos quantitativos de
previsão de demanda:
Média ponderada móvel das 2 últimas semanas;
Média ponderada móvel das 4 últimas semanas;
Média exponencial móvel;
Equação linear para a tendência;
Ajustamento exponencial para a tendência;
Ajustamento polinomial para a tendência.
4. Escolha do método quantitativo de previsão de demanda mais adequado,
levando em consideração o cálculo do menor desvio médio absoluto (MAD).
1.4 Estrutura do Trabalho
O trabalho está estruturado em cinco capítulos, conforme segue:

18
1. Capítulo I: Introdução – Este capítulo apresenta a introdução do trabalho,

mostrando-se de forma resumida o tema, o setor de atuação da empresa, o
problema, a hipótese que busca solucionar o problema, os objetivos geral e
específicos, a metodologia empregada e a estrutura do trabalho;
2. Capítulo II: Revisão de Literatura – Neste capítulo analisa-se a teoria que irá dar
suporte ao desenvolvimento do trabalho, tais como a previsão de demanda, os
métodos de previsão de demanda quantitativos, as séries temporais e os erros
de previsão;
3. Capítulo III: Estudo de Caso – Será feita a caracterização da empresa, a
apresentação dos dados coletados, a simulação dos modelos de previsão para
cada uma das famílias de produtos, e a escolha do mais apropriado;
4. Capítulo IV: Considerações Finais – Este capítulo apresenta as considerações
finais do trabalho e as recomendações de melhorias e de novos estudos e
pesquisas;
5. Capítulo V: Referências Bibliográficas – O último capítulo do trabalho traz todas
as referências utilizadas na pesquisa.
19
2 REVISÃO DE LITERATURA
Neste capítulo será feita uma abordagem sobre os tópicos de literatura

importantes para o entendimento da pesquisa e que irão servir de base para o
desenvolvimento do trabalho.
2.1 Previsão de demanda
O processo de previsão de demanda constitui-se em uma das atividades mais

importantes de um sistema de produção. De acordo com Tubino (2000, p. 64), a
previsão da demanda é a principal informação empregada pelo planejamento e
controle da produção na elaboração de suas atividades, e afeta de forma direta o
desempenho esperado de suas funções de planejamento e controle do sistema
produtivo.
Assim, Russomano (2000, p.127) afirma que a previsão de demanda,
fundamento do planejamento agregado, é o processo sistemático e racional de
conjecturar acerca das possíveis vendas futuras dos produtos ou serviços da
empresa.
Por sua vez, Corrêa; Gianesi & Caon (2001, p.245), conceitua o sistema de
previsão de demanda como o conjunto de procedimentos de coleta, tratamento e
análise de informações que visa gerar uma estimativa das vendas futuras, medidas
em unidades de produtos (ou família de produtos) em cada unidade de tempo
(semanas, meses etc.).
Neste trabalho será adotado o conceito de Corrêa; Gianesi & Caon (2001),
por ser mais adequado à pesquisa, pois leva em consideração a unidade de medida
(família de produtos) e unidade de tempo (semanas), unidades estas utilizadas no
trabalho.
Segundo Moreira (2001, p.317), é necessário saber quanto a empresa planeja
vender de seus produtos ou serviços no futuro, pois essa expectativa é o ponto de
partida, direto ou indireto, para praticamente todas as decisões.
Tubino (2000, p.62), sugere, para a elaboração de um modelo de previsão de
demanda, um modelo composto por 5 etapas, a saber:
20
Figura 2: Etapas do modelo de previsão de demanda
Fonte: TUBINO, Dalvio F. Manual de Planejamento e Controle da Produção. 2 ed. São Paulo:
Atlas, 2000, p.65.
A primeira etapa, o objetivo do modelo, corresponderia à razão de se elaborar

previsões, devendo conter o produto que será previsto, o grau de acurácia do
modelo e os recursos disponíveis.
Após a definição do objetivo do modelo, deve-se realizar a coleta e a análise
de dados, assim, Tubino (2000, p.66), destaca alguns cuidados básicos que devem
ser tomados na coleta e análise dos dados, entre eles os seguintes:
1 Quanto mais dados históricos forem coletados e analisados, mais confiável a

técnica de previsão será;
2 Os dados devem buscar a caracterização da demanda pelos produtos da
empresa, que não é necessariamente igual às vendas passadas, pois pode ter
ocorrido falta de produto, postergando as entregas ou deixando de atendê-las;
3 Variações extraordinárias da demanda como promoções especiais ou greves,
devem ser analisadas e substituídas por valores médios, compatíveis com o
comportamento normal da demanda;
4 O tamanho do período de consolidação dos dados (semanal, mensal, trimestral,
anual etc.) tem influência direta na escolha da técnica de previsão mais
adequada, assim como na análise das variações extraordinárias.
21
A terceira etapa é a decisão pela utilização da técnica de previsão mais

adequada, que segundo Tubino (2000, p.67), precisa levar em consideração alguns
fatores:
1 Disponibilidade de dados históricos;

2 Disponibilidade de recursos computacionais;
3 Experiência passada com a aplicação de determinada técnica;
4 Disponibilidade de tempo para coletar, analisar e preparar os dados para a
previsão;
5 Período de planejamento para o qual necessitamos de previsão.
A quarta etapa consiste no processo de obtenção das previsões, pois já foi

definida a técnica de previsão e a aplicação dos dados passados para obtenção dos
parâmetros necessários.
A quinta e última etapa é a monitoração do erro entre a demanda real e a
demanda prevista, sendo imprescindível para verificar se o modelo adotado ainda
pode ser empregado para realizar previsões.
2.2 Métodos de Previsão Quantitativos
Segundo Tubino (2000, p. 68), as técnicas quantitativas de previsão são

aquelas que utilizam como procedimento a análise dos dados passados de maneira
objetiva, empregando-se modelos matemáticos para projetar a demanda futura.
Martins (2006, p.258), afirma que os métodos estatísticos trabalham com uma
hipótese implícita de que o futuro é uma continuação do passado.
Assim, utilizam-se os dados históricos da demanda dos produtos, com o
intuito de se antecipar à demanda futura.
As técnicas quantitativas podem ainda ser divididas em dois grupos, um
baseado em séries temporais, mais utilizadas em previsões de curto prazo, e outro
baseado em séries causais, mais utilizadas em situações de longo prazo.
22
2.3 Séries Temporais
Tubino (2000, p.69), afirma que:
As previsões baseadas em séries temporais são os métodos mais simples e

usuais de previsão, e quando bem elaborados oferecem bons resultados.
Para se montar o modelo de previsão, é necessário plotar os dados passados
e identificar os fatores que estão por trás das características da curva obtida.
Uma curva temporal de previsão pode conter tendência, sazonalidade,
variações irregulares e variações randômicas.
Desse modo, o mesmo autor define tendência como um movimento gradual

de longo prazo, direcionando os dados de maneira crescente ou decrescente.
Segundo ainda Tubino (2000, p. 69), a sazonalidade refere-se a mudanças ou
variações cíclicas de curto prazo, relacionadas ao fator tempo.
As variações irregulares são aquelas resultantes de fatores excepcionais e
que não podem ser previstas. Tudo aquilo que não está incluído em um dos três
conceitos citados anteriormente será considerado variação randômica. A figura 3 a
seguir exemplifica estes fatores:
Figura 3: Fatores que influenciam as séries temporais
Fonte: TUBINO, Dalvio F. Manual de Planejamento e Controle da Produção. 2 ed. São Paulo:
Atlas, 2000, p.69.
23
2.3.1 Média Móvel
Conforme menciona Tubino (2000, p.70), a média móvel usa dados de um

número predeterminado de períodos, normalmente os mais recentes, para gerar sua
previsão. A cada novo período de previsão se substitui o dado mais antigo pelo mais
recente.
A previsão através da média móvel pode ser obtida através da utilização da
seguinte equação:
D i
Mmn  i 1
Onde:
Mmn: média móvel de n períodos;
Di: demanda ocorrida no período i;
n: número de períodos;
i: índice do período (i = 1, 2, 3,...)
Tubino (2000, p.71) ressalta que o número de períodos incluídos no cálculo

da média móvel determina sua sensibilidade com relação aos dados mais recentes.
Desse modo, quanto menor for o período, maior será a reação a mudanças na
demanda, e quanto maior o período, mais estável será a previsão.
O mesmo autor pondera que a grande vantagem da utilização da média
móvel no estabelecimento de previsões, consiste em sua simplicidade operacional e
facilidade de entendimento, e segundo Corrêa; Gianesi & Caon (2001, p.250), os
modelos de média móvel são mais adequados quando não se identifica tendência de
aumento ou decréscimo acentuado nas vendas no futuro.
2.3.2 Média Móvel Ponderada
A técnica da média móvel ponderada é uma alternativa à média móvel,

ponderando-se a importância relativa dos períodos empregados na previsão,
atribuindo-lhes peso diferente, conforme a ênfase dada ao período.
24
2.3.3 Média Exponencial Móvel
Na média exponencial móvel, o peso de cada observação decresce no tempo

de forma exponencial, assim cada nova previsão é obtida com base na previsão
anterior, acrescida do erro cometido na previsão anterior, corrigido por um
coeficiente de ponderação (TUBINO, 2000). A equação a seguir apresenta esta
situação:
M t  M t 1   ( Dt 1  M t 1 )
Onde:
Mt: previsão para o período t;
Mt-1: previsão para o período t-1;
α: coeficiente de ponderação;
Dt-1: demanda do período t-1.
O coeficiente de ponderação pode variar de 0 a 1, e indica se a previsão

reagirá mais rapidamente (para valores altos) ou mais lentamente às variações da
demanda.
2.3.4 Ajustamento Linear para a Tendência
Esta técnica de previsão considera que há um movimento gradual de longo

prazo da demanda, e que esse movimento tende a se comportar linearmente, seja
crescente, ou decrescente e que pode ser representado por uma equação linear
com o seguinte formato:
y  a  bx
Onde:
y: previsão da demanda para o período x;
a: ordenada à origem, ou intercepção no eixo y;
b: coeficiente angular;
25
x: período para a previsão
A partir dos dados históricos da demanda, os coeficientes a e b, podem ser

obtidos pelas seguintes equações:
n xy    x  y 
b
 
n  x 2   x 
2
a
 y  b x 
n
Onde:
n: número de períodos observados
2.3.5 Ajustamento Exponencial para a Tendência
Este método de previsão torna-se muito útil quando os valores de dados

estiverem crescendo ou decrescendo com taxas cada vez mais altas, traçando sobre
o histórico da demanda uma linha curva. A aplicação dessa técnica fica restrita a
dados cujos valores não sejam negativos e nem valores zero.
O cálculo do ajustamento exponencial para a tendência é feito por mínimos
quadrados, usando a seguinte equação:
y  ce bx
Onde:
c e b: constantes;
e: base do logaritmo natural;
x: período para a previsão.
26
2.3.6 Ajustamento Polinomial para a Tendência
O modelo de previsão supracitado possui o formato de uma linha curva e é

recomendado quando os dados “flutuam”, ou seja, quando aparecem “dobras” (picos
ou vales) no histórico. A ordem da tendência polinomial será determinada de acordo
com a quantidade dessas “dobras”. Uma linha de tendência polinomial de ordem 2,
geralmente só possui um pico ou um vale, a de ordem 3, geralmente possui um ou
dois picos ou vales, a de ordem 4, possui até três, e assim sucessivamente.
O cálculo do ajustamento polinomial para a tendência é feito por mínimos
quadrados, usando a seguinte equação:
y  b  c1 x  c2 x 2  c3 x 3  ...  c6 x 6
Onde:
b e c: constantes;
x: período para a previsão;
y: previsão da demanda para o período x.
2.4 Erros de Previsão
O erro de previsão é a diferença entre o valor atual e o valor previsto para o

mesmo período. Quanto menor o erro, mais confiável será o modelo. Assim, a
necessidade de acompanhamento do desempenho dos métodos de previsão, com o
objetivo de se confirmar suas validades e mantê-los atualizados, faz com que seja
necessário o cálculo dos erros de previsão para o processo de manutenção e
monitoramento das previsões geradas.
Corrêa; Gianesi & Caon (2001, p.245), compartilha do seguinte pensamento:
As incertezas das previsões e os erros correspondentes provêm de duas

fontes distintas: a primeira delas corresponde ao próprio mercado, que, dada
sua natureza, pode ser bastante instável e de baixa previsibilidade; a
segunda corresponde ao sistema de previsão, que, com base em
informações várias coletadas no mercado e em dados históricos, gera uma
informação que pretende antecipar a demanda futura, informação esta que
pode conter incertezas em virtude da própria eficácia (ou falta de eficácia) do
sistema de previsão.
27
Tubino (2000, p.84), afirma que a manutenção e monitoração de um modelo

de previsão confiável buscam:
1 Verificar a acuracidade dos valores previstos;

2 Identificar, isolar e corrigir variações anormais;
3 Permitir a escolha de técnicas, ou parâmetros mais eficientes.
Partindo desse pressuposto, uma das maneiras de acompanhar o

desempenho do modelo é a utilização do desvio médio absoluto (MAD). Gaither
(2005, p.71) afirma que o MAD pode ser usado para determinar valores bons dos
parâmetros dos modelos de previsão antes que os modelos sejam aplicados. A
fórmula para o cálculo do MAD é:
MAD 
D atual  D prevista
n
Onde:
Datual: demanda ocorrida no período;
Dprevista: demanda prevista no período;
n: número de períodos.
28
3 ESTUDO DE CASO
Neste capítulo será feita uma breve caracterização da empresa, a

apresentação dos dados coletados, as previsões feitas para as famílias de produtos,
e a melhor alternativa para cada uma delas.
3.1 Caracterização da empresa
A empresa escolhida para realização do estudo de caso é a distribuidora de

cosméticos e gêneros alimentícios Marques & Melo Ltda. – DISMELO.
A DISMELO é considerada o primeiro centro de distribuição especializado na
categoria de produtos de perfumaria e cuidados pessoais do estado do Pará. Desde
a sua fundação, a empresa passou por várias fases até chegar ao conceito DEC –
Distribuidor Especializado Categorizado, que seria um conceito de especialização
em produtos de higiene pessoal e beleza, praticado por 17 empresas independentes
em todo o território nacional. Seu foco é no cliente varejista de pequeno e médio
porte, através de serviços diferenciados, visando desenvolver e fortalecer este canal
de distribuição.
Fundada em 05 de Outubro de 1987, a empresa iniciou suas atividades no
município de Castanhal, como um distribuidor de medicamentos, onde permaneceu
nesta categoria até o ano de 1998. A partir do ano seguinte, a empresa buscou
estratégias mais arrojadas para se posicionar melhor no mercado, e neste mesmo
ano entrou para o DEC, implantando um novo conceito em distribuição.
Em julho de 2007, a empresa entra em um novo mercado de atuação, o de
alimentos, desde então, a empresa partiu para o foco em alimentos e perfumaria,
cosméticos e cuidados pessoais, posicionando-se como especialista nestas
categorias. Atualmente, a DISMELO ocupa uma posição de destaque no Estado do
Pará no que se refere à sua categoria de atuação.
Hoje, a empresa conta com a parceria de grandes fornecedores e tem um mix
bem diversificado de produtos, com o objetivo de atender as necessidades de todos
os clientes no nicho de mercado em que atua.
29
3.2 Apresentação dos dados coletados
O estudo foi realizado com todos os itens do setor de alimentos da empresa –

com exceção do departamento de bebidas –, que é dividido em 16 departamentos, a
saber: Leite; Condimentos; Enlatados e maioneses; Óleos e vinagres; Laticínios;
Misturas; Café; Doces; Biscoitos; Sucos e águas; Dietéticos; Salgadinhos e
bomboniere; Massas; Matinais; Carnes secas; Bebidas.
O departamento de Bebidas não foi contemplado na pesquisa, devido o
mesmo ter começado a operar no primeiro semestre do ano de 2008, não tendo
assim o mesmo número de período dos demais.
Esses departamentos são ainda divididos em seções, como mostra a tabela a
seguir:
Tabela 1: Composição dos departamentos

Departamento Seção
Leite em pó; Leite líquido; Leite condensado; Creme de
Leite
leite; Bebidas de soja.
Condimentos Molhos; Temperos; Caldos de galinha / carnes.
Carnes enlatadas; Peixes enlatados; Vegetais
Enlatados e Maioneses
enlatados; Maioneses; Feijoada.
Óleos e Vinagres Óleo; Azeites; Vinagre.
Laticínios Margarina; Queijo.
Misturas p/ bolo; gelatina; fermento; Farinha de trigo;
Misturas Confeite; Coco ralado; Aromatizantes e corantes
naturais; Derivados de milho.
Café Cafés solúveis; Café torrado e moído.
Doces Goiabada; Geléia; Doce de leite; Wafer .
Biscoitos Cream cracker ; Recheados.
Sucos e Águas Suco; Refresco em pó.
Adoçante líquido; Adoçante em pó; Suprimentos
Dietéticos
alimentares; Barras de cereais e proteínas.
Chocolate; Balas; Goma de mascar; Drops ;
Salgadinhos e Bomboniere
Salgadinhos; Batata frita; Amendoim torrado; Pipocas.
Massas Macarrão; Sopas; Massas p/ sopa.
Farinha láctea; Achocolatados; Farinha de aveia / arroz;
Matinais
Cereais matinais.
Carnes Secas Charque.
Fonte: elaboração do próprio autor, com informações fornecidas pelo sistema da empresa (2008).
O período analisado coincide com o início das operações do setor de

alimentos, e está compreendido entre os dias 05 de agosto de 2007, e 09 de agosto
30
de 2008, totalizando 53 semanas. A demanda deste período, dividida pelos seus

respectivos departamentos, é apresentada no anexo A.
3.3 Comparação e Seleção dos Modelos de Previsão
Antes de iniciar a comparação e seleção dos modelos de previsão, vale

salientar que os cálculos para a obtenção das fórmulas dos modelos que levam em
consideração a tendência e a escolha dos coeficientes foram realizados mediante o
uso do programa Excel 2007, sendo que estes últimos foram escolhidos através do
uso da ferramenta solver.
3.3.1 Departamento de Leite
A seguir, são apresentados os desvios médios absolutos (MAD), os

coeficientes e as equações de tendência (quando aplicáveis), dos seis modelos de
previsão, destacando o que melhor se adéqua ao departamento supracitado.
Tabela 2: Comparação entre os modelos de previsão – Leite
Dpto. Leite DAM α β γ δ

Média Móvel Ponderada - 2 Semanas 21.468 0,48 0,52 - -
Média Móvel Ponderada - 4 Semanas 17.416 0,25 0,36 0,00 0,39
Média Exponencial Móvel 17.356 0,23 - - -
Tendência Linear 18.070 y = 1106,1x + 9830,6
Tendência Exponencial 20.065 Equação y = 9493,8e 0,0429x
Tendência Polinomial 16.490 y = -47,236x 2 + 3656,9x - 13551
Fonte: elaboração do próprio autor (2008).
Analisando-se a tabela 2, percebe-se que o modelo de previsão que

apresenta o menor erro é o ajustamento polinomial para a tendência, com um
desvio médio absoluto de 16.490 unidades. No gráfico 1, tem-se a demanda
semanal dos produtos do departamento de leite e a previsão, utilizando o melhor
modelo.
31
Leite - Tendência Polinomial

140.000
120.000
Real
Previsão
100.000
Quantidade
80.000
60.000
40.000
20.000
-
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52
Semana
Gráfico 1 – Ajustamento polinomial para a tendência do departamento de leite.
3.3.2 Departamento de Condimentos
A seguir, a tabela 3 destaca os desvios médios absolutos (MAD), os

previsão utilizados na pesquisa, indicando o de maior acurácia para o departamento.
Tabela 3: Comparação entre os modelos de previsão – Condimentos
Dpto. Condimentos DAM α β γ δ

Tendência Linear 2.212 y = -6,5355x + 8112,9
Tendência Polinomial 2.197 y = -4,553x 2 + 239,33x + 5859,1
Assim como no departamento anterior, o melhor modelo de previsão para o

departamento de condimentos é o ajustamento polinomial para a tendência,
32
apresentando um desvio médio absoluto de 2.197 unidades. No gráfico 2 são

apresentadas a demanda do departamento e o modelo de previsão escolhido.
Condimentos - Tendência Polinomial

16.000
14.000
12.000 Real
Previsão
10.000
Quantidade
8.000
6.000
4.000
2.000
-
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52
Semana
Gráfico 2 – Ajustamento polinomial para a tendência do departamento de condimentos.
3.3.3 Departamento de Enlatados e maioneses
Serão mostrados na tabela 4 os desvios médios absolutos (MAD), os

coeficientes e as equações de tendência (quando aplicáveis), dos modelos de
previsão, destacando o que melhor se adéqua a este departamento.
Tabela 4: Comparação entre os modelos de previsão – Enlatados e maioneses
Dpto. Enlatados e maioneses DAM α β γ δ

Tendência Linear 6.923 y = 192,78x + 21924
Tendência Exponencial 6.717 Equação y = 22033e 0,0057x
Tendência Polinomial 6.962 y = 4,2501x 2 - 36,726x + 24028
33
Em relação aos modelos apresentados, aquele que apresenta o melhor grau

de acurácia é o ajustamento exponencial para a tendência, com um desvio médio
absoluto 6.717 unidades. A demanda do departamento e a previsão utilizando este
modelo são mostradas no gráfico 3, a seguir.
Enlat. e Maion. - Tendência Exponencial

70.000
60.000
Real
50.000 Previsão
Quantidade
40.000
30.000
20.000
10.000
-
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52
Semana
Gráfico 3 – Ajustamento exponencial para a tendência do departamento de enlatados e maioneses.
3.3.4 Departamento de Óleos e vinagres
Na tabela 5 são apresentados os desvios médios absolutos (MAD), os

previsão utilizados na pesquisa, enfatizando o de menor desvio.
Tabela 5: Comparação entre os modelos de previsão – Óleos e vinagres
Dpto. Óleos e vinagres DAM α β γ δ

Média Móvel Ponderada - 2 Semanas 611 0,49 0,51 - -
Média Móvel Ponderada - 4 Semanas 541 0,14 0,30 0,23 0,33
Média Exponencial Móvel 547 0,28 - - -
Tendência Linear 605 y = -12,8x + 1937,4
Tendência Exponencial 588 Equação y = 1759,1e -0,009x
Tendência Polinomial 556 y = 1,7232x 2 - 105,85x + 2790,4
34
Analisando-se a tabela 5, pela primeira vez um modelo que não leva em

consideração a tendência, a média móvel ponderada das 4 últimas semanas, é o
mais indicado para o departamento, com um desvio médio absoluto de 541
unidades. O gráfico 4 mostra tanto a demanda, quanto a previsão do departamento
utilizando o modelo citado anteriormente.
Óleos e Vinagres - Média Móvel Ponderada 4 Semanas

5.000
4.500
4.000
Real
3.500 Previsão
3.000
Quantidade
2.500
2.000
1.500
1.000
500
-
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52
Semana
Gráfico 4 – Média móvel ponderada das 4 últimas semanas do departamento de óleos e vinagres.
3.3.5 Departamento de Laticínios
Na tabela 6 encontram-se as medidas dos desvios médios absolutos (MAD),

os coeficientes e as equações de tendência (quando aplicáveis), dos seis modelos
de previsão utilizados, destacando o que apresenta o menor desvio.
Tabela 6: Comparação entre os modelos de previsão – Laticínios

Dpto. Laticínios DAM α β γ δ
Tendência Linear 720 y = 1,6999x + 1695
Tendência Exponencial 692 Equação y = 1313,4e 0,0043x

35
Da mesma forma que no departamento anterior, o melhor modelo de previsão

para o departamento de laticínios também é a média móvel ponderada das 4
últimas semanas, com um desvio médio absoluto de 668 unidades. A previsão
utilizando o modelo escolhido e a demanda do departamento são mostrados no
gráfico 5.
Laticínios - Média Móvel Ponderada 4 Semanas

4.000
3.500 Real
Previsão
3.000
2.500
Quantidade
2.000
1.500
1.000
500
-
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52
Semana
Gráfico 5 – Média móvel ponderada das 4 últimas semanas do departamento de laticínios.
3.3.6 Departamento de Misturas
A tabela 7 exibe as medidas dos desvios médios absolutos (MAD), os

previsão utilizados no departamento de misturas, indicando o de maior acurácia.
Tabela 7: Comparação entre os modelos de previsão – Misturas

Dpto. Misturas DAM α β γ δ
Tendência Linear 3.137 y = -35,066x + 11124
Tendência Exponencial 2.995 Equação y = 9768,2e -0,002x

36
Como se pode perceber na tabela 7, desta vez o ajustamento exponencial

para a tendência se mostrou melhor que os demais modelos, apresentando um
desvio médio absoluto de 2.995 unidades. O gráfico 6 demonstra a demanda do
departamento e a previsão utilizando o método escolhido.
Misturas - Tendência Exponencial

25.000
20.000
Real
Previsão
15.000
Quantidade
10.000
5.000
-
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52
Semana
Gráfico 6 – Ajustamento exponencial para a tendência do departamento de misturas.
3.3.7 Departamento de Café
A seguir, a tabela 8 apresenta as medidas dos desvios médios absolutos

(MAD), os coeficientes e as equações de tendência (quando aplicáveis), dos seis
modelos de previsão utilizados, destacando o que melhor se adéqua a este
departamento.
Tabela 8: Comparação entre os modelos de previsão – Café

Dpto. Café DAM α β γ δ
Tendência Linear 599 y = 29,425x + 823,44
Tendência Polinomial 598 y = -0,3059x 2 + 45,944x + 672,01

37
Analisando-se a tabela 8, o modelo de previsão mais adequado para o

departamento de café, é o ajustamento polinomial para a tendência, com um
desvio médio absoluto de 598 unidades. No gráfico a seguir são mostradas a
demanda e a previsão, de acordo com o método classificado, do departamento.
Café - Tendência Polinomial

5.000
4.500
4.000
Real
3.500 Previsão
3.000
Quantidade
2.500
2.000
1.500
1.000
500
-
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52
Previsão
Gráfico 7 – Ajustamento polinomial para a tendência do departamento de café.
3.3.8 Departamento de Doces
A tabela 9, exibida a seguir, destaca os desvios médios absolutos (MAD), os

previsão, indicando o de melhor acurácia para o departamento.
Tabela 9: Comparação entre os modelos de previsão – Doces

Dpto. Doces DAM α β γ δ

38
Como se pode perceber na tabela 9, o modelo de previsão mais indicado para

o departamento de doces, é a média exponencial móvel, obtendo o menor desvio
médio absoluto dentre os modelos analisados, de 322 unidades. São apresentadas
no gráfico 8, a demanda e a previsão, utilizando a média exponencial móvel, do
departamento.
Doces - Média Exponencial Móvel

3.000
2.500
Real
Previsão
2.000
Quantidade
1.500
1.000
500
-
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52
Semana
Gráfico 8 – Média exponencial móvel do departamento de doces.
3.3.9 Departamento de Biscoitos
Nesta etapa, é apresentada a tabela 10, contendo os desvios médios

absolutos (MAD), os coeficientes e as equações de tendência (quando aplicáveis),
dos modelos de previsão estudados, destacando o modelo que apresenta o menor
desvio.
Tabela 10: Comparação entre os modelos de previsão – Biscoitos

Dpto. Biscoitos DAM α β γ δ

39
Partindo-se da análise da tabela 10, o modelo de previsão que apresenta o

menor desvio médio absoluto, de 602 unidades, é a média móvel ponderada das 4
últimas semanas, sendo, portanto, o modelo mais indicado para esse
departamento. O gráfico 9 exibe a demanda do departamento e sua respectiva
previsão utilizando o modelo citado anteriormente.
Biscoitos - Média Móvel Ponderada 4 Semanas

7.000
6.000
Real
5.000 Previsão
Quantidade
4.000
3.000
2.000
1.000
-
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52
Semana
Gráfico 9 – Média móvel ponderada das 4 últimas semanas do departamento de biscoitos.
3.3.10 Departamento de Sucos e águas
Na tabela 11, são apresentados os desvios médios absolutos (MAD), os

previsão utilizados na pesquisa, indicando aquele que demonstra ser o mais
adequado ao departamento.
Tabela 11: Comparação entre os modelos de previsão – Sucos e águas

Dpto. Sucos e águas DAM α β γ δ
Tendência Linear 1.118 y = -18,537x + 4443,6
Tendência Exponencial 1.119 Equação y = 4113e -0,004x

40
A partir da tabela 11, o modelo de previsão que apresentou o menor desvio

médio absoluto, de 1.058 unidades, foi o ajustamento polinomial para a
tendência, sendo então, o mais indicado para o departamento de sucos e águas. O
gráfico 10 mostra a demanda e a previsão do melhor modelo para o departamento
supracitado.
Sucos e Águas - Tendência Polinomial

9.000
8.000
7.000
Real
Previsão
6.000
Quantidade
5.000
4.000
3.000
2.000
1.000
-
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52
Semana
Gráfico 10 – Ajustamento polinomial para a tendência do departamento de sucos e águas.
3.3.11 Departamento de Dietéticos
A tabela 12, exibida a seguir, destaca os desvios médios absolutos (MAD), os

previsão utilizados no trabalho, salientando a melhor opção para o departamento.
Tabela 12: Comparação entre os modelos de previsão – Dietéticos

Dpto. Dietéticos DAM α β γ δ

41
Analisando-se a tabela 12, percebe-se que o modelo de previsão que

apresenta o menor erro é a média móvel ponderada das 4 últimas semanas, com
um desvio médio absoluto de 329 unidades. No gráfico 11, tem-se a demanda
semanal dos produtos do departamento de dietéticos e a previsão, utilizando o
melhor modelo.
Dietéticos - Média Móvel Ponderada 4 Semanas

3.000
2.500
Real
Previsão
2.000
Quantidade
1.500
1.000
500
-
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52
Semana
Gráfico 11 – Média móvel ponderada das 4 últimas semanas do departamento de dietéticos.
3.3.12 Departamento de Salgadinhos e bomboniere
A seguir, a tabela 13 destaca os desvios médios absolutos (MAD), os

previsão utilizados na pesquisa, indicando o de maior acurácia para o departamento.
Tabela 13: Comparação entre os modelos de previsão – Salgadinhos e bomboniere
Dpto. Salgadinhos e bomboniere DAM α β γ δ

Tendência Polinomial 2.497 y = 1,5352x 2 - 49,244x + 8490,3
42
A partir da análise da tabela 13, concluímos que o melhor modelo de previsão

para o departamento de salgadinhos e bomoboniere é o ajustamento exponencial
para a tendência, apresentando um desvio médio absoluto de 2.477 unidades. No
gráfico 12, são apresentadas a demanda do departamento e o modelo de previsão
escolhido.
Salg. e Bomb. - Tendência Exponencial

20.000
18.000
16.000
Real
14.000 Previsão
12.000
Quantidade
10.000
8.000
6.000
4.000
2.000
-
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52
Semana
Gráfico 12 – Ajustamento exponencial para a tendência do departamento de salgadinhos e

bomboniere.
3.3.13 Departamento de Massas
Serão mostrados na tabela 14 os desvios médios absolutos (MAD), os

previsão, destacando o que melhor se adéqua a este departamento.
Tabela 14: Comparação entre os modelos de previsão – Massas

Dpto. Massas DAM α β γ δ
Tendência Exponencial 1.199 Equação y = 3182,6e -0,0005x

43
Em relação aos modelos apresentados, aquele que apresenta o melhor grau

de acurácia é o ajustamento exponencial para a tendência, com um desvio médio
absoluto 1.199 unidades. A demanda do departamento e a previsão utilizando este
modelo são mostradas no gráfico 13.
Massas - Tendência Exponencial

12.000
10.000
Real
Previsão
8.000
Quantidade
6.000
4.000
2.000
-
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52
Semana
Gráfico 13 – Ajustamento exponencial para a tendência do departamento de massas.
3.3.14 Departamento de Matinais
Na tabela 15 são apresentados os desvios médios absolutos (MAD), os

previsão utilizados na pesquisa, enfatizando o de menor desvio.
Tabela 15: Comparação entre os modelos de previsão – Matinais
Dpto. Matinais DAM α β γ δ

44
Analisando-se a tabela 15, o ajustamento polinomial para a tendência, é o

mais indicado para o departamento, com um desvio médio absoluto de 7.331
unidades. O gráfico 14 mostra tanto a demanda, quanto a previsão do departamento
utilizando o modelo citado anteriormente.
Matinais - Tendência Polinomial

60.000
Real
50.000
Previsão
40.000
Quantidade
30.000
20.000
10.000
-
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52
Semana
Gráfico 14 – Ajustamento polinomial para a tendência do departamento de matinais.
3.3.15 Departamento de Carnes Secas
Na tabela 16 encontram-se as medidas dos desvios médios absolutos (MAD),

os coeficientes e as equações de tendência (quando aplicáveis), dos seis modelos
de previsão utilizados, destacando o que apresenta o menor desvio.
Tabela 16: Comparação entre os modelos de previsão – Carnes Secas

Dpto. Carnes secas DAM α β γ δ
Tendência Linear 443 y = -11,61x + 1078,3
Tendência Exponencial 458 Equação y = 684,51e -0,016x

45
De acordo com a tabela 16, o melhor modelo de previsão para o

departamento de carnes secas é a média móvel ponderada das 4 últimas
semanas, com um desvio médio absoluto de 413 unidades. A previsão utilizando o
modelo escolhido e a demanda do departamento são mostradas no gráfico 15.
Carnes Secas - Média Móvel Ponderada 4 Semanas

3.000
2.500
Real
Previsão
2.000
Quantidade
1.500
1.000
500
-
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52
Semana
Gráfico 15 – Média móvel ponderada das 4 últimas semanas do departamento de carnes secas.
3.4 Resumo dos resultados
Neste item será feito um resumo dos resultados obtidos, mostrando os

melhores modelos de previsão para cada um dos departamentos do setor de
alimentos, e seus respectivos desvios médios absoluto conforme a tabela a seguir:
46
Tabela 17: Resumo dos resultados obtidos por departamento

Departamento Modelo de Previsão DAM
Leite Ajustamento polinomial para a tendência 16.490
Condimentos Ajustamento polinomial para a tendência 2.197
Enlatados e Maioneses Ajustamento exponencial para a tendência 6.717
Óleos e Vinagres Média móvel ponderada das 4 últimas semanas 541
Laticínios Média móvel ponderada das 4 últimas semanas 668
Misturas Ajustamento exponencial para a tendência 2.995
Café Ajustamento polinomial para a tendência 598
Doces Média exponencial móvel 322
Biscoitos Média móvel ponderada das 4 últimas semanas 602
Sucos e Águas Ajustamento polinomial para a tendência 1.058
Dietéticos Média móvel ponderada das 4 últimas semanas 329
Salgadinhos e Bomboniere Ajustamento exponencial para a tendência 2.477
Massas Ajustamento exponencial para a tendência 1.199
Matinais Ajustamento polinomial para a tendência 7.331
Carnes Secas Média móvel ponderada das 4 últimas semanas 413
A partir da tabela 17, tem-se que a média móvel ponderada das 2 últimas
semanas, assim como o ajustamento linear para a tendência, não foram adequadas
a nenhum departamento, a média móvel ponderada das 4 últimas semanas foi a
melhor opção para cinco departamentos (Óleos e vinagres, Laticínios, Biscoitos,
Dietéticos, e Carnes secas), a média exponencial móvel foi o melhor modelo para o
departamento de doces, o ajustamento exponencial para a tendência foi o modelo
de menor desvio para quatro departamentos (Enlatados e maioneses, Misturas,
Salgadinhos e bomboniere, e Massas), e o ajustamento polinomial para a tendência
foi o modelo de melhor acurácia para os outros cinco departamentos (Leite,
Condimentos, Café, Sucos e águas, e Matinais), conforme mostra a tabela 18:
Tabela 18: Resumo dos resultados obtidos por modelo de previsão

Modelo de Previsão Departamentos
Média móvel ponderada das 2 últimas semanas -
Média móvel ponderada das 4 últimas semanas 5
Média exponencial móvel 1
Ajustamento linear para a tendência -
Ajustamento polinomial para a tendência 5
Ajustamento exponencial para a tendência 4
47
4 CONSIDERAÇÕES FINAIS
Com o estudo comparativo entre as seis técnicas de previsão feitas neste

trabalho, pode-se obter um modelo mais confiável para cada departamento, e assim
conseguir realizar projeções futuras da demanda.
Desta maneira, consegue-se atingir o objetivo principal do trabalho:
estabelecer o modelo de previsão quantitativo mais confiável para se efetuar
previsões de demanda de curto prazo de gêneros alimentícios em uma empresa de
distribuição.
Os resultados conseguidos com o estudo mostram que dos 15 departamentos
estudados, em 9, as técnicas de previsão que se valem da tendência, são mais
adequadas, e para os outros 6, as técnicas de previsão de média móvel são mais
indicadas. Assim, a hipótese inicial da pesquisa, de que os modelos de previsão
quantitativos, que levam em consideração a tendência, seriam, na maioria dos
gêneros alimentícios, os que apresentariam os menores erros, é aceita.
Vale ressaltar, porém, que os modelos de previsão obtidos para cada
departamento, podem, em outro momento, não serem mais adequados. Para tanto,
a empresa deve periodicamente, avaliá-los e compará-los aos demais, com o intuito
de verificar sua acurácia. Caso seja constatado que outro modelo apresenta o menor
desvio, deve-se optar pela substituição do método por este último.
Além disso, deve-se salientar a importância de se manter um estoque de
segurança que busque amortecer os erros de previsão, sem com isso, comprometer
o atendimento ao cliente e aumentar demasiadamente os custos de estoque.
Como sugestão para trabalhos futuros, recomenda-se um estudo e posterior
utilização de um modelo de previsão que utilize a sazonalidade, e assim compará-
las aos demais métodos, a utilização de outros softwares para realização de
previsões de demanda, a exemplo do Crystal Ball, além de também serem
observadas algumas situações que podem ocorrer como a falta de produtos, que
poderá acarretar no atraso das entregas ou mesmo deixando de atendê-las.
Outra sugestão seria estender o trabalho para o outro setor da empresa, o de
cosméticos, e assim, aplicar os métodos de previsão de demanda em toda a
organização.
48
5 REFERÊNCIAS BIBLIOGRÁFICAS
CONDURÚ, Marise T.; MOREIRA, Maria da Conceição F. Produção Científica na

Universidade – Normas para Apresentação. 2 ed. Belém: Eduepa, 2007.
CORRÊA, H. L.; GIANESI, I. G.; CAON, M. Planejamento, Programação e

Controle da Produção – MRPII/ERP. 3 ed. São Paulo: Atlas, 2000.
GAITHER, Normam; FRAZIER, Greg. Administração da Produção e Operações. 8

ed. Pioneira, 2005.
GONÇALVES, Fábio. Excel Avançado 2003/2007 Forecast – Análise e Previsão

de Demanda. 1 ed. Rio de Janeiro: Ciência Moderna, 2007.
LAKATOS, Eva M.; MARCONI, Marina de Andrade. Fundamentos de metodologia

científica. São Paulo: Atlas: 2006
MARTINS, Petrônio G.; LAUGENI, Fernando P. Administração da Produção. 2 ed.

São Paulo: Saraiva, 2006.
MOREIRA, Daniel A. Administração da Produção e Operações. 3 ed. São Paulo:

Pioneira, 2001.
Perspectivas para a indústria da alimentação no Brasil em 2008: panorama gráfico-

estatístico. São Paulo: ABIA, 2008.
RUSSOMANO, Victor H. Planejamento e Controle da Produção. 6 ed. São Paulo:

Pioneira, 2000.
TUBINO, Dalvio F. Manual de Planejamento e Controle da Produção. 2 ed. São

Paulo: Atlas, 2000.
49
ANEXO A – DEMANDA DOS ITENS POR DEPARTAMENTO
Enlatados e Óleos e
Leite Condimentos Laticínios
Maioneses Vinagres
Data Início Data Final Vendas Vendas Vendas Vendas Vendas
5/ago 11/ago 1.112 753 18.144 2.196 536
12/ago 18/ago 464 626 14.318 1.989 206
19/ago 25/ago 906 2.977 19.497 4.081 647
26/ago 1/set 16.522 6.927 23.387 3.057 3.725
2/set 8/set 7.930 6.300 19.050 1.599 977
9/set 15/set 12.349 11.857 36.226 1.350 2.453
16/set 22/set 9.987 9.595 24.954 1.500 1.862
23/set 29/set 20.548 9.308 26.636 1.706 1.017
30/set 6/out 17.330 11.728 25.229 1.491 2.400
7/out 13/out 15.370 9.869 36.843 1.744 2.339
14/out 20/out 9.736 8.807 31.587 1.961 1.437
21/out 27/out 8.401 8.293 23.786 2.208 1.320
28/out 3/nov 10.401 7.595 28.089 1.444 1.114
4/nov 10/nov 19.410 14.131 29.713 2.478 2.020
11/nov 17/nov 19.973 8.341 24.615 2.597 2.803
18/nov 24/nov 21.427 13.930 28.864 1.986 2.344
25/nov 1/dez 22.348 8.099 22.362 2.141 3.085
2/dez 8/dez 20.063 7.314 21.450 1.684 2.181
9/dez 15/dez 32.154 13.063 27.354 2.167 3.638
16/dez 22/dez 49.851 8.058 26.371 1.917 3.651
23/dez 29/dez 28.753 5.717 17.153 953 1.319
30/dez 5/jan 18.825 4.135 19.097 768 1.148
6/jan 12/jan 25.803 13.214 37.098 2.244 1.327
13/jan 19/jan 14.878 8.019 22.286 809 1.471
20/jan 26/jan 134.375 7.476 25.563 1.145 2.725
27/jan 2/fev 66.292 4.611 16.416 683 2.381
3/fev 9/fev 37.469 12.132 9.977 190 1.012
10/fev 16/fev 97.105 11.992 21.165 482 2.110
17/fev 23/fev 36.197 6.001 19.664 793 993
24/fev 1/mar 65.170 9.844 27.845 1.025 947
2/mar 8/mar 90.756 10.973 31.013 1.489 1.481
9/mar 15/mar 23.314 5.692 35.032 1.215 322
16/mar 22/mar 11.692 5.325 19.787 832 1.061
23/mar 29/mar 55.821 6.339 27.743 906 1.273
30/mar 5/abr 78.142 6.371 38.851 983 994
6/abr 12/abr 80.870 9.392 32.581 1.109 877
13/abr 19/abr 64.642 8.248 22.570 598 142
20/abr 26/abr 31.199 5.581 23.605 660 1.155
27/abr 3/mai 60.251 9.011 21.545 968 1.227
50
4/mai 10/mai 60.957 8.917 47.916 947 1.484

11/mai 17/mai 74.087 6.858 24.077 1.523 2.072
18/mai 24/mai 47.105 5.380 24.349 4.414 1.729
25/mai 31/mai 141.233 7.814 28.419 1.992 3.343
1/jun 7/jun 34.433 5.929 38.749 815 1.676
8/jun 14/jun 39.988 10.165 25.781 2.269 1.993
15/jun 21/jun 50.145 8.024 23.184 1.766 1.636
22/jun 28/jun 67.667 8.007 25.847 1.138 1.571
29/jun 5/jul 42.520 5.408 39.662 1.051 1.256
6/jul 12/jul 23.279 6.974 66.343 1.938 2.991
13/jul 19/jul 53.042 10.302 54.347 1.051 3.012
20/jul 26/jul 56.233 6.901 23.154 2.885 2.433
27/jul 2/ago 40.009 5.253 16.761 1.284 1.741
3/ago 9/ago 35.363 7.054 21.782 2.146 1.612
Misturas Café Doces Biscoitos Sucos e Águas

5/ago 11/ago 10.170 230 394 765 3.207
12/ago 18/ago 4.153 102 569 522 2.055
19/ago 25/ago 4.293 164 282 470 3.316
26/ago 1/set 4.796 760 286 1.047 2.862
2/set 8/set 6.450 1.462 367 834 3.245
9/set 15/set 10.994 1.042 673 1.435 3.392
16/set 22/set 9.941 1.545 898 1.856 5.719
23/set 29/set 9.262 1.474 1.197 2.405 4.159
30/set 6/out 9.067 1.358 1.492 1.139 5.533
7/out 13/out 9.671 1.371 1.063 1.214 6.137
14/out 20/out 18.834 1.191 1.493 1.216 7.019
21/out 27/out 16.592 1.979 1.126 1.295 6.510
28/out 3/nov 12.407 885 1.212 1.108 2.904
4/nov 10/nov 15.802 1.550 1.343 1.460 6.683
11/nov 17/nov 17.900 1.583 1.165 1.564 5.100
18/nov 24/nov 19.748 1.182 1.232 1.411 4.644
25/nov 1/dez 10.542 1.319 912 1.790 4.248
2/dez 8/dez 9.993 1.271 993 1.335 2.940
9/dez 15/dez 15.202 1.492 1.720 1.746 3.271
16/dez 22/dez 23.037 1.135 1.690 1.564 4.557
23/dez 29/dez 8.840 854 635 637 1.974
30/dez 5/jan 4.436 718 769 817 1.225
6/jan 12/jan 15.229 1.590 2.581 1.868 4.821
13/jan 19/jan 6.967 1.990 2.093 1.203 3.340
20/jan 26/jan 9.468 1.150 1.798 1.100 3.235
27/jan 2/fev 8.245 1.716 1.473 1.227 5.837
51
3/fev 9/fev 7.060 403 1.069 966 1.917

10/fev 16/fev 9.696 2.587 1.188 1.023 4.024
17/fev 23/fev 10.110 2.770 1.064 794 4.247
24/fev 1/mar 9.624 1.635 600 1.120 7.954
2/mar 8/mar 9.540 4.382 854 1.453 4.679
9/mar 15/mar 9.606 1.150 1.630 1.014 5.203
16/mar 22/mar 7.073 797 1.270 502 4.244
23/mar 29/mar 19.373 1.327 1.371 4.493 3.573
30/mar 5/abr 4.922 3.246 1.179 1.093 3.429
6/abr 12/abr 8.042 1.081 1.374 1.867 5.311
13/abr 19/abr 5.829 983 1.110 2.493 4.854
20/abr 26/abr 6.092 916 836 1.204 2.388
27/abr 3/mai 8.598 3.303 678 1.086 2.835
4/mai 10/mai 12.741 3.551 1.051 2.287 3.715
11/mai 17/mai 7.809 1.771 1.284 1.008 3.814
18/mai 24/mai 5.979 721 1.251 707 1.798
25/mai 31/mai 10.559 1.637 1.591 1.883 4.302
1/jun 7/jun 6.921 2.548 848 1.498 2.151
8/jun 14/jun 7.542 2.425 1.131 1.793 3.242
15/jun 21/jun 6.794 2.045 1.025 890 3.012
22/jun 28/jun 16.842 1.359 878 1.972 3.346
29/jun 5/jul 8.495 2.506 824 2.309 3.509
6/jul 12/jul 10.695 1.484 981 2.567 4.332
13/jul 19/jul 8.889 2.661 659 3.227 2.730
20/jul 26/jul 10.653 2.034 1.221 6.435 2.510
27/jul 2/ago 8.855 1.621 2.589 2.694 2.953
3/ago 9/ago 9.013 3.693 1.410 5.802 4.926
Salgadinhos /
Dietéticos Massas Matinais Carnes Secas
Bomboniere
5/ago 11/ago 257 7.397 3.761 263 18
12/ago 18/ago 545 5.147 2.385 163 522
19/ago 25/ago 353 7.670 3.118 2.039 24
26/ago 1/set 1.810 7.848 2.159 13.136 640
2/set 8/set 1.783 4.105 2.088 16.036 297
9/set 15/set 1.037 9.157 3.738 18.632 859
16/set 22/set 646 10.855 3.946 17.875 1.672
23/set 29/set 599 8.834 3.149 9.555 1.326
30/set 6/out 1.022 10.121 2.177 8.575 1.346
7/out 13/out 912 10.649 2.915 17.769 1.332
14/out 20/out 1.069 13.945 3.008 11.250 1.214
21/out 27/out 697 7.731 2.976 9.741 2.598
28/out 3/nov 1.055 6.769 2.424 14.160 666
52
4/nov 10/nov 897 10.278 4.883 10.932 430

11/nov 17/nov 1.615 6.059 5.679 7.031 2.419
18/nov 24/nov 747 7.658 2.925 18.659 2.120
25/nov 1/dez 436 9.729 3.363 8.592 1.328
2/dez 8/dez 786 6.400 3.196 10.063 103
9/dez 15/dez 776 10.392 3.784 15.363 779
16/dez 22/dez 822 12.510 4.587 11.601 548
23/dez 29/dez 552 5.113 2.181 6.652 211
30/dez 5/jan 370 5.778 2.025 4.649 278
6/jan 12/jan 1.222 8.831 10.799 15.448 437
13/jan 19/jan 363 5.563 2.619 21.643 376
20/jan 26/jan 205 4.958 2.901 20.650 829
27/jan 2/fev 153 9.587 2.445 12.864 595
3/fev 9/fev 199 4.509 2.491 10.239 511
10/fev 16/fev 283 6.847 2.350 15.849 878
17/fev 23/fev 366 8.984 2.269 26.063 1.431
24/fev 1/mar 414 14.254 2.710 39.477 1.576
2/mar 8/mar 1.044 10.866 1.759 15.811 683
9/mar 15/mar 872 11.103 9.647 22.250 777
16/mar 22/mar 563 11.342 2.612 22.797 510
23/mar 29/mar 640 7.508 2.320 40.956 624
30/mar 5/abr 801 5.019 2.117 17.887 1.234
6/abr 12/abr 2.478 6.558 5.318 33.226 2.579
13/abr 19/abr 671 3.887 4.181 55.105 768
20/abr 26/abr 357 6.988 5.199 32.652 719
27/abr 3/mai 483 15.438 4.316 17.748 517
4/mai 10/mai 778 6.831 5.883 25.097 2
11/mai 17/mai 424 9.403 3.730 17.384 1
18/mai 24/mai 683 6.390 2.620 7.481 168
25/mai 31/mai 991 17.445 6.202 40.744 584
1/jun 7/jun 617 5.431 4.789 23.759 387
8/jun 14/jun 586 9.347 6.124 38.949 644
15/jun 21/jun 710 5.882 891 20.846 289
22/jun 28/jun 1.048 5.535 2.224 18.218 862
29/jun 5/jul 518 7.682 1.711 14.886 337
6/jul 12/jul 628 10.684 1.973 27.361 338
13/jul 19/jul 515 10.344 3.325 45.004 415
20/jul 26/jul 2.131 8.051 2.811 44.960 303
27/jul 2/ago 1.025 18.467 3.105 21.281 208
3/ago 9/ago 1.396 9.997 2.059 22.992 227
53
Centro de Ciências Naturais e Tecnologia

Curso de Graduação em Engenharia de Produção
Tv. Enéas Pinheiro, n° 2626 - Marco
CEP: 66095-100 Belém - PA
www.uepa.br

TCC UEPA 2008 - Rodrigo Modesto

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

TCC UEPA 2008 - Rodrigo Modesto

Enviado por

Direitos autorais:

Formatos disponíveis

I

Universidade do Estado do Pará

Rodrigo Modesto Cunha

Previsão de demanda para gêneros alimentícios:

Rodrigo Modesto Cunha

Previsão de demanda para gêneros alimentícios: estudo de caso

Trabalho de Conclusão de Curso apresentado

Para minha mãe, Ana Júlia.

Primeiramente a Deus, por ser minha fonte de sabedoria e força nos

Se queres prever o futuro, estudas o passado.

CUNHA, Rodrigo Modesto. Previsão de demanda para gêneros alimentícios:

Palavras-chave: Previsão de demanda. Séries temporais. Alimentos.

CUNHA, Rodrigo Modesto. Previsão de demanda para gêneros alimentícios:

Key-words: Demand forecasting. Time series. Foods.

Figura 1 – Evolução do faturamento da indústria alimentícia 16

Tabela 1 – Composição dos departamentos 29

Gráfico 1 – Ajustamento polinomial para a tendência do departamento de

ABIA – Associação Brasileira da Indústria da Alimentação

3.3.12 Departamento de Salgadinhos e Bomboniere 41

A previsão de demanda vem se tornando ferramenta essencial para um bom

Figura 1: Evolução do faturamento da indústria alimentícia

Fonte: Perspectivas para a indústria da alimentação no Brasil em 2008: panorama gráfico-estatístico.

Nesse sentido, no setor de alimentos, uma estimativa razoável do futuro é

1.1 Objetivo Geral

Estabelecer o modelo de previsão quantitativo mais confiável para se efetuar

1.2 Objetivos Específicos

1. Identificar os principais métodos quantitativos de previsão de demanda;

Esta pesquisa é classificada como um estudo de caso, do ponto de vista dos

1. Revisão de Literatura, feita durante todo o desenvolvimento do estudo;

1.4 Estrutura do Trabalho

O trabalho está estruturado em cinco capítulos, conforme segue:

1. Capítulo I: Introdução – Este capítulo apresenta a introdução do trabalho,

Neste capítulo será feita uma abordagem sobre os tópicos de literatura

2.1 Previsão de demanda

O processo de previsão de demanda constitui-se em uma das atividades mais

Figura 2: Etapas do modelo de previsão de demanda

A primeira etapa, o objetivo do modelo, corresponderia à razão de se elaborar

1 Quanto mais dados históricos forem coletados e analisados, mais confiável a

A terceira etapa é a decisão pela utilização da técnica de previsão mais

1 Disponibilidade de dados históricos;

A quarta etapa consiste no processo de obtenção das previsões, pois já foi

2.2 Métodos de Previsão Quantitativos

Segundo Tubino (2000, p. 68), as técnicas quantitativas de previsão são

2.3 Séries Temporais

Tubino (2000, p.69), afirma que:

As previsões baseadas em séries temporais são os métodos mais simples e

Desse modo, o mesmo autor define tendência como um movimento gradual

Figura 3: Fatores que influenciam as séries temporais

2.3.1 Média Móvel

Conforme menciona Tubino (2000, p.70), a média móvel usa dados de um

Tubino (2000, p.71) ressalta que o número de períodos incluídos no cálculo

2.3.2 Média Móvel Ponderada

A técnica da média móvel ponderada é uma alternativa à média móvel,

2.3.3 Média Exponencial Móvel

Na média exponencial móvel, o peso de cada observação decresce no tempo

O coeficiente de ponderação pode variar de 0 a 1, e indica se a previsão

2.3.4 Ajustamento Linear para a Tendência

Esta técnica de previsão considera que há um movimento gradual de longo

x: período para a previsão

A partir dos dados históricos da demanda, os coeficientes a e b, podem ser

2.3.5 Ajustamento Exponencial para a Tendência

Este método de previsão torna-se muito útil quando os valores de dados

2.3.6 Ajustamento Polinomial para a Tendência

O modelo de previsão supracitado possui o formato de uma linha curva e é