Artigo

Análise e previsão de demanda como ferramenta para

controle de estoque: estudo de caso em indústria de
equipamentos para piscinas e spas

Ana Carolina Lopes Santos, Mario Santos de Oliveira Neto

Centro Universitário Serra dos Órgãos – Teresópolis, RJ – Brasil
[email protected], [email protected]

Analysis and forecasting of demand as a tool for stock control:

Case study in the equipment industry for pools and spas

Abstract: It is widely disseminated the idea that companies must act strategically, seeking
survival in a highly competitive market. Therefore, there must be an effort focused on
controlling systematically every spheres that compose a company including, with great
importance, the level of services and/or products requested by the market it serves. In
light of this, the present work contains the proposal of the adoption of demand forecast
as an informative tool in aid of inventory control of the firm Incisor Comércio e Indústria
Ltda. ME. This work consists in a case study, where, based on a time series of sales data
with 24 periods of the selected product for this study, is applied a quantitative prediction
method, chosen by analyzing the behavior of the series, resulting in the forecast for the 6
next periods. Subsequently, the results of the forecast is compared with the real demand
for that periods. In face of the analysis and the application of the method, it is concluded
that the tool is meaningful for this kind of activity.
Keywords: Stock. Analysis. Demand. Forecast.
Resumo: É amplamente difundida a ideia de que as empresas devem agir de maneira
estratégica, buscando sua sobrevivência em um mercado altamente competitivos. Para
tanto, é necessário que haja um esforço focado em controlar sistematicamente todas as
esferas que compõem uma empresa incluindo, com considerável importância, o nível de
serviços e/ou produtos demandados pelo mercado atendido por ela. Diante disto, o
presente trabalho traz em si a proposta de adoção da previsão de demanda como
ferramenta de cunho informativo no auxílio do controle de estoque da empresa Incisor
Comércio e Indústria Ltda. ME. O trabalho consiste em um estudo de caso, onde, baseado
em séries de dados históricos de vendas de 24 períodos do produto selecionado para
estudo, aplicando-se um método de previsão quantitativo, escolhido mediante análises do
comportamento da série, obtendo-se a previsão para os 6 períodos seguintes.
Posteriormente, compara-se os resultados da previsão obtida com a demanda real
observada para os períodos. Frente as análises e a aplicação do método concluindo-se que
a ferramenta se mostra válida para tal atividade.
Palavras chave: Estoque. Análise. Demanda. Previsão.

Revista de Ciência, Tecnologia e Inovação, Nº 4, julho de 2018 29

Artigo

Introdução
O conhecimento é relevante em cenário competitivo. É importante fazer uso de
ferramentas que possibilitem antever alterações em todo sistema político-econômico e
sócio ambiental. Planejamento é fase indispensável para qualquer processo de gestão na
medida que norteia tomada de decisão.

Controle de estoque é uma atividade peculiar, tendo como função alcançar equilíbrio
entre disponibilidade de produto e de capital de giro. Existem diversas e distintas
ferramentas de auxílio a esta atividade, dentre as quais encontram-se a previsão de
demanda, ferramenta que permeia não só o campo da administração de materiais, mas
também o setor financeiro, vendas, marketing, gestão de pessoal, dentre outros, dado
que a quantidade de produtos que a empresa pretende oferecer determina a quantidade
de recursos que precisará dispor.

No âmbito do PCP (Planejamento e Controle da Produção), a previsão de demanda

assume papel importante desde fornecer base para o planejamento agregado, ou Plano
Mestre de Produção (MPS), no qual trata previsões de longo prazo até promover auxílio
para a reposição diária, semanal ou mensal de insumos, no que diz respeito a previsões
de curto e médio prazo.
O artigo se apoia em estudo de caso em uma indústria de equipamentos para piscinas e
spas analisando a relevância da análise e previsão de demanda como ferramenta a
auxiliar na reposição de itens de demanda dependente através da aplicação de método
de previsão de abordagem quantitativa, ou seja, baseado em séries históricas,
escolhendo produtos a serem analisados, coletando dados, definindo e aplicando modelo
adotado, e comparando resultados da previsão com o realizado.

Revisão da literatura

Gestão de estoque: uma perspectiva estratégica

Empresas enfrentam dificuldades para se manter em mercado competitivo. Busca-se
minimizar custos e maximizar lucros , otimizando a utilização dos recursos. A gestão de
estoque é indispensável para as empresas administrarem seus níveis de estoque
(BALLOU, 2006).
Estoque
Fernandes e Filho (2010) definem estoques como o armazenamento de itens que serão
posteriormente consumidos por clientes internos ou externos, representando um
“pulmão” entre o suprimento e a demanda – Figura 1.

Revista de Ciência, Tecnologia e Inovação, Nº 4, julho de 2018 30

Artigo

Figura 1 – Política para absorver as variações no volume de vendas previstas com

estoques Fonte: BRITO; CAMPOS; LEONARDO (2011)
Busca-se manter o equilíbrio entre estoque e consumo (VIANA, 2006). É importante
considerar disponibilidade, níveis de serviço e custos de manutenção para minimizar
custos sem perder qualidade (PEIXOTO; PINTO, 2006). Para Gianesi e Caon (2010)
estoques surgem por de falta de coordenação, incerteza, especulação e disponibilidade.
Forte argumento a favor de estoques é o fato de o mesmo assumir o papel de amortecedor
entre os vários estágios da produção até a venda final do produto, o que o torna
indispensável para uma empresa (DIAS, 2010).

Custos associados ao estoque

A administração de estoque deve minimizar o capital investido em estoques pois
é de alto custo e aumenta de acordo com o custo financeiro (DIAS, 2010).
Demanda
Há de conhecer os padrões de demanda característicos dos produtos mantidos em estoque,
pois, segundo Ballou (2006), “a natureza da demanda ao longo do tempo desempenha
papel determinístico no controlamos dos níveis de estoque”. Um item pode apresentar
uma demanda dependente ou independente, e, cada qual, requer uma política de gestão
de estoque característica. Demanda dependente são itens que, por natureza, possuem uma
demanda que deriva da demanda de outro produto (BALLOU, 2006).

Previsão de demanda
O conhecimento da demanda é componente vital para um bom gerenciamento de
estoque nas questões relacionadas a planejamento de níveis de estoque, de compras e
definição do tempo de ressuprimento dos itens em estoque. Esse conhecimento da
demanda se agrega através da chamada previsão de demanda. Previsões mal estruturadas
podem levar a empresa a tomar decisões ruins, comprometendo seu desempenho frente
ao mercado (PEIXOTO; PINTO, 2006). Oliveira e Carvalho (2013) afirmam que “a
utilização eficiente desta atividade tende a proporcionar vantagens competitivas para as
empresas, que conseguem viabilizar decisões rápidas e seguras”.
Propriedades da previsão de demanda
Vale ressaltar que apesar dos avanços tecnológicos e das técnicas matemáticas de
projeção a previsão de demanda não é uma ciência exata (TUBINO, 2007). Em muitos

Revista de Ciência, Tecnologia e Inovação, Nº 4, julho de 2018 31

Artigo

casos há disparidade significativa entre a previsão e a realidade, sendo difícil, quase

impossível, a previsão totalmente correta. Quanto maior o horizonte de previsão, maiores
os erros (PEIXOTO; PINTO, 2006). Chopra e Meindl (2011) enfatizam a importância das
seguintes características de previsões:
1. Previsões sempre apresentam algum nível de erro; portanto devem incluir uma
medida desses desvios nos seus resultados.
2. Previsões de longo prazo têm maior desvio padrão de erro em relação à média do
que as de curto prazo.
3. As previsões agregadas normalmente são mais exatas do que as desagregadas.
4. Em geral, quanto mais distante a empresa se encontra do consumidor, maior é a
distorção de informação que ela recebe.
Com decisões de cunho estratégico, normalmente as projeções são de longo prazo; táticas,
geralmente o horizonte se limita a alguns meses; decisões de nível operacional se atêm
ao período semanal ou até mesmo diário (NOVAES, 2007). Gaither e Frazier (2002)
apontam seis razões que explicam a ineficácia na realização de previsões: (1) falha da
organização em envolver todo pessoal necessário para realizar as previsões; (2)
subestimar a essencialidade da previsão para o planejamento de negócios; (3) ignorar o
fato de que sempre haverá erros nas previsões; (4) prever as coisas erradas, ou as coisas
certas de maneira errada, superficialmente ou sobrecarregada de dados; (5) deixar de
escolher o método de previsão apropriado; (6) não realizar o acompanhamento do
desempenho dos modelos de maneira a buscar melhoria na precisão.
Etapas da previsão de demanda
Tubino (2007) propõe a divisão de um modelo de previsão de demanda em cinco
etapas básicas – Figura 2.

Figura 2 - Etapas do modelo de previsão de demanda Fonte: TUBINO (2007)

Revista de Ciência, Tecnologia e Inovação, Nº 4, julho de 2018 32

Artigo

Custos da previsão
Ao escolher um método de previsão deparar-se com trade-offs , sendo o mais
relevante o existente entre custo e precisão, o que desencadeará algum custo. A
onerosidade das previsões mais precisas reside no fato de que estas demandam quantidade
e qualidade (GAITHER; FRAZIER, 2002).
Métodos de previsão
Moreira (2002) expõe que fatores que determinam a escolha de método específico
de previsão são disponibilidade de dados, tempo e recursos, bem como o horizonte de
previsão. Já Gaither e Frazier (2002) ponderam que na escolha de um método de previsão
devem ser considerados seis fatores: custo, precisão, dados disponíveis, intervalo de
tempo, natureza dos produtos e serviços e resposta ao impulso e atenuação de ruído . O
comportamento do passado é a base para se presumir o comportamento futuro. E os
métodos não apresentam resultados isentos de erros, que se tornam maiores quanto mais
extenso for o horizonte de previsão.

Métodos de abordagem qualitativa

Os métodos de previsão de abordagem qualitativa apoiam-se no julgamento por pessoas
que tenham conhecimentos, capacidades, habilidades e experiências específicas para
opinar sobre eventos futuros, como por exemplo, gerentes, vendedores, analistas de
marketing, clientes, fornecedores. São de uso ideal quando não há acesso a muitos dados,
ou quando há acesso a dados, porém não confiáveis, ou mesmo quando há ausência de
dados, além de serem muito úteis para prever demanda por novos produtos (MOREIRA,
2002). Alguns métodos, por Gaither e Frazier (2002):
• Consenso do comitê executivo
• Pesquisa de equipe de vendas
• Pesquisa de clientes
• Pesquisa de mercado
• Método Delphi
• Analogia histórica

Métodos de abordagem quantitativa

Consistem no uso de modelos matemáticos para se chegar aos valores previstos
(MOREIRA, 2002), através de análises de dados históricos e identificação de padrões de
comportamentos, para que estes sejam enfim projetados para o futuro (CORRÊA;
CORRÊA, 2011). Corrêa, Gianese e Caon (2010) citam quatro hipóteses básicas que
podem ser adotadas: (1) hipótese de permanência, onde se assume que as vendas se
comportam de maneira uniforme; (2) hipótese sazonal com permanência, em que se
admite que existe sazonalidade que pode ser justificada e identificada, porém sem
tendência de acréscimo ou decréscimo na média de vendas; (3) hipótese de trajetória
admite que o comportamento das vendas é de aumento e decréscimo à determinada taxa
uniforme, mas sem alguma sazonalidade; (4) hipótese sazonal com trajetória, considerada
a mais complexa, admite a existência de sazonalidade que pode ser justificada e
identificada, em conjunto com tendência de aumento a determinada taxa uniforme.

Revista de Ciência, Tecnologia e Inovação, Nº 4, julho de 2018 33

Artigo

Definida a hipótese de comportamento a ser adotada, escolhe-se o modelo mais adequado

(CORRÊA; GIANESI; CAON, 2010) – Figura 3.

Figura 3 – Hipótese de comportamento das vendas

Fonte: CORRÊA; GIANESI; CAON (2010)
Quanto aos dados coletados, Brito, Campos e Leonardo (2011) destacam que
existem dois tipos de dados interessantes para a previsão. O primeiro tipo compreende os
dados coletados em um determinado período de tempo com o objetivo de examinar o
dado, para em seguida extrapolar para uma população maior. Já o segundo tipo consiste
quando muitos dados são coletados com certa frequência (todo dia, mês ou ano, por
exemplo).
Os métodos dessa abordagem são classificados em dois grupos: séries temporais
e modelos causais. As técnicas do grupo que chamamos de séries temporais se baseiam
em dados históricos de vendas para determinar comportamentos que podem ser dados
como padrões que podem se repetir no futuro. Dentre estas técnicas existem as Médias
Móveis, o Amortecimento Exponencial e a Decomposição Clássica. Por sua vez, os
modelos causais objetivam relacionar as vendas (variável dependente) com fatores
externos, ou variáveis independentes, como PIB, inflação, tempo, população, etc. Os
métodos causais trabalham com dois tipos de técnica, a regressão linear simples e a
regressão múltipla (BRITO; CAMPOS; LEONARDO, 2011).

Métodos de séries temporais

É o registro do comportamento de dados em determinado período. São dados
coletados, armazenados ou observados em períodos. Série temporal é o histórico das
vendas de um item em particular baseado na identificação de padrões presentes nos dados
históricos. Considera-se uma ou mais das cinco principais componentes de séries
temporais (BRITO; CAMPOS; LEONARDO, 2011) – Figura 4:

Revista de Ciência, Tecnologia e Inovação, Nº 4, julho de 2018 34

Artigo

Figura 4 – Padrões de dados em uma previsão de longo prazo – Vendas Anuais (unidades)
Fonte: GAITHER; FRAZIER (2002)

1. Nível (Temporal): se traduz no ponto inicial de uma série de vendas.

2. Tendência: representa o crescimento / declínio de uma série no médio ou longo
prazo.
3. Sazonalidade: componente que resume comportamento do curto / médio prazo.
4. Ciclo (Padrão): se assemelha ao componente sazonalidade, porém, em oposição,
exprime as flutuações ocorridas no longo prazo; ex.: variações econômicas.
5. Aleatoriedade (Ruído): expressam as demais variações não explicadas pela
tendência, ciclo e sazonalidade; suas causas se resumem a eventos particulares e não
frequentes.
Os métodos de séries temporais são 02 (BRITO; CAMPOS; LEONARDO, 2011):
• Técnicas de Séries Temporais de Modelo Aberto (OMTS - Open-Model Time-
Series): se desenvolvem através da análise das séries temporais para identificar o
comportamento dos dados e criar um modelo adequado.
• Técnicas de Séries Temporais de Modelo Fixo (FMTS - Fixed-Model Time-
Series): estabeleça as equações fundamentadas na pré-avaliação da presença de
determinadas componentes nos dados históricos.
Técnicas de Séries Temporais de Modelo Fixo (FMTS) são de fácil aplicação, e
não exigem séries históricas grandes, ajustando-se rápido a oscilações de vendas, sendo
tidas como ideais para previsões de curto ou médio prazo (BRITO; CAMPOS;
LEONARDO, 2011):
• Média Simples
Adequada quando se adota a hipótese de permanência do comportamento dos dados, ou
seja, não há presença de sazonalidade e nem de tendência (CORRÊA; GIANESI; CAON,
2010).
Revista de Ciência, Tecnologia e Inovação, Nº 4, julho de 2018 35
Artigo

∑𝑛𝑡=1 𝑅𝑡
𝑃𝑡+1 = (eq.1)
𝑛

• Média Móvel Simples (MMS)

Basicamente se utiliza do mesmo princípio da média simples, porém a cada novo período
de previsão se substitui o dado mais antigo pelo mais recente (TUBINO, 2007), daí a ideia
de mobilidade.

(𝑅𝑡 + 𝑅𝑡−1 + 𝑅𝑡−2 + ⋯ + 𝑅𝑡−𝑛+1 )

𝑃𝑡+1 = 𝑀𝑡 = (eq.2)
𝑛

• Média Móvel Dupla (MMD)

Ao contrário das técnicas já apresentadas, esse modelo pode ser utilizado na previsão de
séries que apresentam tendência (BRITO, CAMPOS E LEONARDO, 2011).

(𝑀𝑡 + 𝑀𝑡−1 + 𝑀𝑡−2 + ⋯ + 𝑀𝑡−𝑛+1 )

𝑀′𝑡 = (eq.3)
𝑛

• Amortecimento Exponencial Simples (AES)

Também chamado por outros autores de suavizamento ou suavização exponencial, difere
dos demais métodos já abordados até aqui por atribuir pesos diferentes aos valores ao
longo do tempo, ou seja, permite imputar um peso maior para valores mais recentes,
tomando-os mais importantes na determinação da previsão (BRITO; CAMPOS;
LEONARDO, 2011).

𝑃𝑡+1 = 𝛼𝑅𝑡 + 𝛼(1 − 𝛼)𝑅𝑡−1 + 𝛼(1 − 𝛼)2 𝑅𝑡−2 + ⋯ (eq.4)

• Amortecimento Exponencial Duplo – AED (Método de Brown)

Assim como o método de MMD, trabalha com séries que apresentam elementos de
tendência, através da atribuição de pesos aos diferentes valores históricos (BRITO;
CAMPOS; LEONARDO, 2011).
• Amortecimento Exponencial Duplo – AED (Método de Holt)
Outra abordagem que pode ser aplicada a séries que apresentam tendência. Difere do
método de Brown na medida que são definidos dois coeficientes de amortecimento, sendo

Revista de Ciência, Tecnologia e Inovação, Nº 4, julho de 2018 36

Artigo

um deles específicos para ajustar a estimativa da tendência (BRITO; CAMPOS;

LEONARDO, 2011). Sendo assim, esse método conta com a utilização de três equações:

𝑁𝑡 = 𝛼𝑅𝑡 + (1 − 𝛼)(𝑁𝑡−1 + 𝑇𝑡−1 ) (eq.5)

A próxima equação tem seu uso para ajustar a estimativa da tendência, ponderando-as a
partir do coeficiente β.

𝑇𝑡 = 𝛽(𝑁𝑡 − 𝑁𝑡−1 ) + (1 − 𝛽)𝑇𝑡−1 (eq.6)

E por último, a terceira equação retorna a previsão para p períodos à frente.

𝑃𝑡+𝑝 = 𝑁𝑡 + 𝑝𝑇𝑡 (eq.7)

Onde:
▪ Nt: componente nível;
▪ Tt: componente tendência;
▪ α: coeficiente de amortecimento (0 ≤ α ≤ 1);
▪ β: coeficiente de amortecimento para a estimativa da tendência (0 ≤ β
≤ 1);
▪ Rt: valor real observado no período t;
▪ p: número de períodos futuros a serem previstos;
▪ Pt+p: previsão para o período t+p.

Do mesmo modo que no AES, a precisão obtida aqui também depende

diretamente dos valores atribuídos a α e β. Para dar início ao método, é necessário estimar
um valor inicial para o nível e a tendência, com nomenclaturas adaptadas aqui para No e
To, respectivamente. Winston e Goldberg (2004) sugerem que To seja definido como a
média do aumento mensal da série temporal do ano anterior, e No seja igual ao valor
observado no mês anterior.

• Amortecimento Exponencial Triplo (Método de Winter)

Apresenta uma nova abordagem, ao apresentar adequação a séries que possuem
elementos de sazonalidade e tendência (BRITO; CAMPOS; LEONARDO, 2011).

𝑅𝑡
𝑆𝑡 = 𝛾 ( ) + (1 − 𝛾)𝑆𝑡−𝑐 (eq.8)
𝑁𝑡

• Decomposição Clássica
Revista de Ciência, Tecnologia e Inovação, Nº 4, julho de 2018 37
Artigo

Consiste na decomposição da série de vendas em componentes temporais (nível,

tendência, sazonalidade, ciclo e resíduos) para analisá-las de forma individual e
posteriormente recompor a série. Isola as componentes que causam irregularidades no
comportamento das séries, prevê seus efeitos e as agrupa para previsão precisa da série
(BOUZADA, 2012).

𝑃 =𝑇×𝑆×𝐶×𝑈 (eq.9)

Medidas de erro
É necessário que o sistema de previsões seja controlado, de modo que sejam identificados
os erros que ocorrem nas previsões (FERNANDES; FILHO, 2010). O erro de previsão
de determinado período pode ser definido como a diferença entre a demanda real nesse
período e a demanda prevista no período (FERNANDES; FILHO, 2010):

𝑒𝑡 = 𝑅𝑡 − 𝑃𝑡 (10)

Outra medida de erro amplamente usado é o Desvio Absoluto Médio – DAM (ou MAD,
do inglês, Mean Absolute Deviantion), que consiste na média dos valores absolutos
obtidos na equação acima (MOREIRA, 2002):

∑ |𝑅𝑡 − 𝑃𝑡 |
𝑀𝐴𝐷 = (11)
𝑛

Onde:
• Rt: valor real observado no período t;

• Pt: valor previsto para o período t;

• n: número de pares (Rt, Pt);

Ainda outro indicador da acurácia da previsão, é o método do Tracking Signal (Sinal de

rastreamento. Este se diferencia dos demais, pois além de medir o erro da previsão, ainda
indica o viés desse erro. Em outras palavras, através dos resultados dessa medida, são
fornecidos meios de saber a natureza dos desvios das previsões (FERNANDES; FILHO,
2010):

𝑒𝑡
𝑇𝑆𝑡 = (12)
𝑀𝐴𝐷𝑡

Por fim, ainda se tem acesso a outra medida de erro, chamada de Porcentagem Média
Absoluta (PMA). Este valor mede o percentual de afastamento dos dados previstos para
com os dados reais. Por exemplo, se o valor de PMA for de 0,15, significa que a previsão
se afasta dos dados reais em aproximadamente 15% (FERNANDES; FILHO, 2010):

Revista de Ciência, Tecnologia e Inovação, Nº 4, julho de 2018 38

Artigo

∑ |𝑒𝑡 |
⁄𝑅
𝑡 (13)
𝑃𝑀𝐴 =
𝑛

Estudo de caso
O artigo baseia-se na previsão de demanda de um produto com o intuito de analisar
se fornecerá recursos para o planejamento do fluxo de ressuprimento deste item, porque
o seu desabastecimento representa atrasos nas entregas dos pedidos, acarretando prejuízos
tangíveis, perda de vendas, e intangíveis, perda de credibilidade no mercado. São
coletados dados referentes às vendas nos exercícios 2014 e 2015 e primeiro semestre de
2016 dos produtos escolhidos para estudo. Após, será realizada análise da série de dados
para identificar seu comportamento e escolher o modelo mais adequado para a previsão.
Posteriormente, realiza-se previsão de demanda do primeiro semestre do ano de 2016.
Por fim, comparara-se o previsto com o realizado, comprovando através dos resultados a
eficácia ou não da ferramenta de previsão para este tipo de atividade.

A empresa
Incisor Indústria e Comércio Ltda. tem sede no bairro da Barra do Imbuí –
Teresópolis/RJ, atuando desde 1998 desenvolvendo projetos, equipamentos e acessórios
para os seguimentos de saunas, piscinas, banheiras, spas e energia solar – Figura 5.

Figura 5 – Logo da empresa

Fonte: Própria empresa
Possui um extenso portfólio de produtos divididos em 15 categorias, sendo 12 de
produtos e acessórios e 3 de peças de reposição. Estes grupos são: (1) almofadas; (2)
capas; (3) guarda-sol; (4) ombrelone; (5) energia solar; (6) cadeira guardião; (7) sauna
seca; (8) sauna à vapor; (9) acessórios de piscina; (10) acessórios de sauna a vapor; (11)
acessórios de spa; (12) acessórios de sauna seca; (13) peças de reposição para energia
solar; (14) peças de reposição para sauna; (15) peças de reposição para ombrelone. Opera
apenas com estoque de matéria-prima, sendo a produção de produtos acabados realizada
mediante pedidos.

Os produtos
Tomados como objeto de estudo dados históricos de vendas de dois produtos, um
com demanda independente (Mini caldeira Hotmax - gerador de vapor para saunas) –
Figura 6, e o outro com demanda dependente do primeiro.

Revista de Ciência, Tecnologia e Inovação, Nº 4, julho de 2018 39

Artigo

Figura 6 – Mini caldeira Hotmax

Fonte: http://www.incisor.com.br
Disponível em versões pela potência, tem-se modelos de 6KW, 9KW, 12KW,
15KW e 18KW, bifásico e trifásico – Figura 7.

Figura 7 – Dimensões da Mini caldeira Hotmax

Fonte: http://www.incisor.com.br
A escolha deve-se por ser o principal produto da empresa há 12 anos. O item de
demanda dependente é a Fonte Chaveada de 12 Volts – Figura 8.

Figura 8 – Fonte Chaveada 12V

Fonte: Foto tirada na empresa
A relação entre os dois produtos selecionados pode ser melhor percebida na Figura
9, que descreve sucintamente a estrutura da Mini Caldeira e explicita em que parte do
produto a Fonte Chaveada se encontra.

Revista de Ciência, Tecnologia e Inovação, Nº 4, julho de 2018 40

Artigo

Figura 9 – Diagrama da estrutura da Mini Caldeira Hotmax

Fonte: Elaborada pela autora

A escolha deve-se ao alto grau de criticidade para a produção da caldeira, uma vez
que sua falta provoca atrasos, e consequentemente prejuízos por cancelamento de pedido
ou insatisfação do cliente pelo atraso. Prever sua demanda é de grande valia na
determinação da frequência de ressuprimento.

Escolha e aplicação do método

Para à previsão é necessário analisar o comportamento da série e escolher o
modelo mais adequado. Critérios de escolha: características da série, tamanho do
histórico necessário e complexidade de implementação (BRITO; CAMPOS;
LEONARDO, 2011) – Figura 10.

Figura 10 – Matriz de seleção dos métodos de previsão de séries temporais

Fonte: BRITO; CAMPOS; LEONARDO (2011)

Análise da série de dados

São coletados junto ao diretor administrativo dados com histórico de vendas
referente aos anos de 2014 e 2015 e ao primeiro semestre de 2016. Uma vez que em todos
os modelos a fonte chaveada se constitui um componente, não será adotada a separação
dos dados quanto ao modelo, ou seja, a previsão será realizada de forma agregada –
Tabela 1.
Revista de Ciência, Tecnologia e Inovação, Nº 4, julho de 2018 41
Artigo

Tabela 1 – Quantidade das vendas totais da Mini Caldeira Hotmax

2014 2015 2016
Jan 26 38 40
Fev 26 22 24
Mar 22 36 32
Abr 28 33 30
Maio 32 18 28
Jun 20 46 38
Jul 35 29 -
Ago 32 26 -
Set 20 34 -
Out 53 27 -
Nov 31 37 -
Dez 44 32 -

-
Fonte: Elaborada pela autora
Os dados referentes aos anos de 2014 e 2015 servem de base para a previsão a ser
comparada com os dados referentes ao primeiro semestre do ano de 2016 – Figura 11.

Figura 11 – Gráfico das quantidades vendidas da Mini Caldeira Hotmax

Fonte: Elaborado pela autora
Variações em out/14 e dez/14 deve-se a contratos pontuais de fornecimento de
elevados volumes para grandes empreendimentos e instalações em edifícios e
condomínios. A ocorrência da variação brusca ocorrida em jun/15 deve-se ao fato de
significativas vendas para instalação no Parque Olímpico do Rio de Janeiro, sede dos
jogos das Olímpiadas 2016. Existem picos de vendas incoerentes com o comportamento
das vendas do restante da série, além de não existir aderência de um ano para o outro, o
que indica a ausência de sazonalidade. Serão feitos ajustes para que a previsão não seja
Revista de Ciência, Tecnologia e Inovação, Nº 4, julho de 2018 42
Artigo

prejudicada. Para realizar o ajuste necessário nessas flutuações, os valores desses

períodos (out/14; dez/14; jun/15) assumirão o resultado da média dos valores dos três
meses anteriores ao período em questão. Sendo que para o período de dez/14 a média dos
três períodos anteriores será calculada após ajuste no mês de out/14 – Tabela 2.
Tabela 2 – Quantidade das vendas totais da Mini Caldeira com ajustes

2014 2015 2016

Jan 26 38 40
Fev 26 22 24
Mar 22 36 32
Abr 28 33 30
Maio 32 18 28
Jun 20 29 38
Jul 35 29 -
Ago 32 26 -
Set 20 34 -
Out 29 27 -
Nov 31 37 -
Dez 27 32 -

Fonte: Elaborada pela autora

As alterações ocorridas após o ajuste podem ser melhor visualizadas na Figura 12.

Figura 12 – Comparação da série de dados antes e depois dos ajustes

Fonte: Elaborado pela autora
Portanto, em confronto com a matriz de seleção dos métodos, tem-se três opções
de modelos que podem ser aplicados nessa situação: Média Móvel Dupla (MMD);
Amortecimento Exponencial Duplo (AED – ou Método de Brown); Método de Holt. Nos
critérios “Características da série” e “Tamanho do Histórico necessário”, os três métodos
se igualam, na medida que são ideais para séries que apresentam tendência e não
apresentam sazonalidade, e necessitam de um histórico pequeno. No critério
“Complexidade de Implementação”, a MMD e o AED, apresentam complexidade baixa.
Já o método de Holt, apresenta uma complexidade média. Opta-se pelo método de Holt,
pois, apesar de o método da MMD trabalhar com séries que apresentam tendência, o
mesmo assume que todos os valores da série têm a mesma importância na obtenção da

Revista de Ciência, Tecnologia e Inovação, Nº 4, julho de 2018 43

Artigo

previsão, ao contrário do método de AED, que se desenvolve com a utilização de um

coeficiente de suavização, que pondera os valores da série, permitindo atribuir maior peso
aos mais recentes.

Aplicação do método
Escolhido o método de Holt, utilizado suas equações, atentando para a definição
dos valores iniciais do nível (N) e da tendência (T); e, a definição e ajuste dos valores de
α e β. Os autores sugerem para To a média do aumento mensal da série temporal do ano
anterior, e para No o valor observado no mês anterior. Neste artigo, o valor adotado para
No foi o valor real da demanda observada no período 1. Para To definiu-se a média do
aumento mensal dos 4 primeiros períodos da série observada.
(𝑅2 − 𝑅1 ) + (𝑅3 − 𝑅2 ) + (𝑅4 − 𝑅3 )
𝑇𝑜 = (eq.6)
3
Onde:
• Rt: Valor real observado no período t.
Seguindo o critério o valor definido para No é 26 e calculando tem-se To de 0,67.
Com os coeficientes α e β definidos arbitrariamente, serão ajustados com o auxílio de
uma ferramenta chamada Solver1/Excel. Calculada a previsão e os erros inerentes a ela
aplica-se a ferramenta de modo a minimizar o MAD (Desvio Absoluto Médio, do inglês,
Mean Absolute Deviantion) alterando os valores de α e β, tendo como restrição 0 ≤ α ≤ 1;
0 ≤ β ≤ 1 – Figura 13, tendo valores ajustados de α e β respectivamente de 0,18 e 0,07.
Figura 13 – Inserção dos parâmetros do Solver

Fonte: Elaborado pela autora

1Solver –parte do programa Microsoft Excel; ferramenta de teste de hipóteses, possibilita encontrar um valor ideal
(máximo ou mínimo).

Revista de Ciência, Tecnologia e Inovação, Nº 4, julho de 2018 44

Artigo

Dados históricos organizados, defini-se se de maneira arbitrária os valores dos

coeficientes de suavização α e β. Utiliza-se os critérios já abordados anteriormente para
definir os valores iniciais do nível (No) e da tendência (To), aplicando as fórmulas e
calculado o MAD (eq.11) – Figura 14, tendo como período de janeiro/2014 até
junho/2016, ajustando os coeficientes de suavização da Figura 13 anterior.

Figura 14 – Aplicação das fórmulas

Fonte: Elaborado pela autora

Resultados e discussão

É possível visualizar a abrangência do erro para cada período, sendo que o

Desvio Absoluto Médio relativo às previsões dos 24 primeiros períodos dispõem
de um valor de 4,64, ou seja, existe um afastamento de 4,64 unidades do valor
previsto para com o valor real – Figura 15.
Figura 15 – Resultados da aplicação do método

Revista de Ciência, Tecnologia e Inovação, Nº 4, julho de 2018 45

Artigo

Fonte: Elaborado pela autora

Na Tabela 3 estão dispostos dados reais e os dados previstos do primeiro semestre
de 2016. Explícitos também erro percentual absoluto (PMA) da previsão que consiste na
diferença entre o real e o previsto.
Tabela 3 – Comparação dos valores previstos com a demanda real observada

Período Previsto Realizado Erro abs. Erro % abs.

25 Jan/16 32 40 8 19%
26 Fev/16 33 24 9 36%
27 Mar/16 33 32 1 3%
28 Abr/16 33 30 3 11%
29 Maio/16 34 28 6 20%
30 Jun/16 34 38 4 11%
Fonte: Elaborado pela autora
A previsão apresenta um Desvio Médio Absoluto (DMA ou MAD) de 5,03, e sua
média de erro percentual igual a 16,61%, significando margem de erro de afastamento
dos valores reais de 5 unidades ou 16,61% – Figura 16.

Revista de Ciência, Tecnologia e Inovação, Nº 4, julho de 2018 46

Artigo

Figura 16 – Gráfico de comparação da série real com a previsão

Fonte: Elaborado pela autora
Diferença entre o previsto e o realizado no primeiro semestre de 2016 – Figura
17.

Figura 17 – Gráfico de comparação do previsto com o realizado do 1º sem. de

2016
Fonte: Elaborado pela autora
A previsão para os períodos que não dispuseram de dados reais (25 a 30) apresenta
um comportamento linear que acompanha a tendência de crescimento da série original.
Entretanto, seu MAD apresenta um valor muito próximo do valor atribuído às previsões
que dispunham dos valores reais.

Conclusões
A opção de uso de previsão de demanda como ferramenta para controle de fluxo
de ressuprimento de materiais depende da tolerância que a empresa apresenta de correr

Revista de Ciência, Tecnologia e Inovação, Nº 4, julho de 2018 47

Artigo

riscos. Portanto, se a empresa estiver disposta a trabalhar com previsões com margens de
erro próximas às calculadas nesse estudo pode-se concluir que a ferramenta apresenta
validez para a atividade em questão. Recomenda-se a adoção de estoque de segurança.
Planejar com uma previsão segura requer base de dados confiáveis em quantidade
e qualidade que represente uma amostra salutar.
Sugere-se aderir à previsão de demanda como ferramenta para elaboração de
planos de reposição de materiais com ajuste periódico dependendo da necessidade,
retroalimentando o sistema, ajustando a precisão da base entre dados entre antigos e
novos, adequado a cada cenário.

Referências
BALLOU, R. H. Gerenciamento da cadeia de suprimentos/Logística Empresarial. Porto Alegre:
Bookman, 2006. 616p.
BOUZADA, M. A. C. Aprendendo decomposição clássica: tutorial para um método de análise
de séries temporais. Learning classical decomposition: tutorial for a time series analysis
method. TAC, Rio de Janeiro, v. 2, n. 1, art. 1, pp. 1-18, Jan./Jun. 2012. Disponível em:
<http://www.anpad.org.br/periodicos/arq_pdf/a_1320.pdf> Acesso em: 26 set. 2016.
BRITO, V. B.; CAMPOS, A. T.; LEONARDO, B. C. Técnicas quantitativas de previsão de
demanda. In: WANKE, P. F.; JULIANELLI, L. Previsão de vendas: processos
organizacionais & métodos quantitativos e qualitativos. São Paulo: Atlas, 2011. p. 48 – 81.
CORRÊA, H. L.; CORRÊA C. A. Administração de produção e de operações. São Paulo: Atlas,
2011.
CORRÊA, H. L.; GIANESI, I. G. N.; CAON, M. Planejamento, programação e controle da
produção: MRP II/ERP: Conceitos, uso e implantação base para SAP, Oracle Applications
e outros Softwares integrados de gestão. São Paulo: Atlas, 2010. 456 p.
CHOPRA, S.; MEINDL P. Gestão da cadeia de suprimentos: estratégia, planejamento e
operações. São Paulo: Pearson Prentice Hall, 2011.
DIAS, M. A. P. Administração de materiais: uma abordagem logística. São Paulo: Atlas, 2010.
FERNANDES, F. C. F.; FILHO, M. G. Planejamento e controle da produção: dos fundamentos
ao essencial. São Paulo: Atlas, 2010.
GAITHER, N.; FRAZIER, G. Administração da produção e operações. São Paulo: Cengage
Learning, 2002. 598 p.
MOREIRA, D. A. Administração da produção e operações. São Paulo: Pioneira Thomson
Learning, 2002.
NOVAES, A. G. Logística e gerenciamento da cadeia de distribuição. Rio de Janeiro: Elsevier,
2007. 400p.

Revista de Ciência, Tecnologia e Inovação, Nº 4, julho de 2018 48

Artigo

OLIVEIRA, U. M. B.; CARVALHO, F. L. de S. Comparação de técnicas de previsão de

demanda para controle de estoques de embalagem para computadores. ENCONTRO
NACIONAL DE ENGENHARIA DE PRODUCAO, 33., 2013, Salvador. Anais... Rio de
Janeiro: ABEPRO, 2013. p. 1-18.
PEIXOTO, E. C.; PINTO, R. Gerenciamento de estoques via previsão de vendas agregadas
utilizando simulação. Produção, v. 16, n. 3, p. 569-581, 2006. Disponível em:
<http://www.scielo.br/pdf/prod/v16n3/a16v16n3.pdf> Acesso em: 14 mar. 2016.
TUBINO, D. F. Planejamento e controle da produção: teoria e prática. São Paulo: Atlas, 2007.
VIANA, J. J. Administração de materiais: um enfoque prático. São Paulo: Atlas, 2006.
WINSTON, W. L.; GOLDBERG, J. B. Operations Research: Applications and Algorithms.
Thompson Brooks, 2004. 1418p. Disponível em:
<http://engineeringstudymaterial.net/ebook/operations-research-applications-and-
algorithms/> Acesso em: 11 out. 2016.

Revista de Ciência, Tecnologia e Inovação, Nº 4, julho de 2018 49