UNIVERSIDADE DA AMAZÔNIA Marcos Henrique Pereira Paiva PREVISÃO DE DEMANDA: aplicação em uma empresa de cerâmica vermelha BELÉM 2011 UNIVERSIDADE DA AMAZÔNIA Marcos Henrique Pereira Paiva PREVISÃO DE DEMANDA: aplicação em uma empresa de cerâmica vermelha Trabalho de Conclusão de Curso apresentado à Universidade da Amazônia como requisito avaliativo para obtenção do grau de Engenheiro de Produção. Orientador: Prof. M.Sc. Léony Luis Lopes Negrão Coorientador: Prof. M.Sc. Felipe Fonseca Tavares de Freitas BELÉM 2011 UNIVERSIDADE DA AMAZÔNIA Marcos Henrique Pereira Paiva PREVISÃO DE DEMANDA: aplicação em uma empresa de cerâmica vermelha Trabalho de Conclusão de Curso apresentado à Universidade da Amazônia como requisito avaliativo para obtenção do grau de Engenheiro de Produção. ________________________________________________ Orientador: Profº Léony Luis Lopes Negrão, M.Sc. CCET / UNAMA ________________________________________________ Coorientador: Profº Felipe Fonseca Tavares de Freitas, M.Sc. CCET / UNAMA ________________________________________________ Avaliador: Profº Jorge de Araújo Ichihara, Dr. ITEC / UFPA Apresentado em: 13 / 06 /2011 Conceito: ______________ BELÉM 2011 Dedico este trabalho à Deus, aos meus pais Marco Paiva e Denise Paiva, a minha noiva Luciana Magalhães e meu irmão Hermogenes Neto. AGRADECIMENTOS A Deus pela saúde, força e proteção necessárias nesta caminhada. Aos meus pais, Marco e Denise Paiva, e meu irmão Hérmogenes Neto pelas oportunidades que me ofereceram e pelo incansável apoio ao longo destes anos. À minha noiva Luciana Magalhães que sempre esteve presente ao meu lado em todos os momentos dessa jornada. A todos os professores que sem dúvida foram instrumentos valiosos na minha construção profissional. Ao meu orientador Léony Negrão e ao meu coorientador Felipe Freitas por toda atenção dedicada e pelos conhecimentos partilhados ao longo da construção deste trabalho. A todos os amigos que contribuíram para a conclusão desse objetivo. "Enquanto houver vontade de lutar haverá esperança de vencer." (Santo Agostinho) RESUMO Este estudo tem por objetivo analisar as séries temporais de dados de vendas de dois principais produtos (Bloco de Vedação 6F-produto T1 e Telha Plan- produto T2) da empresa Beta cerâmica (nome fictício), testando algumas metodologias para previsão de demanda de séries temporais com a finalidade de identificar os melhores modelos de previsão para cada um dos produtos, de tal forma que sejam fontes valiosas de informação aos gestores, culminando para a melhoria na organização da empresa, e consequentemente na satisfação dos seus clientes. Definido o universo da pesquisa (Beta cerâmica), iniciou-se o período de coleta, caracterizado primeiramente pelas atividades de captação e triagem dos dados, onde foram determinados os produtos a serem estudados, esta atividade demandou grande esforço de pesquisa, pois como, a priori, as fontes de dados seriam somente os relatórios de vendas da empresa, e em muitos momentos se esteve diante da inexistência destes documentos, então foram criados relatórios a partir das emissões de notas fiscais do estabelecimento e/ou das notas de balcão. Na sequência da fase de coleta de dados, baseados nos relatórios de vendas seguiu a etapa de análise dos dados. Como resultados da pesquisa chegou-se aos modelos de previsão de vendas para os produtos T1 e T2. A disponibilização de informações concisas que possibilitem o desenvolvimento do planejamento e programação da produção, assim como orientar o planejamento estratégico da empresa no que faz referência a prospecção de novos mercados, a ampliação do parque industrial são contribuições deste estudo. E como contribuição à academia esta pesquisa busca oferecer um estudo sólido com potencial para o desenvolvimento de trabalhos futuros. Palavras-Chave: modelos de previsão de demanda. análise de séries temporais. indústria cerâmica. ABSTRACT This study aims to analyze the time series data of sales of two major products (Block Seal 6F – product T1 and Tile Plan – product T2) of Beta ceramics (fictitious name), some testing methodologies for demand forecasting time series in order to identify the best forecasting models for each product, so they are valuable sources of information to managers, leading to improved business organization, and consequently in customer satisfaction. Defined its universe (Beta ceramics), began the collection period, characterized primarily by the activities of collecting and sorting data, where it was determined the products to be studied, this activity required a large research effort, because as the priori, the data sources would be only the company's sales reports, and many times it was due to a lack of these documents, then reports were created from the emissions of bills of the establishment and / or banknote counter. Following the data collection phase, based on reports of sales followed the step of data analysis. The search results come up the model forecasts for the products T1 and T2. Providing concise information to enable the development of planning and scheduling, as well as guiding the strategic planning of the company that makes reference to search for new markets, expanding the industrial park are the contributions of this study. And as a contribution to academia, this research tries ofecercer a solid study with potential for the development of future work. Keywords: demand forecasting models. time series analysis. ceramic industry. LISTA DE FIGURAS FIGURA 1 – Função de probabilidade 24 FIGURA 2 – Gráfico da função de probabilidade acumulada 25 FIGURA 3 – Etapas de um modelo de previsão de demanda 33 FIGURA 4 – Métodos qualitativos 34 FIGURA 5 – Métodos quantitativos 36 FIGURA 6 – Sistema de previsão de demanda 49 FIGURA 7 – Histórico da demanda do produto T1 53 FIGURA 8 – Histórico da demanda do produto T2 54 FIGURA 9 – Gráfico da previsão de demanda para o produto T1 segundo a metodologia da média móvel dupla 65 FIGURA 10 – Gráfico da previsão de demanda para o produto T2 segundo a metodologia da média móvel dupla 67 LISTA DE QUADROS Quadro 1 – Valores assumidos pela variável X 22 Quadro 2 – Probabilidades relacionadas aos pontos amostrais 24 Quadro 3 – Propriedades da distribuição binomial 28 Quadro 4 – Propriedades da distribuição de Poisson 30 Quadro 5 – Propriedades da distribuição normal 30 Quadro 6 – Descrição dos métodos quantitativos 37 Quadro 7 – Histórico da demanda dos produtos dos produtos T1 e T2 52 Quadro 8 – Estatísticas do produto T1 56 Quadro 9 – Estatísticas do produto T2 56 Quadro 10 – Parâmetros dos modelos de Holt-Winters para o produto T1 57 Quadro 11 – Parâmetros dos modelos de Holt-Winters para o produto T2 57 Quadro 12 – MAPE dos modelos de Holt-Winters para o produto T1 57 Quadro 13 – MAPE dos modelos de Holt-Winters para o produto T2 58 Quadro 14 – Parâmetros dos modelos de Holt para o produto T1 58 Quadro 15 – Parâmetros dos modelos de Holt para o produto T2 58 Quadro 16 – MAPE dos modelos de Holt para os produtos T1 e T2 58 Quadro 17 – Parâmetros do modelo de suavização exponencial simples para o produto T1 59 Quadro 18 – Parâmetros do modelo de suavização exponencial simples para o produto T2 59 Quadro 19 – MAPE dos modelos de suavização exponencial simples para os produtos T1 e T2 59 Quadro 20 – Parâmetros dos modelos de média móvel simples e dupla para o produto T1 60 Quadro 21 – Parâmetros dos modelos de média móvel simples e dupla para o produto T2 60 Quadro 22 – MAPE dos modelos de média móvel simples para os produtos T1 e T2 60 Quadro 23 – MAPE dos modelos de média móvel dupla para os produtos T1 e T2 60 Quadro 24 – Parâmetros da distribuição logística para o produto T1 61 Quadro 25 – Parâmetros da distribuição logística para o produto T2 61 Quadro 26 – MAPE dos modelos de ajustamento de tendências para os produtos T1 e T2 61 Quadro 27 – Ranking dos modelos de previsão para o produto T1 63 Quadro 28 – Ranking dos modelos de previsão para o produto T2 63 Quadro 29 – Previsão em unidades para o produto T1 segundo a metodologia da média móvel dupla 64 Quadro 30 – Previsão em unidades para o produto T2 segundo a metodologia da média móvel dupla 66 SUMÁRIO CAPÍTULO I – INTRODUÇÃO 13 1.1 TEMA E PROBLEMA 13 1.1.1 Definição do Problema 15 1.2 OBJETIVOS 15 1.2.1 Objetivo Geral 15 1.2.2 Objetivo Específico 16 1.3 JUSTIFICATIVA DA PESQUISA 16 1.4 ESTRUTURA DO TRABALHO 18 CAPÍTULO II – REFERENCIAL TEÓRICO 19 2.1 FERRAMENTAS ESTATÍSTICAS 19 2.1.1 Estatísticas de Localização 19 2.1.2 Estatísticas de Dispersão 20 2.1.3 Momentos Amostrais 21 2.1.4 Variáveis Aleatórias 22 2.1.5 Função de Probabilidade e Função de Distribuição 23 2.1.6 Função de Probabilidade e Função de Distribuição como forma de representação de Populações 25 2.1.6.1 Parâmetros de Localização 26 2.1.6.2 Parâmetros de Dispersão 26 2.1.7 Principais Distribuições para Variáveis Discretas 27 2.2 PREVISÃO DE DEMANDA 31 2.2.1 Métodos de Previsão 34 2.2.2 Modelos de Suavização Exponencial 38 2.2.2.1 Média Móvel Simples (MMS) 39 2.2.2.2 Suavização exponencial simples 40 2.2.2.3 Modelo de Holt 41 2.2.2.4 Modelo de Winters 42 2.2.2.4.1 Modelo Sazonal Multiplicativo 43 2.2.2.4.2 Modelo Sazonal Aditivo 44 2.3 PARÂMETROS PARA SELEÇÃO DOS MODELOS IMPLEMENTADOS 45 2.3.1 Erro médio absoluto percentual (MAPE – Mean Absolute Percentual Error) 46 CAPÍTULO III – PROCEDIMENTOS METODOLÓGICOS 47 3.1 TIPOLOGIA DA PESQUISA 47 3.2 DELINEAMENTO DO ESTUDO 48 3.3 METODOLOGIA ADOTADA 50 CAPÍTULO IV – IMPLEMENTAÇÃO DOS MODELOS DE PREVISÃO 52 4.1 ANÁLISE GERAL DAS SÉRIES HISTÓRICAS DOS PRODUTOS T1 E T2 52 4.2 PARAMETRIZAÇÃO DOS MODELOS IMPLEMENTADOS 56 4.2.1 Holt-Winters 57 4.2.2 Holt 58 4.2.3 Suavização Exponencial Simples 59 4.2.4 Média Móvel Simples e Dupla 59 4.2.5 Método do Ajustamento de Tendências 61 4.3 COMPARAÇÃO DOS MODELOS 62 CAPÍTULO V – CONSIDERAÇÕES FINAIS 69 REFERÊNCIAS 71 ANEXO A 75 CAPÍTULO I - INTRODUÇÃO Neste primeiro capítulo mostra-se o contexto do estudo, nesse sentido serão apresentados nesta seção: o tema e o problema da pesquisa, a justificativa, os objetivos e a estrutura do trabalho. 1.1 TEMA E PROBLEMA Com a modernização e o processo de globalização, houve uma significativa mudança na dinâmica das empresas, é cada vez maior a exigência do mercado, principalmente, quanto à flexibilidade e agilidade na adaptação aos novos e dinâmicos cenários mercadológicos; aos novos e eficientes indicadores de qualidade, entre outras. Dessa forma respostas rápidas a tais exigências constituemse como elementos imprescindíveis à sobrevivência das empresas modernas. Neste sentido, uma boa estratégia para se atingir os melhores desempenhos em meio ao novo contexto altamente dinâmico em que as empresas modernas convivem é buscar uma melhor eficiência da cadeia produtiva. E dentro da cadeia produtiva as empresas devem continuamente buscar a satisfação de seus clientes e, incansavelmente a sua fidelização. Para Gobe et. al. (2000) produzir sempre a quantidade certa para atender as necessidades dos clientes traduz um incansável questionamento dentro das empresas, pois tanto a falta quanto o excesso na produção acarretará em custos para as organizações. Dessa forma, a previsão de demanda contribui significativamente para a boa eficiência da cadeia produtiva das empresas. De maneira geral, as previsões de demanda desempenham uma função de destaque para diversos setores da gestão das empresas, dentre os quais o gerenciamento da produção é uma das áreas das organizações que mais sofre influências das previsões (PELLEGRINI, 2000). Didaticamente, pode-se afirmar que a previsão de demanda é uma espécie de força motriz da engrenagem que é o gerenciamento da produção dentro de uma organização. Ela é capaz de influenciar fortemente para o sucesso ou fracasso, pois nortea especialmente, decisões estratégicas de longo (por exemplo, podem indicar o momento de se tirar um produto do mercado) e médio (por exemplo, baseado na previsão de demanda de um produto pode-se decidir em investir ou não na compra de equipamentos para o aumento da capacidade sua produtiva) prazos. Para tanto, são inúmeras as técnicas de previsão disponíveis às empresas, das mais simples (geralmente, as técnicas subjetivas, como aquelas baseadas no conhecimento empírico) às mais complexas (métodos probabilísticos e estatísticomatemáticos); todavia todas estas técnicas possuem um mesmo objetivo: o de prever aquilo que será demandado das organizações. Partindo desta ótica, torna-se coerente pensar na previsão de demanda como uma ferramenta estratégica para as empresas do setor cerâmico do Estado. Acrescido a este cenário, tem-se que o Estado do Pará possui um importante representante do ramo cerâmico nacional: o município de São Miguel do Guamá, considerado como o principal pólo cerâmico do norte do Brasil, com mais de 40 fábricas (SEDECT-PA, 2009). A indústria da construção civil é a atividade que potencializa um maior dinamismo na produção dos blocos de vedação (tijolos) e das telhas no município, por outro lado a atividade cerâmica é de extrema importância para o desenvolvimento da economia do município, do estado e contribui para o crescimento do setor cerâmico nacional (SEDECT-PA, 2009). Segundo a assessoria de comunicação da Secretaria de Estado de Desenvolvimento, Ciência e Tecnologia a indústria cerâmica no município de São Miguel do Guamá é destaque por ser a maior responsável em absorver mão-de-obra local, e o pólo oleiro do município desponta como um fator determinante de crescimento, na medida em que é responsável por um acúmulo de 4.255 empregos formais no município (SEDECT-PA, 2009). A implantação do Projeto Minha Casa Minha Vida, do governo federal, prevê investimentos de R$ 34 bilhões para a construção de um milhão de moradias no Brasil. No Pará, serão construídas 50 mil unidades habitacionais em 13 municípios. Essas ações irão estimular o setor da construção civil, e consequentemente aquecerão a demanda de produtos da indústria cerâmica (SEDECT-PA, 2009). Nessa perspectiva, tem-se um importante e promissor desenvolvimento das empresas do setor cerâmico do Estado. cenário para o 1.1.1 Definição do Problema Diante do exposto, é fato que a previsão de demanda oferece suporte aos gestores das organizações auxiliando na tomada de decisão, sejam estas de longo, médio ou curto prazo; onde os dados históricos dos eventos são interpretados e analisados de tal maneira que se possa extrair o máximo de informações úteis que dêem norte acerca do que acontecerá futuramente. Nessa perspectiva, se fará um estudo comparativo a partir de métodos quantitativos de previsão de demanda para séries temporais tais como: o método de suavização exponencial de Holt-Winters, média-móvel, suavização exponencial simples e dupla e o método de ajustamento de tendências, este último feito por meio de uma distribuição de probabilidade que melhor traduza a série de vendas dos principais produtos analisados, de tal maneira que todas estas informações possam melhor auxiliar os gestores da empresa na tomada de decisão. Portanto a questão a ser respondida ao final deste estudo será: “Qual o método de previsão de demanda e seus respectivos parâmetros para os principais produtos da empresa cerâmica estudada, gera um menor erro e melhor auxilia na tomada de decisão?” 1.2 OBJETIVOS 1.2.1 Objetivo Geral Analisar as séries temporais de vendas dos principais produtos de uma empresa de cerâmica vermelha, testando as metodologias de previsão de demanda de Holt-Winters, média-móvel, suavização exponencial simples e dupla e o método de ajustamento de tendências; com a finalidade de determinar, para cada produto, o modelo de previsão que gere menor erro e auxilie satisfatoriamente a tomada de decisão. 1.2.2 Objetivos Específicos Estudar técnicas de previsão de demanda e distribuições de probabilidades; Investigar o comportamento dos dados históricos de vendas; Testar alguns métodos de previsão a partir do comportamento encontrado; Determinar os modelos de previsão de demanda, segundo cada metodologia, com seus respectivos parâmetros; Indicar aos gestores da empresa qual o melhor modelo de previsão de demanda para os principais produtos; Contribuir com um estudo prático para aumentar acervo técnicoacadêmico de material voltado ao mercado cerâmico industrial regional. 1.3 JUSTIFICATIVA DA PESQUISA Diversas são as mudanças operacionais e as melhorias que vem ocorrendo no setor cerâmico industrial. Tal cenário é imprescindível para o desenvolvimento do ramo ceramista e também da economia do Estado do Pará, principalmente no que diz respeito ao contexto social, visto que o pólo cerâmico é mantenedor de empregos e renda para a população. No município de São Miguel do Guamá, o segmento das indústrias cerâmicas é o principal agente fomentador da economia local, impulsionando principalmente o comércio, gerando recursos financeiros internamente e atraindo alguns prestadores de serviços especializados para atendimento de demandas das cerâmicas e até de outros setores empresariais locais. O uso deliberado e em grandes proporções dos recursos naturais não renováveis como matéria-prima nas indústrias de cerâmicas vermelhas do pólo produtivo de São Miguel do Guamá traz à tona preocupações quanto aos impactos ambientais, a degradação da Amazônia, que acaba tendo repercussões internacionais, o que direciona as indústrias cerâmicas a buscarem metas, que não são muito comuns ao segmento, mas que precisam buscar tais alternativas que possam assegurar um uso mais racional das reservas naturais de matéria prima, o que interfere diretamente na sustentabilidade desse setor. Ao analisar a realidade das empresas cerâmicas do município de São Miguel do Guamá, nordeste do Estado do Pará, percebe-se que o sistema de administração tradicional não é mais capaz de atender satisfatoriamente às necessidades impostas pelo mercado atual que faz crescer a concorrência nos últimos anos. Dessa forma as empresas que quiserem manter-se no mercado, atendendo às expectativas dos consumidores, necessariamente devem rever suas metodologias de desenvolvimento de produtos, processo e, principalmente de gestão destes. Dessa maneira, o que se pretende com a pesquisa acaba por constituir-se como uma ação responsiva a este atual cenário de exigências aos quais as empresas cerâmicas estão inseridas, pois certamente com um modelo de previsão específico, seguramente se estará buscando o uso racional de matéria prima, e principalmente o melhor atendimento das necessidades do mercado (clientes). Nesse sentido existem também outras inúmeras razões que justificam o interesse no desenvolvimentro desta pesquisa dentre as quais se podem destacar ainda: a grande contribuição que trará às empresas no que se refere a melhoria do planejamento, programação e controle da produção, assim como melhorará a gestão da organização. Em resumo, os modelos de previsão de demanda gerados a partir do estudo constituem-se numa excelente ferramenta no auxílio à tomada de decisão. Todavia, é prudente destacar a relevância da temática da pesquisa para o meio acadêmico, de tal forma que objetivar-se-á propor academicamente a investigação e a aplicação de modelos de previsão de demanda, considerando um segmento empresarial específico do setor econômico do Estado do Pará, dispondo dessa forma uma aplicação prática e concreta de conhecimentos que na sua grande maioria são abordados a partir de exemplos didáticos, simplistas que em geral distoam da realidade ao qual as empresas estão inseridas. 1.4 ESTRUTURA DO TRABALHO O presente estudo será apresentado em 5 capítulos. O primeiro capítulo é a introdução, onde foi apresentado o tema da pesquisa, pela definição do problema e pelos objetivos da pesquisa. No segundo capítulo estão apresentados conceitos importantes que se relacionam com a proposta do trabalho, constituindo o referencial teórico. No terceiro capítulo se fez o enquadramento metodológico da pesquisa, assim como são apresentados os procedimentos metodológicos adotados. No quarto capítulo é realizada implementação dos modelos, este capítulo pode ser compreendido como o estudo de caso da pesquisa. E no quinto capítulo são feitas as considerações finais, abordando as limitações encontradas no decorrer trabalho, assim como são indicadas as oportunidades para continuidade de trabalhos futuros a partir deste. CAPÍTULO II – REFERENCIAL TEÓRICO Nesta seção serão apresentados conceitos da literatura que estão consonantes ao que se pretende durante o desenvolvimento deste estudo. 2.1 FERRAMENTAS ESTATÍSTICAS Segundo Guimarães e Cabral (1997), estatísticas são medidas calculadas com base em dados coletados e são essencias quando se deseja compreender através de números o comportamento global de tais dados. É comum encontrar-se, na literatura, essas estatísticas em dois grupos: estatísticas de localização e estatísticas de dispersão. 2.1.1 Estatísticas de Localização As estatísticas de localização são importantes, pois apontam se o conjunto de dados é simetrico ou não. Das estatísticas de localização, as mais importantes são: média aritmética e mediana amostral e são, respectivamente, calculadas a partir das fórmulas 01, 02.a (quando o número de observações da amostra for ímpar) e 02.b (quando o número de observações da amostra for par) (GUIMARÃES e CABRAL, 1997). Outra importante medida estatística de localização é a moda valor dos dados que possue maior freqüência na amostra. que é o É válido fazer uma discussão sobre as estatísticas de localização, comparando os valores da média artimética, da mediana e da moda amostral. Quando estas três estatísticas são coincidentes, e ainda há uma só moda, certamente tem-se uma representação dos dados (histograma) simétrica, por outro lado se terá uma distribuição assimétrica à direita, caso assimétrica à esquerda quando ; e (GUIMARÃES e CABRAL, 1997). 2.1.2 Estatísticas de Dispersão Guimarães e Cabral (1997) afirmam que, enquanto as estatísticas de localização nos direcionam quanto à simetria da distribuição dos dados, as estatísticas de dispersão nos reportam a uma característica fundamental na análise dos dados de uma distribuição histórica: a variabilidade. As principais medidas de dispersão são: a amplitude amostral (A), o desvio médio amostral (DAM), desvio quadrático médio amostral (DQM), a variância amostral ( ) e o desvio-padrão amostral ( ). A seguir mostram-se, respectivamente, as fórmulas 03, 04, 05, 06 e 07 que calculam cada uma destas estatísticas de dispersão. A amplitude amostral , uma das medidas de dispersão, definida pela diferença entre o maior e o menor dado da amostra, pode ser facilmente afetada por outliers (pontos atípicos de uma amostra). Dessa maneira, outra forma de se caracterizar a dispersão dos dados é a partir do desvio médio absoluto ainda do desvio quadrático médio amostral É importante salientar que o ou . geralmente utiliza-se quando se dispõem de todos os dados de uma amostra, no entanto quando se deseja inferir ao comportamento de populações, quanto a sua variabilidade, com base em amostras de dados aleatórias e limitadas, é comum utilizar a variância amostral , porém para facilitar a interpretação dos valores das estatísticas da amostra é perfeitamente aceitável que se recorra a medida do desvio padrão ao invés da variância (GUIMARÃES e CABRAL, 1997). 2.1.3 Momentos Amostrais Outro grupo de medidas estatísticas que podem de ser encontradas a partir de certa amostra são os momentos amostrais, estes quanto maior sua ordem, maiores são as dificuldades de sua interpretação, por isso que raramente calculamse os momentos com ordem muito elevada (MORENTTI e TOLOI, 2006). Os momentos amostrais podem ser: ordinários ou centrados. É dito ordinário, quando é definido em relação à origem dos dados da amostra, por outro lado os momentos centrados são definidos em relação à média amostral. As fórmulas 08 e 09 permitem o cálculo, respectivamente, dos momentos ordinários ( ) e centrados ( ) (GUIMARÃES e CABRAL, 1997). Onde indica a ordem do momento amostral. Como consequência do desenvolvimento das fórmulas apresentadas anteriormente, tem-se que: o momento ordinário de primeira ordem é a média amostral e o momento centrado de segunda ordem é o desvio quadrático médio. 2.1.4 Variáveis Aleatórias É conveniente, antes de se definir variável aleatória, compreender o que consiste um evento aleatório. Eles se caracterizam por serem experimentos que, mesmo repetidos nas mesmas condições produzem resultados aleatórios, um exemplo clássico para ilustrar esse conceito é o lançamento de um dado de seis faces, duas vezes, sobre uma superfície plana para observar o número que aparece na face superior. Segundo Dantas (2000), pode-se definir variável aleatória como uma função do espaço amostral, de um evento aleatório, que assume valores reais. Dessa forma, veja-se o seguinte evento aleatório: o lançamento de uma moeda sobre uma superfície plana, duas vezes, para observar a superfície superior da mesma, e seja X a função do espaço amostral que é igual ao número de vezes em que aparece coroa nos dois lançamentos, sendo assim a partir do quadro 01 pode-se encontrar a correspondência entre os pontos do espaço amostral e os valores da variável aleatória X: Espaço Amostral (C – Coroa; K – Cara) Valores de X CC 2 CK 1 KC 1 KK 0 X(CC) = 2; X(CK) = 1; X(KC) = 1; X(KK) = 0. Quadro 01 – Valores assumidos pela variável aleatória X Fonte: Autoria própria (2011). Conforme Spiegel (1978), se, a cada ponto de um espaço amostral, se atribui um número, pode-se obter então uma função definida no espaço amostral, e a esta função chama-se variável aleatória (ou variável estocástica), que comumente denota-se por letras maiúsculas X, Y, ..., e em geral possui um significado físico, geométrico, ou outro qualquer. É importante também que seja estabelecida uma classificação quanto às variáveis aleatórias. Dessa forma, Spiegel (1978) afirma que as variáveis aleatórias que assumem valores em um conjunto enumerável serão denominadas discretas, por outro lado aquelas outras que assumem valores num intervalo da reta real (conjunto não-enumerável) serão denominadas contínuas. Barbetta, Bornia e Reis (2004) distinguem também as variáveis aleatórias em: variáveis aleatórias dependentes e variáveis aleatórias independentes. Estas últimas são assim consideradas quando o conhecimento de uma não afeta a distribuição de probabilidade da outra variável analisada. Barbetta, Bornia e Reis (2004) aludem a algumas propriedades importantes das variáveis aleatórias. Seja c uma constante e X e Y variáveis aleatórias são verdadeiras as seguintes relações: i) ii) iii) iv) v) vi) vii) 2.1.5 Função de Probabilidade e Função de Distribuição Quando se trata do estudo das variáveis aleatórias discretas é comum encontrarmos na literatura, certamente, dois tópicos específicos dedicados um as funções de probabilidade e outro as funções de distribuições. Guimarães e Cabral (1997) conceituam as funções de probabilidade como funções que relacionam a ocorrência de um determinado evento (ou seja, o valor assumido pela variável aleatória) de um espaço amostral à uma probabilidade, enquanto que as funções de distribuição (que também são conhecidas como funções de probabilidade acumulada) relacionam a ocorrência de um evento de um espaço amostral à uma probabilidade que é o somatório da probabilidade do evento e as probabilidades menores. Para ilustrar melhor estes dois importantes conceitos, deve-se retornar, mais uma vez, ao exemplo do lançamento da moeda, no quadro 02 temos a distribuição das probabilidades para cada evento do espaço amostral. Pontos Amostrais (C – Coroa; K – Cara) CC Valores de X Probabilidades 2 1/4 CK ; KC 1 1/4 + 1/4 = 1/2 KK 0 ¼ Quadro 02 – Probabilidades relacionadas aos pontos amostrais Fonte: Autoria própria (2011). Não é simples definir a função de probabilidade para uma distibuição de probabilidades, para isso usar-se-á um diagrama (figura 01) para indicar a existência da função de probabilidade referente a este exemplo, vale lembrar que o domínio de f (Df) = {0,1,2} e que o contradomínio (CDf) é o intervalo 0 Df cdf 1. f CDf Função de probabilidade Figura 01 – Função de probabilidade Fonte: Autoria própria (2011). A figura 02 a seguir é o gráfico da função de probabilidade acumulada do exemplo que está sendo analisado e, para facilitar a compreensão desta função, é conveniente se fazer a análise separando em intervalos os valores assumidos pela variável aleatória X, portanto seja x o valo assumido pela variável aleatória então: i) Se ii) Se iii) Se , teremos que a P[X ≤ x] = 0. , teremos que [X ≤ x] = {KK} e portanto P[KK] = 1/4. , teremos que [X ≤ x] = {KK; CK; KC} e portanto a P[KK; CK; KC] = 3/4. iv) Se , teremos que [X ≤ x] = {KK; CK; KC; CC} e portanto a P[KK; CK; KC; CC] = 1. Figura 02 – Gráfico da função de probabilidade acumulada Fonte: Autoria própria (2011). 2.1.6 Função de Probabilidade e Função de Distribuição como forma de representação de Populações A função de probabilidade e a função de distribuição, segundo Guimarães e Cabral (1997), podem ser entendidas como formas de representação de populações, todavia é muito comum não conhecer a priori toda a população estudada, dessa forma é prudente se estabelecer um modelo o qual, de modo mais próximo do real, seja possível representar a forma como os elementos da população se distribuibuem. Vale salientar ainda que um procedimento intuitivo para se construir tal modelo é tomar aleatoriamente uma amostra da população a ser estudada e supor que a mesma é representativa da população, e então se utilizam as freqüências relativas da amostra como estimativas dos valores da função de probabilidade. No entanto, Guimarães e Cabral (1997) alertam ao fato de que geralmente podem-se cometer erros quando se usa a estimação da função de probabilidade, e este seguramente relaciona-se a variabilidade associada ao caráter aleatório com o qual é selecionada a amostra da população. Assim como as distribuições de freqüências podem ser caracterizadas através das estatísticas comentadas anteriormente, assim também a função de probabilidade e a função de distribuição poderão ser caracterizadas por parâmetros. Para uma população, os parâmetros das distribuições de probabilidade são fixos, enquanto que por outro lado as estatísticas variam segundo a amostra, uma maneira didática de se diferenciar estes conceitos tão próximos é chamá-los: estatísticas amostrais e parâmetros populacionais (GUIMARÃES e CABRAL, 1997). 2.1.6.1 Parâmetros de Localização O parâmetro de localização mais utilizado para se caracterizar uma distribuição populacional é o valor esperado, ou ainda média populacional ( ), calculado a partir da fórmula 10: Onde y representa os valores que podem ser assumidos pela variável Y e é a probabilidade relacionada a cada um desses valores. Outros parâmetros populacionais que podem ser calculados para caracterizar certa população são: a mediana populacional e a moda populacional . Estas são calculadas de meneira semelhante ao cálculo da mediana e moda amostral, lembrando que pode ser definido a partir da função de probabilidade acumulada, pois será igual ao valor assumido pela variável Y, quando a esta função for igual ou maior que 0,5. Por outro lado será o valor da variável aleatória Y, o qual a função de probabilidade atinge valor máximo. 2.1.6.2 Parâmetros de Dispersão Os principais parâmetros que caracterizam a dispersão de uma distribuição de probabilidade são: o desvio absoluto médio populacional populacional e o desvio-padrão populacional ; variância . Vale lembrar que os parâmetros populacionais de localização, assim como os de dispersão possuem interpretação semelhante às estatísticas de localização e dispersão, conforme discutido anteriormente. A seguir estão as expressões 11, 12 e 13 que permitem calcular estes três parâmetros populacionais, respectivamente: 2.1.7 Principais Distribuições para Variáveis Discretas Barbetta, Bornia e Reis (2004) abordam como as principais distribuições de probabilidade para descrever variáveis aleatórias discretas: a distribuição de Bernoulli, a distribuição Binomial, a distribuição Hipergeométrica e a distribuição de Poisson. i) Distribuição de Bernoulli Barbetta, Bornia e Reis (2004) afirmam que esta distribuição é aplicável a uma gama de eventos conhecidos como ensaios de Bernoulli em que se observa a existência ou não de determinada característica. Ocorrendo a característica, atribuise a variável valor unitário de X=1 (sucesso) e relaciona-se à probabilidade p (probabilidade de ocorrer sucesso). Caso contrário, ou seja, não ocorra a característica no evento aleatório, atribui-se a variável alaeatória valor de X=0 (fracasso) e relaciona-se à probabilidade 1 – p (probabilidade de ocorrer fracasso). Para essa distribuição, pode-se facilmente encontrar o valor da média populacional (ou valor esperado), a variância e a função de probabilidade acumulada, através das expressões 14, 15 e 16, respectivamente: ii) Distribuição Binomial Esta é uma distribuição de probabilidade que pode ser considerada como uma extensão da distribuição de Bernoulli, visto que a partir da distribuição binomial busca-se a quantidade X de ocorrências de um sucesso em n ensaios de Bernoulli, onde p é a probabilidade de ocorrência de sucesso dos ensaios (BARBETTA, BORNIA e REIS, 2004). Para esta distribuição, pode-se obter a função de probabilidade, a média e a variância através das expressões 17, 18 e 19, respectivamente: Spiegel (1978) e Lipschutz (1993) destacam algumas propriedades importantes da distribuição binomial, conforme o quadro 03, a seguir: Desvio – Padrão Coeficiente de Assimetria Função Geratriz dos Momentos Quadro 03 – Propriedades da distribuição binomial Fonte: adaptado de Spiegel (1978) e Lipschutz (1993). iii) Distribuição Hipergeométrica Segundo Barbetta, Bornia e Reis (2004), esta distribuição é comumente utilizada quando se busca inspecionar determinada característica por amostragem. Seja uma amostra aleatória de tamanho n de um lote de N elementos, sendo r o número de ocorrências de determinada caraterística que está sendo inspecionada. É importante salientar a diferença existente entre os eventos característicos da distribuição binomial e os característicos da distribuição hipergeométrica. O diferencial está no fato de que os eventos (ensaios de Bernoulli) caraterísticos desta última distribuição são dependentes entre si, em outras palavras, a ocorrência de um afetará a probabilidade de ocorrência do outro. Para esta distribuição, pode-se obter a função de probabilidade, a média e a variância através das expressões 20, 21 e 22, respectivamente: iv) Distribuição de Poisson Segundo Barbetta, Bornia e Reis (2004) e Guimarães e Cabral (1997), a distribuição de Poisson permite descrever uma série de fenômenos aleatórios onde os eventos se repetem em uma unidade de tempo (por exemplo, número de alunos que emprestam livro na biblioteca da UNAMA em uma hora) ou de espaço (por exemplo, a quantidade de defeitos na superficie de um bloco cerâmico). Para esta distribuição, pode-se obter a função de probabilidade, a média e a variância através das expressões 23, 24 e 25, respectivamente, e deve-se admitir que é a taxa de ocorrências do evento na unidade de tempo ou espaço: Spiegel (1978) e Lipschutz (1993) destacam algumas propriedades importantes da distribuição de Poisson, conforme o quadro 04, a seguir: Coeficiente de Assimetria Coeficiente de Kurtose Função Geratriz dos Momentos Quadro 04 – Propriedades da distribuição poisson Fonte: adaptado de Spiegel (1978) e Lipschutz (1993). De acordo com Spiegel (1978), existem outras distribuções de probabilidade, além das que foram comentadas anteriormente, tais como: a distribuição normal, a distribuição logística, a distribuição de Chauchy, a distribuição Weibul, a distribuição Gama, a distribuição Beta entre outras. Todavia, de acordo com os objetivos do trabalho, destas distribuições ainda restam comentar a logística, a Weibul e a normal. v) Distribuição Normal Segundo Spiegel (1978) e Lipschutz (1993), a distribuição normal representa um dos mais importantes exemplos de distribuições contínuas de probabilidade, sendo também chamada de distribuição de Gauss ou Gaussiana. Para esta distribuição, tem-se que a função de probabilidade é dada pela expressão 26, onde e são, respectivamante, a média e o desvio padrão: Spiegel (1978) e Lipschutz (1993) destacam algumas propriedades importantes da distribuição de Normal, conforme o quadro 05, a seguir: Coeficiente de Assimetria Coeficiente de Kurtose Função Geratriz dos Momentos Quadro 05 – Propriedades da distribuição normal Fonte: adaptado de Spiegel (1978) e Lipschutz (1993). vi) Distribuição Logística Segundo Montgomery e Runger (2002), uma variável aleatória X é distribuída conforme uma distribuição logística, X~Lg se sua função densidade de probabilidade for dada pela expressão 27. vii) Distribuição Weibul Segundo Montgomery e Runger (2002), a distribuição de Weibul é comumente utilizada para modelar o tempo até a falha em muitos sistemas físicos. A função de densidade para uma variável aleatória X que se adequa à distribuição de Weibul é dada pela expressão 28, onde e são, respectivamente, os parâmetros de escala e de forma da distribuição; as expressões 29 e 30 são a média e variância para esta distribuição. 2.2 PREVISÃO DE DEMANDA Independente do tipo de empresa e de seu mercado, uma característica comum a qualquer uma delas é atividade de planejamento, umas mais outras menos, porém em todas existe tal atividade. Constantemente a enorme quantidade de decisões a serem tomadas, em diferentes momentos, seja a curto ou longo prazo, faz com que as organizações necessitem de um bom planejamento que influenciam diretamente na sobrevivência das empresas modernas. E invariavelmente este bom planejamento baseia-se em uma boa previsão. Conforme Spanhol, Benites e Neto (2004), deve-se compreender a previsão de demanda não como um fim em si, no entanto uma forma de dispor informações para uma conseqüente tomada de decisão, visando determinados objetivos. Arnold (1999) ressalta que a previsão é indispensável para o desenvolvimento de planos no intuito de satisfazer demandas futuras; acrescido a isso, é fato que a maioria das empresas não pode esperar a solicitação dos pedidos para assim planejar-se o que deverá ser produzido, principalmente porque os clientes esperam um prazo razoável. Nesse sentido, cabe aos fabricantes vislumbrar a demanda futura, planejando os recursos e a capacidade necessária para atender satisfatoriamente tais demandas. No entanto, todo e qualquer planejamento surge a partir de uma mesma base comum que é a previsão de demanda. A previsão de demanda é o ponto de partida para quase todas as decisões que necessitam serem tomadas dentro de uma organização, e pode ser definida como uma busca de informações a respeito das vendas futuras de um determinado item ou grupo de itens (MOREIRA, 2004). Gobe et al. (2000) dizem ainda que previsão é uma projeção numérica das expectativas de uma organização, retratada em um determinado momento pelas opiniões e análises de profissionais a respeito do que poderá ocorrer no futuro dentro de um mercado ao qual a empresa esta inserida. Tubino (2008) afirma que as empresas sempre buscam a direção em que o negócio da organização andará, e tais buscas são traçadas baseadas em previsões, sendo a previsão de demanda a principal delas, e é a base para o planejamento estratégico da produção, vendas e finanças de qualquer empresa. Para Tubino (2008) as previsões possuem destacada função dentro de uma organização, visto que permitem aos gestores das empresas anteverem o futuro e assim planejem adequadamente suas ações; sugere ainda que um modelo de previsão pode ser dividido em cinco etapas, conforme a figura 03 a seguir. Figura 03 – Etapas de um modelo de previsão de demanda. Fonte: adaptado de Tubino (2008). Segundo Hanke, Wichern e Reitsch (2001) apud Junior (2007), a previsão de demanda é necessária as empresas, pois estas funcionam em meio a uma dinâmica de incertezas e constantemente devem tomar decisões que certamente influenciam no futuro da organização, e mais valiosas aos gestores das empresas são as suposições futuras (previsões) ponderadas. Dessa maneira, não é difícil perceber que a previsão de demanda assume importante papel dentro das corporações modernas, visto que são premissas do planejamento das organizações, tendo assim grande relevância estratégica para as empresas, sem contar que podem ser encaradas como um poderoso instrumento capaz de revelar o nível de conhecimento das empresas em relação ao mercado e seus clientes, pois quanto maior for a acurácia do modelo de previsão, significa que melhor estará a compreensão da empresa junto às necessidades de seu mercado. Podem-se citar duas características inerentes aos métodos de previsão: uma é que eles assumem que as causas que estiveram presentes no passado, configurando a demanda, continuarão presentes no futuro; e a outra característica importante também é que os métodos de previsão não nos levam a resultados perfeitos, e a chance das previsões serem acometidas erros é sempre maior quando se aumenta o horizonte de tempo das previsões (MOREIRA, 2004). 2.2.1 Métodos de Previsão Segundo Moreira (2004) é possível classificar os métodos de previsão por diferentes abordagens, no entanto a mais comum leva em consideração os intrumentos e conceitos que dão base à previsão, dessa forma classificam-se os métodos em: i) Qualitativos: são métodos analíticos, considerados métodos de predição, assentados em julgamentos, intuições, opiniões, experiência dos envolvidos, entrevistas com especialistas, pesquisas de mercado, entre outras fontes que são utilizadas por este grupo de métodos para criar cenários futuros. Estes métodos são muito úteis quando existe excassez de dados ou quando são dados duvidosos (MOREIRA, 2004) e (ARNOLD, 1999). ii) Quantitativos (Matemáticos): os métodos quantitativos são analíticos baseados em um modelo matemático, este grupo de métodos utiliza o padrão histórico dos dados passados para fazer projeções sobre o comportamento futuro da série de dados e podem ser divididos em dois subgrupos: a análise de séries temporais e os métodos causais (MOREIRA, 2004) e (JUNIOR, 2007). A seguir, serão abordados de maneira breve alguns métodos de previsão qualitativos e quantitativos. A figura 04 mostra alguns dos métodos qualitativos. Métodos de Previsão Qualitativos Avaliação Subjetiva - Opinião dos Executivos - Opinião da Força de vendas - Pesquisa de mercado com consumidores finais Figura 04 – Métodos qualitativos Fonte: adaptado Silveira e Nicolau (2002). Exploratórios - Método Delphi - Opiniões de Executivos: Segundo este método de previsão, altos executivos da empresa reúnem-se para discutir, normalmente acerca de previsões de longo prazo, como por exemplo, prospecção em novos mercados, desenvolvimento de novos produtos. Possui vantagem de conseguir reunir diferentes conhecedores da empresa e do processo produtivo da mesma, porém a forte personalidade de alguns desses executivos pode tornar-se uma fraqueza deste método (MOREIRA, 2004). - Opinião da Força de Vendas: O método de previsão baseado na opinião da força de vendas é uma alternativa para se fazer projeções futuras, visto que para estas fundamentam-se nas informações dadas pelo pessoal envolvido diretamente com as vendas, que são um dos canais de comunicação direta com os consumidores finais. Todavia, este método pode ser influenciado por experiências pessoais negativas dos vendedores, de tal forma que prejudique a identificação das reais necessidades dos clientes (MOREIRA, 2004). - Pesquisa de Mercado com Consumidores Finais: Em geral este é um método de previsão que, tomados alguns cuidados, tais como a construção do plano de pesquisa, a seleção dos instrumentos de coleta de dados e a interpretação dos dados, costuma dar bons resultados, afinal as pesquisas buscam tomar a opinião daqueles que ditam o ritmo da demanda: os consumidores (ARNOLD, 1999). - Método Delphi: O método Delphi como método de previsão consiste na reunião de especialistas que devem opinar sobre dado assunto, respeitando regras determinadas para a coleta e a análise das opiniões. As opiniões dos especialistas são emitidas de maneira independente para que não haja interação entre os opinantes. Havendo divergências de opiniões, estes serão novamente questionados até que se chegue o mais próximo possível de um consenso do grupo (MOREIRA, 2004) e (LUSTOSA et al., 2008). A figura 05 mostra os dois subgrupos em que os métodos quantitativos se dividem: os métodos de análise de séries temporais e os métodos causais. Métodos de Previsão Quantitativos Séries Temporais - Extrapolação - Suavização Exponencial - Médias - Box-Jenkins Métodos Causais - Correlação - Regressão - Modelos econométricos Figura 05 – Métodos quantitativos Fonte: adaptado Silveira e Nicolau (2002). Os modelos causais procuram descrever a demanda através de uma função de variáveis independentes. Em outras palavras, tentam relacionar as demandas (variável dependente) com outras grandezas independentes (como por exemplo, inflação, clima, perfil da população, etc.) e para isso utilizam técnicas de regressão linear e não-linear. Dentre os métodos causais de previsão de demanda, possuem papel destacado os modelos de regressão linear simples e múltipla (PACHECO e SILVA, 2003) e (JUNIOR, 2007). Pacheco e Silva (2003) e Junior (2007) ressaltam que os modelos causais possuem maiores chances de potencializar o aumento dos erros de previsão, visto que nestes modelos são necessárias previsões acerca das variáveis independentes utilizadas na construção do modelo causal. Na análise de série temporal, são considerados os modelos de suavização exponencial simples, de suavização exponencial dupla para dados com tendência, e o modelo de Winters, para dados com variação sazonal (FOGLIATTO, 2003 apud JUNIOR, 2007). Junior (2007) advoga que os métodos quantitativos são os mais utilizados como instrumentos de apoio a decisão, e estes modelos são baseados em dados históricos e no comportamento passado de determinado fenômeno. No quadro 06 é apresentada uma breve descrição dos métodos quantitativos. Método Quantitativo Média Simples Descrição A previsão é feita baseada na média aritmética das demandas passadas e utiliza-se o mesmo peso para todos os dados históricos. Média Móvel É um método muito útil e simples, e possui regular eficácia na suavização de curvas que representam tendências e atenuação de distorções (como sazonalidade). Média das N informações mais recentes e utiliza o mesmo peso para todos os dados no cálculo da previsão. Para alcançar bons resultados fazemse necessários uma grande quantidade de dados. Suavização Exponencial É uma aplicação particular da média ponderada e da média móvel – utiliza-se a premissa de que os dados usados nos cálculos da previsão tornam-se cada vez menos relevantes conforme o aumento de sua idade, onde se dá peso maior aos dados mais recentes. Box-Jenkins Considera-se uma série histórica de dados de vendas, em ordem cronológica, em que se realizam estudos de autocorrelação e autocorreação parcial, com a finalidade de identificar o modelo de previsão, estimar parâmetros, minimizando os erros quadráticos. O modelo necessita do diagnóstico dos resíduos. Esta é uma ferramenta muito eficaz e acurada, porém custosa e requer grande tempo de para análise exploratória dos dados. Correlação e Regressão A análise de regressão é bastante utilizada para o desenvolvimento da função demanda que é descrita a partir de uma variável (regressão simples) ou varias variáveis (regressão múltipla). A relação de correlação entre os diversos fatores pode ser linear ou não. Modelos econométricos Método que procura descrever o ambiente econômico através da interpretação da série de dados estatísticos MARTINS, 2005). Quadro 06 – Descrição dos métodos quantitativos Fonte: adaptado Silveira e Nicolau (2002). específicos (LAUGENI e Junior (2007) diz que o objetivo principal de qualquer modelo de previsão é identificar o(s) componente(s) sistemático(s) da demanda, sendo que o modelo escolhido deve, com os seus resultados, facilitar o processo decisório dos gestores da organização. Dessa forma não é uma exigência essencial que os modelos de previsão envolvam processos matemáticos complicados e/ou sofisticados; deve-se preferivelmente optar por um método que busca gerar uma previsão que seja eficaz, oportuna e compreensível à gerência, de modo a direcionar a construção de decisões melhores e mais coerentes com a realidade da organização. 2.2.2 Modelos de Suavização Exponencial Segundo Morentti e Toloi (2006), uma série temporal pode ser definida como um grupo de observações ordenadas ao longo do tempo, e a partir da análise delas pode-se fazer previsões de valores futuros da série e ainda buscar descrever o comportamento delas, no que diz respeito a existência de tendência, ciclos e/ou variações sazonais. Consonante a isso, Levine et. al. (2000) define uma série temporal como um conjunto de dados numéricos obtidos durante períodos regulares ao longo do tempo. Para Milone e Angelini (1995), uma série temporal pode ser definida matematicamente através de uma função de forma geral y = f(t); em que: y: valor da variável em estudo; t: data a que ela se refere; f: regra que relaciona o valor da variável com a data a que ela se refere. Para Morentti e Toloi (2006), a quase totalidade dos métodos de previsão pressume que nas observações passadas contém informações acerca do comportamento da série temporal, dessa maneira o objetivo dos métodos é identificar qualquer ruído que possa acometer as observações, de tal forma que se busque através do padrão comportamental da série fazer previsões para o futuro. Dentre os métodos de previsão baseados em séries temporais, os métodos de suavização exponencial possuem grande popularidade devido à simplicidade, à eficiência computacional e razoável precisão (MORENTTI e TOLOI, 2006). Conforme Barbiero (2003) e Pellegrini (2000) os métodos de suavização exponencial podem ser aplicados satisfatoriamente a séries temporais de processos constantes, processos com tendência crescente ou decrescente e/ou ainda processos sazonais. 2.2.2.1 Média Móvel Simples (MMS) Morenttin e Toloi (2006) salientam acerca das vantagens e desvantagens deste método de previsão: o baixo custo e a grande facilidade para se implementar e trabalhar com este método traduz suas vantagens; por outro lado, em se tratando dos pontos negativos do método em questão a existência de eventos atípicos acaba compromentendo a eficiência desta técnica de previsão, em outras palavras, deve ser somente usado para séries estacionárias; outra desvantagens é o fato do método utilizar igual ponderação (peso) para as observações. Lustosa et al. (2008) reafirma o fato de que, apesar da simplicidade do método, esta técnica de previsão não apresenta bons resultados quando a série histórica possui tendência ou sazonalidade. Lustosa et al. (2008) e Morentti e Toloi (2006) justificam o nome média móvel pelo fato de que a cada período, a observação mais antiga é substituida pela observação mais recente para se calcular a previsão. Morrentti e Toloi (2006) e Lustosa dizem que a previsão de todos os valores futuros é dada pela última média móvel que foi calculada, em notação matemática, a expressão 31 representa a previsão. Onde: : é a previsão para o período t+1; : é a observação (valor da série) para o período t-1; : é o número de observações (períodos) utilizadas para calcular a média móvel. Morentti e Toloi (2006) salientam que, na prática, o método de médias móveis acaba sendo pouco utilizado, visto que a suavização exponencial simples possui mais vantagens que aquele. Arnold (1999) também reforça a existência dessa diferença entre as duas técnicas de previsão. 2.2.2.2 Suavização exponencial simples Segundo Levine et al. (2000), os pesos designados para os valores observados decrescem ao longo do tempo, ou seja, o valor observado mais recentemente recebe o maior peso, o valor observado anteriormente recebe o segundo maior peso e assim por diante. Arnold (1999) ressalta a importância e funcionalidade boa da técnica de suavização para itens com demandas estáveis. Makridakis et al. (1998) apud Pellegrini (2000) dizem que se uma série temporal permanece constante sobre um nível médio, a suavização exponencial simples pode responder satisfatoriamente no que diz respeito a previsão do evento observado. Sugerem ainda que formulação matemática para a previsão por este método de previsão é dada pela expressão 32. (32) Onde é a previsão de demanda para o período temporal no período intervalo de e ; é o valor da série é a constante de suavização que assume valores no . Arnold (1999) faz alusão ao fato de que quanto maior for o valor maior será a responsividade do modelo de previsão. Ballou (2006) admite que o futuro não é exatamente o reflexo do passado, dessa maneira a previsão da demanda futura será acometida quase sempre por algum tipo de erro, nesse sentido o erro de previsão refere-se ao quão próximo do valor real a previsão chega. Pellegrini (2000) advoga que uma das formas de mensurar a eficácia da previsão é calcular o erro gerado pela mesma, em escrita matemática pode-se chegar a tal erro através da expressão 33. (33) Arnold (1999) levanta o questionamento sobre qual é o melhor valor para de tal forma que melhor se adeque a serie temporal. Pellegrini (2000) afirma que o valor da constante de suavização é arbitrário, e que a otimização do seu valor deve ser feita de maneira iterativa, por meio de alguma comparação e sugere a Média do Quadrado dos Erros (MQE), como parâmetro de comparação. Por outro lado, Ballou (2006) diz que, historicamente, o Desvio Absoluto Médio (MAD) foi usado como uma medida de erro de previsão para a técnica de ponderação exponencial, todavia o desvio padrão passou a ser considerado como boa medida para estimar os erros de previsão, sobretudo com o advento de tecnologias suficientemente eficazes na tarefa de prever. Pellegrini (2000) alerta ao fato de que os modelos de suavização exponencial simples necessitam de uma estimativa inicial para . Uma saída para isso seria usar como estimativa inicial, a média aritmética simples das observações mais recentes ou mesmo a última observação verificada, ou ainda fazer uma estimativa subjetiva. 2.2.2.3 Modelo de Holt Segundo Makridakis et al. (1998) apud Junior (2007), em 1957 Holt expandiu o modelo de suavização exponencial simples com a finalidade de lidar com dados que apresentassem tendência linear e desta maneira fosse possível fazer previsões com maior precisão do que as oferecidas pela técnica de suavização exponencial simples. Morentti e Toloi (2006) ressaltam que a técnica de suavização exponencial simples, quando aplicada a séries temporais que apresentam tendência linear (seja positiva ou negativa), faz previsões que subestimam ou superestimam continuamente os valores da serie temporal estudada, nesse sentido sugerem o modelo de Holt como solução para este erro incorrido pela suavização exponencial simples na análise de séries com tendência. Segundo Laugeni e Martins (2005), existem diferentes técnicas para ajustar dados que possuem características de tendência, dentre os quais ressalta o modelo de Holt, também chamado de modelo de ajustamento exponencial duplo. Laugeni e Martins (2005) consideram esta técnica de maneira satisfatória para retratar previsões de séries temporais com tendência linear, dessa forma neste modelo atribui-se duas constantes de suavização, intervalo e , ambas compreendidas no . Em linguagem matemática, esta técnica é formada por três equações: 34, 35 e 36; que representam, respectivamente, o nível, a inclinação (tendência) da série temporal e a previsão para períodos futuros da série estudada. Pellegrini (2000) salienta para o fato que no método de Holt também se faz necessário o uso de estimativas iniciais e , da mesma maneira que nas técnicas de suavização exponencial simples, e sugere como alternativa para estes cálculos iniciais, igualar ao último valor observado da série e para considerar como uma média da declividade nas últimas observações. Para se chegar aos valores ótimos das constantes de suavização no modelo de Holt, deve-se proceder de maneira semelhante à sugerida, anteriormente, no método de suavização exponencial simples, onde busca-se uma combinação de valores para e que minimize o MQE (PELLEGRINI, 2000). 2.2.2.4 Modelo de Winters Segundo Makridakis et al. (1998) e Hanke, Reitsch e Wichern (2001) apud Junior (2007), no ano de 1960 Winters ampliou o modelo de Holt, considerando uma nova equação que tornou possível fazer previsões acerca de séries temporais que tinham comportamento sazonal na estrutura dos seus dados, surgindo dessa maneira o que hoje conhecemos como modelo de Winters. Alguns autores também chamam esta técnica de previsão de modelo de Holt-Winters. Conforme Morentti e Toloi (2006) existem séries temporais com comportamento mais complexos, nesse sentido aponta o método de Holt-Winters como alternativa de suavização exponencial, portanto esta técnica suporta séries mais gerais que o modelo de Holt. Pellegrini (2000) também confirma que os modelos de Holt-Winters podem ser usados satisfatoriamente para dados de demandas que apresentam tendência linear, além de um componente de sazonalidade, em outras palavras, é a repetição de padrões cíclicos em períodos relativamente constantes. É possível classificar os modelos de Winters em dois grupos: aditivo e multiplicativo. É apropriada a utilização do modelo sazonal aditivo quando a amplitude da variação sazonal (em outros termos, é a diferença entre o maior e o menor valor da série dentro de um ciclo sazonal) se mantiver relativamente constante; por outro lado quando a amplitude de variação sazonal aumentar ou diminuir como função do tempo, deve-se optar pela utilização do modelo sazonal multiplicativo (PELLEGRINI, 2000). 2.2.2.4.1 Modelo Sazonal Multiplicativo Makridakis et al.(1998) apud Pellegrini (2000) sugerem a utilização do modelo sazonal multiplicativo na modelagem de dados sazonais que possuem uma amplitude do ciclo sazonal que varia com o passar do tempo. A formulação matemática para esta técnica é formada por quatro equações: 37, 38, 39 e 40; que representam, respectivamente, o nível, a inclinação (tendência), a sazonalidade da série temporal e a previsão para períodos futuros da série estudada. Onde e são as constantes de suavização, todas podendo assumir valores no intervalo de e, representa uma estação completa da sazonalidade (ciclo sazonal), por exemplo, quando temos os dados dispostos mensalmente e a sazonalidade é semestral. Makridakis et al.(1998) apud Pellegrini (2000) salientam que, assim como todos os outros métodos de suavização exponencial, os modelos de Winters também necessitam de estimativas iniciais para nível sazonalidade , tendência e ; nesse sentido se faz necessário um mínimo de uma estação completa para se calcular estes valores iniciais, exceto para calcular a estimativa inicial da tendência que são necessários um período de (ou seja, dois ciclos completos). Em notação matemática temos como: - Estimador inicial para o nível da série a média aritmética (equação 41) dos valores observados no primeiro ciclo sazonal, - Estimador inicial para a tendência da série é o valor médio da declividade (equação 42) dos valores observados nos dois primeiros ciclos sazonais, - estimativas iniciais para a componente sazonal da série, 2.2.2.4.2 Modelo Sazonal Aditivo Makridakis et al.(1998) apud Pellegrini (2000) sugerem a utilização do modelo sazonal aditivo para a modelagem de dados sazonais que possuem uma amplitude do ciclo sazonal que se mantém relativamente constante com o passar do tempo. A notação matemática para este modelo é formada por quatro equações: 44, 45, 46 e 47; que representam, respectivamente, o nível, a inclinação (tendência), a sazonalidade da série temporal e a previsão para estudada. períodos futuros da série Pellegrini (2000) alude ao fato de que em ambos os modelos (multiplicativo e aditivo) a equação que representa a tendência da série estudada é a mesma, e nas demais equações a única diferença está na componente sazonal que no modelo aditivo vem efetuando operações de adição e subtração, ao invés de multiplicação e divisão. Além disso, ressalta-se que as estimativas iniciais de nível e tendência são obtidos da mesma maneira que no modelo sazonal multiplicativo, porém as estimativas sazonais podem ser calculadas da seguinte forma: 2.3 PARÂMETRO PARA SELEÇÃO DOS MODELOS IMPLEMENTADOS Wanke (2010) ressalta que existem diversas técnicas quantitativas para se fazer previsão de vendas, todavia a seleção do método de previsão pode ser feita de duas formas: seleção a priori ou seleção pela precisão. A seleção a priori leva em consideração as componentes mais relevantes de uma série histórica e a partir destas informações poder avaliar qual o método que, a priori, seria o mais adequado; é importantante também que se atente a outras dimensões da série, como por exemplo: a quantidade de dados disponíveis e a complexidade de implementação e manutenção da técnica (WANKE, 2010). Segundo Wanke (2010) a outra forma para se escolher a técnica de previsão mais adequada consiste em avaliar sua precisão através do erro médio, entretanto existem diversas forma de se mensurar a acurácia dos métodos de previsão e seus respectivos erros; dentre ao quais pode-se citar: o desvio absoluto médio (MAD – Mean Absolute Deviation); o erro percertual médio (MPE – Mean Percentual Error) e o erro médio absoluto percentual (MAPE – Mean Absolute Percentual Error). Entretanto, optou-se como parâmetro para a escolha do método mais apropriado o MAPE pelo fato de ser um parâmetro que descaracteriza a unidade de medida dos dados, visto que trabalha com percentual. 2.3.1 Erro médio absoluto percentual (MAPE – Mean Absolute Percentual Error) A partir do valor do MAPE é possível mensurar o erro em relação aos dados da série histórica e pode-se determiná-lo através da expressão 49, na qual valor da série histórica e previsão (WANKE, 2010). é o é a previsão para e n é o número de períodos de CAPÍTULO III – PROCEDIMENTOS METODOLÓGICOS Neste capítulo foi feito o enquadramento metodológico da pesquisa, e buscou-se esclarecer a aplicação das ferramentas adotadas consonantes aos objetivos do trabalho, explicitando os passos básicos no tratamento dos dados com a finalidade de responder ao problema da pesquisa. 3.1 TIPOLOGIA DA PESQUISA Para Gil (2007), a pesquisa pode ser compreendida como um procedimento formal e sistemático que se utiliza de métodos e procedimentos científicos presentes na literatura, cujo principal objetivo está em buscar soluções para problemas que foram propostos. A pesquisa tem por base procedimentos racionais e sistemáticos e é realizada quando se tem um problema sem informações suficientes para solucioná-lo, ou quando os dados disponíveis estão desorganizados e não se consegue relacioná-los ao problema. Segundo Gil (2007) e Cervo e Bervian (1996), a pesquisa admite diversas formas de classificação dependendo do critério que se adote. Para Lakatos e Marconi (2001), a pesquisa pode ser classificada quanto a sua natureza, sendo assim pode ser considerada pesquisa pura (básica) ou pesquisa aplicada; por outro lado se o critério for a abordagem do problema, a pesquisa poderá ser quantitativa ou qualitativa. Conforme Gil (2007) e Silva e Menezes (2005), o mais comum é classificar a pesquisa segundo os objetivos e os procedimentos técnicos. De acordo com os objetivos a pesquisa poderá ser: exploratória, descritiva ou explicativa; de outro modo segundo os procedimentos técnicos poderá ser: uma pesquisa biblográfica, documental, experimental, de levantamento ou estudo de caso. Segundo estas possíveis classificações esta pesquisa, segundo sua natureza, é do tipo pesquisa aplicada, pois objetiva construir conhecimentos que buscam solucionar problemas específicos de uma empresa do segmento cerâmico do Estado. Segundo a abordagem do problema, é uma pesquisa do tipo quantitativa, pois a mesma fará uso de ferramentas estatístico-matemáticas para traduzir as informações referentes ao problema. Do ponto de vista dos objetivos da pesquisa, é considerada uma pesquisa descritiva, pois visa descrever as características de determinado fenômeno (demanda de vendas da empresa Beta cerâmica). Assim denotou-se a empresa como uma medida de se preservar a identidade da mesma, atendendo ao pedido dos gestores da organização. Cervo e Bervian (1996) advogam que as pesquisas apesar de admitirem diferentes tipos de classificação elas não se excluem, muito menos se opõem, todas são indispensáveis para o progresso das ciências e do homem. Portanto, quanto aos procedimentos metodológicos a pesquisa pode ser considerada como um misto de pesquisa bibliográfica, pesquisa documental e estudo de caso, visto que foi necessário buscar suporte teórico, através de uma pesquisa bibliográfica; a pesquisa documental caracteriza-se pelo fato de que muitas informações acerca do problema foram originadas a partir de relatórios de vendas e materias que não receberam qualquer tipo de tratamento; estudo de caso, porque foi aplicado em uma empresa setor cerâmico do Estado do Pará. 3.2 DELINEAMENTO DO ESTUDO Fogliatto (2003) apud Junior (2007) resume um sistema de previsão de demanda a partir da figura 06. O principal objetivo de um sistema de previsão de demanda é aumentar a eficiência da previsão dos eventos futuros, auxiliando os gestores das empresas a encontrarem respostas a um problema e, principalmente, na tomada de decisões que possam afetar a “vida” das organizações. Figura 06: Sistema de previsão de demanda Fonte: Fogliatto (2003) apud Junior (2007) Conforme Fogliatto (2003) apud Junior (2007), o primeiro passo é fundamental para a elaboração de uma boa previsão de demanda, e este consiste na clareza do problema o qual esta sendo investigado, com o problema bem definido é a hora de estabelecer os objetivos da previsão, o método de previsão o qual será adotado assim como o seu nível de precisão, estas fases são importantíssimas no processo de elaboração de um modelo de previsão, pois podem gerar erros que prejudicarão os resultados e sua eficácia, e por se tratar de um estudo baseado exclusivamente nos dados históricos, o modelo que será obtido é fruto de um método de previsão quantitativo. O estudo será desenvolvido na empresa Beta cerâmica, localizada no pólo cerâmico de São Miguel do Guamá, no estado do Pará; e segundo a classificação proposta pelo SEBRAE, a empresa é considerada de pequeno porte. Os dados históricos que compõem a série histórica estudada nesta pesquisa são provenientes do setor de vendas da empresa e referentes aos produtos: bloco de vedação 09x14x19 (produto T1) e telha plan (produto T2). Os dados históricos dos produtos não serão agrupados em famílias, sendo tratados individualmente, observando os objetivos da pesquisa, compreendidos no período de Janeiro de 2008 à dezembro de 2010, totalizando 36 observações que estão organizadas mensalmente. Tais dados são apresentados no anexo e foram organizados em planilhas eletrônicas do Microsoft Excel 2007. Vale ressaltar que a empresa Beta Cerâmica também comercializa, em menor escala, blocos de vedação 8F, todavia se justifica trabalhar somente com os produtos T1 e T2 pelo fato de serem os principais comercializados pela organização, segundo os dados fornecidos pela firma. Durante todo o tratamento dos dados, e, principalmente, na fase inicial de investigação e análise dos dados, em que se buscou compreender o comportamento e as características da série histórica dos dados de vendas foi utilizado o Stat fit, uma ferramenta estatística, do software Promodel, assim como a ferramenta CBPredictor do Cristal Ball que é um add-in do Microsoft Office Excel. Os métodos de suavização exponencial de Holt-Winters, por serem tradicionais quando se trata dos métodos quantitativos de previsão de demanda, e ainda por apresentarem grande importância para a engenharia de produção, visto sua extensa aplicabilidade, também foram objetos de estudo nesta pesquisa (CHOPRA e MEINDL, 2003); além deste buscou-se também outras técnicas de previsão, tais como: média móvel simples e dupla, a metodologia de holt, além do ajustamento de tendências a determinadas distribuições de probabilidade. 3.3 METODOLOGIA ADOTADA A pesquisa foi desenvolvida em oito etapas que foram: 1ª etapa: entendimento do ambiente, compreensão do cenário e do negócio da empresa; 2ª etapa: sensibilização dos gestores da empresa, através da explicação e justificação do problema no contexto da empresa ressaltando os benefícios do desenvolvimento do estudo; 3ª etapa: definição dos objetivos; 4ª etapa: tratamento dos dados fornecidos pela empresa com a finalidade de gerar informações úteis e relevantes a pesquisa; 5ª etapa: definição dos métodos de previsão e dos experimentos a serem realizados; 6ª etapa: implementação computacional dos métodos; 7ª etapa: análise dos resultados obtidos; 8ª etapa: considerações finais. CAPÍTULO IV – IMPLEMENTAÇÃO DOS MODELOS DE PREVISÃO Neste capítulo serão apresentados os procedimentos e as análises feitas com a série histórica de dados de vendas da empresa cerâmica, e também serão determinados quais os melhores métodos de previsão. Para determinar os modelos e analisar as características dos dados foram utilizadas planilhas eletrônicas do Microsoft Office Excel 2007 e algumas funções do Cristal Ball (add do Excel 2007), além da ferramenta Stat Fit do software de simulação Promodel. 4.1 ANÁLISE GERAL DAS SÉRIES HISTÓRICAS DOS PRODUTOS T1 E T2 Conforme mencionado na seção 3.2 as séries históricas de dados de vendas da empresa são formadas cada uma por 36 observações para os dois produtos (T1 e T2), estes dados foram dispostas mensalmente e constam no anexo A. No quadro 07 são apresentados os históricos das demandas anuais de cada produto e os valores estão expressos em unidades. Produtos 2008 2009 2010 Total Geral T1 10.978.670 11.002.268 11.124.250 33.105.188 T2 3.490.670 3.166.300 3.477.520 10.134.490 Quadro 07 – Histórico da demanda dos produtos T1 e T2 Fonte: Autoria própria (2011). As figuras 07 e 08 apresentam, respectivamente, os gráficos dos dados históricos da demanda para o produto T1 e o produto T2. Estes gráficos demonstram a relação das quantidades totais, em unidades, de produtos comercializados em função do período da observação, que é mensal. Figura 07: Histórico da demanda do produto T1 Fonte: Empresa Beta carâmica (2011). dez/10 nov/10 out/10 set/10 ago/10 jul/10 jun/10 mai/10 abr/10 mar/10 fev/10 jan/10 dez/09 nov/09 out/09 set/09 ago/09 jul/09 jun/09 mai/09 abr/09 mar/09 fev/09 jan/09 dez/08 nov/08 out/08 set/08 ago/08 jul/08 jun/08 mai/08 abr/08 mar/08 fev/08 jan/08 Histórico da Demanda do Produto T1 1200000 1000000 800000 600000 400000 Produto T1 200000 0 jan/08 Figura 08: Histórico da demanda do produto T2 Fonte: Empresa Beta carâmica (2011). dez/10 nov/10 out/10 set/10 ago/10 jul/10 jun/10 mai/10 abr/10 mar/10 fev/10 jan/10 dez/09 nov/09 out/09 set/09 ago/09 jul/09 jun/09 mai/09 abr/09 mar/09 fev/09 jan/09 dez/08 nov/08 out/08 set/08 ago/08 jul/08 jun/08 mai/08 abr/08 mar/08 fev/08 Histórico da Demanda do Produto T2 400000 350000 300000 250000 200000 150000 Produto T2 100000 50000 0 Analisando os dados da série histórica (Figura 07), percebe-se que o produto T1 apresentou, no ano de 2008, certa uniformidade, sem expressivas variações no comportamento de sua demanda ao longo deste ano, onde a amplitude anual deste ano foi a menor durante o período analisado. No entanto, em 2009 é possível verificar que ocorreu uma tendência de crescimento (positiva) das vendas de T1, tendo-se as vendas do 2º semestre maiores do que a demanda de T1 no 1º semestre. No ano de 2010, as vendas novamente mantiveram-se relativamente constantes, com suas demandas oscilando praticamente num mesmo intervalo de vendas do ano de 2008. De maneira geral, é válido salientar que ao longo dos três anos analisados é possível verificar que existe uma leve tendência positiva na demanda do produto T1, fato que pode ser confirmado pelas médias anuais durante o período estudado. E ainda que o mês de fevereiro apresenta-se repetidamente ao longo deste período como um mês de baixa demanda, por outro lado o mês de agosto apresenta-se como um dos meses de grande procura do produto T1. A partir da análise dos dados da série histórica (Figura 08) percebe-se que o produto T2 obedeceu a um padrão na sua demanda, pois apesar de apresentar tendência positiva no decorrer do tempo analisado está é muito pequena, podendose considerar que os eventos da série histórica seguem um padrão médio relativamente constante. Nos quadros 08 e 09 são apresentadas as estatísticas descritivas do histórico de vendas para o produto T1 e o produto T2, respectivamente. Tais medidas foram obtidas a partir dos dados das séries históricas dos produtos T1 e T2, utilizando algumas das funções existentes nas planilhas eletrônicas do Excel 2007. ESTATÍSTICAS 2008 2009 2010 914889,2 916855,6667 927020,8333 920125 923175 934200 Desvio Padrão 64019,69 132857,4068 99259,74983 Curtose 1,861368 -0,777525684 -0,542812702 Mínimo 763700 704600 763500 Máximo 1004000 1106400 1081050 10978670 11002268 11124250 12 12 12 2008 2009 2010 Média 290889,17 263858,33 289793,33 Mediana 295775,00 268770,00 286925,00 26065,84 29645,65 23982,15 Curtose 0,83 1,29 1,87 Mínimo 240100,00 195000,00 260400,00 Máximo 336100,00 295400,00 346450,00 3490670,00 3166300,00 3477520,00 12 12 12 Média Mediana Soma Nº de Observações Quadro 08 – Estatísticas do produto T1 Fonte: Autoria própria (2011). ESTATÍSTICAS Desvio Padrão Soma Nº de Observações Quadro 09 – Estatísticas do produto T2 Fonte: Autoria própria (2011). 4.2 PARAMETRIZAÇÃO DOS MODELOS IMPLEMENTADOS Nesta seção, são apresentados os modelos implementados com seus respectivos parâmetros relacionados ao histórico de vendas dos produtos T1 e T2. Para fazer a parametrização dos modelos utilizou-se o Cristal Ball Preditor, um addin do Microsoft Excel, que implementa automaticamente alguns modelos de previsão, inclusive os que são objetos de análise da pesquisa, além deste utilizou-se também a ferramenta Stat Fit do Promodel para fazer o ajustamento de tendências. 4.2.1 Holt-Winters Os modelos de previsão para as séries históricas de vendas do produto T1 e T2 da empresa cerâmica, segundo o método de Holt-Winters possui os parâmetros apresentados nos quadros 10 e 11, respectivamente. Método Parâmetros Holt- Winters Aditivo Holt-Winters Multiplicativo Valor Alfa 0,446 Beta 0,702 Gama 0,306 Alfa 0,48 Beta 0,001 Gama 0,741 Quadro 10 – Parâmetros dos modelos Holt-Winters para o produto T1 Fonte: Autoria própria (2011). Método Parâmetros Holt- Winters Aditivo Holt-Winters Multiplicativo Valor Alfa 0,18 Beta 0,76 Gama 0,499 Alfa 0,174 Beta 0,078 Gama 0,577 Quadro 11 – Parâmetros dos modelos Holt-Winters para o produto T2 Fonte: Autoria própria (2011). Nos quadros 12 e 13 são apresentados os valores do MAPE, dados importantes na análise da adequação dos modelos as séries históricas de vendas dos produtos T1 e T2, respectivamente. Método MAPE (%) Holt- Winters Aditivo 10,11 Holt- Winters Multiplicativo 8,30 Quadro 12 – MAPE dos modelos Holt-Winters para o produto T1 Fonte: Autoria própria (2011). Método MAPE (%) Holt- Winters Aditivo 8,62 Holt- Winters Multiplicativo 8,22 Quadro 13 – MAPE dos modelos Holt-Winters para o produto T2 Fonte: Autoria própria (2011). 4.2.2 Holt Os modelos de previsão para as séries históricas de vendas do produto T1 e T2 da empresa cerâmica, segundo o método de holt, também conhecido como suavização exponencial dupla, possui parâmetros que estão apresentados nos quadros 14 e 15, respectivamente. Método Parâmetros Holt Valor Alfa 0,043 Beta 0,001 Quadro 14 – Parâmetros do modelo Holt para o produto T1 Fonte: Autoria própria (2011). Método Parâmetros Holt Valor Alfa 0,118 Beta 0,566 Quadro 15 – Parâmetros do modelo Holt para o produto T2 Fonte: Autoria própria (2011). No quadro 16 são apresentados os valores do MAPE, dados importantes na análise da adequação dos modelos de Holt as séries históricas de vendas dos produtos T1 e T2. Produto MAPE (%) T1 6,24 T2 6,65 Quadro 16 – MAPE dos modelos Holt para os produtos T1 e T2 Fonte: Autoria própria (2011). 4.2.3 Suavização Exponencial Simples Os modelos de previsão para as séries históricas de vendas do produto T1 e T2 da empresa cerâmica, segundo o método de suavização exponencial simples, ou ainda alisamento exponencial simples, possui parâmetros que estão apresentados nos quadros 17 e 18, respectivamente. Método Parâmetros Suavização Exponencial Simples Alfa Valor 0,001 Quadro 17 – Parâmetros do modelo suavização exponencial simples para o produto T1 Fonte: Autoria própria (2011). Método Parâmetros Suavização Exponencial Simples Alfa Valor 0,366 Quadro 18 – Parâmetros do modelo suavização exponencial simples para o produto T2 Fonte: Autoria própria (2011). No quadro 19 são apresentados os valores do MAPE, dados importantes na análise da adequação dos modelos de suavização exponencial simples as séries históricas de vendas dos produtos T1 e T2. Produto MAPE (%) T1 6,29 T2 6,57 Quadro 19 – MAPE dos modelos de suavização exponencial simples para os produtos T1 e T2 Fonte: Autoria própria (2011). 4.2.4 Média Móvel Simples e Dupla Segundo estes métodos os modelos de previsão para as séries históricas de vendas do produto T1 e T2 da empresa cerâmica apresentaram os seguintes parâmetros dispostos nos quadros 20 e 21. Método Parâmetros Valor Média Móvel Simples Qte. de Períodos 25 Média Móvel Dupla Qte. de Períodos 16 Quadro 20 – Parâmetros dos modelos de média móvel simples e dupla para o produto T1 Fonte: Autoria própria (2011). Método Parâmetros Valor Média Móvel Simples Qte. de Períodos 6 Média Móvel Dupla Qte. de Períodos 16 Quadro 21 – Parâmetros dos modelos de média móvel simples e dupla para o produto T2 Fonte: Autoria própria (2011). No quadro 22 são apresentados os valores do MAPE, dados importantes na análise da adequação do modelo de média móvel simples para fazer as previsões a partir das séries históricas de vendas dos produtos T1 e T2. Produto MAPE (%) T1 4,05 T2 5,82 Quadro 22 – MAPE dos modelos de média móvel simples para os produtos T1 e T2 Fonte: Autoria própria (2011). No quadro 23 são apresentados os valores do MAPE, dados importantes na análise da adequação do modelo de média móvel dupla para fazer as previsões a partir das séries históricas de vendas dos produtos T1 e T2. Produto MAPE (%) T1 2,03 T2 1,79 Quadro 23 – MAPE dos modelos de média móvel dupla para os produtos T1 e T2 Fonte: Autoria própria (2011). 4.2.5 Método de Ajustamento de Tendências Através desta metodologia buscou-se a distribuição de probabilidade que melhor se ajustasse aos dados das séries históricas de vendas dos produtos T1 e T2. Para isso, utilizou-se a ferramenta Stat Fit do Promodel para fazer tal busca e concluiu-se que a distribuição Logística foi a que melhor descreveu as duas séries estudadas. Os parâmetros das distribuições logísticas para T1 e T2 estão apresentados nos quadros 24 e 25. Método Parâmetros Ajustamento de Tendências Valor Alfa 922395 Beta 55229,7 Quadro 24 – Parâmetros da distibuição Logística para o produto T1 Fonte: Autoria própria (2011). Método Parâmetros Ajustamento de Tendências Valor Alfa 282864 Beta 15605,8 Quadro 25 – Parâmetros da distibuição Logística para o produto T2 Fonte: Autoria própria (2011). No quadro 26 são apresentados os valores do MAPE, dados importantes na análise da adequação dos modelos de ajustamento de tendências para fazer as previsões a partir das séries históricas de vendas dos produtos T1 e T2. Produto MAPE (%) T1 12,14 T2 10,23 Quadro 26 – MAPE dos modelos ajustamento de tendências para os produtos T1 e T2 Fonte: Autoria própria (2011). 4.3 COMPARAÇÃO DOS MODELOS A partir das informações apresentadas na seção anterior e levando em consideração o valor do MAPE, pode-se estabelecer um ranking entre os modelos implementados às séries históricas de T1 e T2 com a finalidade de obter-se o melhor modelo de previsão para cada um dos produtos da empresa. Dessa maneira são apresentados nos quadros 27 e 28, o ranking dos modelos de previsão para T1 e T2, respectivamente. É valido ressaltar que para calcular o MAPE para o modelo de ajustamento de tendências para o produto T1, seguiu-se uma metodologia muito comum dentro da academia, que é detalhada a seguir. Sabe-se que para determinar o valor do MAPE é necessário o valor da demanda real e da previsão, dessa forma considerou-se a priori os 24 primeiros períodos da série histórica de T1 e procurou-se a distribuição de probabilidade que melhor descrevesse estes 24 dados, chegando-se à distribuição logística com parâmetros e , a partir destas características utilizou-se o Cristal Ball para simular 100.000 iterações, determinando em cada uma 12 eventos aleatórios (previsões) que foram combinados com os 12 períodos restantes da série histórica de T1(do período 25 ao 36) para que se pudesse calcular a média do MAPE para as 100.000 iterações e assim chegar ao valor de 12,14%. De maneira análoga foi calculado o MAPE para o ajustamento de tendência do produto T2, no entanto para os 24 primeiros períodos da série histórica de T2 chegou-se à distribuição do valor extremo com os seguintes parâmetros: e . É válido ressaltar ainda que para os dois produtos o Cristal Ball foi configurado para gerar (simular) a amostra dos 12 períodos (do 25º ao 36º), através do método de simulação de Monte Carlo. Posição Método de Previsão MAPE (%) 1º Média Móvel Dupla 2,03 2º Média Móvel Simples 4,05 3º Suavização Exponencial Dupla (Método de Holt) 6,24 4º Suavização Exponencial Simples 6,29 5º Holt - Winters Multiplicativo 8,30 6º Holt – Winters Aditivo 10,11 7º Ajustamento de Tendências 12,14 Quadro 27 – Ranking dos modelos de previsão para o Produto T1 Fonte: Autoria própria (2011). Posição Método de Previsão MAPE(%) 1º Média Móvel Dupla 1,79 2º Média Móvel Simples 5,82 3º Suavização Exponencial Simples 6,57 4º Suavização Exponencial Dupla (Método de Holt) 6,65 5º Holt - Winters Multiplicativo 8,22 6º Holt – Winters Aditivo 8,62 7º Ajustamento de Tendências 10,23 Quadro 28 – Ranking dos modelos de previsão para o Produto T2 Fonte: Autoria própria (2011). A partir das informações apresentadas nos dois quadros anteriores, percebese que o método da média móvel dupla é a metodologia de previsão que gera menor erro quanto aos eventos futuros dos produtos T1 e T2; dessa maneira, nos quadros 29 e 30 são apresentadas, respectivamente, as previsões para os próximos 18 meses para os dois produtos. Todas as previsões foram encontradas com auxílio da ferramenta CBpredictor do Cristal Ball, que foi configurado para fazer a previsão num intervalo de segurança de 5% a 95%. Dessa maneira, no quadro 29 e na figura 09 são apresentados, respectivamente: as previsões para o produto T1 até junho de 2012 e o gráfico de previsão segundo a técnica da média móvel dupla. Nº da previsão Mês Valor da Previsão 1º Janeiro de 2011 948553 2º Fevereiro de 2011 944981 3º Março de 2011 935130 4º Abril de 2011 929951 5º Maio de 2011 930179 6º Junho de 2011 920750 7º Julho de 2011 930022 8º Agosto de 2011 929717 9º Setembro de 2011 940105 10º Outubro de 2011 959478 11º Novembro de 2011 955907 12º Dezembro de 2011 948151 13º Janeiro de 2012 947122 14º Fevereiro de 2012 935067 15º Março de 2012 933661 16º Abril de 2012 932479 17º Maio de 2012 940498 18º Junho de 2012 939896 Quadro 29 – Previsão em unidades para o Produto T1 segundo a metodologia da média móvel dupla Fonte: Autoria própria (2011). Gráfico da previsão de demanda de T1 1200000 1000000 800000 Série Histórica de T1 600000 Teste de Ajustamento 400000 Previsão 200000 0 jan/08 abr/08 jul/08 out/08 jan/09 abr/09 jul/09 out/09 jan/10 abr/10 jul/10 out/10 jan/11 abr/11 Figura 09: Gráfico da previsão de demanda para o produto T1, segundo a técnica da média móvel dupla Fonte: Autoria própria (2011). jul/11 out/11 jan/12 abr/12 No quadro 30 e na figura 10 são apresentados, respectivamente, as previsões para o produto T2, até junho de 2012, e o gráfico de previsão, segundo a técnica da média móvel dupla. Nº da previsão Mês Valor da Previsão 1º Janeiro de 2011 302070 2º Fevereiro de 2011 304256 3º Março de 2011 308265 4º Abril de 2011 310633 5º Maio de 2011 316609 6º Junho de 2011 322500 7º Julho de 2011 325683 8º Agosto de 2011 326326 9º Setembro de 2011 320670 10º Outubro de 2011 323497 11º Novembro de 2011 327494 12º Dezembro de 2011 331201 13º Janeiro de 2012 336210 14º Fevereiro de 2012 336437 15º Março de 2012 339333 16º Abril de 2012 343052 17º Maio de 2012 343660 18º Junho de 2012 346532 Quadro 30 – Previsão em unidades para o Produto T2 segundo a metodologia da média móvel dupla Fonte: do autor (2011). Gráfico da previsão de demanda de T2 400000 350000 300000 250000 Série Histórica de T2 200000 Teste de Ajustamento 150000 Previsão 100000 50000 0 jan/08 abr/08 jul/08 out/08 jan/09 abr/09 jul/09 out/09 jan/10 abr/10 jul/10 out/10 jan/11 abr/11 Figura 10: Gráfico da previsão de demanda para o produto T2, segundo a técnica da média móvel dupla Fonte: Autoria própria (2011). jul/11 out/11 jan/12 abr/12 Na construção dos gráficos das figuras 09 e 10, o software Cristal Ball fez uma espécie de teste de ajustamento com parte dos dados da série temporal analisada; de tal forma que seja possível verificar se a técnica de previsão utilizada adequa-se as séries históricas estudadas. Em ambos gráficos é possível perceber que os testes de ajustamentos para a técnica da média móvel dupla seguiram os padrões das séries históricas de T1 e T2. Além disso, algo importante a salientar é que a melhor técnica de previsão encontrada (média móvel dupla) para o produto T2, privilegia os dados mais recentes da série histórica, dessa forma acaba justificando também a tendência ascendente para a previsão deste produto, fato que pode ser observado no gráfico 10. CAPÍTULO V – CONSIDERAÇÕES FINAIS Transformar em informações úteis os dados brutos na perspectiva de formar (criar) parâmetros que auxiliem a tomada de decisão é algo importantíssimo na vida de uma empressa. De modo particular, nas empresas do setor cerâmico do Estado é comum de se encontrar “gargalos” no processo produtivo e na gestão dos processos industriais, e muitos destes estão presentes no planejamento da produção, consequências perenes de previsões de demanda errôneas. Dessa maneira desde o início esta pesquisa constitui-se no objeto de aproximação e/ou mediação entre a academia e a complexa dinâmica que estão inseridas as empresas do ramo cerâmico. Dar um sentido prático àquilo que é discutido nas universidades sempre foi um dos principais propósitos deste estudo, de forma que se pudesse estabelecer uma relação do tipo “ganha-ganha” entre a universidade e a empresa para que ambas ao final da pesquisa obtivessem crescimento, em outras palavras, do ponto de vista empresarial os resultados deste trabalho representam uma valiosa fonte de informações que deverá direcionar os planos de produção da empresa, e do ponto de vista da academia buscou-se aumentar com este estudo o acervo acadêmico, retratando a aplicação de alguns conceitos de maneira mais prática e mais próxima daquilo que é a realidade do mercado. Considerando o objetivo geral da pesquisa que era de analisar as séries temporais de dados de vendas dos principais produtos da empresa Beta cerâmica, testando algumas metodologias de previsão de demanda, com a finalidade de obter um modelo de previsão que gerasse o menor erro e pudesse auxiliar a tomada de decisão, percebeu-se que o mesmo foi alcançado, pois para ambos os produtos analisados concluiu-se que a média móvel dupla foi a melhor técnica de previsão, segundo o valor do MAPE, que foi o parâmetro de comparação considerado. Uma grande dificuldade encontrada durante o desenvolvimento desta pesquisa ocorreu, sem dúvida, no levantamento dos dados documentais da empresa Beta, pois era comum na organização empresarial a falta e/ou a desordem dos relatórios de vendas. Muitas vezes, as informações foram levantadas a partir das notas de vendas de “balcão” e/ou notas fiscais, o que acabou consumindo relativa quantidade de tempo na execução destas atividades. Partindo do princípio de que a pesquisa é um processo contínuo é prudente se pensar em trabalhos futuros, haja vista que os resultados obtidos nesta pesquisa servirão de base para muitos outros que deverão surgir. Nesse sentido buscar outras técnicas (técnicas de regressão, metodologia Box-Jenkins, entre outras) de estudo de séries temporais para analisar as séries históricas dos produtos T1 e T2; ou ainda construir um plano de produção para o processo de fabricação dos blocos de vedação 6F e das telhas Plan, são algumas sugestões para estudos futuros. REFERÊNCIAS ARNOLD, J. R. Tony. Administração de Materiais: uma introdução. São Paulo: Atlas, 1999. BALLOU, Ronald H. Gerenciamento da Cadeia de Suprimentos/Logística Empresarial. 5ª ed. Porto Alegre: Bookman, 2006. BARBETA, P. A.; REIS, M. M.; Bornia, A. C. Estatística para cursos de engenharia e informática. São Paulo: Atlas, 2004. BARBIERO, Cláudia C.M. Séries Temporais: um estudo de previsão para a receita operacional da ECT – Empresa Brasileira de Correios e Telégrafos. Dissertação de Mestrado em Engenharia de Produção – Faculdade de Engenharia de Produção, Unversidade Federal de Santa Catarina, Florianópolis, 2003. CERVO, Amado Luiz; BERVIAN, Pedro Alcino. Metodologia Científica. 4ª edição. São Paulo: MAKRON Books, 1996. CHOPRA, Sunil; MEINDL, Peter. Gerenciamento da cadeia de suprimentos: estratégia, planejamento e operações. São Paulo: Prentice Hall, 2003. DANTAS, C. A. B. Probabilidade: um curso introdutório. São Paulo: Edusp, 2000. GIL, Antonio Carlos. Como Elaborar Projetos de Pesquisa. 4ª edição. São Paulo: Atlas, 2007. GOBE, A. C.; FISCHER, C.H.; SOUSA, J. J.; MOREIRA, J. C. T.; PASQUALE, P. P. Administração de vendas. São Paulo: Saraiva, 2000. GUIMARÃES, R. C.; CABRAL, J.A.S. Estatística. Lisboa: McGraw-Hill Portugal, 1997. JUNIOR, A. M. Análise de métodos de previsão de demanda baseados em séries temporais em uma empresa do setor de perfumes e cosméticos. Dissertação de Mestrado em Engenharia de Produção. Programa de Pós-graduação em Engenharia de Produção e Sistemas, Puntifícia Universidade Católica do Paraná, Curitiba, 2007. LAKATOS, E.M., MARCONI, M.A. Fundamentos de Metodologia Científica. 4. ed. São Paulo: Atlas, 2001. LAUGENI, F. P.; MARTINS, P. G. Administração da produção. São Paulo: Saraiva, 2005. LEVINE, David M.; BERENSON, Mark L. STEPHAN, David. Estatística: Teoria e Aplicações, usando o Microsoft Excel em português. Rio de Janeiro: LTC, 2000. LIPSCHUTZ, Seymour. Probabilidade. São Paulo: Markron Books,1993. LUSTOSA, Leonardo J.; MESQUITA, Marco A.; QUELHAS, Osvaldo L. G.; OLIVEIRA, Rodrigo J. Planejamento e Controle da Produção. Rio de Janeiro: Elsevier, 2008. MILONE, Giuseppe; ANGELINI, Flávio. Estatística Aplicada. São Paulo: Atlas, 1995. MONTGOMERY, Douglas C.; RUNGER, George C. Applied Statistics and Probability for Engineers. New York: John wiley and Sons, 2002. MOREIRA, D. A. Administração da produção e operações. São Paulo: Pioneira, 2004. MORENTTI, Pedro A.; TOLOI, Clélia M.C. Análise de Séries Temporais. São Paulo Egard Blucher, 2006. PELLEGRINI, Fernando Rezende. Metodologia para Implementação de Sistemas de Previsão de Demanda. Dissertação de Mestrado em Engenharia de Produção, Programa de Pos-Graduação em Engenharia de Produção, Universidade Federal do Rio Grande do Sul, Porto Alegre, 2000. PACHECO, R. F.; SILVA, A. F. Aplicação de modelos quantitativos de previsão em uma empresa de transporte ferroviário. Ouro Preto, 2003. Disponível em: < http://www.abepro.org.br/biblioteca/ENEGEP2003_TR0112_0564.pdf> Acesso em: 02/11/2010. SEDECT, Redação da Secretaria de Comunicação. São Miguel do Guamá apresenta a força do polo ceramista. Belém, 2009. Disponível em: <http://www.pa.gov.br/noticia_interna.asp?id_ver=53040> Acesso em: 28 out. 2009. SILVA, E. L.; MENEZES, E. M. Metodologia da pesquisa e elaboração de dissertação. [mensagem pessoal]. Mensagem recebida por <[email protected]> em 11 mar. 2010. SILVEIRA, D.M.; NICOLAU, A. M. O impacto da previsão de demanda nas operações de campo dos vendedores em empresas de venda direta. ABEVD, 2002. Disponível <http://wwww.abevd.org.br/downloads/premio_abevd_2indiv.pdf> Acesso: 01/11/2010 em: SPANHOL, Caroline Pauletto; BENITES, Anderson Teixeira; NETO, Leonardo Francisco Figueiredo. Modelo de Previsões de Holt -Winters Aplicado ao Índice de Faturamento Real do Comércio Varejista de Alimentos da RMSP. In: SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO,11., Bauru, 2004. Anais... Bauru: XI Simpósio de Engenharia de Produção, 2004. SPIEGEL, Murray R. Probabilidade e Estatística. São Paulo: Makron Books, 1978. TUBINO, Dalvio Ferrari. Planejamento e Controle da Produção – teoria e prática. São Paulo: Atlas, 2008. WANKE, Peter F. Gerência de operações: uma abordagem logística. São Paulo: Atlas, 2010. ANEXO A – HISTÓRICO DE DEMANDA DOS PRODUTOS Meses jan/08 fev/08 mar/08 abr/08 mai/08 jun/08 jul/08 ago/08 set/08 out/08 nov/08 dez/08 jan/09 fev/09 mar/09 abr/09 mai/09 jun/09 jul/09 ago/09 set/09 out/09 nov/09 dez/09 jan/10 fev/10 mar/10 abr/10 mai/10 jun/10 jul/10 ago/10 set/10 out/10 nov/10 dez/10 Bloco Vedação 6F (Produto T1) em unidades 931700 852600 921850 914600 964200 763700 976270 1004000 918400 909550 867300 954500 899388 704600 722500 783000 860700 920050 953030 1106400 1005700 1102600 1018000 926300 1081050 772400 934900 763500 933500 905800 855500 985900 1014100 1045700 954400 877500 Telha Plan (Produto T2) em unidades 336100 294200 297350 301200 240100 309900 293000 248800 273100 302900 294000 300020 276840 232760 295400 244000 284400 195000 256800 288000 260700 255800 294500 282100 292630 277340 270000 260400 263500 300900 346450 290000 284000 289350 284500 318450