Planejamento e Controle da Produção: um estudo de caso em uma
moageira da região metropolitana de Belém-PA
Izamara Cristina Palheta Dias ([email protected] / UEPA)
Marcelo Carneiro Gonçalves ([email protected] / PUC-PR)
Suelen Ramona de Souza Cunha ([email protected] / UFPA)
Vicente Honorato da Silva Penha ([email protected] / CTAI-SENAI/SC)
Resumo: Este artigo apresenta a aplicação de modelos quantitativos de previsão de
demanda em uma indústria de moageira, localizada em Benevides-PA, região metropolitana
de Belém, que beneficia e embala farinha de trigo para atender clientes de panificação e
indústrias de massas para biscoito e macarrão. O objetivo principal foi identificar qual
desses modelos apresenta melhor acurácia aos dados históricos de demanda dos produtos
analisados. Para atingir tal objetivo, realizou-se primeiramente a classificação dos produtos
da empresa por meio do método da curva ABC e, posteriormente, desenvolveu-se planilhas
dos modelos de previsão de demanda para os produtos classe A. Os critérios de seleção para
a escolha do modelo de previsão a ser adotado foi a partir da análise dos valores de erros
médio absoluto. Com os resultados dos erros obtidos, foi possivel verificar que o modelo que
apresenta menor erro foi o modelo de tendência logarítima, sendo recomendada sua
utilização para prever vendas deste produto. Além disso, foi calculado o valor de estoque de
segurança para o produto em questão, com nivel de serviço de 90%.
Palavras-chave: Previsão de demanda; Classificação ABC; Estoque de Segurança.
1.Introdução
O PCP permite programar a produção de maneira concisa e com validação, pois para
manter-se de forma competitiva no mercado é necessário adentrar na correta estratégia de
produção dentro das projeções e capacidade da empresa, fazendo com que os insumos,
máquinas, qualidade e manutenção, estejam de acordo com as necessidades da produção para
serem usados no momento certo, com quantidade adequada e qualidade esperada. Kotler e
Armstrong (2012) complementam ainda que se considera demanda quando há o poder de
compra junto dos desejos dos clientes por algum produto em específico.
Segundo Godinho (2010), a curva ABC permite definir que itens de classificação A
(maior grau de importância) deveriam ser continuamente analisados pelos gerentes, em
conjunto com o processo estatístico, nesse caso, os itens B só deveriam ser analisados
manualmente em exceções, e itens C não necessitariam de previsão. Nesse sentido, foca-se a
necessidade de previsão para os itens mais importantes da empresa. Com este estudo
pretende-se analisar a demanda do produto farina de trigo Bunge Suprema Especial 50 kg
para potencializar os lucros da empresa e reduzir os gastos com sua estocagem, devido seu
potencial quantitativo ser a base representativa dos ganhos da empresa.
Visando auxiliar no planejamento do estoque realizou-se o estudo quantitativo dos
dados por meio da previsão de demanda de produtos classe A, conforme descreve a
classificação ABC com objetivo, dentro dessa classe, destacar o produto de maior
representatividade utilizando o mix de produtos da empresa. Em seguida, para o produto
escolhido, foi elaborada a previsão de demanda baseada no histórico de vendas desde seu
“start up” em janeiro de 2013 até dezembro de 2014, data do presente estudo.
2. Referencial teórico
2.1 Classificação ABC
De acordo com Godinho (2010) a classificação ABC é o resultado de análise de
Pareto. A análise de Pareto é extremamente útil para melhorar a relação beneficio/custo em
um sistema de estoque. Essa análise é um instrumento para separar itens (no caso, itens de
estoque) em itens de alta importância (itens classe A), itens de média importância (itens de
classe B) e itens de baixa importância (itens de classe C). O critério de desempenho para
medir a importância de um item pode ser bastante variado. Por exemplo:
a) Volume de vendas em um dado período;
b) Receita (faturamento) gerada (o) em um dado período;
c) Lucro gerado em um dado período;
d) Participação no mercado que o item disputa em um dado período etc.
Alguns itens possuem graus de prioridade diferente de outros, devido o seu nível de
importância para a empresa ou clientes. Em qualquer estoque que possua mais de um item,
uns produtos se destacam mais que outros por serem mais importantes para a organização,
porque são os que possuem maiores demanda ou porque apresentam altos valores de
manutenção no estoque (SLACK, CHAMBERS & JHONSTON, 2009).
Os sistemas de controle mais complexos podem incluir esses critérios na classificação
ABC. Por exemplo, uma parte dos itens pode ter a classificação A/B/A que significa ser um
item de categoria A pelo seu alto valor, B por sua incerteza de fornecimento e A devido à
consequência da sua falta no estoque (SLACK, CHAMBERS & JHONSTON, 2009).
2.2 Previsão de demanda
Segundo Godinho (2010), as previsões dentro do PCP costumam ser classificadas de
acordo com o horizonte de planejamento (longo, médio e curto prazo) a que se destina. No
longo prazo, as previsões são importantes para o PCP para o Planejamento de novas
instalações, de novos produtos, gastos de capital, dentre outros. No médio prazo, as previsões
servem como base para o planejamento agregado da produção e análises de capacidade
agregadas. Já no curto prazo, as previsões auxiliam na programação da força de trabalho, na
programação de compras, nas análises de capacidade de curto prazo, dentre outras.
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 possa ser
dividido em cinco etapas, conforme a figura 1.
FIGURA 1- Etapas de um modelo de previsão de demanda. Fonte: adaptado de Tubino (2008).
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 à
acurácia do modelo de previsão, significa que melhor estará a compreensão da empresa junto
às necessidades de seu mercado.
2.2.1 Técnicas quantitativas de previsão de demanda
Moreira (2011) considera que a previsão de demanda é um processo racional de busca
de informações acerca do valor das vendas futuras de um item ou deum conjunto de itens.Esta
atividade deve fornecer informações sobre qualidade e localizações futuras do produto. A
avaliação subjetiva pode ser realizada através de estimativas da força de vendas, júri de
executivos, pesquisa de mercado e o modelo Delphi (LÉLIS, 2012). A seguir, defini-se as
técnicas de previsão, de acordo com Godinho (2010).
2.2.1.1 Média móvel
Neste modelo, a previsão baseia-se em um determinado número de períodos recentes,
onde o valor resultante do cálculo será uma média aritmética dos valores anteriores. A Média
Móvel Simples pode ser descrita na equação abaixo. (STEVENSON, 2001).
∑
Em que:
MMS = Valor da previsão segundo uma Média Móvel dos n períodos;
Di = demanda do período i;
n = número de períodos;
i = índice do período (i=1,2,3,...,n).
A quantidade de períodos que será considerada deverá ser compatível com o quanto a
demanda está sensível à variações, ou seja, um pequeno número de períodos implica em uma
maior sensibilidade da demanda à alterações, enquanto que um grande número de períodos
está relacionado à poucas variações. Uma Alternativa para a média móvel é o modelo de
Média Móvel Ponderada, onde são utilizados coeficientes de ponderação que dão importância
decrescente aos períodos anteriores. Geralmente, utilizam-se três períodos e os coeficientes de
ponderação correspondem à 50%, 30% e 20%, respectivamente. Esta técnica é recomendada
para dados com poucas variações, pois sua eficiência está relacionada à utilização de poucos
períodos.
2.2.1.2 Média móvel exponencial
Esta técnica também emprega peso às observações. A previsão consiste em utilizar
previsões anteriores, acrescidas dos erros dessas previsões corrigidas por um coeficiente de
ponderação “α”. Sua representação é mostrada na equação a seguir:
(
)
Onde:
MMEt = Previsão atual;
MMEt-1 = Previsão anterior;
Dt-1 = Demanda do período anterior;
α = coeficiente de ponderação.
O valor de α pode variar de 0 a 1, onde valores baixos para esta constante representam
uma baixa sensibilidade a variações, enquanto que altos valores refletem uma demanda com
comportamento bastante variável. Costuma-se empregar α entre 0,05 e 0,5. Estas previsões
são as mais comumente utilizadas por terem apenas três parâmetros de determinação: a
demanda, a previsão anterior e coeficiente de ponderação.
2.2.2 Modelos de tendência
A tendência refere-se ao movimento gradual ascendente ou decrescente dos dados do
prazo da demanda. O cálculo da estimativa da tendência é realizado pela identificação de uma
equação que descreva este movimento, a plotagem dos dados passados permitirá a
identificação desta equação (TUBINO, 2000).A Equação Linear para a Tendência segue o
seguinte modelo:
- é a previsão da demanda para o período X,
- a ordenada à origem ou interseção no eixo dos Y,
- o coeficiente angular e
- o período para previsão
2.2.2.1 Ajustamentos para a tendência
2.2.2.1.1 Modelo polinomial
A linha de tendência polinomial é uma linha curva usada quando os dados flutuam. A
ordem da polinomial pode ser determinada pelo número de flutuações nos dados ou por
quantos picos e vales aparecem na curva. Seu cálculo é feito por mínimos quadrados através
de pontos usando a seguinte equação:
b e c são constantes
2.2.2.1.2 Modelo logarítmico
A linha de tendência logarítmica é uma linha curva de melhor ajuste, muito útil
quando a taxa de alteração nos dados aumenta ou diminui rapidamente e depois se nivela. Ela
pode usar valores negativos e/ou positivos e seu cálculo é feito por mínimos quadrados
através de pontos usando a seguinte equação:
+b
c e b são constantes e Ln é a função do logaritmo natural.
2.2.2.1.3 Modelo exponencial
A linha de tendência exponencial é uma linha curva útil quando valores de dados estão
crescendo ou caindo com taxas cada vez mais altas. Seu cálculo é feito por mínimos
quadrados através de pontos usando a seguinte equação:
c e b são constantes e “e” é a base do logaritmo natural.
3. Método de pesquisa
O estudo possui o caráter exploratório, pois o mesmo foi realizado por meio de um
estudo de caso em uma empresa de distribuição de água mineral, pode-se definir que o estudo
de caso “consiste no estudo profundo e exaustivo de um ou poucos objetos, de maneira que
permita seu amplo e detalhado conhecimento.” (GIL, 2010, p.37).
Godoy (1995) também define o estudo de caso quando: “o pesquisador geralmente
utiliza uma grande variedade de dados coletados”.
Foram utilizadas pesquisas em arquivos disponíveis em eventos da área de engenharia
de produção, pesquisa bibliográfica de livros disponíveis em meios eletrônicos, com a
finalidade de esclarecer idéias que tangem a formulação de um trabalho coerente e preciso. O
artigo seguiu a seguinte metodologia:
a) Primeiramente foi realizado um estudo bibliográfico a respeito dos métodos de
previsão com a finalidade de investigar quais são os mais utilizados na atualidade e as
limitações e aplicações de cada um deles.
b) Tendo os requisitos necessários para a aplicação de cada modelo, foi feita a coleta
de dados no sistema da empresa e, então, a análise dessa massa de dados para a posterior
criação da série histórica na qual os modelos foram baseados.
c) Foi feita a plotagem da mesma em relação ao tempo com a finalidade de se coletar
indícios que possam nos fornecer a decisão a respeito de qual seria o melhor modelo
quantitativo a ser utilizado.
d) Logo foi feita a análise entre eles através de seus parâmetros, erros e resultados com
a finalidade de definir o que possui maior capacidade de previsão da demanda.Escolheu-se o
modelo que apresenta o menor erro médio absoluto (MAD) aplicado por ser o mais relevante
para a investigação, nesse caso o escolhido foi o modelo de tendência logarítmica.
4. Estudo de caso
O presente estudo de caso realizou-se na empresa Bunge Alimentos S/A, localizada na
cidade de Benevides. A empresa fabrica, dentre outros produtos, farinha de trigo para
panificação e confeitaria, sendo estes os produtos submetidos a estudo.
4.1 Classificação ABC direcionada ao estudo
Dados os produtos de estudo, foi realizada a classificação ABC para definir, dentre
esses, o mais representativo, ou seja, o produto que mais contribui para a geração da receita da
empresa, haja vista que fazer a previsão de vendas de todos os produtos que a empresa fabrica
demandaria mais tempo e, além disso, há produtos que não apresentam grandes volumes de
vendas.
Após a pesquisa sobre os preços dos produtos e suas respectivas demandas, foi
possível estabelecer o produto prioritário, como pode ser observado na tabela 1 e na figura 2
nos quais pode-se definir o produto de maior representatividade.
Como se pode observar, a farinha de trigo BUNGE SUPREMA ESPECIAL 50 KG é o
produto de classe A e será objeto de estudo deste trabalho. Portanto, neste produto serão
aplicadas as técnicas de previsão de demanda e verificação daquela que apresentar o menor
desvio absoluto médio, para verificar as condições de aplicação do estoque de segurança.
TABELA 1 - Representação dos produtos em relação à receita.
Tipo de Farinha de trigo
FT BUNGE SUPREMA ESP. 50KG
FT BUNGE SOBERANA ESP. 50KG
Representação (%)
55,04
20,37
Acumulado (%)
55,04
75,42
FT BUNGE PRIMOR 50 KG
8,29
83,71
FT PROMAC50 50KG
6,50
90,21
FT PROBISC85 50KG
5,34
95,55
FT SUPREMA EX.CLARA 25KG
2,28
97,83
FAR JANGADA 50KG
1,53
99,36
FT BUNGE SOBERANA ESP.25KG
0,42
99,78
FT PREDILETA 50KG
0,16
99,93
FT BUNGE SUPREMA ESP. 25KG
0,07
Fonte: Os Autores (2015).
100,00
120,00%
100,00%
80,00%
60,00%
Representação
Percentual
40,00%
20,00%
0,00%
FIGURA 2- Curva ABC para análise do produto mais representativo. Fonte: Os Autores (2015).
4.2 Coleta e análise dos dados do produto
A partir da escolha do produto, a próxima etapa consiste em obter os seus dados de
vendas. Como a empresa está no mercado da região metropolitana de Belém há pouco tempo,
não foi possível obter dados de cinco anos, sendo contabilizadas apenas as vendas dos últimos
24 meses, isto é, de janeiro de 2013 a dezembro de 2014.
Primeiro foram coletados os preços unitários dos produtos;nota-se que existem dois,
um que se aplica na região do estado do Pará e outro para Manaus. Foi realizado a média e em
seguida multiplicado esse valor pelos preços médios de consumo no período analisado, que é
a própria demanda. De posse da informação que metade da produção se destina a Manaus. Os
dados foram plotados em um gráfico de dispersão no Excel®.
70000
60000
50000
40000
30000
20000
10000
0
0
5
10
15
20
25
30
FIGURA 3 - Demanda (em sacos de 50kg) x Tempo (em meses). Fonte: Os Autores (2015).
Os dados gerados no gráfico 3 permitem observar que não existe sazonalidade, porém
apresentam tendência. Sendo assim, foi realizado o cálculo das previsões de vendas para este
produto.
4.3 Aplicação das técnicas de previsão de vendas
Como os dados não apresentam sazonalidade, os modelos que consideram este tipo de
dados não foram utilizados. Os métodos utilizados foram:
a) Média Móvel: Simples (n=2); Ponderada com coeficientes de ponderação de 50%,
30% e 20%, respectivamente, para as três últimas demandas; Exponencial com α = 0,3;
b) Tendência: as equações para tendência foram obtidas com o auxílio do Excel®.
TABELA 2 - Equações para os modelos de tendência.
Modelo Equação
Tlinear
y = 0,3289x + 18,478
Texp
y = 39113e0,0075x
Tlog
y = 3177,3ln(x) + 36569
Tpol (2) y = -10,848x2 + 603,09x + 38498
Tpol (3) y = 2,1629x3 - 91,955x2 + 1430,8x + 36600
Fonte: Os Autores (2015).
As previsões de demanda do produto foram obtidas por meio da planilha eletrônica
Excel® e foram colocadas na figura 4 a seguir, que também contém os erros gerados por cada
previsão.
FIGURA 4 - Resultados obtidos pelas técnicas de previsão aplicadas. Fonte: Dados Básicos (2015).
4.4 Verificação dos erros gerados
A partir dos resultados do quadro acima, foi possível obter os valores dos desvios
médios absolutos (MAD) de cada modelo e suas representações percentuais. Estes valores
podem ser observados na tabela 3 abaixo:
TABELA 3 - Erros gerados pelos modelos e representação percentual.
Modelo
MAD
(%)
Tlinear
7413,34 0,1755
Texp
7349,81 0,1732
Tlog
7338,52 0,1719
Tpol (2)
7411,24 0,1746
Tpol (3)
7338,61 0,1728
MMS (n=2)
9235,02 0,2158
MMExp (α=0,3) 8452,16 0,1869
MMpond
8756,52 0,2012
Fonte:Os Autores (2015).
Pela análise dos MAD’s, pode-se concluir que o modelo de previsão mais adequado
para a farinha de trigo BUNGE SUPREMA ESPECIAL 50 KG é o de Tendência
Logarítmica, pois foi o que gerou o MAD de 7338,52, sendo este o menor.
4.5 Previsão de demanda do produto
O modelo de tendência logarítmica escolhido consiste na aproximação dos dados
coletados da demanda em torno da equação, como a seguir:
x = número do período;
Com esta equação pode-se gerar a previsão de demanda para o período seguinte com
82,81% de certeza, já sua margem de erro é de 17,19%. A figura 5 abaixo representa a curva
logarítmica gerada:
70000
60000
Demanda
50000
40000
Tendência Logarítmica
30000
Linear (Demanda)
20000
Linear (Tendência
Logarítmica)
10000
0
0
5
10
15
20
25
30
FIGURA 5 – Ajustamento por tendência logarítmica. Fonte: Os Autores (2015).
4.6 Validação do modelo
Para validar o modelo de previsão gerado, foi utilizado o gráfico de 4MAD, em que o
menor desvio absoluto médio é multiplicado por 4. Os valores dos erros, que o modelo gerar
em cada período,devem ser inferiores à 4MAD. Na figura 6 se pode verificar a validação do
modelo:
35000,00
30000,00
25000,00
20000,00
15000,00
10000,00
5000,00
0,00
0
5
10
Erros
15
20
25
30
4 MAD=29354,08
FIGURA 6 - Gráfico de controle 4MAD. Fonte:Os Autores (2015).
5. Resultados
Análise de dados mostra os resultados que definem o método para obter a melhor
previsão de demanda referente ao período 25. Escolheu-se o modelo que apresenta o menor
erro médio absoluto (MAD) aplicado por ser o mais relevante para a investigação, nesse caso
o escolhido foi o modelo de tendência logarítmica.
FIGURA 7 - Previsão de Demanda para o modelo analisado. Fonte:Os Autores (2015).
5.1 Determinação do estoque de segurança
Para o cálculo do estoque de segurança utiliza-se em sistemas computacionais o valor
do desvio médio absoluto. Considerando os valores de k para 90% de nível de serviço e o
MAD de 7338,52 referentes à previsão de demanda da tendência logarítmica.
Sacos de 50 kg
Portanto verifica-se que o estoque mínimo de segurança para absorver as variações de
demanda durante o tempo de ressuprimento é de 9393,306 sacos de 50 kg.
6. Conclusão
A partir do estudo realizado utilizando a ferramenta classificação ABC identificou-se
o produto farinha de trigo Bunge Suprema Especial 50 kg como o de maior representatividade
dos produtos da categoria A, pois este equivale a 55,04% dos lucros da empresa. Diante dos
resultados proporcionados pela análise quantitativa dos dados permite-se concluir que a
previsão de demanda para o período 25, da pesquisa, e para as respectivas demandas futuras
da farinha de trigo Bunge Suprema Especial 50 kg, pode ser obtida com maior precisão
através do método de Tendência Logarítmica com o resultado de 46796 sacos de 50 kg de
farinha de trigo para o mês conseguinte (previsão mensal no período 25), esta atenderá, ao
menor erro, as necessidades de demanda da empresa. Com desvio médio absoluto (MAD)
calculado de 7339 sacos de 50 kg desta farinha que corresponde a 17,19 % de erro e 82,81%
de certeza o que permite dizer que o modelo é verídico.
Verificou-se que o erro obtido (17,19%) indica a projeção da fábrica para montagem
do estoque de segurança calculado com o nível de serviço de 90% e com o auxílio do MAD o
resultado obtido 9394 sacos de 50 kg que permitirá atender as necessidades das variações no
tempo de ressuprimento. O estudo permitiu a análise da previsão do produto mais
representativo conforme descrito na classificação ABC.
É importante ressaltar que a análise de previsão de demandas futuras deve se estender
aos outros produtos das várias filiais espalhadas pelo país. A empresa necessita que as
previsões de demanda sejam feitas de maneira cuidadosa e clara, pois pequenas falhas podem
gerar grandes perdas devido ao porte da empresa e de suas demandas. Não tão somente do
produto analisado, deve-se estender grau de importância da elaboração de uma boa previsão
aos próximos produtos de acordo com os estudos da curva ABC para aqueles que estavam
contidos na tabela de representatividade, bem como os que compõem as outras tabelas
representativas de cada fábrica da empresa, de forma a montar um planejamento de gestão de
estoque nas outras filiais da empresa que reduza significativamente as perdas e gastos com
estocagem.
Assim, verificou-se que as ferramentas matemáticas e estatísticas de previsão de
demanda são importantes instrumentos que podem ser utilizados pelas empresas para
minimizar custos com manutenção de estoque, por exemplo, bem como se preparar para
possíveis variações de demanda e, dessa forma, se manter competitiva e estável no mercado.
Vale lembrar, que é importante monitorar o modelo a cada seis meses, a fim de
verificar se ele atende ainda às variações da demanda provocadas no decorrer do tempo.
Referências
ARMSTRONG, J. Planejamento Estratégico e Fundamentos da Previsão. New York: MackGraw Hill, 1983.
GIL, Antonio Carlos. Como Elaborar Projetos de Pesquisa. 5.ed. São Paulo: Atlas, 2010.
GODOY, Arilda Schmidt. Pesquisa qualitativa: tipos fundamentais. Revista de Administração de Empresa, São
Paulo, vol. 35, n. 3, p. 20-29, mai./jun. 1995.
KOTLER, P.; ARMSTRONG, G. Princípios de marketing. 14 ed. São Paulo: Pearson Education, 2012.
LÉLIS, E. C. Administração da Produção. São Paulo: Pearson, 2012.
MARTINS, Petrônio Garcia; LAUGENI, Fernando Piero. Administração da produção.Rio de Janeiro: Saraiva,
2005.
MOREIRA, Daniel A. Administração da Produção e Operações.São Paulo: Cengage Learning, 2011.
MOREIRA, D. A. Administração da produção e operações. 2 ed. rev. e ampl. São Paulo: Cengage Learning,
2009.
PINTO, C. V. - Organização e Gestão da Manutenção. 2. ed. Lisboa: EdiçõesMonitor, 2002.
POURRAHIMIAN, y.; ASKARI-NASAB, h.; TANNANT, D.D. A multi-step approach for bloc-cave
production scheduling optimization. International Journal of Mining and Technology 23, p. 739-750. 2013.
SHI, L.; JIANG, Y.; WANG, L.; HUANG, D. Refinery Production Scheduling Involving Operational
Transitions of Mode Switching Under Predictive Control System. Industrial & Engineering Chemistry Research.
v 53, n 19, p. 8155-8170. May 14, 2014.
SLACK, Nigel; CHAMBERS, Stuart; JOHNSTON, Robert. Administração da Produção. 2.ed. São Paulo: Atlas,
2009.
TUBINO, Dalvio Ferrari. Manual de Planejamento e controle da produção. São Paulo: Atlas, 2000.
WANKE, Peter F. Gerência de operações: uma abordagem logística. São Paulo: Atlas, 2010.