ANALYSIS AND IDENTIFICATION OF A DEMAND FORECAST MODEL IN A PLUS-SIZE CLOTHING STORE
REGISTRO DOI: 10.5281/zenodo.10143203
Daiane da Silva Reis
Gabriela Ridolphi da Silva Correa
Raphael Nonato da Silva
Orientador: Prof Bernardo Goisman
RESUMO
Este trabalho foi realizado em uma loja de roupas femininas, moda plus size, com o objetivo de identificar um método adequado de previsão de demanda. Procurou-se uma melhoria do processo de compra a partir de modelos quantitativos usando series temporais. Foi feito o levantamento dos dados históricos de vendas e previsões de vendas da empresa do período de 2020 a 2023. A partir das vendas de 2020 a 2022 foi calculado um modelo de Holt-Winters adaptado a situação de vendas. Uma vez definido o modelo, este foi usado para previsão de vendas em 4 meses de 2023. Adicionalmente, foram calculados os erros percentuais de previsão para este e erros percentuais da própria empresa.
Palavras-chave: Gestão da demanda, Métodos de Previsão de Demanda, Sazonalidade, Técnicas de Previsão e Holt Winters.
ABSTRACT
This work was carried out in a plus size women’s clothing store, with the aim of identifying a suitable method for forecasting demand. The aim was to improve purchasing process through quantitative models using time series. Historical sales data and sales forecasts for the company from 2020 to 2023 were collected. Based on sales from 2020 to 2022, a Holt-Winters model adapted to the sales situation was calculated. Once the model had been defined, demand forecast was calculated for four months of 2023. In addition, the percentage forecast errors for this model and the company’s own percentage errors were calculated.
Keywords: Demand Management, Demand Forecasting Methods, Seasonality, Forecasting Techniques and Holt Winters.
1. INTRODUÇÃO
Segundo Russomano (2000), previsão de demanda “é o processo sistemático e racional de conjecturar acerca das possíveis vendas futuras dos produtos ou serviços da empresa”.
Corrêa et al. (2001) definem previsão de vendas como “o conjunto de procedimentos de coleta, tratamento e análise de informações que visa gerar uma estimativa das vendas futuras, medidas em unidades de produtos (ou família de produtos) em cada unidade de tempo (semanas, meses etc.)”. Para os autores, algumas informações importantes devem ser consideradas em um sistema de previsão. Esses fatores consistem em dados históricos de vendas, período a período; informações relevantes que expliquem comportamentos atípicos das vendas passadas; dados de variáveis correlacionadas às vendas que ajudem a explicar o comportamento das vendas passadas; a situação atual de variáveis que podem afetar o comportamento das vendas no futuro ou estejam a ele correlacionadas. Acrescenta-se a esses fatores, a previsão da situação futura de variáveis que podem afetar o comportamento das vendas no futuro ou estejam a ele correlacionadas; o conhecimento sobre a conjuntura econômica atual e previsão da conjuntura econômica no futuro; as informações de clientes que possam indicar seu comportamento de compra futuro; as informações relevantes sobre a atuação de concorrentes que influenciam o comportamento das vendas e as informações sobre decisões da área comercial que podem influenciar o comportamento das vendas.
Segundo Tubino (2000), a previsão da demanda dos produtos não é uma ciência exata; envolve uma boa dose de experiência e julgamento pessoal do planejador. A única coisa que se pode garantir é de que o valor previsto será sempre uma aproximação do valor real. Porém, quanto mais apurada for a técnica empregada, melhor a base em cima da qual o planejador decidirá. A avaliação do erro de previsão servirá de base para o estabelecimento dos estoques de segurança do sistema, assim como para a atualização dos parâmetros do modelo de previsão.
A previsão de demanda pode ser considerada como uma bússola para a empresa, pois é ela que orienta a empresa a quantidade de produtos que deve ser comprada. O principal objetivo é estudar os métodos de previsão de demanda para a organização de quando e quantos produtos comprara por mês, de acordo com o estudo da sazonalidade.
Dentre esses objetivos encontra-se o desafio de dimensionar a quantidade de bens que irá vender, de forma que possa prever e atender à demanda proveniente do mercado consumidor. Em princípio, é necessário obter uma previsão do quanto se pretende ou espera vender, pois a partir desta, as empresas poderão desenvolver “os planos de capacidade, de fluxo de caixa, de vendas, de produção e estoques, de mão de obra, de compras, etc” (Tubino, 2000).
A moda plus size vem expandindo no mercado de vendas, pois é um empreendimento diferente das demais lojas e consequentemente também contribui para autoestima de seu público-alvo. Por se sentir mais exclusiva, a loja surgiu com o intuito de focar neste público, unindo a ideia de duas amigas, que visavam em crescer em um negócio com um diferencial das demais.
O escopo deste trabalho consiste na análise, identificação e determinação de um método de previsão de demanda que se adapte à realidade de uma loja de roupas plus size visando optimização do processo compra de fornecedores à venda aos clientes.
1.1. JUSTIFICATIVA
A habilidade para antever eventos futuros não é uma tarefa fácil, mas essencial para a tomada de decisão gerencial. O desconhecimento do futuro pode ser minimizado por uma avaliação tão correta quanto possível de suas tendências. Dadas tais informações, busca-se por métodos que reduzam o erro de previsão, métodos imprescindíveis para as empresas que desejam melhorar seu desempenho.
Esta proposta foi realizada com base no desafio que a empresa apresenta em relação ao método de previsão de compras, minimizando a diferença entre a quantidade que foi comprada e a quantidade que foi vendida.
Pode-se citar como exemplo o aumento do estoque ou falta de produtos pela compra de produtos sem precisão.
Em relação aos problemas listrados notou-se que a previsão de demanda é ponto relevante para que a loja elabore suas atividades devidamente bem, garantindo a compra dos itens de forma assertiva, para que a empresa não venha perder seus clientes.
1.2. OBJETIVOS
O estudo foi realizado em uma loja de roupas feminina, onde o público-alvo são mulheres plus size. Nesta podem ser encontrados diversos vestuários, tais como moda inverno, moda verão e roupas de festas.
A ideia desse estudo de caso vem da dificuldade de organização e de existência de modelo matemático que apoie a decisão de compra.
Deve-se coletar e analisar informações acerca das vendas das peças passadas, tal que se possibilite identificar e determinar um método de previsão de demanda que proporcione melhorar os processos, a fim de se garantir assertividade.
2. METODOLOGIA
O presente trabalho será realizado durante o ano de 2023 e caracterizará como pesquisa exploratória por tratar-se de um estudo de caso realizado em uma loja de roupas, com o intuito de analisar, identificar e determinar um método de previsão de demanda assertivo. O estudo terá como base o acompanhamento, in loco, dos setores responsáveis pela previsão de demanda e compras. A coleta de dados será realizada a partir do acesso ao sistema que armazena informações de vendas e previsões da empresa. Serão levantadas informações por meio reuniões.
Será realizado uma reunião com o responsável pela elaboração da previsão de demanda para obter informações sobre o funcionamento do método utilizado atualmente e, logo após, será feito um brainstorming para detectar as consequências que o método vem causando nos últimos três anos. Em paralelo serão buscadas referências bibliográficas sobre o assunto para melhor entendimento de modelos para previsão da demanda. A partir da
análise de vendas das últimas três coleções, será possível identificar o perfil das vendas da empresa, ou seja, como elas se comportam durante o período. Serão elaborados gráficos de vendas mensais que permitirão a análise crítica para garantir uma maior exatidão na previsão futura. Irá definir o método de previsão mais adequado para a empresa em estudo e assim será possível calcular a demanda prevista pelo modelo para os anos de 2020, 2021 e 2022. Para a coleção outono/inverno será feito um comparativo entre o método proposto com o método já utilizado pela empresa.
Por fim, fazendo uso de tal modelo proposto, será realizado um teste entre o modelo proposto e o modelo usado pela empresa para o ano de 2023 de forma a validá-lo. Com base nos dados obtidos, espera-se que a empresária possa planejar e programar adequadamente suas ações garantindo um processo de compras assertivo com o fornecedor.
3. REVISÃO BIBLIOGRÁFICA
Neste capítulo serão apresentados os conceitos da literatura tratados no presente trabalho, relatados por seus principais autores. A primeira parte abrange um breve contexto sobre o foco do trabalho. Após, serão descritos os níveis de Planejamento e Controle, bem como as suas definições. Em seguida, será apresentada a definição de Gestão de Demanda. Dentro desse item, será exposta a Previsão de Demanda e suas técnicas. No decorrer dessas definições, será identificada a extrema importância da relação do Planejamento e Controle com a Previsão de Demanda.
Segundo Corrêa et al. (2001), o mercado pode ser bastante instável e de baixa previsibilidade gerando incertezas nas previsões e erros correspondentes. Além do mais, o sistema de previsão utilizado pela empresa pode conter incertezas na previsão futura ao se basear nos dados históricos em virtude da própria eficácia do sistema. Esse fator influenciará no desempenho da empresa diante seus concorrentes. Ainda para os autores, “ou sabemos qual o desempenho das previsões dos concorrentes ou se procura fazer a melhor previsão possível, utilizando-se os melhores métodos disponíveis e todas as informações relevantes, coletadas de forma sistemática”.
3.1. DEMANDA DEPENDENTE E INDEPENDENTE
Sob o ponto de vista de Russomano (2000), “a demanda de um item é dita independente quando essa demanda não é relacionada diretamente com a demanda de outros itens”. Já a demanda dependente deriva da demanda de outro item de estoque ou produto e não precisa ser estimada, já que pode ser determinada a partir do item que a derivou. Sobre este tema Slack et al. (2002) defende que a demanda dependente é relativamente previsível, pois depende de alguns fatores conhecidos. Já para elaborar a demanda independente faz-se a melhor avaliação do que se espera alcançar no futuro, ou seja, há necessidade de se tomar decisões sobre como suprirão a demanda sem ter qualquer visibilidade firme antecipada dos pedidos dos clientes.
Segundo Russomano (2000), previsão de demanda “é o processo sistemático e racional de conjecturar acerca das possíveis vendas futuras dos produtos ou serviços da empresa”. Corrêa et al. (2001) definem previsão de vendas como “o conjunto de procedimentos de coleta, tratamento e análise de informações que visa gerar uma estimativa das vendas futuras, medidas em unidades de produtos (ou família de produtos) em cada unidade de tempo (semanas, meses etc.)”. Para os autores, algumas informações importantes devem ser consideradas em um sistema de previsão. Esses fatores consistem em dados históricos de vendas, período a período; informações relevantes que expliquem comportamentos atípicos das vendas passadas; dados de variáveis correlacionadas às vendas que ajudem a explicar o comportamento das vendas passadas; a situação atual de variáveis que podem afetar o comportamento das vendas no futuro ou estejam a ele correlacionadas. Acrescenta-se a esses fatores, a previsão da situação futura de variáveis que podem afetar o comportamento das vendas no futuro ou estejam a ele correlacionadas; o conhecimento sobre a conjuntura econômica atual e previsão da conjuntura econômica no futuro; as informações de clientes que possam indicar seu comportamento de compra futuro; as informações relevantes sobre a atuação de concorrentes que influenciam o comportamento das vendas e as informações sobre decisões da área comercial que podem influenciar o comportamento das vendas.
Para Krajewski e Ritzman (2004) “previsões precisas permitem aos programadores utilizarem a capacidade eficientemente, reduzir o tempo de reação dos clientes e diminuir estoques”. Conforme Tubino (2000), um modelo de previsão consiste em cinco etapas partindo da definição do objetivo do modelo no qual se determina a razão pela qual se necessita de previsões, com base no objetivo coleta-se e analisa-se os dados históricos do produto, a seguir seleciona- se a técnica de previsão que se adapte a empresa, calcula-se a previsão da demanda e, por fim, monitoram-se a extensão do erro entre a demanda real e prevista atualizando-se os parâmetros posteriormente. Ainda, para o autor, alguns cuidados devem ser tomados na coleta e análise dos dados para obter-se uma técnica de previsão mais confiável como agregar o máximo de dados históricos possíveis. Caso haja variações extremas da demanda em época de promoções ou greves, devem ser substituídas por valores médios compatíveis com o comportamento normal da demanda, e na escolha do tamanho do período de averiguação dos dados.
De acordo com Tubino (2000), as técnicas de previsão podem ser quantitativas e qualitativas: “as técnicas qualitativas estão baseadas na opinião e no julgamento de pessoas chaves, especialistas nos produtos ou nos mercados onde atuam estes 16 produtos”. Já as técnicas quantitativas consistem em analisar os dados passados objetivamente, empregando-se modelos matemáticos para projetar a demanda futura. Essas técnicas, por sua vez, podem ser baseadas em séries temporais e em correlações. Ainda para o autor, a empresa pode utilizar das duas técnicas, qualitativa e quantitativa, em conjunto quando se tratar de questões estratégicas já que não seria viável decidir o rumo da empresa apenas com os dados obtidos por modelos matemáticos.
A figura 1 mostra as diferentes técnicas para previsão da demanda.
Os métodos de correlação são métodos causais e os métodos de projeção são series temporais.
Figura 1: Técnicas para previsão da demanda
3.2. TÉCNICAS QUALITATIVAS
Schroeder (1993, apud FELICIANO, 2009) cita que essas técnicas são ditas subjetivas, e utilizadas “quando não existem dados históricos de vendas, quando os dados históricos não são confiáveis ou apresentam padrão instável”. São apropriadas para previsões de longo prazo devido a maior variabilidade inerente a esses horizontes.
Segundo Schroeder (1993, apud FELICIANO, 2009), outro método utilizado é a pesquisa de mercado, na qual consiste em questionários ou pesquisas usados para agrupar dados das condições de mercado. Além desse, tem-se, também, o método baseado na analogia de ciclo de vida, na qual se obtém a previsão baseada nas fases de introdução, crescimento e saturação de produtos similares.
3.2.1. MÉTODO DELPHI
É um método utilizado na tomada de decisões e na previsão do futuro, onde se baseia na obtenção de opiniões de um grupo de especialistas, podendo ajudar a reduzir a sessão individual, promover a reflexão e chegar a conclusões mais informadas.
O método Delphi é um dos principais métodos qualitativos de previsão. “Por esse método, algumas pessoas, que são mantidas no anonimato, respondem a um questionário e o entregam ao coordenador, que por sua vez tabula as respostas e as envia de volta aos participantes”. Cada participante pode alterar as suas respostas até que obtenha um consenso (Russomano, 2000).
3.3. TÉCNICAS QUANTITATIVAS
Sobre esse assunto Schroeder (1993, apud FELICIANO, 2009), afirma que são técnicas objetivas. Há dois tipos de métodos quantitativos. O método não causal, ou métodos de séries temporais, no qual utilizam “os valores passados de uma variável para predizer seus valores futuros, assumindo que as causas que moldaram os eventos no passado continuarão a moldar os eventos no futuro”. E o método causal, no qual realizam previsões baseadas em uma relação de causa-efeito. A partir dos fatores que influenciam um fenômeno, pode-se estimar valores futuros desde fenômeno. O autor ainda acrescenta que “as causas que moldaram os eventos no passado podem não ser as mesmas que moldarão os eventos no futuro”.
3.3.1. MÉTODOS CAUSAIS
Os métodos causais são melhores aplicados para previsões de médio e longo prazo, devido a sua capacidade de identificar pontos de ruptura de comportamento.
Já os métodos não causais, são úteis para previsões de curto e médio prazo, onde se espera que o padrão de demanda permaneça estável.
Sobre o método causal, Schroeder (1993, apud FELICIANO, 2009), apresenta como principais, o método de regressão, que consiste no relacionamento das vendas com outras variáveis que podem afetar a demanda; o método econométrico, no qual utiliza sistema de equações de regressão independentes que descreve as vendas ou lucros de um segmento. Soma-se a esses métodos, o de entrada-saída. Nesse método, as previsões são resultados de um segmento da economia baseados nas entradas (insumos) em outro segmento. Por fim, tem se o método de simulação, no qual é realizada uma simulação de um sistema de distribuição, descrevendo mudanças de vendas.
Tubino (2000) afirma que o cálculo da estimativa da tendência é obtido por meio de uma equação que descreve o movimento gradual de longo prazo da demanda. Há duas técnicas, mais usuais, para se tratar previsões de demanda com componentes de tendência linear.
Conforme Martins e Laugeni (2005), o método “consiste em determinar a função, sendo a variável dependente e a variável independente” conforme eq.(1). Esse método também é conhecido como método da regressão linear simples.
Onde:
Segundo Tubino (2000) utilizando-se os dados históricos da demanda, os coeficientes e podem ser obtidos através de eq. (2) e eq. (3)
Nesta:
3.3.2. SÉRIES TEMPORAIS
Corrêa et al. (2001) afirmam que para previsões de curto prazo, utiliza-se modelos temporais.
Segundo Tubino (2000), “as previsões baseadas em séries temporais partem do princípio de que a demanda futura será uma projeção dos seus valores passados, não sofrendo influência de outras variáveis”. Considerado o método mais simples e usual, obtém-se por meio dos dados passados. Com esses dados, projeta-se uma curva na qual permite identificar fatores como tendência, caracterizada pelo movimento gradual de longo prazo, direcionando os dados; sazonalidade, que representa variações cíclicas de curto prazo, relacionadas ao fator tempo; variações irregulares que são alterações nas demandas passadas resultantes de fatores excepcionais, ou seja, que não podem ser previstos, e por isso devem ser retirados da série histórica e substituído pela média, e por fim, as variações randônicas, em que são abordadas pela média.
Para Krajewski e Ritzman (2004), as séries temporais de demanda possuem cinco padrões básicos:
a) Horizontal: flutuação dos dados em torno de uma média constante;
b) – Tendência: aumento ou diminuição sistemáticos na média das séries ao longo do tempo;
c) Sazonal: um padrão repetido de aumentos ou diminuições da demanda, dependendo da hora do dia, da semana, do mês ou da estação;
d) Cíclico: aumentos ou diminuições graduais da demanda menos previsíveis em períodos mais longos de tempo (anos ou décadas);
e) Aleatório: uma variação da demanda que não pode ser prevista. (Krajewski e Ritzman, 2004, p. 261)
A figura 2 representa os fatores que influenciam as séries históricas.
Figura 2: Fatores que influenciam séries históricas
Fonte: Adaptado de Tubino(2000)
3.3.2.1. MÉDIA MÓVEL
Conforme Tubino (2000) procura-se privilegiar dados históricos mais recentes, pois representam melhor a situação atual. Essas técnicas têm um bom desempenho ao utilizar dados que variam em torno da média, porém podem ser usadas quando possuem pequenas variações graduais, ou em patamares, no nível dos dados. Os métodos mais empregados são:
Segundo Corrêa et al. (2001) esse método é útil “quando se busca um modelo simples e de baixo custo para prever as vendas de muitos itens com histórico de pequenas flutuações e sem indicações de tendência”. É adequado quando não há tendência de aumento ou decréscimo acentuado nas vendas no futuro. Procura- se suavizar as variações das vendas reais, “assumindo que a melhor previsão das vendas no próximo período ( ) é a média dos últimos N valores das vendas passadas”. Pode ser calculada pela equação eq.(4):
Nesta:
3.3.2.2. MÉDIA MÓVEL PONDERADA
Para Martins e Laugeni (2005) ao se utilizar esse método, deve-se atribuir “um peso a cada um dos dados, sendo que a soma dos pesos deve ser igual a um.”
Essas técnicas também têm um bom desempenho ao utilizar dados que variam em torno da média. É representada pela eq.(5).
Nesta:
3.3.2.3. MÉDIA MÓVEL EXPONENCIAL SIMPLES
Neste método cada nova previsão é obtida com base na previsão anterior, acrescida do erro cometido na previsão anterior, corrigido por um coeficiente de ponderação”. A equação correspondente a esse método é a eq.(6):
Nesta:
Para Tubino (2000) o valor de α é determinado pelo analista dentro de uma faixa que varia de zero a um. “Quanto maior o valor, mais rapidamente os modelos de previsão reagirá a uma variação real da demanda”. Caso contrário, as previsões poderão ficar defasadas da demanda real.
3.3.2.4. MODELO DE HOLT OU SUAVIZAÇÃO EXPONENCIAL DUPLA
O método conhecido como suavização linear de Holt é uma extensão do método de suavização exponencial simples projetado para fazer interferência em séries temporais que exibe uma tendência linear, mas não apresenta sazonalidade (MARKRIDAKIS et al, 1998). O autor afirma que as equações representam os elementos referenciados. Segundo o autor, as equações que representam esse método são as eq. (7), eq. (8) e eq. (9):
Ambas as equações tem a função de estimar o nível e a inclinação da série temporal onde Lt é o componente de nível estimado para a série temporal ,t ,Tt sendo a tendência para o mesmo período.
Nesse modelo de Holt é possível observar que possui as constantes λ e Ω e tem o principal objetivo de buscar o menor erro médio quadrático, sendo assim seus valores variam entre 0 e 1.
Quando todos os valores estiverem com os valores preenchidos usa-se a eq. (9) para determinar os valores projetados, assim obtendo a previsão de demanda para os próximos períodos.
3.3.2.5. SAZONALIDADE COM TENDÊNCIA OU MODELO DE HOLT WINTERS
Tubino (2000) afirma que quando a demanda apresentar sazonalidade com tendência, inicialmente, obtém-se os índices de sazonalidade através da média móvel centrada. Posteriormente, extrai-se o componente de sazonalidade da série de dados históricos, dividindo- os pelos correspondentes índices de sazonalidade. A partir dos dados obtidos, desenvolve-se uma equação que represente o componente de tendência. Por fim, faz-se a previsão da demanda e multiplicá-la pelo índice de sazonalidade.
Segundo Martins e Laugeni (2005), esse modelo é conhecido como modelo de Holt Winters.
Conforme Pelegrini (2000), os modelos de Winters dividem-se em dois grupos: Aditivo, no qual a amplitude da variação sazonal é constante ao longo do tempo; ou seja, a diferença entre o maior e menor valor de demanda dentro das estações permanece. E Multiplicativo, no qual a amplitude da variação sazonal aumenta ou diminui como função do tempo.
De acordo com Makridakis et al. (1998, apud PELLEGRINI, 2000) os modelos de Holt Winters necessitam valores iniciais de componentes de nível, tendência e sazonalidade para dar início aos cálculos. Esses componentes são representados por α, β e γ respectivamente.
A figura 3 mostra as equações que regem, respectivamente, os modelos multiplicativo e aditivo.
Figura 3: Equações dos modelos multiplicativo e aditivo
esta:
– Parâmetros exponenciais alisadores, do nível, da tendencia e da sazonalidade, respectivamente
Os melhores valores para essas componentes são aqueles que minimizam o erro segundo uma métrica. Para a estimativa do componente sazonal, necessita-se no mínimo uma estação completa de observações, ou seja, m períodos. As estimativas iniciais do nível e da tendência são feitas, então, no período m definido para o componente sazonal.
Para o modelo Multiplicativo de Holt Winters temos as equações (10), (11) e (12).
Quando todos os valores estiverem com os valores preenchidos usa-se a eq. (13) para determinar os valores projetados.
Nestas:
O autor ainda cita que para o modelo Aditivo de Holt Winters, a equação da tendência permanece a mesma utilizada para o modelo Multiplicativo. Nas demais equações, a única diferença é que o componente sazonal está efetuando operações de soma e subtração, ao invés de multiplicar e dividir. Os valores iniciais de Lm e Tm são calculados de forma idêntica ao modelo
3.3.2.6. MODELOS ARIMA
Segundo Box et al. (1994, apud PELLEGRINI, 2000) os modelos Box Jenkins, também conhecidos como Modelos Autorregressivos Integrados a Média Móvel, ou simplesmente ARIMA (Autoregressive Integrated Moving Average), “partem da ideia de que os valores de uma série temporal são altamente dependentes, ou seja, cada valor pode ser explicado por valores prévios da série”.
Para Werner e Ribeiro (2003), são modelos matemáticos que realizam previsões futuras por meio do comportamento da correlação seriada ou autocorrelação entre os valores da série temporal. E ainda, se essa estrutura de correlação for bem modelada, fornecerá boas previsões.
3.3.3. MEDIDAS DE ERRO ENTRE A DEMANDA REAL E OS MODELOS PROPOSTOS
Há diferentes formas de se medir o erro.
3.3.3.1. MAD (DESVIO MÉDIO ABSOLUTO)
Mede a média das diferenças absolutas entre os valores previstos e os valores reais. Isso ajuda a avaliar a precisão de um modelo ou previsão. Quanto menor o valor do MAD, melhor, pois indica que a compreensão está mais próxima dos valores reais. A equação eq.(14) representa o Desvio Médio Absoluto (MAD).
Nesta:
3.3.3.2. MAPE (ERRO MÉDIO PERCENTUAL ABSOLUTO)
É uma métrica que expressa o erro médio como uma porcentagem do valor real. Ele é calculado como a média das diferenças percentuais absolutas entre as variações e os valores reais. Quanto menor o valor do MAPE, melhor, pois indica uma previsão mais precisa
Esse erro pode ser calculado por meio da equação eq.(15) que representa o Erro Médio Percentual Absoluto (MAPE).
Nesta:
3.3.3.3. MSE (ERRO MÉDIO QUADRÁTICO)
É uma métrica que mede a média dos quadrados das diferenças entre a particularidade e os valores reais. Ele penaliza erros maiores mais do que erros menores, tornando-o sensível a outliers. Quanto menor o valor do MSE, melhor, pois indica uma previsão mais precisa. A equação eq.(16) calcula esse erro chamado de Erro Médio Quadrático (MSE
Nesta:
4. ESTUDO DE CASO E CONCLUSÕES
O presente estudo foi realizado em uma loja de roupas feminina plus size, que está localizada na cidade de São Bernardo do Campo – SP. Esta foi fundada em 2013 e hoje possui uma gerente, 4 vendedores físicos, 1 vendedor online e um ajudante geral. A figura 3 mostra a composição da empresa. As atividades presenciais e online acompanhadas pela proprietária. O público-alvo da loja são mulheres plus sie, podem ser encontrados diversos vestuários tais como modas inverno, verão, outono e primavera além de roupas de festas.
Devido a pandemia da COVID19, que teve início em 2020, a empresa passou a adaptar seu modelo de negócio incorporando o e-commerce, buscando um alto engajamento com as redes sociais, alavancando as vendas e a popularidade.
A loja expõe as roupas no Instagram e WhatsApp e nestas também ocorrem negociações de vendas.
A figura 4 mostra a composição da empresa, seguindo sua hierarquia.
Figura 4: Hierarquia da empresa.
A figura 05 mostra todo o processo de compra e venda dos produtos, desde o estudo do mercado até a chegada do produto ao consumidor final.
Figura 5: Fluxograma da empresa
4.1. LEVANTAMENTO DE COMPRAS/VENDAS
Por meio de dados informados pela empresa, foram levantadas as vendas dos anos 2020, 2021 e 2022.
Tabela 1 – Mostra as compras para os anos de 2020, 2021 e 2022.
O gráfico da figura 6 representa as compras dos meses de abril, maio, junho e julho, referente aos anos de 2020, 2021 e 2022 mostrados na tabela 1.
Figura 6: Compras mensais dos produtos.
Tabela 2 – Mostra as vendas para os anos de 2020, 2021 e 2022.
O gráfico 7 representa as vendas dos meses de Abril, Maio, Junho e Julho, referente aos anos de 2020, 2021 e 2022 mostradas na tabela 2.
Figura 7: Vendas mensais dos produtos.
Na figura 7, percebe-se um comportamento que envolve nível, tendencia de crescimento e oscilações se repetindo. Com base nos dados, será utilizado o modelo de Holt-Winters para a previsão da demanda agregada.
Podem ser citados alguns trabalhos realizados envolvendo o método Multiplicativo de Holt Winters, que deram embasamento para a elaboração deste.
Serra et al. (2005) em seu artigo a respeito da aplicação de séries temporais na análise de demanda turística no estado do Pará utiliza o modelo de Holt- Winters ao identificar a sazonalidade na demanda ao longo dos anos de 1993 até 2003.
Samohyl et al. (2001) aplica o método de Holt-Winters em seu artigo que trata da utilização desse método para a previsão do leite entregue às indústrias catarinenses. A 54 previsão é realizada a fim de adequar melhor a planta industrial da empresa, administrar melhor a mão de obra, planejar adequadamente a produção do leite de acordo com a sazonalidade, reduzir os custos, entre outros.
Silva et al. (2002) em seu artigo a respeito da comparação entre os métodos de previsão univariados para o preço médio da soja no Brasil utiliza o método de Holt Winters para estimar o comportamento da série de preços da soja ao longo das unidades amostrais.
4.2. EQUAÇÕES UTILIZADAS
O modelo de Holt-Winters a ser criado usara, como dados de entrada, as vendas dos anos de 2020, 2021 e 2022.. Serão calculados os valores de α, ß e γ para o modelo.
Para o calculo do melhor modelo de Holt-Winters para tal período, sera usado o critério de minimização MAPE.
As equações serão usadas para as previsões.
A equação (10) será utilizada para o cálculo de nível
A equação (11) será utilizada para o cálculo da tendencia. Para tanto, usa-se o cálculo de nível.
A equação (12) será utilizada para o cálculo da sazonalidade. Para tanto, usa-se o cálculo de nível e tendencia.
Uma vez calculados o nível, tendencia e sazonalidade, parte-se para o cálculo da previsão, utilizando a equação (13).
Sera utilizado o critério MAPE para mensuração de erros, utilizando a equação (14).
A partir do uso da ferramenta Microsoft Excel para o período de 2020 a 2022, usando o Solver e o método de solução Evolutionary, chegou se aos valores α, ß e γ.
A tabela 03 mostra os valores de α, ß e γ obtidos a partir dos dados da tabela 2, supondo modelo de Holt-Winters Multiplicativo com medição de erro conforme o critério MAPE.
Tabela 03 – Valores das constantes
Com base no modelo calculado, partiu-se para o uso deste modelo para previsão dos mesmos 4 meses para o ano de 2023.
A tabela 04 mostra os valores gerados pelo modelo para os 4 meses do ano de 2023.
Tabela 04 – Modelos proposto
Com o intuito de verificar a qualidade do modelo, serão comparadas as previsões feitas pelo modelo e as previsões feitas pela empresária para os 4 meses de 2023.
A tabela 05 mostra o comportamento dos erros de previsão do modelo e da empresária.
Tabela 05 – Erros percentuais
Da tabela, percebe-se que o modelo proposto leva a um erro total, no período de 4 meses de 2023, inferior ao erro da empresária.
O modelo mostra-se superior a previsão da empresária nos meses de abril e julho de 2023. Nos meses de maio e junho de 2023, a empresária foi mais assertiva.
A figura 08 mostra o exposto, em vendas, na tabela 05.
Figura 08: Comparação dos modelos
Os modelos de previsão de series temporais usam o passado para previsão do futuro. No caso estudado, o erro percentual leva a concluir que o passado permitiu a criação de um modelo cujo erro percentual de previsão no futuro foi de 8,15%.
Os modelos de series temporais são adequados a empresas que armazenam informação do passado, vendas passadas.
Os modelos causais, adicionalmente, exigem que a empresa armazene uma quantidade maior de variáveis relevantes que interferem no processo de venda, daí a dificuldade de sua aplicação.
5. RESULTADO CONSIDERACOES E TRABALHOS
Ao determinar o método de previsão de demanda mais apropriado à empresa, pôde-se constatar que o método atual utilizado pela empresa apresentou uma maior falta de acuracidade ao se comparar com a previsão gerada pelo método proposto. Sabe-se que não existe um método que proporcione 100% de acerto, porém o erro constatado pode ser diminuído com a análise quantitativa dos dados.
Apesar do erro apresentado pelo método proposto, os resultados mostram potencial de melhoria e maior assertividade da previsão de demanda da empresa, com o método Multiplicativo de Holt Winters.
5.1. DIFICULDADES E LIMITAÇÕES
Ao realizar o trabalho foram encontradas algumas dificuldades tais como a falta de organização do estoque. A proprietária era leiga no assunto previsão de demanda, sendo assim, o controle de compras e vendas eram registradas apenas em uma planilha, e não possuíam um padrão, tendo dificuldade em consolidar as informações.
5.2. TRABALHOS FUTUROS
Para trabalhos futuros podem ser feitas previsões de demanda por tipo de produto, ou realizar estudos para aplicar outras técnicas de previsão de demanda.
6. REFERÊNCIAS BIBLIOGRÁFICAS
CORRÊA, Henrique, GIANESI, Irineu; CAON, Mauro. Planejamento, programação e Controle da Produção: MRP II/ERP: Conceito, Uso e Implantação. 4ª Edição. São Paulo: Editora Atlas S.A., 2001.
FELICIANO, R. A. Uma proposta de gerenciamento integrado da demanda e distribuição, utilizando sistema de apoio à decisão (SAD) com business Intelligence (BI). São Paulo, 2009. 179p. Dissertação de Mestrado – Universidade de São Paulo.
KRAJEWSKI, Lee J; RITZMAN, Larry P. Administração da Produção e Operações. São Paulo: Prentice Hall (Grupo Pearson), 2004.
MARTINS, P. G.; LAUGENI, F. P. Administração da produção. São Paulo: Editora Saraiva, 2005.
MAKRIDAKIS, S.; WHEELWRIGHT, S.; HYNDMAN, R. Forecasting: Methods and Applications. 3. ed., New York: John Wiley & Sons, 1998.
PELLEGRINI, F. R. Metodologia para implementação de sistemas de previsão de demanda. Porto Alegre, 2000. 146p. Dissertação de Mestrado – Universidade Federal do Rio Grande do Sul.
RUSSOMANO, Victor Henrique. Planejamento e Controle da Produção. 6ª Edição, São Paulo: Pioneira, 2000.
SAMOHYL, R. W.; ROCHA, R.; MATTOS, V. D. Utilização do método de Holt Winters para previsão do leite entregue às indústrias Catarinenses. In: ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO, 8.; 2001, Salvador. Anais eletrônicos… Salvador, 2001.
SERRA, Cláudio; TAVARES, Heliton; SANTOS, Julio. Aplicação de séries temporais na análise de demanda turística no estado do Pará usando os modelos de Holt-Winters. In: ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO, 7.; 2005, Porto Alegre. Anais eletrônicos… Porto Alegre, 2005.
SILVA, W. V.; SAMOHYL, R. W.; COSTA, L. S. Comparação entre os métodos de previsão univariados para o preço médio da soja no Brasil. In: ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO, 8.; 2002, Curitiba. Anais eletrônicos… Curitiba, 2002.
SLACK, Nigel; CHAMBERS, Stuart; JOHNSTON, Robert. Administração da Produção. São Paulo: Editora Atlas S.A., 2002.
TUBINO, Dalvio Ferrari. Manual de Planejamento e Controle da Produção. São Paulo: Atlas, 2000.
WERNER, Liane; RIBEIRO, José D. Modelo Composto para prever demanda através da integração de previsões. 2006. Disponível em http://www.lume.ufrgs.br/bitstream/handle/10183/21281/000592941.pdf?sequence=1.