REGISTRO DOI: 10.5281/zenodo.10205330
Marlon Oliveira Maggi1
Denis dos Santos Santiago Pereira2
Resumo
Muitas empresas não estão preparadas para as novas demandas do mercado, que muda um pouco devido à instabilidade econômica e ao advento de novas tecnologias. No entanto, algumas empresas se destacam pelo bom planejamento estratégico, que visa utilizar sua capacidade produtiva para se adequar às necessidades do mercado (demanda). Portanto, a previsão de demanda é um fator preponderante no bom planejamento estratégico de uma empresa, pois conhecer a demanda permite estimar o tamanho do estoque, capacidade de produção, mão de obra e tecnologia. Nesse contexto, este estudo tem como objetivo analisar métodos de previsão de demanda mais eficientes para os produtos mais relevantes da indústria de laticínios localizada na Zona da Mata Mineira por meio de comparações de resíduos. Para isso, dados históricos precisam ser coletados e analisados, métodos selecionados e previsões baseadas no comportamento da demanda. Para tanto, foi realizado um levantamento bibliográfico para aprimorar o conhecimento e fornecer embasamento teórico para estudos de caso para compreender os métodos quantitativos necessários para a realização deste trabalho. Assim, pelo método da curva ABC, obteve-se a bandeja de bebida láctea de 540g como o produto mais relevante da empresa. O coeficiente de Spearman válida que a demanda tende a aumentar, então os métodos de regressão linear e suavização exponencial móvel dupla foram escolhidos para compará-los e escolher o método com os menores resíduos. O método mais eficaz é o método de suavização exponencial de movimento duplo, portanto, é usado para prever a demanda para o período de novembro de 2022 a outubro de 2023. Espera-se que a pesquisa guie os gestores da empresa a tomar melhores decisões para reduzir custos e maximizar lucros por meio de uma boa gestão da produção, estoque e vendas. A conclusão final é que o método de previsão é muito importante para a empresa, pois este método orientará os departamentos de vendas, compras e produção a fim de otimizar seus processos e reduzir o custo das perdas incorridas anteriormente.
Palavras-chave: Previsão de demanda; suavização exponencial dupla; regressão linear; curva ABC.
Abstract
Many companies are not prepared for the new demands of the market, which changes slightly due to economic instability and the advent of new technologies. However, some companies stand out for their good strategic planning, which aims to use their production capacity to adapt to market needs (demand). Therefore, demand forecasting is a preponderant factor in a company’s good strategic planning, as knowing demand allows estimating the size of stock, production capacity, labor and technology. In this context, this study aims to analyze more efficient demand forecasting methods for the most relevant products from the dairy industry located in Zona da Mata Mineira through waste comparisons. To achieve this, historical data needs to be collected and analyzed, methods selected and forecasts based on demand behavior. To this end, a bibliographic survey was carried out to improve knowledge and provide a theoretical basis for case studies to understand the quantitative methods necessary to carry out this work. Thus, using the ABC curve method, the 540g dairy drink tray was obtained as the company’s most relevant product. Spearman’s coefficient validates that demand tends to increase, so the linear regression and double moving exponential smoothing methods were chosen to compare them and choose the method with the smallest residuals. The most effective method is the double motion exponential smoothing method, therefore it is used to forecast demand for the period from November 2022 to October 2023. The research is expected to guide company managers to make better decisions for reducing costs and maximizing profits through good production, inventory and sales management. The final conclusion is that the forecasting method is very important for the company, as this method will guide the sales, purchasing and production departments in order to optimize their processes and reduce the cost of previously incurred losses.
Keywords: Demand forecasting; dual mobile exponential smoothing; linear regression, ABC curve.
Introdução
O estudo está sendo realizado numa indústria de laticínios da região da Zona da Mata Mineira. Tem o papel de demonstrar e conhecer os melhores métodos de previsão quantitativa de demanda, pois a empresa estudada não possui métodos de previsão de demanda e está sujeita às decisões subjetivas dos gestores.
Com objetivo de coletar e analisar dados decorrentes da demanda para melhor estruturação dos processos de compras, vendas e produção por meio da previsão de demanda. Alcançar o aprimoramento técnico do autor para colocar em prática os conhecimentos adquiridos durante o curso. O gerenciamento de estoque proporciona economia de custos e bloqueio de capital.
Portanto, esta pesquisa visa encontrar: coleta de dados, validação dos produtos mais relevantes, volume de vendas, análise de dados históricos, seleção do método, criação da previsão de demanda e análise de resultados.
Planejamento e Controle de Estoque
Qualquer recurso material coletado pelo sistema de conversão pode ser definido como estoque. Portanto, cada processo necessita de determinados recursos para transformação, esses recursos dependem do desempenho da empresa (SLACK, 2008). Assim, a indústria de laticínios necessita de produtos armazenados como leite, soro de leite, polpa, etc. Uma empresa de serviços como uma universidade usa acadêmicos como agentes de mudança. Como neste caso os agentes a serem transformados são consumidores, não se utiliza o termo fila, mas armazém.
As empresas processadoras devem manter seus estoques porque há uma diferença entre oferta e consumo. Portanto, se a oferta for maior que o consumo, haverá excesso de produtos armazenados e, caso contrário, haverá escassez de produtos (SLACK, 2008).
Segundo Corrêa (2001, p. 49), “os acúmulos de materiais têm uma propriedade fundamental que é uma arma – no sentido de que podem ser usados para “o bem” e para “o mal”. Assim, há razões positivas que são uma arma, como evitar paradas de linhas de produção por falta de matéria-prima, garantir o preço das mercadorias em condições de incerteza de mercado e se proteger contra flutuações na demanda para que não falte produtos. Por outro lado, os pontos negativos são os armazéns serem, segundo Chiavenato (2008), armazenamento de longo prazo que ocupa espaço, requer pessoal para cuidar dele, significa que o capital está amarrado, obsoleto e deve ser armazenado em caso de incêndio e roubo, ou seja, custo para a empresa. Assim, é necessário planejar e controlar os estoques para encontrar um equilíbrio entre a quantidade de produtos a serem estocados e os custos de estocagem. No entanto, a dificuldade de encontrar tal ponto de equilíbrio deve-se à complexidade ou variedade do produto final, ou seja, quanto mais componentes um produto adicionar, mais difícil se torna o gerenciamento de estoque.
Tipos de estoque
Segundo Slack (2008), diferentes causas de oscilações entre as taxas de demanda e oferta ao longo de uma corrida levam a vários tipos de estoques, como: estoque de conservação, estoque de ciclo, estoque de antecipação e estoque de canais.
Estoque de Proteção: Também conhecido como estoque de isolamento ou estoque de segurança, é utilizado para garantir que as incertezas de oferta e demanda evitem a escassez de produtos mesmo que a demanda seja maior do que o esperado.
Estoque de Ciclo: Utilizado quando os recursos não são processados simultaneamente, ou seja, apenas em lotes. Assim, ao final de cada ciclo, o estoque é reposto.
Estoque Antecipado: Utilizado quando o ritmo de oferta e demanda diverge, este estoque permite que a empresa reserve recursos para serem utilizados na produção normal ao longo do ano, estocando produtos acabados para atender o mercado em períodos de pico de demanda ou baixa oferta.
Estoque de Canal: Também chamado de estoque de distribuição, ocorre após o envio da mercadoria ao cliente, ou seja, cada método de transporte da mercadoria até o consumidor é conhecido como estoque de canais.
Custos de estoque
Segundo Slack (2008), para tomar uma decisão sobre a quantidade exata que deve ser comprada, a empresa deve conhecer os custos associados ao estoque, tais como:
Custos de pedidos: Os custos associados às tarefas de criação de pedidos, documentação. Desde o processo de pedido, logística de entrega e organização do pagamento ao fornecedor é todo o processo de pedido.
Taxas de desconto: Normalmente, os fornecedores dão um desconto no preço de seus produtos na compra de maiores quantidades, mas para compras menores, podem cobrar alguma taxa adicional além deste pedido;
Custos descontinuados: Os custos são difíceis de mensurar, pois dependendo do final do produto, a empresa pode perder clientes para os concorrentes. Mesmo que não atinja os consumidores externos, essa falta de mercadorias pode afetar os internos e, assim, causar ociosidade da linha de produção, levando a ineficiências de processo;
Custos de capital de giro: quando um pedido é feito a um fornecedor, essa compra deve ser paga, mas há um intervalo de tempo entre esse pagamento e o recebimento dos produtos vendidos, durante o qual são necessários recursos para manter as operações da empresa, seu capital de giro. Os custos associados a este capital de giro são os juros que devem ser pagos aos bancos em caso de perda de empréstimos ou oportunidades de investimento;
Custos de armazenagem: São custos relacionados à estrutura física dos produtos em que os produtos são colocados, como aluguel ou compra de terrenos, ar condicionado, iluminação. Esses custos podem ser muito caros dependendo do material que está sendo armazenado.
Custos de obsolescência: se uma empresa tem uma política de compra em quantidades muito grandes, isso pode levar ao armazenamento de longo prazo dos produtos, com risco de obsolescência por falhas, obsolescência ou mudanças nas tendências de consumo;
Custo de Ineficiência de fabricação: Com a abordagem just-in-time, quando os níveis de estoque estão altos, a empresa não vê problemas de produção.
Gestão de Estoque
Segundo Corrêa (2008), para melhor gerenciar seus estoques, as empresas devem definir quando fazer mudanças quanto a reposição e ressuprimento (por meio de pedidos a fornecedores, quando o produto é adquirido ou por meio de produção, produtos de fabricação própria) para que não haja escassez de bens que satisfaçam a demanda.
Ponto de Ressuprimento
Segundo Corrêa (2008), os pontos de reabastecimento são momentos predeterminados nos quais deve ser solicitada a reposição dos estoques. Funciona da seguinte maneira, quando um item está sem estoque, a quantidade restante é verificada, e quando a quantidade chega ao ponto de reabastecimento, o estoque é solicitado para ser restabelecido, então o item deve ser produzido ou suprido com base no reabastecimento a granel. No entanto, o item demanda de um certo tempo para ser fabricado ou entregue pelo fornecedor (chamado de tempo de ressuprimento ou lead time).
Para Corrêa (2008), considerando que a demanda é constante, para calcular o ponto de reposição, deve-se multiplicar a taxa de demanda pelo lead time (tempo de reposição). Porém, quando a demanda é variável, é necessário um estoque de segurança, então o ponto de reabastecimento é calculado da seguinte forma:
PR = D × TR + Eseg(1)
Onde:
D = demanda;
TR = tempo de ressuprimento;
Eseg = Estoque de segurança.
Estoque de segurança
Muitas vezes, as necessidades de uma empresa são variáveis, por isso muitas delas mantêm um determinado nível de estoque (estoque de segurança) para fazer frente a essas mudanças. Esse estoque protege a empresa do mercado caso a demanda aumente após a empresa fazer um pedido de reposição, evitando assim a falta de produto (CORRÊA, 2008).
Portanto, após a solicitação de reposição de estoque, a quantidade de estoque de segurança precisa ser determinada devido ao provável aumento da demanda. O cálculo do estoque de segurança deve levar em consideração as variações em dois elementos, são eles: demanda e lead time. Consideremos aqui que a demanda é variável e o lead time é constante (CORRÊA, 2008).
Para Corrêa (2008), pode-se medir a probabilidade de derivar estimativas da média e desvio padrão. Dessa forma, você pode determinar se a demanda real provavelmente será maior do que o esperado em uma porcentagem. De fato, a partir do conhecimento do desvio padrão médio da demanda, é possível definir a quantidade de estoque que deve ser mantida de forma que apenas 5% ou 1% da demanda não seja atendida, ou seja, o nível de estoque de segurança necessário para atender o nível de serviço oferecido aos clientes, essa relação é dada por:
Onde:
Eseg = estoque de segurança;
FS = fator de segurança, que é uma função do nível de serviço que se pretende;
σ = desvio-padrão estimado para a demanda futura;
LT = lead time de ressuprimento;
PP = periodicidade à qual se refere a vários possíveis níveis de serviço.
Lote Econômico
Existem duas razões para analisar se deve estocar um produto: É vantajoso estocar itens que possuem alto custo de estocagem para atender os clientes de uma forma que os agrade? No entanto, como não sabemos se os clientes estarão dispostos a esperar muito até que a empresa produza ou compre o produto e, portanto, a insatisfação do cliente com o serviço, não faremos estoque de itens, mesmo que seja antieconômico. É difícil dizer se vale a pena. Podendo trazer um prejuízo que pode custar clientes (DIAS, 2010).
Lote Econômico de Compra (LEC)
Segundo Dias (2010), dois tipos básicos de custos devem ser considerados para definir a quantidade a ser comprada ou produzida. Uma que aumenta com o tamanho do pedido, o custo de manutenção do estoque (Ce), e outra que diminui com o volume do pedido, esses são os custos de colocação de pedido (Cp). Ao fazer isso, as empresas precisam definir lotes de compra econômicos para encontrar um equilíbrio entre os custos de armazenamento e os custos de pedidos para que o custo total seja satisfatório.
Segundo Slack (2008), o custo total de um pedido geralmente é definido pelo custo de frete e descontos. Você corre o risco de tempo de inatividade, custos de armazenamento e custos perdidos. Ao determinar estes custos e entender suas necessidades, uma empresa pode calcular lotes de compra econômicos, tempo necessário entre pedidos e frequência de pedidos de acordo com a equação (3):
LEC =
Quando usamos o LEC:
Tempo entre pedidos = 
Frequência de pedidos = 
Onde:
Cp = Custo de pedido;
Ce = Custo de estocagem;
D = Demanda.
Assim, é possível determinar a quantidade que uma empresa pode comprar. Mesmo que haja algum desvio do LEC, o custo não aumentará porque está mais próximo do ideal. Portanto, por serem difíceis de estimar com precisão, pequenos desvios nas estimativas de custos de manutenção e pedidos não fazem diferença significativa no custo total.
Curva ABC
A curva ABC foi criada por Vilfredo Pareto, uma figura renascentista italiana do século XIX, em 1987 realizou um estudo sobre a distribuição de renda da população. Por meio dessa pesquisa, ele observa a desigualdade de renda da população e analisa que 80% da riqueza está nas mãos de 20% da população. Desde então, o conceito tornou-se uma ferramenta muito útil na gestão de outros setores, como o comércio e a indústria (POZO, 2007).
A curva ABC pode ser aplicada a qualquer cargo ou atividade, pois é uma importante ferramenta de gestão de estoque que busca diferenciar os itens de estoque para reduzir custos de manutenção e melhorar a gestão de um negócio. Foi usado pela primeira vez pela General Electric para gerenciamento de estoque e provou ser uma ferramenta fácil de usar (POZO, 2007).
De acordo com Arnold (2012), melhorar a gestão de estoque requer responder a quatro perguntas: Qual a importância dos itens de estoque? Como os itens são rastreados? Devo encomendar um estande? Quando devo pedir? O sistema ABC permite responder às duas primeiras questões, definir os artigos mais relevantes do seu armazém e proporcionar aos gestores diferentes modos de controle.
Segundo Arnold (2012), algumas empresas mantêm um grande número de itens em estoque, resultando em altos custos de manutenção. Portanto, para reduzir custos, a empresa precisa saber quais produtos são mais importantes. Isso geralmente é definido pela contabilidade de todo ano para cada item.
Segundo Martins e Campos (2009), a curva ABC visa classificar itens de alta e baixa importância no inventário, sendo a classe A, a mais importante, a classe B intermediária, os menos importantes enquadram-se na classe C. Defina a classe a que pertence cada produto, o valor monetário semestral ou anual que o produto gera na empresa e combine-os em ordem decrescente.
Portanto, o item A representa cerca de 80% do valor da transação, o item B cerca de 15% e o item C detém o restante. No entanto, produtos de baixo volume são os que geram mais receita. Normalmente, os itens A representam cerca de 20% do produto total, os itens B 30% e os itens C 50%.
Assim, os elementos pertencentes à classe A são os que precisam de mais recursos e esforços para controlá-los. Registros completos e precisos são necessários, juntamente com análises gerenciais regulares e previsões de demanda altamente assertivas. Os itens da classe B, por outro lado, requerem controle menos rigoroso e atenção regular. Por fim, o ponto C é o menos importante e pode ser controlado de forma mais fácil com pouco ou nenhum registro. Ele permite que as empresas definam as melhores formas de gerenciar o estoque e dar mais atenção aos itens que mais importam (ARNOLD, 2012).
GESTÃO DA DEMANDA
Em relação a Heizer & Render (p. 103, 1999), eles afirmam: “Prever é a arte e a ciência de predizer eventos futuros. Isso pode envolver a utilização de dados históricos e a sua projeção no futuro com algum modelo matemático. A previsão pode ser subjetiva ou intuitiva.”
Porém para Arnold (2012), as previsões são antevisão dos planos. Ou seja, analisa e avalia os termos da cotação dentro de um determinado período de tempo. Corrêa (2000) pontua que as previsões são estimativas de como a demanda do mercado se comporta em períodos futuros e especulações sobre o quanto o mercado pode absorver.
Prever vendas é importante, pois as preparações de planejamento de demanda são baseadas em dados de vendas anteriores analisados estatisticamente, incluindo informações de agentes, incluindo pontos de contato com clientes (representantes, representantes de vendas, etc.) e informações obtidas da mídia e do mercado (CORRÊA, 2001).
Chiavenato (2008) afirma que a previsão de demanda deve incluir todos os produtos/serviços da empresa e suas respectivas vendas para cada mês do exercício. Essa quantidade esperada é a quantidade que será produzida e estará disponível para o departamento de vendas enviar aos clientes. Assim, a previsão de demanda orienta a produção e indica o tempo e a quantidade adequados de produção.
As demandas são divididas em dependentes e independentes. A primeira é se precaver com antecedência, pois em um mercado estável e sem flutuações haverá pedidos e absorção, enquanto a demanda independente utiliza previsões baseadas no passado para saber o que esperar no futuro (SLACK, 1996).
Segundo Arnold (2012), as empresas estão focadas em atender seus clientes. Operações voltadas para o gerenciamento de materiais e alocação de recursos para eles (Figura 4). Assim, a coordenação dos planos desses dois setores representa a gestão da demanda, função de identificar e gerenciar as necessidades do produto a curto, médio ou longo prazo. O plano estratégico de uma empresa precisa da visão de longo prazo, engloba instalações, lucros (retorno) e investimentos. A visão de médio prazo forma a base para o planejamento de necessidades agregadas e é útil para o planejamento da produção. Uma perspectiva de curto prazo é necessária, pois forma a base para os principais planos de produção.
Antes de executar a previsão de demanda, precisamos analisar os dados históricos e escolher hipóteses para seu comportamento. Basicamente, a hipótese de permanência, onde os dados são estáveis e apresentam pouca flutuação como sazonalidade, flutuações, etc., e a hipótese sazonal com permanência, onde os dados flutuam em torno da média de forma razoável. Uma hipótese de trajetória que consiste em dados aumentando ou diminuindo a uma taxa constante. Sem sazonalidade. Hipótese sazonal com órbita. O comportamento sazonal explicável é adicionado em torno da média a uma taxa uniforme constante (CORRÊA, 2001).
A natureza dos métodos de previsão de demanda de Gaither & Frazier (2002) pode ser classificada como: qualitativa ou quantitativa. Os métodos qualitativos são baseados em julgamentos subjetivos e arbitrários sobre o comportamento de vendas de produtos, baseados em opiniões e/ou suposições intuitivas. Já os métodos quantitativos são previsões feitas por meio de modelagem matemática com base em dados históricos, onde se assume que tais dados passados são relevantes para a compreensão do comportamento das necessidades futuras.
MODELOS DE PREVISÃO DE DEMANDA
Modelo de Regressão Linear Simples
Parte em que se apresenta as conclusões correspondentes aos objetivos e hipóteses propostos.
Para Martins & Domingues (2014), o processo de desenvolvimento de um modelo estatístico começa com a análise de correlação de duas variáveis, ou análise bivariada, que associa uma unidade de medida a uma variável X e outra a Y. Ao analisar esses dados, o modelo resultante pode prever os valores para a variável dependente, ou Y, em função dos valores da variável independente, ou X. De fato, a regressão linear pode ser representada como:
Onde:
α = intercepto da reta;
β = inclinação da reta;
ε_i = erro aleatório de Y para a observação i.
Método dos Mínimos Quadrados
Martins & Domingues (2014) afirmam que é de suma importância traçar a equação da reta para se realizar a regressão linear. A regressão linear requer a determinação de uma equação e dos parâmetros a e b. Depois de calculados, a linha pode ser ajustada aos dados usando o Método dos Mínimos Quadrados, que calcula 
Onde:
Ŷ = o valor da previsão de Y para uma observação de X_i;
X_i= o valor de X para a observação i;
a = estimador de α;
b = estimador de β.
Suavizamento Exponencial
Para Gaither e Frazier (2002), a suavização exponencial móvel pega dados de previsão de períodos anteriores e realiza ajustes para obter previsões para períodos futuros. Esse ajuste é a porcentagem do erro de previsão anterior multiplicado por uma constante α entre 0 e 1, chamada de constante de amortecimento. Para séries com inclinação, a constante de tendência β incorpora suavização exponencial de movimento duplo de modo que as estimativas médias e de tendência sejam suavizadas.
Sendo que:
Onde:
S t= Previsão amortecida no período t;
T t= Estimativa da tendência no período t;
A t = Dados reais no período t;
t = o período de tempo seguinte;
t – 1= o período de tempo anterior;
FT1 = previsão com tendência no período t;
α = constante de amortecimento para a média, de 0 a 1;
β = constante de amortecimento para a tendência, de 0 a 1;
COEFICIENTE DE CORRELAÇÃO
Coeficiente de correlação de Pearson
Segundo Martins & Domingues (2014), o coeficiente de correlação do produto dos momentos de Pearson aponta a força da relação linear entre duas variáveis intervalares. Esse coeficiente muda de -1 a +1, ou em percentual -100 % a +100 %, portanto, quanto mais próximo o coeficiente estiver de +1 ou -1, melhor será a associação linear. De fato, a intensidade dessa conexão é apenas matemática. Assim, deixa as implicações de causa e efeito. Devido ao fato de ambas as variáveis aumentarem ou diminuírem juntas, isso não significa que uma aguente um resultado direto ou indireto sobre a outra, mas ambas podem ser influenciadas por outras variáveis de tal forma que uma forte associação se desenvolva entre elas.
Onde:
Sendo:
Levine et al. (2012) pontuam que o coeficiente de determinação é 
Onde:
Coeficiente de Correlação dos Postos de Spearman
Para Martins & Domingues (2014), o coeficiente de Spearman é uma grandeza que mede a força da correlação entre duas variáveis de acordo com sua ordem, permitindo classificar os objetos sob investigação em duas séries ordenadas.
Onde:
n = tamanho da amostra.
Metodologia
Para Mascarenhas (2012), metodologia é um modo de descrever tudo o que foi feito durante um estudo, descrevendo assim os métodos utilizados, os participantes envolvidos, o tipo de estudo, as ferramentas utilizadas e como fazer. Portanto, é necessário conhecer bem o sujeito da pesquisa para selecionar e aplicar o método de pesquisa ideal ou mais adequado.
Métodos são condutas sistemáticas para descrever e explicar eventos naturais e humanos. Assim, o método científico identifica problemas, faz as observações necessárias e sempre os compara com a teoria. Portanto, além dos métodos tradicionais como abordagens e procedimentos, destacam-se dois métodos qualitativos e quantitativos que também são utilizados em pesquisas científicas (MARCONE e LAKATOS, 2017, p. 295).
Tipos de abordagem
A metodologia científica pode ser agrupada em tipos: abordagem qualitativa e quantitativa.
Metodologia Qualitativa
Segundo Leite (2008), os métodos qualitativos não requerem puramente o uso de ferramentas estatísticas, mas análises derivadas de pesquisas teóricas ou históricas. O método pode, portanto, ser aplicado em situações comparativas onde a intenção é verificar a extensão, extensão ou intensidade de um fenômeno. Ou seja, a aplicação desse método é limitada ao tipo de estudo ou suas vantagens. Este método, portanto, tem grande poder para analisar eventos dado o contexto em que o estudo está inserido.
A expressão “pesquisa descritiva” pode lembrar ou mesmo sugerir a “estatística descritiva”, aquela que tabula dados, edita gráficos, calcula médias e frequência, mas o termo descritivo está de fato, intimamente relacionado com o ato de descrever. Uma pesquisa dita descritiva relaciona-se com o processo de descrever fatos, fenômenos e dinâmicas sociais. Quando estudos desse tipo são investigados, o pesquisador não necessitará utilizar a estatística descritiva, ficando configurada como uma pesquisa qualitativa. Alguns tipos de pesquisa qualitativa podem, por exemplo, descrever fenômenos como: dinâmicas populacionais ou de grupos sociais; comportamentos individuais ou dos grupos; opiniões sobre indivíduos ou processos; investigação de fatos passados; análise de valores culturais; dentre outros relacionados à estruturação de grupos sociais (LEITE, 2008, p. 100).
Metodologia Quantitativa
Métodos quantitativos são aplicados a pesquisas que usam estatística e matemática como fontes primárias de informação para análise. Esses métodos são comumente utilizados em estudos como pesquisa de mercado, campanhas políticas, controle de qualidade, controle normativo e motivacional, ou seja, experimentos que coletam e avaliam dados quantitativos. Desta forma, o estudo utiliza métodos estatísticos e matemáticos, e desenvolve diversas ferramentas de coleta e análise de dados, de forma que as estatísticas são divididas em dois grupos: estatísticas espaciais; Estatísticas descritivas, que geram tabelas de dados agregados das populações observadas, para demonstrar a completude dos dados. Informações obtidas (LEITE, 2008).
Métodos de Pesquisa
Os ambientes em que a pesquisa é conduzida variam amplamente, assim como as técnicas e métodos de coleta e análise de dados nesses ambientes. Portanto, é necessário classificar os estudos de acordo com seu desenho, ou seja, de acordo com a escala e enquadramento do estudo, os objetivos e as técnicas de coleta e análise de dados (GIL, 2010, p. 29).
Pesquisa Bibliográfica
De acordo com Leite (2008), a pesquisa bibliográfica geralmente é realizada em bibliotecas e acervos, com base em trabalhos publicados como jornais, revistas, livros, dissertações e artigos acadêmicos. Portanto, o método auxilia no alcance dos objetivos da pesquisa.
A principal vantagem da pesquisa bibliográfica reside no fato de permitir ao investigador a cobertura de uma gama de fenômenos muito mais ampla do que aquela que poderia pesquisar diretamente. Essa vantagem torna-se particularmente quando o problema de pesquisa requer dados muitos dispersos pelo espaço. Por exemplo, seria impossível um pesquisador percorrer todo o território brasileiro em busca de dados sobre a população ou renda per capita; todavia, se tem a sua disposição uma bibliografia adequada, não terá maiores obstáculos para contar com as informações requeridas. A pesquisa bibliográfica também é indispensável nos estudos históricos. Em muitas situações não há outras maneiras de conhecer os fatos passados se não com base nos dados bibliográficos (GIL, 2010, p. 30).
Pesquisa Estudo de Caso
Para Severino (2007), é uma metodologia que consiste em estudar um caso específico dentro de um grupo de casos semelhantes de forma representativa. Portanto, os casos selecionados devem ser capazes de suportar comparação e generalização, a fim de tirar conclusões.
Para Gil (2010), o método de pesquisa se divide em: estudo de caso único e estudo de caso múltiplo. O estudo de caso refere-se a um grupo, empresa ou organização, enfim, uma causa clara. Ao contrário dos estudos de caso múltiplos ou em grupo, os pesquisadores estudam vários casos simultaneamente para facilitar o estudo de um fenômeno particular.
Para Triviños (1987), o estudo de caso histórico organizacional é um método de examinar a vida de uma organização, desde seus arquivos, histórias e publicações até entrevistas pessoais e pesquisas. Munidos dessas informações, os pesquisadores traçam limites antes de coletar dados no estudo de caso.
Pesquisa-Ação
“A pesquisa-ação é aquela que, além de compreender, visa intervir na situação com vistas a modificá-las. o conhecimento visado articula-se a uma finalidade intencional de alteração da situação pesquisada” (SEVERINO, 2007, p.120).
A pesquisa-ação tem características situacionais, já que procura diagnosticar um problema específico numa situação específica, com vista a alcançar algum resultado prático, diferentemente da pesquisa tradicional, não visa a obter enunciados científicos generalizáveis, embora a obtenção de resultados semelhantes em estudos diferentes possa contribuir para algum tipo de generalização (GIL, 2010, p.42).
Metodologia Aplicada
Neste estudo, um extenso estudo bibliográfico da literatura publicada (como livros, artigos científicos, monografias) foi realizado com o objetivo de formar a base do tema de pesquisa e ajudar a desenvolver este trabalho. Como as pesquisas medem, medem e calculam, as pesquisas são classificadas usando uma abordagem quantitativa.
Da mesma forma, o presente trabalho se enquadra como um estudo de caso, pois analisa dados de uma empresa que busca obter o melhor desempenho de suas operações, e com a otimização para que o pesquisador não interfira nos resultados é suficiente para provar seu ponto.
Coleta de Dados
O estudo foi realizado em uma empresa de laticínios localizada na Zona da Mata, Minas Gerais, com o objetivo de elaborar previsões de demanda que melhor se adequassem às necessidades dos produtos de maior giro.
Inicialmente, identificou-se a necessidade do planejamento da produção, para o qual era necessário prever as vendas dos produtos, vivenciar os seguintes processos: compras, produção, comercialização, logística e financiamento.
A empresa alvo do estudo conta com mais de 30 grupos de produtos. Devido a esta mudança, o projeto enfatiza o estudo dos produtos mais rentáveis, de modo que os métodos de previsão utilizados ajudarão principalmente nas ordens de produção e estoques de produtos acabados. O produto porque é perecível de 1 a 5 meses. Para tanto, foram estudados dados históricos de faturamento de 2017 a fim de encontrar os produtos mais relevantes para a empresa utilizando o método da curva ABC.
Os dados históricos de vendas para os produtos mais relevantes de agosto de 2014 a julho de 2018 são tabulados abaixo. A partir desses dados, um coeficiente de Spearman é calculado para revelar se a demanda está estável ou com tendência de alta ou baixa. Correlação das vendas ao longo do tempo.
Depois de determinar o comportamento da demanda, os dados são coletados mensalmente e, em seguida, os métodos de regressão linear e suavização exponencial são aplicados à demanda esperada para o período de agosto de 2017 a julho de 2018, e a demanda esperada é comparada com a demanda real, e o residual valor de cada método é calculado.
Em seguida, é analisado o método mais eficaz de cálculo de previsões de demanda para períodos futuros para orientar as empresas em sua implementação. A empresa pesquisada coletou dados de julho a agosto de 2018, para isso foram utilizados recursos do Microsoft Excel 2019 para tabulação de dados, métodos de cálculo e produção de gráficos.
ESTUDO DE CASO
A Empresa
O trabalho foi executado em um laticínio da Zona da Mata Mineira. A empresa investigada comercializa e negocia uma variedade de produtos lácteos, incluindo bebidas lácteas, requeijões, leite fermentado e queijos há mais de 20 anos. Atualmente, são mais de 30 produtos fabricados. O faturamento médio da empresa hoje é de R$ 1.800.000,00. Ou seja, é considerada uma empresa de médio porte. Seu principal mercado é o estado do Rio de Janeiro, onde mais de 90% de suas vendas são efetuadas, mas também atingem pontos nos estados de Minas Gerais e Espírito Santo.
DISCUSSÕES E RESULTADOS
A proposta do trabalho, baseou-se na necessidade da empresa conhecer sua capacidade futura de vendas e abastecimento, pois os produtos lácteos são altamente perecíveis e se produzir mais do que o mercado pode absorver, acarretará prejuízos. Caso contrário, produza menos. A necessidade obriga o mercado a buscar a concorrência. Desta forma, além de poder direcionar a força de vendas para atingir metas pré-determinadas, a empresa também tem um entendimento mais preciso das quantidades a serem produzidas para planejar e controlar a produção, bem como os recursos humanos e materiais. Em termos quantitativos, isso elimina subjetivamente as estimativas de vendas feitas anteriormente pelos gestores da empresa.
Portanto, estuda-se o comportamento de vendas de cada produto para determinar qual produto é economicamente mais adequado para a empresa e encontrar o método de previsão de demanda mais eficiente, ou seja, o método com menor erro residual.
Curva ABC
Para selecionar os produtos economicamente mais favoráveis para a empresa, é utilizada a ferramenta curva ABC. Para isso, foram verificadas as notas fiscais de 2017 de cada produto. Na verdade, esse método adota uma classificação “A, B, C” para 80% e 15% dos produtos que estão de acordo com as notas fiscais da empresa, respectivamente, conforme Gráfico 1 e Tabela 1:
Gráfico 1: Curva ABC do mix de produtos da empresa.
Fonte: AUTOR, 2018.
Tabela 1: Classificação da Curva ABC do mix de produtos da empresa.
| Classificação ABC no ano 2017 | ||||
| Produtos | Faturamentos | Porcentagem Individual (%) | Porcentagem Acumulada (%) | Classificação |
| Bandeja Bebida Láctea 540g | R$ 7.318.837,10 | 33,29% | 33,29% | A |
| Bandeja Leite Fermentado 320g | R$ 2.231.503,83 | 10,15% | 43,44% | A |
| Bebida Láctea Morango 1kg | R$ 2.172.307,04 | 9,88% | 53,32% | A |
| Bebida Láctea Salada de Frutas 1kg | R$ 1.025.226,22 | 4,66% | 57,98% | A |
| Queijo Lanchão | R$ 761.590,48 | 3,46% | 61,44% | A |
| Requeijão Cremoso | R$ 711.855,58 | 3,24% | 64,68% | A |
| Queijo Minas Padrão | R$ 663.736,99 | 3,02% | 67,70% | A |
| Bebida Láctea Coco 1kg | R$ 643.759,44 | 2,93% | 70,63% | A |
| Bebida Láctea Pêssego 1kg | R$ 643.299,43 | 2,93% | 73,56% | A |
| Queijo Muçarela | R$ 597.055,99 | 2,72% | 76,28% | A |
| Bebida Láctea Ameixa 1kg | R$ 566.979,61 | 2,58% | 78,86% | A |
| Bebida Láctea Guaraná com Açaí 1kg | R$ 556.148,82 | 2,53% | 81,39% | B |
| Iogurte bandeja 540g | R$ 475.418,29 | 2,16% | 83,55% | B |
| Requeijão Cremoso Light | R$ 446.353,25 | 2,03% | 85,58% | B |
| Queijo Minas Lanche | R$ 418.946,52 | 1,91% | 87,49% | B |
| Petit Suísse Morango 270g | R$ 403.716,45 | 1,84% | 89,33% | B |
| Bebida Láctea Morango 170g | R$ 403.469,14 | 1,84% | 91,17% | B |
| Bebida Láctea Light 1kg | R$ 367.606,84 | 1,67% | 92,84% | B |
| Requeijão Cremoso Ervas Finas | R$ 257.616,57 | 1,17% | 94,01% | B |
| Queijo Provolone Defumado | R$ 246.580,65 | 1,12% | 95,13% | C |
| Bebida Láctea Salada de Frutas 170g | R$ 239.423,06 | 1,09% | 96,22% | C |
| Petit Suísse Banana 270g | R$ 235.088,73 | 1,07% | 97,29% | C |
| Bebida Láctea Morango 850g | R$ 105.115,96 | 0,48% | 97,77% | C |
| Bebida Láctea Pêssego 170g | R$ 95.070,00 | 0,43% | 98,20% | C |
| Bebida Láctea Coco 170g | R$ 86.048,98 | 0,39% | 98,59% | C |
| Bebida Láctea Guaraná com Açaí 170g | R$ 84.039,00 | 0,38% | 98,97% | C |
| Bebida Láctea Salada de Frutas 850g | R$ 83.678,83 | 0,38% | 99,35% | C |
| Manteiga | R$ 61.645,47 | 0,28% | 99,63% | C |
| Bebida Láctea Light 170g | R$ 49.924,68 | 0,23% | 99,86% | C |
| Queijo Ricota | R$ 15.811,07 | 0,07% | 99,93% | C |
| Leite Fermentado 80g | R$ 13.273,55 | 0,06% | 99,99% | C |
| Muçarelinha | R$ 2.098,55 | 0,01% | 100,00% | C |
| Total | R$ 21.983.226,52 | 100,00% | ||
Fonte: AUTOR, 2018.
A Curva ABC avaliou que o produto mais expressivo da empresa é a bandeja de bebida láctea de 540g, por isso foi selecionada para o estudo. Através da curva ABC também podemos observar que a empresa possui diversos produtos muito importantes na composição dos tickets de faturamento, que representam 34,38% de sua carteira total de produtos, os intermediários formam 25% e os menos significativos 40,63%.
Correlação de Spearman
Para entender a conduta da demanda dos produtos mais relacionados ao negócio, previamente determinado pelo método da curva ABC, foram coletados dados históricos de vendas de quantidades de produtos no período de agosto de 2014 a julho de 2018. O cálculo da relevância pela classificação de Spearman leva em consideração o comportamento enviesado porque o resultado é próximo da primeira ordem, aumenta quando o resultado é positivo e diminui quando é negativo. A Tabela 2 mostra os cálculos de correlação de Spearman.
Tabela 2: Coeficiente dos postos de Spearman.
| Produto: Bandeja Bebida Láctea – Coeficiente de Spearman | ||||||
| Mês | Tempo | Vendas | Crescente | RT | Δ | T= Δ^2 |
| AGO – 2014 | 1 | 163187 | 151107 | 2 | 1 | 1 |
| SET – 2014 | 2 | 186671 | 163187 | 3 | 1 | 1 |
| OUT – 2014 | 3 | 201145 | 186671 | 5 | 2 | 4 |
| NOV -2014 | 4 | 151107 | 193273 | 1 | -3 | 9 |
| DEZ – 2014 | 5 | 193273 | 201145 | 4 | -1 | 1 |
| JAN – 2015 | 6 | 237628 | 237628 | 6 | 0 | 0 |
| FEV – 2015 | 7 | 268272 | 238370 | 12 | 5 | 25 |
| MAR – 2015 | 8 | 300918 | 243109 | 19 | 11 | 121 |
| ABR – 2015 | 9 | 331979 | 256830 | 24 | 15 | 225 |
| MAI – 2015 | 10 | 238370 | 266624 | 7 | -3 | 9 |
| JUN – 2015 | 11 | 281459 | 268268 | 14 | 3 | 9 |
| JUL – 2015 | 12 | 295652 | 268272 | 18 | 6 | 36 |
| AGO – 2015 | 13 | 268268 | 269059 | 11 | -2 | 4 |
| SET – 2015 | 14 | 256830 | 281459 | 9 | -5 | 25 |
| OUT – 2015 | 15 | 304704 | 284518 | 20 | 5 | 25 |
| NOV -2015 | 16 | 269059 | 288818 | 13 | -3 | 9 |
| DEZ – 2015 | 17 | 284518 | 289676 | 15 | -2 | 4 |
| JAN – 2016 | 18 | 288818 | 295652 | 16 | -2 | 4 |
| FEV – 2016 | 19 | 243109 | 300918 | 8 | -11 | 121 |
| MAR – 2016 | 20 | 289676 | 304704 | 17 | -3 | 9 |
| ABR – 2016 | 21 | 309486 | 307567 | 22 | 1 | 1 |
| MAI – 2016 | 22 | 360019 | 309486 | 29 | 7 | 49 |
| JUN – 2016 | 23 | 361763 | 328951 | 30 | 7 | 49 |
| JUL – 2016 | 24 | 343976 | 331979 | 25 | 1 | 1 |
| AGO – 2016 | 25 | 426895 | 343976 | 44 | 19 | 361 |
| SET – 2016 | 26 | 391267 | 347089 | 37 | 11 | 121 |
| OUT – 2016 | 27 | 328951 | 347208 | 23 | -4 | 16 |
| NOV – 2016 | 28 | 307567 | 357436 | 21 | -7 | 49 |
| DEZ – 2016 | 29 | 266624 | 360019 | 10 | -19 | 361 |
| JAN – 2017 | 30 | 385981 | 361763 | 36 | 6 | 36 |
| FEV – 2017 | 31 | 378653 | 362635 | 34 | 3 | 9 |
| MAR – 2017 | 32 | 482093 | 372496 | 48 | 16 | 256 |
| ABR – 2017 | 33 | 357436 | 378139 | 28 | -5 | 25 |
| MAI – 2017 | 34 | 378139 | 378653 | 33 | -1 | 1 |
| JUN – 2017 | 35 | 362635 | 379020 | 31 | -4 | 16 |
| JUL – 2017 | 36 | 347089 | 385981 | 26 | -10 | 100 |
| AGO – 2017 | 37 | 463334 | 391267 | 45 | 8 | 64 |
| SET – 2017 | 38 | 398211 | 398211 | 38 | 0 | 0 |
| OUT – 2017 | 39 | 479010 | 411532 | 47 | 8 | 64 |
| NOV – 2017 | 40 | 411612 | 411612 | 40 | 0 | 0 |
| DEZ – 2017 | 41 | 379020 | 417708 | 35 | -6 | 36 |
| JAN – 2018 | 42 | 422700 | 421740 | 43 | 1 | 1 |
| FEV – 2018 | 43 | 372496 | 422700 | 32 | -11 | 121 |
| MAR – 2018 | 44 | 411532 | 426895 | 39 | -5 | 25 |
| ABR – 2018 | 45 | 477104 | 463334 | 46 | 1 | 1 |
| MAI – 2018 | 46 | 347208 | 477104 | 27 | -19 | 361 |
| JUN – 2018 | 47 | 417708 | 479010 | 41 | -6 | 36 |
| JUL – 2018 | 48 | 421740 | 482093 | 42 | -6 | 36 |
| Total | 15681705 | 2837 | ||||
| Coeficiente de Spearman | 0,846 | |||||
Fonte: AUTOR, 2018.
Os cálculos de correlação de Spearman indicam que a demanda tende a aumentar porque a pontuação resultante é 0,846, que está mais próxima de 1 do que de 0, e aumenta positivamente. Para ilustrar o comportamento da demanda, um gráfico de dispersão (Gráfico 2) foi usado para destacar as tendências de crescimento nesses dados históricos de vendas.
Gráfico 2: Dispersão da demanda de vendas passadas.
Fonte: AUTOR, 2018.
Correlação de Pearson
O mecanismo de Pearson (R) marca parâmetros para entender a força das variáveis que afetam os outros e demonstra quantitativamente a força dessa associação. Portanto, quanto mais próximo o valor estiver de 1, seja positivo ou negativo, indica maior índice de correlação. Consequentemente, o coeficiente médio obtido neste estudo é de 0,8974 ou 89,74%, o que indica uma boa correlação entre a variável demanda e a variável tempo. No entanto, também podemos avaliar o quão bem a correlação é justificada pelo método R ao quadrado. Portanto, este estudo mostra que o coeficiente de correlação de Pearson, que 81,43% são os fatores explicativos da gestão da empresa, marketing, vendas, qualidade do produto, preço, produção, prazo de entrega, etc., indicando que essa relação é um fator que pode ser controlado pela empresa, que indica que definirá as vendas deste item em 81,43%. Por outro lado, 18,57% são efetivamente variáveis fora do controle da empresa, como inflação, economia, poder de compra do consumidor, crise política, fatores legais e outros fatores externos. Dessa forma, os valores esperados podem ter um erro de 18,57%, pois dependem apenas das externalidades de mercado, ou seja, o mercado intervém diretamente na demanda da empresa com suas alterações e imprecisões. A Tabela 3 mostra os valores do coeficiente de Pearson e R² com as inserções mensais médias.
Tabela 3: Valores do coeficiente do Pearson e R2.
Fonte: AUTOR, 2018.
Métodos de previsão de demanda
Para decidir qual método usar para previsão de demanda, precisamos entender o comportamento das vendas e, portanto, identificar a sazonalidade assimétrica. Portanto, essa sazonalidade deve ser “desagregada” agrupando os dados por meses para aplicar esses métodos. Portanto, para demanda sem sazonalidade e tendência, optou-se pelo método de regressão linear e suavização exponencial.
Para escolher o melhor método de previsão de demanda do produto de agosto de 2018 a julho de 2019, os dois métodos devem ser comparados com o cálculo residual.
Regressão Linear
O método de regressão linear embasa na correlação de duas variáveis, análise bivariada, onde uma é a interseção das linhas e a outra é a inclinação da linha porque ela tem uma direção. Portanto, é preciso calcular os mínimos quadrados para encontrar essas variáveis e formular a equação da linha para cada mês, onde a variação sazonal foi “quebrada” antes e os dados foram agrupados mensalmente.
Conforme mostra o Gráfico 3, o mês de agosto teve um aumento significativo com 300.147 produtos vendidos entre 2014 e 2017.
Gráfico 3: Equação da reta e dispersão da demanda de venda do mês de agosto.
Fonte: Autor, 2018.
Concluída a análise de setembro, a demanda cresceu fortemente entre 2014 e 2016, com aproximadamente 204.596 unidades vendidas, antes de se estabilizar em 2017, conforme o gráfico 4.
Gráfico 4: Equação da reta e dispersão da demanda de venda do mês de setembro.
Fonte: AUTOR, 2018.
Em outubro, as vendas de produtos aumentaram em 277.865 unidades, para o quadriênio analisado, e nos anos de 2014 e 2015 a demanda cresceu. Em 2016, o crescimento da demanda foi basicamente estável, e em 2017 voltou a crescer de forma significativa, conforme gráfico 5.
Gráfico 5: Equação da reta e dispersão da demanda de venda do mês de outubro.
Fonte: AUTOR, 2018.
Em novembro, houve um crescimento fora do padrão entre 2014 e 2015 e nos anos de 2016 e 2017. A demanda também aumentou entre 2015 e 2016, mas foi menor do que em outros períodos. O crescimento total das vendas de 2014 a 2017 foi de 260.505 produtos, conforme o Gráfico 6.
Gráfico 6: Equação da reta e dispersão da demanda de venda do mês de novembro.
Fonte: AUTOR, 2018.
Em dezembro, as vendas aumentaram entre os anos de 2014 e 2015. Porém a demanda caiu ligeiramente em 2016, mas voltou a crescer em 2017. As vendas nesses períodos aumentaram em um total de 185.747 unidades, conforme mostra o gráfico 7.
Gráfico 7: Equação da reta e dispersão da demanda de venda do mês de dezembro.
Fonte: AUTOR, 2018.
Janeiro foi o período em que a tendência de crescimento ficou mais alinhada com a demanda, e os dados são um pouco diferentes da linha de crescimento. Conforme mostra o Gráfico 8, esse aumento foi de 185.072 unidades vendidas do produto.
Gráfico 8: Equação da reta e dispersão da demanda de venda do mês de janeiro.
Fonte: AUTOR, 2018.
Pela análise de fevereiro, a demanda apresentou mais sazonalidade, mas o ritmo de crescimento das vendas foi de 104.224 unidades, houve uma leve queda de 2015 a 2016, e um salto maior na demanda entre 2016 e 2017, mas ainda uma leve queda entre 2017 e 2018. Veja o Gráfico 9.
Gráfico 9: Equação da reta e dispersão da demanda de venda do mês de fevereiro.
Fonte: AUTOR, 2018.
O desempenho de março foi muito semelhante ao de fevereiro, mas em 2017 houve um forte crescimento de mais de 180.000 unidades em relação a 2016. Porém, em 2018 as vendas caíram drasticamente. No entanto, conforme mostrado no Gráfico 10, as vendas gerais aumentaram em 110.614 unidades.
Gráfico 10: Equação da reta e dispersão da demanda de venda do mês de março.
Fonte: AUTOR, 2018.
Em abril, houve queda no ano de 2016 em relação a 2015, e depois mostrou uma tendência crescente. Em 2017, as vendas se recuperaram e, em 2018, obtiveram lucro, com vendas aumentando em mais de 119.000 unidades ano ano. Assim, como mostra o Gráfico 11, as vendas totais de abril aumentaram em 145.125 unidades.
Gráfico 11: Equação da reta e dispersão da demanda de venda do mês de abril.
Fonte: AUTOR, 2018.
Em maio, a demanda se mostrou cada vez maior até 2017, mas em 2018, a demanda caiu. No entanto, no geral, a demanda aumentou, com um total de 108.838 unidades vendidas, conforme o Gráfico 12.
Gráfico 12: Equação da reta e dispersão da demanda de venda do mês de maio.
Fonte: AUTOR, 2018.
A demanda de vendas em junho ficou em simétrica com a linha de crescimento, com pouca oscilação. Por exemplo, em 2016 e 2018 houve crescimento significativo em relação a 2015 e 2017, respectivamente. O crescimento geral foi de 136.249 unidades vendidas, conforme gráfico 13.
Gráfico 13: Equação da reta e dispersão da demanda de venda do mês de junho.
Fonte: AUTOR, 2018.
Julho foi muito semelhante a junho, com crescimento de demanda semelhante nos períodos 2015-2016 e 2017-2018, com aumento um pouco mais pronunciado neste último período. Mas 2016-2017 manteve-se praticamente constante. O crescimento da demanda bruta é mostrado no gráfico 14, com 126.088 unidades de produtos vendidos.
Gráfico 14: Equação da reta e dispersão da demanda de venda do mês de julho.
Fonte: AUTOR, 2018.
Uma análise mensal de mínimos quadrados produziu 12 equações da reta, usada para antecipar a demanda. As equações da reta são mostradas na Tabela 4.
Tabela 4: Equação da reta para cada mês do ano.
Fonte: AUTOR, 2018.
É possível usar a equação linear para calcular a previsão de demanda para o período de agosto de 2017 a julho de 2018, comparar o real com o previsto e obter os resíduos para demonstrar a eficiência do método. A Tabela 5 compara as previsões reais e os cálculos residuais, e o Gráfico 15 mostra o gráfico de dispersão.
Tabela 5: Resíduos da previsão pelo Método de Regressão Linear.
Fonte: AUTOR, 2018.
Gráfico 15: Comparação da demanda real com a prevista pela Regressão Linear.
Fonte: AUTOR, 2018.
O processo de regressão linear mostra um resíduo médio aceitável de 4,7% do produto médio vendido durante o período de estudo anterior, o que indica um erro de previsão de mais ou menos 19.570 unidades, o que cria uma margem de erro de previsão.
Suavizamento Exponencial
Para o sistema de suavização exponencial móvel duplo, os dados de previsão anteriores são usados, a constante α de 0,2 é multiplicada pela proporção do resíduo pré-ajustado e a constante de tendência β de 0,3 é usada para endireitar. São constantes que representam o mais próximo da realidade, e foram escolhidas através de vários testes de simulação. Por enquanto, as previsões de demanda para o período de agosto de 2017 a julho de 2018 foram concluídas para concluir o cálculo restante. A Tabela 6 mostra as previsões e os resíduos desse método, e o gráfico 16 mostra como os valores reais e previstos mudam ao longo do tempo.
Tabela 6: Resíduos da previsão pelo Método de Suavizamento Exponencial Móvel Dupla.
Fonte: AUTOR, 2018.
Gráfico 16: Comparação da demanda real com a prevista pelo Suavizamento Exponencial.
Fonte: AUTOR, 2018.
A suavização exponencial revelou 11.178 produtos com maiores ou menores margens de erro nas previsões, o que corresponde a uma média de 2,68% dos produtos vendidos no período anterior ao estudo.
Comparação dos métodos
Após prever a demanda para um período já analisado e calcular o resíduo dos métodos de regressão linear e suavização exponencial dupla, fizemos um paralelo para determinar o método mais eficiente, com a meta de optar por um método com o menor erro residual para prever a demanda no próximo ciclo. Os Gráficos 17 e 18 e as Tabelas 7 e 8 mostram como essas abordagens se comparam com a realidade, pois ambas mostram o comportamento da previsão e da demanda, bem como as diferenças remanescentes entre elas.
Tabela 7: Comparação da demanda real com os métodos de Regressão e Suavizamento.
Fonte: AUTOR, 2018.
Gráfico 17: Comparação das demandas previstas com a real.
Fonte: AUTOR, 2018.
Tabela 8: Comparação dos resíduos dos métodos de previsão com o esperado.
Fonte: AUTOR, 2018.
Gráfico 18: Comparação dos resíduos das previsões com o esperado.
Fonte: AUTOR, 2018.
O algoritmo dos valores residuais mostra que o produto da regressão linear e da suavização exponencial dupla é de 19.570 unidades e o resíduo médio é de 11.178 unidades. Comparando os dois métodos, fica claro que o método mais eficiente é a normalização exponencial, pois tem uma margem de erro de apenas 2,68% da demanda real média, enquanto a regressão linear atinge um erro de 4,7% de forma menos eficiente.
Previsão de demanda
Como a fórmula de suavizamento exponencial móvel dupla é mais eficiente que o método de regressão linear, optou-se por prever a demanda para o período de um ano de agosto de 2018 a julho de 2019. A tabela 9 mostra os valores projetados e o Gráfico 19 mostra as projeções em relação ao histórico de vendas anteriores.
Tabela 9: Previsão de demanda.
Fonte: AUTOR, 2018.
Gráfico 19: Dispersão da demanda prevista.
Fonte: AUTOR, 2018.
Considerações Finais
A crise econômica e política do país, que se aprofunda desde 2015, desestabilizou o mercado e fez com que as empresas dessem mais atenção aos programas de planejamento futuro, podendo resultar em prejuízos e principalmente nas pequenas empresas, esses erros podem levar à falência. Isso tem levado gerentes e administradores a buscar uma produção mais enxuta para produzir apenas o necessário para suas necessidades.
Para evitar esse aumento de custos, as empresas produtoras de hortifrutigranjeiros, principalmente os laticínios, devem otimizar seus estoques, tanto de matéria-prima, quanto de produtos acabados, a fim de evitar desabastecimento de matéria-prima na linha de produção. Houve escassez de produtos acabados para atender a demanda e, com isso, a empresa perdeu a concorrência no mercado. Ou, para matérias-primas e produtos acabados, uma pode aumentar os custos de estocagem e paralisar o capital de giro, enquanto a outra pode desvalorizar os produtos em estoque, levando a prejuízos. seu estoque e eliminar tais desperdícios.
A previsão de demanda foi muito importante, pois os produtos lácteos estudados são empresas do setor alimentício com vida útil média de 50 dias. A gestão da produção e dos estoques, tradicionalmente controlada subjetivamente, é ditada pela própria previsão, resultando em faltas/excessos de produtos acabados e matérias-primas.
Segundo cálculos, o produto mais relevante da empresa é a Bandeja para Bebida Láctea Curva ABC 540g, respondendo por 33,29% das vendas. Em seguida, coletamos dados históricos de vendas de agosto de 2014 a julho de 2018 e os analisamos usando o coeficiente de Spearman, que foi de 0,846. Indicando uma tendência estatisticamente crescente na demanda. Um gráfico de dispersão foi então usado para analisar as tendências históricas de vendas. Também apresentou uma tendência de alta na demanda, mas a tendência mostrou sazonalidade com um ciclo de um ano.
Para entender o crescimento da demanda, o método de correlação de Pearson foi aplicado para analisar o quão bem as vendas estão relacionadas ao longo do tempo. Essa correlação é de 89,74%, indicando uma forte correlação de que quanto mais o tempo passa, mais as próprias empresas entram no mercado e mais vendas elas realizam. Pensando nisso, foi realizado o cálculo do R², destacando que 81,43%. A demanda é um fator explicável e controlável pela firma, resultando em 18,57%, a demanda está relacionada a fatores que não são controláveis pela firma.
Para se obter uma estimativa de previsão de demanda, os dados precisavam ser agrupados por mês para “quebrar” a sazonalidade. Portanto, para calcular os resíduos, ou seja, comparar os reais e as previsões, utilizamos dois métodos de previsão específicos para esse movimento de demanda, de agosto de 2017 a julho de 2018. Foi criada uma previsão de período. Regressão linear com erro residual médio de 19.570 unidades de produto e suavização exponencial dupla com erro médio de 11.178 unidades de produto foram então usadas. Portanto, a suavização exponencial mostrou-se mais eficiente.
De fato, as previsões de demanda para o período futuro de agosto de 2018 a julho de 2019 foram realizadas usando suavização exponencial, resultando em um erro residual médio de 2,68% nas vendas médias mensais. Portanto, através dos cálculos de previsão de demanda, percebe-se que o mês com maior volume de vendas previsto foi agosto de 2018 com 578.504 unidades do produto e o mês com menor volume foi fevereiro com 402.816 unidades do produto, posso enfatizar. Portanto, a previsão de demanda projetada pode apresentar flutuações para cima e para baixo de 2,68%. Trata-se de um resíduo detectado pela metodologia aplicada e somado aos 18,57% relacionados a fatores incontroláveis de mercado diretamente relacionados ao comportamento em resposta à demanda, portanto a previsão é provável. Ele flutua em 21,25% no geral.
Espera-se que o estudo ajude os gerentes da empresa a prever os estoques de matéria-prima e produtos acabados e reduzir o custo de depreciação e perda devido a paradas na linha de produção. Este trabalho apresenta, portanto, dados concretos e estatísticos, permitindo coordenar o comércio, as compras e a produção. Porque os gerentes desses setores podem orientar melhor seus pagamentos mensais, prevendo suas necessidades calculadas para o próximo período. A quantidade mensal de produtos acabados que requerem matérias-primas para produção e fornecimento ao mercado. Isso porque a demanda apresenta sazonalidade e crescimento. Isso antes não era reconhecido e subestimado, levando a altos custos com perdas. Para isso, as operações tornam-se mais eficientes e enxutas para atender a demanda esperada.
Para trabalhos futuros, propõe-se uma análise de mercado para entender a queda nas vendas ocorrida em alguns dos meses analisados. Comparação da demanda real com a previsão feita, análise da eficiência dos métodos utilizados. A previsão de demanda é então realizada usando um método híbrido de regressão linear e suavização exponencial dupla móvel para analisar o melhor método de cada mês para prever a demanda para o próximo período, que é comparado artificialmente com a previsão de demanda realizada em Métodos de integração de redes neurais procurando o melhor método devido à incerteza do mercado. Também sugere prever a demanda de todos os outros produtos da empresa.
Por fim, a previsão de demanda informa o setor comercial para cumprir metas e planejar as vendas para atingir metas, além de tornar os processos mais enxutos e reduzir os custos de produção e armazenamento, foram considerados essenciais para as empresas serem competitivas no mercado e que conquistem novos mercados.
Referências
ARNOLD, J. R. Administração de Materiais. 3ª ed. São Paulo: Atlas, 2012.
CHIAVENATO, I. Planejamento e Controle da Produção. 2ª ed. São Paulo: ABDR, 2008.
CORRÊA, H. L.; CORRÊA C. A. Planejamento, Programação e Controle da Produção. 4ª ed. São Paulo: Atlas, 2001.
Administração de Produção e Operações. 1ª ed. São Paulo: Atlas, 2004.
Administração de Produção e Operações. 2ª ed. São Paulo: Atlas, 2008.
DIAS, M. A. Administração de materiais: Princípios, conceitos e gestão. 6ª ed. São Paulo: Atlas, 2010.
GAITHER, N.; FRASIER, G. Administração da Produção e Operações. 8ª ed. São Paulo: Pioneira Thomson Learning, 2002.
GIL, A. C. Como Elaborar Projetos de Pesquisa. 5ª ed. São Paulo: Atlas, 2010.
HEIZER, J.; RENDER, B. Administração de Operações. 5ª ed. Rio de Janeiro: LTC – Livros Técnicos e Científicos Editora, 1999.
LEITE, F. T. Metodologia Científica: Métodos e técnicas de pesquisa. Aparecida, SP: Ideias & Letras, 2008.
LEVINE, M.; et al. Estatística – Teoria e Aplicações. 5ª ed. Rio de Janeiro: LTC, 2012.
MARCONI, M. A. LAKATOS, E. M. Fundamentos de metodologia científica. 8ª ed. São Paulo: Atlas, 2017.
MARTINS, P. G.; CAMPOS, P. R. Administração de Materiais e Recursos Patrimoniais. 3ª ed. Pinheiros: Saraiva, 2009.
MARTINS; G. A.; DOMINGUES, O. Estatística Geral e Aplicada. 5ª ed. São Paulo: Atlas, 2014.
MASCARENHAS, S. A. Metodologia Científica. São Paulo: Pearson Education do Brasil, 2012.
POZO, H. Administração de Recursos Materiais e Patrimoniais: Uma Abordagem Logística. 7º Ed. São Paulo: Atlas, 2007.
RUBEZ, J. O Leite nos últimos 10 anos. Artigo. São Paulo 2003. Disponível em:< http://www.leitebrasil.org.br/artigos/jrubez_093.htm>
SEVERINO, A. J. Metodologia do Trabalho Científico. 23ª ed. Ver. e atual São Paulo: Cortez, 2007.
SLACK, N.; CHAMBERS, S.; JOHNSTON, R. Administração da produção. ed. Compacta. São Paulo: Atlas, 1996.
SLACK, N.; CHAMBERS, S.; JOHNSTON, R. Administração da produção. 2ª ed. São Paulo: Atlas, 2008.
SNA/SP – Sociedade Nacional da Agricultura. Queda no Consumo de Produtos Lácteos Reflete na Captação do Setor de Laticínios. Artigo. Rio de Janeiro, 2016. Disponível em:< http://www.sna.agr.br/queda-do-consumo-de-produtos-lacteos-reflete-na-captacao-do-setor-de-laticinios/>
TRIVIÑOS, A. N. S. Introdução à pesquisa em Ciência Socias – A pesquisa qualitativa em educação. 1ª ed. São Paulo: Atlas, 1987.Todo documento utilizado e citado no trabalho deve constar na lista de referências.