REGISTRO DOI:10.5281/zenodo.10198595
Ana Beatriz Pincelli Kuzuyama1
Beatriz Oliveira Dias2
Kaique Teixeira Nascimento Xavier3
Fernando Mori 4
RESUMO
A previsão de demanda é um fator decisivo para a sobrevivência de uma empresa, uma vez que é necessário que a gestão de recursos, sejam eles humanos e/ou insumos, seja bem aplicada visando a eficiência das empresas. O estudo abaixo aborda a utilização do Root Mean Square Error (RMSE) como métrica de avaliação da precisão de previsão de demandas de uma empresa do setor de energia, eletrificação e automação. Utilizando da tecnologia, o software da Oracle chamado Crystal lBall foi usado para aprimorar as projeções da previsão de demanda, além de ser empregado para otimizar as operações da empresa. O estudo analisa como a implementação do software Crystall Ball pode trazer benefícios e melhorias significativas nas previsões de demanda, desta forma, a utilização em conjunto do RMSE como métrica, somado ao software Crystall Ball como ferramenta de aprimoramento de previsões de demanda e a escolha do setor de energia como objeto de estudo, faz com que a tecnologia e o aprendizado de máquina sejam elencados para melhorar sua capacidade de prever demandas com maior assertividade, otimização de operação e acurácia.
PALAVRAS-CHAVE: PREVISÃO DE DEMANDA, RMSE, ENERGIA, CRYSTALL BALL
ABSTRACT
Demand forecasting is a decisive factor for the survival of a company, as it is necessary that the management of resources, whether human and/or inputs, be well applied to ensure the efficiency of the companies. The study below addresses the use of the Root Mean Square Error (RMSE) as a metric for evaluating the accuracy of demand forecasting for a company in the energy, electrification, and automation sector. Using technology, the Oracle software called Crystall Ball was used to improve demand forecasting projections, as well as being used to optimize the company’s operations. The study analyzes how the implementation of the Crystall Ball software can bring significant benefits and improvements to demand forecasting. Therefore, the use of the RMSE as a metric, together with the Crystall Ball software as a demand forecasting improvement tool and the choice of the energy sector as the object of study, makes technology and machine learning stand out to improve their ability to predict demands with greater accuracy, operational optimization, and accuracy.
KEYWORDS: DEMAND FORECASTING, ROOT MEAN SQUARE ERROR, CRYSTALL BALL.
1. INTRODUÇÃO
Ação essencial para as empresas, independente do setor, a previsão de demanda é uma atividade que reflete diretamente na saúde da empresa, seja por meio market share, resultados, vendas e/ou expansão. A atividade permite que a empresa faça o planejamento de seus recursos de forma eficiente, além de alocar a operação na carga necessária. No setor de energia a previsão de demanda não é diferente, contudo, há a particularidade de normalmente as empresas do setor servirem como fornecedores, portanto, uma previsão de demanda incorreta traria prejuízo a ambos: clientes e empresa, seja pelo excesso de produtos em estoque e/ou pela falta, gerando escassez de demanda, impactando no fornecimento de energia e recursos para as outras empresas e impactando diretamente no polo econômico do setor. O RMSE (Root Mean Square Error) é uma métrica que é utilizada para realizar a avaliação de precisão da previsão de demanda, ou seja, validar se um modelo atende ao esperado. Desta forma, o RMSE é calculado como a média do quadrado das diferenças entre os valores reais e os valores previstos, sendo assim, pode-se dizer que um RMSE baixo indica que a previsão é mais precisa conforme o modelo, e que um RMSE 0 traduz que o modelo não possui erros.Para realizar a previsão de demanda utilizando o RMSE como métrica foi decidido utilizar o software da Oracle chamado Crystall Ball, que pode ser utilizado para criar modelos de previsão de demanda e fazer as devidas validações conforme os dados fornecido pela empresa de energia que fora utilizada, por fim, a utilização do Crystall Ball dá-se para melhorar a precisão de previsão de demanda e validar o modelo proposto.
2. OBJETIVOS
Este trabalho tem por objetivo investigar a utilização do RMSE como métrica de avaliação na previsão de demanda de uma empresa de energia, em conjunto com o software Crystall Ball como ferramenta para aprimorar as projeções de demanda. Dentre os resultados possíveis, inclui: avaliar a precisão das previsões de demanda, a eficácia do RMSE como métrica de avaliação, explorar o software Crystall Ball no processo de previsão de demanda, considerando a relevância do setor de energia, como a melhoria da precisão com a utilização do software pode impactar positivamente a empresa de energia.
Portanto, o trabalho tem como objetivo final fornecer ideias, percepções e evidências que possam aprimorar a eficiência operacional da empresa, sendo assim, auxiliando no entendimento da melhoria de necessidades dos clientes, otimização de recursos e principalmente fortalecer sua posição no mercado. Desta forma, a análise aprofundada da aplicação do RMSE, da previsão de demanda e do software Crystall ball em uma empresa de energia, visa aprimorar suas operações e qualidade de suas previsões, fortalecendo sua expertise e sucesso competitivo no setor.
3. METODOLOGIA
3.1. Métodos de Previsão da Demanda
Há dois métodos de previsão de demanda, qualitativos, o qual leva em consideração as opiniões dos gerentes, especialistas, pesquisas de mercado e estimativas das equipes de vendas, e quantitativos, inclui o método causal e a análise de séries temporais.
Um fator importante para a escolha do método de previsão de vendas é o horizonte de tempo para a decisão que requer previsões. As projeções podem ser feitas para o curto, o médio e o longo prazo.
Os modelos de julgamento são métodos qualitativos que traduzem as opiniões de gerentes, especialistas, pesquisas de consumidores e estimativas das equipes de vendas.
Os métodos causais e de séries temporais pertencem ao campo quantitativo. O método causal emprega registros históricos de variáveis independentes, como campanhas promocionais, cenário econômico e estratégias dos concorrentes, para antecipar a demanda. Enquanto isso, as séries temporais utilizam o histórico de demanda para projetar seu curso futuro, identificando tendências e padrões sazonais.
Descobrir os padrões é uma atividade essencial na escolha do tipo de técnica de previsão de demanda. Os quatro padrões básicos da maioria das séries temporais são:
- Horizontal: dados agrupados em torno de uma linha horizontal;
- Tendência: dados aumentam ou diminuem consistentemente;
- Sazonal: dados indicam consistentemente picos e vales;
- Cíclico: os dados revelam aumentos e diminuições graduais em períodos longos.
Existe também um quinto tipo de padrão de demanda, conhecido como aleatório, caracterizado por variações tão irregulares que dificultam muito a previsão de eventos futuros.
Os métodos de previsão de séries temporais partem da premissa de que o padrão anterior da variável dependente persistirá no futuro. Ao analisar as séries temporais, são identificados padrões fundamentais na demanda, os quais, combinados, revelam um histórico da variável dependente. A partir disso, é desenvolvido um modelo para replicar esse padrão.
3.2. Séries Temporais
Séries temporais são conjuntos de dados que estão organizados cronologicamente e representam observações feitas em intervalos regulares ao longo do tempo. Esses dados podem ser de vários tipos, como valores financeiros diários, dados climáticos mensais, número de vendas por trimestre, entre outros.
O objetivo da análise de séries temporais é compreender e modelar padrões, tendências e variações nos dados ao longo do tempo, a fim de fazer previsões ou extrair informações relevantes para tomada de decisão. Essa análise envolve técnicas estatísticas e matemáticas específicas, como identificação de padrões sazonais, tendências, ciclos e flutuações aleatórias.
Os passos principais na análise de séries temporais incluem:
- Visualização dos dados: Gráficos temporais para identificar padrões visuais, como tendências crescentes ou decrescentes, sazonalidades e flutuações irregulares.
- Identificação de padrões: Identificar e separar componentes como tendência, sazonalidade e variações irregulares nos dados.
- Modelagem: Selecionar e aplicar modelos estatísticos adequados para descrever e prever os padrões identificados. Isso pode incluir modelos como médias móveis, modelos autoregressivos (AR), modelos de médias móveis autoregressivas (ARMA), modelos de médias móveis autoregressivas integradas (ARIMA), entre outros.
- Avaliação e previsão: Avaliar a precisão do modelo usando dados históricos e, se válido, usá-lo para prever valores futuros.
As séries temporais são amplamente utilizadas em diversas áreas, como finanças, economia, meteorologia, marketing e engenharia, pois oferecem insights valiosos sobre o comportamento dos dados ao longo do tempo, permitindo previsões e análises de cenários futuros.
3.3. Erros Estatísticos
3.3.1. “U” de Theil
O coeficiente U de Theil, é uma medida estatística utilizada para avaliar a desigualdade ou a variação em uma série temporal ou entre diferentes grupos dentro de um conjunto de dados. É uma ferramenta útil para entender a distribuição dos valores e comparar diferentes categorias ou períodos.
O cálculo do coeficiente U de Theil envolve três componentes principais:
- Desigualdade interna: Refere-se à variação dos valores dentro de um determinado grupo ou período. Pode ser calculada como a média dos quadrados dos valores individuais dividida pelo quadrado da média dos valores.
- Desigualdade externa: Representa a variação entre os grupos ou períodos. É calculada como a média dos quadrados das médias de cada grupo ou período dividida pelo quadrado da média global.
- Coeficiente U de Theil: O coeficiente final é obtido dividindo a desigualdade interna pela desigualdade externa.
O coeficiente U de Theil varia de 0 a 1. Um valor próximo de 0 indica uma distribuição muito homogênea, onde não há muita variação entre os grupos ou períodos. Por outro lado, um valor próximo de 1 sugere uma grande desigualdade, indicando que a maior parte da variação está entre os grupos, não dentro deles.
Essa medida é especialmente útil em economia, sociologia e análise de dados sociais para entender a desigualdade de renda, distribuição de recursos, disparidades regionais, entre outros aspectos.
No entanto, assim como outras medidas estatísticas, o coeficiente U de Theil tem suas limitações. Por exemplo, pode não capturar nuances complexas de desigualdade ou não refletir completamente a distribuição dos dados, especialmente em conjuntos de dados muito grandes ou complexos.
Em resumo, o coeficiente U de Theil é uma ferramenta valiosa para analisar desigualdades, mas é importante utilizá-lo em conjunto com outras métricas e considerar o contexto específico do problema em análise para uma compreensão mais completa da distribuição dos dados.
3.3.2. RMSE (Root Mean Square Error)
Métrica estatística utilizada para avaliar a precisão de um modelo em prever valores numéricos. É especialmente comum na área de machine learning e estatística para avaliar a diferença entre os valores observados e os valores previstos por um modelo.
O cálculo do RMSE envolve as etapas:
- Obtenção dos dados: Primeiro conjunto de dados com valores observados (reais) e valores preditos pelo modelo.
- Cálculo dos erros individuais: Para cada observação no conjunto de dados, calcula-se o erro quadrático, ou seja, a diferença ao quadrado entre o valor observado e o valor previsto pelo modelo.
- Média dos erros quadráticos: Calcula a média desses erros quadráticos.
- Raiz quadrada da média dos erros quadráticos: Raiz quadrada da média dos erros quadráticos para obter o RMSE.
Figura 1. Fórmula do RMSE.
O RMSE é útil porque fornece uma medida do desvio médio dos valores previstos em relação aos valores reais. Quanto menor o valor do RMSE, mais próximas as previsões do modelo estão dos valores reais. É uma métrica fácil de interpretar, pois está na mesma unidade dos dados originais, o que a torna especialmente útil para comparar diferentes modelos ou avaliar a qualidade de previsões em problemas de regressão.
No entanto, é importante ter em mente que o RMSE pode ser sensível a outliers, ou seja, valores extremos nos dados podem influenciar bastante o resultado. Por isso, é sempre recomendado analisar outras métricas em conjunto para ter uma compreensão mais completa do desempenho do modelo.
3.4. Dados analisados
Os dados utilizados foram manipulados e são fictícios, sendo fornecidos por uma empresa multinacional de tecnologia com ênfase nas áreas de energia, automação e eletrificação, de origem norte-americana. A empresa optou por não ser mencionada neste artigo, a empresa atende clientes em mais de 150 países e possui forte presença no fornecimento de soluções de energia, controle e movimento. Os dados apresentados incluem dados históricos de demanda, bem como dados de fatores externos que podem influenciar a demanda, como clima e economia, desta forma, nos dados utilizados foi considerado o período de 54 semanas (aproximadamente 4,5 anos) para análise. Como mencionado, o software Crystall ball foi utilizado para criar um modelo de previsão de demanda com base no treinamento dos dados históricos reportados, além disso, o RMSE foi utilizado para avaliar a precisão de previsão de demanda. A empresa utiliza três métodos para produção, sendo: make to order, estoque de segurança e S&OP. Pode-se entender os métodos, sendo: compra por demanda (a compra dos insumos e/ou fabricação de materiais só é realizada quando o cliente envia o pedido de compra), estoque mínimo (há uma quantidade mínima de itens em estoque para garantir a reposição imediata dos produtos) e previsão de demanda (negociações mais quentes são analisadas para inclusão na previsão).
4. RESULTADOS E DISCUSSÃO
4.1. Contexto dos Dados
A empresa forneceu uma relação de vendas nos últimos cinquenta e quatro semanas de dezenove produtos que neste artigo são denominados como “Produto A” indo, portanto, de A à S. Na análise do CrystallBall é considerado dentro da análise o período de 51 semanas, ou seja, utilizando o software para realizar a previsão das três últimas semanas e realizar o comparativo do modelo de previsão de demanda com base no modelo matemático, uma vez que torna-se possível realizar o comparativo do previsto x realizado com base no RMSE.
Diante do exposto, há uma gama de produtos, com as vendas de 54 semanas, onde o comparativo das três últimas é realizado via software, aplicando a métrica do RMSE haverá exposto o valor que calcula a raiz quadrática média dos erros entre os valores observados (neste caso, as vendas), é válido acrescentar que “erros” pequenos favorecem o RMSE, desta forma, o RMSE acaba por evidenciar erros de maior relevância. Além disso, foi utilizada a métrica de U de Theil para validação do modelo matemático. Em um método ingênuo a relação da média e/ou valores dá-se pelo último valor observado, como exemplo: a temperatura ambiente de amanhã é igual a temperatura que foi medida hoje. Neste caso, o U de Theil está sendo utilizado para validar o RMSE, tendo como análise específica o seguinte parâmetro: U de Theil >1 não considera o modelo matemático apresentado válido.
4.1.1. Perfil da Amostra
Por trazer os dados fornecidos pela empresa, os produtos onde U de Theil >1 deveriam ser descartados (uma vez que o histórico comportamental de vendas não reflete uma linearidade e a disparidade encontrada no RMSE e validada através do U de Theil indicam essa falha. Em outras palavras, as vendas não apresentam comportamento sólido e o produto deve ser descartado e/ou alterar a forma de previsão de demanda deste item.
Tabela 1: 54 Semanas de Vendas: Produtos A à J
| S | Produto A | Produto B | Produto C | Produto D | Produto E | Produto F | Produto G | Produto H | Produto I | Produto J |
| S1 | 7 | 0 | 7 | 4 | 7 | 6 | 0 | 0 | 5 | 3 |
| S2 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 6 | 1 |
| S3 | 24 | 1 | 7 | 0 | 25 | 23 | 1 | 0 | 7 | 0 |
| S4 | 87 | 16 | 0 | 6 | 16 | 5 | 27 | 18 | 1 | 0 |
| S5 | 0 | 22 | 2 | 0 | 116 | 21 | 47 | 23 | 1 | 5 |
| S6 | 81 | 23 | 26 | 0 | 62 | 21 | 11 | 70 | 30 | 3 |
| S7 | 4 | 0 | 4 | 5 | 7 | 2 | 0 | 25 | 2 | 1 |
| S8 | 4 | 6 | 36 | 3 | 16 | 19 | 10 | 18 | 7 | 7 |
| S9 | 23 | 17 | 10 | 3 | 37 | 20 | 22 | 27 | 8 | 1 |
| S10 | 43 | 10 | 16 | 19 | 17 | 0 | 9 | 4 | 1 | 1 |
| S11 | 10 | 11 | 0 | 18 | 17 | 0 | 11 | 0 | 3 | 4 |
| S12 | 40 | 2 | 37 | 26 | 10 | 6 | 1 | 2 | 9 | 0 |
| S13 | 23 | 8 | 24 | 2 | 14 | 0 | 12 | 20 | 5 | 2 |
| S14 | 77 | 7 | 35 | 0 | 60 | 12 | 7 | 33 | 1 | 2 |
| S15 | 167 | 10 | 11 | 7 | 121 | 3 | 12 | 8 | 12 | 0 |
| S16 | 1 | 3 | 3 | 0 | 0 | 1 | 10 | 1 | 0 | 1 |
| S17 | 28 | 0 | 4 | 0 | 0 | 9 | 0 | 2 | 4 | 1 |
| S18 | 52 | 8 | 3 | 11 | 2 | 3 | 10 | 0 | 6 | 2 |
| S19 | 0 | 0 | 7 | 0 | 0 | 2 | 0 | 3 | 3 | 0 |
| S20 | 20 | 0 | 3 | 0 | 59 | 1 | 0 | 0 | 0 | 0 |
| S21 | 8 | 5 | 0 | 6 | 0 | 0 | 0 | 0 | 0 | 1 |
| S22 | 24 | 0 | 3 | 13 | 67 | 10 | 63 | 8 | 0 | 0 |
| S23 | 81 | 0 | 5 | 0 | 12 | 3 | 6 | 17 | 3 | 0 |
| S24 | 130 | 10 | 51 | 0 | 0 | 0 | 27 | 34 | 4 | 1 |
| S25 | 3 | 0 | 3 | 0 | 0 | 0 | 0 | 0 | 2 | 0 |
| S26 | 18 | 3 | 0 | 2 | 25 | 162 | 11 | 0 | 1 | 0 |
| S27 | 8 | 3 | 32 | 0 | 59 | 14 | 3 | 21 | 4 | 1 |
| S28 | 8 | 17 | 3 | 58 | 59 | 121 | 31 | 17 | 0 | 2 |
| S29 | 0 | 24 | 10 | 18 | 1 | 26 | 14 | 0 | 1 | 0 |
| S30 | 167 | 3 | 10 | 13 | 56 | 2 | 38 | 0 | 6 | 2 |
| S31 | 0 | 19 | 1 | 4 | 49 | 25 | 10 | 0 | 1 | 3 |
| S32 | 44 | 0 | 0 | 3 | 30 | 17 | 0 | 25 | 0 | 1 |
| S33 | 98 | 13 | 52 | 0 | 15 | 2 | 12 | 81 | 1 | 1 |
| S34 | 100 | 1 | 1 | 0 | 14 | 2 | 49 | 24 | 1 | 2 |
| S35 | 34 | 21 | 26 | 4 | 13 | 3 | 109 | 32 | 7 | 0 |
| S36 | 5 | 0 | 55 | 3 | 6 | 0 | 2 | 25 | 2 | 1 |
| S37 | 44 | 20 | 0 | 1 | 9 | 0 | 35 | 25 | 1 | 0 |
| S38 | 29 | 21 | 0 | 3 | 32 | 16 | 2 | 31 | 0 | 0 |
| S39 | 44 | 15 | 0 | 2 | 17 | 20 | 0 | 27 | 1 | 0 |
| S40 | 28 | 17 | 1 | 1 | 22 | 2 | 69 | 4 | 5 | 2 |
| S41 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 5 |
| S42 | 51 | 10 | 0 | 3 | 3 | 1 | 36 | 6 | 0 | 0 |
| S43 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 2 | 0 |
| S44 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 4 | 0 |
| S45 | 19 | 4 | 4 | 21 | 2 | 0 | 1 | 19 | 0 | 0 |
| S46 | 4 | 1 | 2 | 4 | 36 | 30 | 2 | 0 | 4 | 0 |
| S47 | 92 | 16 | 47 | 4 | 66 | 55 | 19 | 88 | 2 | 0 |
| S48 | 19 | 11 | 6 | 2 | 18 | 1 | 12 | 0 | 0 | 0 |
| S49 | 69 | 11 | 20 | 1 | 92 | 37 | 31 | 68 | 0 | 0 |
| S50 | 7 | 2 | 1 | 3 | 1 | 0 | 8 | 0 | 2 | 0 |
| S51 | 220 | 22 | 0 | 5 | 14 | 8 | 8 | 108 | 1 | 5 |
| S52 | 84 | 3 | 0 | 9 | 0 | 1 | 4 | 46 | 0 | 8 |
| S53 | 2 | 2 | 0 | 5 | 21 | 0 | 0 | 74 | 0 | 2 |
| S54 | 33 | 3 | 4 | 0 | 9 | 12 | 21 | 0 | 0 | 3 |
| RM SE | 41,74127 | 5,686241 | 10,23067 | 5,196152 | 17,29162 | 9,469248 | 11,26943 | 32,06764 | 44,66542 | 4,546061 |
Tabela 2: 54 Semanas de Vendas: Produtos K à S
| S | Produto K | Produto L | Produto M | Produto N | Produto O | Produto P | Produto Q | Produto R | Produto S |
| S1 | 1 | 1530 | 0 | 113 | 0 | 320 | 184 | 168 | 148 |
| S2 | 5 | 1282 | 108 | 7 | 0 | 2 | 620 | 5 | 120 |
| S3 | 4 | 2590 | 0 | 40 | 80 | 36 | 0 | 658 | 145 |
| S4 | 1 | 2331 | 47 | 156 | 584 | 244 | 278 | 240 | 80 |
| S5 | 0 | 3347 | 116 | 40 | 308 | 172 | 160 | 0 | 0 |
| S6 | 4 | 3062 | 0 | 112 | 80 | 80 | 320 | 660 | 196 |
| S7 | 4 | 2362 | 0 | 0 | 41 | 12 | 0 | 450 | 280 |
| S8 | 1 | 3653 | 32 | 192 | 0 | 280 | 367 | 196 | 144 |
| S9 | 10 | 3506 | 40 | 588 | 200 | 36 | 2 | 160 | 36 |
| S10 | 1 | 2743 | 0 | 188 | 40 | 64 | 0 | 113 | 41 |
| S11 | 13 | 3031 | 0 | 76 | 392 | 105 | 320 | 1128 | 256 |
| S12 | 2 | 3405 | 0 | 230 | 164 | 346 | 2 | 120 | 0 |
| S13 | 3 | 1348 | 0 | 348 | 0 | 81 | 0 | 76 | 5 |
| S14 | 6 | 3975 | 0 | 424 | 0 | 0 | 0 | 152 | 0 |
| S15 | 0 | 2180 | 32 | 0 | 0 | 0 | 0 | 112 | 116 |
| S16 | 2 | 1640 | 0 | 4 | 116 | 201 | 0 | 520 | 116 |
| S17 | 0 | 2587 | 0 | 264 | 0 | 281 | 0 | 160 | 320 |
| S18 | 0 | 2577 | 0 | 40 | 272 | 40 | 444 | 157 | 72 |
| S19 | 0 | 2203 | 80 | 0 | 0 | 103 | 126 | 0 | 37 |
| S20 | 0 | 870 | 0 | 153 | 0 | 43 | 0 | 81 | 72 |
| S21 | 0 | 2907 | 80 | 153 | 0 | 269 | 0 | 412 | 0 |
| S22 | 0 | 1354 | 164 | 80 | 0 | 112 | 520 | 36 | 180 |
| S23 | 9 | 2406 | 0 | 120 | 200 | 163 | 80 | 320 | 80 |
| S24 | 1 | 3118 | 200 | 214 | 80 | 316 | 76 | 396 | 477 |
| S25 | 6 | 824 | 0 | 0 | 0 | 40 | 2 | 40 | 0 |
| S26 | 0 | 382 | 0 | 118 | 0 | 1 | 1 | 120 | 38 |
| S27 | 3 | 3018 | 0 | 380 | 652 | 280 | 361 | 568 | 280 |
| S28 | 0 | 2762 | 128 | 550 | 560 | 193 | 276 | 164 | 200 |
| S29 | 6 | 1306 | 0 | 128 | 108 | 400 | 961 | 60 | 76 |
| S30 | 20 | 7918 | 0 | 145 | 112 | 240 | 161 | 240 | 80 |
| S31 | 7 | 1274 | 172 | 112 | 45 | 40 | 657 | 0 | 153 |
| S32 | 1 | 2284 | 332 | 73 | 280 | 400 | 74 | 156 | 72 |
| S33 | 3 | 648 | 0 | 308 | 282 | 360 | 248 | 608 | 51 |
| S34 | 1 | 1026 | 0 | 250 | 72 | 74 | 446 | 116 | 501 |
| S35 | 2 | 2426 | 480 | 36 | 0 | 289 | 335 | 361 | 238 |
| S36 | 1 | 992 | 6 | 72 | 0 | 0 | 840 | 320 | 0 |
| S37 | 1 | 2854 | 80 | 224 | 80 | 78 | 280 | 315 | 0 |
| S38 | 2 | 1577 | 34 | 0 | 196 | 18 | 40 | 3 | 0 |
| S39 | 4 | 2450 | 300 | 468 | 356 | 264 | 0 | 1401 | 413 |
| S40 | 1 | 1678 | 0 | 224 | 427 | 0 | 40 | 457 | 0 |
| S41 | 5 | 6844 | 272 | 36 | 84 | 240 | 193 | 0 | 0 |
| S42 | 0 | 1169 | 120 | 224 | 0 | 255 | 81 | 168 | 0 |
| S43 | 1 | 3592 | 72 | 72 | 53 | 0 | 19 | 213 | 40 |
| S44 | 1 | 536 | 0 | 0 | 0 | 72 | 0 | 120 | 80 |
| S45 | 1 | 1546 | 0 | 256 | 225 | 161 | 603 | 360 | 84 |
| S46 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| S47 | 3 | 1341 | 0 | 197 | 110 | 240 | 5 | 649 | 0 |
| S48 | 2 | 546 | 16 | 0 | 80 | 80 | 5 | 0 | 0 |
| S49 | 0 | 1198 | 0 | 0 | 0 | 160 | 0 | 0 | 0 |
| S50 | 0 | 1698 | 2828 | 230 | 327 | 40 | 0 | 162 | 0 |
| S51 | 4 | 1341 | 334 | 150 | 0 | 0 | 0 | 40 | 0 |
| S52 | 6 | 1506 | 0 | 0 | 90 | 80 | 0 | 76 | 0 |
| S53 | 3 | 3403 | 240 | 340 | 80 | 1008 | 0 | 560 | 628 |
| S54 | 0 | 1503 | 160 | 228 | 418 | 120 | 0 | 80 | 300 |
| RM SE | 3,8729833 | 2327,6486 | 125,73252 | 165,31384 | 244,44086 | 502,60521 | 174,75125 | 247,94354 | 332,21027 |
4.1.2. Análise Inicial
Ao iniciar a análise, foi considerado o primeiro produto, Produto A, para avaliação dos dados, conforme disposto na Tabela 1. A análise de 51 semanas totalizou 2.045 itens vendidos, desconsiderando as três últimas semanas (que somam mais 119 itens ao total), desta forma, considerando os dados (série histórica) o software Crystall ball cria a previsão para as próximas 3 semanas, trazendo consigo o valor ajustado, previsão inferior à 20% e superior à 80%, além disso, para consideração de toda a análise é dada a média simples, máximo, desvio padrão, sazonalidade e por fim, as métricas analisadas: o RMSE de 45 (dentro do esperado) e U de Thail <1, comprovando que o modelo matemático funciona, em outras palavras, atestando que a venda deste produto ao passar das 51 semanas têm sido positivas e satisfatórias, uma vez que mesmo em períodos sem vendas não o torna um produto sazonal e tampouco interfere na série histórica. A diferença entre o previsto e realizado foi dentro do esperado, uma vez que o realizado ficou cerca de 80% acima do valor de ajuste (valor tendência da série histórica), sendo 119 itens vendidos x 66 itens previstos, contudo, dentro da análise do Crystall ball considerando vendas inferior a 20% e superiores a 80% esperava-se vender entre 0 e 184 itens ao longo das 3 semanas seguintes. A análise pode ser visualizada tanto com as informações dispostas pelo Crystall ball, conforme a Figura 1 e/ou através de visualização gráfica conforme Figura 2.
Figura 2. Análise do Crystall ball – Produto A.
Figura 3. Análise Gráfica do Crystall ball – Produto A.
O mesmo passo anterior foi aplicado aos 19 produtos com base na análise de 51 semanas para previsão de demanda das últimas 3, totalizando o total de 54 semanas. Dentre o escopo de análise, ressalta-se que itens que apresentarem U de Theil com valor superior a 1 deverão ser descartados e/ou aplicar uma nova metodologia de previsão de demanda, seja através de make to order ou estoque de segurança. A soma do realizado de todos os 19 produtos durante as 54 semanas é de 186.824 itens, tendo a média como 182, ainda que seja possível chegar a este resultado, é importante lembrar que trata-se do realizado e ao incluir esses dados históricos com a previsão de demanda há uma maior acuracidade em alocação de recursos, sejam humanos, financeiros e/ou materiais para que as vendas atendam a expectativa projetada e reverta a margem em lucro para a empresa.
Tratando-se da análise completa, pode-se ter o entendimento de situações que nem sempre estão visíveis, como o próprio U de Theil, mas também a questão da sazonalidade dos produtos além do desvio padrão. Considerando a análise para tomada de decisões, repetimos o mesmo passo, como informado anteriormente, para os 19 produtos e chegou-se a conclusão quanto a solução, abaixo seguem as análises dos produtos B e C. De antemão, ambos possuem resultados semelhantes ao produto A, sendo o RMSE dentro do esperado, U de Theil abaixo de 1 e a validação do modelo matemático realizado até então, o que implica que as vendas ocorreram de forma coerente e que o modelo pode ser reaplicado, sem necessidade de ajuste de rota, embora possa ser feito, para alcançar o potencial máximo de vendas.
Figura 4. Análise do Crystall ball – Produto B
Figura 5. Análise Gráfica do Crystall ball – Produto B
A análise de 51 semanas totalizou 413 itens vendidos, desconsiderando as três últimas semanas (que somam mais 8 itens ao total), desta forma, considerando os dados (série histórica) o software Crystall ball cria a previsão para as próximas 3 semanas, trazendo consigo o valor ajustado, previsão inferior à 20% e superior à 80%, além disso, para consideração de toda a análise é dada a média simples, máximo, desvio padrão, sazonalidade e por fim, as métricas analisadas: o RMSE de 8 (dentro do esperado) e U de Theil <1, comprovando que o modelo matemático funciona, em outras palavras, atestando que a venda deste produto ao passar das 51 semanas têm sido positivas e satisfatórias, uma vez que mesmo em períodos sem vendas não o torna um produto sazonal e tampouco interfere na série histórica. A diferença entre o previsto e realizado foi dentro do esperado, uma vez que o realizado ficou cerca de 25% abaixo do valor de ajuste (valor tendência da série histórica), sendo 8 itens vendidos x 25 itens previstos, contudo, dentro da análise do Crystall ball considerando vendas inferior a 20% e superiores a 80% esperava-se vender entre 5 e 46 itens ao longo das 3 semanas seguintes.
Dando sequência nas análises, os dados do Produto C, que totalizou 573 vendas ao longo das 54 semanas, e descartado 4 vendas referente as semanas 52 à 54 conforme modelo aplicado anteriormente, desta forma, totalizando 569 vendas no período. Ao realizar as vendas foi possível notar uma frequência de venda menor que os dois produtos analisados anteriormente, desta forma, era previsto que fossem vendidos 34 itens nas semanas 52 à 54, contudo, o realizado foi abaixo do previsto, contrariando as análises anteriores. Ao analisar o Crystall ball tem-se a informação de média 11, não encontrada sazonalidade e RMSE de 16, além disso, o U de Theil foi consideravelmente alto, sendo de 0,8857, contudo, abaixo de 1,0 e portanto dentro do parâmetro esperado, o que confirma o modelo matemático utilizado. Ao observar a previsão ajustada, eram previstos 34 itens como mencionado anteriormente, contudo, a faixa de vendas nas últimas três semanas era prevista entre: 0 e 73 itens, novamente, dentro do previsto.
Figura 6. Análise Gráfica do Crystall ball – Produto C
Figura 7. Análise Gráfica do Crystall ball – Produto C
4.2. Continuidade de Análise
Ao dar continuidade na análise, observou-se que restavam 16 produtos a serem colocados a prova, dado a sequência anterior, Produtos A, B e C cumprindo a previsão de demanda e validados por U de Theil esperava-se que a totalidade dos 19 produtos ocorresse da mesma maneira, contudo, ao iniciar a 4ª análise, do Produto D os resultados foram diferentes.
O Produto D contém 292 vendas no período de 54 semanas, descartando as semanas 52 à 54 resta 279 itens vendidos. Ao iniciar a análise dos dados no Crystall ball obtevese a média de 5 itens, apesar de um RMSE consideravelmente baixo, de 6, foi possível notar a faixa de erro indicando U de Theil superior a 1, no caso em questão, 2,84 e portanto provando que o modelo matemático aplicado não é válido. O modelo matemático em questão trata-se das vendas puras, ou seja, considerando qualquer uma das possibilidade de previsão de demanda, contudo, se as próximas vendas permanecerem a utilizar a mesma metodologia encontrarão falhas. Além disso, foram vendidos 14 itens nas semanas 52 à 54 (realizado), enquanto a previsão era de 3 itens, 1 por semana. A margem conforme o ajuste esperava vendas de -13 (falta de itens) à 18 itens, não cumprindo o proposto pelo método.
Figura 8. Análise do Crystall ball – Produto D
Ao analisar de forma gráfica, conforme figura abaixo, é possível ver um pico expressivo nas vendas e a ausência de regularidade, embora não apresente sazonalidade, é possível verificar que não há um padrão de comportamento específico, e, considerando que ao fornecer os dados a empresa considerou todos os itens como “padrão de portfólio”, ou seja, não há diferenciação dos itens em torno de sazonalidade (a ser validado pelas análises).
Figura 9. Análise Gráfica do Crystall ball – Produto D
Todos os 19 produtos foram analisados, tendo seus dados registrados na tabela abaixo e a partir disso, ao notar a diferença no produto D, foi destacado e separado entre itens classificados como: em conformidade e não-conforme, embora a nomenclatura remeta à qualidade de itens, sobretudo, em linha de produção, a nomenclatura utilizada tem o único propósito de diferenciar e facilitar as análises e identificação dos dados.
Tabela 3: Consolidação dos Dados
| Produto | Média | RMSE | U de Theil |
| A | 40 | 41,74 | 0,6377 |
| B | 8 | 5,69 | 0,6415 |
| C | 11 | 10,23 | 0,8857 |
| D | 5 | 5,20 | 2,84 |
| E | 26 | 17,29 | 0,5143 |
| F | 14 | 9,47 | 0,4877 |
| G | 15 | 11,27 | 0,7010 |
| H | 18 | 32,07 | 1,37 |
| I | 3 | 44,67 | 0,9777 |
| J | 1 | 4,55 | 0,5508 |
| K | 3 | 3,87 | 1,29 |
| L | 2.200 | 2327,65 | 0,5949 |
| M | 119 | 125,73 | 0,8108 |
| N | 53 | 165,31 | 0,7142 |
| O | 130 | 244,44 | 0,2837 |
| P | 142 | 502,61 | 0,4657 |
| Q | 179 | 174,75 | 0,6846 |
| R | 254 | 247,94 | 0,7609 |
| S | 102 | 332,21 | 1,78 |
Gráfico 1. Classificação dos Produtos
Os produtos D, H, K e S apresentaram U de Theil >1, indicando que o modelo matemático proposto não é válido, como mencionado anteriormente, se as próximas vendas utilizarem a mesma metodologia encontrarão falhas. Abaixo segue a relação dos produtos considerados não-conformes, (com U de Theil >1). O Produto H contém 1034 vendas no período de 54 semanas, descartando as semanas 52 à 54 restam 914 itens vendidos. Ao iniciar a análise dos dados no Crystall ball obteve-se a média de 18 itens, RMSE 21, foi possível notar a faixa de erro indicando U de Theil superior a 1, no caso em questão, 1,37 e portanto provando que o modelo matemático aplicado não é válido. Além disso, foram vendidos 120 itens nas semanas 52 à 54 (realizado), enquanto a previsão era de um GAP de 27 itens faltantes e venda de 74 itens. A margem conforme o ajuste esperava vendas de -65 (falta de itens) à 103 itens, não cumprindo o proposto pelo método
Os outros produtos que estão com a classificação “não-conforme” são respectivamente o Produto K e o Produto S, cuja análises gráficas se encontram ans figuras abaixo:
Figura 10. Análise do Crystall ball – Produto H
Figura 11. Análise Gráfica do Crystall ball – Produto H
Figura 12. Análise do Crystall ball – Produto K
Figura 13. Análise Gráfica do Crystall ball – Produto K
Figura 14. Análise do Crystall ball – Produto S
Figura 15. Análise Gráfica do Crystall ball – Produto Sf4.3. Discussões
Através das análises e resultados obtidos do estudo mostra-se que o Crystall ball foi capaz de melhorar significativamente a precisão da previsão de demanda, somado às métricas de RMSE e U de Theil.. O RMSE do modelo de previsão de demanda baseado no Crystall ball foi significativamente menor do que o RMSE do modelo de previsão de demanda baseado em métodos tradicionais. É altamente recomendável que as empresas de energia considerem o uso do Crystall ball para melhorar a precisão da previsão de demanda, tendo por diversos benefícios, como: reduzir o risco de falta de peças, melhorar a eficiência operacional e aumentar a lucratividade. O estudo foi realizado em uma única empresa, de um único setor (de energia), é necessário realizar outras análises para confirmar os resultados deste estudo em outras empresas de energia de porte igual ou semelhante, além disso, é válido considerar que o estudo utilizou dados históricos de demanda. É necessário realizar estudos para avaliar o desempenho do Crystall ball em cenários de demanda futuros e que pode ser combinado com outras técnicas de previsão de demanda, como aprendizado de máquina, para melhorar ainda mais a precisão da previsão de demanda. Com os dados obtidos é necessário voltar aos métodos para produção da empresa, sendo eles: compra por demanda (a compra dos insumos e/ou fabricação de materiais só é realizada quando o cliente envia o pedido de compra), estoque mínimo (há uma quantidade mínima de itens em estoque para garantir a reposição imediata dos produtos) e previsão de demanda (negociações mais quentes são analisadas para inclusão na previsão). É necessário avaliar a situação em relação aos 4 produtos que apresentaram não-conformidades, sendo eles os Produtos D, K, H e S. Algumas alternativas podem ser utilizadas, como:
- Descarte dos produtos para vendas futuras (portfólio com 15 produtos em vez de 19 produtos);
- Readequação do modelo de produção dos itens;
- Tornar os itens sazonais – de acordo com uma nova previsão de demanda;
- Remanejar a demanda a outros produtos;
É importante avaliar que através do U de Theil sobre a métrica do RMSE temos uma maior precisão de dados, outro produto que poderia ser citado trata-se do Produto I, cuja média de vendas é 3 e seu U de Theil é 0,977, graças a precisão de ambas métricas, RMSE e U de Theil comprovamos que o modelo matemático é válido.
5. CONCLUSÃO
Portanto, pode-se concluir que o Crystall ball é uma ferramenta eficaz para a previsão de demanda, até mesmo em empresas de energia. Os resultados mostraram que o Crystall ball foi capaz de melhorar significativamente a precisão da previsão de demanda, com um RMSE significativamente menor do que o RMSE dos métodos tradicionais. Quanto a outra métrica aplicada, o U de Theil, uma métrica de precisão da previsão, foi utilizado para comparar os resultados do Crystall ball com os métodos tradicionais. Os resultados deste estudo indicam que o Crystall ball pode ser uma ferramenta valiosa para empresas de energia que buscam melhorar a precisão de suas previsões de demanda.
REFERÊNCIAS BIBLIOGRÁFICAS
Oracle® Fusion Cloud EPM Como Trabalhar com o Planning. Disponível em:<https://docs.oracle.com/cloud/help/pt_BR/pbcs_common/PFUSU/insights_metrics_RMSE.htm#PFUSUGUID-FD9381A1-81E1-4F6D-8EC4-82A6CE2A6E74>.
FILHO, M. RMSE (Raiz Do Erro Quadrático Médio) Em Machine Learning. Disponível em:<https://mariofilho.com/rmse-raiz-do-erro-quadratico-medio-em-machine-learning/>.
CEN0257 -Modelagem de Sistemas Agrícolas e Ecológicos. [s.l: s.n.]. Disponível em: <https://edisciplinas.usp.br/pluginfile.php/7520023/mod_resource/content/0/Apostila_Cap3.pdf>. Acesso em: 14 nov. 2023.
SUSTENTAVEL, I. ECONOMIA – No-break da Eaton oferece gerenciamento simples de energia. Disponível em: <https://ideiasustentavel.com.br/economia-no-break-da-eaton-oferece-gerenciamento-simples-deenergia/>. Acesso em: 14 nov. 2023.
FERNANDO, A.; MARINS. Técnicas de Previsão Slides gentilmente cedidos por. [s.l: s.n.]. Disponível em: <https://edisciplinas.usp.br/pluginfile.php/4301409/mod_resource/content/1/TecnicasdePrevisoes.pdf>.
SÁ, K. T. O uso do software crystal ball no orçamento empresarial: projeção e análise do faturamento. Disponível em <https://repositorio.ufc.br/handle/riufc/31149>.
Métricas de avaliação para séries temporais. Disponível em: <https://www.alura.com.br/artigos/metricas-deavaliacao-para-series-temporais>.
Técnicas de Previsão de Vendas. Disponível em: <https://www.nortegubisian.com.br/blog/tecnicas-deprevisao-de-vendas>.
Previsão de Demanda: Uma Análise quantitativa baseada em séries temporais de uma empresa fabricante de portas. Disponível em: <http://www.fecilcam.br/anais/ix_eepa/data/uploads/1-engenharia-de-operacaoe-processos-da-producao/1-01.pdf>.
Métricas de Erros Estatísticos no Excel. Disponível em: <https://fabiobaldini.com.br/metricas-de-errosestatisticos-no-ms-excel/>.
RMSE (Raiz Do Erro Quadrático Médio) Em Machine Learning. Disponível em:<https://mariofilho.com/rmse-raiz-do-erro-quadratico-medio-em-machine-learning/>.
Crystal Ball. Disponível em: <https://www.oracle.com/br/applications/crystall ball/>.BOX, G. E. P.; AL, E. Time series analysis : forecasting and control. Hoboken, New Jersey: John Wiley & Sons, 2015.
CHAURAN, A. Crystal Ball Reading for Beginners. [s.l.] Llewellyn Worldwide, 2011.ANDRÉ THOMÁZ. Vendas empresariais – B2B (business to business). [s.l.] Editora Senac São Paulo, 2023.
1Graduanda em Engenharia de Produção, USJT, Brasil
2Graduanda em Engenharia de Produção, USJT, Brasil
3Graduando em Engenharia de Produção, USJT, Brasil
4Orientador Professor Doutor, USJT, Brasil