GESTÃO ESTRATÉGICA DE ESTOQUE: ESTUDO DE CASO EM UMA DISTRIBUIDORA DE SOLUÇÕES TECNOLÓGICAS

Administração, Volume 27 - Edição 128/NOV 2023 / 16/11/2023

STRATEGIC INVENTORY MANAGEMENT: CASE STUDY IN A TECHNOLOGY SOLUTIONS DISTRIBUTOR

REGISTRO DOI: 10.5281/zenodo.10146059

André Nogueira
Gustavo Simeone
Kauelle Costa
Rafael Perucci
Vitoria Oliveira
Orientador: Doutor Rogério dos Santos Lobo

RESUMO

A gestão de estoque desempenha um papel fundamental nas operações de qualquer empresa. Este artigo demonstra a importância do inventário, enfatizando os benefícios e desafios associados a essa prática. Uma gestão adequada é essencial para otimizar o capital de giro, garantir a disponibilidade de produtos para atender à demanda dos clientes e minimizar os custos operacionais.

O artigo explora como a gestão de estoque pode contribuir para o desenvolvimento de melhores políticas de reabastecimento, redução de perdas devido a produtos obsoleto e a otimização dos processos logísticos. Discute-se também a importância de métodos e ferramentas avançadas, como análise ABC, previsão de demanda e estoque de segurança.

Em resumo, o estudo de caso destaca como o gerenciamento é uma função crítica que influencia diretamente o desempenho financeiro e operacional de uma empresa. Uma gestão eficaz nesta área não garante apenas a disponibilidade de produtos, mas também contribui para a lucratividade e a satisfação do fornecedor. Portanto, investir na melhoria da gestão de estoque é essencial para o sucesso e a competitividade na distribuição.

Palavras-chave: Gestão de estoque; Curva ABC; Previsão de demanda; Estoque de segurança.

ABSTRACT

Inventory management plays a fundamental role in every company’s operations. This article demonstrates the importance of inventory, emphasizing the benefits and challenges associated with this practice. Proper management is essential to optimize working capital, ensure the availability of products in order to meet customer demand and minimize operating costs.

The article explores how inventory management can contribute to the development of improved replenishment policies, reduction of losses due to obsolete products and optimization of logistics processes. It also discusses the importance of advanced methods and tools, such as ABC analysis, demand forecasting and safety stock.

In summary, the case study highlights how management is a critical function that directly influences financial and operational performance in a company. Effective management in this area not only ensures product availability but also contributes to profitability and supplier satisfaction. Therefore, investing in improving inventory management is essential for the success and competitiveness in distribution companies.

Keywords: Inventory management; ABC analysis; Demand forecasting; Safety stock.

1. INTRODUÇÃO

A gestão de estoque é um pilar fundamental em qualquer organização que lida com a oferta de produtos, mas sua importância se torna ainda mais evidente em empresas que operam no dinâmico setor de distribuição de soluções tecnológicas. Nesse ambiente, onde as inovações acontecem rapidamente e a grande concorrência, a capacidade de antecipar e planejar a demanda com precisão se torna uma vantagem inestimável.

Com o cenário comercial atual marcado por desafios complexos, como flutuações na demanda, concorrência global e rápidas mudanças nas preferências dos consumidores, a gestão de estoque assume uma importância cada vez maior. Um estoque excessivo pode levar a custos de armazenamento elevados, obsolescência de produtos e capital de giro imobilizado, enquanto estoques insuficientes podem resultar em atrasos nas entregas, perda de vendas e insatisfação do cliente.

A antecipação de vendas é um dos pilares fundamentais, ela desempenha um papel crítico na tomada de decisões estratégicas, influenciando diretamente a alocação de recursos, gerenciamento e a satisfação do consumidor, haja vista que mercado empresarial está em constante evolução, onde a concorrência é intensa e as mudanças nas preferências do consumidor ocorrem rapidamente.

O estudo de caso que abordamos tem como foco uma Distribuidora de Soluções Tecnológicas que busca aprimorar sua estratégia de gestão de estoque e prever com precisão a demanda para o próximo ano. A primeira etapa desse processo é a análise do desempenho de vendas no período de agosto de 2022 a agosto de 2023. Essa análise oferecerá uma visão detalhada das tendências de vendas, sazonalidades e padrões de consumo, fornecendo uma base sólida para as decisões futuras.

Uma característica essencial desse estudo é a delimitação do escopo em relação ao fabricante de maior relevância em termos de market share. Concentrar-se em um fabricante-chave permite uma abordagem mais direcionada e eficiente na gestão de estoque, uma vez que um pequeno conjunto de produtos pode representar a maior parte das vendas.

A análise ABC, que classifica os produtos em categorias com base em sua importância em termos de vendas e valor, é uma ferramenta valiosa nesse contexto. Ela ajuda a identificar os produtos prioritários que merecem uma atenção especial na gestão de estoque.

O cálculo de previsão de demanda é crucial para determinar a rapidez com que os produtos são vendidos e substituídos. Isso, por sua vez, ajuda a prever a demanda futura com mais precisão, permitindo que a empresa mantenha níveis ideais de estoque sem acumulações desnecessárias ou escassez.

A busca por um estoque saudável e competitivo é o objetivo desse estudo, onde estratégias como estoque de segurança, estoque médio e previsão de demanda são exploradas em detalhes. A aplicação de técnicas estatísticas, como correlação e regressão, ajuda a identificar padrões e relações entre variáveis que podem ser usados para aprimorar a gestão.

Ao longo do artigo, exploraremos o papel desses conceitos, destacando a sua relevância e aplicabilidade no contexto da distribuição. Logo, compreender e dominar a previsão de demanda e a gestão de estoque, as empresas podem otimizar seus recursos, melhorar a satisfação do cliente e manter sua competitividade no mercado tecnológico que está em constante transformação.

1.1. JUSTIFICATIVA

Fornecer informações precisas sobre o estoque é de suma importância para embasar decisões estratégicas, uma vez que as transações de estoque tenham um impacto direto no fluxo de caixa da empresa. Uma gestão eficiente desempenha um papel crucial na manutenção do equilíbrio entre as demandas de estoque e a disponibilidade de recursos financeiros.

A gestão de estoques visa elevar o controle de custos e melhorar a qualidade dos produtos guardados na empresa. As teorias sobre o tema normalmente ressaltam a seguinte premissa: é possível definir uma quantidade ótima de estoque de cada componente e dos produtos da empresa, entretanto, só é possível defini-la a partir da previsão da demanda de consumo do produto (DIAS, 2010).

Um dos pilares para a gestão da produção é ter uma administração eficaz do estoque. Esse controle implica em manter uma visibilidade precisa sobre a entrada e saída de produtos. Manter esse volume parado no estoque, resulta em menos vendas e, consequentemente, menos receita para a empresa. A ausência dessa visibilidade pode resultar em despesas e compras desnecessárias, exercendo um impacto negativo nas finanças da organização. Para atingir um nível adequado de estoque, é necessário implementar um planejamento de gestão sólido e monitorar de perto as demandas, a fim de evitar mudanças abruptas na linha de distribuição que possam causar prejuízos.

Segundo (BALLOU, p. 128, 2006) as distribuidoras de hardware podem oferecer preços mais baixos para as revendas, devido à redução de seus próprios custos indiretos e às vantagens das compras em grande escala.

Analisamos o estoque de uma distribuidora multinacional destacada no mercado brasileiro de produtos tecnológicos e optamos em extrair informações relacionadas a uma marca específica para realizar um estudo de caso focado nas vendas durante os anos de 2022 e 2023. Com levantamento realizado, vamos apresentar a previsão de demanda para o ano de 2024. Além disso, demonstraremos uma estratégia de gerenciamento de estoque para essa linha de produto com base nas informações obtidas, utilizando a análise ABC para classificar o inventário.

Além disso, a empresa enfrenta desafios devido a uma previsão imprecisa de vendas, uma vez que não utiliza um método eficaz de gestão. Isso resulta em perdas para a companhia, causadas pelo acúmulo excessivo de mercadorias em seu estoque, seja devido a vendas abaixo do esperado, questões de gestão e logística, sazonalidade ou outros fatores.

Neste artigo demonstraremos medidas para reduzir o aging inventory dessa marca, garantindo que o estoque seja devidamente abastecido com os produtos que apresentaram maior demanda por parte dos clientes. Essa iniciativa terá um impacto positivo, fomentando que os gestores de vendas consigam de forma precisa estimar o forecast da marca e colaborar com o fabricante no desenvolvimento de estratégias para expandir a distribuição e reduzir os custos relacionados ao estoque.

1.2. OBJETIVOS

Com o propósito de conduzir esse estudo, nossa intenção é formular uma estratégia de gestão de estoque e realizar a estimativa da demanda para o ano de 2024. Para alcançar esse objetivo, iremos:

  • Analisar o desempenho de vendas no período de agosto de 2022 a agosto de 2023;
  • Delimitar o estudo com o fabricante referência em market share;
  • Apresentar a análise ABC através de uma amostragem;
  • Realizar cálculos para determinar a rotatividade do estoque e prever a demanda futura;

Os dados serão elaborados no Excel e comparados com a metodologia empregada pela empresa, com o resultado obtido, avaliar sua eficácia na tomada de decisões estratégicas e operacionais na distribuidora.

2. REVISÃO BIBLIOGRÁFICA

As distribuidoras têm expertise em gerenciar a logística de distribuição, armazenamento e transporte de produtos. Isso reduz a carga logística dos fabricantes, permitindo que eles se concentrem na inovação e na produção. Por possuir uma rede de revendedores, varejistas e parceiros em várias regiões geográficas, permite que os fabricantes alcancem um público mais amplo e diversificado, atingindo mercados que, de outra forma, seriam difíceis de alcançar.

2.1. SOBRE A EMPRESA

A empresa destacada no estudo de caso é uma distribuidora de tecnologia reconhecida mundialmente, oferecendo serviços para dispositivos móveis, nuvem, soluções de automação e logística. Concentrando-se na distribuição de uma ampla gama de produtos de hardware e software, destinado a revendedores e varejistas. Além dos serviços de distribuição de soluções e produtos, oferece apoio para o desenvolvimento de seu ecossistema, com benefícios exclusivos, recursos de logística e de mobilidade. Atuando como um elo vital na cadeia de suprimentos de TI.

3. REFERENCIAL TEÓRICO

BONNEY (2000), a competitividade evoluiu para se tornar uma necessidade fundamental para as organizações. Portanto, a administração de estoque desperta uma inquietação específica entre uma variedade de profissionais, que engloba desde engenheiros, gestores e administradores até todos aqueles que desempenham um papel direto ou indireto na área de produção.

A gestão de estoque envolve a administração eficiente dos recursos de materiais, garantindo que os produtos estejam disponíveis quando demandados pelos clientes, evitando excessos no inventário. Em essência, envolve a manutenção dos níveis de estoque em sintonia com a demanda, com o propósito de planejar, controlar e supervisionar o armazenamento e a entrega de produtos.

SLACK et al, (1997) acredita que o estoque é caracterizado como o acúmulo de recursos materiais em um sistema de transformação. Podemos assim dizer que, o termo estoque é empregado para descrever qualquer recurso armazenado, independentemente do tipo de recurso mantido ou da sua localização dentro da operação, ele persiste devido à disparidade no ritmo e taxa entre o fornecimento e a demanda.

Uma gestão de estoque eficaz não apenas melhora a eficiência operacional, e contribui para a satisfação do cliente, redução de custos e aumento da rentabilidade. Empresas de sucesso adotam abordagens estratégicas para garantir que o inventário seja otimizado e alinhado com seus objetivos de negócio.

O desafio reside em determinar quais produtos devem ser mantidos em estoque e qual quantidade. A determinação da quantidade apropriada para o estoque é uma questão recorrente e complexa para as organizações. Para evitá-la, é essencial que a empresa realize uma análise de suas vendas passadas, a fim de estimar suas vendas futuras, destacando os produtos de maior rotatividade. Estoques excessivos acarretam custos significativos, pois mercadorias armazenadas por um longo período podem sofrer depreciação, até mesmo resultando em perdas totais. Além disso, a manutenção de um grande volume de estoque requer espaço de armazenagem adicional, o que pode ser oneroso. Quando mercadorias permanecem paradas, podem criar obstáculos operacionais, ocupando espaço que poderia ser destinado a itens mais essenciais para a empresa.

3.1. PREVISÃO DE DEMANDA

A previsão de demanda trata-se de uma metodologia para estimar “o volume total que seria comprado por um grupo de consumidores de uma área geográfica, em um período de tempo, ambiente de mercado e mediante um programa definido de marketing” (KOTLER,1991) baseando-se em informações conjecturais de âmbitos quantitativos e qualitativos de relação suplementar entre si.

Desempenhando um papel fundamental na superintendência do estoque, permitindo que a empresa acompanhe tanto as entradas quanto as saídas de mercadorias, resultando em uma estimativa do tamanho ideal do estoque para atender de maneira eficaz às necessidades dos clientes. Para evitar a falta ou excesso do inventário, as empresas precisam prever a demanda futura o mais precisamente possível. Isso envolve a análise de tendências passadas, sazonalidade e fatores que possam afetar a demanda, como eventos promocionais.

3.2. NÍVEIS DE ESTOQUE

Os níveis de estoque abrangem o conceito de estoque mínimo, máximo e ponto de reposição, garantindo a disponibilidade oportuna dos produtos, evitando excessos de acumulação. Reconhecendo que nem todos os produtos possuem a mesma relevância ou demanda, a categorização de itens em A, B e C, auxilia na priorização da gestão dos itens mais essenciais.

O giro de estoque mede com que rapidez os produtos são vendidos e substituídos. Um alto giro de estoque é desejável, pois indica que os produtos não ficam parados por muito tempo, reduzindo o risco de obsolescência.

3.3. CURVA ABC

A Curva ABC, também conhecida como o Princípio de Pareto, é uma ferramenta que sugere a categorização de produtos com base em sua relevância para a empresa, dividindo-os em três classes distintas: Classe A, que engloba os produtos de maior importância; classe B, compreendendo produtos de importância intermediária; classe C, que abrange produtos de menor importância.

Essa abordagem estabelece prioridades para os produtos, determinando o tempo médio pelo qual eles devem ser mantidos em estoque, sem comprometer a receita da empresa. (POZO, 2008)

Com a regra 80/20, em termos de consumo 80% do valor do estoque seria realizado em cerca de 20% dos itens (os de categoria A). Ao usar este princípio, as categorias B e C representariam os 80% restantes dos itens, suponhamos que B com 30% e C com 50%.

A utilização da Curva ABC é extremamente vantajosa, porque se pode reduzir as imobilizações em estoques sem prejudicar a segurança, pois ela controla mais rigidamente os itens de classe A e, mais superficialmente, os de classe C. A classificação ABC é usada em relação a várias unidades de medidas como peso, tempo, volume, custo unitário e etc. (POZO 2008, pag 82)

GUERRINI (2014) fornece um guia passo a passo para a construção de uma Curva ABC, que pode ser resumido da seguinte maneira: Primeiramente, desenhe dois eixos de escala idêntica, variando de 0% a 100%. Em seguida, trace a curva das porcentagens acumuladas, o que resultará nos pontos D e E. Conecte o ponto de partida ao ponto de chegada (D e E) com uma linha reta. Posteriormente, desenhe uma tangente à curva, que seja paralela à linha DE, resultando nos pontos F e G. Trace as bissetrizes dos ângulos DFG e FGE. Finalmente, identifique os pontos de separação das classes, marcando-os como H e I, onde as bissetrizes se cruzam com a curva D e E.

Figura 1 – Método gráfico para a obtenção da classificação ABC:

Fonte: Guerrini (2014, p.154)

Ou seja, a curva ABC desempenha um papel crucial na classificação de itens, permitindo, assim, a diferenciação dos níveis de controle com base em sua relevância relativa. O objetivo é concentrar esforços e recursos nos itens que têm o potencial de gerar os maiores lucros, concentrando a atenção nos itens de maior valor e menor quantidade, enquanto exigindo um esforço de controle menor para os itens de maior quantidade e menor valor.

3.4. CONTROLE DE ESTOQUE

O controle de estoque é um processo essencial para qualquer empresa que lida com aquisição, armazenamento e venda de produtos. Ele envolve o acompanhamento e a gestão de todos os itens no inventário, garantindo que a quantidade de produtos esteja disponível no momento adequado e que os recursos da empresa sejam usados de maneira eficiente.

Para que o gestor tome sua decisão de forma eficaz, ele precisa avaliar e ponderar todas as variáveis interferentes possíveis e viáveis de serem calculadas para basear sua escolha em critérios objetivos, evitando-se risco de cair na armadilha do subjetivismo ou empirismo gerencial (TADEU, 2010).

O acompanhamento do inventário envolve uma análise de dados históricos de vendas e uma previsão de demanda futura. Isso permite que as empresas planejem suas compras de forma mais precisa e evitem estocagem. Um estoque excessivo pode levar ao aumento dos custos de armazenamento e restrição de produtos. Por outro lado, a falta de produtos pode resultar em vendas perdidas. Um controle bem gerenciado ajuda a equilibrar esses fatores, reduzindo custos e maximizando lucros.

3.4.1. LEAD TIME

O termo lead time refere-se ao período que um fornecedor leva para entregar um produto, podendo variar entre algumas horas até vários meses. Em casos de ampla variação de tempo ou de longos prazos de espera, é essencial manter um nível de estoque de segurança mais elevado, a fim de evitar a falta de produtos devido a atrasos ou imprevisibilidades nas entregas.

Conforme destacado por SURI (1998), o lead time abrange toda a cadeia produtiva da empresa, incluindo os setores logísticos e administrativos, com um foco na melhoria do relacionamento com o cliente final, na qualidade do produto e na redução de excessos de produtos e matérias-primas.

3.4.1.1. DESVIO PADRÃO

De acordo com (OLIVEIRA, 2017, p.8), o desvio padrão é a dispersão de um conjunto de dados matemáticos em uma amostragem, ainda diz que quanto menor for o desvio padrão, mais aproximados estão os valores da variável de sua média. Se o desvio padrão for zero, todos os valores da variável são iguais.

Fórmula (1)

3.4.1.2. NÍVEL DE SERVIÇO

O nível de serviço é um valor percentual da demanda para um determinado período em que o estoque é capaz de atender, e indica em qual ponto haverá uma nova reposição de produtos no estoque. Paralelamente aos níveis de estoque, existe o estoque de segurança, uma vez que esse número é proporcional. Isso significa que à medida que a quantidade de produtos em estoque aumenta, a taxa de serviço também aumenta, mas se a quantidade de produtos em estoque diminui, a taxa de serviço diminui.

Conforme FITZSIMMONS (2010), os níveis de estoque são selecionados para gerenciar o volume de produtos em períodos de incerteza, representando uma porcentagem da demanda que o estoque é capaz de atender. RAZZOLINI FILHO (2012) argumenta que o nível de serviço e o estoque de segurança são interdependentes, sendo que o estoque de segurança deve ser dimensionado com base nos níveis de serviço.

Fórmula (2)

Dado a fórmula, (GARDNER et al., 2008 APUD MARTINS, 2008), dissertam que nível de serviço é a razão entre quantidade de pedidos realizados por clientes e a quantidade de vendas, durante o mesmo período.

3.4.1.3. ESTOQUE DE SEGURANÇA

O estoque de segurança, também conhecido como estoque mínimo, é a quantidade de produtos que uma empresa mantém em estoque para evitar a falta de mercadorias devido a variações ou no tempo de reposição. Ele atua como um amortecedor para situações imprevistas, como atrasos no fornecimento ou aumento na demanda. O cálculo do estoque de segurança é baseado em fatores como o tempo de reposição, a variabilidade da demanda e a probabilidade de falta de estoque. (GARCIA et al, 2015).

Fórmula (3)

3.5. ESTOQUE MÉDIO

O estoque médio é o valor médio dos produtos mantidos em estoque durante um determinado período. Ele é calculado somando o estoque inicial e o estoque final de um período e dividindo por 2. O estoque médio é uma métrica importante para o cálculo de custos de estoque, como o custo de armazenamento, e é usado para calcular o giro de estoque. (CORRÊA etal, 2010).

Fórmula(4)

3.5.1. GIRO DE ESTOQUE

O giro de estoque é uma métrica que mede a eficiência da gestão de estoque de uma empresa. É calculado dividindo o custo dos produtos vendidos pelo valor médio do estoque. O objetivo é determinar com que rapidez os produtos estão saindo do inventário e sendo substituídos por novas mercadorias. Um giro de estoque alto geralmente indica uma gestão eficaz, pois os produtos estão sendo vendidos rapidamente, enquanto um giro de estoque baixo pode indicar problemas de obsolescência ou super abastecimento.

Fórmula(5)

O cálculo simplifica o planejamento de estratégias de gestão, uma dessas estratégias envolve a aquisição de mercadorias com maior frequência, o que reduz o excesso de estoque e minimiza a necessidade de espaço de armazenamento. Consequentemente, mais capital de giro fica disponível e o risco de produtos ficarem obsoletos antes de serem vendidos é reduzido. Além disso, em casos de imprevistos como roubos ou incêndios, as perdas são minimizadas.

De acordo com BALLOU (2006), giro de estoque é a divisão das vendas anuais no custo de estoque e o investimento médio no estoque no mesmo período das vendas. Para (SZABO, 2015), argumenta que giro de estoque é quantidade de vezes que este estoque foi movimentado em um ano, ou seja, quantificar a movimentação dos materiais durante o ano e complementa que este giro informa que a economia da empresa está saudável e circulando, pois, está tendo demanda e a organização está atendendo.

3.5.1.1. ÍNDICE SAZONAL

O índice sazonal é uma medida estatística usada para identificar padrões sazonais em dados, como vendas, produção ou qualquer outra variável que exiba variações regulares ao longo do ano. Ele é calculado comparando os valores reais de uma variável a uma média durante um período específico, geralmente um ano. Isso ajuda a identificar tendências sazonais, o que permite às empresas planejarem melhor suas operações.

Fórmula (6)

De acordo com ARNOLD (1999), utilizando índice sazonal é possível evitar erros de previsões de demanda para um certo período de estudo, ficando de acordo com LEN (1993) onde que se utiliza a média móvel ponderada para se obter medida (valores) temporais mais certeiros. Quando se trabalha com períodos é preciso ter uma análise detalhada, trabalhar com prevenções e MOTTA (1986) argumenta que a previsão de vendas é uma estimativa incerta pois trabalha com logística, pedidos de insumos, gastos com marketing, pedidos de máquinas. Já BANERJEE e SHARMA argumentam que em períodos de baixa demanda a empresa deve ter foco em outros mercados que estão em alta, evitando assim uma queda de produção sazonal.

3.6. MÉTODOS QUALITATIVOS

Os métodos quantitativos geralmente são quando há escassez ou inexistência de dados históricos sobre determinado produto, o que torna inviável a criação de um modelo matemático preciso. Por ser de natureza subjetiva, são consideravelmente menos confiáveis que os métodos quantitativos. No entanto, como benefício, gera uma interação mais direta com o público-alvo, sintonizando melhor a produção com as tendências diárias e os acontecimentos reais da área geográfica em que o consumidor está inserido.

A técnica de previsão qualitativa mais utilizada é o método Delphi (MOREIRA, 1999) onde os especialistas discutem as possibilidades para demanda futura, eliminando gradualmente alternativas por meio de rodadas de questionamentos mútuos. O objetivo é reduzir ao máximo as diversas hipóteses e suposições de previsão, de modo a manter ao final, apenas as consideradas as mais precisas.

3.6.1. MÉTODOS QUANTITATIVOS

Os métodos quantitativos são fundamentados em estatísticas reais da empresa e do mercado a respeito dos produtos a serem comercializados, de precisão proporcional à quantidade e natureza de dados históricos analisados. Facilitam também a realização do controle financeiro da cadeia de suprimentos, graças à maior visibilidade numérica proporcionada.

A análise de séries temporais baseia-se na revisão histórica das vendas, o que pode limitar sua aplicação a produtos novos, e na criação de modelos matemáticos para descrever períodos passados e futuros, fundamentados em cálculos. Os modelos sugeridos na literatura incluem: Suavização Exponencial; ARIMA (BOX; JENKINS, 1976); Modelos Estruturais (HARVEY; KOOPMAN, 1989; CORRÊA; Portugal, 1998); e Redes Neurais (HAYKIN, 1999; PORTUGAL; FERNANDES, 1996).

Os modelos de relação causa-efeito envolvem uma aplicação de métodos de modelagem matemática, que consistem em várias equações e sistemas de múltiplas variáveis que influenciam as vendas de um produto específico, estabelecendo correlações entre essas variáveis.

O meio comum para quantificar a esplendor entre diversas variáveis é o modelo de regressão (JOHNSTON e DINARDO, 1997). Esse modelo pode ser aplicado a situações simples, como a relação linear entre duas variáveis, ou a cenários mais complexos envolvendo múltiplas variáveis não-lineares.

3.7. CORRELAÇÃO E REGRESSÃO

A correlação refere-se ao nível de associação entre duas variáveis em uma população estatística. Enquanto isso, a regressão é uma equação matemática usada para descrever essa associação entre as variáveis mencionadas.

Figura 2 – Erro no modelo de classificação

Fonte: Hashtag (2022)

3.7.1. ERRO

O erro é definido como uma discrepância entre o valor real de y e o valor previsto por meio de uma regressão ou outra técnica de previsão, como a média móvel. Essa diferença é expressa como um número absoluto. Onde ise refere ao número do período em análise. O erro é uma métrica essencial em fórmulas estatísticas, sendo utilizada para avaliar a distância do valor previsto se encontrado do valor real.

Fórmula (7)

3.7.1.1. REGRESSÃO LINEAR

A regressão linear é uma equação matemática de primeiro grau utilizado para representar a relação entre variáveis simples por meio de uma reta contínua, sem parábolas ou oscilações. Existem vários métodos de regressão, tais como regressão linear simples e múltipla, que permitem fazer previsões com base em padrões observados nos dados. Essa técnica é amplamente utilizada em previsões e análises de dados para entender como as variáveis se relacionam e o impacto de uma variável sobre a outra.

Fórmula (8)

Na regressão linear múltipla, envolve-se mais de uma variável independente. Essas equações contêm exclusivamente variáveis de primeiro grau; variáveis de graus mais altos se encaixaram em outros modelos de regressão, como, em especial, o modelo de regressão polinomial.

Fórmula(9)

Figura 3 – 15 tipos de regressão mais frequentes

Fonte: Pubs R da R Studio (2018)

Os pontos verdes representam os conjuntos xnyn reais, enquanto a reta é a linha de regressão construída com base nesses pares, sendo uma estimativa cuja equações podem ser usada para prever os resultados y para futuros períodos x. Os valores previstos são indicados como ‘ŷ’ ou ‘y previsto’.

MARÔCO (2003) argumenta que regressão é uma ferramenta estatística que mostra uma relação entre variáveis em um gráfico de linha, se são independentes ou dependentes. STEVENSON (1986) argumenta que a regressão é um estudo com um conjunto de amostras e através dessa análise verificar qual é a comparação entre ambas e se mostra alguma equação matemática (equação de reta).

3.7.1.2. COEFICIENTE DE CORRELAÇÃO LINEAR DE PEARSON R

O coeficiente de correlação linear de Pearson r, também denotado como pxY, é utilizado para quantificar a intensidade da relação entre duas variáveis ao longo de uma reta imaginária, avaliando a força da exibição entre essas variáveis e o quanto essa visibilidade é representada pela reta. Este modelo só se aplica a regressões lineares.

Fórmula (10)

Os valores absolutos variam entre 0 e 1, com 0 indicando que não há correlação entre as variáveis e 1 que a correlação é perfeita. Portanto, quanto mais próximo de 1 o valor, mais forte a correlação e menor o erro. O sinal positivo indica que as variáveis são diretamente proporcionais, enquanto o sinal negativo sugere uma relação inversa.

Figura 4 – Tabela de valores aceitos para análise de R.

Fonte: Rogerio F. Vieira

Para MOORE (2007), correlação é a direção e o coeficiente para mostrar a relação entre ambas as variáveis. Quando se trata da questão de associação entre as variáveis, não existe um resultado fixo definitivo. Segundo COHEN (1988), valores entre 0,10 e 0,29 podem ser considerados pequenos, enquanto resultados entre 0,30 e 0,49 podem ser classificados como médios, e resultados entre 0,50 e 1 podem ser interpretados como grandes. Por outro lado, DANCEY e REIDY (2005) propõem uma abordagem de classificação diferente: resultados de 0,10 a 0,30 são classificados como fracos, resultados de 0,40 a 0,60 como moderados, e resultados de 0,70 a 1 como fortes.

3.8. REGRESSÃO POLINOMIAL

A regressão polinomial é um modelo de regressão construído com base em uma proposta de equação.

Fórmula (11)

Figura 5 – 15 tipos de regressão mais frequentes

Fonte: Pubs R da R Studio(2018)

Ela é utilizada em situações em que outros modelos de regressão não são adequados, como no ilustrado na figura 6, em que a linha vermelha (regressão polinomial) expressa melhor a dispersão dos conjuntos de variáveis no gráfico do que a linha verde (regressão linear). A regressão polinomial melhor expressa gráficos de correlação com parábolas e oscilações.

(MARQUETTI E VIALI, 2004) dissertam que na regressão polinomial, determina-se um valor ou uma expressão para cada ponto, tendo-se em vista que quanto mais próximo de x o valor é maior e menor à medida que se distancia.

3.8.1. COEFICIENTE DE DETERMINAÇÃO R²

O coeficiente de determinação R² mensura a proporção da variação de Y explicada pelo modelo de regressão utilizado pela variação em X, variando entre 0 e 1. Quanto mais próximo de 1, melhor o grau de explicação da variação de Y expressa pelo modelo, logo maior a confiabilidade e precisão deste. Assim dizendo, maior a semelhança entre a linha real e a linha prevista pelo modelo de regressão, podendo ser adotada para projeções futuras.

Fórmula (12)

GUJARATI (2009) diz que R² poderá aumentar ou diminuir com a entrada de novas variáveis independentes no modelo, deixando uma fórmula mais interpretativa para as variâncias.

4. RESULTADOS E DISCUSSÃO

Dentre todos os fabricantes da distribuidora, decidimos analisar a marca Lenovo. Selecionamos 15 produtos arbitrariamente como uma amostra acadêmica para execução da curva ABC, para facilitar a compreensão dos leitores, já que o uso de inúmeros produtos comercializados pela empresa, poderia gerar desentendimento e ser menos didático para o artigo.

Primeiramente realizamos a soma do faturamento de vendas destes produtos durante o período de agosto de 2022 a agosto de 2023, independente da data específica de venda, devido à esta ser irrelevante para esta categorização. A nota de corte para classe de produtos A foi 50% do valor acumulado, B 80% e C 100%.

A fim de garantir que a amostra reflete de maneira mais precisa a realidade, onde os produtos do tipo A, embora menos numerosos, contribuem com o maior valor acumulado, enquanto os produtos do tipo C, apesar de mais numerosos, apresentam uma menor contribuição acumulada.

Tabela 1 – Classificação ABC dos produtos

Fonte: Os autores (2023)

Tabela 2 – Nota de corte para classe de produtos

Fonte: Os autores (2023)

Figura 6 – Gráfico curva ABC

Fonte: Os autores (2023)

Nesta amostra, fica claramente evidenciada a relevância de uma gestão cuidadosa dos produtos pertencentes à classe A devido ao seu impacto significativo no faturamento total, contribuindo com 80% dele. Esses produtos são alta demanda, exigindo uma abordagem minuciosa em suas compras, além da necessidade de manter estoques de segurança para cada um, a fim de evitar qualquer possibilidade de escassez.

Os produtos da classe B são produtos de demanda intermediária, exercendo um impacto menos significativo na receita da empresa, 15% do valor faturado. A gestão do estoque desses produtos é igualmente importante, mas erros na previsão tendem a acarretar riscos menores.

Consequentemente, os produtos da classe C são os de demanda e valor mais baixos, 5% do valor faturado. A recomendação é mantê-los em estoque em quantidades mínimas, a menos que seja viável recomendá-los com base em pedidos específicos, adquirindo-os diretamente dos fabricantes quando a demanda crescer em determinados períodos ou quando os clientes manifestarem interesse.

Tabela 3 – Total de vendas dos produtos da classe ABC no período analisado

Fonte: Os autores (2023)

Foi selecionado um produto de cada classe para a criação de tabelas que demonstram a demanda ao longo do período de agosto de 2022 a agosto de 2023. Ao somar as vendas, torna-se evidente as diferenças na demanda de cada produto, com o tipo de produto A destacando-se como o mais vendido, enquanto o tipo C apresenta menor demanda.

Isso enfatiza a importância de alocar maior parte do espaço de estoque para os produtos da classe B e, em especial, da classe A. É crucial direcionar uma atenção especial a esses produtos, tornando a gestão de estoque deles uma prioridade e utilizando métodos de previsão que melhor se adaptem à realidade da empresa e às flutuações da demanda.

4.1. PREVISÃO DE DEMANDA SIMPLES

Nesta etapa do estudo, escolhemos o part number 61C9KBR1BR como um representante da classe A, a fim de analisar o padrão de vendas desse produto, construir a previsão e direcionar a gestão de estoque. Para isso, acessamos os dados históricos de vendas da distribuidora, agrupando a quantidade de vendas mensais entre agosto de 2022 a agosto de 2023, para calcular a previsão de demanda de setembro de 2023 a agosto de 2024.

Tabela 4 – Previsão de Demanda

Fonte: Os autores (2023)

Na tabela as células em vermelho apresentam dados irreais, com demanda negativa e inconsistência lógica. Enquanto as células amarelas representam dados inadequados, seja devido a questões de lógica questionável ou falta de congruência com a realidade.

Figura 7 – Gráficos para diferentes formas de tendência

Fonte: Os autores (2023)

Foram criados gráficos para diferentes formas de análise de tendência, onde:

  • A linha azul representa as quantidades reais de venda.
  • A linha tracejada vermelha indica a tendência da média móvel, calculada com base na média entre o período atual e o período anterior.
  • A linha tracejada roxa ilustra a tendência da mídia móvel, com base na média dos dois períodos anteriores ao período atual.
  • A linha tracejada verde denota a tendência de regressão polinomial de sexto grau.
  • A linha tracejada amarelo expõe uma tendência de regressão linear.

Analisando esses gráficos, é notório que esses métodos falham em prever precisamente a previsão de demanda, visto que o erro das linhas de tendência, e a diferença entre estas da linha azul e a quantidade de vendas real.

Percebe-se que ao observar os gráficos de regressão linear e polinomial, sendo este o modelo de regressão que melhor representa a correlação entre período e quantidade de vendas equacional. Isso é confirmado após a análise dos valores dos coeficientes de determinação R², onde o valor do coeficiente de determinação para o modelo linear é 0,026 e para o modelo polinomial é 0,5606, sendo o primeiro considerado fraco e o segundo moderado. Em suma, é considerado inaceitável para uso empresarial onde o coeficiente de determinação deve ser ao mínimo forte, igual ou superior a 0,70.

Seguindo essas análises, foram feitas observações onde é importante destacar que a regressão linear, devido ser uma reta, falha em reconhecer as oscilações entre os períodos de meses, seguindo sempre um movimento único e constante sem ajustes, fazendo ele impróprio para previsões de demanda irregulares e descontínuas.

O método de regressão polinomial, embora demonstre uma adaptação mais precisa à dinâmica das vendas em períodos nos quais os dados são robustos e atualizados, revela- se problemático quando aplicado a cenários nos quais informações precisas estão ausentes. Nesses casos, o modelo tende a gerar projeções que seguem uma trajetória longa e parabólica, seja ascendente ou descendente, e os pontos de máximo e mínimo dessas curvas permanecem amplamente separados e pouco visíveis no gráfico. Isso, em resumo, resulta em estimativas que se afastam significativamente da realidade, produzindo valores extremamente elevados ou baixos e, consequentemente, desconectados das condições reais do mercado.

No âmbito dos modelos de média móvel, torna-se evidente que sua aplicação requer cuidados específicos para obter previsões precisas de demanda. Ao empregar a divisão do mês atual pelos valores anteriores, fica patente a inadequação desse método para previsões a longo prazo. Isso ocorre porque, à medida que não se dispõe mais de dados históricos de vendas para períodos anteriores, a fórmula implicaria o uso do próprio valor previsto para calcular-se a si mesmo, criando assim uma situação paradoxal.

Quando se opta por uma média móvel baseada nos dois meses anteriores ao período analisado, é visível um atraso na previsão em relação à realidade. O gráfico que exibe a previsão com médias móveis ilustra claramente como a linha tracejada roxa tenta ajustar- se aos dados reais representados pela linha azul, porém o faz após o prazo estimado. Isso se deve ao fato de que, uma vez que as células referentes aos meses anteriores na coluna (quantidade de vendas Y) estejam vazias, o cálculo da média móvel teria que se basear em valores previstos para períodos anteriores. Matematicamente, essa abordagem tende a convergir para um valor médio de equilíbrio que não reflete a realidade. Dessa forma, a média móvel baseada em meses anteriores não é adequada para previsões a longo prazo, sendo mais apropriada para períodos subsequentes ao presente. Isso pode se tornar prejudicial para empresa caso o lead time de encomenda ou compra de produtos seja superior a um mês, uma vez que a reposição de estoques pode não ocorrer a tempo para o próximo mês, com base puramente em dados matemáticos.

A análise aponta para a necessidade de considerar tendências e sazonalidades nos métodos de previsão. Observou-se que quanto maior o grau de regressão polinomial e quanto menor o número de períodos anteriores considerados segundo o método de média móvel, maior a semelhança com a linha real de vendas e, portanto, maior a precisão nas previsões futura. Contudo, esses métodos, por si só, podem não ser suficientes.

Em uma abordagem ampla, é recomendável considerar a aplicação de diversos modelos de linha de tendência para determinar qual deles melhor se ajusta aos dados reais de vendas, escolhendo aquele que mais se aproxima dessa realidade. No contexto da distribuidora em análise, é sugerido que a organização comece a adotar a média móvel com base em apenas dois períodos anteriores, em vez dos três meses que é o padrão atualmente utilizado pela empresa ao realizar as previsões de demanda. Esta metodologia mais enxuta na média móvel pode resultar em projeções que estejam mais alinhadas com o comportamento efetivo das vendas, proporcionando maior precisão nas previsões futuras. Portanto, a seleção cuidadosa e o ajuste dos modelos de linha de tendência, juntamente com a otimização dos parâmetros, são práticas que podem ser benéficas para melhorar a capacidade da empresa de antecipar a demanda de maneira mais eficaz.

4.1.1. PREVISÃO DE DEMANDA COM SAZONALIDADE

No contexto da previsão de demanda com sazonalidade, tornou-se necessário incorporar dados de anos anteriores. Portanto, criamos uma base de dados abrangendo o período de agosto de 2021 a agosto de 2023, com o objetivo de realizar projeções para o período de setembro de 2023 a agosto de 2024.

No processo de determinar o índice de sazonalidade, desenvolvemos uma tabela adjacente na qual calculamos a média mensal para cada mês dentro do intervalo que abrange de agosto de 2021 a agosto de 2023, bem como a média geral considerando todos os meses desse período abrangente.

Tabela 5 – Fatores de Sazonalidade

Fonte: Os autores (2023)

Dentro da tabela, identificamos que as células preenchidas em vermelho destacam dados que não condizem com a realidade, exibindo demandas negativas ou falhas lógicas. Por outro lado, as células preenchidas em amarelo indicam informações impróprias devido a questões de lógica questionável ou falta de congruência com a realidade. Esse processo de identificação e classificação de dados incoerentes é fundamental para garantir a qualidade e confiabilidade das previsões de demanda.

Tabela 6 – Previsão de Demanda

Fonte: Os autores (2023)

Figura 8 – Gráficos Previsão de Demanda

Fonte: Os autores (2023)

Foram estabelecidos gráficos para diferentes formas de tendência:

  • A linha azul representa a quantidade de venda real
  • A linha tracejada vermelha, a tendência da média móvel com base na média do período atual com o período passado
  • A linha vermelha semitransparente, a tendência da média móvel com fator sazonalidade
  • A linha tracejada verde, a tendência de regressão polinomial de 6º grau
  • A linha verde semitransparente, a tendência de regressão polinomial de 6º grau com fator sazonalidade
  • A linha tracejada amarela, a tendência de regressão linear
  • A linha amarela semitransparente, a tendência de regressão linear com fator sazonalidade

4.1.1.2. ERRO

Com a conclusão das tabelas e gráficos da sazonalidade, foi gerada uma nova para comparar os valores previstos pelos diferentes modelos de tendência, representados por (Y previsto) com os dados pré-existentes, indicados por quantidade de vendas (Y). Para isso, subtraiu-se um pelo outro e tomando os valores absolutos para o cálculo do erro. A partir dos dados de cada coluna, associados aos erros de cada período analisado, foi calculado a média dos erros.

No cenário em que um método de tendência demonstra um erro médio menor, torna-se evidente que ele está mais alinhado com os dados reais de quantidade de vendas. Dessa forma, ele é escolhido como a abordagem mais eficaz para previsões de demanda, sendo considerado o método ideal para essa finalidade.

Tabela 7 – Erro Médio

Fonte: Os autores (2023)

Todas as observações passadas sobre os modelos de tendência foram revalidadas. No entanto, é evidente que o fator de sazonalidade desempenhou um papel crucial no ajuste da tendência de todos os modelos, tornando-os próximos e condizentes com a realidade. Isto se dá, em particular, devido a empresa estudada ser uma distribuidora, não produtora, de produtos de demanda descontínua (tecnológicos), onde as vendas acontecem de forma sazonal devido a maior demanda em determinadas épocas do ano, seguindo os ciclos de vida desses produtos.

No caso, o modelo de tendência escolhido foi o de regressão linear com sazonalidade, devido à sua melhor adequação aos dados reais de quantidade de vendas, evidenciada pelo menor erro médio (~79,96). Os dados de previsão de quantidade de venda expressos por este modelo de tendência também não são irreais, seja por adotarem valores negativos, ou possuírem falha lógica, nem impróprios, seja por questões de lógica questionáveis ou má-congruência com a realidade. Diferente da regressão linear sem sazonalidade, há uma oscilação na linha de tendência, concedendo maior veracidade ao modelo.

Entretanto, é importante sempre atualizar os índices de sazonalidade e a tabela de quantidade de vendas (Y), desenvolvendo a cada período um novo modelo de regressão linear com sazonalidade. Com os dados atualizados para previsões futuras, já que previsões de períodos muito distantes do atual tendem a ser gradativamente menos confiáveis. Deve ser lembrando que este foi o método mais adequada para previsão do produto 61C9KBR1BR da classe A, sendo possível que outros combinem melhor com o modelo de vendas de produtos diferentes, tornando-se imprescindível estas análises para cada produto, especialmente os do tipo A.

4.3. GESTÃO DIÁRIA DE ESTOQUE

Com base nos dados de vendas registrados em meses anteriores, criamos uma tabela de gerenciamento de estoque. Foi adotado um lead time hipotético de 2 dias e um nível de serviço de 70%, uma decisão motivada pela notável irregularidade nas vendas da empresa sob análise, parcialmente atribuível à sua natureza como distribuidora de produtos tecnológicos.

Nesse contexto, calculamos a demanda média, desvio padrão da demanda, estoque de segurança, ponto de reposição e o estoque máximo para cada mês. A opção por estabelecer valores mensais para esses parâmetros foi feita devido à maior precisão obtida, visto que calcular esses indicadores com base no período inteiro, de agosto de 2022 a agosto de 2023, resultaria em resultados genéricos e destituídos de concordância com a realidade específica de cada mês.

Assim, procedeu-se à criação de uma tabela na qual cada linha corresponde a um dia de vendas. Essa escolha foi feita para evitar uma excessiva proliferação de linhas, o que poderia resultar em uma tabela pouco prática para a fácil compreensão do leitor. Dentro dessa estrutura, a coluna (estoque fim do dia) representa a soma do estoque do dia anterior, linha acima na mesma coluna, subtraindo a quantidade de vendas (saídas) do dia e somando as entradas ocorridas no período entre a última data de venda e o dia analisado, que estava na linha correspondente da tabela.

Tabela 8 – Gestão de estoque

Fonte: Os autores (2023)

Tabela 9 – Gestão de estoque final

Fonte: Os autores (2023)

Identificamos as razões para a reposição de estoque, classificando-as em três categorias: virada do mês, que corresponde à necessidade de ajustar os níveis de estoque atuais aos valores máximos estabelecidos para o próximo mês, implicando na compra da quantidade necessária para igualar o estoque ao máximo futuro. Ponto de reposição, quando o estoque atinge ou fica abaixo do valor do ponto de reposição mensal, desencadeando a aquisição da quantidade necessária para alcançar o estoque máximo do mês. Estoque negativo, que ocorre quando o estoque se encontra abaixo de zero, indicando a falta de produtos para venda. Nesse cenário, é necessária a compra de uma quantidade negativa para atender à demanda passada e igualar o estoque ao máximo estabelecido, evitando assim que o estoque permaneça negativo. Junto a essas categorias, registramos as datas de entrega, documentando os dias de reabastecimento.

Na coluna estoque fim do dia, destacamos em vermelho e negrito os dias em que o valor do estoque ultrapassou o limite do estoque máximo estabelecido. Partimos do pressuposto hipotético de um estoque inicial de oito unidades, juntamente com o cálculo do estoque máximo para o mês de agosto de 2022.

Por meio dos cálculos, foi possível determinar informações essenciais para o gerenciamento de estoque de cada mês, no período abrangido. Posteriormente, elaboramos uma tabela de gestão de estoques com base nessas conclusões. Esses dados forneceram uma visão mais nítida sobre o fluxo dos níveis de estoque e as demandas associadas, facilitando o trabalho da equipe de administração em todos os níveis da empresa, podendo ser usada como base para gestão e estratégias futuras.

Além disso, por meio desse gerenciamento, asseguramos que nenhuma compra desnecessária fosse efetuada, evitando exceder os limites do estoque máximo estabelecido para cada mês. Qualquer exceção a essa regra ocorre apenas quando houver um saldo de estoque superior ao estoque máximo do mês anterior, em consonância com a mudança de mês.

  1. PREVISÃO DE ESTOQUE DE SEGURANÇA MESES FUTUROS

Para estimar o nível de estoque de segurança para os meses futuros, adotamos um método de previsão que envolve médias e desvios padrão móveis. Esse procedimento leva em consideração as quantidades de vendas (y), previstas por meio de um modelo de regressão linear com fator sazonal, entre o mês anterior e o mês atual.

Tabela 10 – Estoque de segurança

Fonte: Os autores (2023)

Ao dividir o número de vendas previstas para um determinado mês pela quantidade de dias, os valores seriam todos idênticos, resultando em um desvio padrão sempre igual a zero, impossibilitando os demais cálculos. O lead time para fins de cálculo, foi previsto em um mês, devido aos ajustes e abastecimentos realizados durante a transição de cada mês.

Tabela 11 – Previsão estoque de segurança

Fonte: Os autores (2023)

Com base nos dados obtidos, que incluem as variações de níveis de estoque para os meses futuros, a empresa pode se preparar de maneira mais eficaz para esses períodos, o que lhe permite ter uma visão mais clara das necessidades de estoque de segurança para os meses subsequentes.

Devido à utilização da média móvel, com base na quantidade de valores do mês passado e do mês atual, para esses cálculos. É aconselhável realizar uma previsão para o próximo mês em relação ao momento presente, isso ocorre porque a previsão da média móvel gradualmente se distancia da realidade à medida que mais períodos (meses) se passam, o que é verdadeiro para qualquer modelo de tendência de previsão. Portanto, é necessário manter os dados sempre atualizados. Nesse contexto, no caso em estudo, o valor verídico é o de setembro de 2023, uma vez que ele utiliza dados próximos à realidade, condizente ao registrado de agosto de 2023.

Para aplicar outros conceitos de gestão de estoque, como o ponto de reposição, estoque máximo e a criação de uma tabela de gestão diária de estoque para o mês planejado, é necessário adquirir uma amostra do padrão de vendas deste mês, e com base nessa amostra, seria desenvolvido um modelo de tendência que melhor representasse e previsse esse comportamento ao longo do restante do mês, dia após dia.

5. CONSIDERAÇÕES FINAIS

Este artigo explora métodos de gestão de estoque através de uma abordagem de pesquisa científica e técnica, utilizando um estudo de caso como base. A análise se concentrou nas principais ferramentas, bem como nos benefícios e desafios associados à realização da otimização com base nos dados encontrados na distribuidora.

A análise da curva ABC se torna crucial para determinar quais produtos devem ser priorizados nas compras e organização do estoque. Isso evita gastos desnecessários com itens de baixa demanda, que apenas ocupam espaço físico e aumentam os custos de estoque. Esses produtos de baixa demanda geralmente se encaixam melhor no modelo just in time, desde que sejam gerenciados com atenção ao lead time. Além disso, por meio dessa ferramenta, é possível identificar os produtos que requerem uma gestão e previsão mais cuidadosas para evitar a falta de estoque em períodos futuros de vendas.

No decorrer da nossa metodologia, destacamos a importância de iniciar a análise com as vendas de um produto específico. Através de testes e avaliações, buscamos identificar o modelo de tendência que melhor se adapta à natureza de vendas desse produto individualmente. Esse processo permite uma realização de variação de demanda mais precisa para o produto em questão. Contudo, é fundamental salientar que esses modelos precisam ser constantemente atualizados e reavaliados com dados reais, pois a precisão das variações diminui à medida que os períodos previstos se distanciam do período atual, ou seja, da realidade.

Além disso, apresentamos um método para calcular o estoque de segurança com base em dados previstos para quantidade de vendas para um período futuro, garantindo um nível de segurança para a empresa no início desse período. No entanto, à medida que os dados reais de vendas começam a ser registados ao longo do mês em análise, é aconselhável realizar projeções de vendas durante esse mês. Isso pode ser feito usando modelos de tendência, como a regressão linear, ou qualquer outro método adequado para esse propósito.

Nesse cenário, é aconselhável que os dados registrados e obtidos por meio das projeções sejam incorporados a uma tabela de gestão de estoque. Nessa tabela, deve-se registrar claramente a saída de unidades do produto, permitindo o planejamento das necessidades de compra para dados futuros. Além disso, é fundamental marcar os dados de coleta, levando em consideração o lead time de entrega. Ao adotar esse sistema de gestão, é possível evitar compras excessivas de produtos, respeitando o valor calculado de estoque máximo. Isso evita o excesso de estoque e gastos desnecessários, permitindo que recursos sejam alocados de forma mais eficaz em outras áreas, reduzindo as perdas financeiras da empresa.

Portanto, esse estudo de caso ressalta a relevância significativa de uma gestão de estoque, que foi utilizado como parâmetro na empresa em análise. Essa estratégia deve conduzida juntamente com base na demanda de vendas, especialmente considerando a natureza da empresa, que atua como distribuidora para diversos fabricantes.

6. REFERÊNCIAS

APRENDENDO GESTÃO. Dimensionamento do Estoque de Segurança. 2016. Disponível em: <https://aprendendogestao.com.br/2016/08/23/dimensionamento-do- estoque-de-seguranca/> Acesso em: 01 nov. 2023.

ARQUIVEI. Estoque Médio: O que é e como calcular?2023. Disponível em:<https://arquivei.com.br/blog/estoque-medio/> Acesso em: 01 nov. 2023.

AULA5REGRESSÃO. Correlação e Regressão. 2016 Disponível em:<https://rogeriofvieira.com> Acesso em: 06 nov. 2023.

BALLOU, RONALD H. Gerenciamento da cadeia de suprimentos: logística empresarial. 5. ed.. Porto Alegre: Bookman, 2006.

BLOQM. Coeficiente de clareza depostos de Spearman. 2013. Disponível em:<https://bloqm.wordpress.com/2013/10/13/coeficiente-de-correlacao-de-postos-de- spearman/> Acesso em: 02 nov. 2023.

BONNEY, M. Reflections on Production Planning and Control (PPC).Gestão & Produção, v. 7 (3), p. 181-207, 2000.

BOTELHO, FELIPE S., FREITAS HEITOR P., MELO, ROGÉRIO V. Vantagens de desvantagens na gestão de estoque. Volta Redonda: Revista Valore, 4 ed. especial, p. 93-106, 2019

CASA MAGALHÃES. Gestão de estoque: O que é, como fazer e principais métodos. 2023. Disponível em: <https://www.casamagalhaes.com.br/blog/gestao-de- empresas/gestao-de-estoque/> Acesso em: 19 out. 2023.

CHING, HONG Y. Gestão de estoques na cadeia de logística integrada: Supply chain.4. ed.. São Paulo: Atlas S.A., 2010.

CORRÊA, H.L.; GIANESI, I.G.N.; CAON, M. Planejamento, programação e controle da produção: MRP II/ERP–Conceitos, uso e implantação. 5ª ed. São Paulo: Atlas, 2010.

ELEVE. Previsão de demanda: O que é, importância e como fazer. 2022. Disponível em: <https://elevesuasvendas.com.br/blog/negocios/previsao-de-demanda> Acesso em: 23 out. 2023.

FILHO, DALSON B. F., JÚNIOR, JOSÉ A. S. Desvendando os Mistérios do Coeficiente de Correlação de Pearson(r)*.Revista Política Hoje, Vol. 18, n. 1, Pernambuco, 2009.

GRAZIANI, ÁLVARO P. SILVA, MARINA, M. G. Gestão de Estoques e Movimentação de Materiais. Palhoça: UnisulVirtual, 2013.

GUERRINI, FÁBIO M., BELHOT, RENATO V.; JUNIOR, WALTHER A. Planejamento e controle da produção: projeto e operação de sistemas.1. ed.. Rio de Janeiro: Elsevier, 2014.

HASHTAG. Avaliando erros em modelos de regressão – Machine Learning. 2022. Disponível em: <https://www.hashtagtreinamentos.com/avaliando-erros-em-modelos- regressao-ciencia-dados> Acesso em: 02 nov. 2023.

IBC. Aprenda como calcular sazonalidade de vendas. Disponível em: <https://www.ibccoaching.com.br/portal/aprenda-como-calcular-sazonalidade-de-vendas/> Acesso em: 31 out. 2023.

KUYVEN, PATRÍCIA SORGATTO. Proposta de um método para análise de demanda:Aplicação numa indústria de brinquedos. Porto Alegre: UFRGS, 2004. Dissertação (Mestrado em Engenharia de Produção) – Universidade Federal do Rio Grande do Sul, Brasil, Porto Alegre, 2004.

MAIA, L. M., CRUZ, C. A. B., OLIVEIRA, C. R., FRAGA, E. E. A. A importância da ferramenta curva ABC no gerenciamento de estoque. Anais do IX Simpósio de Engenharia de Produção de Sergipe, p.378-388, 2017.

MARTELLI, LEANDRO L. DANDARO. Planejamento e controle de estoque nas organizações. Universidade Tecnológica Federal do Paraná – UTFPR, Campus Ponta Grossa, Brasil, Paraná, ISSN 1808-0448 / v. 11, n. 02: p. 170-185, 2015.

MESQUITA, JOSÉ M. C., MARTINS, HENRIQUE C., DIAS, ALEXANDRE T., RABELO, ARIL. Impactos da sazonalidade da produção sobre os estoques e lucratividade: Análise do segmento industrial brasileiro. Universidade Federal de Minas Gerais, Belo Horizonte, Brasil, Revista Contabilidade Vista e Revista, ISSN 0103-734X, v. 27, n. 3, set/dez. 2016.

MUNDO EDUCAÇÃO. Desvio-padrão. Disponível em:<https://mundoeducacao.uol.com.br/matematica/desvio-padrao.htm> Acesso em: 01 nov. 2023.

POST, LUCAS. Ampliação do giro de estoque da empresa Rioplast. Universidade de Santa Cruz do Sul, Santa Cruz do Sul, 2019.

POZO, HAMILTON. Administração de recursos materiais e patrimoniais: uma abordagem logística.7. ed.. São Paulo: Atlas, 2015.

PUBS R DA RSTUDIO. 15 tipos de regressão mais frequentes. 2018. Disponível em: <https://rpubs.com/JulhinhaM/395633 > Acesso em: 02 nov. 2023.

QUININO, ROBERTO C., REIS, EDNA A. O Coeficiente de Determinação R² como Instrumento Didático para Avaliar a Utilidade de um Modelo de Regressão Linear Múltipla. 2011. Departamento de Estatística – ICEx – UFMG – Brasil. BESSEGATO, LUPÉRCIO F. Departamento de Estatística – ICE – UFJF – Brasil

RODRIGUES, SANDRA. C. A. Modelo de regressão linear e suas aplicações.Universidade da Beira Interior. Relatório de Estágio para obtenção do Grau de Mestre em Ensino de Matemática no 3º Ciclo do Ensino Básico e no Ensino Secundário (2º ciclo de estudos). Covilhã, 2012.

SANTOS, TIAGO S., COSTA, DANIELLE R. M., ALVES, LUCAS F., ROCHA, NATHALIAS., SOUSA, SAMANTHA C. Aplicação de ferramentas da gestão de estoque e custo: um estudo de caso em uma loja de artigos e acessórios para automóveis em Marabá – PA. Revista Latino-Americana de Inovação e Engenharia de Produção, v. 5. n. 8. p. 98- 116, 2017

SEBRAE. Entenda a importância da gestão de estoque. 2022. Disponível em: <https://sebrae.com.br/sites/PortalSebrae/artigos/artigosOrganizacao/como-melhorar-a- gestao-de-produtos-no-varejo,6ed4524704bdf510VgnVCM1000004c00210aRCRD> Acesso em: 19 out. 2023.

SELL, ISAIR. Utilização da regressão linear como ferramenta de decisão na gestão de custos. IX Congresso Internacional de Custos – Florianópolis, SC, Brasil, 2005.

SLACK, N.; CHAMBER, S.; JOHNSTON, R. Administração de Produção. 2. ed. São Paulo: Atlas, 2009.

SLIDEPLAYER. Regressão Linear Simples. 2007. Disponível em: <Regressão Linear Simples – ppt carregar (slideplayer.com.br)> Acesso em: 02 nov. 2023.

SILVA, VICENTE T. L. M., SOARES, FRED C. M. Desvio padrão e imprecisão de leitura: paquímetro. Ciências exatas e tecnológicas, Aracaju, v. 5, n.3, p. 27-34, 2019.

SOUSA, SAMANTHA C., SILVA, ESTELA V. S., SANTOS, GESSICA, C. F., RIBEIRO,

SARAH N., SANTOS, TIAGO S. Gestão de estoque em uma microempresa de atacado e varejo no município de Marabá-PA. Centro Universitário SOCIESC – UNISOCIESC, Joinville, Santa Catarina, Brasil. ISSN 2237-5163 / v. 08, n. 04: p. 646-666, 2018.

SOUZA, TULIO F., GUIMARAES, THAYANA A. Escolha e utilização de um modelo de previsão de demanda em serviços: Estudo de caso em uma empresa prestadora de serviços de recapagem de pneus. XXX Encontro Nacional de Engenharia de Produção – ABEPRO, São Carlos – SP, 2010.

TADEU, H. F. B. Gestão de Estoques: Fundamentos, modelos matemáticos e melhores práticas aplicadas. 1ª ed. São Paulo: CENGAGE, 2010.

TOTVS. O que é o estoque de segurança e como usá-lo para aumentar suas vendas.2022. Disponível em: <https://www.totvs.com/blog/business-perfomance/estoque-de- seguranca/> Acesso em: 01 nov. 2023.