métodos de previsão de vendas: um estudo de caso numa rede … · uma aplicação prática dos...
TRANSCRIPT
UNIVERSIDADE DE SÃO PAULO
ESCOLA DE ENGENHARIA DE SÃO CARLOS
EDUARDO PERIN FAVERO
Métodos de previsão de vendas: um
estudo de caso numa rede varejista
Orientador: Prof. Dr. Iris Bento da Silva
São Carlos
2015
I
EDUARDO PERIN FAVERO
Métodos de previsão de vendas: um estudo de caso
numa rede varejista
v.1
Orientador: Prof. Dr. Iris Bento da Silva
São Carlos
2015
Trabalho de Conclusão de Curso apresentado à Escola de Engenharia de São Carlos da Universidade de São Paulo, para obtenção do título de Engenheiro Mecânico.
II
III
AGRADECIMENTOS
Aos meus pais, por me proporcionaram esses anos de aprendizado e pela confiança
em mim depositada de que concluiria esta etapa.
Às minhas irmãs, que sempre torceram por mim mesmo estando longe, sempre
acreditando no meu potencial e me ajudando quando necessário.
Agradeço aos meus amigos, que me acompanharam em todos os momentos,
fossem eles alegres e vitoriosos ou de dificuldades. Com certeza sentirei saudades
destes momentos de alegria.
Ao meu orientador Iris Bento da Silva, pela oportunidade, orientação e suporte
durante as pesquisas e o trabalho.
V
RESUMO
FAVERO, E. P. Métodos de previsão de vendas: um estudo de caso numa rede
varejista. 2015. 45 f. Trabalho de conclusão de curso – Escola de Engenharia de São Carlos, Universidade de São Paulo, São Carlos, 2015.
Buscando cada vez mais aperfeiçoar suas operações, empresas visam
modelos que reduzam desperdícios e otimizem recursos no dia a dia. O uso de
métodos de previsão de vendas deve ser um grande aliado no planejamento de
operações destas empresas. Este trabalho busca proporcionar um resumo dos
principais métodos de previsão de vendas utilizados atualmente, juntamente com
uma aplicação prática dos métodos de projeção histórica em uma indústria do varejo
nacional. Os resultados mostram que a utilização de métodos de suavização
exponencial têm melhores resultados quando comparados aos de média móvel,
sendo, portanto, mais indicados para a realização da previsão de vendas da
empresa estudada. Conclui-se, ainda, que a adoção de softwares disponíveis no
mercado para automatização no processo seja um bom investimento para a
empresa.
Palavras-chave: Planejamento da produção, Previsão de vendas, Análise de séries
temporais.
VI
ABSTRACT
FAVERO, E. P. Sales forecasting methods: a case study in a retailer. 2015. 45 p.
Graduation thesis – Engineering School of São Carlos, University of São Paulo, São Carlos, 2015.
Increasingly looking to improve their operations, companies aim patterns that
reduce waste and optimize resources on a daily basis. The use of sales forecasting
methods should be a great ally in planning operations of these companies. This
paper seeks to provide a summary of key sales forecasting methods currently used,
along with a practical application of historical data projection methods in a national
retail industry. The results show that the use of exponential smoothing methods have
better results when comparing to the moving average, and is therefore most suitable
for sales forecast in the company studied. The paper also suggests that the
acquisition of a software available in the market for automation of the process is a
good investment for the company.
Keywords: Production planning, Sales forecast, Time series analysis.
VII
LISTA DE FIGURAS
Figura 1 - Propagação do Erro de Demanda (adaptado MENTZER e MOON, 2005)
.................................................................................................................................. 15
Figura 2 - Fluxograma do Método Delphi. Fonte: MENTZER e MOON, 2005. .......... 20
Figura 3 - Organograma da área de Gestão de Estoques......................................... 29
Figura 4 - Organização dos dados históricos ............................................................ 34
Figura 5 - Modelagem de média móvel (um mês) ..................................................... 35
Figura 6 - Constantes de suavização do método de Holt .......................................... 36
Figura 7 - Medição de erro ....................................................................................... 37
Figura 8 - Otimização do método de Holt Winters com auxílio do Solver .................. 38
Figura 9 - Diferenças entre as constantes, por família .............................................. 42
VIII
LISTA DE GRÁFICOS
Gráfico 1 - Padrões de demanda (adaptado LUSTOSA et al., 2008) ....................... 17
Gráfico 2 - Resultado consolidado ............................................................................ 40
IX
LISTA DE TABELAS
Tabela 2.1 - Métodos de previsão ............................................................................. 18
Tabela 4.1 - Comparação dos erros entre os métodos, por produto ......................... 39
Tabela 4.2 - Comparação dos erros entre os métodos, por família ........................... 41
X
NOMENCLATURA
F Previsão para um determinado período
D Demanda real de determinado período
t Período de tempo atual
n Número de períodos considerados para a série histórica
S Previsão inicial para o período
T Tendência para o período
I Índice sazonal para o período
L Período de tempo para uma estação completa
α Constante de ponderação exponencial
β Constante ponderada de tendência
γ Constante de ponderação sobre o índice sazonal
TI Tecnologia da Informação
SQL Structured Query Language
MMS4 Média móvel simples (4 meses)
MMS8 Média móvel simples (8 meses)
MMS12 Média móvel simples (12 meses)
SE Suavização Exponencial Simples
XI
SUMÁRIO
1. INTRODUÇÃO.............................................................................................................. 13
1.1. Contexto e justificativa ........................................................................................... 13
1.2. Objetivos................................................................................................................ 13
1.3. Metodologia de pesquisa ....................................................................................... 14
1.4. Conteúdo geral do trabalho.................................................................................... 14
2. REVISÃO BIBLIOGRÁFICA.......................................................................................... 15
2.1. Importância da previsão de vendas ....................................................................... 15
2.2. Características da demanda .................................................................................. 16
2.3. Métodos de previsão de vendas ............................................................................ 17
2.3.1. Métodos Qualitativos ...................................................................................... 18
2.3.2. Métodos de projeção histórica ........................................................................ 21
2.3.3. Métodos causais ............................................................................................. 25
2.4. Medidas de erro de previsão.................................................................................. 26
2.4.1. Desvio Absoluto Médio (DAM) ........................................................................ 27
2.4.2. Erro Quadrático Médio (EQM) ........................................................................ 27
2.4.3. Erro Percentual Absoluto Médio (EPAM) ........................................................ 28
2.5. Otimização das constantes de ponderação ........................................................... 28
3. ESTUDO DE CASO ...................................................................................................... 29
3.1. Introdução.............................................................................................................. 29
3.2. Empresa objeto de estudo ..................................................................................... 29
3.3. Iniciativa................................................................................................................. 30
3.4. Definição do problema ........................................................................................... 30
3.5. Levantamento das informações ............................................................................. 31
3.5.1. Coleta de dados ............................................................................................. 31
3.5.2. Preparação dos dados .................................................................................... 32
3.5.3. Dificuldades .................................................................................................... 32
3.6. Pacote computacional utilizado .............................................................................. 33
XII
3.7. Modelos matemáticos ............................................................................................ 33
3.7.1. Organização dos dados históricos .................................................................. 34
3.7.2. Média móvel ................................................................................................... 34
3.7.3. Suavização exponencial simples .................................................................... 35
3.7.4. Suavização exponencial com tendência ......................................................... 35
3.7.5. Suavização exponencial com tendência e sazonalidade ................................. 36
3.7.6. Medição de erro (EPAM) ................................................................................ 36
3.7.7. Otimização da previsão .................................................................................. 37
3.7.8. Consolidação dos resultados .......................................................................... 38
4. RESULTADOS OBTIDOS E DISCUSSÃO ................................................................... 39
4.1. Resultados por produto .......................................................................................... 39
4.2. Resultados por família de produtos ........................................................................ 40
4.3. Constantes de suavização ..................................................................................... 42
4.4. Softwares de previsão ........................................................................................... 42
5. CONCLUSÕES E SUGESTÕES DE TRABALHOS FUTUROS .................................... 43
5.1. Conclusões ............................................................................................................ 43
5.2. Sugestões de trabalhos futuros.............................................................................. 44
REFERÊNCIAS ................................................................................................................... 45
13
1. INTRODUÇÃO
1.1. Contexto e justificativa
As empresas buscam cada vez mais aperfeiçoarem suas operações, visando
modelos de gestão lean, com o intuito de reduzir desperdícios e otimizar recursos no
dia a dia.
O uso de métodos de previsão de vendas é um grande aliado no
planejamento de operações das empresas, pois evitam rupturas em estoques, ao
mesmo tempo em que mantém os níveis do mesmo em patamares aceitáveis.
Contudo, a dificuldade de utilização desses métodos muitas vezes passa pela
falta de conhecimento das técnicas existentes, da qualidade de bases de dados ou
até mesmo de como utilizá-las da maneira correta.
Assim, este trabalho visa abordar os principais métodos de previsão de
vendas utilizados atualmente, juntamente com uma aplicação prática dos métodos
de projeção histórica e discussão de seus resultados.
1.2. Objetivos
O objetivo principal deste trabalho é identificar dentre as técnicas de previsão
mais comuns, a que melhor produz projeções à empresa estudada, passando por
detalhes operacionais dos modelos até posteriores discussões de resultados.
Em relação aos objetivos específicos, podem ser citados:
Levantamento dos principais métodos de previsão de vendas utilizados
atualmente;
Levantamento de dados históricos para aplicação dos métodos
quantitativos de previsão de vendas;
Modelagem matemática dos métodos de projeção histórica, com
otimização de constantes de suavização relacionadas à nível, tendência e
sazonalidade.
14
1.3. Metodologia de pesquisa
O trabalho foi realizado por intermédio de uma revisão bibliográfica, com
posterior estudo de caso numa rede varejista nacional.
A revisão bibliográfica foi realizada por meio da leitura de livros clássicos
sobre o tema de previsão de vendas, aliado a leituras complementares de artigos
nacionais e internacionais acerca do tema.
No estudo de caso, as técnicas mencionadas durante a revisão bibliográfica
foram devidamente aplicadas numa empresa real do ramo varejista nacional.
1.4. Conteúdo geral do trabalho
Este trabalho traz, inicialmente, uma revisão dos atuais métodos de previsão
de vendas, desde os qualitativos, marcados pela subjetividade; até métodos que
utilizam grande esforço computacional, com grandes bancos de dados e complexas
regressões lineares.
Num segundo momento, realizou-se um estudo de caso numa empresa
nacional varejista, de forma a testar os diferentes métodos apresentados para
produtos com diferentes padrões de demanda, buscando encontrar o melhor método
para cada padrão de demanda.
Por fim, são apresentadas as conclusões do trabalho, junto com suas
limitações e potenciais novos estudos para complementá-lo.
15
2. REVISÃO BIBLIOGRÁFICA
2.1. Importância da previsão de vendas
Em produção e controle de estoques, a previsão de vendas é uma grande
influenciadora nos custos de estoque, no nível de serviço, na programação e na
eficiência de funcionários, entre outros pontos de desempenho operacional
(GARDNER, 2006).
A previsão da demanda futura, de acordo com Chopra (2003), é a base para
todas as decisões estratégicas e de planejamento em uma cadeia de suprimentos,
sendo a primeira medida a ser tomada pelo gerente da cadeia de suprimentos.
Ainda assim, tais previsões não são responsabilidade apenas do profissional de
logística produzir tais previsões, tendo auxílio também do marketing, planejamento
econômico ou a um grupo especialmente designado para isso (BALLOU, 2001).
Dependendo de sua posição na cadeia produtiva, a empresa deve encarar a
demanda por seus produtos de maneira diferente, sendo que o único ponto onde a
demanda pode ser considerada totalmente independente é a demandada pelo
usuário final, o responsável por determinar a demanda que flui na cadeia produtiva
(MENTZER; MOON, 2005).
A partir da Figura 1 é possível observar o comportamento do erro de previsão
na cadeia de produção. Assumindo 10% de estoque de segurança em cada etapa,
percebemos que uma demanda de 1000 unidades do cliente final gerará um estoque
adicional de 1103 unidades, ou 110,3% da demanda do cliente.
Figura 1 - Propagação do Erro de Demanda (adaptado MENTZER e MOON, 2005)
16
Lustosa et al. (2008) afirmam que as oscilações de demanda a montante das
cadeias de suprimento são maiores que as oscilações observadas no varejo, por
conta da política de compras de grandes lotes, visando economias de escala. Isto é
chamado de efeito chicote, fenômeno que torna a gestão de estoques na cadeia de
suprimentos bastante complexa.
Lustosa et al. (2008) afirmam ainda que o resultado econômico de uma
empresa será diretamente impactado pela capacidade de prever bem, pensamento
compartilhado por Chopra (2003), que afirma que duas previsões de vendas
diferentes, com diferentes níveis de erro, terão uma diferente política de gestão de
estoques adotada, culminando em resultados melhores ou piores.
2.2. Características da demanda
A primeira diferenciação da demanda se dá entre demanda pontual e
demanda repetitiva. A demanda pontual é aquela que acontece de forma
concentrada ou apenas uma vez, e depois tem fim ou diminui drasticamente. Para
este tipo de demanda, a dificuldade da previsão se encontra na falta de histórico de
demanda confiável (LUSTOSA et al., 2008).
Para itens de demanda repetitiva, podemos fazer uma segunda diferenciação,
entre demanda dependente e demanda independente. Para Slack (2007), demanda
dependente é uma demanda previsível, por estar associada a fatores conhecidos.
Como exemplo clássico, podemos citar a demanda de pneus por uma montadora. A
quantidade de pneus é dependente da de carros, já que sabendo a quantidade de
carros produzidos, sabemos que a quantidade de pneus será cinco vezes maior.
Para itens de demanda independente, Lustosa et al. (2008) faz a
diferenciação entre demanda estacionária e com tendência, sendo a primeira
caracterizada por patamar constante, identificando variações aleatórias ao seu
redor. A demanda com tendência corresponde àquela com crescimento ou declínio
nas vendas.
17
Existe ainda outro aspecto, a sazonalidade, representada por variações
regulares ao longo de um ciclo. Um exemplo clássico é a venda de protetores
solares durante o ano, com um pico de vendas durante o verão.
O Gráfico 1 apresenta os quatro padrões de demanda independente.
Gráfico 1 - Padrões de demanda (adaptado LUSTOSA et al., 2008)
2.3. Métodos de previsão de vendas
Após décadas de estudos na área de previsão de vendas, várias técnicas
foram desenvolvidas. De acordo com Ballou (2001) e Lustosa et al. (2008), tais
técnicas podem ser divididas em três grupos: qualitativos, projeções históricas e
causais; e suas principais diferenças consistem na assertividade, na subjetividade e
na simplicidade.
A decisão do método ideal não é uma escolha fácil para a empresa, e
diversos estudos indicam que a utilização de mais de um método, com uma
combinação posterior de seus resultados, garante melhores resultados (CHOPRA,
2003).
Segundo Makridakis (1986), diferentes estudos chegaram a diferentes
conclusões quanto ao desempenho dos métodos, não sendo possível concluir que
um método apresenta melhores resultados que outros consistentemente.
18
A seguir, a Tabela 2.1 contém os métodos apresentados neste trabalho:
Tabela 2.1 - Métodos de previsão
Natureza Método
Qualitativos
Pesquisa de mercado
Estimativa da força de vendas
Delphi
Projeções Históricas
Média móvel
Suavização exponencial simples
Suavização exponencial com tendência
Suavização exponencial com tendência e sazonalidade
Causais Regressão linear simples
Regressão linear múltipla
2.3.1. Métodos Qualitativos
Para Chopra (2003), Lustosa et al. (2008) e Ballou (2001) há um consenso de
que os métodos qualitativos apresentam um maior grau de subjetividade e menor
precisão em comparação aos métodos de projeção histórica, mas em momentos
onde não existem dados disponíveis, esta seja a única alternativa.
Todos concordam que em novas indústrias, lançamento de novos produtos ou
até mesmo em casos onde exista uma grande inteligência de mercado, métodos
estatísticos serão pouco úteis, e, neste momento, os métodos qualitativos ganham
importância.
Ainda que os responsáveis possuam conhecimento único e informações
privilegiadas não disponíveis em métodos quantitativos, estudos empíricos mostram
que estas previsões têm pior desempenho, uma vez que os responsáveis tendem a
ser otimistas e subestimar incertezas futuras. Em adição, o custo de previsões
qualitativas é consideravelmente maior que o de previsões quantitativas (Makridakis,
1986).
19
Ballou (2001) ainda atenta ao fato de que por serem métodos de natureza não
científica, é difícil conseguir uma padronização e validação em termos de acurácia.
2.3.1.1. Pesquisa de mercado
Recurso que serve a diferentes finalidades gerenciais, desde a avaliação da
demanda potencial de um produto ou serviço até a avaliação de preço e
concorrência, diretamente com os consumidores finais, ou seja, a informação virá de
fora da empresa. Esta técnica já é largamente empregada, contando com empresas
especializadas no mercado (Lustosa et al., 2008).
Para Ballou (2001), a pesquisa de mercado é um procedimento sistemático,
utilizado para testar hipóteses a respeito do mercado real. Esse procedimento deve
ser utilizado para previsões de longo prazo, ou lançamento de novos produtos
(CASULA, 2012).
2.3.1.2. Estimativa da força de vendas
De acordo com Ballou (2001), tal técnica deve ser empregada somente se os
vendedores estiverem próximos do cliente, e se as condições para a realização da
estimativa forem boas. Na opinião de Mentzer e Moon (2005), a força de vendas
deve participar da previsão de vendas em apenas duas situações: quando o fluxo do
produto até o cliente é responsabilidade do vendedor ou quando contratos de
fornecimento contínuo são fechados, caso em que é extremamente importante saber
quando os fornecimentos acontecerão.
A utilização desta técnica é vista por Mentzer e Moon (2005) como vantajosa,
pois incorpora nas previsões o conhecimento das pessoas próximas aos clientes, ao
mesmo tempo em que gera uma maior responsabilidade nos vendedores, já que
eles serão um dos maiores impactados com possíveis erros nas previsões de
demanda.
Ainda segundo os autores, é interessante fazer com que a geração de
previsões seja parte do trabalho dos vendedores, previamente capacitados para
20
isso, de forma a melhorar a qualidade das informações geradas pela força de
vendas.
Outra forma de melhorar a qualidade das informações geradas e dos inputs é
fornecer uma previsão inicial gerada estatisticamente para os vendedores, sendo
papel destes apenas ajustá-las, já que a maioria dos vendedores tem melhor
desempenho revisando previsões do que as criando (FRAGOSO, 2009).
2.3.1.3. Delphi
O método Delphi foi criado durante a Segunda Guerra Mundial, com o intuito
de prever avanços tecnológicos na área militar. O nome do método faz referência ao
oráculo de Delfos, aonde as pessoas iam, na Grécia Antiga, para obter
ensinamentos e previsões do futuro. Sua principal virtude se encontra no fato de ter
um processo formalizado, algo muito difícil em métodos qualitativos. Hoje em dia é
uma técnica amplamente utilizada em empresas, não apenas para previsão de
vendas, mas também para solução de problemas técnicos (LUSTOSA et al., 2008).
O processo pode ser dividido em duas etapas. A primeira, em que os
participantes emitem suas opiniões individuais em relação ao tema, as quais são
coletadas pelo mediador. A segunda parte se dá pela busca do consenso nas
opiniões em reunião com todos os participantes, através de novas rodadas de
perguntas pertinentes (LUSTOSA et al., 2008).
A Figura 2 apresenta os passos do processo, por Mentzer e Moon (2005):
Figura 2 - Fluxograma do Método Delphi. Fonte: MENTZER e MOON, 2005.
Passo 1 - Os membros escolhidos respondem a pergunta em questão (ex:
previsão de vendas de determinado produto);
21
Passo 2 - As respostas são consolidadas e retornam para o painel, sem a
indicação dos responsáveis pelas mesmas;
Passo 3 - Após lerem as respostas, os especialistas têm a possibilidade de
alterar sua resposta, ou mantê-la;
Passo 4 - Os passos 2 e 3 são repetidos até que se chegue a um
consenso.
Para Ballou (2001), esta técnica é interessante por eliminar o efeito de massa
da opinião da maioria. Lustosa et al. (2008) acrescentam que a técnica permite que
todos os integrantes não sejam inibidos por relações de hierarquia ou de
personalidade.
2.3.2. Métodos de projeção histórica
Uma vez que se tem em mãos uma quantidade razoável de dados históricos,
e a tendência e variações sazonais são estáveis e bem definidas, projetar estes
dados pode ser uma boa forma de previsão (BALLOU, 2001). A premissa é a de que
o padrão observado no passado se repetirá no futuro, e por isso, podemos fazer as
previsões (LUSTOSA et al., 2008).
Para Ballou (2001), tais métodos são reativos por natureza, se adaptando às
mudanças assim que os dados se tornam disponíveis para as próximas previsões.
Contudo, uma de suas desvantagens é que esta mudança não será sinalizada antes
de sua ocorrência. Mas ainda segundo o autor, para horizontes curtos de tempo,
exceto em casos com mudanças drásticas, isto não é uma séria limitação.
Na sequência, alguns dos métodos de projeções históricas mais comuns.
2.3.2.1. Média móvel
O método de projeção mais simples possível seria o de simplesmente repetir
o último valor da série histórica, porém, este procedimento, embora bastante
simples, iria carregar consigo toda a variação da demanda. Uma alternativa para a
resolução deste problema seria então fazer a média aritmética de “n” períodos
22
anteriores. Este procedimento recebe o nome de “média móvel”, pois a cada novo
valor adicionado à séria histórica, o valor mais antigo é descartado (LUSTOSA et al.,
2008).
A Equação 2.1 representa o método:
(2.1)
Onde:
F = previsão para um determinado período
D = demanda real de determinado período
t = período de tempo atual
n = número de períodos considerados para a série histórica
Apesar da simplicidade do método, tanto para Chopra (2003) quanto para
Lustosa et al. (2008), o método de média móvel é indicado apenas quando a
demanda não apresenta tendência ou sazonalidade. Para estes casos, métodos de
suavização são os mais indicados.
2.3.2.2. Suavização exponencial
Diferentemente da média móvel, onde todos os períodos da séria histórica
têm o mesmo peso na previsão, no método de suavização exponencial os valores
passados têm pesos que decrescem geometricamente (LUSTOSA et al., 2008).
Três variações do método serão apresentadas: simples, com tendência
(modelo de Holt) e com tendência e sazonalidade (modelo de Holt-Winters).
a) Suavização exponencial simples
Este modelo é adequado para demanda sem tendência ou sazonalidade.
Para Ballou (2001), esta é provavelmente a técnica mais útil para previsão de curto
prazo, devido à sua simplicidade e à não necessidade de dados com alta qualidade.
Ela fornece o resultado mais acurado entre os modelos concorrentes (simplicidade)
e, por conta da ponderação, se adapta automaticamente às principais mudanças.
23
A Equação 2.2 representa o modelo.
(2.2)
Onde:
α = constante de ponderação exponencial
A constante de ponderação exponencial varia de 0 a 1, tendo em mente que
quanto maior seu valor, maior o peso colocado nos períodos mais recentes da série,
fazendo com que o modelo responda mais rapidamente às mudanças. Contudo, ao
aumentar a constante, mais “nervosa” ficará a previsão, seguindo variações
aleatórias ao invés de mudanças fundamentais (BALLOU, 2001). Adiante neste
trabalho será abordada a otimização da constante de ponderação com o auxílio de
medidas de erro de previsão e softwares especiais.
Com relação à primeira previsão, para um período t, outro método histórico
deve ser utilizado, como a média móvel, por exemplo (FRAGOSO, 2009).
b) Suavização exponencial com tendência (modelo de Holt)
Ainda que a suavização exponencial simples tenha bons resultados, quando
existe uma significativa tendência ou padrão sazonal nos dados, uma defasagem
estará inerente aos resultados, levando a erros inaceitáveis de previsão (BALLOU,
2001)
No caso da correção da tendência, uma segunda variável é adicionada,
refletindo o crescimento da demanda entre os períodos. Da mesma forma que a
previsão para o método exponencial simples, esta nova variável será atualizada
exponencialmente, com uma nova constante (LUSTOSA et al., 2008).
As Equações que regem este método são a 2.3, 2.4 e 2.5.
(2.3)
(2.4)
(2.5)
24
Onde:
S = previsão inicial para o período;
T = tendência para o período;
β = constante ponderada de tendência.
Assim como para a constante α, devemos otimizar β com o auxílio de
softwares. O mesmo vale para a primeira previsão (S0), que deve ser calculada com
outro método (a média móvel funciona, novamente).
Makridakis e Hibon (1991) mostraram que a escolha dos valores iniciais não
tem grande influência no resultado da previsão, podendo serem calculadas com
métodos simples, ou até mesmo igualadas à zero nas primeiras previsões. Por outro
lado, Lustosa et al. (2008) diz que os valores das constantes de suavização (α e β)
têm bastante influência no resultado, estando a calibração do modelo concentrada
nestes parâmetros.
c) Suavização exponencial com tendência e sazonalidade (modelo de
Holt Winters)
Esta versão do método é utilizada quando existe tanto a componente de
tendência quanto a de sazonalidade. Neste caso, um índice de sazonalidade é
definido, e da demanda base, este efeito é retirado, para ser, ao final do método,
incorporado na previsão (LUSTOSA et al., 2008).
De acordo com Ballou (2001), este modelo deve ser utilizado apenas no caso
da demanda ser “estável, significativa e discernível das variações aleatórias”. Caso
contrário, as outras versões do modelo, com um alto valor definido para a constante
de ponderação, de forma a reduzir o problema da defasagem pode ter melhores
resultados.
As Equações (2.6 a 2.9) a seguir representam o modelo.
(2.6)
(2.7)
25
(2.8)
(2.9)
Onde:
γ = constante de ponderação sobre o índice sazonal;
I = índice sazonal para o período;
L = período de tempo para uma estação completa.
A resolução do método funciona da mesma forma que os anteriores, agora
com os novos componentes a serem calculados.
Segundo Lustosa et al. (2008), uma das complicações do método é a
necessidade de série histórica mais longa, de pelo menos três ciclos sazonais
completos, 36 meses, no caso de anos.
2.3.3. Métodos causais
Também conhecido por modelos econométricos, modelos de previsão causais
estabelecem correlações entre a demanda e outros fatores conjunturais.
Normalmente, utiliza-se a previsão de tais fatores, como PIB, ou investimento em
Marketing, por exemplo, para obter uma previsão de vendas (CHOPRA, 2003).
Ainda que estudos empíricos provem que previsões por modelos
econométricos não são necessariamente mais precisos que métodos de séries
temporais, seu propósito não é unicamente prever, mas sim explicar fenômenos
econômicos entre as variáveis correlacionadas e a demanda. Tais informações
podem ajudar, de forma indireta, na precisão da previsão (MAKRIDAKIS, 1986).
Tanto Ballou (2001) quanto Makridakis (1986) concordam que o aumento de
complexidade não garante melhoria nas previsões, portanto dois dos métodos mais
simples de modelos causais são descritos a seguir.
26
2.3.3.1. Regressão linear simples
De acordo com Barbosa (2014), este é o sistema de regressão mais simples,
sendo que a variável dependente é função de apenas uma variável independente.
Desta forma, a relação teórica é uma linha reta como na Equação 2.10.
(2.10)
Onde:
Y = variável dependente;
X = variável independente;
a = intersecção da reta no eixo y;
b = inclinação da reta.
Um importante medidor da qualidade da correlação é o coeficiente de
correlação, r². Este coeficiente terá seu valor entre 0 e 1, sendo que quanto mais alto
seu valor, melhor a correlação. Uma regra geral é a de que valores acima de 0,8 são
adequados, enquanto que menores que 0,5, insatisfatórios (LUSTOSA et al., 2008).
2.3.3.2. Regressão linear múltipla
Funciona da mesma forma que o método anterior, mas agora com mais de
uma variável independente. O método de obtenção dos coeficientes é o mesmo que
para a regressão linear simples, o método dos mínimos quadrados, por exemplo
(LUSTOSA et al., 2008).
2.4. Medidas de erro de previsão
O futuro não é espelhado perfeitamente pelo passado, e é por este motivo
que a previsão apresentará erros. E o erro de previsão irá mostrar o quão próximo a
mesma está do nível real da demanda (BALLOU, 2001).
Para Chopra (2003), um bom método de previsão deve ser capaz de captar o
componente sistemático de demanda, não o componente aleatório. É o componente
27
aleatório que chamaremos de erro de previsão. Os gerentes devem se atentar a
isso, e utilizar as medidas de erro para perceber se o modelo de previsão está de
fato prevendo o componente sistemático da demanda.
De acordo com Lustosa et al. (2008), o erro de previsão para o período t é
dado pela Equação 2.11, e o Erro Médio (EM) pela 2.12:
(2.11)
(2.12)
Lustosa et al. (2008) e Chopra (2003) concordam que para um grande valor
de n, o Erro Médio deve estar próximo de zero, caso contrário, a previsão estará
enviesada, com um erro sistemático. Neste momento, o gerente deve tomar medidas
corretivas, alterando o método, por exemplo. Chopra (2003) ilustra um caso onde o
gerente utiliza a média móvel como método de previsão de um produto com
tendência de crescimento. Neste caso, a previsão estará constantemente menor que
a demanda real, o que resultará num EM negativo. Uma boa medida corretiva seria
utilizar um método que incorporasse a componente de tendência em seu cálculo.
Os mais utilizados métodos de medição de erro serão apresentados a seguir.
2.4.1. Desvio Absoluto Médio (DAM)
Esta foi, historicamente, a medida de erro de previsão referência, pelo fato de
os recursos computacionais da época serem limitados, e esta ser uma medida
simples (BALLOU, 2001).
De acordo com Chopra (2003), o DAM é expresso como na Equação 2.13.
(2.13)
2.4.2. Erro Quadrático Médio (EQM)
Nesta medida, erros maiores têm maior peso, e o contrário ocorre com erros
menores. Sua fórmula é, segundo Lustosa et al. (2008), como em 2.14.
28
(2.14)
Uma desvantagem do método é que sua unidade não é a mesma que a dos
dados de demanda.
2.4.3. Erro Percentual Absoluto Médio (EPAM)
Outro indicador de erro bastante utilizado, como alternativa ao DAM, mas
considerando erros relativos ou percentuais. É expresso, segundo Lustosa et al.
(2008) como na Equação 2.15.
(2.15)
2.5. Otimização das constantes de ponderação
Gardner (2006) afirma que não existem mais desculpas para não utilizar
parâmetros otimizados no método de suavização exponencial, visto que temos a
disponibilidade de muitos algoritmos de busca, como o Excel Solver, por exemplo.
De acordo com Gardner (2006), o método de busca do melhor parâmetro
deve ser feito através da comparação dos erros medidos entre as diferentes
previsões, tentando encontrar um mínimo para este erro. O autor, no entanto, deixa
claro que nem sempre encontraremos um mínimo para a função, o que pode
representar um problema para o método.
Uma vez os parâmetros que minimizam os erros escolhidos, nos deparamos
com um segundo problema: qual a frequência que devemos atualizar tais
parâmetros. E, segundo estudo desenvolvido por Fildes et al. (1998), a melhor
opção é a de atualizá-los toda vez que se for realizar uma previsão.
Para diminuir o esforço computacional, e deixar a previsão menos sujeita a
variações aleatórias, Flowers (1980) propõe a criação de limites para as constantes,
sem deixar que elas flutuem sempre entre zero e um.
29
3. ESTUDO DE CASO
3.1. Introdução
Neste capítulo apresenta-se um estudo de caso numa empresa do ramo
varejista, com a finalidade de se aumentar a acuracidade de previsão de vendas
com métodos de projeção histórica.
3.2. Empresa objeto de estudo
A empresa objeto do estudo é uma empresa brasileira, do ramo varejista, com
atuação em todo o território nacional. A empresa trabalha com mais de cinco mil
produtos e conta com mais de cem pontos de vendas, sendo que estes são
abastecidos por Centros de Distribuição estrategicamente posicionados pelo
território nacional.
O estudo foi realizado junto da área de Gestão de Estoques da empresa, a
qual é composta por um diretor, uma gerente e três analistas. Esta é a área
responsável pelas previsões de vendas e índices de estoques em geral.
O organograma desta área da empresa segue abaixo:
Figura 3 - Organograma da área de Gestão de Estoques
30
No que diz respeito ao planejamento de vendas, reuniões semanais são
realizadas com a área de compras, para maiores alinhamentos em relação a
compras de oportunidade (melhor preço, ainda que não haja necessidade), por
exemplo.
Dando suporte a toda esta operação, existe a equipe de tecnologia da
informação, que é responsável por manter o sistema de controle de estoques,
projeção de vendas, entre outros, operando, e ainda efetuar extrações para
posteriores análises.
3.3. Iniciativa
Em vista do grande crescimento da empresa nos últimos anos, ela se viu em
face de um dilema: “A atual forma de gerenciar estoques é a melhor?”.
Para encontrar respostas, uma série de estudos começou a ser realizados
sobre as operações, para que as práticas atuais fossem avaliadas frente às
melhores práticas de mercado.
Um dos pontos que preocupavam a direção da empresa era o fato de que os
estoques de alguns itens cresciam muito, enquanto que outros sofriam de rupturas
no estoque. Outra preocupação seria a forma de tratar sazonalidades, que no
momento do início do estudo era feita de forma manual, através de reuniões entra a
equipe de gestão de estoques.
3.4. Definição do problema
O problema a ser resolvido era o de fazer a previsão de vendas para todos os
produtos, que passavam de cinco mil, para todos os pontos de venda, com a
finalidade de se estimar qual seria a saída de produtos dos Centros de Distribuição
que abasteciam tais lojas, e assim, estimar qual o volume de produtos a ser
comprado.
O método de previsão que a empresa utilizava era o método de projeções
históricas mais simples, a média móvel. Por isso, o principal componente do estudo
31
seria o de encontrar novas soluções, com a introdução de novos métodos, como os
outros apresentados no capítulo anterior.
Embasado pela literatura consultada para a conclusão do capítulo anterior e
através de reuniões com a direção da empresa, decidiu-se que métodos de projeção
histórica seriam os métodos mais adequados para modelagem, pelos seguintes
aspectos:
A empresa trabalha com muitos produtos, em diferentes pontos de vendas,
o que inviabiliza reuniões qualitativas semanais a respeito dos mesmos,
ainda que se faça uma classificação ABC;
Não existe uma maneira de se planejar as vendas através de encomendas
ou reservas, como é feito em indústrias de peças automotivas (a empresa
objeto de estudo tem demanda independente), por exemplo;
O método atual de previsão de vendas da empresa é através de projeções
históricas. Dessa forma, a utilização de métodos análogos possibilitaria
uma comparação direta entre os desempenhos.
3.5. Levantamento das informações
Por conta da grande quantidade de informações necessárias para a
realização das previsões, a equipe de TI da empresa foi essencial com o sistema de
informação, desde a extração dos dados, até a consolidação e escolha dos produtos
a serem analisados.
3.5.1. Coleta de dados
Uma extração dos dados de vendas de todos os produtos, em todos os
pontos de venda foi realizada pela equipe de TI.
Estes dados foram então consolidados via SQL para total de vendas diárias
por produtos por ponto de venda, e então entregues ao autor para que fossem
preparados da melhor maneira para fazer as análises.
32
3.5.2. Preparação dos dados
De forma a minimizar a aleatoriedade dos dados, os dados diários de vendas
foram agrupados em vendas semanais. Uma maior consolidação não seria
interessante, visto que a frequência de compras de produtos era semanal.
Feito isso, os produtos foram consolidados de acordo com o centro de
distribuição responsável por abastecer seu ponto de venda. Dessa forma, tinha-se a
base de dados para trabalhar, com vendas semanais, consolidados por Centro de
Distribuição.
Ainda assim, tinha-se muitos produtos para analisar, por isso uma
segmentação de produtos já existente na empresa (os produtos já eram
classificados pela empresa de acordo com seu padrão de demanda histórica) foi
utilizada, e foram escolhidos alguns produtos de cada família de demanda, com total
de 30 produtos.
As famílias escolhidas para análise, com produtos de cada uma delas, foram:
Demanda estacionária;
Demanda estacionária com pico;
Demanda estacionária com pico sazonal;
Demanda estacionária sazonal;
Demanda com tendência;
Demanda sazonal com tendência.
3.5.3. Dificuldades
Um dos problemas enfrentados para a coleta de dados foi a qualidade dos
mesmos no período anterior há 24 meses, por conta de uma troca de sistemas
realizada na empresa. Dessa forma, para garantir a qualidade dos dados, optou-se
por utilizar apenas os dados dos últimos 24 meses.
De acordo com a literatura, o ideal seria ter pelo menos 36 meses de dados,
por conta da modelagem do método de Suavização Exponencial com Tendência e
Sazonalidade (Holt-Winters), uma vez que assim teria-se 24 meses (2 períodos
33
sazonais) como base histórica, e os últimos 12 meses como parâmetro para
medição de erro.
Dessa forma, com apenas 24 meses, serão utilizados 12 meses (1 período
sazonal) como base histórica, e 12 meses para medição de erro.
Outra dificuldade que vale ser destacada no levantamento de informações diz
respeito ao grande esforço computacional nas etapas de extração dos dados do
sistema e na consolidação via SQL, devido à grande quantidade de dados.
3.6. Pacote computacional utilizado
Para a modelagem de todos os métodos utilizados no estudo, foi utilizado o
software Microsoft Excel®, junto com sua versão básica de otimização, chamada
Solver®.
Ainda que tenham conhecidas limitações, estes programas foram escolhidos
devido à alta penetração deles no mercado, o que facilita o entendimento de outras
pessoas pelo trabalho, e também pelo domínio do autor pelas ferramentas.
3.7. Modelos matemáticos
De forma a conseguir avaliar o desempenho do modelo atual de previsão, e
ainda propor novos modelos à empresa, foi feita uma modelagem em Excel® dos
seguintes métodos:
Média móvel (1 mês);
Média móvel (2 meses);
Média móvel (3 meses);
Suavização exponencial simples;
Suavização exponencial com tendência (modelo de Holt);
Suavização exponencial com tendência e sazonalidade (modelo de Holt
Winters).
34
3.7.1. Organização dos dados históricos
Os dados de vendas históricos foram colocados em uma mesma aba do
modelo, e classificados de acordo com sua família, como se pode ver na Figura 4
abaixo.
Figura 4 - Organização dos dados históricos
Organizados dessa forma, tem-se a possibilidade de fazer o modelo de forma
mais simples e direta.
Cada um dos métodos foi colocado em uma aba, como explicado a seguir.
3.7.2. Média móvel
Para o método da média móvel, foram utilizados três horizontes de tempo
histórico, um mês, dois meses (atual método da empresa) e três meses.
No Excel®, a função “MÉDIA” foi utilizada para se fazer a previsão, sendo que
dependendo do horizonte de tempo histórico, foram utilizados mais ou menos dados:
quatro semanas para um mês, oito semanas para dois meses e doze semanas para
três meses.
A organização da planilha pode ser vista na Figura 5.
Consumo
Famílias 1 Cod Material Semana 1 Semana 2 Semana 3 Semana 4
Estacionária Produto 1 902 1.073 966 974
Estacionária Produto 2 1.489,00 1.583 1.477 1.435
Estacionária Produto 3 1.269 1387 1427 1.344
Estacionária Produto 4 594 566 504 498
Estacionária Produto 5 7719 7953 7632 7431
Estacionária Produto 6 1.854,00 1.530,00 1.632,00 1.955,00
Estacionária Produto 7 4.173,00 3.744,00 3.196,00 3.150,00
Estacionária Produto 8 2.130,00 2.396,00 2.412,00 2.410,00
Estacionária Produto 9 6.313,00 6.171,00 5.688,00 5.326,00
Estacionária - com pico Produto 10 2297 1826 1883 1818
Estacionária - com pico sazonal Produto 11 2769 2048 1860 1445
Estacionária - com pico Produto 12 2132 2182 2687 2674
35
Figura 5 - Modelagem de média móvel (um mês)
Note que as quatro primeiras semanas não têm previsão. Isso acontece
porque as demandas reais dessas semanas são utilizadas como entradas para a
previsão da quinta semana.
3.7.3. Suavização exponencial simples
Para este método, não apenas dados históricos são utilizados, mas também
uma constante de suavização, com valores que variam de zero a um, como foi
explicado na Revisão Bibliográfica.
Como previsão inicial, foi utilizada a média dos últimos dois meses, e depois
da segunda previsão, a formulação deste método foi utilizada.
De forma a manter a coerência entre as bases utilizadas pelos métodos,
apenas os últimos doze meses foram modelados, por conta da necessidade do
método de Holt Winters de um período sazonal de dados históricos.
3.7.4. Suavização exponencial com tendência
Da mesma forma que o método anterior, o método de Holt possui constantes
de suavização, neste caso duas, de nível e de tendência. Esta é a principal diferença
deste modelo, pois são necessárias duas previsões para obtenção da previsão final:
a previsão de nível e tendência. Todas as fórmulas utilizadas se encontram na
revisão bibliográfica, e foram adaptadas à linguagem Excel.
Previsão
Famílias 1 Cod Material Semana 1 Semana 2 Semana 3 Semana 4 Semana 5 Semana 6
Estacionária Produto 1 979 1.038
Estacionária Produto 2 1.496 1.547
Estacionária Produto 3 1.357 1.411
Estacionária Produto 4 541 536
Estacionária Produto 5 7.684 7.710
Estacionária Produto 6 1.743 1.792
Estacionária Produto 7 3.566 3.160
Estacionária Produto 8 2.337 2.400
Estacionária Produto 9 5.875 5.707
Estacionária - com pico Produto 10 1.956 1.833
Estacionária - com pico sazonal Produto 11 2.031 1.662
Estacionária - com pico Produto 12 2.419 2.616
36
Na Figura 6, podemos ver no modelo as constantes utilizadas para a previsão
no método de Holt.
Figura 6 - Constantes de suavização do método de Holt
3.7.5. Suavização exponencial com tendência e sazonalidade
A aplicação do modelo de Holt Winters é muito similar à de Holt, com a
diferença principal em relação ao fato que este possui uma terceira constante de
suavização, relacionada à sazonalidade.
A sazonalidade foi calculada no primeiro período sazonal, de uma forma
bastante simples. A sazonalidade de um período é igual às vendas do período
dividido pela média de vendas do ano. O próximo passo é a multiplicação deste fator
na previsão calculada pelas parcelas de nível, neste momento dessazonalizada, e
de tendência.
3.7.6. Medição de erro (EPAM)
Uma vez as previsões feitas, através dos diferentes métodos, o erro das
mesmas precisa ser calculado, para que, dessa forma, pudesse ser feita uma
comparação dos desempenhos.
0<x<1 0<x<1
Famílias 1 Cod Material Cte Level Cte Trend
Estacionária Produto 1 0,0400 -
Estacionária Produto 2 0,0348 -
Estacionária Produto 3 0,0650 0,0616
Estacionária Produto 4 0,0051 1,0000
Estacionária Produto 5 0,6162 0,0062
Estacionária Produto 6 0,1884 0,3089
Estacionária Produto 7 1,0000 -
Estacionária Produto 8 0,3732 -
Estacionária Produto 9 1,0000 -
Estacionária - com pico Produto 10 0,9573 0,0087
Estacionária - com pico sazonal Produto 11 0,9011 0,0011
Estacionária - com pico Produto 12 1,0000 -
37
Como nos primeiros doze meses (52 semanas) não existem previsões para o
método de Holt Winters, a medição de erro será feita apenas para os últimos doze
meses, de forma a se comparar o mesmo período de tempo para todos os métodos.
O método utilizado para a medição de erro foi o Erro Percentual Absoluto
Médio (EPAM), já apresentado na Revisão Bibliográfica, de acordo com a fórmula
(2.15). Esta medição foi escolhida por ter seus resultados em percentual, o que
facilita na comparação, e também é mais fácil de ser interpretado. Outro ponto
positivo do EPAM é que por ser percentual, não leva-se em consideração a
magnitude dos valores de vendas, que pode variar bastante entre os produtos.
Para a medição do erro, inicialmente é calculado o erro absoluto, e depois
calculado o EPAM, conforme pode ser visto na Figura 7.
Figura 7 - Medição de erro
3.7.7. Otimização da previsão
Os modelos de suavização exponencial possuem constantes que variam de
zero a um, sendo que sua alteração melhora ou piora as previsões. Com o auxílio da
ferramenta Solver® do Microsoft Excel® foi feita uma otimização dessas variáveis,
de forma a minimizar o erro da medição, EPAM.
A Figura 8 representa a tela do Solver do Excel, com as equações para a
resolução do problema de Holt (duas constantes).
Abs Erro
Semana 102 Semana 103 Semana 104 Semana 105 EPAM
259 363 0 222 6,8%
228 243 1 147 5,5%
208 180 97 379 5,7%
21 4 100 88 8,9%
263 177 583 987 4,7%
0 333 84 346 7,6%
140 183 386 295 4,0%
123 45 298 467 5,1%
232 1.381 207 77 5,7%
192 134 349 216 8,2%
51 985 2.232 723 38,3%
46 54 40 362 6,8%
124 299 775 0 7,0%
38
Figura 8 - Otimização do método de Holt Winters com auxílio do Solver
Note que cada material possui uma constante de nível e uma de tendência,
como foi explicado no capítulo anterior. Tais constantes são delimitadas por zero e
um (restrições), e são elas também as células variáveis. A célula de destino que
deve ser minimizada será a medida de erro, EPAM, das previsões deste produto.
3.7.8. Consolidação dos resultados
Uma vez modelados e otimizados, os resultados são comparados entre si.
Isto se faz de duas maneiras, item a item, e família a família.
Cada uma das consolidações é feita em uma aba específica, onde estão os
resultados do EPAM de todos os modelos, e então é definido que para determinado
item ou família, o método com o menor erro será o mais indicado, como pode ser
visto na Tabela 4.1.
39
4. RESULTADOS OBTIDOS E DISCUSSÃO
4.1. Resultados por produto
A comparação dos erros das previsões para cada produto, através dos
diferentes modelos, pode ser vista na Tabela 4.1, extraída do Excel.
Tabela 4.1 - Comparação dos erros entre os métodos, por produto
O Gráfico 2 apresenta o resultado consolidado das medidas de erro para
todos os produtos, evidenciando a melhoria dos outros métodos em função do
atualmente utilizado pela empresa.
Família Material MMS4 MMS8 MMS12 SE Holts Winters
Estacionária Produto 1 7,6% 7,3% 6,9% 6,8% 6,8% 7,8%
Estacionária Produto 2 6,2% 5,9% 5,6% 5,5% 5,5% 4,9%
Estacionária Produto 3 6,3% 6,0% 5,7% 5,7% 5,7% 6,2%
Estacionária Produto 4 9,5% 9,6% 9,6% 9,2% 8,9% 7,1%
Estacionária Produto 5 5,0% 5,3% 5,8% 4,7% 4,7% 5,9%
Estacionária Produto 6 9,0% 9,6% 10,6% 8,1% 7,6% 11,3%
Estacionária Produto 7 4,7% 5,4% 5,7% 4,0% 4,0% 8,9%
Estacionária Produto 8 5,0% 5,3% 5,6% 5,1% 5,7% 5,6%
Estacionária Produto 9 7,8% 8,0% 7,9% 5,7% 5,7% 8,8%
Estacionária - com pico Produto 10 11,0% 14,8% 18,7% 8,3% 8,2% 11,4%
Estacionária - com pico sazonal Produto 11 53,2% 71,5% 103,6% 38,4% 38,3% 37,9%
Estacionária - com pico Produto 12 8,9% 10,5% 11,9% 6,8% 6,8% 9,2%
Estacionária - com pico sazonal Produto 13 7,6% 8,0% 8,2% 7,0% 7,0% 8,1%
Estacionária Sazonal Produto 14 17,4% 23,4% 26,9% 11,5% 11,7% 20,4%
Estacionária Sazonal Produto 15 14,6% 19,9% 23,1% 9,6% 9,6% 12,6%
Estacionária Sazonal Produto 16 17,0% 23,7% 27,7% 9,4% 9,4% 14,3%
Estacionária Sazonal Produto 17 14,8% 18,7% 21,0% 8,7% 8,7% 14,2%
Estacionária Sazonal Produto 18 10,5% 14,2% 16,9% 7,2% 7,2% 9,1%
Estacionária Sazonal Produto 19 19,5% 25,7% 28,2% 12,7% 12,7% 18,0%
Estacionária Sazonal Produto 20 38,5% 70,9% 108,8% 22,1% 20,6% 21,6%
Estacionária Sazonal Produto 21 11,9% 12,8% 14,2% 10,3% 10,3% 10,0%
Tendência Produto 22 4,8% 4,8% 4,9% 4,5% 4,5% 8,9%
Tendência Produto 23 8,5% 10,3% 11,4% 8,3% 8,2% 15,0%
Tendência Produto 24 5,4% 5,9% 6,5% 5,3% 5,2% 6,7%
Tendência Produto 25 9,1% 10,6% 12,4% 8,9% 8,9% 9,3%
Tendência Produto 26 11,1% 11,9% 12,5% 10,4% 10,3% 11,6%
Tendência Sazonal Produto 27 14,7% 14,9% 16,5% 13,8% 13,8% 19,3%
Tendência Sazonal Produto 28 13,8% 18,0% 21,2% 11,6% 11,4% 10,0%
Tendência Sazonal Produto 29 11,2% 14,5% 17,4% 8,3% 8,3% 9,1%
Tendência Sazonal Produto 30 15,8% 21,9% 26,4% 9,6% 9,6% 13,1%
12,7% 16,3% 20,1% 9,6% 9,5% 11,9%
40
Gráfico 2 - Resultado consolidado
Pela Tabela 4.1 e pelo Gráfico 2, podem-se tirar algumas conclusões acerca
dos métodos utilizados neste trabalho:
A conclusão mais clara é a de que realmente a escolha do método tem
grande impacto no resultado. Para alguns produtos a diferença entre eles
chega a ser de mais de 80 pontos percentuais;
Não existe o “método ideal”. Nos trinta produtos analisados, cinco métodos
tiveram o melhor resultado para pelo menos um dos produtos;
Em média, o método de Holt (melhor geral) tem erro 6,8 pontos percentuais
menor que o método de média móvel com 8 semanas de histórico
(atualmente utilizado pela empresa);
Os métodos de média móvel (4 semanas, 8 semanas e 12 semanas)
apresentam bons resultados para itens de demanda estacionária, porém,
ao analisar-se os itens com outro padrão de demanda, em especial
sazonais, estes modelos têm desempenho bastante inferior aos métodos
de suavização;
Os métodos de suavização exponencial simples e suavização exponencial
de Holt têm desempenho muito semelhante;
O método da suavização exponencial de Holt Winters não apresentou, na
maioria dos casos, desempenho superior aos outros dois métodos de
suavização.
4.2. Resultados por família de produtos
Também para comparação, e especialmente para facilitar a análise, tem-se os
resultados consolidados por família de produtos, na Tabela 4.2.
41
Tabela 4.2 - Comparação dos erros entre os métodos, por família
Para todas as famílias, o método que apresentou melhor resultado foi o de
Holt. Em algumas famílias, como Estacionária Sazonal, por exemplo, a redução do
erro de previsão chega a 15 pontos percentuais.
O esperado seria que o método de Holt Winters apresentasse os melhores
resultados, visto que se trata de um método muito parecido ao de Holt, apenas com
uma nova variável, associada à sazonalidade do produto. No entanto, dois pontos
podem explicar seu pior desempenho:
Apenas um período sazonal de histórico, sendo que o ideal seria no
mínimo dois. Isso pode fazer com que o modelo interprete como existente
uma aleatoriedade como sazonalidade, ou que até mesmo não tenha
certeza da definição dos períodos sazonais;
A consolidação dos dados em semanas não é capaz de reduzir a
aleatoriedade a níveis exigidos pelo método, de forma a ter perturbações
que implicam em erros.
Ainda assim, para produtos sazonais, ele apresenta uma boa aderência à
curva, como pode ser visto no Gráfico 3.
Gráfico 3 - Previsão pelo método de Winters
Familia# de
produtos
Erro Atual
(MMS8) MMS4 MMS8 MMS12 SE Holts Winters
Método
escolhido
Redução do
erro (p.p.)
Estacionária 9 6,9% 6,8% 6,9% 7,0% 6,1% 6,1% 7,4% Holts 0,9%
Estacionária - com pico 2 12,6% 9,9% 12,6% 15,3% 7,6% 7,5% 10,3% Holts 5,1%
Estacionária - com pico sazonal 2 39,7% 30,4% 39,7% 55,9% 22,7% 22,6% 23,0% Holts 17,1%
Estacionária Sazonal 8 26,2% 18,0% 26,2% 33,3% 11,4% 11,3% 15,0% Holts 14,9%
Tendência 5 8,7% 7,8% 8,7% 9,6% 7,5% 7,4% 10,3% Holts 1,3%
Tendência Sazonal 4 17,3% 13,9% 17,3% 20,4% 10,8% 10,8% 12,9% Holts 6,6%
42
4.3. Constantes de suavização
Outra análise que deve ser levada em consideração é a diferença entre as
constantes de suavização para as diferentes famílias, apresentadas nas Figura 9.
Figura 9 - Diferenças entre as constantes, por família
Fica claro que quanto mais constante a demanda, menores os valores das
constantes, de forma a dar um peso maior ao histórico. Enquanto que ao olhar para
os valores das constantes nos produtos de demanda estacionária sazonal, vê-se
que a constante de nível é sempre próxima de um, dando um grande peso para as
últimas previsões, praticamente copiando as mesmas, minimizando, assim, o erro.
4.4. Softwares de previsão
Para empresas menores, com poucos produtos e com previsões mais
esparsas, o uso do Excel para realizar previsões pode funcionar. No entanto, para
empresas como a estudada neste trabalho, com uma grande variedade de produtos
e com previsões semanais, uma ferramenta mais robusta é necessária.
Para esta finalidade, existem diversos softwares disponíveis no mercado que
fazem previsões de vendas. Seu funcionamento é muito parecido com a planilha:
testa previsões por diferentes métodos, encontra a previsão de menor erro, e então
realiza as previsões requeridas pela utilizador. Uma grande vantagem da utilização
destes softwares é a de que as previsões serão sempre realizadas por produto,
garantindo, dessa forma, a maior redução do erro de previsão.
Tais softwares, como o Forecast Pro, representam um investimento muito
baixo quando comparado ao retorno que ele pode trazer, reduzindo o erro de
previsão, melhorando, dessa forma, a gestão de estoques da empresa.
43
5. CONCLUSÕES E SUGESTÕES DE TRABALHOS
FUTUROS
5.1. Conclusões
No que diz respeito ao desenvolvimento deste trabalho, com a revisão
bibliográfica de características de demanda, bem como métodos de previsão da
mesma (qualitativos, projeção histórica e causais) e medidas de erro mais comuns.
Também no estudo de caso real, numa rede varejista nacional, para a escolha do
método ideal para a previsão de vendas, conclui-se que o objetivo do estudo foi
alcançado.
Percebeu-se que os métodos de suavização exponencial têm erros muito
menores que os métodos de média móvel, e que a utilização dos mesmos pode
levar a reduções de mais de 20 pontos percentuais do erro de previsão da demanda,
em comparação com média móvel, nos itens estudados.
Outro ponto claro foi em relação ao método de Holt Winters, que no estudo
não obteve os melhores resultados, muito provavelmente por conta da
indisponibilidade de três períodos sazonais na base de dados utilizada pelo estudo.
Ainda assim, de acordo com os dados disponíveis, pode-se afirmar que a previsão
pelo método de Holt foi a que apresentou melhores resultados, chegando a ter sete
pontos percentuais de melhoria em relação ao método atualmente utilizado pela
empresa.
Quanto aos objetivos específicos propostos por este trabalho, estes foram
cumpridos. Tem-se na Revisão Bibliográfica um bom resumo sobre os principais
métodos utilizados em previsões como a realizada no estudo de caso.
Os métodos de projeção histórica foram modelados em Excel®, com as
constantes de suavização dos métodos que as possuíam sendo otimizadas com a
ferramenta Solver, de forma a minimizar o erro EPAM das previsões.
Por fim, os resultados, comparados na Tabela 4.1, se mostraram coerentes com a
literatura e indicaram uma grande melhoria nos indicadores de desempenho da
empresa, caso sejam implementados.
44
5.2. Sugestões de trabalhos futuros
Como sugestão para trabalho futuros, de pesquisas e estudos identificados
durante o trabalho, sugere-se que uma vez com maior quantidade de dados
confiáveis para análise, o estudo seja refeito, de forma a confirmar qual o melhor
método, se Holt ou Holt Winters. A nova análise pode ser realizada na mesma
planilha utilizada para este estudo, com pequenas adaptações.
Com relação às características de demanda, este trabalho se focou em
demandas de séries regulares, ainda que tenha a inclusão de tendência e
sazonalidade. Sugere-se, portanto, um novo estudo, considerando métodos para
demanda intermitente, e real aplicação na indústria.
Por fim, qualquer tipo de melhoria na metodologia apresentada, desde a
aplicação dos métodos, passando pela utilização de softwares de otimização mais
avançados e novas estimativas iniciais para os métodos propostos é considerada
válida, afim de que se obtenham melhores resultados.
45
REFERÊNCIAS
BALLOU, R. H. Gerenciamento da cadeia de suprimentos: planejamento,
organização e logística empresarial. 4. ed. Porto Alegre: Bookman, 2001. BARBOSA, C. L. R. Estudo de previsão de demanda de movimentação de diesel, gasolina e álcool, ver terminal petroquímico de Miramar, utilizando abordagem de séries temporais e séries causais. In: XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO, 2014, Curitiba. CASULA, H. C. Aplicação de técnicas de previsão de demanda em manufatura:
estudo de caso em uma indústria de laminados. 2012. 99 f. Dissertação (Mestrado em Engenharia Mecânica) - Faculdade de Engenharia Mecânica, Universidade Estadual de Campinas, Campinas, 2012. CHOPRA, S. Gerenciamento da cadeia de suprimentos. São Paulo: Pearson
Prentice Hall, 2003. FILDES, R.; HIBON, M.; MAKRIDAKIS, S.; MEADE, N. Generalising about univariate forecasting methods: Further empirical evidence. International Journal of Forecasting, v. 14, p. 339-358, 1998.
FLOWERS, A. D. A Simulation Study Of Smoothing Constant Limits For An Adaptive Forecasting System. Journal of Operations Management, v. 1, n. 2, p. 85-94,
1980. FRAGOSO, B. B. Método para a criação de um processo de previsão de demanda de vendas. 2009.121 f. Dissertação (Mestrado em Engenharia Mecânica) - Faculdade de Engenharia Mecânica, Universidade Estadual de Campinas, Campinas, 2009. GARDNER, E. S. Exponential smoothing: the state of the art-Part II. International Journal of Forecasting, v. 22, p. 637-666, 2006. LUSTOSA, L. J.; MESQUITA, M. A.; QUELHAS, O. L. G.; OLIVEIRA, R. J. Planejamento e controle da produção. Rio de Janeiro: Elsevier, 2008.
MAKRIDAKIS, S. The art and science of forecasting: An assessment and future directions. International Journal of Forecasting, v. 2, p. 15-39, 1986.
46
MAKRIDAKIS, S.; HIBON, M. Exponential smoothing: The effect of initial values and loss functions on post-sample forecasting accuracy. International Journal of Forecasting, v. 7, p. 317–330, 1991.
MENTZER, J. T.; MOON, M. A. Sales Forecasting Management: a demand management approach. 2. ed. London: SAGE Publications, 2005. SLACK, N. Administração da produção. 2. ed. São Paulo: Atlas, 2007.