universidade federal fluminense uff final - felipe... · demanda: o caso de organização do ramo...
TRANSCRIPT
UNIVERSIDADE FEDERAL FLUMINENSE – UFF
ESCOLA DE ENGENHARIA
DEPARTAMENTO DE ENGENHARIA DE PRODUÇÃO
GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO
PROPOSTA PARA MELHORIA DO DESEMPENHO DA ANÁLISE DE DEMANDA: O CASO DE ORGANIZAÇÃO
DO RAMO DE PREVIDÊNCIA PRIVADA.
FELIPE VIVARELLI VALGODE
Orientador: OSVALDO LUIZ GONÇALVES QUELHAS, D. SC.
Niterói, RJ
Janeiro, 2017
JULHO / 2015
FELIPE VIVARELLI VALGODE
PROPOSTA PARA MELHORIA DO DESEMPENHO DA ANÁLISE DE
DEMANDA: O CASO DE ORGANIZAÇÃO DO RAMO DE PREVIDÊNCIA
PRIVADA.
Projeto final apresentado à Universidade Federal Fluminense como requisito
parcial à obtenção do título de Engenheiro de Produção.
Orientador:
Prof. OSVALDO LUIZ GONÇALVES QUELHAS
Niterói, RJ
2017
FELIPE VIVARELLI VALGODE
PROPOSTA PARA MELHORIA DO DESEMPENHO DA ANÁLISE DE
DEMANDA: O CASO DE ORGANIZAÇÃO DO RAMO DE PREVIDÊNCIA
PRIVADA
Projeto final apresentado à Universidade Federal Fluminense como requisito
parcial à obtenção do título de Engenheiro de Produção.
Banca Examinadora:
_______________________________________
Prof. OSVALDO LUIZ GONÇALVES QUELHAS
_______________________________________
Prof. JOSÉ GERALDO LAMAS LEITE
_______________________________________
Prof. RICARDO BORDEAUX REGO
Ficha Catalográfica elaborada pela Biblioteca da Escola de Engenharia e
Instituto de Computação da UFF
V169 Valgode, Felipe Vivarelli
Proposta para melhoria do desempenho da análise de demanda: o caso de organização do ramo de previdência privada / Felipe Vivarelli Valgode. – Niterói, RJ : [s.n.], 2017.
47 f.
Projeto Final (Bacharelado em Engenharia de Produção) – Universidade Federal Fluminense, 2017.
Orientador: Osvaldo Luiz Gonçalves Quelhas.
1. Previsão de demanda. 2. Previdência privada. I. Título.
CDD 658.40355
RESUMO
A previdência está sendo amplamente discutida nos últimos meses. A
previdência social está sofrendo um período de incertezas, o que acaba por
influenciar pessoas a buscarem alternativas para garantir uma segurança financeira
na aposentadoria. Uma das principais saídas para atingir este objetivo é a
previdência complementar, também conhecida como previdência privada.
A previsão de contribuições futuras no mercado de previdência privada pode
ajudar empresas que oferecem este serviço. Com esta previsão, as empresas
poderão dimensionar melhor a sua capacidade operacional para absorver com
qualidade o volume das contribuições de novos clientes e clientes já existentes. Para
se obter valores futuros, métodos de previsão de demanda devem ser aplicados.
O presente estudo teve como base uma filial de vendas em previdência
privada de uma seguradora nacional. Para esta filial, aplicaram-se diversos métodos
de previsão de demanda mês a mês, durante um ano. Através dos resultados
obtidos, determinou-se para cada canal de distribuição de vendas o método de
previsão de demanda que se obteve a maior eficiência em seus resultados.
Palavras-chave: Previsão, Previdência, Demanda, Contribuição.
ABSTRACT
The welfare system has been widely discussed in recent months. Social
Security is experiencing a period of uncertainty, which ends up influencing people to
seek alternatives to ensure financial security in retirement. One of the main outputs
to achieve this objective is complementary pension, also known as private pension.
The forecast of future contributions in the private pension market can help
companies offering this service. With this forecast, companies will be able to better
scale their operational capacity to absorb with quality the volume of the contributions
of new clients and existing clients. To obtain future values, demand forecasting
methods must be applied.
The present study was based on a private pension sales subsidiary of a
national insurance company. For this branch, several methods of forecasting demand
on a month-to-month basis were applied during one year. By means of the obtained
results, it was determined for each channel of sales distribution the method of
forecasting that had achieved the greater efficiency in its results.
Key Words: Forecast,Welfare system, Demand, Contribuition.
SUMÁRIO
1. O PROBLEMA .................................................................................................................... 11
1.1. Introdução ........................................................................................................................ 11
1.2. Situação-Problema ......................................................................................................... 13
1.3. Objetivos, delimitações e relevância do estudo ......................................................... 13
1.3.1. Objetivos do estudo .................................................................................................... 13
1.3.2. Delimitações do estudo ............................................................................................. 14
1.3.3. Relevância do estudo ................................................................................................ 14
2. REVISÃO DE LITERATURA ............................................................................................ 16
2.1. Previdência privada ........................................................................................................ 16
2.2. Previsão de demanda .................................................................................................... 17
2.3. Métodos de previsão de demanda............................................................................... 18
2.3.1. Métodos qualitativos .................................................................................................. 18
2.3.2. Métodos de projeção histórica .................................................................................. 18
2.3.3. Métodos causais ......................................................................................................... 19
2.4. Componentes de uma série temporal ......................................................................... 19
2.4.1. Componentes de tendência ...................................................................................... 19
2.4.2. Componente cíclica .................................................................................................... 19
2.4.3. Componente sazonal ................................................................................................. 20
2.4.4. Componente irregular ou residual ............................................................................ 20
2.5. Técnicas de previsão de demanda .............................................................................. 20
2.5.1. Média exponencial móvel .......................................................................................... 20
2.5.2. Suavização exponencial dupla de Holt ................................................................... 21
2.5.3. Método de Holt-Winters ............................................................................................. 22
2.5.3.1. Método sazonal multiplicativo de Holt-Winters .................................................. 22
2.5.3.2. Método sazonal aditivo de Holt-Winters ............................................................. 23
2.6. Medidas de acurácia ...................................................................................................... 24
2.7. Questões e/ou hipóteses ............................................................................................... 24
2.8. Definição dos termos ..................................................................................................... 25
2.9. Organização dos estudos .............................................................................................. 25
3. METODOLOGIA ................................................................................................................. 27
3.1. População, coleta de dados e amostra ....................................................................... 27
3.2. Instrumentos de medida ................................................................................................ 27
3.3. Tratamento e análise de dados .................................................................................... 27
3.4. Limitações do método .................................................................................................... 28
4. ESTUDO DE CASO ........................................................................................................... 29
4.1. Definição do problema ................................................................................................... 29
4.2. Os canais analisados ..................................................................................................... 29
4.3. Coleta de dados .............................................................................................................. 29
4.4. Forma de análise ............................................................................................................ 29
4.5. Análise e previsão das séries temporais .................................................................... 30
4.5.1. Canal 1 ......................................................................................................................... 30
4.5.1.1. Série histórica.......................................................................................................... 30
4.5.1.2. Análise das previsões ............................................................................................ 31
4.5.1.2.1. Média móvel simples de 2 meses anteriores (MMS2) .................................. 31
4.5.1.2.2. Média móvel simples de 3 meses anteriores (MMS3) .................................. 31
4.5.1.2.3. Média móvel simples de 5 meses anteriores (MMS5) .................................. 32
4.5.1.2.4. Média móvel ponderada de 3 meses anteriores (MMP) .............................. 32
4.5.1.2.5. Média exponencial móvel (MEM) ..................................................................... 33
4.5.1.2.6. Suavização exponencial dupla de Holt (SEDH) ............................................ 33
4.5.1.2.7. Modelo sazonal multiplicativo de Holt-Winters (MSM Holt-Winters) .......... 34
4.5.1.2.8. Modelo sazonal aditivo de Holt-Winters (MSA Holt-Winters) ...................... 34
4.5.1.3. Análise do MAPE .................................................................................................... 35
4.5.2. Canal 2 ......................................................................................................................... 35
4.5.2.1. Série histórica.......................................................................................................... 35
4.5.2.2. Análise das previsões ............................................................................................ 36
4.5.2.2.1. Média móvel simples de 2 meses anteriores (MMS2) .................................. 36
4.5.2.2.2. Média móvel simples de 3 meses anteriores (MMS3) .................................. 36
4.5.2.2.3. Média móvel simples de 5 meses anteriores (MMS5) .................................. 37
4.5.2.2.4. Média móvel ponderada de 3 meses anteriores (MMP) .............................. 37
4.5.2.2.5. Média exponencial móvel (MEM) ..................................................................... 38
4.5.2.2.6. Suavização exponencial dupla de Holt (SEDH) ............................................ 38
4.5.2.2.7. Modelo sazonal multiplicativo de Holt-Winters (MSM Holt-Winters) .......... 39
4.5.2.2.8. Modelo sazonal aditivo de Holt-Winters (MSA Holt-Winters) ...................... 39
4.5.2.3. Análise do MAPE .................................................................................................... 40
4.5.3. Canal 3 ......................................................................................................................... 40
4.5.3.1. Série histórica.......................................................................................................... 40
4.5.3.2. Análise das previsões ............................................................................................ 41
4.5.3.2.1. Média móvel simples de 2 meses anteriores (MMS2) .................................. 41
4.5.3.2.2. Média móvel simples de 3 meses anteriores (MMS3) .................................. 41
4.5.3.2.3. Média móvel simples de 5 meses anteriores (MMS5) .................................. 42
4.5.3.2.4. Média móvel monderada de 3 meses anteriores (MMP) ............................. 42
4.5.3.2.5. Média exponencial móvel (MEM) ..................................................................... 43
4.5.3.2.6. Suavização exponencial dupla de Holt (SEDH) ............................................ 43
4.5.3.2.7. Modelo sazonal multiplicativo de Holt-Winters (MSM Holt-Winters) .......... 44
4.5.3.2.8. Modelo sazonal aditivo de Holt-Winters (MSA Holt-Winters) ...................... 44
4.5.3.3. Análise do MAPE .................................................................................................... 45
5. CONCLUSÃO ..................................................................................................................... 46
5.1. Considerações finais ...................................................................................................... 46
5.2. Recomendações para trabalhos futuros ..................................................................... 46
REFERÊNCIAS BIBLIOGRÁFICAS ......................................................................................... 47
LISTA DE FIGURAS, GRÁFICOS E TABELAS
Tabela 1 - MAPE das previsões para o Canal 1 ........................................................ 35
Tabela 2 - MAPE das previsões para o Canal 2 ........................................................ 40
Tabela 3 - MAPE das previsões para o Canal 3 ........................................................ 45
Figura 1 - Volume de contribuições em PGBL e VGBL no mercado nacional
(Adaptado de Superintendência de Seguros Privados – SUSEP)............................. 16
Figura 2 - Série histórica do Canal 1 ......................................................................... 30
Figura 3 - Previsão MMS2 versus realizado no Canal 1 ........................................... 31
Figura 4 - Previsão MMS3 versus realizado no Canal 1 ........................................... 31
Figura 5 - Previsão MMS5 versus realizado no Canal 1 ........................................... 32
Figura 6 - Previsão MMP versus realizado no Canal 1 ............................................. 32
Figura 7 - Previsão MEM versus realizado no Canal 1 ............................................. 33
Figura 8 - Previsão SEDH versus realizado no Canal 1 ............................................ 33
Figura 9 - Previsão MSM Holt-Winters versus realizado no Canal 1 ......................... 34
Figura 10 - Previsão MSA Holt-Winters versus realizado no Canal 1 ....................... 34
Figura 11 - Série histórica do Canal 2 ....................................................................... 35
Figura 12 - Previsão MMS2 versus realizado no Canal 2 ......................................... 36
Figura 13 - Previsão MMS3 versus realizado no Canal 2 ......................................... 36
Figura 14 - Previsão MMS5 versus realizado no Canal 2 ......................................... 37
Figura 15 - Previsão MMP versus realizado no Canal 2 ........................................... 37
Figura 16 - Previsão MEM versus realizado no Canal 2 ........................................... 38
Figura 17 - Previsão SEDH versus realizado no Canal 2 .......................................... 38
Figura 18 - Previsão MSM Holt-Winters versus realizado no Canal 2 ....................... 39
Figura 19 - Previsão MSA Holt-Winters versus realizado no Canal 2 ....................... 39
Figura 20 - Série histórica do Canal 3 ....................................................................... 40
Figura 21 - Previsão MMS2 versus realizado no Canal 3 ......................................... 41
Figura 22 - Previsão MMS3 versus realizado no Canal 3 ......................................... 41
Figura 23 - Previsão MMS5 versus realizado no Canal 3 ......................................... 42
Figura 24 - Previsão MMP versus realizado no Canal 3 ........................................... 42
Figura 25 - Previsão MEM versus realizado .............................................................. 43
Figura 26 - Previsão SEDH versus realizado ............................................................ 43
Figura 27 - Previsão MSM Holt-Winters versus realizado ......................................... 44
Figura 28 - Previsão MSA Holt-Winters versus realizado .......................................... 44
11
1. O PROBLEMA
1.1. Introdução
Diante de um mercado em que a competição é cada vez maior, os resultados
previstos nos momentos decisórios das companhias devem ser cada vez mais
precisos em relação aos resultados obtidos para que não ocorram prejuízos ou
alguma divergência negativa do que era esperado em seu planejamento. Esta não
conformidade entre o realizado e o projetado pode significar em uma perda de
participação no mercado, além da possibilidade de desperdiçar recursos que
poderiam ser alocados em outra oportunidade.
Prever a demanda é uma ação muito importante e presente na rotina de
pequenas, médias e grandes empresas, seja de maneira mais intuitiva e rudimentar
(simplesmente repetindo as vendas do período anterior) ou utilizando métodos
estatísticos mais rebuscados (análise de dados históricos, por exemplo). Todo
negócio desenvolve em algum momento um modelo de previsão de demanda, que é
capaz de auxiliar a tomada de decisões no ambiente empresarial. (SENNA,
TANSCHEIT E GOMES, 2015).
O ambiente econômico e político mundial está em constante mudança,
forçando as empresas a se adaptarem rapidamente para manter sua vantagem
competitiva. Neste contexto, a previsão de demanda se apresenta como uma
ferramenta gerencial estratégica importante para a organização tomar as decisões
certas, no tempo certo e baseadas em informações de qualidade (VEIGA, VEIGA e
DUCLÓS, 2010).
Considerando estas afirmações, uma projeção de vendas de uma companhia
determinada através de um planejamento de demanda bem definido e alinhado pode
fazer toda a diferença entre o sucesso e o fracasso de determinado projeto ou
decisão.
Segundo REIS et al (2015), o método de previsão de demanda é uma análise
mais aprofundada do comportamento das vendas no futuro, ou seja, com base em
séries temporais e métodos matemáticos mais avançados, a previsão de demanda é
um método que indicará tendências para uma análise mais refinada na
determinação da previsão de vendas.
Portanto, a utilização de um método de análise de demanda bem estruturado
pode demonstrar uma melhora considerável na precisão dos dados projetados,
quando comparados com os dados de realizados. Esta melhoria pode significar um
12
aumento na credibilidade das projeções e um maior conforto para quem compartilha
o risco ou investe para obter tais resultados. A análise de previsão de demanda
pode ser utilizada em todos os ramos que necessitam saber como estará sua
organização em situações futuras para tomar decisões no presente.
Segundo CORRÊA e CORRÊA (2010), a previsão de demanda pode ser
definida de várias maneiras: um prognóstico de eventos futuros que podem ser úteis
para o planejamento da organização; um processo racional de busca de informações
relativas ao valor das vendas futuras que serve de base para todo planejamento ou
ainda como o resultado de um processo que inclui atividades de coleta e tratamento
de informações; busca e projeção de padrões de comportamento e de estimativa de
erros.
Desta forma, a fim de estudar os conceitos mencionados anteriormente, foi
escolhido o ramo de Previdência privada para a aplicação da análise de demanda,
devido a sua importância na sociedade e seu contexto atual no cenário econômico
brasileiro. A previdência privada também é conhecida por ser uma previdência
complementar, pois complementa a renda da aposentadoria recebida através da
previdência social, caso tenha direito.
Segundo dados da SUSEP (Superintendência de Seguros Privados), a
previdência complementar atingiu o estoque (número de participantes) de 28,9
milhões no mês de junho de 2016.
O ramo de previdência vem sendo bastante discutido atualmente por conta da
reforma da previdência social, que não se sustenta mais com sua política atual.
Segundo o jornal ESTADÃO (2016): “41,5% das despesas do orçamento público
federal destinam-se a pagar aposentadorias e pensões. Mantidas as regras atuais, a
tendência ao aumento do gasto é inexorável. Com inflação de 4,5% ao ano, os
gastos com previdência e assistência social aumentariam 9,8% ao ano. Se nada for
feito e se todos os outros itens do orçamento forem reajustados pela inflação, daqui
a 20 anos os gastos com previdência e assistência atingirão 64% do total de gastos
do governo federal”. A Veja.com (2016) também indica a preocupação com a
previdência, dizendo que até 2060 o número de brasileiros com mais de 65 anos vai
se multiplicar por quatro – e a parcela de idosos vai passar de 7,4% para 26% da
população. Por conta destas observações, podemos observar que a previdência
privada está cada vez mais em evidência quando o assunto é aposentadoria.
13
1.2. Situação-Problema
A comparação entre o projetado e o realizado é uma realidade para qualquer
empresa que deseja observar se o resultado planejado de fato está ocorrendo
conforme previsto. Uma divergência destes resultados pode acarretar uma perda
significativa no mercado. Por conta disto, empresas que realizam este
acompanhamento estão passíveis a modificações na metodologia implicada para
realizar a previsão, com o objetivo de melhorar seu desempenho e obter resultados
mais precisos.
O comportamento da captação no ramo de previdência pode sofrer alterações
diante de algumas modificações na realidade política e econômica nacional e da
estratégia da companhia que oferece o serviço. Portanto, se faz necessário
compreender esta realidade a fim de iniciar o estudo sobre a captação, com o
objetivo de se obter uma maior precisão no estudo de viabilidade sobre
planejamento das vendas.
Considerando estes fatos, o proposito deste trabalho é obter respostas para
os seguintes questionamentos:
• Quais são os modelos teóricos de previsão de demanda para vendas no
mercado de previdencia privada?
• Qual o grau de aderencia entre os resultados obtidos através dos modelos
teóricos apresentados e os valores realizados?
1.3. Objetivos, delimitações e relevância do estudo
1.3.1. Objetivos do estudo
O estudo tem como objetivo principal analisar modelos e práticas de previsão
de demanda de vendas no mercado de previdencia privada. Através de um estudo
de caso, realizar uma análise para proposição de melhorias.
A partir dos objetivos específicos, pode-se sintetizá-los da seguinte forma:
• Identificar modelos e métodos de previsão de demanda;
• Aplicar e analisar os modelos e métodos;
• Comparar os resultados obtidos;
• Identificar o método mais eficiente para cada situação.
14
1.3.2. Delimitações do estudo
O estudo tem como propósito coletar dados do faturamento no ramo de
previdência na filial de vendas do Rio e Janeiro de uma seguradora nacional que
atua no ramo. O estudo de caso constitui-se de uma empresa de abrangência
nacional localizada no Rio de Janeiro, sudeste do Brasil.
A coleta de dados para a realização do estudo de caso será realizada no
periodo de janeiro de 2013 a dezembro de 2016.
Para fins de esclarecimento, vale ressaltar que o estudo será realizado em
apenas uma filial de apenas uma companhia que atua no ramo de previdência
privada. Desta forma, os resultados deste estudo não devem ser generalizados para
outras regiões e companhias, sendo necessária uma análise para observar se esta
pesquisa se enquadra na realidade em questão.
1.3.3. Relevância do estudo
O resultado deste estudo tem como possíveis interessados estudiosos em
métodos de previsão de demanda e gestores no ramo de previdência privada, visto
que o conhecimento na área foi necessário para a elaboração do estudo.
O engenheiro de produção, a partir de sua interdisciplinaridade e capacidade
de se inserir em diversas áreas do mercado por conta de seus conhecimentos em
processos e análises de dados, se demonstra altamente qualificado e capaz de
realizar um estudo de planejamento de demanda, desde que seja conhecida a área
na qual será realizada a análise e o contexto em que se encontra este mercado.
Além disto, a análise de demanda está inserida em uma das 10 subáreas de
conhecimento e atuação do Engenheiro de Produção, que balizam esta modalidade
na Graduação, na Pós-Graduação, na Pesquisa e nas Atividades Profissionais,
segundo a Associação Brasileira de Engenharia de Produção (ABEPRO). A análise
de demanda se encontra dentro da subárea chamada pesquisa operacional, que é
definida pela ABEPRO (2008) em seu site da seguinte forma:
“PESQUISA OPERACIONAL
Resolução de problemas reais envolvendo situações de tomada de decisão,
através de modelos matemáticos habitualmente processados computacionalmente. Aplica
conceitos e métodos de outras disciplinas científicas na concepção, no planejamento ou na
operação de sistemas para atingir seus objetivos. Procura, assim, introduzir elementos de
15
objetividade e racionalidade nos processos de tomada de decisão, sem descuidar dos
elementos subjetivos e de enquadramento organizacional que caracterizam os problemas.
• Modelagem, Simulação e Otimização
• Programação Matemática
• Processos Decisórios
• Processos Estocásticos
• Teoria dos Jogos
• Análise de Demanda
• Inteligência Computacional”
Portanto, pode-se observar que o estudo se localiza em um dos
conhecimentos da subárea de pesquisa operacional e, desta forma, pertencente aos
conhecimentos relacionados à engenharia de produção.
Por fim, pode-se afirmar que o resultado deste trabalho irá acrescentar a
literatura que se refere à análise de demanda e suas metodologias, com o objetivo
de apresentar melhorias e solucionar problemas relacionados ao conhecimento da
subárea.
16
2. REVISÃO DE LITERATURA
No capítulo anterior, observa-se que a melhoria da análise de demanda pode
significar uma maior eficiência nos resultados previstos, quando comparados com os
resultados realizados. Mas, para que isto seja possível, os objetivos, delimitações e
relevância do estudo devem estar muito bem definidos. Portanto, este capítulo tem
como objetivo abordar o setor estudado e as ferramentas utilizadas na aplicação do
estudo de caso.
2.1. Previdência privada
Ao longo dos anos, a previdência privada vem ganhando cada vez mais
espaço no mercado brasileiro. Isto pode ser visto através do histórico de
contribuições em dois produtos que dominam o mercado de previdência, o Vida
Gerador de Benefício Livre (VGBL) e o Plano Gerador de Benefício Livre (PGBL).
Esta afirmação pode ser constatada no gráfico abaixo:
Figura 1 - Volume de contribuições em PGBL e VGBL no mercado nacional (Adaptado de Superintendência de Seguros Privados – SUSEP)
Podemos observar pelo gráfico uma tendência de crescimento das
contribuições desde 2013 observando o consolidado de cada ano. Além disso,
17
fazendo um comparativo mensal entre os anos, nota-se também um comportamento
de sazonalidade ao longo dos períodos.
Um estudo mais aprofundado de previsão de demanda seria de grande ajuda
para o mercado, pois desta forma se poderiam prever esforços de vendas e
manutenção de fundos. A previsão com uma boa credibilidade também pode gerar
maior confiança aos executivos da companhia para tomar decisões estratégicas.
2.2. Previsão de demanda
Previsão é um processo metodológico para a determinação de dados futuros
baseado em modelos estatísticos, matemáticos ou econométricos ou ainda em
modelos subjetivos apoiados em uma metodologia de trabalho clara e previamente
definida (MARTINS; LAUGENI, 1998)
Para Klassen & Flores (2001), a previsão de demanda é um processo cujo
domínio é o tempo, isto é, métodos de previsão disponibilizam uma previsão pontual
ou um intervalo de previsão (com determinada confiança) para um instante de tempo
definido.
A importância da previsão de demanda em uma organização é definida por
Davis et al (1997) da seguinte forma: “Muitas empresas reconhecem a importância
da previsão de demanda em todos os níveis de uma organização. Para a produção,
ela é fundamental para a tomada de decisões periódicas envolvendo seleção de
processo, planejamento de capacidade, melhorias de layout, e de decisões
contínuas sobre planejamento da produção, da programação e do estoque.”
Pode-se também classificar a previsão de demanda em três horizontes
diferentes, segundo Buffa & Sarin (1987):
• Curto prazo: estão relacionadas com a programação da produção e
decisões relativas ao controle de estoque.
• Médio prazo: o horizonte de planejamento varia aproximadamente de
seis meses a dois anos. Planos tais como plano agregado de produção e plano
mestre de produção se baseiam nestas previsões.
• Longo prazo: o horizonte de planejamento se estende
aproximadamente a cinco anos ou mais. Auxilia decisões de natureza estratégica,
como ampliações de capacidade, alterações na linha de produtos, desenvolvimento
de novos produtos, etc.
18
2.3. Métodos de previsão de demanda
Segundo Ballou (2006), os métodos de previsão de demanda foram divididos
em três grupos: qualitativo, projeção histórica e causal. O autor também afirma que
cada grupo difere na acurácia relativa na previsão de longo prazo versus curto
prazo, nível de sofisticação quantitativo usado e base lógica (dados históricos,
opinião de especialistas ou pesquisas) da qual deriva a previsão.
2.3.1. Métodos qualitativos
De acordo com Moreira (2001), os métodos qualitativos são baseados no
julgamento e na experiência de especialistas. Tais técnicas são utilizadas
principalmente quando não existem dados disponíveis ou os dados históricos são
insuficientes para a modelagem matemática.
Percebe-se que o papel da previsão pura e simplesmente intuitiva,
praticamente a única ferramenta disponível para os tomadores de decisão antes da
difusão dos microcomputadores, está diminuindo. A mente humana, apesar de
possuir características únicas com relação à complexidade e o poder para o
armazenamento e associação de informações, está sujeita a vieses e emoções,
sendo geralmente otimista e subestimado a incerteza futura, especialmente no que
se refere à previsão de demanda. (WANKE e JULIANELLI, 2006).
2.3.2. Métodos de projeção histórica
São modelos que detectam mudanças a partir da atualização sempre que
novos dados se tornam disponíveis, uma característica que lhes permite adaptar-se
a mudanças nos padrões de tendência e de sazonalidade. Quando, porém, se trata
de mudança rápida, os modelos só sinalizam tal alteração depois de sua ocorrência.
Por isso, há quem sustente que as projeções por tais modelos retardam mudanças
fundamentais nas séries de tempo e não são eficientes na sinalização de mudanças
fundamentais antes da respectiva ocorrência. (BALLOU, 2006)
Ballou (2006) também acrescenta que a natureza quantitativa da série de
tempo incentiva o uso de modelos matemáticos e estatísticos como ferramentas de
previsão. Ainda segundo o autor, neste método a acurácia que pode ser alcançada
para períodos de tempo previstos de menos de seis meses geralmente é muito boa.
19
2.3.3. Métodos causais
A demanda de um item ou um grupo de itens está ligada a uma ou mais
variáveis internas ou externas à empresa, que são conhecidas como variáveis
causais. A determinação de uma variável causal é realizada através de uma relação
lógica com a demanda de um item ou um grupo de itens que se deseja obter uma
previsão. Como exemplo deste tipo de método, pode-se citar a regressão simples e
múltipla da demanda sobre uma ou mais variáveis causais. Na regressão, procura-
se enxergar, utilizando-se de pares de valores da demanda e de uma ou mais
variáveis causais, algum padrão que as conecte, e que é expressa por uma equação
matemática (MOREIRA, 2001).
2.4. Componentes de uma série temporal
O processo tradicional de análise de séries temporais envolve a
decomposição dos componentes e a análise individual de cada um deles. Em
seguida, os componentes são combinados a fim de se observar o efeito conjunto.
(BRUNI, 2007).
As séries temporais podem ser dividida em quatro componentes: tendência,
cíclica, sazonal e irregular ou residual.
2.4.1. Componentes de tendência
Segundo Render et al (2000), a componente de tendência é um
movimento gradual ascendente ou descendente ao longo do tempo.
2.4.2. Componente cíclica
Qualquer comportamento regular de sequências de pontos acima e abaixo da
linha de tendência é atribuído à componente cíclica. Sendo assim, pode-se
considerar que a componente cíclica de uma série temporal representa variações
regulares de longo prazo acima e abaixo da linha de tendência. É comum acreditar
que os componentes das séries temporais representem movimentos plurianuais da
economia, por exemplo, períodos de alta inflação seguidos de períodos de baixa
20
inflação podem levar séries temporais a alternarem indicadores abaixo e acima de
uma tendência geral de crescimento. (DOS SANTOS, 2010).
2.4.3. Componente sazonal
Para Kotler (2000), a componente sazonalidade se refere a um padrão
consistente de movimentação de vendas durante o ano. O autor afirma também que
o componente sazonal pode estar relacionado a fatores climáticos, feriados e
hábitos de comércio.
2.4.4. Componente irregular ou residual
De acordo com Perini e Bertolde (2016), variações irregulares ou aleatórias
correspondem a ruídos na série temporal em decorrência de fatores variados. E
afirmam que, como são aleatórios, não são previstos nos modelos.
2.5. Técnicas de previsão de demanda
Para identificação e manuseio dos componentes descritos anteriormente,
algumas técnicas específicas podem ser utilizadas para tratá-los de maneira
adequada. Estas técnicas estarão descritas a seguir.
2.5.1. Média exponencial móvel
Para se tratar demandas médias, e ainda conseguir acompanhar movimentos
pequenos de tendência ou de mudança de patamares, as previsões baseadas na
média exponencial móvel são as mais utilizadas. Seu modelo exige a armazenagem
de apenas três dados por item (a previsão passada, a demanda e o coeficiente de
correlação), e a sua operação é de fácil entendimento. (TUBINO, 2009).
O autor supracitado expõe que a média exponencial móvel pode ser obtida
através da seguinte equação:
𝑀𝑡 = 𝑀𝑡−1 + 𝛼(𝐷𝑡−1 − 𝑀𝑡−1) (1)
Onde:
𝑀𝑡 = previsão para o período t;
𝑀𝑡−1 = previsão para o período t-1;
21
𝛼 = coeficiente de ponderação;
𝐷𝑡−1 = demanda no período t-1;
Tubino (2009) determina que o coeficiente de ponderação (α) deve ser fixado
pelo analista entre os valores 0 e 1. Quanto mais próximo de 1, mais o modelo terá
rapidez em reagir a uma variação real da demanda.
2.5.2. Suavização exponencial dupla de Holt
Também conhecido como método da suavização linear de Holt, este modelo
amplia o método de suavização exponencial simples para previsões com séries
temporais que possuem tendência linear, porém não apontam sazonalidade
(MARKRIDAKIS et al, 1998). De acordo com o autor, as equações abaixo
representam estes elementos:
𝐹𝑡+𝑚 = 𝐿𝑡 + 𝑇𝑡𝑚 (2)
Sendo que:
𝐿𝑡 = 𝛼𝑌𝑡 + (1 − 𝛼)(𝐿𝑡−1 − 𝑇𝑡) (3)
𝑇𝑡 = 𝛽(𝐿𝑡 − 𝐿𝑡−1) + (1 − 𝛽)𝑇𝑡−1 (4)
Onde:
𝐹𝑡+𝑚 = previsão para o período t+m;
𝑚 = horizonte de previsão;
𝐿𝑡 = nível de série temporal;
𝑇𝑡 = previsão de tendência da série temporal para o período t;
𝑇𝑡−1 = previsão de tendência da série temporal para o período t − 1;
𝛼 = coeficiente de ponderação da média;
𝛽 = coeficiente de ponderação da tendência;
𝑌𝑡 = demanda do período t.
22
Seguindo a mesma relação da média exponencial móvel, os coeficientes de
ponderação (α e β) devem ser fixados pelo analista entre os valores 0 e 1.
2.5.3. Método de Holt-Winters
Segundo Makridakis et al (1998), o método de Holt-Winters é utilizado em
situações em que as séries temporais apresentam padrão de demanda com
tendência linear e sazonalidade. O autor também afirma que o método aplica
equações de suavização para estimar o nível, a tendência e a sazonalidade da série
temporal analisada no processo de precisão.
2.5.3.1. Método sazonal multiplicativo de Holt-Winters
O modelo multiplicativo de Holt-Winters se adapta, de forma mais eficiente, a
séries que apresentam comportamento de tendência e sazonalidade multiplicativo,
ou seja, séries onde a amplitude da variação da sazonalidade cresce com o avanço
no nível médio da série temporal (KOEHLER et al, 2001). O método sazonal
multiplicativo de Holt-Winters pode ser descrito através das equações abaixo:
𝐿𝑡 = 𝛼(𝑥𝑡
𝑆𝑡−𝑠) + (1 − 𝛼)(𝐿𝑡−1 + 𝑇𝑡−1) (5)
𝑇𝑡 = 𝛽(𝐿𝑡 − 𝐿𝑡−1) + (1 − 𝛽)𝑇𝑡−1 (6)
𝑆𝑡 = γ(𝑥𝑡
𝐿𝑡) + (1 − γ)𝑆𝑡−𝑠 (7)
�̂�𝑡+𝑘 = (𝐿𝑡 + 𝑛𝑇𝑡)𝑆𝑡−𝑠+𝑚𝑜𝑑(𝑛−1,𝑠)+1 (8)
Onde:
𝐿𝑡 = componente de nível;
𝑇𝑡 = componente de tendência;
𝑆𝑡 = componente de sazonalidade;
𝑠 = período sazonal;
ℎ = horizonte de previsão;
23
𝑘 = 1, 2, … , h;
𝑚𝑜𝑑(𝑛, 𝑚) = restoda divisão de n por m;
�̂�𝑡+𝑘 = previsão;
𝛼 = constante de suavização da componente de nível 𝐿𝑡;
𝛽 = constante de suavização da componente de tendência 𝑇𝑡;
𝛾 = constante de suavização da componente de sazonalidade 𝑆𝑡;
2.5.3.2. Método sazonal aditivo de Holt-Winters
Para as séries temporais que apresentem tendência e sazonalidade aditiva, o
modelo que contribui com maior eficiência é o modelo aditivo de Holt-Winters.
Portanto, ele é aplicado em séries onde o efeito da sazonalidade não apresenta uma
função do nível médio corrente da série temporal e pode ser adicionado ou subtraído
de uma previsão que dependa apenas do nível e tendência (KOEHLER et al, 2001).
O método sazonal aditivo de Holt-Winters pode ser representado pelas seguintes
expressões:
𝐿𝑡 = 𝛼(𝑥𝑡
𝑆𝑡−𝑠) + (1 − 𝛼)(𝐿𝑡−1 + 𝑇𝑡−1) (9)
𝑇𝑡 = 𝛽(𝐿𝑡 − 𝐿𝑡−1) + (1 − 𝛽)𝑇𝑡−1 (10)
𝑆𝑡 = γ(𝑥𝑡 − 𝐿𝑡) + (1 − γ)𝑆𝑡−𝑠 (11)
�̂�𝑡+𝑘 = 𝐿𝑡 + 𝑘𝑇𝑡 + 𝑆𝑡−𝑠+𝑘 (12)
Onde:
𝐿𝑡 = componente de nível;
𝑇𝑡 = componente de tendência;
𝑆𝑡 = componente de sazonalidade;
𝑠 = período sazonal;
24
ℎ = horizonte de previsão;
𝑘 = 1, 2, … , h;
�̂�𝑡+𝑘 = previsão;
𝛼 = constante de suavização da componente de nível 𝐿𝑡;
𝛽 = constante de suavização da componente de tendência 𝑇𝑡;
𝛾 = constante de suavização da componente de sazonalidade 𝑆𝑡;
2.6. Medidas de acurácia
As medidas de acurácia servem para conhecer a exatidão de um modelo de
previsão ou para utilizar como parâmetro de seleção de métodos de previsão. As
medidas de acurácia auxiliam na versatilidade do sistema produtivo em produzir
evidências para o sistema de previsão responder de forma rápida as alterações de
padrões de demanda e de mercado (KAHN, 1998).
As diferentes medidas de acurácia conhecidas na literatura de previsão de
demanda na maioria das vezes estão sob a forma de percentuais de erro absoluto
ou erros quadrados (THOMAS, 1996). Entre as formas de medir a acurácia de
previsões, a MAPE (média dos erros percentuais absolutos) é a mais popular, e
pode ser descrita pela equação abaixo (KAHN, 1998):
𝑀𝐴𝑃𝐸 =1
𝑛∑ |
𝑌𝑖−�̂�𝑖
𝑌𝑖|𝑛
𝑖=1 (13)
2.7. Questões e/ou hipóteses
A quantidade de aportes em previdência privada pode estar ligada
diretamente a algumas situações políticas e econômicas em que o país ou região
vive em um determinado momento. Por conta disto, cria-se uma certa dificuldade em
se obter um número preciso na previsão da demanda apenas por métodos
quantitativos.
25
Desta forma, também podem ser necessárias informações qualitativas a partir
do conhecimento tácito de funcionários experientes na área que, atrelado às
técnicas de previsões já citadas no subcapítulo 2.5, irão determinar um valor mais
preciso em relação aos valores reais nos meses onde se foram realizados a
previsão.
2.8. Definição dos termos
Alguns termos que serão utilizados no presente estudo na área de
previdência privada devem ser conhecidos para que o trabalho seja compreendido
de forma correta. Veremos então algumas palavras chaves que devem ser
entendidas para a boa compreensão do estudo.
• Aporte ou captação
É todo o dinheiro que entra em um fundo de previdência privada. Este aporte
pode ser mensal – onde é aportado mensalmente um determinado valor – ou
esporádico – onde o aporte pode ser feito em qualquer momento.
• Resgate
Oposto ao aporte, o resgate é todo o dinheiro que sai de um fundo de
previdência privada.
2.9. Organização dos estudos
Para fins de organização do presente estudo, o mesmo foi divididos em 5
capítulos. A seguir, seguem cada um deles e seus devidos conteúdos:
• O capítulo 1 tem como objetivo contextualizar a pesquisa,
determinando em qual área de atuação da engenharia de produção será realizada a
pesquisa e o setor do mercado onde será realizado o estudo. Além disto, explicita o
objetivo do trabalho a ser alcançado, a relevância do estudo e suas delimitações.
26
• O capítulo 2 trata-se da revisão da literatura acerca do conhecimento
empregado na pesquisa, identificando as metodologias e ferramentas existentes e
estudadas para realizar o presente trabalho.
• O capítulo 3 irá ilustrar, de forma mais aprofundada, a metodologia
utilizada na área de conhecimento escolhida. Este capítulo também irá demonstrar
de forma detalhada o caminho percorrido para esta metodologia.
• O capítulo 4 trata-se da apresentação do estudo de caso. Este capítulo
irá discutir os dados obtidos através da aplicação dos métodos de previsão de
demanda.
• Por fim, o capítulo 5 aborda as devidas considerações finais e
recomendações para trabalhos futuros.
Neste capítulo foi abordado o setor onde será realizado o estudo, as
ferramentas que poderão ser utilizadas e a apresentação de como será feita a
organização dos estudos. Dando continuidade ao estudo, o capítulo seguinte irá
definir a metodologia de aplicação do estudo de caso.
27
3. METODOLOGIA
O presente estudo tem como objetivo definir um método quantitativo de
previsão de demanda, apresentando o menor erro entre a captação prevista e a
realizada em previdência privada.
3.1. População, coleta de dados e amostra
O estudo será realizado em uma empresa de seguros onde suas principais
linhas de negócio são vendas de seguro de vida, capitalização e previdência
privada. Os dados a serem coletados e utilizados serão apenas para a linha de
negócio de previdência privada, onde será determinada uma filial de vendas desta
empresa nesta linha de negócio para se realizar o presente trabalho.
A coleta de dados será extraída através do relatório gerencial de captação em
previdência privada da companhia, que contém o histórico da captação desde
janeiro de 2013. Portanto, o período de amostra deste estudo será de janeiro de
2013 até dezembro de 2015, com o objetivo de projetar mês a mês em todo o ano
de 2016.
3.2. Instrumentos de medida
O estudo utilizará como instrumento de medida diferentes ferramentas e
metodologias de previsão de demanda, a fim de avaliar cada uma delas
separadamente com o resultado realizado ao final do projeto.
3.3. Tratamento e análise de dados
Como dito no subtópico 3.1, os dados serão coletados no relatório gerencial
da companhia. Os dados coletados na filial determinada podem ser vistos por canal
de distribuição ou uma visão consolidada, que nada mais é do que o somatório das
visões por canal de distribuição. Portanto, neste trabalho chamaremos estes canais
da seguinte forma: Canal 1, Canal 2, Canal 3.
Para se obter uma informação mais precisa, coletou-se os dados realizados
de cada canal de distribuição separadamente, pois cada um pode ter um
comportamento diferente em relação a sua captação. Desta forma, serão aplicadas
as ferramentas ou metodologias de previsão de demanda para o histórico de cada
canal de distribuição.
28
Ao fim, com os resultados obtidos das ferramentas ou metodologias de
previsão de demanda por canal de distribuição, compara-se cada um com os
resultados realizados nos meses projetados. A metodologia ou ferramenta escolhida
como a melhor para este estudo será a que apresentar o menor erro em relação aos
dados reais.
3.4. Limitações do método
Inicialmente, o presente trabalho utilizará como fonte de estudo somente os
aportes em previdência privada na filial da cidade do Rio de Janeiro. Portanto, no
que tange à abrangência geográfica da pesquisa, afirma-se que este deverá ser
limitado na região especificada.
Esta filial foi escolhida por ser uma das filiais em que se observa uma maior
maturidade e estabilidade em aportes. Desta forma, para um estudo inicial, esta filial
é a mais adequada para se desenvolver estudos de previsão de demanda.
O trabalho terá como objetivo de estudo apenas aportes em fundos na linha
de negócio de previdência privada, podendo haver divergências nos resultados em
caso de utilização deste trabalho para as outras linhas de negócio da companhia
(capitalização e seguro de vida).
O presente capítulo determinou de que forma será aplicado o estudo de caso,
determinando a amostra de dados, os instrumentos de medida, o tratamento e
análise de dados e as limitações do método. O capítulo 4 irá ilustrar a aplicação
prática desta metodologia no estudo de caso.
29
4. ESTUDO DE CASO
4.1. Definição do problema
As previsões de demanda servem como um guia para a política de decisões
de médio e longo prazo; também são úteis no monitoramento do desempenho de
sistemas através de previsões frequentes de curto prazo. A combinação de
previsões de médio ou longo prazo com previsões de curto prazo ajuda a identificar
se o sistema está indo na direção que foi prevista (LINDBERG;
ZACKRISSON,1991).
A seguradora possui no cenário atual apenas a previsão baseada em
experiência dos especialistas da empresa, utilizada principalmente para definição de
metas de vendas. Portanto, um método quantitativo de previsão de demanda servirá
como apoio para as decisões estratégicas da companhia.
4.2. Os canais analisados
Dentre os canais existentes na filial de vendas do Rio de Janeiro da
seguradora, três foram escolhidos. O critério de escolha se deu por conta do
faturamento que cada canal representa. Juntos, estes três canais somam 57% de
toda a captação em previdência privada nesta filial.
Por conta do sigilo das informações da empresa, iremos chamar os canais da
seguinte maneira: Canal 1, Canal 2 e Canal 3. Pelo mesmo motivo, foi utilizado um
fator comum na série histórica para não utilizar valores reais, porém mantendo seu
comportamento.
4.3. Coleta de dados
Determinados os canais de vendas que serão analisados, inicia-se a coleta de
dados. Foram coletadas informações de aportes em previdência privada na filial do
Rio de Janeiro no período de janeiro de 2013 até dezembro de 2015, em valores
mensais. Os dados foram coletados a partir do relatório gerencial de captação em
previdência privada da seguradora.
4.4. Forma de análise
Através dos dados obtidos, foram calculados mês a mês os métodos de
previsão de demanda para cada canal em todo o ano de 2016. Todos os métodos
30
foram aplicados através de planilhas eletrônicas. O método que apresentar o menor
erro percentual absoluto médio (MAPE) será a metodologia escolhida para o canal
em questão.
As metodologias de previsão de demanda escolhidas para análise são:
• Média móvel simples de 2 meses anteriores (MMS2);
• Média móvel simples de 3 meses anteriores (MMS3);
• Média móvel simples de 5 meses anteriores (MMS5);
• Média móvel ponderada de 3 meses anteriores (MMP);
• Média exponencial móvel (MEM);
• Suavização exponencial dupla de Holt (SEDH);
• Modelo sazonal multiplicativo de Holt-Winters (MSM Holt-Winters);
• Modelo sazonal aditivo de Holt-Winters (MSA Holt-Winters).
Com estes modelos podemos identificar o comportamento de cada canal, seja
ele por média, tendência ou sazonalidade.
4.5. Análise e previsão das séries temporais
4.5.1. Canal 1
4.5.1.1. Série histórica
A série histórica do Canal 1 é representada através do gráfico abaixo:
Figura 2 - Série histórica do Canal 1
0,00
500.000,00
1.000.000,00
1.500.000,00
2.000.000,00
2.500.000,00
3.000.000,00
3.500.000,00
Jan
/13
Mar
/13
Mai
/13
Jul/
13
Set/
13
No
v/1
3
Jan
/14
Mar
/14
Mai
/14
Jul/
14
Set/
14
No
v/1
4
Jan
/15
Mar
/15
Mai
/15
Jul/
15
Set/
15
No
v/1
5
31
Com as informações de captação do Canal 1, foi realizada a previsão de
demanda para cada método e comparado com o realizado.
4.5.1.2. Análise das previsões
4.5.1.2.1. Média móvel simples de 2 meses anteriores (MMS2)
Figura 3 - Previsão MMS2 versus realizado no Canal 1
4.5.1.2.2. Média móvel simples de 3 meses anteriores (MMS3)
Figura 4 - Previsão MMS3 versus realizado no Canal 1
0
500.000
1.000.000
1.500.000
2.000.000
2.500.000
3.000.000
3.500.000
Canal 1 MMS2
0
500.000
1.000.000
1.500.000
2.000.000
2.500.000
3.000.000
3.500.000
Canal 1 MMS3
32
4.5.1.2.3. Média móvel simples de 5 meses anteriores (MMS5)
Figura 5 - Previsão MMS5 versus realizado no Canal 1
4.5.1.2.4. Média móvel ponderada de 3 meses anteriores (MMP)
Figura 6 - Previsão MMP versus realizado no Canal 1
0
500.000
1.000.000
1.500.000
2.000.000
2.500.000
3.000.000
3.500.000
Canal 1 MMS5
0
500.000
1.000.000
1.500.000
2.000.000
2.500.000
3.000.000
3.500.000
Canal 1 MMP
33
4.5.1.2.5. Média exponencial móvel (MEM)
Figura 7 - Previsão MEM versus realizado no Canal 1
4.5.1.2.6. Suavização exponencial dupla de Holt (SEDH)
Figura 8 - Previsão SEDH versus realizado no Canal 1
0
500.000
1.000.000
1.500.000
2.000.000
2.500.000
3.000.000
3.500.000
Canal 1 MEM
0
500.000
1.000.000
1.500.000
2.000.000
2.500.000
3.000.000
3.500.000
Canal 1 SEDH
34
4.5.1.2.7. Modelo sazonal multiplicativo de Holt-Winters (MSM Holt-
Winters)
Figura 9 - Previsão MSM Holt-Winters versus realizado no Canal 1
4.5.1.2.8. Modelo sazonal aditivo de Holt-Winters (MSA Holt-Winters)
Figura 10 - Previsão MSA Holt-Winters versus realizado no Canal 1
0
500.000
1.000.000
1.500.000
2.000.000
2.500.000
3.000.000
3.500.000
Canal 1 MSM Holt-Winters
0
500.000
1.000.000
1.500.000
2.000.000
2.500.000
3.000.000
3.500.000
Canal 1 MSA Holt-Winters
35
4.5.1.3. Análise do MAPE
Tabela 1 - MAPE das previsões para o Canal 1
Conforme visto através da tabela 1, o método de previsão que apresentou o
menor erro foi o modelo sazonal multiplicativo de Holt-Winters (MSM Holt-Winters).
Portanto, dentre os modelos aplicados, este deverá ser o método mais apropriado
para a previsão de captação no Canal 1.
4.5.2. Canal 2
4.5.2.1. Série histórica
A série histórica do Canal 2 é representada através do gráfico abaixo:
Figura 11 - Série histórica do Canal 2
Com as informações de captação do Canal 2, foi realizada a previsão de
demanda para cada método e comparado com o realizado.
MMS2 MMS3 MMS5 MMP MEM SEDHMSM Holt-
Winters
MSA Holt-
Winters
MAPE 32,56% 30,02% 23,50% 28,73% 21,58% 25,61% 21,49% 24,54%
0
2.000.000
4.000.000
6.000.000
8.000.000
10.000.000
12.000.000
36
4.5.2.2. Análise das previsões
4.5.2.2.1. Média móvel simples de 2 meses anteriores (MMS2)
Figura 12 - Previsão MMS2 versus realizado no Canal 2
4.5.2.2.2. Média móvel simples de 3 meses anteriores (MMS3)
Figura 13 - Previsão MMS3 versus realizado no Canal 2
0
2.000.000
4.000.000
6.000.000
8.000.000
10.000.000
12.000.000
Canal 2 MMS2
0
2.000.000
4.000.000
6.000.000
8.000.000
10.000.000
12.000.000
Canal 2 MMS3
37
4.5.2.2.3. Média móvel simples de 5 meses anteriores (MMS5)
Figura 14 - Previsão MMS5 versus realizado no Canal 2
4.5.2.2.4. Média móvel ponderada de 3 meses anteriores (MMP)
Figura 15 - Previsão MMP versus realizado no Canal 2
0
2.000.000
4.000.000
6.000.000
8.000.000
10.000.000
12.000.000
Canal 2 MMS5
0
2.000.000
4.000.000
6.000.000
8.000.000
10.000.000
12.000.000
Canal 2 MMP
38
4.5.2.2.5. Média exponencial móvel (MEM)
Figura 16 - Previsão MEM versus realizado no Canal 2
4.5.2.2.6. Suavização exponencial dupla de Holt (SEDH)
Figura 17 - Previsão SEDH versus realizado no Canal 2
0
2.000.000
4.000.000
6.000.000
8.000.000
10.000.000
12.000.000
Canal 2 MEM
0
2.000.000
4.000.000
6.000.000
8.000.000
10.000.000
12.000.000
Canal 2 SEDH
39
4.5.2.2.7. Modelo sazonal multiplicativo de Holt-Winters (MSM Holt-
Winters)
Figura 18 - Previsão MSM Holt-Winters versus realizado no Canal 2
4.5.2.2.8. Modelo sazonal aditivo de Holt-Winters (MSA Holt-Winters)
Figura 19 - Previsão MSA Holt-Winters versus realizado no Canal 2
0
2.000.000
4.000.000
6.000.000
8.000.000
10.000.000
12.000.000
Canal 2 MSM Holt-Winters
0
2.000.000
4.000.000
6.000.000
8.000.000
10.000.000
12.000.000
Canal 2 MSA Holt-Winters
40
4.5.2.3. Análise do MAPE
Tabela 2 - MAPE das previsões para o Canal 2
Conforme visto através da tabela 2, o método de previsão que apresentou o
menor erro foi o de média exponencial móvel (MEM). Portanto, dentre os modelos
aplicados, este deverá ser o método mais apropriado para a previsão de captação
no Canal 2.
4.5.3. Canal 3
4.5.3.1. Série histórica
A série histórica do Canal 3 é representada através do gráfico abaixo:
Figura 20 - Série histórica do Canal 3
Com as informações de captação do Canal 1, foi realizada a previsão de
demanda para cada método e comparado com o realizado.
MMS2 MMS3 MMS5 MMP MEM SEDHMSM Holt-
Winters
MSA Holt-
Winters
MAPE 41,70% 37,52% 41,39% 43,40% 28,33% 30,59% 32,04% 33,83%
0
1.000.000
2.000.000
3.000.000
4.000.000
5.000.000
6.000.000
7.000.000
8.000.000
9.000.000
41
4.5.3.2. Análise das previsões
4.5.3.2.1. Média móvel simples de 2 meses anteriores (MMS2)
Figura 21 - Previsão MMS2 versus realizado no Canal 3
4.5.3.2.2. Média móvel simples de 3 meses anteriores (MMS3)
Figura 22 - Previsão MMS3 versus realizado no Canal 3
0
2.000.000
4.000.000
6.000.000
8.000.000
10.000.000
12.000.000
14.000.000
Canal 3 MMS2
0
2.000.000
4.000.000
6.000.000
8.000.000
10.000.000
12.000.000
14.000.000
Canal 3 MMS3
42
4.5.3.2.3. Média móvel simples de 5 meses anteriores (MMS5)
Figura 23 - Previsão MMS5 versus realizado no Canal 3
4.5.3.2.4. Média móvel monderada de 3 meses anteriores (MMP)
Figura 24 - Previsão MMP versus realizado no Canal 3
0
2.000.000
4.000.000
6.000.000
8.000.000
10.000.000
12.000.000
14.000.000
Canal 3 MMS5
0
2.000.000
4.000.000
6.000.000
8.000.000
10.000.000
12.000.000
14.000.000
Canal 3 MMP
43
4.5.3.2.5. Média exponencial móvel (MEM)
Figura 25 - Previsão MEM versus realizado
4.5.3.2.6. Suavização exponencial dupla de Holt (SEDH)
Figura 26 - Previsão SEDH versus realizado
0
2.000.000
4.000.000
6.000.000
8.000.000
10.000.000
12.000.000
14.000.000
Canal 3 MEM
0
2.000.000
4.000.000
6.000.000
8.000.000
10.000.000
12.000.000
14.000.000
Canal 3 SEDH
44
4.5.3.2.7. Modelo sazonal multiplicativo de Holt-Winters (MSM Holt-
Winters)
Figura 27 - Previsão MSM Holt-Winters versus realizado
4.5.3.2.8. Modelo sazonal aditivo de Holt-Winters (MSA Holt-Winters)
Figura 28 - Previsão MSA Holt-Winters versus realizado
0
2.000.000
4.000.000
6.000.000
8.000.000
10.000.000
12.000.000
14.000.000
Canal 3 MSM Holt-Winters
0
2.000.000
4.000.000
6.000.000
8.000.000
10.000.000
12.000.000
14.000.000
Canal 3 MSA Holt-Winters
45
4.5.3.3. Análise do MAPE
Tabela 3 - MAPE das previsões para o Canal 3
Conforme visto através da tabela 3, o método de previsão que apresentou o
menor erro foi o de média móvel simples de 2 meses anteriores (MMS2). Portanto,
dentre os modelos aplicados, este deverá ser o método mais apropriado para a
previsão de captação no Canal 3.
O capítulo 4 ilustrou a aplicação de métodos de análise de previsão de
demanda e a comparação destes com os dados realizados pela companhia no
mesmo período. Portanto, foi identificado para cada canal de distribuição de vendas
o método de análise de previsão de demanda mais eficiente entre os métodos
utilizados. A partir dos resultados obtidos, deve-se concluir o presente trabalho com
as devidas considerações finais e recomendações para trabalhos futuros.
MMS2 MMS3 MMS5 MMP MEM SEDHMSM Holt-
Winters
MSA Holt-
Winters
MAPE 41,76% 44,15% 43,63% 49,06% 46,44% 45,36% 49,66% 70,68%
46
5. CONCLUSÃO
5.1. Considerações finais
O presente trabalho teve como principal objetivo a aplicação e a análise de
seis métodos de previsão de demanda, direcionando a escolha do método mais
apropriado para diferentes canais de distribuição em previdência privada de uma
determinada filial da empresa nacional de seguros.
A partir dos resultados apresentados no capítulo 4, a análise e previsão de
demanda mostrou sua aplicabilidade nos canais analisados. Os resultados podem
ser considerados satisfatórios para o ano de 2016. Estes resultados podem servir
como base para sua utilização nos demais canais e filiais da seguradora.
Através das análises feitas neste trabalho, percebe-se que métodos de
previsão de demanda podem dar uma boa estimativa para aportes em previdência
privada em diferentes canais de vendas da companhia.
5.2. Recomendações para trabalhos futuros
A partir dos métodos estudados e os resultados obtidos neste trabalho, a
aplicação desta análise poderá ser estendida para os demais canais de distribuição
e filiais da companhia. Além disso, como neste estudo foram analisados seis
métodos de previsão, sugere-se também a análise de outros métodos quantitativos
de previsão de demanda.
Além de métodos quantitativos, sugere-se como forma de ampliação da
metodologia proposta a implementação ou incorporação de métodos qualitativos. O
objetivo desta ampliação seria obter ainda mais opções que podem trazer melhores
resultados para a previsão.
Outra possibilidade seria a aquisição de um software especializado em
aplicação de metodologias de previsão de demanda. Com este programa, poderiam
ser realizados novos cenários e comparações com as metodologias aplicadas neste
estudo.
47
REFERÊNCIAS BIBLIOGRÁFICAS
ABEPRO, Áreas e Sub-áreas de Engenharia de Produção. Disponível em:
<https://www.abepro.org.br/interna.asp?p=399&m=424&ss=1&c=362>. Acesso em
12 de outubro de 2016.
BALLOU, Ronald H. Gerenciamento da Cadeia de Suprimentos/ Logistica
Empresarial/ Ronald H. Ballou ; tradução Raul Rubenich – 5. Ed. – Porto Alegre :
Bookman, 2006.
BRUNI, A. L. Estatística Aplicada à Gestão Empresarial. São Paulo: Atlas, 2007.
BUFFA, E. S.; SARIN, R. K. Modern production/operations management. New
York: John Wiley & Sons, 1987.
CORRÊA, Henrique L.; CORRÊA, Carlos A. Administração de produção e
operações. 2. ed. São Paulo: Atlas, 2010.
DAVIS, M. M.; AQUILANO, N. J.; CHASE, R. B. Fundamentos da Administração
da Produção. 3ª ed. Porto Alegre: Bookman, 1997.
DOS SANTOS, Grace Lissarassa. Análise de métodos de previsão de demanda
para empresa fabricante de produtos de transmissão e distribuição de energia.
2010. 34 p. Monografia Administração – Universidade Federal do Rio Grande do Sul,
2010.
ESTADÃO, Previdência – injusta, insustentável e ineficiente. Disponível em:
<http://opiniao.estadao.com.br/noticias/geral,previdencia-injusta-insustentavel-e-
ineficiente,10000076500>. Acesso em 12 de outubro de 2016.
KAHN, K. Benchmarking sales forecasting performance measures. The Journal of
Business Forecasting. Winter, p. 19-23, 1998.
KLASSEN, R;FLORES, B. Forecasting practices of Canadian Firms: Survey Results
and comparisons, International Journal of Production Economics. V.70, n.2,
p.163-174, 2001.
KOEHLER, A. B.; SNYDER, R. D.; ORD, J. K. Forecasting Models and Prediction
Intervals for the Multiplicative Holt-Winters Method. International Journal of
Forecasting. USA. v.17, n.2, p.269-286, apr./jun. 2001.
KOTLER, P. Administração de marketing. São Paulo: Prentice Hall, 2000.
48
LINDBERG, E; ZACKRISSON, U. Deciding about the uncertain: The use of
Forecasts as na Aid to Decision-making. Scandinavian Journal of Management. v.
7, n. 4, p. 271-283,1991.
MAKRIDAKIS, S.; WHEELWRIGHT, S.; HYNDMAN, R. Forecasting: Methods and
Applications. 3. ed., New York: John Wiley & Sons, 1998.
MARTINS, P.G.; LAUGENI, F.P. Administração da Produção. São Paulo: Saraiva,
1998.
MOREIRA, Daniel Augusto. Administração da produção e operações. São Paulo:
Pioneira Thomson Learning, 2001.
PERINI, Noéle Bissoli; BERTOLDE, Adelmo Inácio. Previsão de demanda na
indústria de pretóleo: um estudo de caso no estado do Espírito Santo, Revista
Gestão Industrial. V.12, n. 01: p. 156-182, 2016
REIS, J.G.M.; URIO, L.C.S.; MACHADO, S.T.; Santos, R. Previsão de demanda no
mercado de varejo: um estudo de caso em um comércio de baterias
automotivas, SADSJ-South American Development Society Journal,2015, volume 1.
RENDER, Barry; STAIR JUNIOR, R. M.; HANNA, M. E. Análise Quantitativa para
Administração. 10. ed., Porto Alegre: Bookman, 2000.
SENNA, P;TANSCHEIT, R.;GOMES, A. M. Planejando o processo de previsão de
demanda com auxílio da lógica fuzzy. Revista Produção e Desenvolvimento, v.1,
n.2, p.90-103, mai/ago, 2015.
THOMAS R. J. Estimating Demand for services: Issues in Combining Sales
Forecasts. Journal of Retailing ans Consumer Services. v. 3, n. 4, p. 109-119,
1996.
TUBINO, D. F. Planejamento e controle da produção. São Paulo: Atlas, 2009.
VEIGA, Cassia R. P.; VEIGA, Claudimar P.; DUCLÓS, Luiz C. A Acuracidade dos
Modelos de Previsão de Demanda como Fator Crítico de Desempenho
Financeiro na Indústria de Alimentos. Future Studies Research Journal, v. 2, n. 2,
p. 83-107, 2010.
VEJA.COM, Crise da previdência não é prioridade. É uma bomba atômica.
Disponível em: <http://veja.abril.com.br/blog/cacador-de-mitos/economia/crise-da-
49
previdencia-nao-e-prioridade-e-uma-bomba-atomica/>. Acesso em 8 de outubro de
2016.
WANKE, Peter; JUANELLI, Leonardo. Previsão de vendas. São Paulo. Atlas, 2016.