anÁlise e simulaÇÃo do processo de s&op … · tempo de matar, e tempo de curar; tempo de...
TRANSCRIPT
FACULDADE IETEC
Nayara Teixeira dos Santos
ANÁLISE E SIMULAÇÃO DO PROCESSO DE S&OP INTEGRADO À
GESTÃO FINANCEIRA DE UMA INDÚSTRIA:
UMA ABORDAGEM DE DINÂMICA DE SISTEMAS
Belo Horizonte
2017
Nayara Teixeira dos Santos
ANÁLISE E SIMULAÇÃO DO PROCESSO DE S&OP INTEGRADO À
GESTÃO FINANCEIRA DE UMA INDÚSTRIA:
UMA ABORDAGEM DE DINÂMICA DE SISTEMAS
Dissertação apresentada ao Programa de Mestrado da Faculdade Ietec, como requisito parcial à obtenção do título de Mestre em Engenharia e Gestão de Processos e Sistemas. Área de concentração: Engenharia e Gestão de Processos e Sistemas Linha de pesquisa: Engenharia de Processos e Sistemas Orientadora: Prof.ª Drª. Gisele Tessari Santos Faculdade Ietec
Belo Horizonte
Faculdade Ietec
2017
Santos, Nayara Teixeira dos.
S237a Análise e simulação do processo de S&OP integrado à gestão financeira de uma indústria: uma abordagem de dinâmica de sistemas / Nayara Teixeira dos Santos. - Belo Horizonte, 2017.
132 f., enc.
Orientadora: Gisele Tessari Santos.
Dissertação (mestrado) – Faculdade Ietec.
Bibliografia: f. 84-89
1. Planejamento de venda e operações. 2. Planejamento financeiro. 3. Simulação. 4. Dinâmica de sistemas. I. Santos, Gisele Tessari. II. Faculdade Ietec. Mestrado em Engenharia e Gestão de Processos e Sistemas. III. Título.
CDU: 658.15:681.3.03
Com lágrimas, dedico à minha mãe Maria Lúcia dos Santos que durante esse percurso
(04/01/2016) cumpriu sua missão e foi “chamada” ao plano espiritual. Há algum tempo
atrás ouvi em uma aula de filosofia que “Eu te Amo” significa “Você jamais morrerá”.
Essa tradução nunca foi tão verdadeira como o que tenho vivido. Minha mãe, EU TE
AMO (Você jamais morrerá)!
Dedico também ao meu pai Edison Teixeira dos Santos que mediante tamanha dor e
vendo-me em lágrimas suportou sua dor e me consolou e deu forças necessárias para
continuar minha missão e principalmente o Mestrado.
AGRADECIMENTOS
À Deus: onipotente, onipresente e onisciente. Seus planos são perfeitos e o seu amor
infindável. Somente pela Tua graça foi possível chegar até aqui. Foram muitos
quilômetros, dias de sol, de chuva, de sorriso e de choro. Em todos esses dias Tu
estavas comigo, algumas vezes segurando a minha mão e em várias outras
carregando-me no colo. Agradeço por esta graça concedida e por todas as outras,
meu Pai!
Aos meus pais Maria Lúcia e Edison. Meus exemplos de profissionais, pessoas e bom
(a) filho/a. Mesmo sem entender acolheram todos os meus sonhos e muito se
abdicaram de suas vidas para auxiliar-me na concretização dos meus. Obrigada por
tudo!
À minha família Teixeira e Santos. Impossível agradecer somente alguns. Na sua
medida todos contribuíram com a concretização desse objetivo, principalmente
quando mais precisei me ausentar do meu leito familiar para estudar e tão bem
cuidaram da minha mãe aos sábados.
À minha orientadora Prof. Dra. Gisele Tessari Santos pela partilha diária,
ensinamentos, cuidado e carinho. Agradeço à Deus pela sua presença em minha vida,
pois tive o privilégio de estar ladeada de uma exímia profissional e ao mesmo tempo
de uma pessoa sensível aos meus momentos de medo, tristeza, desânimo, aflição e
desistência. Obrigada por não ter desistido desse projeto. Receba minha gratidão!
Ao Bruno Oliveira Nascimento por ter gentilmente compartilhado o modelo comigo.
Ao Sr. Joaquim Gontijo Pires e Isabela Monteiro Pires Mourão que de forma tão
carinhosa e aberta prontamente manifestaram interesse em contribuir com a aplicação
do modelo em sua empresa. Desejo que os resultados contribuam efetivamente para
o desempenho da empresa e que possa produzir muito frutos. Contem comigo e com
a minha gratidão.
Aos meus colegas do Instituto Federal de Educação, Ciência e Tecnologia de Minas
Gerais campus Formiga, pelo apoio irrestrito a quem destaco:
- Diretor Geral Prof. Dr. Washington Santos da Silva pelo apoio, paciência e todo
conhecimento transmitido na geração das previsões estatísticas;
-Coordenador do curso de Gestão Financeira Prof. Msc Marcos Franke da Costa pelo
apoio na modelagem do macroprocesso de faturamento e análise financeira.
- Coordenador da Secretaria de Extensão, Pesquisa e Pós-Graduação Prof. Dr. Lélis
Pedro de Andrade por todas as palavras de encorajamento e principalmente por não
medir esforços em contribuir com a pesquisa.
- Aos professores PhD. Anderson Alves Santos e Msc. Robson de Castro Ferreira que
paralisaram suas rotinas diárias para apoiarem na busca de uma empresa para aplicar
o modelo.
- À professora MsC. Luiza Bernardes Real e seu orientado Diego pelas informações
de apoio.
- À professora MsC. Ana Paula Lima dos Santos pelo apoio e amizade nos momentos
finais desta pesquisa.
À minha professora de inglês Clarissa Roque pelo apoio.
À bibliotecária Sirlene Cassiano que com muito carinho e paciência prestou todas as
informações de apoio na formatação do trabalho.
À coordenação do mestrado em nome da Prof.ª Dr.ª Wanyr Romero pela
compreensão e apoio nos momentos críticos da pesquisa.
Aos meus amigos de Arcos que em momento algum soltaram minhas mãos durante
essa jornada e mesmo sem algumas vezes entender meus momentos de ausência
mantiveram acessa a chama de nossa amizade.
Aos meus amigos do mestrado: Aparecida, Rodrigo, George, Sulenira, Larissa e
Karina. Eles que choraram comigo e também proporcionaram muitos momentos de
alegrias. Na reta final tornamos confidentes e psicólogos de nós mesmos nos
momentos de aflição e desespero na conclusão da dissertação. Obrigada por tudo!
Aos meus alunos do IFMG pela presença diária e por tornar-me uma pessoa e
profissional cada dia melhor.
À todas as pessoas que oraram por mim!
Tudo tem o seu tempo determinado, e há tempo para todo o propósito debaixo do céu. Há tempo de nascer, e tempo de morrer; tempo de plantar, e tempo de arrancar o que se plantou; Tempo de matar, e tempo de curar; tempo de derrubar, e tempo de edificar; Tempo de chorar, e tempo de rir; tempo de prantear, e tempo de dançar; Tempo de espalhar pedras, e tempo de ajuntar pedras; tempo de abraçar, e tempo de afastar-se de abraçar; Tempo de buscar, e tempo de perder; tempo de guardar, e tempo de lançar fora; Tempo de rasgar, e tempo de coser; tempo de estar calado, e tempo de falar; Tempo de amar, e tempo de odiar; tempo de guerra, e tempo de paz. Eclesiastes 3:1-8
RESUMO
O S&OP (Sales and Operations Planning), do inglês, planejamento de vendas e
operações, tem como propósito balancear oferta e demanda contribuindo, assim, para
a competitividade da organização. O S&OP é um processo complexo e que apresenta
comportamento dinâmico devido às flutuações e incertezas de seus processos
internos. Assim, a utilização de modelos de simulação dinâmicos durante o S&OP visa
fornecer uma visão holística das variáveis e restrições do processo auxiliando, assim,
os gestores na tomada de decisão. Neste trabalho, o objetivo foi modelar e simular o
processo de S&OP integrado ao setor financeiro em uma indústria de transformação
de cal por meio da técnica de dinâmica de sistemas a fim de melhor compreender os
fatores que mais influenciam no desempenho organizacional da indústria analisada.
Inicialmente, o modelo foi validado utilizando-se dados históricos. Posteriormente,
modelaram-se e simularam-se o cenário base considerando a atual estrutura da
empresa, e mais vinte cenários a fim de verificar o comportamento do sistema diante
da variação da previsão de vendas, cobertura de estoque de matéria-prima e plano
de estoque de produto acabado. Os cenários simulados foram divididos em micro e
macro ambiente. Nos cenários do microambiente, levou-se em consideração somente
a perspectiva interna da empresa. Já nos cenários do macro ambiente, fundamentou-
se na projeção do consumo da cal em função do PIB do país, fornecida no plano
duodecenal sobre o perfil da cal, a fim de gerar a variação da previsão de vendas,
além da variação dos outros dois fatores citados. A simulação do modelo e cenários
propostos contribuiu de maneira significativa para análise do equilíbrio entre oferta e
demanda, planejamento econômico-financeiro e análise da necessidade de
investimento em infraestrutura e estoque da indústria estudada. Os resultados
propiciaram contribuições significativas especialmente para o setor da indústria
pesquisada, posto que a indústria de transformação enfrenta dificuldades na obtenção
de suprimento devido às flutuações do preço de aquisição da cal no período da
entressafra e, consequentemente, a oscilação dos seus custos de produção.
Palavras-chave: Planejamento de Vendas e Operações. Planejamento Financeiro.
Simulação. Dinâmica de Sistemas.
ABSTRACT
S&OP (Sales and operations planning) has the purpose of balancing supply and
demand, thus contributing to the competitiveness of the organization. The S&OP is a
complex process and presents dynamic behavior due to the fluctuations and
uncertainties of its internal processes. Thus, the use of dynamic simulation models
during the S&OP aims to provide a holistic view of process variables and constraints,
thus assisting managers in decision making. In this work, the objective was to model
and simulate the integrated S&OP process in the financial sector in a lime
transformation industry through the technique of system dynamics in order to better
understand the factors that most influence the organizational performance of the
industry analyzed. Initially, the model was validated using historical data.
Subsequently, the base scenario was modeled and simulated considering the current
company structure, and twenty more scenarios in order to verify the behavior of the
system in face of the variation of the sales forecast, coverage of raw material stock
and inventory plan of finished product. The simulated scenarios were divided into micro
and macro environments. In the scenarios of the microenvironment, only the internal
perspective of the company was taken into account. In the macro environment
scenarios, it was based on the projection of the consumption of lime as a function of
the country's GDP, provided in the twelve years plan on the lime profile, in order to
generate the variation of the sales forecast, besides the variation of the other two
factors cited. The simulation of the model and proposed scenarios contributed
significantly to the analysis of the balance between supply and demand, economic-
financial planning and analysis of the need for investment in infrastructure and
inventory in the industry studied. The results provided significant contributions
especially for the sector of the industry researched, since the manufacturing industry
faces difficulties in obtaining supply due to the fluctuations of the purchase price of the
lime in the off-season and, consequently, the oscillation of its costs of production.
Keywords: Sales and Operations Planning. Financial planning. Simulation. Systems
Dynamics.
LISTA DE ILUSTRAÇÕES
Figura 1 - Diagrama de enlace causal ....................................................................... 31
Figura 2 - Modelo de Dinâmica de Sistemas para o macroprocesso de “Previsão de
Vendas” ..................................................................................................................... 34
Figura 3 - Previsão de vendas do produto A (a), produto B (b), produto C (c),
produto D (d) e produto E (e) .................................................................................... 36
Figura 4 - Modelo de Dinâmica de Sistemas para o macroprocesso “Produção” e
“Suprimentos” ............................................................................................................ 39
Figura 5 - Fluxograma do processo de produção da indústria de transformação de
cal analisada ............................................................................................................. 41
Figura 6 - Modelo de Dinâmica de Sistemas para o macroprocesso “Capacidade” .. 44
Figura 7 - Modelo de Dinâmica de Sistemas para o macroprocesso de “Custeio por
Absorção” .................................................................................................................. 46
Figura 8 - Modelo de Dinâmica de Sistemas para o macroprocesso “Faturamento e
Análise Econômica” ................................................................................................... 49
Figura 9 - Modelo de Dinâmica de Sistemas para o macroprocesso “Fluxo de Caixa”
.................................................................................................................................. 54
Gráfico 1 - Receita bruta do período de janeiro a dezembro de 2016 ....................... 70
Gráfico 2 - Lucro líquido do período de janeiro a dezembro de 2016 ........................ 72
Quadro 1 - Resultados obtidos por meio da implementação de S&OP ..................... 24
Quadro 2 - Síntese dos trabalhos que aplicam dinâmica de sistemas em áreas
relacionadas ao S&OP .............................................................................................. 28
LISTA DE TABELAS
Tabela 1 - Erro percentual médio absoluto e raiz do erro médio .......................................... 35
Tabela 2 - Cenários para o futuro da Economia Brasileira ................................................... 56
Tabela 3 - Estimativa de vendas por produto para cada cenário .......................................... 58
Tabela 4 - Cenários gerados para o micro ambiente............................................................ 60
Tabela 5 - Previsão de Vendas 0 para o micro ambiente (valores em kg) ............................ 62
Tabela 6 - Previsão de Vendas 1 para o micro ambiente (valores em kg) ............................ 62
Tabela 7 - Plano de Estoque 0 para o micro ambiente (valores em kg) ............................... 63
Tabela 8 - Plano de Estoque 1 para o micro ambiente (valores em kg) ............................... 63
Tabela 9 - Cenários gerados para o macro ambiente .......................................................... 64
Tabela 10 - Impacto no valor de custos dos produtos de acordo com a projeção de cenários
para o preço da cal .............................................................................................................. 65
Tabela 11 - Previsão de vendas 1 para o macro ambiente (valores em kg) ......................... 66
Tabela 12 - Previsão de vendas 2 para o macro ambiente (valores em kg) ......................... 66
Tabela 13 - Previsão de vendas 3 para o macro ambiente (valores em kg) ......................... 66
Tabela 14 - Comparação entre os valores reais e simulados da receita .............................. 70
Tabela 15 - Comparação entre os valores reais e simulados da receita líquida da empresa
no ano de 2016 .................................................................................................................... 71
Tabela 16 - Resultados dos indicadores de desempenho obtidos nas simulações dos
cenários do micro ................................................................................................................ 73
Tabela 17 - Resultados dos indicadores de desempenho obtidos nas simulações dos
cenários do .......................................................................................................................... 77
Tabela 18 - Estoque atual de produto acabado.................................................................. 115
Tabela 19 - Cobertura de estoque planejada (Kg) ............................................................. 115
Tabela 20 - Previsão de vendas (kg) ................................................................................. 116
Tabela 21 - Suprimentos .................................................................................................... 116
Tabela 22 - Lista de Materiais (BOM) ................................................................................ 117
Tabela 23 - Capacidade total................................................................................................121
Tabela 24 - Capacidade ..................................................................................................... 117
Tabela 25 - Total de horas de capacidade utilizada de cada centro produtivo por família de
produto .............................................................................................................................. 118
Tabela 26 - Centro Restrito ................................................................................................ 118
Tabela 27 - Ciclo de produção ........................................................................................... 118
Tabela 28 - Prazo de Suprimento.........................................................................................123
Tabela 29 – Custo................................................................................................................119
Tabela 30 - Fluxo de Caixa ................................................................................................ 119
Tabela 31 – Legenda ......................................................................................................... 120
LISTA DE ABREVIATURAS E SIGLAS
APS Advanced Planning and Scheduling
BM Banco Mundial
BOM Bill of Material
CNI Confederação Nacional das Indústrias
COFINS Contribuição para Financiamento da Seguridade Social
CPP Contribuição Previdenciária Patronal
CPV Custo Produto Vendido
CSLL Contribuição Social sobre Lucro Líquido
DARF Documento de Arrecadação de Receitas Federais
DRE Demonstrativo de Resultado de Exercício
DS Dinâmica de Sistemas
EBTIDA Earning Before Interests, Taxes, Depreciation and Amortization
EPP Empresas de Pequeno Porte
ERP Enterprise Resource Planning
ERP Erro Relativo Percentual
ETL Erro de Entruncamento Local
IBRE Instituto Brasileiro de Economia
ICMS Imposto sobre Circulação de Mercadorias e Serviços
INSS Instituto Nacional de Seguridade Social
IPI Imposto sobre Produtos Industrializados
IRPJ Imposto de Renda Pessoa Jurídica
ISS Imposto Sobre Serviços
MAPE Mean Absolute Percentual Error
MIT Massachusetts Institute of Technology
MME Ministério de Minas e Energia
MRP II Manufacturing Resource Planning
MRP Material Requirement Planning
MTO Make to Order
MTS Make to Stock
PD Parcela a Deduzir
PEC Ponto de Equilíbrio Contábil
PIB Produto Interno Bruto
PIS Programa de Integração Social
RMSE Root Mean Square Error
S&OP Sales and Operations Planning
SAD Sistema de Apoio à Tomada de Decisão
SUMÁRIO
1 INTRODUÇÃO ....................................................................................................... 17
2 OBJETIVO GERAL ............................................................................................ 21
2.1 Objetivos Específicos ..................................................................................... 21
3 REFERENCIAL TEÓRICO ..................................................................................... 22
3. 1 Planejamento de Vendas e Operações (S&OP) ............................................. 22
3.2 Dinâmica de Sistemas ..................................................................................... 25
3.2.1 Dinâmica de Sistemas aplicado ao S&OP ................................................. 26
4 METODOLOGIA ................................................................................................... 29
4.2 Caracterização da empresa ............................................................................. 29
4.2 Diagrama de Enlace Causal para o processo de S&OP ampliado................... 30
4.3 Modelo de Dinâmica de Sistemas para o processo de S&OP ampliado .......... 32
4.3.1 Previsão de vendas ................................................................................... 33
4.3.2 Produção ................................................................................................... 38
4.3.3 Suprimento ................................................................................................ 42
4.3.4 Capacidade ................................................................................................ 43
4.3.5 Custeio por Absorção ................................................................................ 45
4.3.6 Faturamento e análise econômica ............................................................. 48
4.3.7 Fluxo de caixa ............................................................................................ 53
4.4 Dados de simulação para validação do modelo ............................................... 55
4.5 Cenários ........................................................................................................... 55
4.4.1 Dados de simulação dos cenários ............................................................. 60
5 RESULTADOS E DISCUSSÃO ............................................................................. 67
5.1 Validação do modelo ........................................................................................ 67
5.2 Análise dos resultados dos cenários ................................................................ 72
5.2.1 Análise dos resultados dos cenários do micro ambiente ........................... 72
5.2.2 Análise dos resultados dos cenários do macro ambiente .......................... 76
6 CONCLUSÃO E RECOMENDAÇÕES .................................................................. 81
REFERÊNCIAS ......................................................................................................... 84
APÊNDICE A ............................................................................................................ 90
APÊNDICE B .......................................................................................................... 115
17
1 INTRODUÇÃO
A competitividade tem se tornado fator crítico de sucesso no cenário
organizacional dado especialmente pelas mudanças constantes. O termo surgiu na
década de 1980 com o professor Michael Eugene Porter. Após este marco, vários
outros autores estudaram a importância e os fatores de sucesso para a
competitividade empresarial. Estes fatores foram agrupados em 15 grupos, sendo
estes: fatores culturais, alianças estratégicas, conhecimento, capital humano,
confiabilidade, custo, flexibilidade, inovação, rapidez, qualidade, sistemas de controle,
técnicas de produção, relacionamento com clientes, responsabilidade social e
tecnologia da informação e comunicação (EYNG, 2006; ROMAN et al., 2012).
A insurgência de uma nova linha de conceituação e estudo de competitividade
em uma visão que tem por base recursos e competências distintas da escola de
economia industrial proposta por Michael Porter contribuiu para a discussão da
competitividade da forma micro para macro. Deste modo, a busca pela
competitividade parte da estrutura interna do planejamento organizacional em
consonância com o ambiente externo (WESTEREN, 2011; DOMINGOS; POLITANO;
PEREIRA, 2015a).
O planejamento possui três níveis dentro do ambiente organizacional:
estratégico, tático e operacional. O nível estratégico é determinado pela alta gerência
cujo foco é determinar os objetivos estratégicos, missão e visão em um período de
longo prazo. Já o planejamento tático está inserido no nível intermediário o qual
corresponde à média gerência voltada para as decisões de médio prazo dos setores
organizacionais. Por fim, o planejamento operacional é responsável pelo dia a dia
empresarial, decisões de curto prazo. Estes níveis de planejamento quando
executados de maneira eficiente contribuem para a melhoria contínua e a
competitividade organizacional (MENDES; RAISER, 2009; LAPIDE, 2011)
Neste sentido, o processo de planejamento de vendas e operações, do inglês
S&OP (Sales and Operations Planning), embora não seja algo novo no ambiente
organizacional veem tomando novas formas de abrangência e utilização possibilitando
uma visão holística dos processos e ao mesmo tempo proporcionando apoio na
tomada de decisão do nível operacional ao estratégico (DOMINGOS; POLITANO;
PEREIRA, 2015a).
18
O S&OP envolve, portanto, os três níveis de planejamento (estratégico, tático
e operacional) a fim de desenvolver um modelo integrado do negócio por meio da
gestão eficiente de pessoas, processos e informações do suprimento à demanda.
Embora envolva toda a empresa é liderado pela alta gerência. O S&OP têm
proporcionado bons resultados às organizações em diversas áreas como melhoria da
comunicação entre os setores, melhoria no planejamento da capacidade, melhor
equilíbrio entre demanda e suprimento, bons ajustes de metas do nível operacional
ao estratégico, aprendizagem organizacional, definição de planos realísticos, e
alinhamento e integração horizontal e vertical (IVERT et al., 2010; THOMÉ et al., 2011;
PEDROSO; SILVA, 2015).
Assim, o S&OP é um processo complexo que apresenta comportamento
dinâmico devido a flutuações e incertezas de seus processos internos. Além da
complexidade de se desenvolver e gerenciar um S&OP de maneira eficiente, deve-se
considerar ainda a necessidade dos gestores que participam do processo de S&OP
ter uma visão global das atividades e variáveis envolvidas no processo. Para
compreender o comportamento deste tipo de sistema ao longo do tempo, há uma
metodologia chamada Dinâmica de Sistemas (DOMINGOS; POLITANO; PEREIRA,
2015a).
O planejamento de vendas e operações (S&OP) tem sido feito por meio da
utilização de diferentes ferramentas, como planilhas eletrônicas, e/ou por meio da
utilização de técnicas de pesquisa operacional. A utilização da técnica de Dinâmica
de Sistemas para modelar e simular o processo de S&OP é uma proposta considerada
inovadora e, portanto, será utilizada nesta pesquisa (PALMATIER; CRUM, 2010;
LAPIDE, 2011; DOMINGOS; POLITANO; PEREIRA, 2015a).
Dinâmica de sistemas surgiu com o engenheiro eletricista Jay W. Forrester na
década de 1950 no Massachusetts Institute of Technology (MIT). Alguns anos adiante
seu orientado Peter Senge introduziu, na década de 1970, esta metodologia por meio
de conceitos como Organizações que Aprendem e Pensamento Sistêmico. Deste
trabalho surgiu já na década de 1990 o best seller “A Quinta Disciplina”.
A dinâmica de sistemas (DS) possibilita a representação de um sistema por
meio de diagramas causais os quais utilizam variáveis, estoques, fluxos e as relações
entre estes elementos, inclusive relações de retroalimentação para representar o
sistema. A representação, simulação e análise do sistema por meio da técnica de
dinâmica de sistemas possibilita o melhor entendimento do comportamento do
19
sistema como um todo e a influência de cada uma de suas partes no todo (VILELLA,
2005; EYNG, 2006).
A técnica de dinâmica de sistemas tem sido aplicada em diferentes áreas como
ferramenta de apoio a tomada de decisão: Poh (2013) utilizou esta metodologia com
o objetivo de alcançar uma gestão sustentável da água em Cingapura; López et al.
(2013) aplicaram dinâmica de sistemas para mensurar o impacto de material reciclado
na indústria; Breser (2005) aplicou a dinâmica de sistemas na cadeia de suprimentos
da indústria automotiva; já Domingos, Politano e Pereira (2015a) utilizaram a técnica
de DS para modelar e simular o processo de S&OP em empresas que produzem para
estoque - MTS (Make-to-Stock).
Segundo pesquisa conduzida pela IBM e Oracle, citada por Singh (2010), um
terço do processo de S&OP falham ou produzem resultados poucos claros devido a
não participação de setores como finanças e manufatura. Diante disso, o modelo de
DS proposto por – Domingos, Politano e Pereira (2015a) engloba a gestão financeira
da organização no modelo de S&OP o qual os autores denominaram de S&OP
ampliado.
De acordo com a J. Mendo Consultoria (2009) em um estudo elaborado para o
Ministério de Minas e Energia (MME) e para o Banco Internacional para Reconstrução
e Desenvolvimento (BIRD), desde os anos remotos, há cerca de 14000 anos atrás, já
se utilizava a cal como composto na construção civil. Os egípcios utilizaram na
construção de suas pirâmides, já os turcos utilizavam como argamassa há 7000 a
14000 anos atrás. O Brasil ocupa a 5ª colocação no ranking de produção mundial
liderado pela China. As diversas aplicações da cal, como: siderurgia, celulose e papel,
açúcar, álcalis, carbureto de cálcio, tintas, alumínio, tratamento de água, estabilização
de solos e obtenção de argamassas de assentamentos e revestimento, possibilitou a
amplificação do seu consumo.
O consumo per capita mundial de cal é de 30kg por habitante. Já no Brasil o
consumo per capita é de 40kg/hab/ano. Até a década de 1930, a cal era utilizada no
Brasil restritamente na construção civil. Devido as suas diversas aplicações e o
desenvolvimento econômico amplificou-se o consumo em outras aplicações. A região
Centro Oeste de Minas Gerais, loco dessa pesquisa concentra mais de 140 indústrias
de cal que sustentam 40% da população, como a principal fonte de renda de
municípios de Formiga, Córrego Fundo, Pains e Arcos (J. MENDO CONSULTORIA,
2009).
20
Diante dessas constatações, há uma necessidade de consolidação de
vantagem competitiva na indústria pesquisada. Desse modo, utilizou-se a técnica de
Dinâmica de Sistemas para simular o processo de planejamento de vendas e
operações (S&OP) com o objetivo de auxiliar a empresa analisada a obter e consolidar
vantagem competitiva.
Deste modo, neste trabalho, modelou-se e simulou-se o processo de S&OP
ampliado em uma indústria de cal do Centro Oeste de Minas Gerais por meio da
técnica de dinâmica de sistemas. O objetivo geral foi identificar e melhor compreender
as relações causais entre os processos internos da indústria, além de compreender
melhor suas influências na gestão organizacional por meio do cálculo de indicadores
de desempenho financeiros, econômicos, de produção e de vendas. Para isso,
utilizou-se como base o modelo proposto por Domingos, Politano e Pereira (2015a).
Cabe destacar que a melhor compreensão do funcionamento deste sistema é um fator
preponderante no ganho de vantagem competitiva da indústria no Brasil.
21
2 OBJETIVO GERAL
O objetivo deste trabalho foi modelar e simular o processo de S&OP integrado
à gestão financeira na indústria de cal por meio da técnica de dinâmica de sistemas a
fim de identificar e melhor compreender as relações causais entre seus processos
internos, além de compreender melhor as influências desses processos na gestão
organizacional da indústria analisada.
2.1 Objetivos Específicos
Coletar dados históricos de vendas, produção, custos, estoque e compras da
indústria pesquisada;
Modelar, simular e analisar detalhadamente o processo de S&OP ampliado na
empresa estudada, por meio da técnica de dinâmica de sistemas;
Confirmar e validar o modelo e técnica de simulação proposta utilizando os
dados históricos coletados na indústria analisada comparando-os com os
resultados obtidos por meio das simulações;
Simular diferentes cenários conjugando fatores do micro e macro ambiente da
empresa em níveis diferentes para analisar o impacto da variação desses
fatores no comportamento do sistema.
22
3 REFERENCIAL TEÓRICO
Nesta seção será apresentado primeiramente um breve histórico do
Planejamento de Vendas e Operações (S&OP- Sales and Operations Planning), sua
importância para as empresas, os desafios e alguns trabalhos que têm sido publicados
na área. Após, será pormenorizado a origem de Dinâmica de Sistemas, objetivo do
método e algumas aplicações encontradas na literatura. Posteriormente, apresentar-
se-á a técnica de Dinâmica de Sistemas aplicada ao S&OP - vantagens, diferenças,
abrangência e limitações de alguns trabalhos encontrados na literatura.
3. 1 Planejamento de Vendas e Operações (S&OP)
O planejamento de vendas e operações, do inglês, Sales and Operations
Planning, surgiu mediante lacunas identificadas nos modelos de planejamento de
recursos e materiais clássicos, definidos por meio de estruturas funcionais e
departamentais, como o Planejamento de Necessidades de Materiais (MRP -Material
Requirement Planning), Planejamento de Recursos de Manufatura (MRP II -
Manufacturing Resource Planning), Planejamento de Recursos do Empreendimento
(ERP - Enterprise Resource Planning), dentre outros (PLATT; KLAES, 2010).
De forma sucinta, torna-se importante descrever a evolução do S&OP para que
se compreenda de forma austera o estado atual de desenvolvimento. O MRP foi
desenvolvido na década de 1960 pela necessidade de definir o quê, quanto e quando
produzir. Já o MRP II surgiu como um desenvolvimento do MRP e tem como foco
integrar o horizonte de tempo do planejamento (curto, médio e longo prazo)
considerando ainda a demanda e as restrições de capacidade. Por fim, o ERP,
conhecido como Sistema Integrado de Gestão, surgiu na década de 1990 como um
sistema transacional cujo foco é o fluxo de dados intra e inter organizacional da cadeia
produtiva (ZAGO, 2013; PLATT; KLAES, 2010).
De acordo com Lupeikiene (2014), o Sistema Avançado de Planejamento (APS
– Advanced Planning and Scheduling) foi desenvolvido pela soma de esforços para
superar as lacunas dos sistemas clássicos, como o dimensionamento e
sequenciamento de produção, dados de roteamento de lista de materiais e restrições.
23
Desse modo, o APS integra o sistema de apoio à decisão (SAD) definido por Zago
(2013) como analítico, já que permite analisar o desempenho da cadeia produtiva por
meio de modelos matemáticos os quais apoiam a tomada de decisão.
Cabe, entretanto, ressaltar que o APS não substitui o ERP, mas sim o
complementa por auxiliar à tomada de decisão integrando os três níveis de
planejamento (estratégico, tático e operacional), através da integração vertical (entre
os níveis de planejamento) e horizontal (dentro do mesmo nível hierárquico),
evoluindo-se assim para o que se define como planejamento empresarial integrado
(THOMAMY, 2008; THOMAS, 2012; DOMINGOS; POLITANO; PEREIRA, 2015a).
Para Phull (2012), o APS é o único processo que reúne toda a organização da fábrica
ao diretor executivo. É um processo multifuncional, altamente colaborativo e de
equilíbrio (IYENGAR; GUPTA, 2013). Como ressaltado anteriormente, o S&OP têm
sido aplicado através de diferentes ferramentas desde planilhas eletrônicas a modelos
de simulação com programação matemática, principalmente pelas contribuições em
que o mesmo fornece ao planejamento organizacional e ao processo decisório.
Segundo Prokopets (2012), o S&OP promove a redução dos custos
operacionais ao mesmo tempo em que faz crescer a linha superior do negócio.
Consoante a esse resultado, informações obtidas por meio da aplicação do S&OP de
acordo com APQC (Open Standards Benchmarking), aponta que empresas que
possuíam processo de S&OP diminuíram U$ 1,34 de seus custos com planejamento
de demanda e suprimento a cada U$ 1.000,00 em receita. (SPIEGEL, 2011).
Kralik e Fogliatto (2016) apresentaram um quadro comparativo dos resultados
obtidos com a implementação do S&OP em diferentes empresas e países, conforme
pode-se observar no Quadro 1.
24
Quadro 1 - Resultados obtidos por meio da implementação de S&OP
Autores Título Cenário Principais Resultados
Francisco Miguel Barbeiro (2005)
Metodologia de Implementação de Planejamento de Vendas e Operações: Estudo de Caso em Manufatura de Produção para Estoque.
O artigo discorre sobre o caso da implementação do S&OP na divisão de negócios de produtos de limpeza.
Com o S&OP foi possível aumentar a precisão da previsão de demanda em 23%, melhorar o nível de atendimento aos clientes em 33%, aumentar o giro dos estoques em 50% e ainda melhorar a comunicação entre diversos setores envolvidos.
Greg Reyman (2005) How JohnsonDiversey Implemented S&OP in Europe.
O trabalho relata a implementação do S&OP na JohnsonDiversey. Também discorre sobre os esforços para expandir o conceito pela Europa.
O processo de S&OP personalizado para a JohnsonDiversey foi disseminado por diversos países. A posição do planejador de demanda foi criado. O SCOR (supply chain operations reference), suas terminologias e mapeamento, foram utilizados para definir o planejamento da empresa e os processos de entrega.
John Piechule (2008)
Implementing a Sales and Operations Planning Process at Sartomer Company: A Grass-Roots Approach.
O artigo retrata a Implementação do S&OP e seus benefícios em empresa multinacional do ramo de produtos químicos.
Entre as vantagens alcançadas com o S&OP: visualização com antecedência de possíveis faltas de matéria-prima, revisão de compras de terceiros e revendas, planejamento da fábrica e necessidade de interrupções para manutenção e ajustes no quadro de funcionários.
Ana Paula M. Tanajura e Sandro Cabral (2011)
Planejamento de Vendas e Operações (S&OP) em uma Empresa Petroquímica.
O trabalho buscou analisar o funcionamento do S&OP numa indústria petroquímica de grande porte e relacioná-lo com os aspectos preconizados na literatura.
O S&OP contribuiu para a construção de um ambiente multidisciplinar para a tomada de decisão, para a redução da assimetria de informações entre as áreas da empresa e para a ampliação do envolvimento dos membros da empresa. Constatou-se também que, diferentemente das proposições teóricas, o S&OP na empresa incorporou rotinas de programação detalhada da produção.
Andrea Lago da Silva, Felipe Morais Esteves e Carolina Belotti Pedroso (2012)
O processo de Sales and Operation Planning (S&OP) em uma indústria do segmento de eletroeletrônico: um Estudo de caso.
O artigo estuda o processo de S&OP, áreas envolvidas, principais objetivos e benefícios atingidos em empresa de componentes eletroeletrônicos industriais.
O processo contribuiu para o aumento do volume de vendas, maior precisão de previsões de vendas, maximização do equilíbrio na cadeia de suprimentos, além de proporcionar alinhamento entre estratégia organizacional e as áreas funcionais.
Fonte: KRALIK; FOGLIATTO, 2016
25
De acordo com o Quadro 1, constata-se que o S&OP é um processo eficaz
e em economias instáveis ou à deriva, pode ser uma “pedra angular”,
principalmente, na introdução de novos produtos, conforme sugere Tim Vaio,
especialista em soluções de cadeia de suprimentos (Supply Chain) na Hitachi
Consulting (ATKINSON, 2009). Todavia, de acordo com Singh (2010), a maioria
das empresas conhece o conceito, mas não consegue executá-lo corretamente.
Torna-se necessário, então, a vinculação do S&OP aos objetivos estratégicos,
métricas financeiras, mapeamento detalhado de “ação” e “métricas”,
esquivando-se assim do “conhecimento tribal” utilizado por gestores antigos no
gerenciamento do equilíbrio entre oferta e demanda.
Iyengar e Gupta (2013) assevera que muitas empresas adotam o S&OP
como “moda”, mas não conseguem implanta-lo. Phull (2012) elucida que se torna
necessário sair do modo de combate a incêndios e abordar os aspectos mais
profundos das organizações. Ainda segundo a autora, a implantação do S&OP
não funciona se for tratado apenas como uma solução tecnológica ao invés de
um processo de negócios.
3.2 Dinâmica de Sistemas
Em 1950, o biólogo austríaco Ludwig von Bertalanff formalizou a Teoria
Geral dos Sistemas que possui como cerne o raciocínio sistêmico e o
comportamento de interdependência dinâmica de vários fatores (FERNANDES,
2016). Logo após, Forrester, em 1961, e mais tarde Sterman, em 2000,
descreveram um método para testar e analisar modelos matemáticos formais e
simulações, por meio de computadores, de sistemas dinâmicos não lineares
complexos, surgindo, assim, a Dinâmica de Sistemas (STERMAN, 2002).
Adverso à pesquisa operacional, cujo método está associado à resolução
de problemas bem definidos com modelos tipo “caixa preta” (FERNANDES,
2016), Dinâmica de Sistemas (DS) tem por base a teoria de controle de
engenharia e a teoria moderna de sistemas dinâmicos não-lineares (STERMAN,
2002). Os principais componentes de Dinâmica de Sistemas são modelos
matemáticos formais e simuladores de voo cuja função consiste em conectar
recursos tangíveis e intangíveis relacionados às políticas de decisão e análise
26
dos impactos no comportamento do sistema ao longo do tempo (FERNANDES,
2016; STERMAN, 2002).
Sterman (2002) traz à discussão a citação de Thomas More em 1516, cujo
manuscritos sobre os problemas de formulação de políticas, cita: “E cairá como
uma complicação de doenças, que aplicando um remédio a uma ferida, você
provocará outra.” Esta analogia sustenta o objetivo do método de Dinâmica de
Sistemas: entender as influências dos fatores/variáveis no sistema e analisar seu
comportamento no sistema durante um período de tempo, contribuindo assim
nas políticas de decisão organizacional.
3.2.1 Dinâmica de Sistemas aplicado ao S&OP
Como já foi relatado, Dinâmica de Sistemas têm sido aplicada em
diferentes áreas do saber assim como em negócios, aos qual se denomina de
Business Dynamics, do inglês, Dinâmica de Negócios (FERNANDES, 2016).
De acordo com Sterman (2002), a Dinâmica de Sistemas é eficaz quando:
Usada para resolver problemas e não somente modelar um sistema;
Utilizada com limites amplos a fim de capturar feedbacks, atrasos e as
interações não relatadas nos modelos mentais das pessoas;
Os modeladores utilizam-se de informações quantitativas e qualitativas;
Outras ferramentas e métodos são interligados;
Se representa o modelo como uma “caixa aberta” usada para catalisar o
aprendizado ao invés de uma “caixa preta” usada para defender posições
políticas;
Abertos a revisões críticas das partes interessadas e envolvidas.
Desse modo, ressalta-se a colocação de Sterman (2002) ao citar a adesão
de outras ferramentas e métodos à Dinâmica de Sistemas como forma de
produzir resultados eficazes, o que mais uma vez confirma a importância de se
aplicar o modelo de dinâmica de sistemas ao processo de S&OP.
Em se tratando de Dinâmica de Sistemas e o processo de S&OP,
identificou-se algumas lacunas nos trabalhos até então desenvolvidos em ambos
processos aplicados associados ou não associados. A pesquisa desenvolvida
27
por Zago (2013) realizada em uma rede multi-plantas fornecedora de produtos
alimentares perecíveis (laticínio) teve como objetivo geral estudar a implantação
de APS com aplicação focada em S&OP. A autora buscou identificar os
benefícios e os fatores críticos de sucesso. Como fatores críticos, concluiu-se
que havia a necessidade de considerar na entrada frete e impostos e na saída
análises financeiras e indicadores operacionais de estoque e custos de
distribuição. Estas lacunas vão de encontro a falta de abrangência dos
processos modelados.
Domingos, Politano e Pereira (2015b) fizeram um compilado dos trabalhos
que aplicam dinâmica de sistemas em áreas relacionadas ao S&OP. Conforme
representado no Quadro 2 abaixo, percebe-se que a grande maioria dos
trabalhos que aplicam dinâmica de sistemas em algumas áreas relacionadas ao
S&OP não utilizam o processo de Contabilidade e somente um trabalho
considerou o custo e o processo financeiro. Ou seja, quando se refere à
integração das áreas de custos, contabilidade, financeira e faturamento ao
processo de S&OP, encontram-se poucos trabalhos na literatura. Dessa
maneira, o modelo de DS proposto por Domingos, Politano e Pereira (2015a)
para simulação do processo de S&OP ampliado pode ser considerado inovador.
A síntese realizada pelos autores analisou trabalhos do ano de 2006 a 2015.
28
Quadro 2 - Síntese dos trabalhos que aplicam dinâmica de sistemas em áreas relacionadas ao S&OP
REFERÊNCIA Processos modelados na simulação
Capacid
ade
de p
rodução
Pro
dução
Esto
ques
Dem
anda/
Vendas
Suprim
ento
s
Custo
s
Fa
tura
me
nto
Conta
bili
dade
Fin
anceiro
(ORCUN; UZSOY; KEMPF, 2006) X X
(VLACHOS; GEORGIADIS; IAKOVOU, 2007) X X X X X X
(SURYANI et al., 2010) X X X X X
(HELAL et al., 2007) X X X X
(PASTRANA et al., 2010) X X X X X
(TAKO, A. A.; ROBINSON, S., 2012) X X X X X
(GEORGIADIS, P.; MICHALOUDIS, C., 2012) X X X X
(CRESPO, A.M.; BIANCHI,C; GUPTA, J.N.D., 2004) X X X X
(VENKATESWARAN,J.; SON, Y.; JONES,A.,2004) X X X X
(GUIMARÃES, A. A.; GODINHO F., M., 2009) X X X X
(GODINHO FILHO, M.; UZSOY, R., 2009) X X X
GIRIDHAR, K. B.; PRABHU, A., 2015) X X
(SPICAR, R.,2014) X X
(ASIF et al., 2015) X X X X
(RABELO, et al., 2003) X X X
Fonte: DOMINGOS; POLITANO; PEREIRA, 2015b
29
4 METODOLOGIA
Nesta seção será apresentado o modelo de dinâmica de sistemas para
S&OP ampliado proposto por Domingos, Politano e Pereira (2015a), tal qual
todos os métodos e ferramentas utilizadas e adaptações realizadas no modelo
para a pesquisa.
A primeira etapa desta pesquisa consistiu no entendimento do diagrama
de enlace causal proposto por Domingos, Politano e Pereira (2015a) a fim de
compreender as regras de negócio bem como os feedbacks de reforço e de
equilíbrio. A partir disso, adaptou-se o modelo proposto pelos autores e elaborou-
se o modelo de fluxo de Dinâmica de Sistemas (DS) que permite maior
detalhamento da relação entre as variáveis do processo e sua implementação
computacional. O modelo de DS foi, então, implementado e simulado para
diferentes cenários. A análise dos cenários simulados foi feita a partir da
comparação de diferentes indicadores de desempenho a fim de identificar os
fatores que mais afetam o desempenho da empresa analisada.
4.2 Caracterização da empresa
A empresa pesquisada está localizada no Centro Oeste de Minas Gerais,
na cidade de Arcos. De acordo com plano duodecenal (2010-2030) elaborado
pela J. Mendo consultoria para o Ministério de Minas e Energia (MME) e o Banco
Mundial (BM) referente ao perfil da cal, a cidade de Arcos está dentre os
principais produtores que merecem destaque em Minas Gerais junto com Sete
Lagoas, Pedro Leopoldo, Pains e Formiga.
Além de estar no reduto de ligação das principais rodovias federais de
acesso a diversos estados como BR-262, BR-354, BR-381 e BR-050, a cidade
ainda conta com a passagem em seus limites territoriais da ferrovia Centro
Atlântica (FCA). Outro ponto importante para o setor pesquisado refere-se as
inúmeras jazidas de calcário encontradas na cidade e região, a qual a cognomina
como a Capital do Calcário.
O objeto social da empresa pesquisada refere-se à calcinação de cal
virgem e hidratada. Ainda de acordo com o plano duodecenal elaborado pela J.
Mendo Consultoria (2009), produtores que realizam a moagem e produzem cal
30
hidratada a partir da cal virgem é classificada como transformadores. Desse
modo, os principais produtos da indústria pesquisada se direcionam para a
construção civil (assentamento de tijolos, reboco e pintura), correção e
recuperação do solo, usinas asfálticas, siderurgia e usina de açúcar. Nesta
pesquisa foram considerados cinco tipos de produtos, sendo: produto A (cal
hidratada aditivada), produto B (cal virgem especial), produto C (cal hidratada
CH-I), produto D (cal hidratada CH-III) e produto E (cal para pintura).
Os produtos da empresa analisada são comercializados nos estados de
Minas Gerais, São Paulo, Mato Grosso, Goiás e Paraná atendendo 89 cidades.
Embora a empresa em questão tenha uma ampla participação de mercado, a
mesma não consegue atingir níveis substanciais de vendas em comparação a
diversidade de cidades e regiões em que atua. Este fato pode estar condicionado
a ausência de planejamento, uma vez que seus registros são feitos em planilhas
isoladas, de forma ametódica, consequentemente, sem acurácia gerencial de
análises históricas e projeções futuras, ou ainda resultado de um posicionamento
inadequado dos seus produtos no mercado.
4.2 Diagrama de Enlace Causal para o processo de S&OP ampliado
Pode-se observar na Figura 1, o diagrama causal para o processo de
S&OP ampliado desenvolvido por Domingos, Politano e Pereira (2015a). As
variáveis consideradas no modelo foram distribuídas em sete macroprocessos:
suprimentos, produção, capacidade, previsão de vendas, custeio por absorção,
faturamento/análise econômica e fluxo de caixa. As relações de causa e efeito
entre as variáveis desses sete macroprocessos podem ser vistas no diagrama a
seguir (FIGURA 1).
31
Figura 1 - Diagrama de enlace causal
PREVISÃODE VENDAS
Plano de Vendas
Plano de Estoque
COBERTURA ESTQ
PRODUTO ACABADO
Plano de
Produção
Lista de Materiais
Lista de Compras
Requisição deCompras
Suprimentos
Valor de Aquisição de
Matéria-Prima
Restrição
Financeira
PREÇO LIQ
MATÉRIA-PRIMA
Entrega
Matéria-Prima
Estoque de
Matéria-Prima Restrição Matéria-Prima
Disponível
Reserva
Matéria-Prima
Custo de Mão de
Obra
Ajuste de
Capacidade
CAPACIDAD.PADRÃOPOR CENTRO DE
TRABALHO
TAXA DE
PRODUTIVIDADE
TEMPO PROCESSAMENTOUNIT. POR CENTRO DE
TRABALHO
Contas a ReceberFluxo de Caixa
Contas a Pagar
Impostos Sobre
Vendas
Faturamento
TAXA IMPOSTOS
SOBRE VENDA
Capacidade Planejada
por Centro de Trabalho
Capacidade dos
Centros de Trabalho
Estoque de Produto
Acabado
Vendas
Ordens Produção
Liberadas
Restrição Capacidade
Disponível
Valor de entrada no
estq Matéria-Prima
Custo Estoque
Matéria-Prima
Custo Médio Móvel
Unit. Matéria-Prima
Custo Matéria-Prima
Consumida
Work in Process
Custo Unitário
Direto Variável
Custo de Produção
Direto Variável
Gastos Gerais de
ProduçãoCusto Estoque
Produto Acabado
Custo Total de
Produção
Custo Unit.Médio Móvel
Produto Acabado
Custo dos ProdutosVendidos
PREÇO UNIT.
VENDA
Despesas Administrativas,
Financeiras e Comerciais
TAXA DESPESAS
GERAIS
<Valor de Entrada no estq Matéria-Prima>
Produção
+
+
+
++
+ -
-
+
+
+
+
+-+
++
-
+
+
++
+
-
-
++
+
++
+
+ +
+
-
+
+
+ +
+
+
++
+-
+
+
+ +
+
-
+
+
+
+
+
+
+
-
<<Valor de Entrada no
estq Matéria-Prima>>
<Gastos Gerais de
Produção>
++
<Vendas>
+
+
<Plano de
Produção>
+
<Produção>+
<Estoque de
Produto Acabado>
-
<Ordens Produção
Liberadas> <Custo de Mão de
Obra>
<Estoque de
Matéria-Prima>
<Entrega
Matéria-Prima>
<PREÇO LIQ
MATÉRIA-PRIMA><Reserva
Matéria-Prima>
+
+
+
++
+
++
+
+
+- +
+- -
+
-
-
-
-
-
-
+
-
-
-
-
-
-
-
Fonte: DOMINGOS; POLITANO; PEREIRA, 2015a
32
No diagrama de enlace causal apresentado na Figura 1, cada seta representa
um relacionamento de causa e efeito entre duas variáveis. Dessa maneira, as relações
positivas implicam que as variáveis crescem ou decrescem em uma relação direta,
por exemplo, quanto maior a demanda (plano de vendas), maior o plano de produção
ou quanto menor a taxa de produção, menor o nível de estoque de produtos acabados.
Por outro lado, as relações negativas estabelecem relação inversa, neste caso, quanto
menor o nível de estoque de matéria-prima, maior a lista de compras de matérias
primas.
O diagrama de enlace causal apresentado na Figura 1 é composto basicamente
por dois tipos de feedback (ciclos de retroalimentação): positivo (loop de reforço) e
negativo (loop de balanço). Um loop de reforço representa uma situação de
consequências crescentes. Por exemplo, na Figura 1 o aumento do plano de produção
aumenta a lista de materiais que, consequentemente, aumenta também a restrição de
matéria-prima disponível, que diminui a ordem de produção liberada, e, por sua vez,
diminui a produção que ao longo do tempo (delay) diminui também o estoque de
produto acabado aumentando, assim, o plano de produção. Já um loop de balanço
tende a estabilizar o sistema. Por exemplo, quando se aumenta as vendas diminui-se,
consequentemente, o estoque de produtos acabado que, por sua vez, diminui as
vendas.
Este diagrama permite uma visão sistêmica do processo de S&OP, além de,
após ser convertido em um diagrama de fluxo, permitir a simulação de múltiplos
cenários proporcionando aprendizado organizacional. Outra vantagem é o tempo de
execução da simulação que é realizada em minutos fornecendo, assim, agilidade na
execução do processo de S&OP e na tomada decisão (DOMINGOS; POLITANO;
PEREIRA, 2015a).
4.3 Modelo de Dinâmica de Sistemas para o processo de S&OP ampliado
O modelo de DS desenvolvido por Domingos, Politano e Pereira (2015a) para
o processo de S&OP ampliado utilizou 216 elementos subdivididos em variáveis do
tipo estoque, fluxo e auxiliares. A fim de considerar no modelo n famílias de produtos
acabados com suas respectivas n matérias-primas e n recursos de produção, várias
variáveis foram consideradas como matrizes unidimensionais ou bidimensionais.
33
Conforme elucidado, Domingos, Politano e Pereira (2015a) desenvolveram 7
macroprocessos para o planejamento de vendas e operações (S&OP) incluindo
macroprocessos não antes representados pelos modelos até então disponíveis na
literatura. A aplicação do modelo se direciona as empresas de manufatura discreta e
produção para estoque, Make-to-Stock (MTS).
O modelo proposto e simulado por Domingos, Politano e Pereira (2015a)
considerou cinco famílias de produtos agregados. Neste estudo, considerou-se
apenas os cinco tipos de produtos produzidos e comercializados pela calcinação
analisada.
A seguir serão descritos os 7 macroprocessos e as adaptações feitas neste
trabalho.
4.3.1 Previsão de vendas
De acordo com Domingos, Politano e Pereira (2015a), a variável de entrada
previsão de vendas é exógena, posto que o modelo não possui a predileção de realizar
métodos de previsão, representada pelo valor médio de uma distribuição probabilística
definida em “PlanoVendas”. Utilizou-se ainda um método de suavização exponencial
simples ligando-se a variável de estoque “demanda” e “EntradaPrev” com a finalidade
de gerar o plano de estoque inicial.
Conforme ilustrado na Figura 2, os dados relativos a previsão de vendas e plano
de estoque são interligados ao macroprocesso produção ao qual se constitui um plano
inicial de estoque e vendas. A variável de entrada previsão de vendas, por ser
preponderante para o processo de S&OP, assumirá diferentes valores a fim de
analisar seu efeito nos indicadores de desempenho selecionados a partir da geração
de cenários.
34
Figura 2 - Modelo de Dinâmica de Sistemas para o macroprocesso de
“Previsão de Vendas”
Fonte: DOMINGOS; POLITANO; PEREIRA, 2015a
A empresa analisada neste trabalho não dispunha de nenhum método de
previsão de vendas. Para tal, utilizou-se o pacote forecast do software R® para
gerar os dados de entrada da previsão de vendas com base em séries temporais.
Utilizou-se dados históricos relativos às vendas do período de janeiro de 2013 a
abril de 2017, a exceção do produto C em que o mesmo é novo no mercado
tendo sido inserido em janeiro de 2015.
No software R® foram lançados dados relativos as vendas em sacas. Os
produtos de A a D são comercializados em sacas de 20kg e o produto E em
sacas de 8kg. Assim sendo, transformou-se os dados da previsão de vendas em
quilogramas (kg) para a simulação do modelo.
A primeira etapa realizada foi a importação dos dados do período
supracitado. Logo, procedeu-se a análise exploratória dos mesmos. A partir
disso, realizou-se o treinamento e teste dos modelos no software. Extraiu-se 70%
35
dos dados para teste e os outros 30% foram resguardados para a geração das
projeções. Conseguinte, fez-se o ajuste e a seleção do modelo de previsão
mediante análise de testes estatísticos como erro percentual absoluto médio
(MAPE – Mean Absolute Percentual Error) e raiz do erro médio quadrático
(RMSE – Root Mean Square Error), conforme pode ser visto na Tabela 1.
Segundo Guimarães (2008), o MAPE avalia o erro percentual em relação
à série global. Já a raiz do erro médio quadrático (RMSE) aufere a qualidade do
ajuste por meio da diferença entre a predição e o valor real. O RMSE é o erro
mais usado, pois representa o que outros métodos tendem a minimizar (ZUMEL;
MOUNT, 2014).
MAPE RMSE
Produto A 17,23 6713.489
Produto B Não informado 4773.954
Produto C Não informado 1984.757
Produto D 54,9 2108.495
Produto E 39,5 1705.189
Fonte: Da autora, 2017
Cabe ressaltar que os ajustes das previsões obtidas e utilizadas, neste
trabalho, não apresentaram a acurácia esperada devido as características dos
dados reais utilizados, mas entende-se que foi a melhor alternativa encontrada.
Conforme ilustrado na Figura 3 a seguir, a área sombreada (maio de 2017
a abril de 2018) corresponde a previsão de vendas dos produtos gerada pelo
pacote forecast do software R® e a área anterior (janeiro de 2013 a abril de 2017)
se refere aos dados históricos de vendas da empresa pesquisada. Pode-se
observar, em geral, que as vendas dos produtos apresentaram grandes
oscilações durante o período analisado.
Tabela 1 - Erro percentual médio absoluto e raiz do erro médio
quadrático referentes aos melhores ajustes das previsões
de vendas por produto obtidas pelo software R®
36
Figura 3 - Previsão de vendas do produto A (a), produto B (b), produto C (c),
produto D (d) e produto E (e)
(a)
(b)
(c)
(d)
(e)
Fonte: Da autora, 2017.
Fonte: Da autora, 2017
Em relação ao produto A (Figura 3a), o melhor modelo de previsão de
vendas, mediante análise dos erros, foi o auto regressivo integrado e de médias
móveis (ARIMA) de ordem (p,d,q), sendo ARIMA(0,1,1), em que p se refere ao
número de parâmetros auto regressivo, d número de diferenciações e q número
de parâmetros de média móvel.
37
Para o produto B (Figura 3b), selecionou-se o modelo ARIMA (1,0,2) ou
Modelo de Box & Jenkins. Nesta previsão, os meses de junho e julho de 2017,
obtiveram um valor negativo, sendo, portanto, lançado no modelo como zero
uma vez que não existe vendas abaixo de zero. Como pode-se observar na
figura 3b, a previsão de vendas para o período é caracterizada por uma queda e
logo após uma elevação e posterior período de estabilidade.
Para o produto C (Figura 3c) assim como para o produto E (Figura 3e), o
método de previsão utilizado foi espaço estados exponencial. Já para o produto
D (Figura 3d) selecionou-se o ARIMA (0,0,0).
Os modelos de suavização exponencial são compostos por três
elementos os quais são modelados por médias móveis ponderadas, sendo: erro
(E), tendência (T) e sazonalidade (S). A partir desses elementos, define-se a
estrutura de modelagem (PELLEGRINI, 2012, p.6):
N : Nenhuma estrutura ou estrutura ausente;
A: Estrutura aditiva;
M: Estrutura multiplicativa;
Ad: Estrutura damped aditiva;
Md: Estrutura damped multiplicativa.
O componente erro (E) assume duas estruturas (A ou M), o componente
tendência (T) cinco possíveis estruturas (N, A, M, Ad ou Md) e o componente
sazonalidade três estruturas (N, A ou M). Utiliza-se damped quando há curva
suave na tendência (PELLEGRINI, 2012, p.6).
Na previsão do produto C e E, obtiveram-se os parâmetros ETS (A, N, N).
Isso representa modelo de suavização exponencial simples dotado de tendência
e sazonalidade (N, N). Quando a estrutura destes componentes são (A, N)
representa suavização exponencial de Holt e (A, A) o modelo de Holt-Winters
aditivo (PELLEGRINI, 2012).
Conforme constata-se na Figura 3a, o produto A é o de maior demanda
dentre os cinco produtos e por isso, de acordo com a empresa, ela direciona a
este produto cerca de 50% da área de estoque de produto acabado. Não foi
possível analisar se os demais produtos possuem pouca aceitabilidade de
38
mercado, se estão sendo direcionados incorretamente ou se existe um fraco
esforço de vendas dos mesmos.
4.3.2 Produção
O macroprocesso de produção envolve diretamente os macroprocessos
de compras, suprimentos, capacidade, fluxo de caixa e previsão de vendas. O
plano de produção é constituído pela lista de materiais de famílias de produtos.
Neste macroprocesso, o volume de matéria-prima está interligado ao suprimento
e fluxo de caixa. Uma vez em falta, torna-se necessário solicitar o volume a
comprar. É indispensável identificar a capacidade disponível dos centros de
trabalho restrito para que sejam definidos os volumes de ordens de produção e
liberada a matéria-prima para o Work in Process (WIP- estoque em
processamento) que envolve, além da matéria-prima, as horas de mão de obra
necessárias. As ordens de produção somente são concluídas após o ciclo de
produção que é calculado por meio de uma distribuição de probabilidade para
cada família de produtos. Após a efetivação deste processo, o produto acabado
é direcionado para o estoque e disponibilizado para vendas, conforme pode-se
observar na Figura 4.
39
Figura 4 - Modelo de Dinâmica de Sistemas para o macroprocesso “Produção” e “Suprimentos”
Fonte: DOMINGOS; POLITANO; PEREIRA, 2015a
Demanda
EntradaPrev
alf a
Prev isãoVendas
~
CobertEstq
~
Estq Desejado
~
PlanoEstoque
PlanoProducao
Ordens
EstoqProdProducao
TxProducao Vendas
HorasTotal Consumida
Horas
Consumida
Fam
TCicloProd OPLiberadas HorasUtiliz
CentroFam
EntregaMP
EstoqMat KG
SaidaMP KG
Vendas Total
+
PlanoVendas Total
+
EstoqProd
Total
+
PlanoEstoque
Total
+
Producao Total
+
PlanoProducao Total
+
PercAtend PlanoVendas
PercAtend PlanoEstq PercAtend PlanoProd
PlanoProducao
ListaMatOP
BOM
Reserv aMP
Producao
OPLibMOB
OPLiberadas
OPLibMat
MpDispOP
PercMP PlanoProd
CpRest PorFamilia PercAloc CpRest HoraRestrita Unid HorasTotal Unid
MaterialNec
ListaMatOP
MatPrima Encomenda
ListaCompras
ReqCompras
Suprimento
MatCompra
CobertEstqMP
ReqCompras R$
SuprimentoR$
MatCompra R$Preco MedioMP
~
TotCompraR$ ListaCompras
Compras Aprov adas
LimiteCaixa
Compra
txPercCaixa
Compra
LimitarCompra
Tempo
IncrementoCapProdutiv idade
HoraRestrita Unid
PlanoVendas
TCiclo
BOM
Caixa
PrazoSupr
txMatPrima Encomenda
TempoProc
CentroFam
Previsão de Vendas
Suprimentos
Produção
40
As informações de entrada de plano de estoque (cobertura de estoque e
estoque desejado) assim como de cobertura de estoque de matéria-prima
(macroprocesso suprimento), por serem preponderantes para o processo de
S&OP, assumirão diferentes valores a fim de analisar seu efeito nos indicadores
de desempenho selecionados. Neste macroprocesso serão calculados para
cada cenário simulado alguns indicadores de desempenho, tais como:
percentual de atendimento do plano de produção, percentual de atendimento do
plano de estoque e percentual de atendimento do plano de vendas.
As constantes (parâmetros) e variáveis com entrada gráficas deste
macroprocesso são: horas utilizadas da capacidade restrita, prazo de suprimento
total de horas de capacidade restrita utilizada em cada centro produtivo por
família, cobertura de estoque de matéria-prima, horas de capacidade padrão
para cada centro restrito, centro restrito por família, tempo de ciclo de produção
para cada família de produtos acabados e taxa de encomenda de matéria-prima.
A variável tempo de ciclo de produção foi calculada por meio da divisão
da capacidade total padrão (horas/mês), considerando as paradas programadas
e perdas, pela média da demanda do ano simulado. A empresa pesquisada não
obtinha nenhuma informação dessa variável uma vez que não possui controle
estatístico do processo produtivo.
As informações de tempo de produção foram obtidas por meio de um
benchmarking em uma empresa da região, certificada pela ISO, que possui
estrutura e processo produtivo equivalentes ao da empresa pesquisada. Este
procedimento foi importante já que a empresa não conhecia o ciclo de produção
de todos os centros de trabalho. A empresa tinha disponível apenas informações
referentes ao centro de trabalho do moinho, considerado como sendo o centro
restrito neste trabalho, e da ensacadeira.
Foram considerados na simulação:
5 tipos de produtos: produto A (cal hidratada aditivada), produto B
(cal virgem especial), produto C (cal hidratada CH-I), produto D (cal
hidratada CH-III) e produto C (cal para pintura);
8 itens de matéria-prima: sacaria para cada tipo de produto, cal,
caulim e rejeito;
41
Figura 5 - Fluxograma do processo de produção da
indústria de transformação de cal analisada
Início
Recepção de
matéria-prima
Tremonha
Peneira
classificatória
Britador
Correia
Transportadora
Elevador de
caneca
Silo alimentar
Moinho
Aeroseparador
Ciclone de ar
Rosca sem fim
Elevador de
caneca
Silo de
armazenagem
Término
1 2
Ensacadeira
8 centros de trabalho: tremonha, peneira classificatória, britador,
aeroseparador, ciclone de ar, moinho, rosca sem fim e
ensacadeira; e
Produção em quilogramas (Kg).
Para a melhor compreensão do processo produtivo da empresa em
questão, criou-se um fluxograma no MS Visio para representar o processo,
conforme pode ser visto na Figura 5.
Fonte: Da autora, 2017
O processo de transformação ocorre com a entrada da matéria-prima já
misturada na tremonha. Logo, a matéria-prima passa pela peneira classificadora
onde ocorre a classificação por tamanho. No britador, a Cal é reduzida em
partículas. Em seguida, a cal reduzida é conduzida por correia transportadora e
por gravidade elevada ao silo alimentar. Este silo é dividido ao meio comportando
42
a cal hidratada (10t) e a cal virgem (15t). A partir do silo, a matéria-prima é
conduzida para o moinho (4t/h-10t/h). Adiante, a cal é moída de acordo com a
granulometria adequada e direcionada para o aeroseparador sendo,
posteriormente, levada para o ciclone de ar e encaminhada para o silo de
armazenagem de cal virgem (40t) e hidratada (30t). Por fim, o produto segue
para ser ensacado (600sc/h). A capacidade produtiva da planta industrial é de
10 toneladas por hora, a exceção do centro restrito (moinho).
4.3.3 Suprimento
O macroprocesso de “Suprimentos” tem como dado de entrada do
macroprocesso “Produção” a lista de materiais (Bill of Material - BOM) para
atender ao plano de produção. Com base nisso, realiza-se o cálculo necessário
de matéria-prima a ser adquirida. Leva-se em consideração os níveis de estoque
de matéria-prima disponível, quantidade de compra em processo de aquisição e
a cobertura de estoque de matéria-prima. Contabilizado a quantidade de
matéria-prima a ser adquirida, aufere-se o preço unitário de compra mensal para
o período do planejamento. O processo descrito pode ser observado na Figura
4.
No modelo, considerou-se a variável prazo de suprimento como
estocástica e, para isso, ajustou-se uma distribuição de probabilidade para
representa-la a partir dos dados reais. Buscou-se informações de datas de
pedidos e chegadas da matéria-prima e a partir disso, ajustou-se uma
distribuição normal utilizando a média e o desvio padrão do tempo de aquisição
de cada matéria-prima obtidos por meio dos dados. Já a cobertura de estoque
foi calculada a partir da divisão do estoque inicial de cada matéria-prima pela
média de vendas do ano simulado. Este procedimento foi crucial, uma vez que
o prazo apresentado pela empresa estudada não refletia a realidade. Somente
após este cálculo foi possível validar o modelo.
Ainda neste macroprocesso, considera-se como restrição o valor
disponível na variável “caixa”. Apenas se houver limite de caixa disponível para
compras, confirma-se as requisições de compras. Apenas as compras
aprovadas, são transferidas para a carteira de compras em que aguardam até
que o prazo de suprimento pré-estabelecido de matéria-prima seja cumprido. As
43
entradas no estoque em valores de custos de aquisição e quantidade ocorrem
simultaneamente no modelo.
4.3.4 Capacidade
Este macroprocesso analisa-se a capacidade de cada centro de trabalho
restrito. O principal dado de entrada é o volume de produto acabado definido no
plano de produção. Tendo por base esta informação, calcula-se o total de horas
trabalhadas, considerando-se a produtividade e o tempo padrão para a produção
de uma unidade de cada família de produto. Dessa forma, tem-se o total de horas
planejada por centro de trabalho restrito e o percentual de alocação da
capacidade para cada produto ou família de produtos (FIGURA 6).
44
Figura 6 - Modelo de Dinâmica de Sistemas para o macroprocesso “Capacidade”
Fonte: DOMINGOS; POLITANO; PEREIRA, 2015a
PercAtend PlanoEstq PercAtend PlanoProdListaMatOP
OPLibMOB
CpRest PorFamilia PercAloc CpRest HoraRestrita Unid HorasTotal Unid
TempoProc
CentroFam
Tempo
IncrementoCapProdutiv idade
HoraRestrita Unid
HorasEf etiv a
HorasAdicionais ReducaoHoras
CapacidadeRestrita
CpUtilizada
AjusteCpRest LimitCaixa
AjusteCpRest LimitCaixa
AjusteCpRest
CpPadrao
CpNec
PercAloc CpRest
TotCpNec PorCpRestCpAdicional
CapacidadeRestrita
HorasAdicTotal RedHorasTotal
CapacidadeTotal
AjusteCpTotalCpTotalNec
txCapacid Aprovada
TotCpPadrao
+
AjusteCpRest LimitCaixaCpNec LimitCaixa
txCapacid Aprov ada
LimiteCaixa Capacid
ValorTotal MOBNec
CpTotalNec
CpTotalPadrao
txRelacaoCpRestrita
CpPadrao
BOM
LimitarCapacid txPercCaixa Capacid
Caixa
CpTotalPadrao
txVlrHoraExtra
VlrHoraMedioMO
Produtividade
CpRest PorFamilia
PlanoProducao
TempoProcTot CentroFam
TotalPlanej CpRest
PercUtil PlanCpRest
CpPadrao
TempoProc
CentroFam
Produção
Capacidade
45
O ajuste de horas é feito por meio da comparação entre as horas
planejadas e as horas de capacidade padrão definida pelo centro restrito.
Quando o ajuste é negativo, significa que a capacidade atual é igual as horas
pré-definidas no modelo. Caso o ajuste seja positivo, será necessário
incrementar horas extras para que o plano de produção seja executado.
Entretanto, algumas restrições deverão ser analisadas como: impacto do custo
adicional de horas extras no fluxo de caixa, o volume de horas extras e o tempo
de atraso para realizar este ajuste.
Os indicadores de desempenho deste macroprocesso são: percentual de
utilização da capacidade restrita dos centros de trabalho e volume de produção.
4.3.5 Custeio por Absorção
De acordo com -Domingos, Politano e Pereira (2015a), neste
macroprocesso os custos são apropriados conforme o custeio por absorção que
é um método aceito e amplamente utilizado pela contabilidade proporcionando
principalmente relatórios destinados ao público externo à empresa. Todos os
custos fixos, variáveis, diretos e indiretos, são apropriados aos produtos.
Fazem parte deste macroprocesso as variáveis do tipo estoque custos
com gastos gerais de produção (WIP GGP), matéria-prima (WIP MP), mão de
obra (WIP MO), ativo imobilizado destinado à produção (Imobilizado Custo),
despesa com imobilizado (Imobilizado Despesa), custo de estoque de matéria-
prima (CustoEstqMP) e custo de estoque de produto acabado (CustoEstqProd).
Cabe ressaltar que as os custos de estoque de produtos acabados e de matéria-
prima são atualizados por meio do custo médio móvel de acordo com as entradas
por aquisição de compras e custos de produção do período (FIGURA 7).
46
Figura 7 - Modelo de Dinâmica de Sistemas para o macroprocesso de “Custeio por Absorção”
Fonte: Adaptado de DOMINGOS; POLITANO; PEREIRA, 2015a
GastosGerais
Producao
TotCustos
IndFabVar
+
CustosInd
FabVar
WIP MP
EntradaR$
MPProcesso
SaidaR$
MPProcesso
ConsumoMP
BaixaMP
ValorTotal
MaoObra
CustoMP
OP
CustoIndHora
WIP GGP
EntGGP
txDepreciacao 2
SaiGGP
Imobilizado
Custo
Depreciacao
Custo
CustoUnit
DiretoVariav el
CustoMedio
MP
WIP MO
EntMO
R$
SaiMO
R$
CustoUnitario
MaoObra
CustoHora
CustoMO
TotalHoras
Utilizadas
Horas
Utilizadas
Rateio
CustoIndiretoCustoUnitario
CustoEstqMP
EntradaR$
MP
CustoEstqProd
SaidaR$
MP
EntradaR$
Produtos
CustoUnit
MedioMov el
SaidaR$
Produtos
CustoUnit
MP
PercTempo
MargContrib
TotFamilia
PercMargem
Contrib
CustoUnit
Variav el
MargContrib
Total
+
PercMarg
ContrTotal
TxProducao
GastosFixo
Producao
txCustoInd
Variav el
ReservaMP
Producao
BOM
TxProducao
Ordens
Producao
CapacidadeTotal
VlrHoraMedioMO txVlrHoraExtra CpTotalPadrao TxProducao
Producao
HorasTotal Unid OPLiberadas TCiclo TCicloProd
HorasTotal Consumida
Horas
Consumida
Fam
HorasTotal Unid
EntregaMPEstoqMat KGReservaMP
ProducaoMatCompra R$
TxProducao
Horas
Consumida
FamHorasTotal Consumida
CustoUnitario
MaoObra
CustoIndHora TxProducao
TotCustos
IndFabVar
+
CustoUnit
DiretoVariavel
Vendas
Horas
Consumida
Fam
MargContrib
Unitaria
CustoUnit
MP
TotalHoras
Utilizadas
EstoqProd
CD
Fixas
PercMarg
ContrTotal
ReceitaBruta
PEC
ReceitaLiquida
Comissões
Receita Bruta
Total
+
Custeio por Absorção (a)
47
O indicador de desempenho utilizado neste processo é o percentual de
margem de contribuição obtido sobre a receita bruta do período, por produto ou
família de produto.
Neste macroprocesso, diferentemente de Domingos, Politano e Pereira
(2015a), calculou-se ainda mais um indicador: ponto de equilíbrio contábil (PEC).
Também conhecido como diagrama custo-volume-lucro, o ponto de equilíbrio
representa o nível em que o volume de vendas cobre os custos. Em outras
palavras, a partir do ponto de equilíbrio a empresa começa a obter lucros e
abaixo representa uma situação de alerta já que a empresa não está
conseguindo cobrir seus custos com as vendas (COSTA et al., 2010). Assim, de
acordo com Crepaldi (2010, p.239) e Dubois, Kulpa e Souza (2009, p.181), “é o
ponto onde os Custos Totais e as Receitas se igualam”.
Este indicador torna-se relevante a medida em que apresenta a relação
custo-volume-lucro integrando os macroprocessos de vendas, custeio e análise
econômica, proporcionando, assim, informação integrada e, consequentemente,
apoio à tomada de decisão.
Segundo Costa et al. (2010), quando a empresa produz um único produto
a análise se torna mais simplificada. Porém, quando existe um mix de produtos
a análise deve considerar todos em um único denominador. Desse modo, têm-
se a variação dos lucros em função do faturamento total (COSTA et al., 2010).
𝑄 =𝐶𝑢𝑠𝑡𝑜𝑠 𝐹𝑖𝑥𝑜𝑠+𝐷𝑒𝑠𝑝𝑒𝑠𝑎𝑠 𝐹𝑖𝑥𝑎𝑠
𝑃𝑟𝑒ç𝑜 𝑑𝑒 𝑣𝑒𝑛𝑑𝑎−𝑐𝑢𝑠𝑡𝑜𝑠 𝑒 𝑑𝑒𝑠𝑝𝑒𝑠𝑎𝑠 𝑣𝑎𝑟𝑖á𝑣𝑒𝑖𝑠
(1)
ou
𝑄 = 𝐶𝐹+𝐷𝐹
𝑀𝑔𝐶 (2)
em que Q refere-se ao ponto de equilíbrio contábil, CF aos custos fixos, DF
despesas fixas e MgC margem de contribuição (DUBOIS; KULPA; SOUZA,
2009, p.193).
No modelo deste macroprocesso foram criadas mais duas variáveis
auxiliares, sendo: “CD Fixo” que representa a soma dos custos fixos e despesas
fixas, e “PEC” que calcula o ponto de equilíbrio contábil conforme equação 2.
48
Embora o modelo considere todos os custos e despesas, algumas variáveis
foram ramificadas para que procedesse o custeio por absorção. Para simplificar,
criou-se a variável “CD Fixo” com o valor determinado e a variável “PEC” que
constituirá um indicador de desempenho juntamente com margem líquida neste
macroprocesso (FIGURA 7a).
4.3.6 Faturamento e análise econômica
O sexto macroprocesso está relacionado com os macroprocessos de
produção, capacidade, vendas e custos. As variáveis de estoque de despesa
com ativo imobilizado, custo com estoque de matéria-prima e custo de estoque
de produção descritas no macroprocesso de custo por absorção estão
interligadas neste processo. Têm-se ainda as variáveis de estoque de
faturamento em processo e contas a receber. A variável faturamento em
processo advém do macroprocesso de vendas por meio de variáveis auxiliares
(FIGURA 8).
49
Figura 8 - Modelo de Dinâmica de Sistemas para o macroprocesso “Faturamento e Análise Econômica”
Fonte: Adaptado de DOMINGOS; POLITANO; PEREIRA, 2015a
Depreciacao
Despesas
Tx SN2017 Tx SN2018
CustoEstqMP CustoEstqProd
Mark up
Vendas
PrecoVendas
ValorEstoque
PrecoVenda
Sugerido
PercVendas
TotVendas
PorFam
Giro
Estoque
TotVendas
+Faturamento
emProcesso
ValorVendas
TempoFat
Faturamento
PerdasInadimplencia
Comissões
ContasReceber
TxInadimplencia
EntradasCaixa
txComissPrazoMedio
Recebimento PgtoJuros
CustoProduto
Vendido
SaidaR$
Produtos
FatAnt
Tx SN2017
LucroBruto
ReceitaLiquida
ReceitaBruta
Imposto
SN2017
PercVendas
LucroLiquido
DespesasGerais
Receita Bruta
Total
+
Margem
LiquidaMargemLiquida
TotalImobilizado
Despesa
Depreciacao
Despesas
Despesa
Administrativ a
TotComissoes
+
Despesas
Comerciais
Despesas
Financeiras
Faturamento
Total
+
txDepreciacao
txMargem
Desejada
txDepAdm
txComiss
txDespComerc
txDespFinan
Mark up
txDespFinan
Rateio
DespesasGerais
ReceitaLiquida
txDespComerc
PercVendas
Receita Bruta
Total
+
ReceitaLiquida
Total
+
Vendas
ReceitaBruta
Amortizacao
RBT12
Tx SN2018 Imposto
SN2018
TxImposto
Vendas2017
ImpostoSobre
Vendas2017
IS
ReceitaLiquida
Operacional
RBT12
ReceitaBruta
Despesas
Operacionais
LucroOperacional
Liquido
EBTIDA
MargemEBTDA
Despesa
AdministrativaDespesas
Comerciais
CustoProduto
Vendido
Depreciacao
Despesas
Depreciacao
Custo
ReceitaLiquida
Operacional
TxImposto
Vendas 2018
ImpostoSobre
Vendas 2018
IS2
TxISFaturamento e Análise Econômica
(a)
(b)
50
No modelo desenvolvido por Domingos, Politano e Pereira (2015a), o tipo
de tributação utilizado na simulação foi o Lucro Presumido, com impostos pré-
fixados e com características determinadas para tipos específicos de empresas
por opção ou por imposição do fisco. Na pesquisa em questão, adaptou-se este
macroprocesso para o sistema tributário do Simples Nacional, cuja empresa é
optante.
Cabe ressaltar, que no Brasil existem três tipos de sistema tributário:
Lucro Real, Lucro Presumido e Simples Nacional. De forma sucinta, empresas
caracterizadas como sociedade de capital aberto, com ganhos ou rendimentos
oriundos do exterior, devem estar inseridas no regime de tributação com base
no Lucro Real. Já o Lucro Presumido, sistema tributário utilizado no modelo de
Domingos, Politano e Pereira (2015a), tem por base de cálculo percentual pré-
fixado de acordo com a atividade da empresa conforme artigo 15 da Lei nº
9.249/95. Por fim, o Simples Nacional se direciona a Empresas de Pequeno
Porte (EPP), com receita bruta anual de até R$3.600.000,00, e que não são
constituídas por ações tampouco como uma instituição financeira. Os principais
benefícios do Simples Nacional são as alíquotas reduzidas e a facilidade de
apuração (SOUZA; OLIVEIRA, 2014;)
O pagamento do imposto Simples Nacional é feito mediante documento
único (Documento de Arrecadação de Receitas Federais- DARF) incluindo os
tributos: Imposto de Renda Pessoa Jurídica (IRPJ), Imposto Produtos
Industrializados (IPI), Contribuição Social Sobre Lucro Líquido (CSLL), Programa
de Integração Social (PIS), Contribuição para Financiamento da Seguridade
Social (COFINS), Contribuição Previdenciária Patronal (CPP), Imposto sobre
Circulação de Mercadorias e Serviços (ICMS) e Instituto Nacional de Seguridade
Social (INSS). Este sistema tributário foi instituído pela Lei nº 9.317 (CHAVES,
2009, p.154).
Ao contrário do Lucro Presumido, as alíquotas não são pré-fixadas. A
base de cálculo da alíquota incidente se refere à soma do faturamento dos doze
últimos meses anteriores, excluindo o mês de competência. À vista disso, as
alíquotas se alteram a medida que o faturamento base se altera entre as faixas
de valores.
Para não sobrecarregar o modelo e não aumentar o tempo de simulação,
utilizaram-se apenas as faixas de valores referentes a receita bruta total em que
51
a empresa em questão estava representada. Assim, diferentemente do modelo
proposto por Domingos, Politano e Pereira (2015a), foram criadas as seguintes
as variáveis no modelo simulado: “RBT12”, “FatAnt”, “TxSN” e “ImpostoSN”.
Para representar o faturamento dos doze últimos meses da empresa,
criou-se uma variável do tipo array chamada “FatAnt” com 12 linhas na qual é
inserida a soma total dos doze últimos faturamentos da empresa, previamente
conhecida, excluindo-se a receita bruta do período simulado. Essa variável é,
portanto, um parâmetro de entrada desse macroprocesso.
Já a variável “RBT12” foi programada para somar o faturamento anterior
(dos últimos doze meses) com as receitas brutas relativas ao período simulado,
excluindo-se o mês de competência. Para tal, utilizou-se a função History para
que fosse realizado o somatório da receita bruta gerada no tempo anterior ao
mês de competência conforme requerido pelo sistema tributário simulado.
Após, criou-se a variável “TxSN” a fim de selecionar, de acordo com o valor
liberado pela variável “RBT12”, a alíquota incidente no período.
Entretanto, cabe ressaltar que a partir do dia 01/01/2018 o simples
nacional passará por mudanças, tais como (BRASIL, 2016):
Seis faixas de alíquotas e não mais 20;
Teto passará a ser de até R$ 4,8 milhões para Empresas de
Pequeno Porte (EPP);
A empresa que se enquadrar na faixa entre R$ 3,6 milhões e R$
4,8 milhões deverá calcular fora da tabela os impostos ICMS e
imposto sobre serviços (ISS);
Para obter a alíquota do período deve-se utilizar a fórmula
(𝑅𝐵𝑇12 𝑥 𝑎𝑙𝑖𝑞)−𝑃𝐷
𝑅𝐵𝑇12 em que aliq é alíquota nominal (disponível na tabela
vigente de acordo com a faixa de faturamento anterior) e PD
parcela a deduzir correspondente. O resultado dessa equação é
dada pela alíquota efetiva a ser aplicada na receita bruta do
período.
Sendo assim, foi necessário programar a incidência do novo sistema
tributário do Simples Nacional a partir de janeiro de 2018. Utilizou-se, então, no
52
final das nomenclaturas o ano do sistema considerado (2017 e 2018) e
desenvolveu-se na variável “IS” uma lógica de programação a fim de decidir a
partir de qual mês passaria a incidir o novo sistema tributário (FIGURA 8a).
Dessa maneira, adaptou-se no modelo simulado a base do Demonstrativo
do Resultado de Exercício (DRE) para a sistema tributário do Simples Nacional
considerando o cálculo da alíquota vigente e da alíquota que deverá incidir a
partir de janeiro de 2018.
4.3.6.1 Considerações
A adaptação do sistema tributário incorreu ainda alterações em outras
variáveis deste macroprocesso, tais como:
Markup: no modelo proposto por Domingos, Politano e Pereira (2015a),
o Markup foi calculado pelo somatório da taxa de comissão, despesas
(administrativa, comercial e financeira), margem de lucro desejada e
impostos sobre vendas. Como no sistema tributário Simples Nacional
computa-se alíquota única que, segundo Dubois, Kulpa e Souza (2009,
p.229), são elementos integrantes da equação custo da produção
vendida, tributos, despesas e margem de lucro almejada, considerou-se
a alíquota única do Simples Nacional (tributos) e não somente o imposto
sobre vendas;
Margem EBTIDA: a margem EBTIDA (Earning Before Interests, Taxes,
Depreciation and Amortization), lucro antes juros, impostos, depreciação
e amortização, foi calculada no modelo proposto retirando-se da receita
bruta os impostos sobre vendas, excluído imposto de renda (IR) e
contribuição social sobre o lucro líquido (CSLL). Para efeito de cálculo,
foram criadas no modelo as variáveis “TxImpostoVendas”,
“ImpostoSobreVendas”,“DespesasOperacionais”,
“ReceitaLiquidaOperacional” e “LucroOperacionalLiquido”. Extraiu-se as
alíquotas de impostos sobre vendas (ICMS, PIS, COFINS e IPI) do
Simples Nacional, deduziu-se esta alíquota da receita bruta,
concebendo-se a receita líquida operacional. Adiante, deduziu-se da
53
receita líquida operacional o Custo de Produto Vendido (CPV) e as
despesas operacionais (despesas administrativa e comercial). Do lucro
operacional líquido (receita líquida operacional – (CPV – despesas
operacionais), calculou-se o EBTIDA somando-se a depreciação, custo
e despesa. Por fim, obteve-se a margem EBTIDA. Cabe ressaltar que
para o cálculo do EBITDA foram consideradas também os dois sistemas
do simples nacional vigente em 2017 e que irá vigorar a partir de janeiro
de 2018 (FIGURA 8b).
4.3.7 Fluxo de caixa
O último macroprocesso descrito, não sendo o menos importante, é o
fluxo de caixa. Não se consegue defini-lo mediante alguns macroprocessos que
são precedentes como base de informações (FIGURA 9). O objetivo desse
macroprocesso é representar as projeções de pagamentos e recebimentos mês
a mês a partir da variável faturamento obtida pelas receitas geradas no plano de
vendas. Os macroprocessos de custos e suprimentos também fornecem
informações de pagamentos a serem realizados pela compra de matéria-prima
e o pagamento de salários, despesas, gastos gerais e impostos. Logo, os saldos
de contas a pagar e a receber são simulados através dos prazos médios de
recebimento e pagamentos das entradas e saídas de caixa. De forma peculiar,
é distinto nesse macroprocesso, os empréstimos adquiridos no período. Desse
modo, o macroprocesso fluxo de caixa é preponderante para o planejamento
financeiro da empresa.
54
Figura 9 - Modelo de Dinâmica de Sistemas para o macroprocesso “Fluxo de Caixa”
Fonte: Adaptado de DOMINGOS; POLITANO; PEREIRA,2015a
SaidasCaixa
Parcelas
Amortizacao
PgtoJuros
Depreciacao
Custo
GastosGerais
Producao
ValorTotal
MaoObra
Gastos
Producao
ContasPagar
Titulos
aPagar
?
SaidasCaixa
CaixaFluxoEntrada
Empréstimo
Bancário
FluxoSaida
Despesas
IS
DespesasGerais
MatCompra R$
ContasPagar
Prazo
Titulos
aPagarPrazo
Div ida
Emprestimo
Empréstimo
Bancário
Amortizacao
Fim
Embolso
InicioEmbolso Montante
Emprestimo
PgtoJuros
txJuros
TomarEmprestimo
Tempo
Amortizacao
Depreciacao
DespesasEntradasCaixa
PrazoMedio
Pagamento
Fluxo de caixa
55
4.4 Dados de simulação para validação do modelo
Para a validação do modelo, utilizaram-se os dados disponibilizados pela
indústria analisada referentes ao período de janeiro de 2016 a dezembro de 2016
disponíveis no Apêndice B.
As informações financeiras para a simulação do período de validação foram
obtidas no mês de abril de 2017. A empresa analisada disponibilizou os balancetes
mensais e o Demonstrativo de Resultado do Exercício (DRE) e as planilhas
eletrônicas referente as informações de produção (estoque de produto acabado,
estoque de matéria-prima e vendas).
4.5 Cenários
Os cenários desenvolvidos para a empresa pesquisada foram divididos em
micro e macro ambiente. No cenário do micro ambiente, levou-se em consideração
somente a perspectiva interna da empresa como a previsão de vendas tendo por base
série temporal, a cobertura de estoque de matéria-prima e plano de estoque de
produto acabado, conforme informações fornecidas pela mesma.
Para o macro ambiente, fundamentou-se no plano duodecenal desenvolvido
pela J.Mendo Consultoria para o Ministério de Minas e Energia e o Banco Mundial
sobre o perfil da cal (2009). O projeto consistiu na projeção do consumo da cal para o
período de 2010 a 2030. Foram considerados três cenários tendo por base a projeção
da economia brasileira para o período supracitado.
O cenário frágil retrata o período de estabilidade e retrocesso, já o cenário
vigoroso pode ser caracterizado por estabilidade e reformas e, por fim, o cenário
inovador sugere estabilidade, reformas e inovação.
O Cenário 1 considera uma possível reversão dos atuais condicionamentos
sócio-políticos e a desestabilização do atual contexto fiscal e monetário.
Consequentemente, o país deverá regredir no processo de estabilização de
sua economia, concomitantemente a retrocessos no plano externo, com
deterioração do atual contexto de integração competitiva à economia
internacional. De acordo com as projeções realizadas, o Cenário 1, prevê o
crescimento do PIB à taxa de 2,3%a.a, no período 2010 a 2030, sendo
alcançada uma renda per capta de US$ 11,9 mil, em 2030.
56
O Cenário 2 pressupõe a manutenção e o aperfeiçoamento das atuais
condições de estabilidade e de aprofundamento das reformas político-
institucionais, especialmente nos campos da gestão pública (reforma
administrativa), fiscal (reforma tributária), e da previdência social (reforma
previdenciária), além das concessões de serviços de infraestrutura
(saneamento, energia, portos e transporte rodoviário, fluvial e marítimo). De
acordo com as projeções realizadas, o Cenário 2 prevê o crescimento do PIB
à taxa de 4,6% a.a., no período 2010 a 2030, sendo alcançada uma renda
per capta de US$ 18,9 mil, em 2030.
O Cenário 3 admite um condicionamento ainda mais virtuoso, no qual – além
do aperfeiçoamento da estabilização e do aprofundamento das reformas
institucionais – o país empreende uma vigorosa mobilização nacional pela
inovação, contando com uma ampla participação de instituições públicas,
entidades não governamentais, empresas e da sociedade como um todo.
Admite-se tal processo de mobilização seja focado em planos e programas
direcionados para uma ampla geração e difusão de informação,
conhecimento e aprendizado, como estímulo a projetos específicos de
pesquisa, desenvolvimento e inovação. De acordo com as projeções
realizadas, o Cenário 3 prevê o crescimento do PIB à taxa de 6,9% a.a., no
período 2010 a 2030, sendo alcançada uma renda per capita de US$ 29,2
mil, em 2030 (J.MENDO CONSULTORIA, 2009,p.31).
A partir desses cenários foram elaboradas pela J. Mendo Consultoria (2009)
estimativas do Produto Interno Bruto (PIB) para o período de 2010 -2015, 2015-2020
e 2020-2030, conforme pode-se visualizar na Tabela 2.
Tabela 2 - Cenários para o futuro da Economia Brasileira Indicadores Econômicos Cenário 1 Cenário 2 Cenário 3
Frágil Vigoroso Inovador
Instabilidade e
Retrocesso
Estabilidade e
Reformas
Estabilidade,
Reformas e
Inovação
PIB – Produto Interno Bruto (%
a.a.)
2,3 4,6 6,9
Período 2010 a 2015
Período 2015 a 2020
Período 2020 a 2030
2,8
2,5 2,0
4,0
4,5 5,0
5,0
6,5 8,0
Fonte: J. Mendo Consultoria, 2009
57
Por conseguinte, a empresa de consultoria J.Mendo ajustou um modelo de
previsões da demanda da Cal de acordo com os cenários traçados. O modelo ajustado
e disponibilizado no plano foi o modelo auto regressivo de defasagem distribuída em
que comportamento futuro do consumo da Cal depende da produção de cal e do PIB,
conforme expressão a seguir:
lnCAL = 0.76949 ∗ lnC + 0.811311 ∗ lnPIB + 0.066831 ∗ lnCal(−1)
(3)
em que lnC é a função logarítmica do consumo da Cal, lnPIB a função logarítmica que
representa os valores estimados para o PIB de cada cenário e lnCal (-1) é a função
logarítmica inversa do modelo para ajuste. A transformação logarítmica tende a tornar
os dados aproximadamente normais, o que em geral melhora a qualidade das
previsões.
Na presente pesquisa, utilizou-se por base os dados históricos de vendas
mensais do período de janeiro de 2013 a março de 2017, com exceção do produto C,
sendo o período de janeiro de 2015 a março de 2017. Ao contrário das projeções
anuais realizadas na literatura consultada, propôs-se a geração de cenários (frágil,
vigoroso e inovador) para o período mensal de abril de 2017 a março de 2018.
Para estimar a projeção futura de consumo da Cal para cada produto da
empresa pesquisada e obter, assim, as previsões de vendas dos três cenários,
utilizou-se o PIB mensal referente ao período analisado. O PIB mensal foi aproximado
dividindo-se o valor do PIB estimado anual por 12. Pode-se observar na Tabela 3 a
estimativa de vendas dos produtos no período para cada cenário.
58
Tabela 3 - Estimativa de vendas por produto para cada cenário Produto A
Cenário Frágil ln(𝑣𝑒𝑛𝑑𝑎𝑠) = 2.9744 ln(𝐶) − 0.9170 ln(0.20833) + 0.7272ln (𝑣𝑒𝑛𝑑𝑎𝑠)(−1)
Cenário Vigoroso ln(𝑣𝑒𝑛𝑑𝑎𝑠) = 2.5771 + 0.5502 ln(0.375) + 0.7272ln (𝑣𝑒𝑛𝑑𝑎𝑠)(−1)
Cenário Inovador (𝑣𝑒𝑛𝑑𝑎𝑠) = 2021.12805 (𝐶) + 0.7864.07972 (0.5467) + 0.78789 (𝑣𝑒𝑛𝑑𝑎𝑠)(−1)
Produto B
Cenário Frágil ln(𝑣𝑒𝑛𝑑𝑎𝑠) = 5.8928 ln(𝐶) − 15.1405 ln(0.20833) + 0.6977ln (𝑣𝑒𝑛𝑑𝑎𝑠)(−1)
Cenário Vigoroso ln(𝑣𝑒𝑛𝑑𝑎𝑠) = −0.6681 ln(𝐶) + 9.0843 ln(0.375) + 06977ln (𝑣𝑒𝑛𝑑𝑎𝑠)(−1)
Cenário Inovador (𝑣𝑒𝑛𝑑𝑎𝑠) = −4800.7015 (𝐶) + 14522.4622 (0.54167) + 0.6734 (𝑣𝑒𝑛𝑑𝑎𝑠)(−1)
Produto C
Cenário Frágil (𝑣𝑒𝑛𝑑𝑎𝑠) = −1761.8662 (𝐶) + 11978.2585 (0.20833) + 0.6597 (𝑣𝑒𝑛𝑑𝑎𝑠)(−1)
Cenário Vigoroso (𝑣𝑒𝑛𝑑𝑎𝑠) = 3428.7124 (𝐶) + 7186.9551 (0.375) + 0.6597 (𝑣𝑒𝑛𝑑𝑎𝑠)(−1)
Cenário Inovador (𝑣𝑒𝑛𝑑𝑎𝑠) = 2031.2489 (𝐶) − 2395.6517 (0.54167) + 0.6597 (𝑣𝑒𝑛𝑑𝑎𝑠)(−1)
Produto D
Cenário Frágil (𝑣𝑒𝑛𝑑𝑎𝑠) = 6108.2194 (𝐶) − 22184.1453 (0.20833) + 0.3245 (𝑣𝑒𝑛𝑑𝑎𝑠)(−1)
Cenário Vigoroso (𝑣𝑒𝑛𝑑𝑎𝑠) = −3504.9103 (𝐶) + 13310.4872 (0.375) + 0.3245 (𝑣𝑒𝑛𝑑𝑎𝑠)(−1)
Cenário Inovador (𝑣𝑒𝑛𝑑𝑎𝑠) = −916.7600 (𝐶) + 4436.8291 (0.54167) + 0.3245 (𝑣𝑒𝑛𝑑𝑎𝑠)(−1)
Produto E
Cenário Frágil (𝑣𝑒𝑛𝑑𝑎𝑠) = 7275.6872 (𝐶) − 27506.1517 (0.20833) + 0.3370 (𝑣𝑒𝑛𝑑𝑎𝑠)(−1)
Cenário Vigoroso (𝑣𝑒𝑛𝑑𝑎𝑠) = −4643.6452 (𝐶) + 16503.6910 (0.375) + 0.3370 (𝑣𝑒𝑛𝑑𝑎𝑠)(−1)
Cenário Inovador (𝑣𝑒𝑛𝑑𝑎𝑠) = −1434.5942 (𝐶) + 5501.2303 (0.54167) + 0.3370 (𝑣𝑒𝑛𝑑𝑎𝑠)(−1)
Fonte: Da autora, 2017
59
A biblioteca dynlm do R que estima modelos auto regressivo com
defasagem distribuída não tem uma função pré-programada para gerar
previsões n passos à frente. Para obtê-las, aplicou-se um loop for à equação
estimada utilizando como valor inicial a última observação das vendas para cada
um dos modelos estimados, conforme representado na expressão abaixo:
𝑑𝑦𝑛𝑙𝑚 (log(𝑣𝑒𝑛𝑑𝑎𝑠) ~𝑃𝐼𝐵 + 𝐿 (𝐿𝑜𝑔(𝑉𝑒𝑛𝑑𝑎𝑠, 1) (4)
Cabe ressaltar que para o produto C, cujas vendas do período de março
a julho de 2016 foram iguais a zero, não foi possível a aplicação de uma função
logarítmica o que, em alguns casos, impediu uma melhor qualidade das
previsões. Em vista disso, as previsões para cada cenário deste produto ficaram
praticamente idênticas. Além do produto C, em alguns outros casos também não
foi possível utilizar logaritmo uma vez que obtinham-se valores para os quais não
existe logaritmo devido ao PIB médio mensal ser próximo de zero. Para esses
casos obtiveram-se as previsões usando apenas o nível das variáveis, sem
utilizar-se logaritmo. Foi possível utilizar o logaritmo somente para as previsões
dos cenários frágil e vigoroso para os produtos A e B.
Além do engendramento dos cenários frágil, vigoroso e inovador para a
previsão de demanda conforme referência encontrada, analisou-se o
comportamento do preço de aquisição da matéria-prima Cal em face das
variações do PIB também por cenário. Para tal, coletou-se informações
históricas do preço da Cal para o período de janeiro de 2013 a março de 2017.
Por conseguinte, construiu-se a série temporal multivariada e obteve-se o
modelo auto regressivo com defasagem distribuída. Os resultados apresentaram
preços mensais iguais para cada cenário (frágil, virtuoso e inovador). Esta ação
tornou-se importante uma vez que a empresa pesquisada enfrenta situações de
oscilações no preço de aquisição no período da entressafra da matéria-prima por
não ter jazida própria e obter a matéria de terceiros. Neste período, os
fornecedores contam com o poder de barganha já que a demanda é grande e a
oferta é pequena, direcionando-se o atendimento as usinas de açúcar. Para o
período estimado, obteve-se a média aritmética destes valores como preço de
matéria-prima deste suprimento.
60
4.4.1 Dados de simulação dos cenários
Para os cenários do micro e macro ambiente foram considerados os três
fatores, que segundo Domingos, Politano e Pereira (2015a), são estratégicos
para o S&OP e comprovadamente por meio de testes estatísticos alteram os
resultados dos indicadores de desempenho analisados: lucro líquido, percentual
de margem líquida, percentual de margem de contribuição, percentual de
utilização da capacidade restrita, percentual de atendimento de plano de vendas
e volume de produção.
Dessa forma, utilizou-se, assim como Domingos, Politano e Pereira
(2015a), a variação dos seguintes três fatores: previsão de vendas, plano de
estoque de produto acabado e cobertura de estoque de matéria-prima. Estes
três fatores foram combinados no cenário do micro ambiente com dois níveis,
formando oito combinações de cenários, conforme pode-se observar na Tabela
4.
Tabela 4 - Cenários gerados para o micro ambiente Fator A = Previsão de Vendas
Fator B = Plano de Estoque de Produto Acabado Bo B1 Fator C = Cobertura do Estoque de Matéria-Prima
Co C1 Co C1 Ao A1
AoBoCo A1BoCo
AoBoC1 A1BoC1
AoB1Co A1B1Co
AoB1C1 A1B1C1
Fonte: Domingos, Politano e Pereira (2015a)
Neste cenário, considerou-se:
Em previsão de vendas dois níveis sendo “Previsão de vendas 0”
e “Previsão de Vendas 1”, gerados no software R® por meio de séries
temporais. O nível Ao – Previsão de Vendas 0, corresponde ao ponto de
previsão (point forescast) e o nível A1 ao limite superior da previsão
(Ho95), conforme Tabelas 19-20;
No plano de estoque de produto acabado foram considerados dois
níveis. O “Plano de estoque 0” representa o nível atual de estocagem da
empresa. Já o nível B1, conforme valores descritos na Tabelas 5-8
corresponde à redução de 20% do estoque de produto acabado;
61
Por fim, o fator cobertura de estoque de matéria-prima foi
caracterizado pelo fator Co e C1. O primeiro fator corresponde a cobertura
de estoque atual da empresa de 5 meses, conforme validação do modelo.
Já o segundo fator (C1) foi representado segundo um nível de 4 meses.
62
Tabela 5 - Previsão de Vendas 0 para o micro ambiente (valores em kg) Previsão Vendas - 0
mai/17 jun/17 jul/17 ago/17 set/17 out/17 nov/17 dez/17 jan/18 fev/18 mar/18 abr/18
Produto A 569194 556294 543394 530494 517595 504695 491795 478895 465996 453096 440196 427296
Produto B 37274 0 0 29485 52880 64592 70456 73392 74862 75597 75966 76150
Produto C 28007 28007 28007 28007 28007 28007 28007 28007 28007 28007 28007 28007
Produto D 26838 26838 26838 26838 26838 26838 26838 26838 26838 26838 26838 26838
Produto E 10666 10666 10666 10666 10666 10666 10666 10666 10666 10666 10666 10666
Fonte: Da autora, 2017
Tabela 6 - Previsão de Vendas 1 para o micro ambiente (valores em kg) Previsão Vendas – 1
mai/17 jun/17 jul/17 ago/17 set/17 out/17 nov/17 dez/17 jan/18 fev/18 mar/18 abr/18
Produto A 751342 751295 750451 748943 746869 744307 741317 737948 734241 730229 725941 721400
Produto B 134557 0 126664 180808 206005 218166 224142 227106 228583 229320 229689 229874
Produto C 102362 133155 156785 176705 194256 210123 224714 238295 251051 263116 274591 285556
Produto D 74251 74251 74251 74251 74251 74251 74251 74251 74251 74251 74251 74251
Produto E 27346 27346 27346 27346 27346 27346 27346 27346 27346 27346 27346 27346
Fonte: Da autora, 2017
63
Tabela 7 - Plano de Estoque 0 para o micro ambiente (valores em kg)
Fonte: Da autora, 2017
Tabela 8 - Plano de Estoque 1 para o micro ambiente (valores em kg)
Fonte: Da autora, 2017
Plano de Estoque – 0
mai/17 jun/17 jul/17 ago/17 set/17 out/17 nov/17 dez/17 jan/18 fev/18 mar/18 abr/18
Produto A 40000 40000 40000 40000 40000 40000 40000 40000 40000 40000 40000 40000
Produto B 20000 20000 20000 20000 20000 20000 20000 20000 20000 20000 20000 20000
Produto C 14000 14000 14000 14000 14000 14000 14000 14000 14000 14000 14000 14000
Produto D 14000 14000 14000 14000 14000 14000 14000 14000 14000 14000 14000 14000
Produto E 2400 2400 2400 2400 2400 2400 2400 2400 2400 2400 2400 2400
Plano de Estoque – 1
mai/17 jun/17 jul/17 ago/17 set/17 out/17 nov/17 dez/17 jan/18 fev/18 mar/18 abr/18
Produto A 32000 32000 32000 32000 32000 32000 32000 32000 32000 32000 32000 32000
Produto B 16000 16000 16000 16000 16000 16000 16000 16000 16000 16000 16000 16000
Produto C 11200 11200 11200 11200 11200 11200 11200 11200 11200 11200 11200 11200
Produto D 11200 11200 11200 11200 11200 11200 11200 11200 11200 11200 11200 11200
Produto E 1920 1920 1920 1920 1920 1920 1920 1920 1920 1920 1920 1920
64
Para o cenário denominado de macro ambiente, obtiveram-se 12 combinações
a partir dos três fatores com três níveis de previsão de vendas e dois níveis de plano
de estoque de produto acabado e cobertura de estoque de matéria-prima. Os valores
dos três níveis de previsão de vendas foram obtidos por meio da auto regressão de
defasagem distribuída em relação ao PIB caracterizado por três cenários: frágil (A1),
vigoroso (A2) e inovador (A3) (TABELA 9).
Tabela 9 - Cenários gerados para o macro ambiente Fator A = Previsão de Vendas
Fator B = Plano de Estoque de Produto Acabado Bo B1 Fator C = Cobertura do Estoque de Matéria-Prima
Co C1 Co C1 A1 A2 A3
A1BoCo A2BoCo A3BoCo
A1BoC1 A2BoC1 A3BoC1
A1B1Co A2B1Co A3B1Co
A1B1C1 A2B1C1 A3B1C1
Fonte: Da autora, 2017
Os demais fatores permaneceram iguais ao cenário do micro ambiente. Cabe
ressaltar que foi alterado neste cenário, o valor médio de aquisição da Cal. Conforme
já elucidado anteriormente, o preço sofre variações ao longo do período impactando
o resultado empresarial. Assim, os valores da matéria-prima também foram
correlacionados com o PIB nos cenários frágil, vigoroso e inovador por meio da auto
regressão de defasagem distribuída.
Como os valores de preço dos três cenários para a aquisição da Cal
permaneceram os mesmos, utilizou-se a média aritmética do valor em quilograma (Kg)
e alterou-se o custo unitário da matéria-prima e do produto acabado. O custo da cal
aumentou 11,55% em relação ao modelo de validação cuja média aritmética era de
R$ 94,80/tonelada e passou a ser considerado de R$ 105,75/tonelada para as
simulações dos cenários do macro ambiente. Já o valor de custo dos produtos pode
ser visualizado na tabela 10. Não foi possível projetar mudanças de preços dos
produtos uma vez que o mercado é muito sensível as alterações e, conforme relato
dos gestores, o mesmo não absorve tornando-se fator de estrutura interna a ser
trabalhada pela empresa para tentar minimizar o impacto do aumento dos custos.
65
Tabela 10 - Impacto no valor de custos dos produtos de acordo com a projeção
de cenários para o preço da cal
Produto Valor de custo da cal para o micro ambiente (por kg)
Valor de custo da cal para o macro ambiente (por Kg)
Percentual de variação
A R$ 0,105 R$ 0,116 10,47% B R$ 0,2 R$ 0,211 5,5% C R$ 0,119 R$ 0,13 9,24% D R$ 0,119 R$ 0,13 9,24% E R$ 0,1938 R$ 0,2048 5,67%
Fonte: Da autora, 2017
Pode-se observar nas Tabelas 11-13 os valores das previsões de vendas
utilizados nas simulações dos cenários do macro ambiente para cada um dos
cinco produtos gerados por meio do software R®.
66
Tabela 11 - Previsão de vendas 1 para o macro ambiente (valores em kg) Previsão Vendas - 1
abr/17 mai/17 jun/17 jul/17 ago/17 set/17 out/17 nov/17 dez/17 jan/18 fev/18 mar/18
Produto A 728480 671240 632440 605660 586880 573600 564140 557340 552460 548940 546380 544540
Produto B 223560 206500 195380 187960 182980 179560 177220 175600 174480 173720 173180 172800
Produto C 79520 67140 58960 53560 50000 47660 46120 45100 44420 43980 43680 43480
Produto D 55720 47820 45240 44420 44140 44060 44020 44020 44020 44020 44020 44020
Produto E 17336 18208 18496 18600 18632 18640 18648 18648 18648 18648 18648 18648
Fonte: Da autora, 2017
Tabela 12 - Previsão de vendas 2 para o macro ambiente (valores em kg) Previsão Vendas – 2
abr/17 mai/17 jun/17 jul/17 ago/17 set/17 out/17 nov/17 dez/17 jan/18 fev/18 mar/18
Produto A 728540 671300 632540 605760 587000 573720 564240 557460 552580 549060 546500 544660
Produto B 223540 206480 195340 187940 182940 179520 177180 175580 174460 173680 173140 172760
Produto C 79520 67140 58960 53560 50020 47660 46120 45100 44420 43980 43680 43500
Produto D 55700 47800 45240 44420 44140 44060 44020 44020 44020 44020 44020 44020
Produto E 17336 18208 18496 18592 18632 18640 18640 18648 18648 18648 18648 18648
Fonte: Da autora, 2017
Tabela 13 - Previsão de vendas 3 para o macro ambiente (valores em kg) Previsão Vendas – 3
abr/17 mai/17 jun/17 jul/17 ago/17 set/17 out/17 nov/17 dez/17 jan/18 fev/18 mar/18
Produto A 767960 730700 701320 678180 659960 645580 634260 625360 618320 612780 608420 605000
Produto B 229980 216180 206900 200640 196420 193580 191680 190380 189520 188940 188540 188280
Produto C 79520 67140 58960 53560 50020 47660 46120 45100 44420 43980 43680 43500
Produto D 55720 47800 45240 44420 44140 44060 44020 44020 44020 44020 44020 44020
Produto E 17336 18208 18496 18592 18632 18640 18640 18648 18648 18648 18648 18648
Fonte: Da autora, 2017
67
5 RESULTADOS E DISCUSSÃO
A quinta seção têm por objetivo descrever a validação do modelo
adaptado de Domingos, Politano e Pereira (2015a) para planejamento de vendas
e operações (S&OP) da empresa pesquisada. Adiante, serão analisados os
cenários nomeados como micro ambiente e macro ambiente.
O modelo adaptado foi implementado e simulado por meio do software
iThink®, um software útil para a criação de modelos complexos e dinâmicos de
dinâmica de sistemas.
5.1 Validação do modelo
Para validar o modelo adaptado à realidade da empresa pesquisada,
primeiramente, coletou-se dados históricos do período de janeiro a dezembro de
2016. A utilização desse período justifica-se pelos registros contábeis
(balancetes e DRE). O método de integração utilizado foi o método de Euler,
uma vez que é o único método dentre os disponíveis (Euler, Runge-Kutta 2ª e 4ª
ordem) no software utilizado, que possibilita a utilização do tempo de ciclo
(Cycle-Time), modo de execução do modelo desenvolvido. Já o passo de tempo
(dt) utilizado foi de 0,125 mês. Este foi o passo de tempo que melhor representou
o sistema simulado no período analisado. Cabe ressaltar que os métodos
numéricos para resolução de equações diferenciais propostos possuem algumas
particularidades, quanto ao erro de truncamento local (ETL), erro de truncamento
propagado e ao erro de truncamento global (CHAPRA; CANALE, 2008). Este
erro é caracterizado pela “diferença entre a aproximação numérica de qualquer
método em determinado ponto e sua solução real, e do tamanho do passo
utilizado na aproximação numérica” (BRUIN apud SILVA, 2013, p. 17).
Posto isto, a variação do passo de tempo torna-se importante. Utiliza-se
métodos de ordens diferentes ou diferentes tamanhos de passo para proceder
ao controle do erro local ou ao erro de arredondamento (SILVA, 2013; CHAPRA;
CANALE, 2008). De acordo com Barbosa (2013), para que se obtenha uma boa
precisão no método de Euler o passo de tempo, muitas vezes, tem que ser
pequeno.
68
Com o propósito de verificar o quão próximo os resultados obtidos por
meio do modelo simulado estavam dos resultados do sistema real, utilizou-se a
medida de erro relativo percentual (ERP). Logo, obteve-se a medida de erro por
meio da seguinte expressão:
𝐸𝑅𝑃 = [𝑋𝑟−𝑋𝑠
𝑋𝑟] 𝑥100% (5)
em que Xr são os valores ou quantidades reais e Xs são os valores ou
quantidades simuladas obtidas por meio do modelo proposto.
Assim como Domingos, Politano e Pereira (2015a), efetuou-se 10
replicações para cada cenário já que algumas variáveis do modelo foram
consideradas como sendo estocásticas e, portanto, foram modeladas por meio
de distribuições de probabilidade. Nessas 10 replicações, o estado inicial do
sistema permaneceu o mesmo alterando somente as sementes dos geradores
de números aleatórios em cada simulação. Os indicadores de desempenho
foram calculados por meio da média dessas 10 replicações.
A começar pelo macroprocesso de produção, quanto ao indicador de
produção total, obteve-se erro relativo percentual anual de 5,91%. A produção
total real do período simulado anual (2016) foi de 7.540.980 kg e a produção total
média anual das 10 replicações simulada foi de 7.748.183,10kg.
Como os dados históricos são informações conhecidas, modelou-se a
variável “PlanoVendas” por meio de uma distribuição normal considerando a
média sendo igual à previsão de vendas (no caso, igual às vendas históricas da
empresa) e o desvio padrão igual à 1% da média. Já que empresa pesquisada
não dispunha de previsão de vendas, mas somente das vendas passadas, não
foi possível analisar o percentual de atendimento de vendas. Na simulação do
cenário de validação, o percentual médio anual foi de 94,09%. Ou seja, as
vendas históricas foram lançadas como previsão de vendas e na simulação
obteve-se um percentual de atendimento de 94,09%.
Embora a empresa conheça a capacidade e o tempo de processamento
do centro restrito, também não foi possível comparar o percentual de utilização
do centro restrito, já que como mencionado anteriormente, a mesma não possui
controle estatístico do processo ou qualquer outra ferramenta de apoio. O
69
percentual médio de utilização da capacidade restrita anual obtida por meio do
modelo foi de 22%.
Em relação aos indicadores de desempenho dos macroprocessos de
custeio e análise econômica e financeira, tornou-se inviável a verificação dos
indicadores margem líquida total e margem de contribuição, posto que a
empresa desconhecia estas informações e ao mesmo tempo, as mesmas foram
geradas mediante custeio por absorção com base em rateio, taxa de produção
e custo unitário médio móvel. Estes fatores, dificultaram o confronto real versus
simulado em virtude da disponibilidade de tempo para tal e a ausência de
ferramentas que possibilitem o cálculo em relação a taxa de produtividade real e
ao formato do custeio por absorção real da empresa.
Em contrapartida, foi possível analisar e validar a modelagem feita para o
novo sistema tributário implementado no macroprocesso de análise econômica
e financeira e alguns outros elementos do Demonstrativo de Resultado do
Exercício (DRE). Para tal, os valores reais foram reajustados de acordo com o
percentual de atendimento ao plano de vendas já que este influencia diretamente
nos resultados econômicos e financeiros.
Pode-se observar no gráfico 1 a variação da receita bruta real e simulada
no período analisado (ano de 2016). Constata-se que as duas curvas
apresentam comportamento e tendência de crescimento similares durante o
período simulado. Entretanto, nota-se um adiantamento da receita bruta predita
por meio do modelo em relação a receita bruta real. Esta diferença pode ser
explicada pela utilização da técnica de suavização exponencial simples para o
cálculo da variável previsão de vendas que afeta as demais variáveis do modelo.
70
Gráfico 1 - Receita bruta do período de janeiro a dezembro de 2016
Fonte: Da autora, 2017
Na Tabela 14, nota-se o erro percentual relativo mensal e anual referente
ao indicador de desempenho receita bruta no período simulado.
Tabela 14 - Comparação entre os valores reais e simulados da receita
bruta da empresa no ano de 2016
Meses Receita Bruta Real Receita Bruta Simulada
ERP
1 R$ 69.523,50 R$ 51.649,11 26%
2 R$ 87.004,50 R$ 93.629,95 8%
3 R$ 105.435,15 R$ 95.063,28 10%
4 R$ 104.165,55 R$ 80.081,50 23%
5 R$ 86.779,95 R$ 110.248,54 27%
6 R$ 125.637,45 R$ 115.512,86 8%
7 R$ 128.301,00 R$ 108.201,48 16%
8 R$ 121.917,75 R$ 97.802,78 20%
9 R$ 107.994,45 R$ 113.352,01 5%
10 R$ 101.314,20 R$ 119.956,07 18%
11 R$ 134.423,25 R$ 124.681,31 7%
12 R$ 135.039,60 R$ 124.565,68 8%
Total R$ 1.307.536,35 R$ 1.234.744,56 5,57%
Fonte: Da autora, 2017
R$-
R$20.000,00
R$40.000,00
R$60.000,00
R$80.000,00
R$100.000,00
R$120.000,00
R$140.000,00
R$160.000,00
1 2 3 4 5 6 7 8 9 10 11 12
Re
ce
ita
Bru
ta (
R$
)
Tempo (mês)
Simulado Real
71
De acordo com a Tabela 28, para o indicador receita bruta, observa-se
que o maior erro relativo percentual mensal foi de 27% no mês de maio de 2016
e o menor erro percentual mensal foi de 5% no mês de setembro de 2016. O erro
relativo percentual anual foi de 5,57%.
Outro elemento da DRE analisado foi a receita líquida que corresponde a
receita bruta (vendas) deduzida dos impostos (simples nacional). Nota-se na
Tabela 15 a comparação entre os valores reais e simulados da receita líquida da
empresa no ano de 2016.
Tabela 15 - Comparação entre os valores reais e simulados da receita
líquida da empresa no ano de 2016
Meses Receita Líquida Real Receita Líquida Simulada
ERP
1 R$ 63.363,72 R$ 47.114,32 26%
2 R$ 79.295,63 R$ 85.409,24 8%
3 R$ 96.093,60 R$ 86.716,73 10%
4 R$ 94.936,48 R$ 73.050,35 23%
5 R$ 79.091,25 R$ 100.568,71 27%
6 R$ 114.505,97 R$ 105.333,87 8%
7 R$ 116.933,53 R$ 98.614,83 16%
8 R$ 111.115,84 R$ 89.137,46 20%
9 R$ 98.426,14 R$ 103.309,02 5%
10 R$ 92.337,76 R$ 109.327,96 18%
11 R$ 122.513,35 R$ 113.634,55 7%
12 R$ 122.953,56 R$ 113.529,16 8%
Total R$ 1.191.566,83 R$ 1.125.746,19 5,52% Fonte: Da autora, 2017
Como pode-se observar na Tabela 15, o maior erro percentual relativo
mensal foi de 27% no mês maio de 2016 e o menor erro percentual relativo médio
mensal foi de 5% no mês de setembro de 2016. O erro relativo percentual anual
foi de 5,52%.
Por fim, o lucro líquido foi auferido pela subtração do lucro bruto pelas
despesas gerais (despesas administrativas, despesas comerciais, despesas
financeiras, comissões e despesa de depreciação). De acordo com o Gráfico 2
pode-se constatar que os valores simulados foram mais estáveis no período que
o valores de lucro líquido real da empresa. Percebe-se pelo exposto no Gráfico
2 que em janeiro de 2016 o valor simulado do prejuízo líquido do mês foi maior
72
do o valor real. Por outro lado, em outubro de 2016 o lucro líquido real foi maior
do que o lucro líquido simulado.
Gráfico 2 - Lucro líquido do período de janeiro a dezembro de 2016
Fonte: Da autora, 2017
5.2 Análise dos resultados dos cenários
5.2.1 Análise dos resultados dos cenários do micro ambiente
O micro ambiente é caracterizado pela perspectiva interna (estrutura,
pessoas e processos) da empresa. Ou seja, pela estrutura atual, volume de
vendas, estoque atual, dentre outras variáveis, sem, no entanto, se submeter ao
impacto de variáveis externas (políticas públicas, economia, comércio exterior,
dentre outras).
Conforme item 4.4.1 da metodologia, foram gerados 8 cenários para o
micro ambiente. Pode-se observar na Tabela 16 os resultados dos indicadores
de desempenho obtidos por meio da simulação de cada um dos cenários.
R$(60.000,00)
R$(50.000,00)
R$(40.000,00)
R$(30.000,00)
R$(20.000,00)
R$(10.000,00)
R$-
R$10.000,00
R$20.000,00
R$30.000,00
R$40.000,00
R$50.000,00
1 2 3 4 5 6 7 8 9 10 11 12
Lu
cro
Líq
uid
o (
R$
)
Tempo (mês)
Simulado Real
73
Tabela 16 - Resultados dos indicadores de desempenho obtidos nas simulações dos cenários do micro
ambiente
Indicadores de desempenho
Lucro Líquido
Total (R$)
% Margem Líquida
% Margem de
Contribuição
%Utilização Capacidade
Restrita
%Atend. Plano
Vendas Produção Total PEC (R$)
Nome das variáveis no modelo de DS
LucroLíquido_Total
PercMargemContrib
MargemLiquida_
Total
PercUtil_PlanCpRest[6]
PercAtend_Plano Vendas
Produção_Total
PEC
AoBoCo 148.983,47 15,64 39,64 16,65 97,27 7.123.259,67 89.939,10
AoBoC1 150.380,12 15,78 39,76 16,65 97,29 7.117.449,21 89.430,25
AoB1Co 149.616,36 15,87 39,68 16,49 96,08 7.026.898,92 89.148,42
AoB1C1 151.759,58 16,11 39,87 16,49 95,91 7.023.761,22 88.437,22
A1BoCo 445.061,51 21,04 39,31 41,01 93,95 14.013.600,20 79.099,01
A1BoC1 440.597,33 20,98 39,30 41,10 93,29 13.901.822,37 79.284,57
A1B1Co 442.286,43 21,12 39,37 40,51 93,13 13.868.516,61 78.801,85
A1B1C1 434.685,42 21,17 39,47 40,62 91,36 13.597.250,96 78.719,50 Fonte: Da autora, 2017
74
Pode-se constatar pelos resultados acima que ao se considerar o ponto médio
das previsões de vendas geradas no software R®, cenários AoBoCo, AoBoC1, AoB1Co
e AoB1C1, a produção total simulada ficou em torno de 6% abaixo da produção total
real do ano anterior (2016) que foi de 7.540.980 kg. Mantendo os níveis atuais dos
dados de entrada do modelo de validação, à exceção da atualização dos valores de
custos e preços para o ano de 2017, e valores da previsão de vendas, no cenário
AoBoCo o percentual de atendimento do plano de vendas foi melhor que o do modelo
de validação, sendo de 97,29%.
Por outro lado, cabe ressaltar que em todos os cenários simulados o ponto de
equilíbrio contábil se elevou. No período do modelo de validação, o ponto de equilíbrio
médio mensal foi de R$ 55.818,30. Já no período de maio/2017 a abril/2018, o ponto
de equilíbrio médio foi de R$ 89.939,10 para o primeiro cenário AoBoCo, por exemplo.
Este aumento de 61,12% no PEC pode ser caracterizado, principalmente, pelo ajuste
dos custos de matéria-prima sem o repasse desse aumento no preço de venda dos
produtos.
Outro ponto importante a se destacar, refere-se à cobertura de estoque de
produto acabado (fator C). De acordo com informações fornecidas pela empresa, seria
necessário investir cerca de R$ 40.000 na ampliação da sua área de estocagem, já
que não se pode armazenar os produtos a céu aberto devido aos mesmos serem
sensíveis as intempéries da natureza.
Nas simulações, constatou-se que mantendo o nível de estoque atual de
produtos acabados (Co) ou reduzindo-o em 20% (C1), a empresa conseguirá atender
na média de 95% do seu plano de vendas nos quatro primeiros cenários simulados.
Dessa forma, ainda não é necessário investir na ampliação já que com um PCP
(planejamento e controle da produção) adequado a mesma conseguirá atender seus
consumidores.
Em relação aos indicadores financeiros (lucro líquido, percentual de margem
líquida e, os cenários A1BoCo, A1BoC1, A1B1Co, A1B1C1, em que se considerou o limite
superior da previsão de vendas, apresentaram resultados mais favoráveis em relação
aos demais cenários, conforme esperado. Como estes indicadores são considerados
cruciais para as empresas, estes cenários podem ser considerados cenários alvo para
que a empresa obtenha bons resultados conforme destaca Domingos, Politano e
Pereira (2015a).
75
Por outro lado, considerando o percentual de atendimento ao plano de vendas,
observa-se que os cenários caracterizados pela previsão de vendas A1,, mesmo
produzindo uma quantidade maior que os cenários com previsão de vendas Ao, nota-
se uma redução do valor deste indicador ficando em torno de 93%. Este fato pode ser
caracterizado pela ausência de dinheiro em caixa para a compra de matéria-prima ou
ainda a escassez da mesma.
Por fim, nota-se que conforme se reduz a cobertura de estoque de matéria
prima e o plano de estoque de produto acabado em 20%, o PEC consequentemente,
diminui (cenários B1C1). Quanto ao percentual de utilização do centro de capacidade
restrita, constata-se que este centro está superdimensionado já que mesmo nos
cenários com maior previsão de vendas (A1) utilizou-se no máximo 41,1% de sua
capacidade total disponível.
Embora o sistema tributário não tenha sido fator de análise direta no modelo de
Domingos, Politano e Pereira (2015a), destaca-se que, durante as simulações dos
cenários neste trabalho, observou-se o comportamento da receita bruta dos últimos
12 meses. Como esperado, o aumento no plano de vendas ocasionou aumento da
alíquota base do simples nacional. Assim, nos cenários que utilizaram o plano de
vendas 1 (A1), referente ao limite superior da previsão de vendas gerada pelo software
R®, a receita bruta anual para os meses de março e abril de 2018 chegou a atingir um
valor superior a R$ 4 milhões. Isto significa que, para esses meses, a receita bruta da
empresa estaria acima do valor de 3,6 milhões que é o limite permitido para o uso do
sistema tributário simples nacional no ano de 2017 (BRASIL, 2016).
Contudo, este fato ainda não impõe a mudança do sistema tributário da
empresa dado que, no ano de 2018, irá vigorar o novo teto e base de cálculo os quais
já foram considerados no modelo conforme descrito na metodologia.
Entretanto, este fato chama a atenção para que a empresa comece a realizar
um planejamento tributário para o próximo ano, posto que, sua permanência no
Simples Nacional pode não ser mais adequada ou até mesmo impossibilitada pela
extrapolação do limite imposto na lei, mesmo considerando o novo teto e base de
cálculo, caso sua receita bruta aumente.
76
5.2.2 Análise dos resultados dos cenários do macro ambiente
Os cenários descritos no macro ambiente representam a conjugação dos
fatores internos da empresa (estrutura, pessoas e processos) com as variáveis de
influência externa (economia e governo). O cenário político-econômico do país sugere
maior atenção das empresas aqui instaladas já que o período de estagnação e crise
do país, advindo pós copa do mundo em 2014, se tornou ainda mais acirrado com o
impeachment da presidente, escândalos de corrupção, dentre outros fatores.
O cenário passa por reestruturações trabalhistas (PERRIN, 2017),
previdenciárias (MARCELLO, 2017) e aumento sucessivo de impostos, como o de
PIS/Cofins sobre combustível para coibir o desequilíbrio orçamentário e o déficit
público (SAFATLE; GRANER; SIMÃO, 2017). Estas ações ocasionam efeito em
cadeia, principalmente nas empresas o que aumenta as incertezas e a necessidade
constante do planejamento.
Desse modo, a análise do macro ambiente vem de encontro a essas questões
visto que considera períodos de reestruturação, inovação ou estabilização para o setor
específico da empresa pesquisada. Por outro lado, não se consegue afirmar com
severidade que estes resultados serão ideais. As mudanças contínuas e bruscas no
atual cenário político-econômico do país têm exigido das empresas mais do que
planejamento e, muitas vezes, tem sido necessário um rápido replanejamento.
O objetivo é fornecer um norte para a empresa analisada e dar uma base
quantitativa para auxiliar sua tomada de decisão, além de identificar alguns fatores
que podem influenciar fortemente em seus resultados. Observa-se na Tabela 17 os
resultados obtidos por meio das simulações dos 12 cenários gerados a partir das
variações das previsões de vendas (cenários frágil, vigoroso e inovador), cobertura de
estoque de matéria-prima e de estoque de produto acabado (atual e reduzida).
77
Tabela 17 - Resultados dos indicadores de desempenho obtidos nas simulações dos cenários do
macro ambiente
Indicadores de desempenho
Lucro Líquido Total (R$)
% Margem Líquida
%Margem de Contribuição
%Utilização Capacidade Restrita
%Atend. Plano Vendas
Produção Total PEC (R$)
Nome das variáveis no modelo de DS
Lucro Líquido_Total
PercMargemContrib
MargemLiquida_Total
PercUtil_PlanCpRest [6]
PercAtend_Plano Vendas
Produção_Total PEC
A1BoCo 256.910,15 17,25 39,12 28,52 96,47 10.151.793,10 90.524,94
A1BoC1 255.378,97 17,19 39,09 28,50 96,31 10.131.514,09 90.740,19
A1B1Co 244.129,10 16,71 39,16 28,11 95,20 10.031.904,71 90.116,75
A1B1C1 254.004,94 17,31 39,09 28,14 94,99 10.002.033,62 90.567,34
A2BoC0 256.035,64 17,18 39,04 28,52 96,49 10.165.870,61 90.767,70
A2BoC1 256.996,60 17,23 39,09 28,52 96,56 10.143.253,56 90.747,18
A2B1Co 252.663,98 17,20 39,10 28,10 95,29 10.010.118,64 90.363,18
A2B1C1 252.855,94 17,23 39,11 28,12 95,16 10.002.441,46 90.561,12
A3BoCo 271.439,54 16,92 39,17 30,63 95,78 10.981.394,22 91.758,93
A3BoC1 275.094,00 17,14 39,32 30,66 95,64 10.956.664,93 91.307,29
A3B1Co 271.276,27 17,10 39,26 30,20 94,58 10.840.397,84 91.482,73
A3B1C1 270.146,54 17,05 39,23 30,22 94,46 10.831.137,40 91.648,23
Fonte: Da autora, 2017
78
Pode-se notar pouca sensibilidade em relação aos cenários com as mudanças
dos três fatores (previsão de vendas, cobertura de estoque de matéria-prima e plano
de estoque de produto acabado) com os dois níveis (atual e reduzido). Entretanto, em
uma análise comparativa entre o primeiro cenário A1BoCo do macro ambiente, no qual
foi alterado somente os dados de entrada de previsão de vendas (cenário frágil) e o
cenário do micro ambiente AoBoCo, o lucro líquido do cenário do macro ambiente teve
um aumento de 72,44%, sendo igual a R$ 148.983,47 (cenário AoBoCo – micro
ambiente) e R$ 256.910,15 (cenário A1BoCo -macro ambiente).
Embora os cenários acima representados indicam aumento na produção total
em relação aos cenários Ao do micro ambiente e em relação ao cenário de validação
e, consequentemente, aumento dos indicadores de desempenho financeiros, cabe
ressaltar que se torna necessário cautela. A fim de ampliar o horizonte de análise,
buscou-se informações de diferentes fontes e especialistas sobre o atual cenário
econômico-político do país assim como as projeções de crescimento.
A começar pelos principais representantes de instituições financeiras do país,
o presidente do Itaú BBA e também responsável pelas operações do Itaú Unibanco
Eduardo Vassimon, acredita que não haverá mudanças radicais para o ano de 2018.
“Ainda temos incertezas sobre ambiente fiscal, que é a principal questão hoje. Fatos
recentes mostram que não há clima (político) para se elevar impostos, por exemplo”
(SCARAMUZZO, 2017).
Para o vice-presidente do Bradesco existem perspectivas ainda que ínfimas.
O País carrega um déficit público colossal, ainda com pouca margem de manobra para fazer uma mudança radical. Considerando os principais indicadores econômicos, vemos um PIB para este ano perto de zero. Para 2018, a previsão é crescer até 2%. Com a taxa de juros no atual patamar e perspectivas de redução no ano que vem, há deslocamento de ativos. Isso naturalmente aquece a economia. Mas, mesmo com a queda da taxa de desemprego, a atividade de consumo ainda está baixa. Minha visão é que há um certo otimismo e uma sensação de que a situação macroeconômica vai melhorar. Se concretizada, vai gerar investimento. Mas isso vai depender da agenda de reformas. Há sinalização boa do mercado de capitais com a Bolsa em alta, a volta dos IPOs (abertura de capital). Já começamos a ver aumento de transações de renda fixa ante o primeiro semestre de 2016. Mas isso não quer dizer que o Brasil resolveu os problemas estruturais. Os investidores globais ainda não voltaram. Começamos a ver a volta de investidores de países emergentes porque há muita liquidez lá fora e eles buscam maior risco. O mercado de crédito, contudo, ainda anda de lado (SCARAMUZZO, 2017).
79
As perspectivas são unânimes em considerar a pausa na retomada da
economia com a delação executiva dos irmãos Batista, donos da JBS. Fato
comprovado na entrevista de Hans Lin, gestor do Bank of America.
O pior da crise já passou, mas ficaram algumas incertezas. Após o
impeachment (de Dilma Rousseff), o mercado voltou a ver que o País poderia
andar de novo. Os anos de 2015 e 2016 foram parados. Nos primeiros meses
do ano, vimos uma recuperação. Até maio, tínhamos um cenário com todo
mundo muito otimista, com os indicadores econômicos melhorando. Parecia
aquele Brasil de 2007. Não vou fazer nenhum julgamento político, mas o fato
é que, após a delação, criou-se uma instabilidade no Brasil. Mesmo após
esse episódio, tivemos importantes movimentos no mercado de capitais.
Antes de maio, contudo, havia uma expectativa de reforma da Previdência.
Agora, é de que poderá até ter essa reforma, só que mais conservadora.
Mesmo com essa instabilidade, há previsão de novas operações no mercado
de capitais. Acho que tem um otimismo cauteloso. Aqui no Brasil é um dia de
cada vez. Há empresas sólidas e fortes, mas os bancos não estão dando
crédito para empresas médias, que ainda têm estrutura de capital frágil. Vejo
investidores estratégicos olhando ativos para fazer consolidação e os
financeiros em busca de boas oportunidades (SCARAMUZZO, 2017).
De acordo com Júlio Mereb, pesquisador do Instituto Brasileiro de Economia,
da Fundação Getúlio Vargas ouvido pela Reuters (2017), o Produto Interno Bruto (PIB)
irá crescer 1,8% em 2018, abaixo da estimativa de 2,5% (GERBELLI, 2017). Segundo
o Instituto Brasileiro de Economia (IBRE), para 2018, a indústria deverá crescer 2,4%,
quatro por cento abaixo das previsões. Já para o economista chefe do banco Itaú
Unibanco, Mário Mesquita, o PIB deverá crescer 0,3% em 2017 e 2,7% em 2018
(SCARAMUZZO, 2017).
Desse modo, de acordo com as previsões e perspectivas dos especialistas
pode-se concluir que embora exista a expectativa da efetivação das reformas
supracitadas e pela retomada da economia com crescimento do PIB na casa de 2% a
2,5% no ano de 2018, conclui-se que o cenário mais propício representado no
contexto do macro ambiente é o cenário frágil ainda que exista perspectivas de
reformas (cenário vigoroso). Desse modo, o cenário A1B1C1, caracterizado pela
previsão de vendas do cenário frágil e a redução de cobertura de estoque de matéria-
prima e plano de estoque de produto acabado, no atual momento representa o
caminho em que a empresa deve se nortear já que dentre os cenários frágil (A1)
simulados este foi o que apresentou melhores resultados para os indicadores
financeiros.
80
Portanto, ainda que nos cenários do macro ambiente os indicadores de
desempenho tenham sido melhores em relação aos indicadores do cenário de
validação e cenários do micro ambiente (Ao), sugere-se ter cautela nas tomadas de
decisões e fazer novas simulações constantemente considerando as novas previsões
do mercado diante das incertezas do cenário político-econômico do país.
81
6 CONCLUSÃO E RECOMENDAÇÕES
O presente estudo teve como objetivo analisar o planejamento de vendas e
operações (S&OP) de uma empresa de pequeno porte do setor da construção civil
por meio da técnica de dinâmica de sistemas. Destarte, foram gerados 20 cenários
sendo 8 intitulados de micro ambiente e 12 de macro ambiente. Os cenários gerados
foram simulados mediante a variação de três fatores, sendo: previsão de vendas,
cobertura de estoque de matéria-prima e cobertura de estoque de produto acabado.
A partir dos resultados obtidos pelas simulações pode-se concluir que:
1. A metodologia de dinâmica de sistemas para planejamento de vendas e
operações integrado à gestão financeira é eficaz para identificar as variáveis
que impactam o negócio e, consequentemente, apoiar a tomada de decisão.
Neste modelo, constatou-se que a previsão de vendas é uma das variáveis que
mais impacta o sistema. Como elucidado, a empresa pesquisada não obtinha
nenhuma ferramenta tampouco utilizava metodologias de controle e análise. A
partir da aplicação do modelo, conseguiu-se obter informações cruciais para o
desempenho da mesma, tais como: nível de estoque de produto acabado,
impacto das alterações nas previsões de vendas, nos custos de matéria-prima
e planejamento tributário;
2. Além do modelo proposto e simulado auxiliar no equilíbrio entre a oferta e a
demanda, levando em consideração as restrições do sistema produtivo
proporcionando ainda resultados financeiros satisfatórios, foi possível gerar
diferentes cenários proporcionando informações para a tomada de decisão do
nível estratégico ao operacional. Dentre estes cenários, foi possível ainda
analisar os impactos das variáveis da estrutura interna da empresa (micro
ambiente) e a influência das variáveis externas (macro ambiente) no sistema;
3. Ao contrário da premissa inicial dos gestores em investir cerca de R$ 40 mil
reais na ampliação da área de estocagem de produto acabado, como sugere a
Confederação Nacional das Indústrias (CNI) em seu estudo, a mesma não
precisará imobilizar capital em estrutura e estoque uma vez que foi possível
visualizar por meio das simulações atendimento satisfatório do plano de vendas
mantendo o nível atual de estoque ou ainda reduzindo o mesmo em 20% o que
implica em possível redução de custos para a empresa;
82
4. Outra questão importante a ser destacada se refere ao planejamento tributário.
Como descrito, a partir de 01/01/2018 a reforma tributária entrará em vigor
alterando alíquotas e base de cálculo. Torna-se importante a empresa se
planejar para os possíveis impactos dessa reestruturação e até mesmo, em
caso imperativo, sua mudança de sistema tributário pela extrapolação do limite
superior já que este fato foi constatado nas simulações;
5. Conquanto os resultados das simulações dos cenários do macro ambiente e
micro ambiente (A1) apontem perspectivas de crescimento, deve-se ter cautela.
O ambiente de incerteza em torno do cenário político e as possíveis reformas
em trâmites sugerem maior atenção dos gestores, mesmo o país enfrentando
período de retração e com perspectivas de reestruturação e avanço. Dessa
maneira, sugere-se realizar novas simulações constantemente considerando
as novas previsões do mercado diante das incertezas do cenário político-
econômico do país.
Como trabalhos futuros, sugere-se:
1. Introduzir macroprocessos como Marketing e Distribuição no modelo. Estes
dois macroprocessos são importantes já que o marketing consegue identificar
as necessidades e desejos do mercado e possibilitar a readequação ou
reposicionamento do produto no mesmo. Durante a pesquisa não foi possível
justificar as variações do comportamento de vendas dos dados históricos dos
produtos C, D e E. O produto C obteve vendas iguais a zero por meses
consecutivos. O macroprocesso de marketing auxiliaria nessa tomada de
decisão como apoio aos macroprocessos de previsão de vendas e produção
mediante pesquisas quantitativas. Já o macroprocesso de distribuição também
poderá contribuir com as decisões da empresa uma vez que a mesma atua em
89 cidades de vários estados brasileiros.
2. Adaptar o modelo para produção sob encomenda (make-to-order- MTO), já que
a empresa começou a vender seus produtos também em bag sob encomenda.
3. Realizar modelagem acoplando diferentes técnicas de simulação tais como a
técnica de dinâmica de sistemas acoplada à técnica de simulação de eventos
discretos a fim de melhor compreender o sistema não apenas de maneira
83
estratégica e tática, mas também de maneira operacional. Assim, será possível
identificar e agir diretamente nos gargalos do processo produtivo da empresa
pesquisada uma vez que, conforme os resultados da pesquisa, sua estrutura
produtiva está subutilizada.
Por fim, conclui-se que a técnica de dinâmica de sistemas mostrou-se importante
para o planejamento de vendas e operações (S&OP) integrado à gestão financeira da
empresa pesquisada. Mesmo a empresa contando com um diminuto planejamento,
foi possível mediante o auxílio de outras ferramentas como software R®, identificar os
principais fatores que influenciam os indicadores de desempenho da empresa e
proporcionar um planejamento de curto prazo e a partir disso iniciar o planejamento
de médio e longo prazo.
84
REFERÊNCIAS
AKPINAR, Mustafa; YUMUSAK, Nejat. Year Ahead Demand Forecast of City Natural Gas Using Seasonal Time Series Methods. Journal Energies, Suiça, 2016. Disponível em:<http://www.mdpi.com>. Acesso em: 30 de 2017.
ATKINSON, William. Supply Chain Management Review. [online] Sep2009, Vol. 13 Issue 6, p50-53. 4p.. Disponível em: <http://web.b.ebscohost.com>. Acesso em: 16 de janeiro de 2017.
BARBOSA, F. Maciel. Estabilidade de sistemas elétricos de Energia. Dissertação (Mestrado) - Faculdade de Engenharia, Universidade do Porto (FEUP), Porto, 2013. Disponível em: <https://paginas.fe.up.pt> . Acesso em: 13 de agosto de 2017.
BRAESE, Niklas. The dynamics of supply chains in the automotive industry. Massachusetts Institute of Technology. 2005. Disponível em:< https://dspace.mit.edu>. Acesso em: 20 de julho de 2016. BRASIL. Lei nº 155, de 27 de outubro de 2016. Altera a Lei Complementar nº 123, de 14 de dezembro de 2006, para reorganizar e simplificar a metodologia de apuração do imposto devido por optantes pelo Simples Nacional altera as Leis nos 9.613, de 3 de março de 1998, 12.512, de 14 de outubro de 2011, e 7.998, de 11 de janeiro de 1990; e revoga dispositivo da Lei no 8.212, de 24 de julho de 1991. Brasília: Casa Civil, 2016. Disponível em: <http://www.planalto.gov.br/ccivil_03/leis/LCP/Lcp155.htm> . Acesso em: 14 de agosto de 2017.
BRASIL. Portal Brasil. Especialistas projetam 2018 com crescimento forte e inflação controlada, 2017. Disponível em: <http://www.brasil.gov.br/economia-e-emprego/2017/02/especialistas-projetam-2018-com-crescimento-forte-e-inflacao-controlada>. Acesso em 14 de agosto de 2017.
CHAPRA, Steven C; CANALE, Raymond P. Métodos numéricos para engenharia. São Paulo: McGraw-Hill, 2008.
CHAVES, Francisco Coutinho. Planejamento Tributário na Prática: gestão tributária aplicada. São Paulo: Atlas, 2008.
COSTA, R.P.; FERREIRA, H.A.S. JÚNIOR, A.F.S. Preços, Orcamentos e Custos Industriais: Fundamentos da gestão de custos e de preços industriais. Rio de Janeiro: Elsevier, 2010.
CREPALDI, S.A. Curso de Contabilidade de Custos. 5ª edição. São Paulo: Atlas, 2010.
CRUM, Collen C.; PALMATIER, George. A Transitioning from Sales & Operations Planning to Integrated Business Planning. Oliver Wight Whitepaper Series. [online]. 2010. Disponível em:<http://georgepalmatier.com/white-papers/transition-sop-ibp-palmatier.pdf>. Acesso em: 20 de julho de 2016. DOMINGOS, Jean Carlos; POLITANO, Paulo Rogério; PEREIRA, Néocles Alves. Modelo de dinâmica de sistemas para processo de S&OP ampliado. Gestão da
85
Produção, São Carlos,vol. 22, n.4, p.755-788, 2015. Disponível em:< http://www.scielo.br>. Acesso em: 10 de junho de 2016. DOMINGOS, Jean Carlos; POLITANO, Paulo Rogério; PEREIRA, Néocles Alves. Uma revisão sobre o uso de dinâmica de sistemas em planejamento de vendas e operações. In: XXII SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO. Bauru, SP: SIMPEP, 2015. Disponível em: < https://www.researchgate.net>.Acesso em: 03 de novembro de 2016.
DUBOIS, Alexy; KULPA, Luciana; SOUZA, Luiza Eurico de. Gestão de custos e Formação de Preços: conceitos, modelos e instrumentos. São Paulo: Atlas, 2009.
EYNG, Ivanilde Scussiatto. O impacto das “cinco disciplinas” de Peter Senge na competitividade da empresa: o caso de uma rede de lojas do setor comercial. Universidade Tecnológica Federal do Paraná. Ponta Grossa, 2006. Disponível em:< http://www.pg.utfpr.edu.br/dirppg/ppgep/dissertacoes/arquivos/23/Dissertacao.pdf>. Acesso em: 22 de julho de 2016. FACULDADE IETEC. Biblioteca. Manual para normalização de dissertações. 3. ed. Belo Horizonte: Ietec, 2017. 63 p. FERNANDES, Amarildo da Cruz. Dinâmica de sistemas e Business Dynamics: tratando a complexidade no ambiente de negócios. Universidade Federal do Rio de Janeiro, RJ, 2016. Disponível em: <http://www.academia.edu>. Acesso em: 23 de
janeiro de 2017.
FERREIRA, Magna de Jesus da Silva. Simples Nacional e NFC-e: Atualizações e Alterações 2016/2017/2018 com abordagem (LC 155) [apostila], 2016. Disponível em: <http://crcgo.org.br/novo/wp-content/uploads/2017/01/Apostila-Simples-Nacional-e-NFC-e-alterada-LC-155-2016-Reparado.pdf> .Acesso em 14 de agosto de 2017.
GERBELLI, Luiz Guilherme. Crise política afetará economia em 2018, dizem especialistas. Revista Exame, São Paulo, 12.jul.2017. Disponível em: <http://exame.abril.com.br/economia/crise-politica-afetara-economia-em-2018-dizem-analistas/> . Acesso em: 14 de agosto de 2017.
GROTHE, Stephanie. How They Did it: Red Wing Shoes Journey to S&OP. Supply Chain Management Review. [online]. May/Jun2014, Vol. 18 Issue 3, p10-17. 8p. Disponível em: <http://web.a.ebscohost.com>. Acesso em: 25 de outubro de 2016.
GUIMARÃES, Alexandre Magro Castañon. Empresas de Gestão Conservadora: potencial da previsão de demanda e simulação computacional. Dissertação (Mestrado) – Pontifícia Universidade Católica do Rio de Janeiro, Rio de Janeiro, 2008. Disponível em:<https://www.maxwell.vrac.puc-rio.br>. Acesso em: 05 de junho de 2017.
INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Indicadores IBGE. [online]. 2016. Disponível em: Acesso em: <www.ibge.gov.br/home/estatistica/pesquisas/indicadores_2017.php>. 14 de agosto de 2017.
INSTITUTO DE LOGÍSTICA E SPPLY CHAIN. Planejamento da Demanda e S&OP nas empresas no Brasil. [online]. 2010. Disponível em:
86
<http://www.ilos.com.br/web/analise-do-processo-de-planejamento-da-demanda-e-sop-em-empresas-brasileiras-parte-2/ >. Acesso em: 16 de janeiro de 2017.
IVERT, Linea Kjellsdotter. Advanced planning and scheduling systems in manufacturing planning process. Thesis (Doctorate). Chalmas University of Tecnology. Goteborg. Swedem, 2009. Disponível em: <https://www.iei.liu.se>. Acesso em: 25 de outubro de 2016.
IVERT, Linea Kjellsdotter; JONSSON,Patrik. The potential benefits of advanced planning and scheduling systems in sales and operations planning. Industrial Management & Data Systems, Vol. 110, n. 5, pp. 659-681, Gothenburg Sweden, 2010. Disponível em:< <https://www.iei.liu.se>. Acesso em: 21 julho de 2016. IYENGAR, Charanyan; GUPTA, Sandeep. Building Blocks for successful S&OP. Supply Chain Management Review,. [online]. Nov2013, Vol. 17 Issue 6, p10-17. 8p. Disponível em: <http://web.b.ebscohost.com/ehost>. Acesso em: 17 de janeiro de 2017.
J.MENDO CONSULTORIA. Produtor RT22: perfil da cal. Belo Horizonte: J. Mendo
Consultoria, 2009.39 p. Projeto Estatal: projeto de assistência técnica ao setor de
energia. Disponível em: <http://www.mme.gov.br>. Acesso em 24 de maio de 2017.
JANSSON, Jonas; ABERG, Fredrik. Sales and operations planning in the process industry – A diagnostic model. Master of Science Thesis (Doctorate). KTH Industrial Engineering and Management Industrial Management. Stockholm, 2014. Disponível em: <http://www.diva-portal.org>. Acesso em 17 de janeiro de 2017.
KEAL, Donald A.; HEBERT, Phill. Benefits to blood banks of a sales and operations planning process. Journal of Blood Services Management. [online]. 2010. Disponível em: <https://pt.scribd.com>. Acesso em: 17 de janeiro de 2017.
KRALIK, Letícia Schumacher; FOGLIATTO; Flávio Sanson. Método para implementação de planejamento de vendas e operações (S&OP) aplicado em empresas do ramo automotivo. Revista Produção Online, Florianópolis, SC, v.16,n.3,p.781-800,2016. Disponível em: <http://web.a.ebscohost.com>. Acesso em: 02 de janeiro de 2017.
LAPIDE, Lany. S&OP: The linchpin Planning Process. Supply Chain Management Review. [online]. November, 2011. Disponível em:< http://ctl.mit.edu>. Acesso em: 20 julho de 2016. LI, Guo.; WANG, Xiaojing.; WANG, Zhaohua. System Dynamics Model for VMI&TPL Integrated Supply Chains.Hindawi Publishing Corporation, Beijing, Vol. 2013, 2013. Disponível em:< https://www.hindawi.com>. Acesso em: 20 julho de 2016. LÓPEZ, Guillermo Antônio Salinas; MORENO, Anthony Victoria; GÓMEZ, Juan Carlos Osorio. Impacto del material reciclado en los inventários de materias primas de una empresa manufacturera. Revista Escuela de Ingeniería de Antioquia, Medellin. Vol.10,n.19, 2013. Disponível em:< http://www.scielo.org.co>. Acesso em: 20 julho de 2016. LUPEIKIENE, Audrone; DZEMYDA, Gintautas; KISS, Ferenc; CAPLINSKAS, Albertas. Advanced Planning and Scheduling Systems: Modeling and
87
Implementation Challenges. Vilnius University, 2014. Disponível em: <https://www.researchgate.net>.Acesso em: 17 de janeiro de 2017.
MARCELLO, Maria Carolina. Jucá diz que votação da reforma da Prveidência é urgente e que Senado tem votos para aprova-la. Uol Economia, Brasília, 08.ago.2017. Disponível em: <https://economia.uol.com.br > .Acesso em: 15 de agosto de 2017.
MENDES, Osman; RAISER, Gilberto. Planejamento estratégico. Revista Interdisciplinar Cientifica Aplicada, Blumenau, v.3, n.4, p.230-240, 2009. Disponível em:< http://rica.unibes.com.br>. Acesso em: 20 julho de 2016. MINISTÉRIO DO PLANEJAMENTO. Cenário Macroeconômico 2016-2019. Brasília, 2016. Acesso em: <www.planejamento.gov.br/apresentacoes/apresentacoes.../ppa-2016_19-vfinal.pd> . Disponível em: 14 de agosto de 2017.
MUZUMBAR, Maha; FONTANELLA, John. The secrets to S&OP. Sucess. Supply Chain Management Review,. [online]. 2006. Disponível em: <https://www.highbeam.com >. Acesso em: 16 de janeiro de 2017.
NETO, Hilario Gomes; OLIVEIRA, Josenildo Brito de; ANDRADE, Cyntia Rachel Fernandes de. Modelagem e simulação computacional em uma empresa de confecção de roupas: um estudo sobre desempenho de um processo produtivo. In: Encontro Nacional de Engenharia de Produção. Curitiba, 2014. Disponível em:<http://www.abepro.org.br>. Acesso em: 17 de novembro de 2017.
PEDROSO, Carolina Belotti; SILVA, Andrea Lago. Dinâmica de implantação do Sales and Operations Planning: principais desafios. Gestão da Produção, São Carlos, vol.22, n.3, 2015. Disponível em:< http://www.scielo.br>. Acesso em: 21 julho de 2016. PELLEGRINI, Tiago Ribeiro. Uma avaliação de Métodos de Previsão Aplicados à Grandes Quantidades de Séries Temporais Univariadas. Dissertação (Mestrado) – Universidade Federal de São Carlos, São Carlos, 2012. Disponível em: <https://repositorio.ufscar.br>. Acesso em: 30 de julho de 2017.
PENG, Zhanglin; YU, Zhiyun; WANG, Hongbo; YANG, Shanlin. Research on Industrialization of Electric Vehicles with its Demand Forecast Using Exponential Smoothing Method. Journal of Industrial Engineering & Management. 2015, Vol. 8 Issue 2, p365-382. 18p. DOI: 10.3926/jiem.1287. Disponível em: <http://web.a.ebscohost.com>. Acesso em: 13 de agosto de 2017.
PERRIN, Fernanda. Veja o que muda para empresários e empregados com a reforma trabalhista. Folha de São Paulo, São Paulo, 12.jul.2017. Disponível em: http://www1.folha.uol.com.br/mercado/2017/07/1900464-veja-o-que-muda-para-empresarios-e-empregados-com-a-reforma-trabalhista.shtml. Acesso em: 15 de agosto de 2017.
PHULL, Seema. SupplyChainBrain. [online]. Nov/Dec2013, Vol. 17 Issue 6, p30-30. 1/2p. Disponível em: <http://web.b.ebscohost.com>. Acesso em: 17 de janeiro de 2017.
PLATT, Allan Augusto; KLAES, Luiz Salgado. Utilizando o Sistema Integrado de Gestão (ERP) no apoio ao Ensino de Logística e Gestão da Cadeia de Suprimento.
88
Revista de Ciências da Administração. [online]. V.12,n.28, p.224-241, set/dez 2010. Disponível em: <https://periodicos.ufsc.br> . Acesso em: 23 de janeiro de 2017.
POH, Kim Leng. Using system dynamics for sustainable water resources management in Singapore. Procedia Computer Science. [online]. Vol. 16, p. 157-166, 2013. Disponível em:< http://www.sciencedirect.com>. Acesso em: 20 julho de 2016. PROKOPETS, Len. Supply Chain Management Review. [online]. May/Jun2012, Vol. 16 Issue 3, p28-35. 8p. Acesso em: Disponível em: <http://web.b.ebscohost.com>. Acesso em: 17 de janeiro de 2017.
REED, Mike. Five simple questions for sucessful S&OP. MHD Supply Chain Solutions,. [online]. 2012. Vol. 42, No. 5, Oct 2012: 56-57. Disponível em: <https://search.informit.com.au >. Acesso em: 17 de janeiro de 2017.
ROMAN, Darlan José et al. Fatores de competitividade organizacional. Brazilian Business Review. [online]. Vol.9, n.1, 2012. Disponível em:< http://www.redalyc.org>. Acesso em: 20 julho de 2016. ROSA, Murilo José. Modelo de Referência para formação de redes dinâmicas voltadas à execução do planejamento de vendas e operações em um ambiente com diversidade de sistemas de produção. Dissertação (Mestrado). Universidade de São Paulo, São Carlos, 2014. Disponível em: <www.teses.usp.br/teses>. Acesso em: 19 de outubro de 2016.
SAFATLE, Claudia; GRANER, Fábio; SIMÃO, Edna. Governo vai elevar PIS/Cofins sobre combustível. Valor Econômico, Brasília, 20.jul.2017. Disponível em:< http://www.valor.com.br/brasil/5046208/governo-vai-elevar-piscofins-sobre-combustivel>. Acesso em: 25 de junho de 2017.
SANTOS, Aldren Montenegro. A aplicação de um modelo de simulação para gerenciamento de projetos: um estudo de caso utilizando a dinâmica de sistemas. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo: 2006. Disponível em: <www.teses.usp.br/teses>. Acesso em: 15 de novembro de 2016.
SCARAMUZZO, Mônica. Bancos estão otimistas com retomada. O estado de São Paulo, São Paulo, 12.ago.2017. Disponível em: <http://economia.estadao.com.br>. Acesso em 14 de agosto de 2017.
SILVA, Daniel Victor Amaral. Aprimoramento de métodos numéricos para integração numérica de sistemas algébrico-diferenciais. Dissertação (Mestrado). Universidade Federal do Rio de Janeiro, 2013. Disponível em: <http://portal.peq.coppe.ufrj.br>. Acesso em 13 de agosto de 2017.
SINGH, Manoj K. Supply Chain Management Review. [online]. May/Jun2010, Vol. 14 Issue 3, p22-27. 6p. Disponível em: <http://web.b.ebscohost.com >.Acesso em: 17 de janeiro de 2017.
SINGH, Manoj K. What makes a winning S&OP Program Sales and Operations Planning. Supply Chain Management Review. [online]. Disponível em <http://www.scmr.com>.Acesso em 21 julho 2016.
SOUZA, Fábio Simone; OLIVEIRA, Gabriela Farias. Simples Nacional: Análise Financeira das Micro e Pequenas Empresas da Construção Civil no Munícipio do Rio
89
de Janeiro. In: Simpósio de Excelência em Gestão e Tecnologia: Rio de Janeiro, 2014. Disponível em: <http://www.aedb.br >. Acesso em: 27 de junho de 2017.
SPIEGEL, Rob. Supply Chain Management Review. [online]. May/Jun2011, Vol. 15 Issue 3, p54-56. 3p. Disponível em: <http://web.b.ebscohost.com>. Acesso em 17 de janeiro de 2017.
STERMAN, John D. Business Dynamics Systems Thinking and Modeling for a Complex World. Massachusetts Institute of Technology. IrWin McGraw Hill, 2000. Disponível em:<http://web.mit.edu > . Acesso em: 17 de novembro de 2017.
STERMAN, John D. System Dynamics: Systems Thinking and Modeling for a Complex World. Massachusetts Institute of Technology, 2002. Disponível em: <https://www.researchgate.net>. Acesso em: 28 de janeiro de 2017.
THOMÉ, Antônio Márcio Tavares et al. Sales and operations planning and the firm performance. Internacional Journal of Productivity and Performance Management. [online]. Vol.61, p. 359-381, 2011. Disponível em:< http://www.emeraldinsight.com>.Acesso em: 21 julho de 2016.
THOMÉ, Antônio Márcio Tavares; SOUZA, Rui Soucasaux; CARMO, Luiz Felipe Roris Rodriguez Scavarda do. The impact of sales and operations planning practices on manufacturing operational performance International. Journal of Production Research. [online]. 2014. Disponível: <http://www.tandfonline.com>. Acesso em: 17 de janeiro de 2017.
TOHAMY, Noha. The Evolution of S&OP. Supply Chain Management Review. [online]. 2008. Disponível em: <http://web.b.ebscohost.com> . Acesso em: 16 de janeiro de 2017.
TOMAS, Robson Nogueira; SATO, Levi; ALCANTARA, Rosane Lúcia Chicarelli. Planejamento de vendas e operações (S&OP) no segmento de bens de consumo: uma análise envolvendo o estágio de maturidade do processo. Revista de Administração da UNIMEP, 2012, Vol. 10 Issue 3, p1-25. 25p. Disponível em: <http://web.b.ebscohost.com>. Acesso em: 19 de outubro de 2017.
VILLELA, Paulo R.C. Introdução à dinâmica de sistemas. Universidade Federal de Juiz de Fora, 2005. Disponível em:< http://www.ufjf.br>. Acesso em: 20 julho de 2016. WESTEREN, Knut Ingar. Competitiveness and Knowledge in Theory and Practice. Informe Gepec. [online]. V.15,n.2,p.59-72, 2011. Disponível em:< http://www.e-revista.unioeste.br>. Acesso em: 20 julho de 2016. ZAGO, Cecília Farid. Implantação de Sistemas Avançados de Planejamento (APS): um estudo de caso na indústria de laticínios. Dissertação (Mestrado). Universidade de São Paulo, SP, 2013. Disponível em: http://www.teses.usp.br>. Acesso em: 25 de agosto de 2017.
ZUMEL, Nina; MOUNT, John. Practical Data Sciene with R. Manning Publications Co [apostila], United States of American, 2014. Disponível em: <http://pdf.th7.cn >. Acesso em: 30 de julho de 2017.
90
APÊNDICE A
Relação das equações do cenário AoBoCo do microambiente
Caixa(t) = Caixa(t - dt) + (FluxoEntrada - FluxoSaida) * dt
INIT Caixa = 200000
INFLOWS:
FluxoEntrada = EntradasCaixa+Empréstimo_Bancário
OUTFLOWS:
FluxoSaida = SaidasCaixa+Amortizacao+PgtoJuros+SaidasCaixa_Parcelas
CapacidadeRestrita[1](t) = CapacidadeRestrita[1](t - dt) + (HorasAdicionais[1] - ReducaoHoras[1]) * dt
INIT CapacidadeRestrita[1] = 20
CapacidadeRestrita[2](t) = CapacidadeRestrita[2](t - dt) + (HorasAdicionais[2] - ReducaoHoras[2]) * dt
INIT CapacidadeRestrita[2] = 20
CapacidadeRestrita[3](t) = CapacidadeRestrita[3](t - dt) + (HorasAdicionais[3] - ReducaoHoras[3]) * dt
INIT CapacidadeRestrita[3] = 20
CapacidadeRestrita[4](t) = CapacidadeRestrita[4](t - dt) + (HorasAdicionais[4] - ReducaoHoras[4]) * dt
INIT CapacidadeRestrita[4] = 20
CapacidadeRestrita[5](t) = CapacidadeRestrita[5](t - dt) + (HorasAdicionais[5] - ReducaoHoras[5]) * dt
INIT CapacidadeRestrita[5] = 20
CapacidadeRestrita[6](t) = CapacidadeRestrita[6](t - dt) + (HorasAdicionais[6] - ReducaoHoras[6]) * dt
INIT CapacidadeRestrita[6] = 46
CapacidadeRestrita[7](t) = CapacidadeRestrita[7](t - dt) + (HorasAdicionais[7] - ReducaoHoras[7]) * dt
INIT CapacidadeRestrita[7] = 20
CapacidadeRestrita[8](t) = CapacidadeRestrita[8](t - dt) + (HorasAdicionais[8] - ReducaoHoras[8]) * dt
INIT CapacidadeRestrita[8] = 4
INFLOWS:
HorasAdicionais[CpRest] = if (AjusteCpRest_LimitCaixa[CpRest]>0) then AjusteCpRest_LimitCaixa[CpRest]/Tempo_IncrementoCap else 0
OUTFLOWS:
ReducaoHoras[CpRest] = if (AjusteCpRest_LimitCaixa[CpRest]) < 0 then abs(AjusteCpRest_LimitCaixa[CpRest]) else 0
91
CapacidadeTotal(t) = CapacidadeTotal(t - dt) + (HorasAdicTotal - RedHorasTotal) * dt
INIT CapacidadeTotal = 170
INFLOWS:
HorasAdicTotal = if (AjusteCpTotal>0) then AjusteCpTotal/Tempo_IncrementoCap else 0
OUTFLOWS:
RedHorasTotal = if (AjusteCpTotal) < 0 then abs(AjusteCpTotal) else 0
ContasPagar(t) = ContasPagar(t - dt) + (Titulos_aPagar - SaidasCaixa) * dt
INIT ContasPagar = 110393.2
INFLOWS:
Titulos_aPagar = Despesas+Gastos_Producao+ValorTotal_MaoObra+ARRAYSUM(Imposto_Selecionado[*])
OUTFLOWS:
SaidasCaixa = DELAY(Titulos_aPagar,1)
ContasPagar__Prazo(t) = ContasPagar__Prazo(t - dt) + (Titulos_aPagarPrazo - SaidasCaixa_Parcelas) * dt
INIT ContasPagar__Prazo = 129742.27
INFLOWS:
Titulos_aPagarPrazo = ARRAYSUM(MatCompra_R$[*])
OUTFLOWS:
SaidasCaixa_Parcelas = ContasPagar__Prazo/PrazoMedio_Pagamento
ContasReceber(t) = ContasReceber(t - dt) + (Faturamento[1] + Faturamento[2] + Faturamento[3] + Faturamento[4] + Faturamento[5] + Faturamento[familia] - PerdasInadimplencia - EntradasCaixa) * dt
INIT ContasReceber = 221715
INFLOWS:
Faturamento[familia] = DELAY(ValorVendas[familia],TempoFat)
OUTFLOWS:
PerdasInadimplencia = ARRAYSUM(Faturamento[*])*TxInadimplencia
EntradasCaixa = ContasReceber/PrazoMedio_Recebimento
CustoEstqMP[1](t) = CustoEstqMP[1](t - dt) + (EntradaR$_MP[1] - SaidaR$_MP[1]) * dt
INIT CustoEstqMP[1] = 27740.60
CustoEstqMP[2](t) = CustoEstqMP[2](t - dt) + (EntradaR$_MP[2] - SaidaR$_MP[2]) * dt
INIT CustoEstqMP[2] = 15330.6
CustoEstqMP[3](t) = CustoEstqMP[3](t - dt) + (EntradaR$_MP[3] - SaidaR$_MP[3]) * dt
INIT CustoEstqMP[3] = 13668
CustoEstqMP[4](t) = CustoEstqMP[4](t - dt) + (EntradaR$_MP[4] - SaidaR$_MP[4]) * dt
INIT CustoEstqMP[4] = 13627.12
92
CustoEstqMP[5](t) = CustoEstqMP[5](t - dt) + (EntradaR$_MP[5] - SaidaR$_MP[5]) * dt
INIT CustoEstqMP[5] = 16139.12
CustoEstqMP[6](t) = CustoEstqMP[6](t - dt) + (EntradaR$_MP[6] - SaidaR$_MP[6]) * dt
INIT CustoEstqMP[6] = 7857.19
CustoEstqMP[7](t) = CustoEstqMP[7](t - dt) + (EntradaR$_MP[7] - SaidaR$_MP[7]) * dt
INIT CustoEstqMP[7] = 17180.8
CustoEstqMP[8](t) = CustoEstqMP[8](t - dt) + (EntradaR$_MP[8] - SaidaR$_MP[8]) * dt
INIT CustoEstqMP[8] = 672
INFLOWS:
EntradaR$_MP[matprima] = MatCompra_R$[matprima]
OUTFLOWS:
SaidaR$_MP[matprima] = ARRAYSUM(ReservaMP_Producao[*,matprima])*CustoUnit_MP[matprima]
CustoEstqProd[1](t) = CustoEstqProd[1](t - dt) + (EntradaR$_Produtos[1] - SaidaR$_Produtos[1]) * dt
INIT CustoEstqProd[1] = 4640
CustoEstqProd[2](t) = CustoEstqProd[2](t - dt) + (EntradaR$_Produtos[2] - SaidaR$_Produtos[2]) * dt
INIT CustoEstqProd[2] = 4220
CustoEstqProd[3](t) = CustoEstqProd[3](t - dt) + (EntradaR$_Produtos[3] - SaidaR$_Produtos[3]) * dt
INIT CustoEstqProd[3] = 1820
CustoEstqProd[4](t) = CustoEstqProd[4](t - dt) + (EntradaR$_Produtos[4] - SaidaR$_Produtos[4]) * dt
INIT CustoEstqProd[4] = 1820
CustoEstqProd[5](t) = CustoEstqProd[5](t - dt) + (EntradaR$_Produtos[5] - SaidaR$_Produtos[5]) * dt
INIT CustoEstqProd[5] = 491.52
INFLOWS:
EntradaR$_Produtos[familia] = CustoUnitario[familia]*TxProducao[familia]
OUTFLOWS:
SaidaR$_Produtos[familia] = Vendas[familia]*CustoUnit_MedioMovel[familia]
Demanda[1](t) = Demanda[1](t - dt) + (EntradaPrev[1]) * dt
INIT Demanda[1] = 498245
Demanda[2](t) = Demanda[2](t - dt) + (EntradaPrev[2]) * dt
INIT Demanda[2] = 52555
Demanda[3](t) = Demanda[3](t - dt) + (EntradaPrev[3]) * dt
INIT Demanda[3] = 28007
93
Demanda[4](t) = Demanda[4](t - dt) + (EntradaPrev[4]) * dt
INIT Demanda[4] = 26838
Demanda[5](t) = Demanda[5](t - dt) + (EntradaPrev[5]) * dt
INIT Demanda[5] = 10666
INFLOWS:
EntradaPrev[familia] = alfa*(PlanoVendas[familia]-Demanda[familia])
Divida_Emprestimo(t) = Divida_Emprestimo(t - dt) + (Empréstimo_Bancário - Amortizacao) * dt
INIT Divida_Emprestimo = 0
INFLOWS:
Empréstimo_Bancário = STEP(Montante_Emprestimo*TomarEmprestimo/(Fim_Embolso-InicioEmbolso),InicioEmbolso) + STEP(-Montante_Emprestimo*TomarEmprestimo/(Fim_Embolso-InicioEmbolso),Fim_Embolso)
OUTFLOWS:
Amortizacao = STEP(Montante_Emprestimo*TomarEmprestimo/Tempo_Amortizacao,Fim_Embolso)+STEP(-Montante_Emprestimo*TomarEmprestimo/Tempo_Amortizacao,Fim_Embolso+Tempo_Amortizacao)
EstoqMat_KG[1](t) = EstoqMat_KG[1](t - dt) + (EntregaMP[1] - SaidaMP_KG[1]) * dt
INIT EstoqMat_KG[1] = 40795
EstoqMat_KG[2](t) = EstoqMat_KG[2](t - dt) + (EntregaMP[2] - SaidaMP_KG[2]) * dt
INIT EstoqMat_KG[2] = 22545
EstoqMat_KG[3](t) = EstoqMat_KG[3](t - dt) + (EntregaMP[3] - SaidaMP_KG[3]) * dt
INIT EstoqMat_KG[3] = 20100
EstoqMat_KG[4](t) = EstoqMat_KG[4](t - dt) + (EntregaMP[4] - SaidaMP_KG[4]) * dt
INIT EstoqMat_KG[4] = 20040
EstoqMat_KG[5](t) = EstoqMat_KG[5](t - dt) + (EntregaMP[5] - SaidaMP_KG[5]) * dt
INIT EstoqMat_KG[5] = 23734
EstoqMat_KG[6](t) = EstoqMat_KG[6](t - dt) + (EntregaMP[6] - SaidaMP_KG[6]) * dt
INIT EstoqMat_KG[6] = 714290
EstoqMat_KG[7](t) = EstoqMat_KG[7](t - dt) + (EntregaMP[7] - SaidaMP_KG[7]) * dt
INIT EstoqMat_KG[7] = 560000
EstoqMat_KG[8](t) = EstoqMat_KG[8](t - dt) + (EntregaMP[8] - SaidaMP_KG[8]) * dt
INIT EstoqMat_KG[8] = 84000
INFLOWS:
EntregaMP[matprima] = MatCompra[matprima]
OUTFLOWS:
SaidaMP_KG[matprima] = ARRAYSUM(ReservaMP_Producao[*,matprima])
EstoqProd[1](t) = EstoqProd[1](t - dt) + (TxProducao[1] - Vendas[1]) * dt
94
INIT EstoqProd[1] = 40000
EstoqProd[2](t) = EstoqProd[2](t - dt) + (TxProducao[2] - Vendas[2]) * dt
INIT EstoqProd[2] = 20000
EstoqProd[3](t) = EstoqProd[3](t - dt) + (TxProducao[3] - Vendas[3]) * dt
INIT EstoqProd[3] = 14000
EstoqProd[4](t) = EstoqProd[4](t - dt) + (TxProducao[4] - Vendas[4]) * dt
INIT EstoqProd[4] = 14000
EstoqProd[5](t) = EstoqProd[5](t - dt) + (TxProducao[5] - Vendas[5]) * dt
INIT EstoqProd[5] = 2400
INFLOWS:
TxProducao[familia] = DELAY(Ordens[familia],TCicloProd[familia])
OUTFLOWS:
Vendas[familia] = MIN(EstoqProd[familia]/dt,PlanoVendas[familia])
Faturamento_emProcesso[1](t) = Faturamento_emProcesso[1](t - dt) + (ValorVendas[1] - Faturamento[1]) * dt
INIT Faturamento_emProcesso[1] = 50044.4
Faturamento_emProcesso[2](t) = Faturamento_emProcesso[2](t - dt) + (ValorVendas[2] - Faturamento[2]) * dt
INIT Faturamento_emProcesso[2] = 26519.4
Faturamento_emProcesso[3](t) = Faturamento_emProcesso[3](t - dt) + (ValorVendas[3] - Faturamento[3]) * dt
INIT Faturamento_emProcesso[3] = 0
Faturamento_emProcesso[4](t) = Faturamento_emProcesso[4](t - dt) + (ValorVendas[4] - Faturamento[4]) * dt
INIT Faturamento_emProcesso[4] = 6993
Faturamento_emProcesso[5](t) = Faturamento_emProcesso[5](t - dt) + (ValorVendas[5] - Faturamento[5]) * dt
INIT Faturamento_emProcesso[5] = 6138
INFLOWS:
ValorVendas[familia] = TotVendas_PorFam[familia]
OUTFLOWS:
Faturamento[familia] = DELAY(ValorVendas[familia],TempoFat)
Imobilizado_Custo(t) = Imobilizado_Custo(t - dt) + (- Depreciacao_Custo) * dt
INIT Imobilizado_Custo = 1270295.35
OUTFLOWS:
Depreciacao_Custo = txDepreciacao_2
Imobilizado_Despesa(t) = Imobilizado_Despesa(t - dt) + (- Depreciacao_Despesas) * dt
INIT Imobilizado_Despesa = 80014.24
95
OUTFLOWS:
Depreciacao_Despesas = txDepreciacao
Producao[1](t) = Producao[1](t - dt) + (Ordens[1] - TxProducao[1]) * dt
INIT Producao[1] = 357460
Producao[2](t) = Producao[2](t - dt) + (Ordens[2] - TxProducao[2]) * dt
INIT Producao[2] = 98220
Producao[3](t) = Producao[3](t - dt) + (Ordens[3] - TxProducao[3]) * dt
INIT Producao[3] = 0
Producao[4](t) = Producao[4](t - dt) + (Ordens[4] - TxProducao[4]) * dt
INIT Producao[4] = 37800
Producao[5](t) = Producao[5](t - dt) + (Ordens[5] - TxProducao[5]) * dt
INIT Producao[5] = 13640
INFLOWS:
Ordens[familia] = OPLiberadas[familia]
TIMESTAMPED
OUTFLOWS:
TxProducao[familia] = DELAY(Ordens[familia],TCicloProd[familia])
Suprimento[1](t) = Suprimento[1](t - dt) + (ReqCompras[1] - MatCompra[1]) * dt
INIT Suprimento[1] = 20000
Suprimento[2](t) = Suprimento[2](t - dt) + (ReqCompras[2] - MatCompra[2]) * dt
INIT Suprimento[2] = 22965
Suprimento[3](t) = Suprimento[3](t - dt) + (ReqCompras[3] - MatCompra[3]) * dt
INIT Suprimento[3] = 0
Suprimento[4](t) = Suprimento[4](t - dt) + (ReqCompras[4] - MatCompra[4]) * dt
INIT Suprimento[4] = 0
Suprimento[5](t) = Suprimento[5](t - dt) + (ReqCompras[5] - MatCompra[5]) * dt
INIT Suprimento[5] = 0
Suprimento[6](t) = Suprimento[6](t - dt) + (ReqCompras[6] - MatCompra[6]) * dt
INIT Suprimento[6] = 187960
Suprimento[7](t) = Suprimento[7](t - dt) + (ReqCompras[7] - MatCompra[7]) * dt
INIT Suprimento[7] = 182000
Suprimento[8](t) = Suprimento[8](t - dt) + (ReqCompras[8] - MatCompra[8]) * dt
INIT Suprimento[8] = 132560
INFLOWS:
ReqCompras[matprima] = Compras_Aprovadas[matprima]
OUTFLOWS:
96
MatCompra[matprima] = Suprimento[matprima]/PrazoSupr[matprima]
SuprimentoR$[1](t) = SuprimentoR$[1](t - dt) + (ReqCompras_R$[1] - MatCompra_R$[1]) * dt
INIT SuprimentoR$[1] = 13600
SuprimentoR$[2](t) = SuprimentoR$[2](t - dt) + (ReqCompras_R$[2] - MatCompra_R$[2]) * dt
INIT SuprimentoR$[2] = 15616.2
SuprimentoR$[3](t) = SuprimentoR$[3](t - dt) + (ReqCompras_R$[3] - MatCompra_R$[3]) * dt
INIT SuprimentoR$[3] = 0
SuprimentoR$[4](t) = SuprimentoR$[4](t - dt) + (ReqCompras_R$[4] - MatCompra_R$[4]) * dt
INIT SuprimentoR$[4] = 0
SuprimentoR$[5](t) = SuprimentoR$[5](t - dt) + (ReqCompras_R$[5] - MatCompra_R$[5]) * dt
INIT SuprimentoR$[5] = 0
SuprimentoR$[6](t) = SuprimentoR$[6](t - dt) + (ReqCompras_R$[6] - MatCompra_R$[6]) * dt
INIT SuprimentoR$[6] = 17819
SuprimentoR$[7](t) = SuprimentoR$[7](t - dt) + (ReqCompras_R$[7] - MatCompra_R$[7]) * dt
INIT SuprimentoR$[7] = 5584
SuprimentoR$[8](t) = SuprimentoR$[8](t - dt) + (ReqCompras_R$[8] - MatCompra_R$[8]) * dt
INIT SuprimentoR$[8] = 1060
INFLOWS:
ReqCompras_R$[matprima] = Compras_Aprovadas[matprima]*Preco_MedioMP[matprima]
OUTFLOWS:
MatCompra_R$[matprima] = SuprimentoR$[matprima]/PrazoSupr[matprima]
WIP_GGP(t) = WIP_GGP(t - dt) + (EntGGP - SaiGGP) * dt
INIT WIP_GGP = 31332.8
INFLOWS:
EntGGP = GastosGerais_Producao
OUTFLOWS:
SaiGGP = CustoIndHora*HorasTotal_Consumida
WIP_MO(t) = WIP_MO(t - dt) + (EntMO_R$ - SaiMO_R$) * dt
INIT WIP_MO = 16650.37
INFLOWS:
EntMO_R$ = ValorTotal_MaoObra
OUTFLOWS:
SaiMO_R$ = HorasTotal_Consumida*CustoHora
WIP_MP[1](t) = WIP_MP[1](t - dt) + (EntradaR$_MPProcesso[1] - SaidaR$_MPProcesso[1]) * dt
INIT WIP_MP[1] = 37533.3
97
WIP_MP[2](t) = WIP_MP[2](t - dt) + (EntradaR$_MPProcesso[2] - SaidaR$_MPProcesso[2]) * dt
INIT WIP_MP[2] = 19644
WIP_MP[3](t) = WIP_MP[3](t - dt) + (EntradaR$_MPProcesso[3] - SaidaR$_MPProcesso[3]) * dt
INIT WIP_MP[3] = 0
WIP_MP[4](t) = WIP_MP[4](t - dt) + (EntradaR$_MPProcesso[4] - SaidaR$_MPProcesso[4]) * dt
INIT WIP_MP[4] = 4479.3
WIP_MP[5](t) = WIP_MP[5](t - dt) + (EntradaR$_MPProcesso[5] - SaidaR$_MPProcesso[5]) * dt
INIT WIP_MP[5] = 2575.23
WIP_MP[6](t) = WIP_MP[6](t - dt) + (EntradaR$_MPProcesso[6] - SaidaR$_MPProcesso[6]) * dt
INIT WIP_MP[6] = 0
WIP_MP[7](t) = WIP_MP[7](t - dt) + (EntradaR$_MPProcesso[7] - SaidaR$_MPProcesso[7]) * dt
INIT WIP_MP[7] = 0
WIP_MP[8](t) = WIP_MP[8](t - dt) + (EntradaR$_MPProcesso[8] - SaidaR$_MPProcesso[8]) * dt
INIT WIP_MP[8] = 0
INFLOWS:
EntradaR$_MPProcesso[matprima] = ARRAYSUM(ReservaMP_Producao[*,matprima]) * CustoUnit_MP[matprima]
OUTFLOWS:
SaidaR$_MPProcesso[matprima] = ARRAYSUM(BaixaMP[*,matprima])
AjusteCpRest[CpRest] = if (CpPadrao[CpRest] >= TotCpNec_PorCpRest[CpRest]) then (CpPadrao[CpRest]-CapacidadeRestrita[CpRest]) else (TotCpNec_PorCpRest[CpRest]-CapacidadeRestrita[CpRest])
AjusteCpRest_LimitCaixa[CpRest] = if (CpPadrao[CpRest] >= CpNec_LimitCaixa[CpRest]) then (CpPadrao[CpRest]-CapacidadeRestrita[CpRest]) else(CpNec_LimitCaixa[CpRest]-CapacidadeRestrita[CpRest])
AjusteCpTotal = if (CpTotalPadrao >= (CpTotalNec*txCapacid_Aprovada)) then (CpTotalPadrao-CapacidadeTotal) else ((CpTotalNec*txCapacid_Aprovada)-CapacidadeTotal)
alfa = 0.2
BaixaMP[familia,matprima] = IF ARRAYSUM(ConsumoMP[*,matprima]) > 0 THEN ((WIP_MP[matprima]+EntradaR$_MPProcesso[matprima])/ARRAYSUM(ConsumoMP[*,matprima])) * (TxProducao[familia]*BOM[familia,matprima]) ELSE 0
BOM[1,1] = 0.05
BOM[1,2] = 0
BOM[1,3] = 0
BOM[1,4] = 0
98
BOM[1,5] = 0
BOM[1,6] = 0.15
BOM[1,7] = 0.85
BOM[1,8] = 0
BOM[2,1] = 0
BOM[2,2] = 0.05
BOM[2,3] = 0
BOM[2,4] = 0
BOM[2,5] = 0
BOM[2,6] = 1
BOM[2,7] = 0
BOM[2,8] = 0
BOM[3,1] = 0
BOM[3,2] = 0
BOM[3,3] = 0.05
BOM[3,4] = 0
BOM[3,5] = 0
BOM[3,6] = 0.15
BOM[3,7] = 0
BOM[3,8] = 0.85
BOM[4,1] = 0
BOM[4,2] = 0
BOM[4,3] = 0
BOM[4,4] = 0.05
BOM[4,5] = 0
BOM[4,6] = 0.15
BOM[4,7] = 0
BOM[4,8] = 0.85
BOM[5,1] = 0
BOM[5,2] = 0
BOM[5,3] = 0
BOM[5,4] = 0
BOM[5,5] = 0.05
BOM[5,6] = 0.15
BOM[5,7] = 0
BOM[5,8] = 0.85
99
CD_Fixas = 23214.61
CobertEstqMP = 5
Comissões[familia] = Faturamento[familia]*txComiss
Compras_Aprovadas[matprima] = if (LimitarCompra=0) then ListaCompras[matprima] else if LimiteCaixa_Compra >= 1 then ListaCompras[matprima] else ListaCompras[matprima]*LimiteCaixa_Compra
ConsumoMP[familia,matprima] = (Producao[familia]+Ordens[familia])*BOM[familia,matprima]
CpAdicional = ARRAYSUM(CapacidadeRestrita[*]) - ARRAYSUM(CpPadrao[*]) + ARRAYSUM(AjusteCpRest[*])
CpNec[familia,percapacid] = IF ARRAYIDX(CpRest_PorFamilia[familia,percapacid],2)=1 THEN
CpRest_PorFamilia[familia,1]
ELSE (HoraRestrita_Unid[familia]*PlanoProducao[familia]) / ARRAYVALUE(Produtividade[*],CpRest_PorFamilia[familia,1])
CpNec_LimitCaixa[CpRest] = (CapacidadeRestrita[CpRest]+AjusteCpRest[CpRest]) * txCapacid_Aprovada
CpPadrao[1] = 20
CpPadrao[2] = 20
CpPadrao[3] = 20
CpPadrao[4] = 20
CpPadrao[5] = 20
CpPadrao[6] = 46
CpPadrao[7] = 20
CpPadrao[8] = 4
CpRest_PorFamilia[1,1] = 6
CpRest_PorFamilia[1,2] = 1
CpRest_PorFamilia[2,1] = 6
CpRest_PorFamilia[2,2] = 1
CpRest_PorFamilia[3,1] = 6
CpRest_PorFamilia[3,2] = 1
CpRest_PorFamilia[4,1] = 6
CpRest_PorFamilia[4,2] = 1
CpRest_PorFamilia[5,1] = 6
CpRest_PorFamilia[5,2] = 1
CpTotalNec = if ((1+ (CpAdicional/TotCpPadrao)) > (1/txRelacaoCpRestrita)) then (1+ (CpAdicional/TotCpPadrao)) * (txRelacaoCpRestrita * CpTotalPadrao) else CpTotalPadrao+CpAdicional
CpTotalPadrao = 170
CpUtilizada[CpRest] = arraysum(HorasUtiliz_CentroFam[*,CpRest]) / CapacidadeRestrita[CpRest]
100
CustoHora = IF TotalHoras_Utilizadas>0 THEN (WIP_MO+ValorTotal_MaoObra) / TotalHoras_Utilizadas ELSE 0
CustoIndHora = IF TotalHoras_Utilizadas>0 THEN (WIP_GGP+GastosGerais_Producao) / TotalHoras_Utilizadas ELSE 0
CustoMedio_MP[familia] = ARRAYSUM(CustoMP_OP[familia,*])
CustoMO[familia] = CustoHora*Horas_ConsumidaFam[familia]
CustoMP_OP[familia,matprima] = IF TxProducao[familia]>0 THEN BaixaMP[familia,matprima] / TxProducao[familia] ELSE 0
CustoProduto_Vendido[familia] = SaidaR$_Produtos[familia]
CustosInd_FabVar[familia] = (TxProducao[familia]*CustoUnit_DiretoVariavel[familia])*txCustoInd_Variavel
CustoUnitario[familia] = CustoUnit_DiretoVariavel[familia]+Rateio_CustoIndireto[familia]
CustoUnitario_MaoObra[familia] = IF (TxProducao[familia]>0) THEN(CustoMO[familia]/TxProducao[familia]) ELSE 0
CustoUnit_DiretoVariavel[familia] = CustoUnitario_MaoObra[familia]+CustoMedio_MP[familia]
CustoUnit_MedioMovel[familia] = IF (EstoqProd[familia]>0) THEN
(CustoEstqProd[familia]+EntradaR$_Produtos[familia])/(EstoqProd[familia]+TxProducao[familia]) ELSE
IF (TxProducao[familia]>0) THEN EntradaR$_Produtos[familia]/TxProducao[familia]
ELSE 0
CustoUnit_MP[matprima] = IF (EstoqMat_KG[matprima]>0)THEN(CustoEstqMP[matprima]+EntradaR$_MP[matprima]) /(EstoqMat_KG[matprima]+EntregaMP[matprima])ELSE(EntradaR$_MP[matprima]/EntregaMP[matprima])
CustoUnit_Variavel[familia] = IF ARRAYSUM(Horas_ConsumidaFam[*])>0 THEN
CustoUnit_DiretoVariavel[familia] + ((TotCustos_IndFabVar / ARRAYSUM(Horas_ConsumidaFam[*])) * HorasTotal_Unid[familia])
ELSE
CustoUnit_DiretoVariavel[familia]
Despesas = DespesasGerais - Depreciacao_Despesas
DespesasGerais = TotComissoes+Despesa_Administrativa+Despesas_Comerciais+Despesas_Financeiras+Depreciacao_Despesas
Despesas_Comerciais = txDespComerc*Faturamento_Total
Despesas_Financeiras = (txDespFinan*Faturamento_Total)+PgtoJuros+Amortizacao
Despesas_Operacionais = Despesas_Comerciais+Despesa_Administrativa
Despesa_Administrativa = txDepAdm*Faturamento_Total
EBTIDA = ARRAYSUM(LucroOperacional_Liquido[*])+Depreciacao_Custo+Depreciacao_Despesas
EstoqProd_Total = ARRAYSUM(EstoqProd[*])
FatAnt[1] = 1712993.75
101
FatAnt[2] = 1810876.6
FatAnt[3] = 1913549.35
FatAnt[4] = 1968752.3
FatAnt[5] = 2015182.6
FatAnt[6] = 2063575.05
FatAnt[7] = 2123667.55
FatAnt[8] = 2163566.05
FatAnt[9] = 2192001
FatAnt[10] = 2218469.2
FatAnt[11] = 2156883.0
FatAnt[12] = 1972886.4
Faturamento_Total = ARRAYSUM(Faturamento[*])
Fim_Embolso = InicioEmbolso+1
GastosFixo_Producao = 1318.92
GastosGerais_Producao = GastosFixo_Producao+Depreciacao_Custo+TotCustos_IndFabVar
Gastos_Producao = GastosGerais_Producao-Depreciacao_Custo
Giro_Estoque = IF (ARRAYSUM(CustoProduto_Vendido[*])>0) THEN
ValorEstoque/ARRAYSUM(CustoProduto_Vendido[*])
ELSE 0
HoraRestrita_Unid[1] = 0.00001
HoraRestrita_Unid[2] = 0.00003
HoraRestrita_Unid[3] = 0.00002
HoraRestrita_Unid[4] = 0.00002
HoraRestrita_Unid[5] = 0.00002
HorasEfetiva[CpRest] = CapacidadeRestrita[CpRest]*Produtividade[CpRest]
HorasTotal_Consumida = ARRAYSUM(Horas_ConsumidaFam[*])
HorasTotal_Unid[1] = 0.0000702
HorasTotal_Unid[2] = 0.0000902
HorasTotal_Unid[3] = 0.0000802
HorasTotal_Unid[4] = 0.0000802
HorasTotal_Unid[5] = 0.00009
HorasUtilizadas[familia] = (OPLiberadas[familia]*HorasTotal_Unid[familia]) + (Producao[familia]*HorasTotal_Unid[familia]*PercTempo[familia])
HorasUtiliz_CentroFam[familia,CpRest] = TempoProc_CentroFam[familia,CpRest]*OPLiberadas[familia]
Horas_ConsumidaFam[familia] = (TxProducao[familia]*HorasTotal_Unid[familia])
ImpostoSobre_Vendas_2017[familia] = ReceitaBruta[familia]*TxImposto_Vendas_2017
102
ImpostoSobre_Vendas_2018[familia] = ReceitaBruta[familia]*TxImposto_Vendas2018
Imposto_Selecionado[familia] = IF TIME<=9 THEN Imposto_SN_2017[familia]
ELSE Imposto_SN_2018[familia]
Imposto_Selecionado2[familia] = IF TIME<=9 THEN ImpostoSobre_Vendas_2017[familia]
ELSE ImpostoSobre_Vendas_2018[familia]
Imposto_Selecionado_2t = ARRAYSUM(Imposto_Selecionado2[*])
Imposto_SN_2017[familia] = ReceitaBruta[familia]*Tx_SN_2017
Imposto_SN_2018[familia] = ReceitaBruta[familia]*TXSN_2018
IMST = ARRAYSUM(Imposto_Selecionado[*])
InicioEmbolso = 1
LimitarCapacid = 0
LimitarCompra = 0
LimiteCaixa_Capacid = Caixa*txPercCaixa_Capacid
LimiteCaixa_Compra = if (arraysum(TotCompraR$[*]))>0 then
(Caixa*txPercCaixa_Compra) / (arraysum(TotCompraR$[*]))
else 1
ListaCompras[matprima] = if (((MaterialNec[matprima] - MatPrima_Encomenda[matprima]) * CobertEstqMP) + (MaterialNec[matprima] - MatPrima_Encomenda[matprima]) - (EstoqMat_KG[matprima] + Suprimento[matprima])) >0 then (((MaterialNec[matprima] - MatPrima_Encomenda[matprima]) * CobertEstqMP) + (MaterialNec[matprima] - MatPrima_Encomenda[matprima]))- (EstoqMat_KG[matprima] + Suprimento[matprima]) + MatPrima_Encomenda[matprima]
else MatPrima_Encomenda[matprima]
ListaMatOP[familia,matprima] = BOM[familia,matprima]*PlanoProducao[familia]
LucroBruto[familia] = ReceitaLiquida[familia]-CustoProduto_Vendido[familia]
LucroLiquido[familia] = LucroBruto[familia]-Rateio_DespesasGerais[familia]
LucroLíquido_Total = ARRAYSUM(LucroLiquido[*])
LucroOperacional_Liquido[familia] = ReceitaLiquida_Operacional[familia]-(CustoProduto_Vendido[familia]+Despesas_Operacionais)
MargContrib_Total = ARRAYSUM(MargContrib_TotFamilia[*])
MargContrib_TotFamilia[familia] = ReceitaLiquida[familia] - Comissões[familia] - (CustoUnit_Variavel[familia] * Vendas[familia])
MargContrib_Unitaria[familia] = IF Vendas[familia]>0 THEN
MargContrib_TotFamilia[familia] / Vendas[familia]
ELSE 0
MargemEBTDA = IF (ARRAYSUM(ReceitaLiquida_Operacional[*])>0)
THEN
103
(EBTIDA/ARRAYSUM(ReceitaLiquida_Operacional[*]))*100
ELSE 0
MargemLiquida_Total = IF ARRAYSUM(ReceitaLiquida[*])>0 THEN
(ARRAYSUM(LucroLiquido[*]) /ARRAYSUM(ReceitaLiquida[*]))*100
ELSE 0
Margem_Liquida[familia] = IF ReceitaLiquida[familia]>0 THEN
(LucroLiquido[familia]/ReceitaLiquida[familia])*100
ELSE 0
Mark_up = txComiss+txDepAdm+txDespComerc+txDespFinan+txMargem_Desejada+TxSelecionada
MaterialNec[matprima] = ARRAYSUM(ListaMatOP[*,matprima])
MatPrima_Encomenda[matprima] = MaterialNec[matprima]*txMatPrima_Encomenda[matprima]
Montante_Emprestimo = 21835.01
MpDispOP[familia,matprima] = if BOM[familia,matprima] > 0 then
(EstoqMat_KG[matprima] * PercMP_PlanoProd[familia,matprima]) / BOM[familia,matprima]
else 999999999
OPLiberadas[familia] = MIN(OPLibMat[familia],OPLibMOB[familia],PlanoProducao[familia])
OPLibMat[familia] = ARRAYMIN(MpDispOP[familia,*])
OPLibMOB[1] = IF (CpRest_PorFamilia[1,2]=1) THEN
INT(( ARRAYVALUE(HorasEfetiva[*],CpRest_PorFamilia[1,1]) * PercAloc_CpRest[1,2] ) / HoraRestrita_Unid[1] )
ELSE
int ( (ARRAYVALUE(HorasEfetiva[*],CpRest_PorFamilia[1,1]) * CpRest_PorFamilia[1,2] ) / HoraRestrita_Unid[1] )
OPLibMOB[2] = IF (CpRest_PorFamilia[2,2] =1) THEN
INT( ( ARRAYVALUE(HorasEfetiva[*],CpRest_PorFamilia[2,1]) * PercAloc_CpRest[2,2] ) / HoraRestrita_Unid[2] )
ELSE
INT( ( ARRAYVALUE(HorasEfetiva[*],CpRest_PorFamilia[2,1]) * CpRest_PorFamilia[2,2] ) / HoraRestrita_Unid[2])
OPLibMOB[3] = IF (CpRest_PorFamilia[3,2] =1) THEN
INT( ( ARRAYVALUE(HorasEfetiva[*],CpRest_PorFamilia[3,1]) * PercAloc_CpRest[3,2] ) / HoraRestrita_Unid[3] )
ELSE
INT( ( ARRAYVALUE(HorasEfetiva[*],CpRest_PorFamilia[3,1]) * CpRest_PorFamilia[3,2] ) / HoraRestrita_Unid[3] )
OPLibMOB[4] = IF (CpRest_PorFamilia[4,2] =1) THEN
INT( ( ARRAYVALUE(HorasEfetiva[*],CpRest_PorFamilia[4,1]) * PercAloc_CpRest[4,2] ) / HoraRestrita_Unid[4] )
104
ELSE
INT( ( ARRAYVALUE(HorasEfetiva[*],CpRest_PorFamilia[4,1]) * CpRest_PorFamilia[4,2] ) / HoraRestrita_Unid[4] )
OPLibMOB[5] = IF (CpRest_PorFamilia[5,2] =1) THEN
INT( ( ARRAYVALUE(HorasEfetiva[*],CpRest_PorFamilia[5,1]) * PercAloc_CpRest[5,2] ) / HoraRestrita_Unid[5] )
ELSE
INT( ( ARRAYVALUE(HorasEfetiva[*],CpRest_PorFamilia[5,1]) * CpRest_PorFamilia[5,2] ) / HoraRestrita_Unid[5] )
PEC = CD_Fixas/(PercMarg_ContrTotal/100)
PercAloc_CpRest[familia,percapacid] = IF ARRAYIDX(CpNec[familia,percapacid],2) =1 THEN CpNec[familia,1]
ELSE
IF ARRAYVALUE(TotCpNec_PorCpRest[*], CpNec[familia,1]) > 0 THEN
CpNec[familia,2] / ARRAYVALUE(TotCpNec_PorCpRest[*],CpNec[familia,1])
ELSE 0
PercAtend_PlanoEstq = if PlanoEstoque_Total > 0 then
(EstoqProd_Total/PlanoEstoque_Total)*100
else 0
PercAtend_PlanoProd = if PlanoProducao_Total>0 then
(Producao_Total/PlanoProducao_Total)*100
else 0
PercAtend_PlanoVendas = if PlanoVendas_Total > 0 then
(Vendas_Total/PlanoVendas_Total)*100
else 0
PercMargem_Contrib[familia] = IF ReceitaBruta[familia]>0 THEN
(MargContrib_TotFamilia[familia]/ReceitaBruta[familia])*100
ELSE 0
PercMarg_ContrTotal = IF Receita_Bruta_Total>0 THEN
(MargContrib_Total/Receita_Bruta_Total)*100
ELSE -100
PercMP_PlanoProd[familia,matprima] = if MaterialNec[matprima]>0 then
(PlanoProducao[familia]*BOM[familia,matprima]) / MaterialNec[matprima]
else 0
PercTempo[familia] = TCiclo[familia]/TCicloProd[familia]
PercUtil_PlanCpRest[CpRest] = (TotalPlanej_CpRest[CpRest]/CpPadrao[CpRest])*100
PercVendas[familia] = IF(TotVendas>0) THEN
105
TotVendas_PorFam[familia]/TotVendas
ELSE 0
PgtoJuros = txJuros*Divida_Emprestimo
PlanoEstoque[familia] = if Estq_Desejado[familia] > 0 then
Estq_Desejado[familia]
else int(CobertEstq[familia]*Demanda[familia])
PlanoEstoque_Total = ARRAYSUM(PlanoEstoque[*])
PlanoProducao[familia] = INT(MAX(0,PlanoEstoque[familia]-EstoqProd[familia]+PlanoVendas[familia]))
PlanoProducao_Total = ARRAYSUM(PlanoProducao[*])
PlanoVendas[familia] = MAX(0,NORMAL(PrevisãoVendas[familia],(0.01*PrevisãoVendas[familia])))
PlanoVendas_Total = ARRAYSUM(PlanoVendas[*])
PrazoMedio_Pagamento = 1
PrazoMedio_Recebimento = 1
PrazoSupr[1] = NORMAL(1,0.05)
PrazoSupr[2] = NORMAL(1,0.05)
PrazoSupr[3] = NORMAL(1,0.05)
PrazoSupr[4] = NORMAL(1,0.05)
PrazoSupr[5] = NORMAL(1,0.05)
PrazoSupr[6] = NORMAL(2.85,2.07)
PrazoSupr[7] = NORMAL(1.35,0.72)
PrazoSupr[8] = NORMAL(3,1.41)
PrecoVendas[1] = 0.13
PrecoVendas[2] = 0.25
PrecoVendas[3] = 0.19
PrecoVendas[4] = 0.18
PrecoVendas[5] = 0.33
PrecoVenda_Sugerido[familia] = IF (Vendas[familia]>0) THEN
((CustoProduto_Vendido[familia] + (Depreciacao_Despesas*PercVendas[familia])) /
(1-Mark_up))/Vendas[familia]
ELSE 0
Producao_Total = ARRAYSUM(TxProducao[*])
Produtividade[CpRest] = 0.8
Rateio_CustoIndireto[familia] = IF TxProducao[familia] >0 THEN
(CustoIndHora*Horas_ConsumidaFam[familia]/TxProducao[familia])
ELSE 0
106
Rateio_DespesasGerais[familia] = DespesasGerais*PercVendas[familia]
RBT12 = IF TIME=1THEN FatAnt[1]
ELSE(IF TIME=2 THEN FatAnt[1]
ELSE (IF TIME=3 THEN SUM(HISTORY(Receita_Bruta_Total, TIME-1)+FatAnt[2])
ELSE (IF TIME=4 THEN SUM(HISTORY(Receita_Bruta_Total, TIME-1)+HISTORY(Receita_Bruta_Total, TIME-2)+FatAnt[3])
ELSE (IF TIME=5 THEN SUM(HISTORY(Receita_Bruta_Total, TIME-1)+HISTORY(Receita_Bruta_Total, TIME-2)+HISTORY(Receita_Bruta_Total, TIME-3)+FatAnt[4])
ELSE (IF TIME=6 THEN SUM(HISTORY(Receita_Bruta_Total, TIME-1)+HISTORY(Receita_Bruta_Total, TIME-2)+HISTORY(Receita_Bruta_Total, TIME-3)+HISTORY(Receita_Bruta_Total, TIME-4)+FatAnt[5])
ELSE (IF TIME=7 THEN SUM(HISTORY(Receita_Bruta_Total, TIME-1)+HISTORY(Receita_Bruta_Total, TIME-2)+HISTORY(Receita_Bruta_Total, TIME-3)+HISTORY(Receita_Bruta_Total, TIME-4)+HISTORY(Receita_Bruta_Total, TIME-5)+FatAnt[6])
ELSE (IF TIME=8 THEN SUM(HISTORY(Receita_Bruta_Total, TIME-1)+HISTORY(Receita_Bruta_Total, TIME-2)+HISTORY(Receita_Bruta_Total, TIME-3)+HISTORY(Receita_Bruta_Total, TIME-4)+HISTORY(Receita_Bruta_Total, TIME-5)+HISTORY(Receita_Bruta_Total, TIME-6)+FatAnt[7])
ELSE (IF TIME=9 THEN SUM(HISTORY(Receita_Bruta_Total, TIME-1)+HISTORY(Receita_Bruta_Total, TIME-2)+HISTORY(Receita_Bruta_Total, TIME-3)+HISTORY(Receita_Bruta_Total, TIME-4)+HISTORY(Receita_Bruta_Total, TIME-5)+HISTORY(Receita_Bruta_Total, TIME-6)+HISTORY(Receita_Bruta_Total, TIME-7)+FatAnt[8])
ELSE (IF TIME=10 THEN SUM(HISTORY(Receita_Bruta_Total, TIME-1)+HISTORY(Receita_Bruta_Total, TIME-2)+HISTORY(Receita_Bruta_Total, TIME-3)+HISTORY(Receita_Bruta_Total, TIME-4)+HISTORY(Receita_Bruta_Total, TIME-5)+HISTORY(Receita_Bruta_Total, TIME-6)+HISTORY(Receita_Bruta_Total, TIME-7)+HISTORY(Receita_Bruta_Total, TIME-8)+FatAnt[9])
ELSE (IF TIME=11 THEN SUM(HISTORY(Receita_Bruta_Total, TIME-1)+HISTORY(Receita_Bruta_Total, TIME-2)+HISTORY(Receita_Bruta_Total, TIME-3)+HISTORY(Receita_Bruta_Total, TIME-4)+HISTORY(Receita_Bruta_Total, TIME-5)+HISTORY(Receita_Bruta_Total, TIME-6)+HISTORY(Receita_Bruta_Total, TIME-7)+HISTORY(Receita_Bruta_Total, TIME-8)+HISTORY(Receita_Bruta_Total, TIME-9)+FatAnt[10])
107
ELSE (IF TIME=12 THEN SUM(HISTORY(Receita_Bruta_Total, TIME-1)+HISTORY(Receita_Bruta_Total, TIME-2)+HISTORY(Receita_Bruta_Total, TIME-3)+HISTORY(Receita_Bruta_Total, TIME-4)+HISTORY(Receita_Bruta_Total, TIME-5)+HISTORY(Receita_Bruta_Total, TIME-6)+HISTORY(Receita_Bruta_Total, TIME-7)+HISTORY(Receita_Bruta_Total, TIME-8)+HISTORY(Receita_Bruta_Total, TIME-9)+HISTORY(Receita_Bruta_Total, TIME-10)+FatAnt[11])
ELSE (IF TIME=13 THEN SUM(HISTORY(Receita_Bruta_Total, TIME-1)+HISTORY(Receita_Bruta_Total, TIME-2)+HISTORY(Receita_Bruta_Total, TIME-3)+HISTORY(Receita_Bruta_Total, TIME-4)+HISTORY(Receita_Bruta_Total, TIME-5)+HISTORY(Receita_Bruta_Total, TIME-6)+HISTORY(Receita_Bruta_Total, TIME-7)+HISTORY(Receita_Bruta_Total, TIME-8)+HISTORY(Receita_Bruta_Total, TIME-9)+HISTORY(Receita_Bruta_Total, TIME-10)+HISTORY(Receita_Bruta_Total, TIME-11)+FatAnt[12])
ELSE 99999))))))))))))
ReceitaBruta[familia] = Faturamento[familia]
ReceitaLiquida[familia] = ReceitaBruta[familia]-Imposto_Selecionado[familia]
ReceitaLiquida_Operacional[familia] = ReceitaBruta[familia]-Imposto_Selecionado2[familia]
ReceitaLiquida_Total = ARRAYSUM(ReceitaLiquida[*])
Receita_Bruta_Total = ARRAYSUM(ReceitaBruta[*])
ReservaMP_Producao[familia,matprima] = OPLiberadas[familia]*BOM[familia,matprima]
TCiclo[familia] = CYCLETIME(TxProducao[familia])
TCicloProd[1] = NORMAL(0.000002,0.0394)
TCicloProd[2] = NORMAL(0.000007,0.0323)
TCicloProd[3] = NORMAL(0.00005,0.034)
TCicloProd[4] = NORMAL(0.000037,0.00000348)
TCicloProd[5] = NORMAL(0.000081,0.0759)
TempoFat = 0
TempoProcTot_CentroFam[familia,CpRest] = TempoProc_CentroFam[familia,CpRest]*PlanoProducao[familia]
TempoProc_CentroFam[1,1] = 0.00001
TempoProc_CentroFam[1,2] = 0.00001
TempoProc_CentroFam[1,3] = 0.00001
TempoProc_CentroFam[1,4] = 0.00001
TempoProc_CentroFam[1,5] = 0.00001
TempoProc_CentroFam[1,6] = 0.00001
TempoProc_CentroFam[1,7] = 0.00001
TempoProc_CentroFam[1,8] = 0.0000002
TempoProc_CentroFam[2,1] = 0.00001
108
TempoProc_CentroFam[2,2] = 0.00001
TempoProc_CentroFam[2,3] = 0.00001
TempoProc_CentroFam[2,4] = 0.00001
TempoProc_CentroFam[2,5] = 0.00001
TempoProc_CentroFam[2,6] = 0.00003
TempoProc_CentroFam[2,7] = 0.00001
TempoProc_CentroFam[2,8] = 0.0000002
TempoProc_CentroFam[3,1] = 0.00001
TempoProc_CentroFam[3,2] = 0.00001
TempoProc_CentroFam[3,3] = 0.00001
TempoProc_CentroFam[3,4] = 0.00001
TempoProc_CentroFam[3,5] = 0.00001
TempoProc_CentroFam[3,6] = 0.00002
TempoProc_CentroFam[3,7] = 0.00001
TempoProc_CentroFam[3,8] = 0.0000002
TempoProc_CentroFam[4,1] = 0.00001
TempoProc_CentroFam[4,2] = 0.00001
TempoProc_CentroFam[4,3] = 0.00001
TempoProc_CentroFam[4,4] = 0.00001
TempoProc_CentroFam[4,5] = 0.00001
TempoProc_CentroFam[4,6] = 0.00002
TempoProc_CentroFam[4,7] = 0.00001
TempoProc_CentroFam[4,8] = 0.0000002
TempoProc_CentroFam[5,1] = 0.00001
TempoProc_CentroFam[5,2] = 0.00001
TempoProc_CentroFam[5,3] = 0.00001
TempoProc_CentroFam[5,4] = 0.00001
TempoProc_CentroFam[5,5] = 0.00001
TempoProc_CentroFam[5,6] = 0.00002
TempoProc_CentroFam[5,7] = 0.00001
TempoProc_CentroFam[5,8] = 0.00001
Tempo_Amortizacao = 9
Tempo_IncrementoCap = 0.125
TomarEmprestimo = 0
TotalHoras_Utilizadas = ARRAYSUM(HorasUtilizadas[*])
TotalPlanej_CpRest[CpRest] = ARRAYSUM(TempoProcTot_CentroFam[*,CpRest])
109
TotComissoes = ARRAYSUM(Comissões[*])
TotCompraR$[matprima] = Preco_MedioMP[matprima]*ListaCompras[matprima]
TotCpNec_PorCpRest[1] = (if (CpNec[1,1]=1) then CpNec[1,2] else 0) + (if (CpNec[2,1]=1) then CpNec[2,2] else 0) + (if (CpNec[3,1]=1) then CpNec[3,2] else 0) + (if (CpNec[4,1]=1) then CpNec[4,2] else 0) + (if (CpNec[5,1]= 1) then CpNec[5,2] else 0)
TotCpNec_PorCpRest[2] = (if (CpNec[1,1]=2) then CpNec[1,2] else 0) + (if (CpNec[2,1]=2) then CpNec[2,2] else 0) + (if (CpNec[3,1]=2) then CpNec[3,2] else 0) + (if (CpNec[4,1]=2) then CpNec[4,2] else 0) + (if (CpNec[5,1]= 2) then CpNec[5,2] else 0)
TotCpNec_PorCpRest[3] = (if (CpNec[1,1]=3) then CpNec[1,2] else 0) + (if (CpNec[2,1]=3) then CpNec[2,2] else 0) + (if (CpNec[3,1]=3) then CpNec[3,2] else 0) + (if (CpNec[4,1]=3) then CpNec[4,2] else 0) + (if (CpNec[5,1]= 3) then CpNec[5,2] else 0)
TotCpNec_PorCpRest[4] = (if (CpNec[1,1]=4) then CpNec[1,2] else 0) + (if (CpNec[2,1]=4) then CpNec[2,2] else 0) + (if (CpNec[3,1]=4) then CpNec[3,2] else 0) + (if (CpNec[4,1]=4) then CpNec[4,2] else 0) + (if (CpNec[5,1]= 4) then CpNec[5,2] else 0)
TotCpNec_PorCpRest[5] = (if (CpNec[1,1]=5) then CpNec[1,2] else 0) + (if (CpNec[2,1]=5) then CpNec[2,2] else 0) + (if (CpNec[3,1]=5) then CpNec[3,2] else 0) + (if (CpNec[4,1]=5) then CpNec[4,2] else 0) + (if (CpNec[5,1]= 5) then CpNec[5,2] else 0)
TotCpNec_PorCpRest[6] = (if (CpNec[1,1]=6) then CpNec[1,2] else 0) + (if (CpNec[2,1]=6) then CpNec[2,2] else 0) + (if (CpNec[3,1]=6) then CpNec[3,2] else 0) + (if (CpNec[4,1]=6) then CpNec[4,2] else 0) + (if (CpNec[5,1]= 6) then CpNec[5,2] else 0)
TotCpNec_PorCpRest[7] = (if (CpNec[1,1]=7) then CpNec[1,2] else 0) + (if (CpNec[2,1]=7) then CpNec[2,2] else 0) + (if (CpNec[3,1]=7) then CpNec[3,2] else 0) + (if (CpNec[4,1]=7) then CpNec[4,2] else 0) + (if (CpNec[5,1]= 7) then CpNec[5,2] else 0)
TotCpNec_PorCpRest[8] = (if (CpNec[1,1]=8) then CpNec[1,2] else 0) + (if (CpNec[2,1]=8) then CpNec[2,2] else 0) + (if (CpNec[3,1]=8) then CpNec[3,2] else 0) + (if (CpNec[4,1]=8) then CpNec[4,2] else 0) + (if (CpNec[5,1]= 8) then CpNec[5,2] else 0)
TotCpPadrao = ARRAYSUM(CpPadrao[*])
TotCustos_IndFabVar = ARRAYSUM(CustosInd_FabVar[*])
TotVendas = ARRAYSUM(TotVendas_PorFam[*])
TotVendas_PorFam[familia] = Vendas[familia]*PrecoVendas[familia]
txCapacid_Aprovada = if (LimitarCapacid=0) then 1
else
if (LimiteCaixa_Capacid >= ValorTotal_MOBNec) then 1 else (LimiteCaixa_Capacid/ValorTotal_MOBNec)
txComiss = 0.05
txCustoInd_Variavel = 0.1933
txDepAdm = 0.14256
txDepreciacao = 1925.19
txDepreciacao_2 = 2420.3
txDespComerc = 0.00462
txDespFinan = 0.03247
TxImposto_Vendas2018 = IF (RBT12<= 180000.00) THEN 0.0241
110
ELSE (IF (180000.01 < RBT12) AND (RBT12 <= 360000.00) THEN ((RBT12*0.0417)-5940)/RBT12
ELSE (IF (360000.01 < RBT12) AND (RBT12 <= 720000.00) THEN ((RBT12*0.0535)-13860)/RBT12
ELSE (IF (720000.01 < RBT12) AND (RBT12 <= 1800000.00) THEN ((RBT12*0.0599)-22500)/RBT12
ELSE (IF (1800000.01 < RBT12) AND (RBT12 <= 3600000.00) THEN ((RBT12*0.0786)-85500)/RBT12
ELSE (IF (3600000.01 < RBT12) AND (RBT12 <= 4800000.00) THEN ((RBT12*0.1815)-720000)/RBT12
ELSE 0)))))
TxImposto_Vendas_2017 = IF 1080000.01 < (RBT12) <= 1260000.00 THEN 0.0478
ELSE (IF 1260000.01 < (RBT12) <= 1440000.00 THEN 0.0482
ELSE (IF 1440000.01 < (RBT12) <= 1620000.00 THEN 0.0512
ELSE (IF 1620000.01 < (RBT12) <= 1800000.00 THEN 0.0516
ELSE (IF 1800000.01 < (RBT12) <= 1980000.00 THEN 0.0559
ELSE (IF 1980000.01 < (RBT12) <= 2160000.00 THEN 0.0563
ELSE (IF 2160000.01 < (RBT12) <= 2340000.00 THEN 0.0568
ELSE (IF 2340000.01 < (RBT12) <= 2520000.00 THEN 0.0574
ELSE (IF 2520000.01 < (RBT12) <= 2700000.00 THEN 0.0578
ELSE (IF 2700000.01 < (RBT12) <= 2880000.00 THEN 0.0625
ELSE (IF 2880000.01 < (RBT12) <= 3060000.00 THEN 0.0629
111
ELSE (IF 3060000.01 < (RBT12) <= 3240000.00 THEN 0.0634
ELSE (IF 3240000.01 < (RBT12) <= 3420000.00 THEN 0.0639
ELSE (IF 3420000.01 < (RBT12) <= 3600000.00 THEN 0.0643
ELSE (IF 3600000.01 < (RBT12) <= 4800000.00 THEN 0.0643
ELSE 0))))))))))))))
TxInadimplencia = 0.002
txJuros = 1/100
txMargem_Desejada = 0.1
txMatPrima_Encomenda[1] = 0
txMatPrima_Encomenda[2] = 0
txMatPrima_Encomenda[3] = 0
txMatPrima_Encomenda[4] = 0
txMatPrima_Encomenda[5] = 0
txMatPrima_Encomenda[6] = 0
txMatPrima_Encomenda[7] = 0
txMatPrima_Encomenda[8] = 0
txPercCaixa_Capacid = 0.40
txPercCaixa_Compra = 0.76
txRelacaoCpRestrita = 0.00001
TxSelecionada = IF TIME<=9 THEN Tx_SN_2017
ELSE TXSN_2018
TXSN_2018 = IF (RBT12<= 180000.00) THEN 0.045
ELSE (IF (180000.01 < RBT12) AND (RBT12 <= 360000.00) THEN ((RBT12*0.078)-5940)/RBT12
ELSE (IF (360000.01 < RBT12) AND (RBT12 <= 720000.00) THEN ((RBT12*0.1)-13860)/RBT12
ELSE (IF (720000.01 < RBT12) AND (RBT12 <= 1800000.00) THEN ((RBT12*0.112)-22500)/RBT12
112
ELSE (IF (1800000.01 < RBT12) AND (RBT12 <= 3600000.00) THEN ((RBT12*0.147)-85500)/RBT12
ELSE (IF (3600000.01 < RBT12) AND (RBT12 <= 4800000.00) THEN ((RBT12*0.3)-720000)/RBT12
ELSE 0)))))
txVlrHoraExtra = 0.5
Tx_SN_2017 = IF (1080000.01 < RBT12) AND (RBT12 <= 1260000.00) THEN 0.0886
ELSE (IF (1260000.01 < RBT12) AND (RBT12<=1440000.00) THEN 0.0895
ELSE (IF (1440000.01 < RBT12) AND (RBT12<=1620000.00) THEN 0.0953
ELSE (IF (1620000.01 < RBT12) AND (RBT12<=1800000.00) THEN 0.0962
ELSE (IF (1800000.01 < RBT12) AND (RBT12<=1980000.00) THEN 0.1045
ELSE (IF (1980000.01 < RBT12) AND (RBT12<=2160000.00) THEN 0.1054
ELSE (IF (2160000.01 < RBT12) AND (RBT12<=2340000.00) THEN 0.1063
ELSE (IF (2340000.01 < RBT12) AND (RBT12<=2520000.00) THEN 0.1073
ELSE (IF (2520000.01 < RBT12) AND (RBT12<=2700000.00) THEN 0.1082
ELSE (IF (2700000.01 < RBT12) AND (RBT12<=2880000.00) THEN 0.1173
ELSE (IF (2880000.01 < RBT12) AND (RBT12<=3060000.00) THEN 0.1182
ELSE (IF (3060000.01 < RBT12) AND (RBT12<=3240000.00) THEN 0.1192
ELSE (IF (3240000.01 < RBT12) AND (RBT12<=3440000.00) THEN 0.1201
ELSE (IF (3440000.01 < RBT12) AND (RBT12<=3600000.00) THEN 0.1211
ELSE 0)))))))))))))
ValorEstoque = ARRAYSUM(CustoEstqProd[*])+ARRAYSUM(CustoEstqMP[*])
113
ValorTotal_MaoObra = (CapacidadeTotal*VlrHoraMedioMO)+(((CapacidadeTotal-CpTotalPadrao)*VlrHoraMedioMO*txVlrHoraExtra))
ValorTotal_MOBNec = (CpTotalNec*VlrHoraMedioMO) + (((CpTotalNec-CpTotalPadrao)*VlrHoraMedioMO)* txVlrHoraExtra)
Vendas_Total = ARRAYSUM(Vendas[*])
VlrHoraMedioMO = 135
CobertEstq[1] = GRAPH(TIME)
(1.00, 0.00), (2.00, 0.00), (3.00, 0.00), (4.00, 0.00), (5.00, 0.00), (6.00, 0.00), (7.00, 0.00), (8.00, 0.00), (9.00, 0.00), (10.0, 0.00), (11.0, 0.00), (12.0, 0.00)
CobertEstq[2] = GRAPH(TIME)
(1.00, 0.00), (2.00, 0.00), (3.00, 0.00), (4.00, 0.00), (5.00, 0.00), (6.00, 0.00), (7.00, 0.00), (8.00, 0.00), (9.00, 0.00), (10.0, 0.00), (11.0, 0.00), (12.0, 0.00)
CobertEstq[3] = GRAPH(TIME)
(1.00, 0.00), (2.00, 0.00), (3.00, 0.00), (4.00, 0.00), (5.00, 0.00), (6.00, 0.00), (7.00, 0.00), (8.00, 0.00), (9.00, 0.00), (10.0, 0.00), (11.0, 0.00), (12.0, 0.00)
CobertEstq[4] = GRAPH(TIME)
(1.00, 0.00), (2.00, 0.00), (3.00, 0.00), (4.00, 0.00), (5.00, 0.00), (6.00, 0.00), (7.00, 0.00), (8.00, 0.00), (9.00, 0.00), (10.0, 0.00), (11.0, 0.00), (12.0, 0.00)
CobertEstq[5] = GRAPH(TIME)
(1.00, 0.00), (2.00, 0.00), (3.00, 0.00), (4.00, 0.00), (5.00, 0.00), (6.00, 0.00), (7.00, 0.00), (8.00, 0.00), (9.00, 0.00), (10.0, 0.00), (11.0, 0.00), (12.0, 0.00)
Estq_Desejado[1] = GRAPH(TIME)
(1.00, 40000), (2.00, 40000), (3.00, 40000), (4.00, 40000), (5.00, 40000), (6.00, 40000), (7.00, 40000), (8.00, 40000), (9.00, 40000), (10.0, 40000), (11.0, 40000), (12.0, 40000)
Estq_Desejado[2] = GRAPH(TIME)
(1.00, 20000), (2.00, 20000), (3.00, 20000), (4.00, 20000), (5.00, 20000), (6.00, 20000), (7.00, 20000), (8.00, 20000), (9.00, 20000), (10.0, 20000), (11.0, 20000), (12.0, 20000)
Estq_Desejado[3] = GRAPH(TIME)
(1.00, 14000), (2.00, 14000), (3.00, 14000), (4.00, 14000), (5.00, 14000), (6.00, 14000), (7.00, 14000), (8.00, 14000), (9.00, 14000), (10.0, 14000), (11.0, 14000), (12.0, 14000)
Estq_Desejado[4] = GRAPH(TIME)
(1.00, 14000), (2.00, 14000), (3.00, 14000), (4.00, 14000), (5.00, 14000), (6.00, 14000), (7.00, 14000), (8.00, 14000), (9.00, 14000), (10.0, 14000), (11.0, 14000), (12.0, 14000)
Estq_Desejado[5] = GRAPH(TIME)
(1.00, 2400), (2.00, 2400), (3.00, 2400), (4.00, 2400), (5.00, 2400), (6.00, 2400), (7.00, 2400), (8.00, 2400), (9.00, 2400), (10.0, 2400), (11.0, 2400), (12.0, 2400)
Preco_MedioMP[1] = GRAPH(TIME)
(1.00, 0.68), (2.00, 0.68), (3.00, 0.68), (4.00, 0.68), (5.00, 0.68), (6.00, 0.68), (7.00, 0.68), (8.00, 0.68), (9.00, 0.68), (10.0, 0.68), (11.0, 0.68), (12.0, 0.68)
Preco_MedioMP[2] = GRAPH(TIME)
(1.00, 0.68), (2.00, 0.68), (3.00, 0.68), (4.00, 0.68), (5.00, 0.68), (6.00, 0.68), (7.00, 0.68), (8.00, 0.68), (9.00, 0.68), (10.0, 0.68), (11.0, 0.68), (12.0, 0.68)
114
Preco_MedioMP[3] = GRAPH(TIME)
(1.00, 0.68), (2.00, 0.68), (3.00, 0.68), (4.00, 0.68), (5.00, 0.68), (6.00, 0.68), (7.00, 0.68), (8.00, 0.68), (9.00, 0.68), (10.0, 0.68), (11.0, 0.68), (12.0, 0.68)
Preco_MedioMP[4] = GRAPH(TIME)
(1.00, 0.68), (2.00, 0.68), (3.00, 0.68), (4.00, 0.68), (5.00, 0.68), (6.00, 0.68), (7.00, 0.68), (8.00, 0.68), (9.00, 0.68), (10.0, 0.68), (11.0, 0.68), (12.0, 0.68)
Preco_MedioMP[5] = GRAPH(TIME)
(1.00, 0.68), (2.00, 0.68), (3.00, 0.68), (4.00, 0.68), (5.00, 0.68), (6.00, 0.68), (7.00, 0.68), (8.00, 0.68), (9.00, 0.68), (10.0, 0.68), (11.0, 0.68), (12.0, 0.68)
Preco_MedioMP[6] = GRAPH(TIME)
(1.00, 0.095), (2.00, 0.095), (3.00, 0.095), (4.00, 0.095), (5.00, 0.095), (6.00, 0.095), (7.00, 0.095), (8.00, 0.095), (9.00, 0.095), (10.0, 0.095), (11.0, 0.095), (12.0, 0.095)
Preco_MedioMP[7] = GRAPH(TIME)
(1.00, 0.031), (2.00, 0.031), (3.00, 0.031), (4.00, 0.031), (5.00, 0.031), (6.00, 0.031), (7.00, 0.031), (8.00, 0.031), (9.00, 0.031), (10.0, 0.031), (11.0, 0.031), (12.0, 0.031)
Preco_MedioMP[8] = GRAPH(TIME)
(1.00, 0.008), (2.00, 0.008), (3.00, 0.008), (4.00, 0.008), (5.00, 0.008), (6.00, 0.008), (7.00, 0.008), (8.00, 0.008), (9.00, 0.008), (10.0, 0.008), (11.0, 0.008), (12.0, 0.008)
PrevisãoVendas[1] = GRAPH(TIME)
(1.00, 569194), (2.00, 556294), (3.00, 543394), (4.00, 530494), (5.00, 517595), (6.00, 504695), (7.00, 491795), (8.00, 478895), (9.00, 465996), (10.0, 453096), (11.0, 440196), (12.0, 427296)
PrevisãoVendas[2] = GRAPH(TIME)
(1.00, 37274), (2.00, 0.00), (3.00, 0.00), (4.00, 29485), (5.00, 52880), (6.00, 64592), (7.00, 70456), (8.00, 73392), (9.00, 74862), (10.0, 75597), (11.0, 75966), (12.0, 76150)
PrevisãoVendas[3] = GRAPH(TIME)
(1.00, 28007), (2.00, 28007), (3.00, 28007), (4.00, 28007), (5.00, 28007), (6.00, 28007), (7.00, 28007), (8.00, 28007), (9.00, 28007), (10.0, 28007), (11.0, 28007), (12.0, 28007)
PrevisãoVendas[4] = GRAPH(TIME)
(1.00, 26838), (2.00, 26838), (3.00, 26838), (4.00, 26838), (5.00, 26838), (6.00, 26838), (7.00, 26838), (8.00, 26838), (9.00, 26838), (10.0, 26838), (11.0, 26838), (12.0, 26838)
PrevisãoVendas[5] = GRAPH(TIME)
(1.00, 10666), (2.00, 10666), (3.00, 10666), (4.00, 10666), (5.00, 10666), (6.00, 10666), (7.00, 10666), (8.00, 10666), (9.00, 10666), (10.0, 10666), (11.0, 10666), (12.0, 10666
115
APÊNDICE B
Dados de entrada do modelo de validação
Tabela 18 - Estoque atual de produto acabado
Produto Estoque inicial (quantidade)
Unidade de medida
Valor do estoque (custo)
Preço de venda (Kg)
Custo (Kg)
A 40.000 kg R$ 4.200,00 0,13 0,105
B 20.000 kg R$ 4.000,00 0,25 0,2
C 14.000 kg R$ 1.659,00 0,19 0,1185
D 14.000 kg R$ 1.659,00 0,18 0,1185
E 2.400 kg R$ 453,12 0,33 0,1888
Fonte: Da autora, 2017
Tabela 19 - Cobertura de estoque planejada (Kg)
Produto Jan/15 Fev/15 Mar/15 Abr/15 Mai/15 Jun/15 Jul/15 Ago/15 Set/15 Out/15 Nov/15 Dez/15
A 40.000 40.000 40.000 40.000 40.000 40.000 40.000 40.000 40.000 40.000 40.000 40.000
B 20.000 20.000 20.000 20.000 20.000 20.000 20.000 20.000 20.000 20.000 20.000 20.000
C 14.000 14.000 14.000 14.000 14.000 14.000 14.000 14.000 14.000 14.000 14.000 14.000
D 14.000 14.000 14.000 14.000 14.000 14.000 14.000 14.000 14.000 14.000 14.000 14.000
E 2.4000 2.4000 2.4000 2.4000 2.4000 2.4000 2.4000 2.4000 2.4000 2.4000 2.4000 2.4000
Fonte: Da autora, 2017
116
Tabela 20 - Previsão de vendas (kg)
Produto Jan/15 Fev/15 Mar/15 Abr/15 Mai/15 Jun/15 Jul/15 Ago/15 Set/15 Out/15 Nov/15 Dez/15
A 319.940 410.800 480.560 467.920 408.580 466.160 522.140 497.800 406.680 495.400 329.700 390.380
B 74.080 96.660 90.440 98.080 75.020 182.700 168.160 122.400 115.000 160.880 243.100 207.740
C 13.000 10.000 0 0 0 0 0 14.000 42.000 28.000 56.000 75.6000
D 800 8.000 74.420 42.780 27.140 26.300 20.000 27.700 6.800 26.000 25.300 38.760
E 6.750 3.700 4.050 12.025 11.625 15.640 16.035 25.450 21.385 7.600 15.950 7.850
Fonte: Da autora, 2017
Tabela 21 - Suprimentos
Fonte: Da autora, 2017
Matéria-Prima
Estoque inicial de Matéria-prima em quantidade
Unidade Medida
Valor do estoque de MP (custo)
Cobertura de estoque em dias
Preço médio líquido para compras
Saldo atual em processo de compras (quantidade)
Saldo atual em processo de compras (R$)
MP encomendada
Sacaria 76.056 sc R$ 51.718,08 120 0,68 20.000 13.600 0
Sacaria 16.112 sc R$ 10.956,16 120 0,68 22.965 15.616 0
Sacaria 35.816 sc R$ 24.354,88 120 0,68 0 0 0
Sacaria 7.170 sc R$ 4.875,60 120 0,68 0 0 0
Sacaria 6.665 sc R$ 4.532,20 120 0,68 0 0 0
Cal 152.220 kg R$ 14.430,46 120 0,0948 187.960 17.819 0
Caulim 294.000 kg R$ 9.019,92 120 0,03068 182.000 5.584 0
Rejeito 184.370 kg R$ 1.474,96 120 0,008 132.560 1.060 0
117
Tabela 22 - Lista de Materiais (BOM)
Produto A B C D E
Quantidade de MP em estoque Quantidade Quantidade Quantidade Quantidade Quantidade
Sacaria (sc/kg) 0,05 0,05 0,05 0,05 0,125
Cal (kg) 0,75 1,00 0,75 0,75 0,750
Caulim (kg) 0,25 0,00 0,00 0,00 0,000
Rejeito (kg) 0,00 0,00 0,25 0,25 0,250
Fonte: Da autora, 2017
Tabela 23 - Capacidade total Tabela 24 - Capacidade
Fonte: Da autora, 2017
Fonte: Da autora, 2017
Capacidade total padrão (horas)
170 Centro de trabalho restrito
Capacidade padrão em horas
Taxa de produtividade
Taxa de relação com a capacidade total
Centro 1 20,4 0,9 0,12
Centro 2 20,4 0,9 0,12
Centro 3 20,4 0,9 0,12
Centro 4 20,4 0,9 0,12
Centro 5 20,4 0,9 0,12
Centro 6 42,5 0,9 0,25
Centro 7 20,4 0,9 0,12
Centro 8 5,1 0,9 0,0025
118
Tabela 25 - Total de horas de capacidade utilizada de cada centro produtivo por família de produto CT 1 2 3 4 5 6 7 8
A 0,000010 0,000010 0,000010 0,000010 0,000010 0,000010 0,000010 0,000000 0,000070
B 0,000010 0,000010 0,000010 0,000010 0,000010 0,000030 0,000010 0,000000 0,000090
C 0,000010 0,000010 0,000010 0,000010 0,000010 0,000020 0,000010 0,000000 0,000080
D 0,000010 0,000010 0,000010 0,000010 0,000010 0,000020 0,000010 0,000000 0,000080
E 0,000010 0,000010 0,000010 0,000010 0,000010 0,000020 0,000010 0,000000 0,000080
0,000050 0,000050 0,000050 0,000050 0,000050 0,000100 0,000050 0,000001 0,000401
Fonte: Da autora, 2017
Tabela 26 - Centro Restrito
Tabela 27 - Ciclo de produção
Fonte: Da autora, 2017 Fonte: Da autora, 2017
Produto Centro Horas unitárias utilizadas do Centro de Trabalho restrito
Total horas utilizadas da capacidade total
A 6 0,000100 0,000070
B 6 0,000300 0,000090
C 6 0,000200 0,000080
D 6 0,000200 0,000080
E 6 0,000200 0,000080
Produto A
Normal (0.000393, 6.71)
Produto B
Normal (0.001248,0.00055)
Produto C
Normal (0.00855,0.006017)
Produto D
Normal (0.006296,0.059194)
Produto E
Normal (0.013779,0.012904)
119
Tabela 28 - Prazo de Suprimento Tabela 29 - Custo
Fonte: Da autora, 2017
Fonte: Da autora, 2017
Tabela 30 - Fluxo de Caixa
Fonte: Da autora, 2017
Valor de custo do ativo imobilizado
Depreciação mensal
Valor total de gastos fixos de produção (média mensal)
Valor Hora Médio da Mão de Obra Direta
Percentual de custo Indireto e Variável
R$ 1.270.295,35 R$ 2.420,30 R$ 1.318,92
R$ 135,00 1,0%
Centro 1 Normal (1,0.05)
Centro2 Normal (1,0.05)
Centro 3 Normal (1,0.05)
Centro 4 Normal (1,0.05)
Centro 5 Normal (1,0.05)
Centro 6 Normal (2.85,2.07)
Centro 7 Normal (1.35,0.72)
Centro 8 Normal (3,1.41)
Imobilizado
Valor ativo imobilizado (despesas)
Depreciação mensal
Percentual do caixa destinado a compra de matéria-prima
Percentual do caixa destinado a horas adicionais de capacidade. Ex.: horas extras, Mp)
Percentual de comissão sobre vendas
Margem de lucro desejada
Montante de empréstimo
Mês de Embolso
Tempo de Amortização
Taxa de juros
R$ 80.014,24
R$ 1.925,19 76% 40% 5% 10% 15.2935,57 16/09/2016 15 1%
120
Tabela 31 – Legenda
EstoqProd SuprimentoRS Horas total unidade
CobertEstoq CpTotalPadrao Hora restrita unidade
Previsão Vendas BOM CP Total restrito
EstoqMatKg CPPadrão ImobilizadoCusto
CobertEstopMP TCicloProd CustoEstProd
Suprimento PrazoSuprimento CustoEstMP
Fonte: Da autora, 2017
TxDepreciacao2 TxPercCaixaCompra Amortizacao
GastosFixoProducao TxPercCaixaCapacid TxJuros
VlrHoraMedioMO Comissões
txCustoIndVariavel TxMargemDesejada
ImobilizadoDespesa MontanteEmprestimo
TxDepreciacao InicioEmbolso