estabelecimento de diferencial competitivo … · este artigo tem o objetivo de demonstrar a ......

21
1 ESTABELECIMENTO DE DIFERENCIAL COMPETITIVO ATRAVÉS DA ANÁLISE E PREVISÃO DE DEMANDA PARA RACIONALIZAÇÃO DOS ESTOQUES – UM ESTUDO DE CASO PARA COMPENSADO NAVAL [email protected] Apresentação Oral-Economia e Gestão no Agronegócio FABIANO SILVA PEREIRA; ALEXANDRE BANDEIRA MONTEIRO E SILVA; MADALENA MARIA SCHLINDWEIN. UNIVERSIDADE FEDERAL DA GRANDE DOURADOS, DOURADOS - MS - BRASIL. ESTABELECIMENTO DE DIFERENCIAL COMPETITIVO ATRAVÉS DA ANÁLISE E PREVISÃO DE DEMANDA PARA RACIONALIZAÇÃO DOS ESTOQUES – UM ESTUDO DE CASO PARA COMPENSADO NAVAL Grupo de Pesquisa: Economia e Gestão no Agronegócio RESUMO Este artigo tem o objetivo de demonstrar a importância dos modelos de Análise e Previsão de Demanda como ferramenta para diminuir a distância entre a necessidade e a disponibilidade do produto no estoque. A metodologia adotada envolveu o estudo de séries temporais, a aplicação de modelos de previsão de demanda e análise da acuracidade das mesmas. Os principais resultados demonstraram, que o comportamento de demanda do produto analisado, possui como característica predominante o comportamento sazonal e dentre as modelagens de previsão aplicadas, a que possuiu maior acuracidade na previsão é o Modelo com Suavização Exponencial Corrigida dos Efeitos da Sazonalidade. Palavras-chave: Análise e Previsão de Demanda; Controle de estoques, Otimização de compra; Curva ABC. ABSTRACT This article has the objective to demonstrate the importance of the models of Analysis and Forecast of Demand as a tool to reduce the distance between the necessity and the availability of the product in the stock. The adopted methodology involved the study of time series, the application of models of demand forecast and analyzes of the precision of the same ones. The main results showed that the behavior of the product demand analysed, has a predominant feature a seasonal behavior. The greater accuracy in forecasting for that was the Exponential Smoothing Model with Effects corrected of the seasonal. Key words: Demand forecasting; Stock control; Purchase optimization; Curve ABC.

Upload: buiduong

Post on 15-Dec-2018

212 views

Category:

Documents


0 download

TRANSCRIPT

1

ESTABELECIMENTO DE DIFERENCIAL COMPETITIVO ATRAVÉS DA ANÁLISE E PREVISÃO DE DEMANDA PARA RACIONALIZAÇÃO D OS

ESTOQUES – UM ESTUDO DE CASO PARA COMPENSADO NAVAL [email protected]

Apresentação Oral-Economia e Gestão no Agronegócio

FABIANO SILVA PEREIRA; ALEXANDRE BANDEIRA MONTEIRO E SILVA; MADALENA MARIA SCHLINDWEIN.

UNIVERSIDADE FEDERAL DA GRANDE DOURADOS, DOURADOS - MS - BRASIL.

ESTABELECIMENTO DE DIFERENCIAL COMPETITIVO ATRAVÉS DA ANÁLISE E PREVISÃO DE DEMANDA PARA RACIONALIZAÇÃO D OS

ESTOQUES – UM ESTUDO DE CASO PARA COMPENSADO NAVAL

Grupo de Pesquisa: Economia e Gestão no Agronegócio

RESUMO Este artigo tem o objetivo de demonstrar a importância dos modelos de Análise e Previsão de Demanda como ferramenta para diminuir a distância entre a necessidade e a disponibilidade do produto no estoque. A metodologia adotada envolveu o estudo de séries temporais, a aplicação de modelos de previsão de demanda e análise da acuracidade das mesmas. Os principais resultados demonstraram, que o comportamento de demanda do produto analisado, possui como característica predominante o comportamento sazonal e dentre as modelagens de previsão aplicadas, a que possuiu maior acuracidade na previsão é o Modelo com Suavização Exponencial Corrigida dos Efeitos da Sazonalidade. Palavras-chave: Análise e Previsão de Demanda; Controle de estoques, Otimização de compra; Curva ABC.

ABSTRACT This article has the objective to demonstrate the importance of the models of Analysis and Forecast of Demand as a tool to reduce the distance between the necessity and the availability of the product in the stock. The adopted methodology involved the study of time series, the application of models of demand forecast and analyzes of the precision of the same ones. The main results showed that the behavior of the product demand analysed, has a predominant feature a seasonal behavior. The greater accuracy in forecasting for that was the Exponential Smoothing Model with Effects corrected of the seasonal. Key words: Demand forecasting; Stock control; Purchase optimization; Curve ABC.

2

1. INTRODUÇÃO No processo de gestão da empresa, o uso de estratégias, fórmulas e desenvolvimento de

procedimentos para compra de material para estoque, ganham importância cada vez maior. De uma forma geral, administrar uma empresa envolve inúmeras dificuldades. Os administradores, em sua grande maioria, atentam para a qualidade de atendimento como um ponto importante a ser atingido, porém, devem levar em conta que, em um mercado cada vez mais globalizado e competitivo, simplesmente oferecer um produto com um atendimento diferenciado, não é privilégio de poucas empresas, principalmente em cidades de médio e grande porte. O preço de venda e a disponibilidade do produto, atualmente, podem ser o diferencial entre comercializar ou não um produto.

O preço final de um produto depende da combinação de uma série de eventos, os quais, uma vez bem sucedidos, contribuem, de forma positiva, para que o preço final do produto torne-se competitivo no mercado e atinja o objetivo principal da organização empresarial, o lucro.

A disponibilidade do produto afeta diretamente no suprimento da demanda, onde não vender um produto devido à ruptura no estoque gera além do não faturamento, a disposição do consumidor em buscar outros fornecedores e comprometer negociações futuras. A falta do produto nos estoques abre espaço para que em futuras negociações haja a preferência do consumidor em voltar a última empresa que lhe atendeu a contento com o produto disponível nos estoques.

Encontrar a melhor forma de estabelecer o processo de compras de compensado naval, com base no comportamento do estoque nos períodos mensais anteriores, através da análise da previsão da demanda, proporciona um maior controle dos estoques, minimizando a ruptura1 e o excesso dos produtos. Tais informações permitem também subsidiar o processo de tomada de decisão e conhecimento acerca da demanda dos estoques permitindo a formulação de estratégias de compras.

Dentre as dificuldades encontradas na comercialização de produtos, observa-se que gerir estoques é uma tarefa que requer cuidados, tais como: 1) administrar as informações referentes à compra e venda de compensados naval; 2) obter a melhor condição de compra com o menor estoque ocioso; 3) comprar compensados naval na quantidade mais adequada ao estoque ideal - levando em consideração o valor da compra e os benefícios oferecidos pela indústria; 4) ter um produto com a quantidade necessária a um custo menor que demonstrem a importância em se aprofundar o tema.

Manter um nível de estoques de compensados naval proporcional ao volume de vendas mensal trará para a empresa avaliada maior fluidez no capital investido.

Este trabalho possui como objetivo geral racionalizar pedidos de reposição de compensados naval baseados na previsão de demanda através da aplicação de fórmulas de modelagem de série temporal a serem implantadas no sistema de Banco de Dados da empresa avaliada em Dourados.

1 Ruptura do estoque: é caracterizada quando o estoque chega a zero e não se pode atender a uma necessidade de consumo, uma requisição ou mesmo uma venda.

3

Como objetivos específicos, tem-se: 1) Demonstrar o comparativo dos diferentes modelos de previsões aplicadas. 2) Determinar o melhor modelo de previsão de demanda através da aplicação da Média Absoluta Percentual dos Erros (MAPE).

A metodologia utilizada baseia-se na identificação do tipo de demanda que o produto analisado possui, através da aplicação de modelos de previsão de demanda e seleção de qual modelo possui maior acuracidade, oferecendo ao tomador de decisões informações que lhe auxiliarão na elaboração de pedidos de reposição dos estoques.

Além desta introdução, o presente trabalho divide-se em 4 partes. No segundo tópico há uma sucinta caracterização do mercado de compensados. No tópico 3 é apresentada a metodologia que serviu de alicerce para este trabalho. Em seguida, tem-se a análise e discussão dos dados. Por fim, a conclusão deste trabalho é apresentada no tópico 5.

2. CARACTERIZAÇÃO DO MERCADO DE COMPENSADOS

2.1. O Mercado de Compensados Nos últimos anos, devido à forte demanda externa, as pouco mais de 200 fábricas

instaladas no Brasil, possuem capacidade de produção em conjunto de aproximadamente 4 milhões de m3 anuais. A indústria do compensado tem investido em modernização de forma a aumentar os níveis de produção e garantir a competitividade no mercado internacional.

Atualmente dois terços da área do Brasil são formados por florestas naturais e florestas plantadas. Os 544 milhões de hectares são formados principalmente por florestas naturais e estão localizadas na região amazônica ocupando uma área de quase 539 milhões de hectares. As florestas plantadas por sua vez ocupam aproximadamente 5,5 milhões de hectares (FAO 2000, 2001).

Há um aumento crescente no plantio de florestas de Pinus e Eucalipto, porém quase a totalidade da produção de madeira tropical consumida pela indústria de madeira processada mecanicamente no Brasil é proveniente de florestais naturais de produção privadas. As maiores áreas plantadas com Pinus estão nos estados do Paraná, Santa Catarina, Rio Grande do Sul, Minas Gerais, São Paulo, Bahia, Mato Grosso do Sul e Amapá. (ANUÁRIO-ABRAF 2006); enquanto as maiores áreas plantadas com eucalipto estão situadas nos estados de Minas Gerais, São Paulo, Bahia, Espírito Santo, Rio Grande do Sul, Paraná, Mato Grosso do Sul, Pará, Santa Catarina, Maranhão, Amapá, Goiás e Mato Grosso. Cabe ressaltar que há outros estados não citados devido a pouca área plantada. (ANUÁRIO-ABRAF 2006)

Em 2004, o Brasil retomou o crescimento e melhorou no ranking das maiores economias mundiais. Tal fato não era observado desde 1994 e deve-se ao reaquecimento do mercado doméstico e do excelente desempenho das exportações. O setor terciário (serviços), que possui uma representação média de 54% do PIB nacional (2004), é seguido pelo setor secundário (indústria) que responde por 37% e, finalmente, pelo primário (agropecuária) que representa apenas 9% do PIB brasileiro (ABIMCI, 2005).

A Indústria da Madeira demonstra que possui grande importância no PIB, geração de empregos, investimentos esperados, nas exportações para a economia nacional (Tabela 1). A madeira está entre os principais produtos que contribuíram com o excelente desempenho das exportações brasileiras em 2004, alcançando em 2006 o total de 4,6 bilhões de dólares ou uma participação de 3,3% do total da exportação. O setor de base florestal tem a indústria de madeira processada mecanicamente como maior fonte de geração de empregos além da posição de destaque como gerador de postos de trabalho na indústria de transformação em geral.

Estima-se que em 2004, a indústria de madeira processada mecanicamente tenha gerado 2,5 milhões de postos de trabalho diretos e indiretos. (ABIMCI, 2005). Em 2006, este percentual foi de aproximadamente 2,1 milhões de postos de trabalho.

4

O volume de postos de trabalho gerados pela indústria da madeira processada mecanicamente no Brasil possui uma capacidade de geração de emprego maior do que outras indústrias, como o caso da automobilística. A cada R$ 1 milhão investido pela indústria de madeira processada mecanicamente no Brasil são gerados entre 10 e 20 postos de trabalho, enquanto que a indústria automobilística, por exemplo, para cada R$ 1 milhão investido gera menos de um posto de trabalho (ABIMCI, 2005).

Tabela 1- Indicadores Sócio-Econômicos da Indústria de Base Florestal e da Indústria de Madeira Processada Mecanicamente (2006)

Indicador Indústria de Base Florestal Indústria de Madeira Processada

Mecanicamente

PIB US$ 37,3 bilhões

(3,5% do PIB nacional) US$ 12,8 bilhões

(1,2% do PIB nacional)

PEA (empregos) 8,5 milhões

(8,7% da PEA nacional) 2,1 milhões

(2,2% da PEA Nacional) Capacidade de Geração de

Empregos (a cada R$ 10 milhões investidos)

352 empregos diretos; 374 indiretos e; 565 efeito-renda.

Total = 1.291

293 empregos diretos; 219 indiretos e; 294 efeito-renda.

Total = 806

Consumo de Energia Elétrica 12.158 GW.h

(3,5% da energia elétrica consumida pelo país)

3.126 GW.h (menos de 1% da energia elétrica

consumida pelo país)

Arrecadação Tributária US$ 5,2 bilhões

(1,4% do total da arrecadação nacional)

US$ 2,2 bilhões (0,6% do total da arrecadação

nacional)

Exportação US$ 8,5 bilhões

(6,2% do total da exportação) US$ 4,6 bilhões

(3,3% do total da exportação)

Superávit US$ 6,8 bilhões

(14,6% do superávit nacional) US$ 3,9 bilhões

(8,5% do superávit nacional)

Investimentos Esperados US$ 18 bilhões

(perspectiva até 2014) US$ 5 bilhões

(perspectiva até 2014) Fonte: STCP - (ABIMCI. <http://www.abimci.com.br/importancia_setor.html>, 2006)

A predominância da exportação de celulose e papel que ocorria durante a década de

1990 teve sua tendência invertida em 2004 frente aos produtos de madeira sólida e com isso os produtos de madeira sólida passaram a contribuir com 57% (US$ 3,9 bilhões) das exportações brasileiras de produtos florestais, enquanto que celulose e papel responderam por apenas 43% (US$ 2,9 bilhões). As exportações brasileiras de produtos florestais atingiram o montante recorde de US$ 6,8 bilhões em 2004. Em 2006, o total foi de 4,6 bilhões de dólares (ABIMCI, 2006).

As exportações foram o principal fator de mudança dessa tendência e em 2004 a produção de compensado tropical atingiu 3,8 milhões de m3. A taxa média de crescimento das exportações brasileiras de compensado foi de 14,5% ao ano. durante os últimos 10 anos. Em 2004, o Brasil exportou 2,9 milhões de m3. Esse excelente desempenho deve-se em parte ao agronegócio. A indústria florestal, em especial a indústria de madeira processada mecanicamente, exerce atualmente forte influência na balança comercial do agronegócio do Brasil. Em 2004, 17% do montante total exportado de agronegócios resultou dos produtos florestais. Os produtos florestais, no comercio internacional, perdem somente para o complexo soja. Somente os produtos de madeira sólida representaram 10% das exportações brasileiras de agronegócios (US$ 3,9 bilhões). (ABIMCI, 2004).

5

2.2. Perfil da Empresa A Empresa avaliada é uma empresa familiar que atua em Dourados no sul do Estado do

Mato Grosso do Sul há 23 anos e conta hoje com um portfólio constituído desde portas e compensados de madeiras a fechaduras, forros de PVC, coberturas ecológicas e tubos metálicos, vernizes e produtos para acabamento em construção civil.

Recentemente a empresa montou uma pequena linha de produção em novo endereço, na mesma cidade, com o objetivo de fabricar batentes, guarnições e portas para residências complementando seu portfólio.

No segundo semestre de 2009, a Empresa avaliada inaugurará uma filial. Esta segunda empresa também possuirá prédio próprio, ao lado das instalações onde atualmente são produzidas portas, batentes e guarnições. A filial possuirá outra razão social, porém o sistema de Banco de Dados será parcialmente interligado, permitindo que ambas as empresas possam vender produtos uma da outra. As compras serão efetuadas considerando-se o somatório dos estoques da previsão das empresas.

Os produtos oferecidos pela empresa encontram-se divididos em categorias como: portas, compensados, forros de madeira, forros de PVC, guarnições e batentes, assoalhos e rodapés, divisórias, piso de madeira e estruturas metálicas. Além dos produtos, a empresa também presta serviços de mão-de-obra e conta com profissionais treinados para atender aos clientes na instalação de pisos de madeira, divisórias e forros de PVC. 3. METODOLOGIA

3.1. Fundamentação Teórica 3.1.1. Administração de materiais A preocupação empresarial antes da década de 1980 era vender, produzir e faturar.

Porém surgiram dois grandes problemas: O trabalhista e as despesas financeiras elevadas. Enfrentá-los era um problema que poucas empresas estavam preparadas, principalmente as familiares (DIAS, 1995). Para sobreviverem no mercado, os estoques elevados tiveram que ser esquecidos devido a sua não eficácia demonstrada pelos elevados custos e conseqüentemente os enormes riscos de usá-los como fator especulativo. Em economias estáveis, estoques elevados perdem como fator especulativo e passam a figurar como custo, seja pelo excesso ou pela falta do produto na empresa.

Cabe ao setor de compras a responsabilidade em administrar os estoques, evitando a escassez do produto na empresa, fazendo com que os estoques sejam os “amortecedores” entre a oferta e a demanda.

Nas empresas, “aplicações em ambientes de sistemas de produção/estoques podem envolver de poucas centenas a vários milhares de itens.” (MONTGOMERY et al., 1990, p. 289) apud (TEIXEIRA, 2004, p. 59). A análise ABC é uma das formas mais utilizadas para se examinar a qualidade dos estoques, pois permitem filtrar apenas a parcela que merece atenção e controle mais rígido do gerente. Consiste na verificação, em certo espaço de tempo (normalmente 6 meses ou 1 ano), do consumo, dos itens de estoque, dividindo-os em três classes, de acordo com o volume monetário envolvido em cada item. Na classe A são incluídos cerca de 20% dos itens, que contabilizam 80% do volume monetário anual total; na classe B, composta de 20% a 30% dos itens, são contabilizados 15% do volume monetário anual total e a classe C, integrada por 30% a 60% dos itens, é responsável por 5% do volume monetário anual total (ELSAYED; BOUCHER, 1994) apud (TEIXEIRA, 2004).

Na curva ABC, os itens do grupo A são os que merecem maior atenção, os itens do grupo B recomenda-se atenção intermediaria e, quanto aos itens pertencentes ao grupo C, requerem um acompanhamento mínimo na maioria dos casos (ELSAYED; BOUCHER, 1994) apud (TEIXEIRA, 2004).

6

3.2. Fundamentação Empírica 3.2.1. Séries Temporais Durante processos de tomada de decisão os dados históricos, como por exemplo: as

informações sobre o comportamento passado dos clientes são importantes para fornecer informações relacionadas à demanda e permitem traçar um horizonte específico. Esse horizonte é composto de dados históricos da demanda a partir de uma série de tempo ou série temporal. “Baseiam-se na suposição de que o histórico da antiga demanda é um bom indicador da demanda futura” (CHOPRA, 2004, p.71).

Uma série temporal é um conjunto de observações de uma variável de interesse, tomadas seqüencialmente no tempo. Em geral, a variável é observada em pontos discretos (momentos) no tempo. Tipicamente, observações temporalmente adjacentes são dependentes entre si. A análise da série temporal consiste em descrever o processo ou os fenômenos que dão origem a essa seqüência, bem como estudar a dependência existente entre as observações. (BOX e MONTGOMERY) apud (TEIXEIRA, 2004).

Uma série temporal pode atender diferentes objetivos específicos como: fazer previsões de valores futuros da série temporal como: vendas, produção, estoques; descrever o comportamento da série ou ainda procurar periodicidade relevante nos dados dentre outros objetivos (MORETTIN; TOLOI, 2006).

A análise da série temporal tem por objetivo determinar se as séries apresentam algum padrão não-aleatório e também se esses padrões podem ser usados para predições quanto ao futuro (STEVENSON, 1981). Uma série temporal possui comportamentos distintos entre si. Em uma mesma organização podem existir diversos produtos com comportamentos de demanda diferentes. Por exemplo, a demanda de portas de madeira para residências e compensados de madeira destinados a fabricação de carrocerias de caminhões e carretas podem fazer parte do estoque de uma mesma empresa e possuírem comportamentos de demanda distintos.

Sendo assim, o padrão de comportamento descreve a forma que a série temporal oscila dentro de determinado período de tempo. É de vital importância identificar qual é o padrão da série analisada. São quatro os tipos de padrões de séries temporais a saber: “horizontal, inclinado (tendência), cíclico e sazonal” (MAKRIDAKIS et al.) apud (TEIXEIRA 2004, p.23). As estimativas dos produtos a serem comercializados pela empresa são obtidas pela previsão de consumo ou da demanda.

A flutuação dos dados do padrão horizontal será instrumento para a previsão do consumo para o período seguinte. A previsão do consumo do material é a base para toda teoria dos estoques. “Um padrão horizontal existe quando os valores dos dados flutuam ao redor de uma média constante” (MADRIDAKIS et al.) apud (TEIXEIRA, 2004, p. 22).

Quando há variações que diferem do modelo de evolução de consumo constante, onde estas evoluções passam por oscilações regulares no decorrer de certos períodos denominam-se, variações sazonais. Estas possuem como características variações cíclicas com prazo relativamente curto (um ano ou menos), e estão, em geral, relacionadas com variações da época (tempo), ou feriados (STEVENSON, 1981) e que para (POZO, 2001), fatores culturais ou mesmo ambientais podem estar influenciado tais desvios, sempre superiores a 30% dos valores médios, o que o caracteriza como um modelo de Evolução de Consumo Sazonal (ECS).

Algumas séries temporais possuem evolução de consumo de crescimento gradativo, por exemplo, em virtude do lançamento de algum produto novo ou queda gradativa em função, de perca de mercado. Ambos exemplos, caracterizam séries com Evolução de Consumo de Tendência (ECT), (POZO, 2001), uma vez que o volume de consumo aumenta ou diminui drasticamente no decorrer de um período ou do ano, e é influenciado por fatores

7

culturais, ambientais, conjunturais e econômicos que acabam por ocasionar desvios de demanda de forma positiva ou negativa.

Durante a existência de um produto na organização, diversos modelos de evolução de demanda podem ocorrer cada qual há seu tempo, o que torna importante que o administrador ou comprador perceba qual comportamento é o predominante na série temporal daquele produto naquele momento, garantindo assim a previsão dos produtos seja realista e não otimista ou pessimista.

3.2.2. Modelos e Procedimentos de Previsão A previsão da demanda é a tentativa de acertar o comportamento do mercado num

futuro bem próximo. Os gráficos de demanda ajudam a visualizar as tendências. Vários fatores influenciam as variações aferidas, essas variações possuem características que as tornam distintas entre si e devem ser levadas em consideração para encontrar a melhor forma de “prever“ o consumo. “O modelo de previsão é uma descrição probabilística de uma série temporal e cabe ao usuário decidir como utilizar este modelo tendo em vista seus objetivos” (MORETTIN; TOLOI, 2006, p. 6).

Realizar previsões de demanda é importante para auxiliar na determinação dos recursos necessários para a empresa (MAKRIDAKIS et al., 1998) apud (WERNER e RIBEIRO, 2003). Dessa forma, prever a demanda de compensados está intimamente ligado a disponibilização do produto para um atendimento eficaz aos clientes.

Através de cálculos, (DIAS, 1995), afirma que se pode trazer para Compras a quantidade estimada para Vendas no próximo mês, seguindo a tendência do comportamento dos meses anteriores. Para decidir quais serão as dimensões e a distribuição no tempo da demanda dos produtos, duas categorias podem classificar e servir para fornecer informações básicas. São elas: quantitativas e qualitativas.

Os métodos quantitativos, também denominados métodos de forecasting2, baseiam-se na análise de séries temporais. Métodos qualitativos baseiam-se em opiniões de especialistas, são vulneráveis a tendências que podem comprometer a confiabilidade de seus resultados (PELLEGRINI e FOGLIATO, 2007). Através das técnicas de forecasting é possível extrair, dos dados que compõem a série temporal informações que permitam a modelagem matemática de seu comportamento.

Supor a continuidade nesse comportamento de demanda é realizar previsões onde estas possuem maior qualidade e precisão mais aproximadas da realidade do que previsões feitas intuitivamente, baseadas unicamente na experiência dos gestores. (PELLEGRINI & FOGLIATO, 2007). Vale lembrar que em situações reais não se conhece a forma exata do modelo da série temporal, com isso, faz-se necessário escolher um modelo aproximado.

O uso da Econometria e de séries temporais são predominantes em Economia. O procedimento econométrico é fortemente baseado na teoria econômica para a construção do modelo de previsão e o de séries temporais permite que os dados estatísticos falem por si e permitam a construção de seu modelo de previsão (MORETTIN; TOLOI, 2006).

Cada empresa trabalha com uma realidade distinta, da mesma forma, dentro da empresa, determinados tipos de produtos tem a necessidade de terem suas previsões de consumo calculadas baseados em outros modelos. O que pode ser uma boa estimativa para um determinado produto, para outro pode não ser um bom parâmetro de aferição.

Algumas vezes, para se captar uma característica no comportamento de uma série temporal, faz-se necessário uma agregação de seus elementos temporais, ou seja, a Definição dos Níveis de Agregação (PELLEGRINI e FOGLIATTO, 2007). Por exemplo: Se os dados analisados forem diários, pode não ser possível visualizar com facilidade o padrão da série

2 Forecasting: previsão

8

temporal; porém, se demonstrado em uma base mensal, o comportamento da série poderá ser visualizado. Dessa forma, a agregação dos dados em períodos semanais e mensais pode gerar algum padrão que possa ser identificado na série de maneira distinta.

Para elaborar a previsão futura de demanda, é importante conhecer qual tipo é a evolução de demanda da empresa e escolher o método que trás à empresa previsões mais próximas da quantidade que o mercado necessitará para o período que virá. A elaboração e escolha do modelo de previsão dependem do comportamento da série, do objetivo da análise, métodos apropriados de estimação e da disponibilidade de softwares adequados para a previsão (MORETTIN; TOLOI, 2006).

Há diversos modelos de previsão de demanda, dos quais, os mais justificáveis na atualidade empresarial são: Método da Média Aritmética (MMA) ou Média Móvel, Método da Média Ponderada (MMP), Modelo de Suavização Exponencial ou Método da Média com Suavização Exponencial (MMSE) ou Suavização Exponencial Simples (SES), Método de Previsão para Séries Temporais Sujeitas a Fenômenos Sazonais.

O Método da Média Aritmética ou Média Móvel, (STEVENSON, 1981, 420p.), consiste na previsão do próximo período através do cálculo da média aritmética dos períodos anteriores. Este modelo possui como principal desvantagem atribuir o mesmo “peso” para as informações mais antigas e informações mais recentes.

O Método da Média Ponderada (DIAS, 1995), resulta a previsão para o próximo período através do cálculo da média dos valores de consumo dos períodos anteriores, no qual os períodos mais próximos recebem um peso maior que os valores correspondentes aos períodos anteriores cuja soma das ponderações sejam 100%. Os valores das ponderações como regra geral devem ter um peso de 40 a 60% para o período mais recente e para o último período, 5% (POZO, 2001). A alocação será sempre função da sensibilidade do administrador em relação às variáveis e mudanças de mercado, este método é bastante indicado em séries temporais com padrões constantes e padrões irregulares.

Estes métodos usam uma ponderação distinta para cada valor observado na série temporal, de modo que valores mais recentes recebam pesos maiores. Assim, os pesos formam um conjunto que decai exponencialmente a partir de valores mais recentes (PELLEGRINI e FOGLIATTO, 2007).

Os modelos de Suavização Exponencial são amplamente utilizados para previsão de demanda devido a sua simplicidade, facilidade de ajuste e boa precisão (MORETTIN; TOLOI, 2006). A ponderação utilizada é denominada constante de suavização exponencial, que tem o símbolo (@) ou α e pode variar de 1 ≥ @ ≥0 (POZO, 2001).

A expressão acima deixa claro que se trata de uma relação recursiva e que atribui peso maior para Dt decrescendo o peso para as observações anteriores. Simplificando, é a diferença entre o que foi demandando no primeiro período anterior e a previsão daquele período, multiplicado pela constante de suavização; onde o resultado deverá ser somado à previsão do primeiro período anterior. Este resultado é a previsão para o próximo período conforme demonstra a tabela abaixo.

A estabilidade das previsões das séries temporais está diretamente ligada ao valor de α de modo que quanto menor for seu valor, mais estável será a previsão, pois (α) estará exercendo um peso menor no cálculo da previsão. Quanto mais aleatórias forem as séries temporais, em geral, menores são os valores da constante de suavização (α).

Este modelo de previsão possui como vantagens o fácil entendimento; aplicação não dispendiosa; grande flexibilidade devido à variação da constante α; necessidade de armazenar somente Mt-1, Dt-1 e α. Como desvantagem para este modelo percebe-se a dificuldade em determinar o valor mais apropriado da constante de suavização. Dificuldade esta que pode ser superada com a aplicação da suavização exponencial adaptativa de Trigg e Leach (MORETTIN; TOLOI, 2006).

9

O Método de Previsão para Séries Temporais Sujeitas a Fenômenos Sazonais é utilizado em séries temporais com padrões sazonais, como no caso dos compensados navais, que apresentam maior demanda em determinados meses do ano (tempo), e menor demanda em outros. O comportamento do compensado naval possui características de sazonalidade. Tal produto é largamente empregado na fabricação e reforma de carrocerias de caminhões e carretas, e possui variação de demanda relacionada com o período de entressafra. Nestas épocas, o volume de fretes para escoamento da produção de grãos no Mato Grosso do Sul diminui. Essa ociosidade permite aos proprietários desses veículos efetuarem reparos e reformas sem grandes perdas com fretes (MORETTIN; TOLOI, 2006).

Uma grande variedade de modelos de previsão podem ser utilizadas em séries temporais que possuem sazonalidade. As previsões podem ser ainda mais precisas se removido o componente sazonal (MAKRIDAKIS e HIBON, 1997) apud (PELLEGRINI e FOGLIATTO, 2007).

O Método de Previsão para Séries Temporais Sujeitas a Fenômenos Sazonais corrige a série temporal do efeito da sazonalidade através da divisão dos valores da série temporal pelos respectivos valores sazonais; realiza a previsão através do Métodos de Previsão, e por fim multiplica a previsão pelos fatores sazonais incorporados a sazonalidade (NOGUEIRA3, 2008).

3.2.3. Escolha do Modelo de Previsão A escolha do modelo de previsão apropriado a uma série de dados temporais deve

estar baseada na precisão do modelo e em fatores que influenciam a demanda a ser analisada. Atualmente, os modelos de previsão, estão situados em algum ponto entre os

extremos formados por modelos teóricos exatos e modelos exclusivamente empíricos (BOX et al.,1994) apud (TEIXEIRA, 2004). No ajuste de modelos, uma análise teórica pode, algumas vezes, indicar não somente a forma apropriada para o modelo, mas também prover boas estimativas para o valor numérico de seus parâmetros. Esses valores podem, então, ser conferidos pela análise dos dados (TEIXEIRA, 2004).

Vários modelos de previsão de demanda podem ser empregados dependendo do comportamento da série temporal que se deseja analisar. Para decidir sobre qual modelo de previsão utilizar é de fundamental importância avaliar a acuracidade ou precisão das previsões a fim de saber qual modelo de previsão será capaz de reproduzir os dados conhecidos de antemão. “Para o usuário de previsão, o mais importante é a precisão das futuras previsões” (MAKRIDAKIS et al., 1998, p. 41) apud (TEIXEIRA, 2004, p. 28).

“A medida do erro da previsão é importante porque estima o componente aleatório da demanda e também ajuda a identificar os casos em que o modelo de previsão adotado não é adequado” (CHOPRA, 2004, p. 86).

Dentre as diferentes formas de cálculo constituem-se em critérios para escolha de modelos mais apropriados as séries temporais. Os critérios mais utilizados são: a) Erro Quadrático Médio - (EQM), esta medida estima a variação do erro de previsão; b) Desvio Absoluto Médio (DAM), que é a média do desvio absoluto em todos os períodos e c) Erro Absoluto Médio Percentual (EAMP), este sendo o erro absoluto médio como porcentagem de demanda, também chamado de Média Absoluta Percentual dos Erros (MAPE), (CHOPRA, 2004).

3 NOGUEIRA, Fernando – Modelagem e Simulação: Modelos de Previsão. Disponível em <http://www.engprod.ufjf.br/fernando/epd042/previs%E3o.pdf> Acesso em 13 de janeiro de 2008.

10

O MAPE é considerado a mais popular medida de erro e é calculada pela fórmula

∑=

∧−n

t t

tt

y

yy

n 1

1, onde ty

∧ é o valor previsto pelo modelo especificado e n é o período de

previsão, (KAHN, 1988) apud (PELLEGRINI e FOGLIATTO, 2007). Assim, usando um dos critérios de cálculo, o modelo adequado será aquele que tiver o menor erro associado.

3.3. Aplicação Empírica

Conforme a natureza, abordagem e objetivos, o presente trabalho pretende ser classificado respectivamente, como uma pesquisa aplicada, quantitativa e como uma pesquisa do tipo estudo de caso.

É uma pesquisa aplicada por ser orientada ao desenvolvimento de uma metodologia com vistas à solução de um problema específico. É uma pesquisa quantitativa por sua ênfase em análises numéricas, por envolver o uso de técnicas estatísticas. O trabalho enquadra-se no tipo estudo de caso por envolver o estudo de previsão de demanda e gestão de estoques em uma empresa específica, de maneira a conhecê-la ampla e detalhadamente.

A delimitação deste estudo envolve compensados tipo naval, e sua relação com o estoque e proporção a serem compradas foi o objeto de estudo.

A forma com que os dados foram coletados ocorreu através da coleta de dados secundários em loco utilizando o banco de dados da empresa. O banco de dados sofreu alterações para permitir a disponibilização, de forma mais precisa das informações relacionadas com o produto, a venda e a compra.

Os dados da Empresa avaliada foram consolidados, em uma base de dados relacional. Tal base possui uma estrutura típica que inclui: tabelas de fornecedores, de produtos, de notas fiscais/faturas e de clientes; e permitem a classificação, a pesquisa, a recombinação e aplicação de outras funções às informações nelas contidas. Assim, houve a inserção de novas fórmulas nas tabelas e consultas para cálculo e cruzamentos de dados.

O Banco de Dados chamado CORES (Controle e Organização de Estoques), foi desenvolvido em linguagem SQL e roda dentro da plataforma do Access em uma rede formada por 5 computadores, sendo 4 terminais e 1 servidor.

No final de cada período mensal, houve a geração de relatórios, incorporando, portanto, as informações mais recentes oriundas da atividade comercial da empresa. Tais informações serviram de base para se tomar decisões que, combinadas, embasaram a aplicação do estudo. O contato com os fornecedores ocorreu através de e-mail, telefone, MSN, além de visitas na própria empresa. Outras informações foram obtidas através dos catálogos. A coleta dos dados, referentes à movimentação dos produtos na empresa, deu-se através dos relatórios gerados pelo banco de dados, e pela consulta de índices.

Para técnica de análise, o Banco de dados, durante as vendas, registrou a movimentação de saída das mercadorias incluindo a data em que ocorrem, ao passo que, as informações de compras foram registradas conforme a chegada do produto (chegada na empresa e não data da compra).

Para previsão foram aplicados, para comparação e análise, os métodos da Média Móvel, da Média Móvel Ponderada, da Suavização Exponencial e o Método da Suavização Exponencial Corrigida dos Efeitos da Sazonalidade.

4. ANÁLISE E INTERPRETAÇÃO DOS DADOS

A empresa avaliada possui em seu estoque produtos que vão desde fechaduras e portas até assoalhos para carretas e forros de PVC. Essa grande variedade de produtos, o que é bastante comum para grande parte das empresas, atende os mais diversos tipos de consumidores. Entretanto, pessoas que estão construindo ou reformando imóveis e

11

proprietários de carretas compõem a maior parte do público alvo da empresa. Os produtos da empresa encontram-se distribuídos nas categorias de: portas, batentes, forro PVC, puxadores, fechaduras, dobradiças, divisórias, compensados resinado, compensados plastificado, compensados moveleiro, compensado naval, guarnições, madeira serrada, forro de madeira, assoalhos de madeira.

Essas categorias permitem, além de uma melhor organização dos produtos, uma análise mais elaborada, por grupo de itens, obtendo suas respectivas representatividades no estoque da empresa e no volume médio de vendas.

Quantificar o estoque da empresa e o volume médio de vendas permite ao setor compras analisar a qualidade dos estoques daquela categoria em relação às demais. Através da Curva ABC, observou-se que a categoria “Compensados”, alvo deste artigo, possui boa representatividade nos estoques e nas vendas da empresa, situado entre os itens de classe “A” e “B”. Isto indica que a categoria Compensado Naval deve possuir melhor acompanhamento na demanda, evitando estoques excessivos ou rupturas pela falta do produto na empresa.

Para identificar o comportamento do Compensado Naval, fez-se uma série histórica dos últimos 36 períodos (Gráfico 1). A série histórica foi composta das quantidades vendidas do compensado naval de 3,15 metros de comprimento por 1,60 metros de largura por 15 milímetros de espessura. Este tipo de compensado foi escolhido por ser o mais empregado na fabricação de carretas. Com base no gráfico 1, observa-se um padrão de sazonalidade na grande maioria dos produtos desta categoria.

Gráfico 1 – Série histórica do consumo do compensado naval de janeiro de 2005 a dezembro

de 2007.

Fonte: Dados primários da empresa

De maneira geral, percebe-se que os produtos do Compensado Naval apresentaram

comportamentos muito próximos ao comparar os mesmos meses em anos distintos, salvo algumas variações de ordem econômica de fatores diretamente relacionados com o compensado naval, tais como a diminuição do transporte de grãos por conta de quebra de safra4 Há também um aumento no consumo desse produto nas entressafras pois nesse período

4 A quebra de safra tem como conseqüência a redução no volume de fretes e menor lucro para os motoristas e transportadoras que por sua vez fazem menor manutenção das carrocerias dos caminhões responsáveis pelo escoamento da safra.

12

os veículos responsáveis pelo escoamento de grãos costumam ser reformados de forma a estarem prontos para trabalhar durante a safra.

Após a identificação do comportamento sazonal que melhor caracteriza o gráfico iniciou-se então a aplicação de modelos ou métodos de previsão de demanda. Para definir modelos a serem pesquisados, levou-se em consideração, além de sua acuracidade, a possibilidade de implantação de suas fórmulas no banco de dados da empresa. Alguns modelos, como ARMA (autoregressive moving average), devido a sua complexidade, não puderam ser implementados no banco de dados, uma vez que tornam o cálculo das previsões de demanda extremamente lentos, comprometendo assim o desempenho do sistema em gerar tais cálculos em tempo real.

Os modelos escolhidos para pesquisa foram: Método de Suavização Exponencial, Método da Média Móvel, Método da Média Móvel Ponderada, e Método de Previsão para Séries Temporais Sujeitas a Fenômenos Sazonais (Gráfico 2).

Gráfico 2 – Comparativo entre a demanda original e a previsão pelos métodos 1 a 4 de séries temporais do compensado naval entre janeiro de 2005 e dezembro de 2007.

Fonte: Dados primários da empresa

O Método de Suavização Exponencial (método 1), utilizou apenas a demanda do

período imediatamente anterior ao que se desejava prever. Neste caso, a primeira previsão (somente a primeira), foi obtida sugerindo para o primeiro período futuro exatamente o que foi demandado no período anterior. Observada a diferença entre o que foi previsto e o que foi demandando fez-se um ajuste para a próxima previsão de 30% da diferença. Esse ajuste de 30% foi adicionado ou subtraído, dependendo se o erro entre o que foi previsto e o que foi demandado foi acima ou abaixo do consumido. Após obter o valor que representava 30% do erro da previsão realizada, somou-se (ou subtraiu-se), esse valor a quantidade demandada naquele período. O resultado foi a previsão para o próximo período.

13

É importante considerar que no Método 1 foi utilizado como período anterior o mesmo mês do ano anterior, a fim de absorver melhor a sazonalidade que ocorre durante determinados meses do ano.

A suavização exponencial permitiu trabalhar com um volume menor de informações a serem analisadas e possibilitou uma previsão mais próxima da demanda real, exceto para Junho de 2005, Junho de 2006 e Outubro de 2006, que possuem alta variação de demanda se comparada com os meses anteriores onde a previsão, por influência desses meses (anteriores), se distancia da demanda real para o período. Cabe ressaltar também que as previsões para o ano de 2005 foram obtidas apenas repetindo a demanda de 2004 devido a falta de informações históricas precisas da demanda ocorrida em 2003. Para os anos de 2006 e 2007 foi aplicado o método de suavização exponencial.

O Método da Média Móvel (método 2), foi obtido pela previsão do período futuro através da média da demanda ocorrida nos quatro períodos imediatamente anteriores. Foi considerado período o intervalo de um mês. À medida que a linha de tempo avança em um período a média dos quatro períodos anteriores move-se para prever o período futuro seguinte. As previsões por essa metodologia permitiram observar que a aderência da previsão em relação ao consumo real ocorrido no período, mostra-se distante em alguns meses. Isso ocorre devido a oscilações de demanda do compensado naval. Estas oscilações estão relacionadas aos períodos de pré-colheita de grãos que no ano de 2006 superou 7 milhões de toneladas de grãos que renderam quase R$ 2,1 bilhões aos produtores do estado5 e, em 2007, 8,6 milhões de toneladas. Grande parte da produção é escoada por rodovias através do emprego de caminhões e carretas graneleiros. A semeadura da soja, no Mato Grosso do Sul, ocorre entre 20 Outubro e 31 de Dezembro6 e sua colheita entre os dias 15 de Janeiro e 30 de fevereiro. Já o Milho safrinha é semeado imediatamente após a colheita da soja7.

Para estarem preparados para a colheita dos grãos, os caminhoneiros e transportadoras investem na manutenção de sua ferramenta de trabalho, o caminhão. A carroceria é a parte do veículo responsável pelo escoamento da produção e precisa estar preparada para realizar “fretes”. A época de maior volume de manutenção de carrocerias de carretas coincidem com o intervalo entre o plantio da soja e sua previsão de colheita.

Na safrinha de milho, o mesmo ocorre, porém em menor intensidade. Essas irregularidades na demanda do compensado fazem com que as previsões pelo Método da Média Móvel sofram distorções em determinados períodos devido à influência que os períodos anteriores (meses anteriores), têm sobre o período seguinte.

O Método da Média Móvel Ponderada (método 3), da mesma forma que o método da média móvel, utilizou os quatro períodos anteriores ao período que se pretendia prever, porém, atribuiu-se pesos maiores para as informações mais recentes na seguinte seqüencia de pesos: 40%, 30%, 20% e 10%.

Com a aplicação deste método percebeu-se que as previsões são influenciadas mais fortemente pelas informações de demanda mais recentes. Esse “eco” na demanda demonstra uma resposta tardia em relação à real necessidade do produto naquele determinado período. Como, por exemplo, em Janeiro de 2005, Janeiro de 2006 e Janeiro de 2007 cujas demandas foram influenciadas pelos meses de Outubro, Novembro e Dezembro dos respectivos anos.

O último, método aplicado neste estudo foi o Método de Previsão para Séries Temporais Sujeitas a Fenômenos Sazonais (método 4). É comum existirem séries temporais com padrões sazonais, como no caso dos compensados naval, que apresentam maior demanda 5 Fonte: <<<http://www.datacoper.com.br/news.php?news=937>>>, acesso em 12 de Janeiro de 2009. 6 Fonte: <<<http://www.ms.gov.br/noticias/index.php?templat=vis&site=136&id_comp=1068&id_reg= 11561&voltar=home&site_reg=136&id_comp_orig=1068>>>, acesso em 12 de Janeiro de 2009. 7 Fonte: <<http://www.infobibos.com/Artigos/2006_3/SisSafrinha/Index.htm>>>, acesso em 12 de Janeiro de 2009.

14

em determinados meses do ano. Mas, para a correta aplicação do modelo de previsão, fez-se primeiramente a identificação do período de sazonalidade, ou melhor, dos meses em que a demanda apresentava comportamento similar.

Para aplicação deste método fez-se a correção da sazonalidade através da divisão dos valores da série temporal. Os dados utilizados são correspondentes aos anos de 2005, 2006 e 2007, de Janeiro a Dezembro (Gráfico 2). A sazonalidade identificada se repete no período de 12 meses. Para calcular o µi que é a média dos valores da série temporal, somou-se as demandas dos meses de Janeiro de 2005, 2006 e 2007 e depois dividiu-as por 3; fez-se o mesmo com todos os meses seguintes obtendo 12 resultados. Esses resultados foram divididos pela média geral de consumo dos 36 períodos analisados, apresentados na Tabela 2:

Para corrigir os valores sazonais do Compensado Naval, aplicou-se o cálculo

t

ttc FS

XX = , onde Xtc é o valor da série corrigida dos efeitos da sazonalidade, Xt é o valor da

série temporal FSt é o fator sazonal para o período. Os valores de demanda dos 36 períodos analisados foram divididos pelo respectivo

fator sazonal e resultou nas demandas corrigidas dos efeitos sazonais, conforme demonstra a Tabela 2:

O Gráfico 3 mostra a série temporal original e a série temporal corrigida dos efeitos sazonais.

Tabela 2 – Demanda da série temporal e os Fatores Sazonais (FS)8.

Fonte: Dados primários da empresa Gráfico 3 – Série temporal do consumo de compensado naval, e série corrigida da

sazonalidade.

Fonte: Dados primários da empresa

8 FS: Fator Sazonal; µi: média dos valores da série temporal para os períodos i; µt é a média dos valores da série temporal; Xtc: Valor da série corrigido dos efeitos da sazonalidade; Xt: Valor da série temporal; FSt: Fator sazonal para o período; Extraído em: <<www.engprod.ufjf.br/fernando/epd042/previs%E3o.pdf>>. Acesso em 10 de dezembro de 2008.

15

Uma vez extraído os valores da série temporal corrigida das sazonalidades, aplicou-se o Método da Média com Suavização Exponencial para alfa = a 30% de suavização.

Após aplicação do modelo de previsão obteve uma estimativa do que será consumido no período, porém corrigida as sazonalidades. Para obter os efeitos da sazonalidade multiplicou-se o valor obtido pelo fator sazonal tendo como resultante a previsão para o período (Gráfico 1).

Uma vez aplicado os modelos de previsão, fez-se um comparativo quanto a sua acuracidade através da aplicação da fórmula do erro relativo na série temporal e suas previsões, a fim de se observar qual modelo de previsão possui maior precisão quanto às previsões apresentadas. Deve-se entender que a sazonalidade sempre existirá e saber enfrentá-la é trabalho para o bom administrador9. Assim como o Dia das Mães ou Dia dos Namorados influenciam a demanda de determinados produtos, o compensado naval também sofre influências de fatores sazonais. Alguns meses do ano, como entre maio e julho e o mês de setembro, possuem comportamento muito parecido de um ano para outro, fazendo com que as previsões sejam muito próximas do consumo real.

O oposto ocorre em meses como janeiro, que possuem grande volatilidade de demanda e pouca relação com os meses de janeiro dos outros anos, o que prejudica a precisão das previsões, ocorrendo um distanciamento entre o que fora previsto e o que realmente foi consumido naquele período como no mês de janeiro de 2006 e 2005. Tal fator ocorre por baixa influência das colheitas de soja que costumam iniciar com maior intensidade na terceira semana de fevereiro e mantém forte intensidade até o fim de março.

Na previsão de séries temporais, a medida de desempenho mais intuitiva é o próprio erro de previsão: o valor atual da série (target) menos a resposta do modelo (output).

et=(target-output)

A Tabela 3 demonstra que dos 4 métodos analisados, o Método 4 – (Método de

Suavização Exponencial Corrigido os Efeitos da Sazonalidade) – possui maior Correlação, ou seja similaridade entre o consumo ocorrido no período e o que fora previsto pela aplicação do Método 4.

Como pode ser visto, à luz dos resultados observados na Tabela 3, com a aplicação do MAPE nos 4 métodos analisados, o Método 4 - (Método de Suavização Exponencial Corrigido os Efeitos da Sazonalidade) – apresenta um menor erro médio percentual, demonstrando que, dentre os métodos de previsão de demanda estudados, o Método 4, é seguramente o que oferece maior proximidade entre o consumo real e o que foi previsto para o mesmo período.

Os Métodos 1, 2 e 3 apresentaram maior Erro Médio Percentual Absoluto, demonstrando assim pouca similaridade entre o que foi previsto e o que realmente se consumiu no período estimado.

Dessa forma, fica claro que o Método 4 - Método de Suavização Exponencial Corrigido os Efeitos da Sazonalidade FSi * α = 0.3 – é o que mais se aproxima da demanda real do compensado naval, devido a aplicação da dessazonalização, minimizando as influências dos fatores sazonais, para em seguida “prever” a demanda, utilizando do Método da Suavização Exponencial, e por fim devolvendo os efeitos da sazonalidade nas previsões.

9 Extraído em: http://ralphneves.wordpress.com/2008/05/12/a-sazonalidade-e-a-administracao/. Acesso em 9 de março de 2009.

16

Tabela 3 – Comparativo dos erros de previsão dos modelos de séries temporais aplicados a o consumo de compensado naval entre janeiro de 2005 e dezembro de 2007.

17

5. CONCLUSÕES

Se por um lado o mundo atravessa uma redução do consumo devido a uma desaceleração da economia, de outro lado tem-se, a falta de matéria prima (madeira), em outros países e a valorização do Dólar frente ao Real, o que contribui para o escoamento da produção de grãos.

O cenário brasileiro demonstra que a construção civil continua aquecida e que, conseqüentemente, o escoamento da produção brasileira ocorre na grande maioria pelas

18

rodovias, 64% de acordo com a Conab10, através dos caminhões e carretas responsáveis pelo transporte de cargas no país.

Mesmo considerando o crescente aumento de áreas plantadas com cana-de-açúcar, que demandam veículos (caminhões), cujas carrocerias não utilizam compensado naval, os demais produtos escoados no Mato Grosso do Sul contribuem em manter a demanda pelo compensado naval estável.

O objetivo deste trabalho foi demonstrar a importância do compensado, analisar o comportamento da demanda e propor formas de “antever” seu consumo.

A metodologia utilizada neste artigo baseou-se na análise de séries temporais. Os modelos utilizados foram: o Método da Suavização Exponencial com base sazonal α=0.3; Método da Média Móvel Ponderada (40%, 30%, 20% e 10%); Método da Média Móvel e Método de Suavização Exponencial Corrigido os Efeitos da Sazonalidade com FSi * α = 0.3.

Os modelos de séries temporais auxiliam o setor de compras no processo de tomada de decisão. Para tal, é importante identificar o tipo de demanda predominante que ocorre com o produto e, posteriormente aplicar modelos de previsão que forneçam informações que auxiliem o tomador de decisões no processo de compra.

O método utilizado permitiu comparar resultados da aplicação de diferentes modelos para previsão de demanda em séries temporais, de forma a identificar o modelo que possuía maior acuracidade através dos resultados da correlação e da média absoluta percentual dos erros.

Para estruturação e interpretação dos dados, trabalhou-se com o aplicativo computacional CORES (Controle e Organização de Estoques), que, através de uma base de dados relacional, permitiu o processamento dos dados históricos que compuseram a série temporal do compensado naval.

Ao realizar um pedido de compras, o comprador analisa informações qualitativas que podem ser obtidas pela experiência pessoal de mercado, informações com os vendedores e veículos de comunicação, bem como informações quantitativas. Para as informações quantitativas, o Banco de Dados da empresa estudada disponibilizou dados históricos da demanda do compensado naval. Dessa forma, apresentaram-se as especificidades referentes à tendência e sazonalidade do compensado naval, que são individuais e não servem para outros produtos da empresa que possuam comportamentos de demanda diferente.

O número de observações do compensado também varia de acordo com o tipo da série. Séries simples podem ser modeladas com um número pequeno de observações e séries mais complexas, como no caso do compensado naval, contendo termos de sazonalidade, com múltiplos períodos, exigem mais observações para obter boa modelagem. No caso em estudo, foram utilizadas 36 observações.

A principal contribuição deste estudo foi permitir informações de caráter quantitativo, considerando o comportamento de séries temporais distintas do compensado naval e identificando modelos que oferecessem melhores resultados. Ademais, escolhendo os modelos de previsão, baseado nas características das séries temporais, daquele segmento de produto, pode-se promover previsões mais acuradas.

É importante ressaltar que o trabalho realizado foi de grande importância para a empresa, pois proporcionou uma racionalização dos estoques diminuindo possibilidades de ruptura nos mesmos em épocas de maior demanda e evitando estoques excessivos em épocas com menor volume de vendas, levando em consideração o tempo de entrega e grau de atendimento. Essas informações constituem-se de fonte de informação no suporte às decisões referentes as compras.

10 Companhia Nacional de Abastecimento (2006), extraído do site: <<http://www1.dnit.gov.br/imprensa/ resultInfo.asp?id=1172>>. Acesso em 18 de outubro de 2007.

19

As previsões de demanda contribuem não somente para a racionalização dos estoques, mas também para o planejamento estratégico da organização, otimizando a qualidade do capital investido nestes estoques.

Os principais resultados demonstraram um maior nível de correlação (82%), e um menor erro de previsão (36%), para o Modelo ou Método de Suavização Exponencial Corrigido os Efeitos da Sazonalidade, em comparação aos demais métodos aplicados no estudo. Tal método obteve melhor resultado por considerar a sazonalidade que ocorre durante o ano, bem como a margem de erro da previsão do mês anterior em relação a sua respectiva demanda.

Como limitação deste estudo observou-se a dificuldade de modelagem do algoritmo do Banco de Dados para aplicação de modelos mais sofisticados de previsão, o que demandaria grande recurso do sistema no processamento de fórmulas mais complexas e conseqüentemente lentidão ou não processamento desses dados. Outra limitação é o tamanho da amostragem, que contém apenas 36 observações devido ao arquivo histórico de vendas que a empresa analisada possuía em seu Banco de Dados. Por fim, o MAPE de 36% demonstra a necessidade de aprofundar estudos futuros que busquem uma maior acuracidade no processo de ajuste de dados e previsão.

Vale lembrar que de um ano para outro, embora possa-se identificar sazonalidade do compensado naval nas entressafras, há outros fatores que impedem um comportamento sazonal mais homogêneo de um ano para outro, pois houveram distorções no agronegócio nos últimos anos em virtude de problemas como: a gripe aviária, aftosa no rebanho bovino e quebras de safra de soja, fatores estes que influenciaram o transporte de carga rodoviário, comprometendo assim a maior exatidão das previsões.

Apesar da importância prática dos métodos de previsão de demanda, essas técnicas são desconhecidas em grande parte das empresas no Brasil, o que não ocorre em outros países, onde os modelos de previsão são bastante difundidos.

Para estudos futuros, considerando que a sazonalidade ocorre geralmente em conjunto com outras características das séries temporais, com maior ou menor intensidade, sugere-se o estudo de modelos como o ARMA que contemplam dados de variáveis auto-regressivas (AR) da série temporal e de média móvel.

6. REFERÊNCIAS BIBLIOGRÁFICAS ABIMCI. Associação Brasileira da Indústria da Madeira Processada Mecanicamente. Estudo Setorial 2004. Disponível em << http://www.abimci.com.br/estudos_setoriais/estudo_setorial2004/estudos_setorial2004.html>> acesso no dia 18 out. 2007. ABIMCI. Associação Brasileira da Indústria da Madeira Processada Mecanicamente. Estudo Setorial 2005. Disponível em << http://www.abimci.com.br/estudos_setoriais/estudo_setorial2005/estudos_setorial2005.html>> acesso no dia 18 out. 2007. ABIMCI. Associação Brasileira da Indústria da Madeira Processada Mecanicamente. Estudo Setorial 2006. Disponível em << http://www.abimci.com.br/estudos_setoriais/estudo_setorial2006/estudos_setorial2006.html>> acesso no dia 18 out. 2007.

20

ABRAF – Associação Brasileira dos Produtores de Florestas Plantadas. Anuário Estatístico da ABRAF : Ano Base 2006 / ABRAF. Brasília, 2007. Disponível em <http://www.abraflor.org.br/estatisticas.asp> Acesso em 28 nov. 2007. CHOPRA, Sunil; MEINDL, Peter. Gerenciamento da cadeia de suprimentos: estratégia, planejamento e operação. Traduzido por Claudia Freire. São Paulo: Pearson Education Brasil, 2004. CONAB, Companhia Nacional de Abastecimento (2006), disponível em: <http://www1.dnit.gov.br/ imprensa/resultInfo.asp?id=1172> Acesso em 28 nov. 2007. DIAS, Marco Aurélio P. Administração de materiais. São Paulo: Atlas, 1995. DIAS, Marco Aurélio P. Administração de materiais: princípios, conceitos e gestão. 5 ed. – São Paulo: Atlas, 2005. FAO – Food And Agriculture Organization of The United Nations. FRA 2000 Main Report: The Global Forest Resources Assessment 2000. 2001 Disponível em <http://www.fao.org/forestry/site/fra2000report/en/> Acesso em 28 nov. 2007.

MARTINS, Petrônio Garcia; ALT, Paulo Renato Campos. Administração de materiais e recursos patrimoniais. São Paulo: Saraiva, 2003 MORETTIN, Pedro Alberto e TOLOI, Clélia Maria de C. Análise de séries temporais. São Paulo: Edgard Blucher, 2006 NOGUEIRA, Fernando – Modelagem e Simulação: Modelos de Previsão. Disponível em <http://www.engprod.ufjf.br/fernando/epd042/previs%E3o.pdf> Acesso em 13 Jan 2008 PELLEGRINI, Fernando R., FOGLIATTO, Flávio S. Passos para implantação de sistemas de previsão de demanda: Técnicas e estudo de caso. Programa de Pós – Graduação em Engenharia de Produção (PPGEP). Universidade Federal do Rio Grande do Sul (UFRGS). Porto Alegre. Disponível em <http://www.inf.unisinos.br/~sellitto/logdem.PDF>. Acesso em 2 Nov. 2007 POZO, Hamilton. Administração de recursos materiais e patrimoniais: uma abordagem logística. São Paulo: Atlas, 2001. STEVENSON, Willian J. – Estatística Aplicada à Administração. Tradução: Alfredo Alves de Farias. São Paulo: Harper & Row do Brasil, 1981.

TEIXEIRA, João Antonio – Metodologia para Implementação de um Sistema de Gestão de Estoques Baseado em Previsão de Demanda. Disponível em <www.biblioteca.ufrgs.br/bibliotecadigital/2004-1/tese-eng-0408484.pdf> Acesso em 06 Nov 2005. WERNER, Liane; RIBEIRO, José Luis Duarte. Previsão de demanda: uma aplicação dos modelos Box-Jenkins na área de assistência técnica de computadores pessoais. Gest. Prod., São Carlos, v. 10, n. 1, 2003 . Disponível em:

21

<http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0104-530X2003000100005&lng=pt&nrm=iso>. Acesso em: 02 Nov 2007.