APLICAÇÃO DE TÉCNICAS DE PREVISÃO DE DEMANDA NA INDÚSTRIA DE...

APLICAÇÃO DE TÉCNICAS DE

PREVISÃO DE DEMANDA NA

INDÚSTRIA DE CONFECÇÕES

ABNER ROCHA PINHEIRO (UNIFOR )

[email protected]

Fernando Luiz Emerenciano Viana (UNIFOR )

[email protected]

Eduardo Alencar Lima Castro (UNIFOR )

[email protected]

O presente trabalho tem como objetivo analisar a aplicação de

técnicas de previsão de demanda em uma indústria de confecção no

estado do Ceará. Para tal, foram apresentadas algumas das principais

técnicas de previsão de demanda disponíveis na literatura, de modo

que se pudesse analisar a mais adequada à realidade dos dados

históricos de vendas da empresa estudada. Trata-se de um estudo de

caso exploratório, no qual foram trabalhados dados primários e

secundários, utilizando-se o Microsoft Excel como principal

ferramenta de análise de dados. A técnica de Suavização Exponencial

de Séries com Tendência e com Variações de Estação (Modelo de

Winter) mostrou-se como a mais adequada para fazer previsões de

demanda da empresa, pois apresentou o menor desvio absoluto médio,

confirmando o que se esperava a partir do referencial teórico, tendo

em vista que os dados de vendas da empresa apresentam sazonalidade

e tendência de crescimento. A partir dessa constatação, utilizou-se essa

técnica para realizar previsões da demanda futura da empresa com o

intuito de aumentar a acurácia dos planejamentos a longo, médio e

curto prazo elaborados pela mesma.

Palavras-chaves: Previsão de demanda, Modelos de séries temporais,

Planejamento de produção.

XXXIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO A Gestão dos Processos de Produção e as Parcerias Globais para o Desenvolvimento Sustentável dos Sistemas Produtivos

Salvador, BA, Brasil, 08 a 11 de outubro de 2013.



2

1. Introdução

Observa-se que o processo de globalização tem contribuído bastante para o aumento da

competitividade entre empresas, pois atualmente estas não concorrem apenas em nível

nacional, mas também em nível mundial. A busca incessante por redução de custos torna-se

cada vez mais presente no dia a dia das corporações, pois as mesmas não conseguem mais

determinar o preço de seus produtos como sendo o custo acumulado na cadeia de suprimentos

acrescido do lucro desejado. Quando se discute a necessidade de redução dos custos nas

organizações, a minimização dos estoques (matéria prima e produto acabado) também tem

sido muito discutida, não só por essa questão estar presente nos oito tipos de desperdícios do

sistema de produção Lean (DENNIS, 2008), mas também por trazer inúmeros benefícios.

Dentro desse contexto, a Previsão de Demanda tem sido um assunto bastante estudado

atualmente, visto que ela é fundamental para o planejamento de longo, médio e curto prazo

das empresas. Na visão de Tubino (2009), a previsão de demanda é a base para o

planejamento estratégico da produção, vendas e finanças de qualquer companhia, ou seja, as

empresas elaboram seus planos de produção, quadro de mão de obra, fluxo de caixa, entre

outros elementos, para o rumo em que as mesmas acham que o negócio andará.

Pode-se afirmar que as empresas buscam a cada dia uma maior acurácia em seus

planejamentos, sejam eles de longo, médio ou curto prazo, para que possam alcançar suas

metas e objetivos e, para isso, é fundamental uma boa previsão de demanda que auxilie esse

planejamento. Considerando-se o exposto, esse trabalho tem como objetivo geral analisar a

aplicação de técnicas de previsão de demanda em uma indústria de confecção no estado do

Ceará, de modo a se identificar a técnica mais adequada à realidade da organização, de modo

a minimizar os erros de previsão.

2. Técnicas de Previsão de Demanda

As técnicas de previsão de demanda classificam-se em três categorias gerais: qualitativa,

análise de séries temporais e modelos causais. Chopra e Meindl (2003) afirmam que modelos

de séries temporais pressupõem que a demanda histórica pode ser usada para prever a

demanda futura, sendo mais apropriados quando a situação é estável e o padrão básico da

demanda não sofre grandes alterações de um ano para o outro. Para Tubino (2009), esse é o



3

método mais simples e usual de previsão e pode gerar bons resultados quando elaborado

corretamente. O uso de modelos de séries temporais será o principal foco deste trabalho.

Para Morettin e Toloi (2006), uma série temporal é um conjunto de observações distribuídas

ao longo do tempo e que podem ser classificadas em discretas, quando suas observações são

feitas em tempos específicos, geralmente em intervalos de tempos iguais, ou contínuas,

quando as observações são feitas continuamente no tempo. Chopra e Meindl (2003) ressaltam

que os modelos de séries temporais são mais apropriados para serem utilizados em previsões

quando se espera que a demanda futura siga os mesmos padrões dos dados históricos

utilizados no modelo de previsão. Nesse caso, a demanda projetada ou demanda observada

possui um componente sistemático e um componente aleatório, conforme representado pela

Equação 1.

Demanda observada (O) = Componente sistemático (S) + Componente aleatório (R) (1)

O componente sistemático da demanda, obtido a partir da utilização de dados históricos, é

composto por: (a) nível, que constitui a demanda atual dessazonalizada; (b) tendência, que é a

taxa de crescimento ou declínio da demanda que direciona os dados ao longo do tempo e; (c)

sazonalidade, flutuações sazonais previsíveis da demanda, como alterações climáticas.

No que diz respeito ao componente aleatório, trata-se da parte inexplicável da demanda, ou

seja, é a parte da previsão que se desvia do componente sistemático. Geralmente, essas

variações são causadas por eventos causais, atípicos e de difícil previsão. Já quando não é

possível nem identificar as causas das mesmas, elas são chamadas de puramente aleatórias.

Chopra e Meindl (2003) afirmam que o componente aleatório não pode e não deve ser

previsto, apenas sua dimensão e variabilidade deve ser conhecida, fornecendo uma medida de

erro padrão ao estudo.

O Quadro 1 apresenta os elementos básicos das principais técnicas de previsão de demanda

baseadas em séries temporais.



4

Técnica Componente Sistemático (S) Principais Fórmulas

Média móvel simples Nível de demanda (L)

n

AAAF nttt

t

...21 , onde

tF = Demanda prevista no período t

1tA = Demanda real no período t-1

n = Número de períodos considerados na

média

Média móvel ponderada Nível de demanda (L)

n

AWAWAWF ntnttttt

t

...2211 , onde

tF = Demanda prevista no período t

1tA = Demanda real no período t-1

1tW = Peso atribuído ao período t-1

n = Número de períodos considerados na

média

Média ponderada exponencial Nível de demanda (L) )( 111 tttt FAFF , onde

tF = Previsão exponencialmente ajustada

para o período t

1tF =Previsão exponencialmente ajustada

para o período anterior

1tA = Demanda real no período anterior

α = Taxa de resposta desejada, ou

constante de ajuste (0< α<1)

Suavização exponencial de séries

com tendência (Modelo de Holt) Nível de demanda (L) +

Tendência (T) ttt TLF 1 ou

ttnt nTLF

))(1(11 tttt TLDL

ttt TLtLT )1()( 11 , onde

α = constante de suavização de nível (0<

α<1)

β = constante de suavização de tendência

(0< β <1)

Suavização exponencial de séries

com tendência e com variações de

estação (Modelo de Winter)

[Nível (L) + Tendência (T)] x

Fator de sazonalidade 11 )( tttt STLF ,ou

ntttnt SnTLF )(

))(1()/( 111 ttttt TLSDL

tttt TLLT )1()( 11

1111 )1()/( tttpt SLDS

α = constante de suavização de nível (0<

α<1)

β = constante de suavização de tendência

(0< β <1)

γ= constante de suavização da

sazonalidade (0< γ <1)



5

Quadro 1 – Principais informações acerca das técnicas de previsão baseadas em séries temporais

Fonte: Elaborado pelos autores a partir de Chopra e Meindl (2003) e Davis, Chase e Aquilano (2001).

Conforme supracitado, a demanda observada é formada por um componente sistemático e um

componente aleatório. O componente sistemático é previsto pela técnica ou modelo de

previsão utilizado, já o componente aleatório se manifesta na forma de um erro de previsão.

Esses erros de previsão devem ser analisados cuidadosamente e deles extraídas informações

valiosas, utilizadas pela organização para auxiliar as várias tomadas de decisão, determinar se

o modelo de previsão que está sendo utilizado está prevendo detalhadamente o componente

sistemático da demanda ou deixou de ser adequado, entre outros (CHOPRA; MEINDL,

2003). O erro de previsão para o período t (Et) é dado como a diferença entre a previsão para

o período t (Ft) e a demanda real no período t (Dt). O Quadro 2 apresenta as fórmulas de

cálculo das principais medidas de erros de previsão.

Medidas de Erro de Previsão Fórmulas de Cálculo

Erro de previsão para o período t (Et) ttt DFE

Erro quadrático médio (EQM)

n

t

tn En

EQM1

21

Desvio absoluto no período t (At) tt EA

Desvio médio absoluto (DAM)

n

t

tn An

DAM1

1

Erro absoluto médio percentual (EAMP)

n

D

E

EAMP

n

t t

t

n

1

100

Viés da previsão (VP)

n

t

tn Eviés1

Razão de viés (TS)

t

t

tDAM

viésTS

Quadro 2 – Fórmulas de cálculo das medidas de erros de previsão

Fonte: Elaborado pelos autores a partir de Chopra e Meindl (2003).

3. Aspectos Metodológicos

A partir do seu objetivo geral, pode-se classificar o presente trabalho, quanto aos fins, como

uma pesquisa exploratória, conforme estabelecido por Gil (1991). Já quanto aos meios,

caracteriza-se como um estudo de caso (VERGARA, 1997), realizado em uma empresa da

indústria de confecções do estado do Ceará, do segmento de moda praia. Com mais de 20

anos de existência, atualmente emprega cerca de 60 funcionários, entre diretos e indiretos e

possui clientela ativa em 24 estados brasileiros.



6

A escolha da empresa deu-se por conveniência, tendo em vista que um dos autores trabalha na

organização e participa de suas decisões gerenciais, tendo constatado que um dos problemas

mais críticos no processo de planejamento da produção é não utilização de técnicas

estruturadas de previsão de demanda, sendo a demanda prevista com base na estimativa e

opinião dos responsáveis pela unidade de mercado da empresa.

Os dados primários coletados foram relativos às informações gerais sobre a empresa

pesquisada e seus dados históricos de demanda, com auxílio de um roteiro de observações.

Para a aplicação das técnicas de previsão de demanda aos dados de demanda histórica da

empresa, foi necessária a utilização do software Microsoft Excel 2007, mais especificamente

de ferramentas como a análise de regressão linear, para estimar tendências, bem como o

solver, para a definição de valores ótimos para as constantes de suavização (α, β e γ). O Excel

foi também utilizado para o desenvolvimento de gráficos e cálculos necessários à aplicação

das técnicas de previsão descritas anteriormente.

4. Resultados e Discussão

Para atender ao objetivo geral do trabalho efetuou-se um levantamento dos dados históricos

de vendas da empresa, de modo que se pudesse proceder a aplicação das técnicas de previsão

de demanda. A série histórica foi coletada a partir de relatórios acessados diretamente do

sistema de informação utilizado pela empresa. Foi escolhida para esse estudo de caso a linha

de produtos com maior valor agregado, aqui denominada linha de produtos X, devido à sua

importância para a organização. Os dados são referentes ao período de junho/2008 a

julho/2012.

Após a coleta dos dados, com o auxílio da ferramenta Microsoft Excel 2007, foi construído

um gráfico da série de vendas da linha de produtos X dos últimos 50 períodos mensais,

conforme exposto na Figura 1.



7

-

5.000

10.000

15.000

20.000

25.000

30.000

35.000 ju

n/0

8

jul/

08

ago

/08

set/

08

ou

t/0

8

no

v/0

8

de

z/0

8

jan

/09

fev/

09

mar

/09

abr/

09

mai

/09

jun

/09

jul/

09

ago

/09

set/

09

ou

t/0

9

no

v/0

9

de

z/0

9

jan

/10

fev/

10

mar

/10

abr/

10

mai

/10

jun

/10

jul/

10

ago

/10

set/

10

ou

t/1

0

no

v/1

0

de

z/1

0

jan

/11

fev/

11

mar

/11

abr/

11

mai

/11

jun

/11

jul/

11

ago

/11

set/

11

ou

t/1

1

no

v/1

1

de

z/1

1

jan

/12

fev/

12

mar

/12

abr/

12

mai

/12

jun

/12

jul/

12

Ve

nd

as e

m u

nid

ade

s d

e p

rod

uto

s

Figura 1 - Série de vendas da linha de produtos X

Fonte: Elaborado pelos autores

Ao se realizar uma análise inicial do gráfico da Figura 1, percebe-se que se trata de uma série

de vendas sazonal, em que há uma maior concentração das vendas no segundo semestre do

ano.

Além da questão da sazonalidade, é importante também verificar se a série histórica apresenta

tendência (crescimento ou retração). Para tal, torna-se necessário proceder a dessazonalização

da demanda e a consequente estimativa dos valores de a (interseção no eixo Y) e b (inclinação

da linha), conforme exposto na Figura 2.

-

5.000

10.000

15.000

20.000

25.000

30.000

35.000

jun

/08

jul/

08

ago

/08

set/

08

ou

t/0

8

no

v/0

8

de

z/0

8

jan

/09

fev/

09

mar

/09

abr/

09

mai

/09

jun

/09

jul/

09

ago

/09

set/

09

ou

t/0

9

no

v/0

9

de

z/0

9

jan

/10

fev/

10

mar

/10

abr/

10

mai

/10

jun

/10

jul/

10

ago

/10

set/

10

ou

t/1

0

no

v/1

0

de

z/1

0

jan

/11

fev/

11

mar

/11

abr/

11

mai

/11

jun

/11

jul/

11

ago

/11

set/

11

ou

t/1

1

no

v/1

1

de

z/1

1

jan

/12

fev/

12

mar

/12

abr/

12

mai

/12

jun

/12

jul/

12

Série de Vendas Série de Vendas Dessazonalizada

Figura 2 - Série de vendas dessazonalizada




8

Como se pode perceber na Figura 2, a série dessazonalizada apresenta uma tendência de

crescimento, o que confirma a existência dessa característica na série histórica analisada.

Considerando-se que a série apresenta as características de sazonalidade e tendência, supõe-

se, com base no capítulo 2, que o Modelo de Winter seria o mais adequado a ser utilizado.

Entretanto, optou-se por utilizar todas as técnicas apresentadas e avaliar o resultado de cada

uma delas, com foco nas medidas de estimativas de erros de previsão (desvio absoluto médio,

erro absoluto médio percentual e razão de viés). O Quadro 3 apresenta o resultado geral da

utilização das técnicas de previsão de demanda apresentadas aos dados históricos de vendas

da empresa estudada.

Modelo de previsão DAM (Desvio

absoluto médio)

EAMP (Erro absoluto

médio percentual)

Variação do TS

(Razão de viés)

Média móvel simples três períodos 7.264 240% -0,41 a -8,47

Média móvel simples seis períodos 9.732 496% -1,00 a -10,54

Média móvel simples nove períodos 10.068 519% -1,00 a -12,94

Média móvel ponderada com três períodos 6.321 189% -0,53 a -8,63

Média ponderada exponencial 5.336 116% 2,00 a -7,02

Suavização exponencial de séries com

tendência (Modelo de Holt) 5.469 122% 2,08 a -4,85

Suavização exponencial de séries com

tendência e variações de estação (Modelo

de Winter)

3.448 75% 5,17 a -6,00

Quadro 3 – Resultado geral da utilização das técnicas de previsão de demanda

Fonte: Elaborado pelos autores.

De acordo com o Quadro 3, pode-se afirmar que a técnica de previsão de demanda que

apresentou o resultado mais satisfatório, entre as técnicas aplicadas, foi a técnica de

suavização exponencial de séries com tendência e variações de estação (Modelo de Winter), o

que de certa forma já era esperado a partir do exposto no capítulo 2, visto que tal técnica

aborda tanto o componente de sazonalidade, como o componente de tendência, apresentado

anteriormente no referencial teórico. Vale ressaltar ainda a importância de se analisar a

variação de TS, medida de erro de previsão que torna possível saber quando a previsão

realizada utilizando determinada técnica está enviesada ou não. Caso esteja enviesada, o que

ocorre quando se tem valores de TS menores do que -6,0 ou maiores do que 6,0, mesmo que a



9

técnica utilizada apresente um desvio absoluto médio (DAM) menor, recomenda-se que ela

não seja utilizada com aqueles dados de série de vendas.

É importante mencionar, ainda, que no caso das técnicas de média ponderada exponencial,

modelo de Holt e modelo de Winter, em que é necessário definir os valores das constantes de

suavização (α, β e γ), essa definição foi feita com auxílio da ferramenta Solver do Excel. A

Figura 3 apresenta graficamente o resultado obtido com o uso da técnica que se mostrou mais

apropriada, o modelo de Winter.

-

5.000

10.000

15.000

20.000

25.000

30.000

35.000

jun

/08

jul/

08

ago

/08

set/

08

ou

t/0

8

no

v/0

8

de

z/0

8

jan

/09

fev/

09

mar

/09

abr/

09

mai

/09

jun

/09

jul/

09

ago

/09

set/

09

ou

t/0

9

no

v/0

9

de

z/0

9

jan

/10

fev/

10

mar

/10

abr/

10

mai

/10

jun

/10

jul/

10

ago

/10

set/

10

ou

t/1

0

no

v/1

0

de

z/1

0

jan

/11

fev/

11

mar

/11

abr/

11

mai

/11

jun

/11

jul/

11

ago

/11

set/

11

ou

t/1

1

no

v/1

1

de

z/1

1

jan

/12

fev/

12

mar

/12

abr/

12

mai

/12

jun

/12

jul/

12

Série de vendas Modelo de Winter

Figura 3 - Suavização exponencial de séries com tendência e com variações de estação (Modelo de Winter)


Uma vez selecionada a técnica de previsão de demanda mais adequada, calculou-se a previsão

de vendas para os doze períodos mensais posteriores (agosto/2012 a julho/2013) para a

empresa estudada. A Figura 4 representa graficamente a previsão de vendas para esse período.



10

-

5.000

10.000

15.000

20.000

25.000

30.000

35.000

jun

/08

jul/

08

ago

/08

set/

08

ou

t/0

8

no

v/0

8

de

z/0

8

jan

/09

fev/

09

mar

/09

abr/

09

mai

/09

jun

/09

jul/

09

ago

/09

set/

09

ou

t/0

9

no

v/0

9

de

z/0

9

jan

/10

fev/

10

mar

/10

abr/

10

mai

/10

jun

/10

jul/

10

ago

/10

set/

10

ou

t/1

0

no

v/1

0

de

z/1

0

jan

/11

fev/

11

mar

/11

abr/

11

mai

/11

jun

/11

jul/

11

ago

/11

set/

11

ou

t/1

1

no

v/1

1

de

z/1

1

jan

/12

fev/

12

mar

/12

abr/

12

mai

/12

jun

/12

jul/

12

ago

/12

set/

12

ou

t/1

2

no

v/1

2

de

z/1

2

jan

/13

fev/

13

mar

/13

abr/

13

mai

/13

jun

/13

jul/

13

Série de vendas Modelo de Winter

Figura 4 – Previsão de vendas doze períodos posteriores com uso da técnica de suavização exponencial de séries

com tendência e com variações de estação


O Quadro 4 apresenta a previsão de vendas para os doze períodos mensais posteriores.

Período Previsão (Unid.) Período Previsão (Unid.)

Agosto/2012 15.920 Fevereiro/2013 3.476

Setembro/2012 18.903 Março/2013 817

Outubro/2012 20.064 Abril/2013 632

Novembro/2012 18.756 Maio/2013 3.285

Dezembro/2012 13.501 Junho/2013 5.628

Janeiro/2013 6.056 Julho/2013 3.814

Quadro 4 - Previsão de demanda para os doze períodos posteriores


Ao se analisar os dados da previsão feita para os doze períodos posteriores, percebe-se que

estes seguem o mesmo comportamento da demanda dos períodos anteriores, em que o

segundo semestre do ano (agosto a dezembro) tem a maior concentração das vendas.

Visualiza-se também na Figura 4 que a previsão é inferior em quantidades para quase todos os

períodos estimados, quando comparado aos doze períodos mensais anteriores à previsão. Do



11

ponto de vista do pesquisador, esse comportamento da previsão para os doze períodos

posteriores ocorreu, principalmente, devido ao fato de o modelo de previsão utilizado tentar

corrigir as estimativas superiores aos dados de demanda real realizadas para os períodos

anteriores (outubro/2011 a abril/2012).

5. Considerações Finais

Esse trabalho foi realizado com o objetivo geral de analisar a aplicação de técnicas de

previsão de demanda em uma indústria de confecção no estado do Ceará. Trata-se de um

estudo de caso exploratório, realizado em uma empresa do segmento de moda praia, no qual

houve coleta de dados primários e secundários, cuja principal ferramenta de análise de dados

utilizada foi o software Microsoft Excel.

Com a aplicação de diversas técnicas de previsão de demanda aos dados coletados, conclui-se

que a técnica de suavização exponencial de séries com tendência e variação de estação obteve

um resultado mais satisfatório, possuindo o menor desvio absoluto médio (DAM) e

reforçando que este método se ajusta bem às séries que possuem tanto o componente de

tendência, como o componente de sazonalidade, conforme ressaltado no capítulo 2

(CHOPRA; MEINDL, 2003), características estas presentes nos dados históricos de demanda

da empresa.

A partir da constatação da melhor adequação da técnica de suavização exponencial e séries

com tendência e variação de estação (Modelo de Winter), pode-se partir para a utilização da

mesma na previsão da demanda futura da empresa.

Vale ressaltar a importância da aplicação dessas técnicas de previsão de séries temporais aos

dados coletados, de maneira que, a cada novo dado de demanda real, essa previsão seja refeita

ou atualizada, objetivando mantê-las mais próximas da demanda real. Outro ponto que merece

destaque é a necessidade de equilibrar fatores objetivos e subjetivos ao prever a demanda,

visto que o potencial humano não deve ser excluído na finalização da previsão, pois este pode

ter acesso a informações sobre condições do mercado que não estariam disponíveis nos dados

históricos da demanda. A relevância do uso das técnicas se torna ainda maior pelo fato da

empresa nunca ter utilizado anteriormente qualquer técnica estruturada de previsão de

demanda. Assim sendo, o trabalho traz grande contribuição para a gestão da organização. A

partir da realização do presente trabalho, vislumbram-se outras possibilidades, que

configuram as sugestões para trabalhos futuros relacionados ao uso de técnicas de previsão de

demanda.



12

Uma primeira possibilidade seria a utilização dos modelos de Box-Jenkins, genericamente

conhecidos por ARIMA (Auto Regressive Integrated Moving Averages), que são modelos

estatísticos lineares para análise de séries temporais e que se tornam mais sofisticados por

usarem a correlação entre as observações. Os modelos de redes neurais artificiais (RNAs)

também merecem destaque, por trabalharem com funções não lineares (como muitas vezes

são as séries temporais) com alto grau de acurácia. Por fim, a utilização conjunta de técnicas

de previsão de demanda e modelos de simulação pode aumentar a confiabilidade das

previsões a partir da simulação de diferentes cenários, baseados em comportamentos das

principais variáveis que possam influenciar a demanda que se pretende estimar.

Referências

CHOPRA, Sunil; MEINDL, Peter. Gerenciamento da cadeia de suprimentos: Estratégia,

planejamento e operação. São Paulo: Pearson Prentice Hall, 2003.

DAVIS, Mark M.; AQUILANO, Nicholas J.; CHASE, Richard B. Fundamentos da

administração da produção. 3. Ed. Porto Alegre: Bookman, 2001.

DENNIS, Pascal. Produção lean simplificada: Um guia para entender o sistema de produção

mais poderoso do mundo. 2. Ed. Porto Alegre: Bookman, 2008.

GIL, Antônio Carlos. Como elaborar projetos de pesquisa. 3. ed. São Paulo: Atlas, 1991.

MADDALA, G. S. Introdução à econometria. 3. Ed. Rio de Janeiro: LTC, 2003.

MORETTIN, Pedro A.; TOLOI, Clélia M. C. Análise de séries temporais. 2. Ed. São Paulo:

Blucher, 2006.

TUBINO, Dalvio Ferrari. Planejamento e controle da produção: teoria e prática. 2. Ed. São

Paulo: Atlas, 2009.

VERGARA, Sylvia Constant. Projetos e relatórios de pesquisa em administração. São

Paulo: Atlas, 1997.

APLICAÇÃO DE TÉCNICAS DE PREVISÃO DE DEMANDA NA INDÚSTRIA DE...

Documents

Transcript of APLICAÇÃO DE TÉCNICAS DE PREVISÃO DE DEMANDA NA INDÚSTRIA DE...