MODELO DE PREVISÃO DE DEMANDA EM UMA...
Transcript of MODELO DE PREVISÃO DE DEMANDA EM UMA...
RONALDO NITO YAMAMOTO
MODELO DE PREVISÃO DE DEMANDA EM UMA INDÚSTRIA ALIMENTÍCIA UTILIZANDO UM MÉTODO
QUANTITATIVO
Trabalho de Formatura apresentado à Escola Politécnica da Universidade de São Paulo para obtenção do diploma de Engenheiro de Produção
São Paulo 2007
RONALDO NITO YAMAMOTO
MODELO DE PREVISÃO DE DEMANDA EM UMA INDÚSTRIA ALIMENTÍCIA UTILIZANDO UM MÉTODO
QUANTITATIVO
Trabalho de Formatura apresentado à Escola Politécnica da Universidade de São Paulo para obtenção do diploma de Engenheiro de Produção
Orientadora: Profª Drª Débora Pretti Ronconi
São Paulo 2007
FICHA CATALOGRÁFICA
Yamamoto, Ronaldo Nito
Modelo de previsão de demanda em uma indústria alimentí- cia usando um método quantitativo / R.N. Yamamoto. -- São Paulo, 2007.
p.
Trabalho de Formatura - Escola Politécnica da Universidade de São Paulo. Departamento de Engenharia de Produção.
1.Previsão de vendas 2.Modelo em séries temporais 3.De-
manda (Previsão) I.Universidade de São Paulo.Escola Politéc-nica. Departamento de Engenharia de Produção II.t.
AGRADECIMENTOS
Aos meus pais, Hidemi e Margaret, que sempre me incentivaram a estudar e me deram todas
as condições para que eu atingisse o objetivo de me formar na Escola Politécnica da
Universidade de São Paulo.
À minha família pelo total apoio, confiança e colaboração durante todos os anos do curso de
Engenharia de Produção.
À todos os meus amigos por me acompanharem ao longo de minha vida.
À minha orientadora, Professora Débora Pretti Ronconi pela confiança, paciência e valiosa
orientação durante a execução deste trabalho.
RESUMO
Este trabalho consiste na aplicação de métodos quantitativos de previsão de demanda
baseados em séries temporais na Saborama, uma empresa do setor alimentício, fabricante de
refrescos, xaropes, emulsões e produtos para sorvete.
Primeiramente foi feita uma descrição da Saborama com o objetivo de entender melhor suas
necessidades, e assim assegurar que a contribuição deste trabalho esteja de acordo com os
interesses da empresa. A seguir, foi definido que uma boa contribuição seria melhorar o modo
como a empresa faz as previsões da demanda de seus produtos. Após a realização de pesquisa
bibliográfica, sentiu-se a necessidade de adaptação para este trabalho de algumas ferramentas
tradicionalmente utilizadas na literatura, mais especificamente o método de Holt e de Holt-
Winters. Foi também verificado que as medidas de erro tradicionalmente utilizadas não
atendem as necessidades da Saborama, o que levou o autor a sugerir uma nova forma de
medição de erro, que foi chamada de WSE (Weighted Squared Error). Posteriormente foram
feitas as previsão.
Por fim, foi concluído que os métodos de previsão utilizados podem contribuir para a previsão
de demanda da Saborama, e portanto, que os objetivos iniciais deste trabalho foram atingidos
com sucesso.
Palavras-chave: Previsão de vendas. Modelo em séries temporais. Demanda (previsão).
ABSTRACT
This assignment consists in the application of quantitative methods of demand forecast based
in time series at Saborama, a food sector company that manufactures juice, syrup and
products for ice cream.
Firstly a description of the company was done, aiming a better understanding of your
necessities, and so assuring that this work contribution considers the company´s interests. It
was defined that a good contribution would be to improve the way Saborama forecasts the
demand of your products. After researching the traditional literature, it was suggested that
improvements regarding the methods could be done, specially the Holt and the Holt-Winters
methods. It was also verified that the most used error measure do not attend the necessities of
this assignment; that´s why a new error measure was suggested, which was named WSE
(Weighted Squared Error). Finally, the demand forecast was made.
It was concluded that the forecast methods used can contribute for the demand forecast of
Saborama, and therefore, that the initial goal of this assignment was successfully.
Keywords: Demand forecast. Time series models. Demand (forecast)
1
SUMÁRIO
LISTA DE FIGURAS ................................................................................................................ 3
LISTA DE GRÁFICOS ............................................................................................................. 4
LISTA DE TABELAS ............................................................................................................... 5
INTRODUÇÃO ......................................................................................................................... 7
1. DESCRIÇÃO DA EMPRESA ......................................................................................... 11
1.1. A Saborama Sabores e Concentrados Ltda. ............................................................. 11
1.2. Os Produtos .............................................................................................................. 12
1.3. Layout da fábrica ...................................................................................................... 13
1.3.1. Linhas de Produção .................................................................................................. 14
1.4. Distribuição/logística externa ................................................................................... 15
1.5. Logística interna ....................................................................................................... 16
1.6. Caracterização do mercado e a concorrência ........................................................... 17
2. DEFINIÇÃO DO PROBLEMA ....................................................................................... 21
3. REVISÃO DA LITERATURA ........................................................................................ 25
3.1. Métodos qualitativos ................................................................................................ 26
3.2. Métodos quantitativos .............................................................................................. 27
3.3. Decomposição de séries temporais .......................................................................... 28
3.4. Modelo de médias .................................................................................................... 31
3.4.1 Médias simples .............................................................................................................. 31
3.4.2 Médias móveis ............................................................................................................... 32
3.5. Modelos de suavização exponencial ........................................................................ 32
3.5.1 Método de suavização exponencial simples (SES) ........................................................ 34
3.5.2 Método de Suavização Exponencial Simples com Resposta Adaptiva .......................... 35
3.5.3 Método de Holt ............................................................................................................. 36
3.5.4 Método de Holt-Winters ............................................................................................... 37
3.6. Medidas de erro de previsão ..................................................................................... 39
4. ESCOLHA DA MEDIDA DE ERRO .............................................................................. 42
5. PREVISIBILIDADE E ADAPTAÇÃO DOS MODELOS ............................................. 47
6. LEVANTAMENTO DE DADOS E SELEÇÃO DE PRODUTOS A SEREM
ANALISADOS ........................................................................................................................ 52
2
7. ANÁLISE PRELIMINAR DOS DADOS E DOS MERCADOS .................................... 55
8.1. Sucos ........................................................................................................................ 55
8.2. Emulsão para refrigerantes ....................................................................................... 58
8.3. Xaropes ..................................................................................................................... 60
8. APLICAÇÃO DOS MODELOS ...................................................................................... 61
9.1 Modelo de Médias Móveis ....................................................................................... 62
9.2 Modelo de Holt-Winters com Sazonalidade Multiplicativa ..................................... 63
9.3 Modelo de Holt-Winters com Sazonalidade Aditiva ............................................... 65
9. ANÁLISE DOS RESULTADOS ..................................................................................... 69
10.1 Sucos ........................................................................................................................ 70
10.2 Emulsões .................................................................................................................. 75
10.3 Xaropes ..................................................................................................................... 78
10. DESENVOLVIMENTO DE UM SISTEMA DE MONITORAMENTO DE
DISCREPÂNCIAS DA PREVISÃO DE DEMANDA ........................................................... 83
CONCLUSÃO ......................................................................................................................... 84
REFERÊNCIAS BIBLIOGRÁFICAS ..................................................................................... 86
3
LISTA DE FIGURAS Figura 1 – “Curva U” de Porter .................................................................................................. 8
Figura 2 – Layout da fábrica .................................................................................................... 13
Figura 3 - Layout das linhas de produção ................................................................................ 14
Figura 4 – Processos de fabricação de sucos, concentrados, coberturas para sorvete e bases líquidas ..................................................................................................................................... 15
Figura 5 – Fluxo de Materiais .................................................................................................. 17
Figura 6 – Aproximação da estrutura de classes sociais no Brasil ........................................... 20
Figura 7 – Desdobramentos de gestão em empresas ................................................................ 21
Figura 8 – Exemplo de fases de um modelo de previsão ......................................................... 49
Figura 9 – Fases do modelo de Holt-Winters para a família de sucos ..................................... 63
Figura 10 – Fases do modelo de Holt-Winters para as famílias de emulsões e xaropes .......... 64
Figura 11 – Fases do modelo de Holt-Winters para a família de sucos ................................... 66
Figura 12 – Fases do modelo de Holt-Winters para as famílias de emulsões e xaropes .......... 67
Figura 13 – Modelo de escolha de métodos e monitoramento ................................................. 83
4
LISTA DE GRÁFICOS Gráfico 1 - Evolução do mercado de bebidas não alcoólicas ................................................... 19
Gráfico 2 – Série com tendência .............................................................................................. 28
Gráfico 3 – Série com sazonalidade ......................................................................................... 29
Gráfico 4 – Série com tendência e sazonalidade ...................................................................... 29
Gráfico 5 – Penalidade dos erros maiores ................................................................................ 46
Gráfico 6 – Comportamento da previsão do método de médias móveis .................................. 47
Gráfico 7 – Exemplo de previsão do modelo de Holt .............................................................. 49
Gráfico 8 – Exemplo de previsão do modelo de Holt modificações sugeridas pelo autor ...... 51
Gráfico 9 – Representatividade acumulada de cada produto sobre o faturamento total .......... 54
Gráfico 10 - Representatividade das principais linhas de produto nas vendas ........................ 55
Gráfico 11 – Vendas de sucos ao longo dos anos .................................................................... 57
Gráfico 12 – Demanda de sucos da Saborama ........................................................................ 58
Gráfico 13 – Demanda de emulsões para refrigerantes da Saborama ..................................... 59
Gráfico 14 – Demanda de xaropes da Saborama ..................................................................... 60
Gráfico 15 – Resultado gráfico das análises de previsão de demanda da família de sucos ..... 71
Gráfico 16 - Resultados da previsão de sucos utilizando o método de Holt-Winters com suavização multiplicativa ......................................................................................................... 72
Gráfico 17 - Resultados da previsão de sucos utilizando o método de suavização exponencial com resposta adaptiva .............................................................................................................. 75
Gráfico 18 - Resultado gráfico das análises de previsão de demanda da família de emulsões 76
Gráfico 19 - Resultados da previsão de emulsões utilizando o método de Holt-Winters com sazonalidade aditiva ................................................................................................................. 78
Gráfico 20 - Resultado gráfico das análises de previsão de demanda da família de xaropes .. 79
Gráfico 21 - Resultados da previsão de xaropes utilizando o método de Holt-Winters com sazonalidade multiplicativa ...................................................................................................... 80
Gráfico 22 - Resultados da previsão de xaropes utilizando o método de suavização exponencial simples com resposta adaptiva ............................................................................. 82
5
LISTA DE TABELAS Tabela 1 – Os produtos da empresa ......................................................................................... 12
Tabela 2 – Ranking de faturamento do mercado das categorias de bebidas não alcoólicas .... 18
Tabela 3 – Comparação entre diferentes medidas de erros ...................................................... 43
Tabela 4 – Exemplo de aplicação da medida de erro WSE com maior penalização de erros negativos ................................................................................................................................... 44
Tabela 5 - Exemplo de aplicação da medida de erro WSE com maior penalização de erros positivos ................................................................................................................................... 45
Tabela 6 – Resultados detalhados das análises de previsão de demanda da família de sucos . 72
Tabela 7 – Resultados detalhados das análises de previsão de demanda da família de emulsões .................................................................................................................................................. 76
Tabela 8 – Resultados detalhados das análises de previsão de demanda da família de xaropes .................................................................................................................................................. 79
6
7
INTRODUÇÃO A indústria nacional de bebidas tem significável relevância para a economia brasileira, tanto
em face de seu valor intrínseco, mas também devido à dinâmica acentuada que seu mercado
tem apresentado.
O segmento caracteriza-se não só pela grande possibilidade de substituição entre produtos de
diferentes marcas, mas também pela competição de bebidas substitutas. Assim, sucos de uma
marca sofrem efeitos de competição não só com sucos de outras marcas, mas também com
refrigerantes, água, isotônicos e chá. Dentre exemplos recentes da dinâmica acentuada que
esse mercado apresenta no Brasil pode-se citar o aumento em mais de 10% no valor das
vendas de refrigerante1, devido em grande parte ao aumento de oferta de refrigerantes sem
adição de açúcar e/ou contendo complementos adicionais, tais como aminoácidos.
O processo produtivo dessa indústria envolve basicamente o recebimento de matérias-primas
e embalagens, a fabricação do produto básico (a bebida propriamente dita), o engarrafamento
e a distribuição. Na otimização dessa cadeia, as grandes empresas têm notável vantagem
competitiva em relação aos seus concorrentes menores. As razões para tal são maiores
economias de escala em todas as etapas do processo produtivo e maior potencial de
negociação, dentre outras. Como conseqüencia, o mercado nacional de bebidas é
caracterizado por grande barreira a novas e pequenas empresas, conduzindo a processos de
fusões e aquisições basicamente em busca de:
- aproveitamento de Know-How, de estrutura e de clientes das empresas existentes;
- sinergias (como economias de escala, redução de custos de transações e de pesquisa e
desenvolvimento);
- aumento do market-share e de barreiras para novos concorrentes;
- impedir o crescimento da concorrência direta ou indiretamente;
- concentração no core-business ou por outro lado diversificação (lateral, horizontal e
vertical). A diversificação vertical ocorre quando uma empresa passa a atuar em
1 ACNielsen do Brasil
8
mercados situados anteriormente ou posteriormente a ela no Supply Chain (por
exemplo um restaurante que passa a cultivar vegetais). A diversificação lateral ocorre
quando a empresa entra em um mercado totalmente novo para ela, ou seja, cujos
produtos não têm ligação nenhuma com os produtos que a empresa oferece
originalmente (por exemplo café e bicicleta). A diversificação horizontal ocorre se a
empresa passa a atuar em um mercado novo, porém cujos produtos tenham alguma
ligação com os produtos que ela já oferecia (por exemplo amaciante e sabão em pó);
- valorização das ações da empresa na bolsa / facilidade de captação de recursos;
- entrada mais rápida em novo mercado.
Entretanto, as pequenas empresas podem conseguir resultados igualmente satisfatórios em
relação aos grandes competidores em seu retorno de investimento (ROI)2, em vista de um
pequeno grau de complexidade em seus processos de produção, de diferenciação ao atender
seus clientes e de flexibilidade em geral, como sugere a curva “U” de acordo com PORTER
(1999) (Figura 1). Essas vantagens devem ser potencializadas com a otimização de custos para
que as pequenas empresas tenham possibilidade de atuarem ao menos regionalmente,
conquistando fatias de mercado próximas de sua localização.
Figura 1 – “Curva U” de Porter
2 O retorno de investimento (rentabilidade)é popularizado na literatura como “ROI”, sigla para return on investment e representa o valor de (investimento final – investimento inicial)/investimento inicial.
9
De acordo com ROSA et al. (2006), outra característica do setor de bebidas é a forte
correlação que as suas vendas têm em relação ao preço e conseqüentemente com a renda da
população (alta elasticidade de preço dos produtos). As bebidas industrializadas não são
consideradas itens de primeira necessidade, de modo que em última análise a sobrevivência
na competição entre as empresas é baseada no preço do produto final ao consumidor, o que
obriga as indústrias a operarem com pequena margem de lucros. Assim, otimizar a estrutura
de custos tem importância vital para as empresas do ramo.
Exemplos de custos relacionados ao estoque em uma indústria são:
- Perdas de oportunidades de vendas (no caso de um nível de estoque menor que o
necessário);
- Custo de oportunidade do capital investido em estoque desnecessário;
- Custo de obsolência dos produtos em estoque (os produtos têm período de validade
limitada, o que dificulta a venda do material produzido há muito tempo);
Além desses custos imediatos relacionados ao estoque de produtos prontos, existem custos
relacionados ao estoque de embalagens e matérias-primas:
- Custo de oportunidade de economia de escala e preços promocionais, causados por
falta de previsibilidade das vendas de produtos prontos;
- Custo de oportunidade do capital investido em estoque excedente (capital parado);
- Custo de oportunidade de compras sub-ótimas (no caso de compra de embalagens e
matéria-primas ser menor do que o necessário, forçando a empresa a obter com
maiores custos os materiais faltantes necessários);
Todos esses custos podem ser evitados ou ao menos significativamente diminuídos com o
conhecimento da demanda futura de produtos prontos. Além disso, a previsibilidade da
demanda de produtos prontos traz outras vantagens, como por exemplo:
10
- A possibilidade de fazer planejamentos melhores de produção (trazendo
oportunidades de economia de escala de produção e de utilização ótima da capacidade
industrial);
- A possibilidade de tomar decisões estratégicas com mais segurança, como decisões de
atualização do maquinário a fim de aumentar a capacidade de produção e de
cooperações inter-empresariais.
O autor deste trabalho não tem nenhum vínculo empregatício com a empresa sobre a qual o
mesmo foi escrito, que atua no segmento de bebidas. Entretanto, o autor tem contatos em
comum com os sócios da empresa e, através de reuniões com os mesmos, foi discutido como
um trabalho de formatura do curso de Engenharia de Produção poderia contribuir. Foi
concluído que reduzir os custos é fator determinante para empresa, e o meio indicado para tal
foi através da previsão da demanda.
11
1. DESCRIÇÃO DA EMPRESA
Este primeiro capítulo apresenta uma descrição da empresa na qual o trabalho será realizado,
caracterizando seus principais aspectos organizacionais e gerenciais, seus produtos, o
mercado em que atua e principais concorrentes.
1.1. A Saborama Sabores e Concentrados Ltda.
A Saborama é uma empresa 100% nacional e atua no segmento de bebidas e sorvetes,
atendendo aos mais diversos ramos da indústria alimentícia, como sorveterias, confeitarias,
indústrias de refrigerantes, atacados e supermercados.
Foi fundada em 1973, na capital de São Paulo, dedicando-se inicialmente à confecção de
emulsão para a fabricação do refrigerante Grapette, da qual é detentora nacional dos direitos
de fabricação. Essa marca foi popularizada com o slogan "Quem Bebe Grapette Repete", o
que alavancou as suas vendas desde a década de 60. O sucesso e aceitação do produto
geraram a necessidade de abertura de franquias em todo o território nacional.
Posteriormente a empresa deu inicio à fabricação de bases para sorvete de massa e picolé,
surgindo assim o “Liquido Para Sorvete Saborama”.
Na década de 80 o portfólio de produtos fabricados pela empresa aumentou com os xaropes,
aromas e novos sabores para as emulsões de refrigerantes. A Saborama começou a fabricar
também produtos para sorveteria industrial e artesanal, como pó e líquidos, emulsificantes,
estabilizantes (liga neutra), coberturas, além de xaropes, preparados Diet e Light, aromas
líquidos, bebidas mistas prontas para beber e outros produtos.
O crescimento exigiu maior espaço da área industrial. Assim, em 1993 a empresa adquiriu sua
nova sede no município de Taboão de Serra-SP, abrangendo uma área de 3.200 m2.
12
Atualmente a empresa opera também através do sistema de franquias, colocando à disposição
de fabricantes de refrigerantes a emulsão para a elaboração do produto.
1.2. Os Produtos
Dentro de sua linha de produtos, encontram-se emulsões para refrigerantes, produtos para
sorvetes, xaropes, preparados líquidos Light e Diet, aromas diversos, bebidas mistas,
energéticas, chás e groselha.
Na tabela a seguir estão listados a gama de produtos da Saborama:
Refrescos Concentrados (xaropes) Emulsões Produtos para Soverve
• bebidas mistas • diet/light
• normal
• p/ refrigerantes
• p/ refrescos
• p/ panificação
• p/ leite de soja
• base líquida
• pó
• liga neutra
• emulsificante
• cobertura
Tabela 1 – Os produtos da empresa
Na Tabela 1, “sucos” são os refrescos prontos para beber, “concentrado” representa xaropes
em geral a serem diluídos em água antes do consumo, “groselha light” é um tipo específico de
xarope de caráter diet a ser diluído em água antes do consumo, “emulsões para refrigerante” é
matéria prima a ser vendida para fabricantes de refrigerante, “produtos para sorvete” são os pó
para sorvetes, liga neutra e emulsificante, e “base líquida para sorvete” são produtos usados
para a fabricação de sorvete tipo "geladinho", sorvete em máquina tipo “Expand Frio” e
raspadinha.
Além desses, a Saborama tem outros produtos em seu leque de produção, como os produtos
para panificação, mas que não têm vendas/clientes significativos e que serão ignorados no
escopo deste trabalho.
Uma característica dos produtos da Saborama é que seus produtos são fabricados mediante a
composição de água, do extrato de suco e de aditivos como aromatizantes, edulcorantes,
corantes e conservantes, em detrimento de sucos naturais ou de polpa.
13
1.3. Layout da fábrica
Para facilitar o entendimento do funcionamento da fábrica, segue abaixo uma figura
ilustrativa do layout da fábrica. Nessa figura, o espaço “Fabricação de produtos para sorvete”
representa a linha de produção apenas de pó para sorvetes, liga neutra e emulsificante. Como
se pode observar, a produção desses produtos é totalmente separada das outras linhas de
produção e é bem simples, consistindo basicamente de processos de mistura.
Figura 2 – Layout da fábrica
O espaço representado por “Linhas de produção” merece um detalhamento maior por ser onde
acontece quase a totalidade da produção da Saborama e são especificadas na próxima seção.
14
1.3.1. Linhas de Produção
A Saborama dispõe de dois tanques de cozimento, um pasteurizador, dois tanques de mistura,
uma linha de envase e uma linha de empacotamento, que estão disponibilizadas conforme a
Figura 3:
Figura 3 - Layout das linhas de produção
Para a fabricação de sucos e concentrados (xaropes), todos os tanques e linhas são utilizados.
No caso da fabricação de coberturas para sorvete, tudo exceto o processo de pasteurização é
utilizado. Para a obtenção de bases líquidas são usados os tanques de mistura, a linha de
envase e a linha de empacotamento. A seguir encontram-se esquematizados os processos de
fabricação relacionados a sucos, concentrados, coberturas para sorvete e bases líquidas:
15
Figura 4 – Processos de fabricação de sucos, concentrados, coberturas para sorvete e bases líquidas
Os tempos de cada processo bem como o tempo de setup do maquinário podem variar de
acordo com o produto a ser produzido.
Já para a fabricação de emulsão pra refrigerantes, a Saborama dispõe de outros dois tanques
de mistura/repouso. A obtenção desse produto é simples; os ingredientes são misturados e
envasados em galões diretamente dos tanques.
1.4. Distribuição/logística externa
A empresa dispõe de 3 caminhões e uma “van”. Quando a quantidade de produtos a serem
entregues supera a capacidade de sua frota própria, existe a opção de contratar o serviço de
terceiros (empresa transportadora).
As vendas são feitas através de vendedores, que são profissionais autônomos (não são
contratados pela Saborama). Estes vendem os produtos principalmente a mercados de
pequeno porte e supermecados, atacados de doces e distribuidoras de bebidas, tanto no estado
de São Paulo quanto no resto do país. Entretanto, a nível nacional as vendas se concentram
em sua quase totalidade aos produtos de maior valor agregado, como o emulsificante para
refrigerantes, cujo cliente direto se caracteriza por ser de grande porte.
Para a distribuição de produtos na grande São Paulo e arredores o prazo prometido de entrega
é 5 dias úteis, embora na prática as entregas sejam efetuadas em prazos muito menores.
16
Muito recentemente a empresa tem começado a fabricar o produto de emulsão para energético
para exportação (Portugal e Espanha), através de um vendedor. Está em negociação um
redirecionamento dos esforços da empresa para conquistar o mercado externo.
1.5. Logística interna
O controle de matéria prima e embalagens vazias é feito atualmente pelo princípio “pull”, ou
seja, os pedidos são feitos de acordo com o nível de estoque atual (ação em resposta à
demanda). Ao contrário do princípio “push”, em que é levada em conta a previsão de
demanda do produto final.
O controle de estoque de produtos prontos para a venda é feito através da checagem de seu
estado atual em relação ao nível de estoque mínimo permitido. O sistema de computador gera
relatórios (sugestões) de produtos a serem fabricados no dia, que são os produtos cujo estoque
está abaixo do mínimo permitido. A conta é simples:
Qtde a ser produzida = estoque mínimo (média de vendas nos últimos 22 dias) - estoque atual + vendas fechadas
Na prática essa quantidade a ser produzida serve apenas como referência, já que o tamanho
dos lotes ótimos de produção deve ser levado em conta. Além disso, no caso de ter mais de
um produto a ser fabricado (segundo o relatório emitido pelo computador), a ordem de
fabricação depende da urgência de entrega do produto e do nível de estoque atual. Em outras
palavras, o sistema emite um relatório acusando os produtos a serem produzidos. O operador
lê esse relatório e decide a ordem cronológica de produção, baseado em critérios como o
tamanho dos lotes ótimos de produção e sua opinião própria sobre a urgência da fabricação.
O espaço físico de estoque de matéria prima, embalagens e produto acabado ocupa grande
parte da fábrica, em detrimento do espaço destinado aos processos de fabricação, envase e
empacotamento dos produtos. Para o armazenamento dos produtos prontos, organiza-se os
diferentes grupos em paletes.
17
O fluxo de materiais segue uma única direção, ou seja, existe um portão destinado à entrada
de matéria prima de um lado da fábrica, seguida pelos estoques de matéria prima e
embalagens, fabricação, estoques de produtos prontos e finalmente um outro portão destinado
à saída de produtos a serem entregues ao cliente. A seguir encontra-se um esquema ilustrativo
do fluxo de materiais dentro da Saborama:
Figura 5 – Fluxo de Materiais
1.6. Caracterização do mercado e a concorrência
Estima-se que o consumo médio de alimentos líquidos de uma pessoa seja em torno de 730
litros por ano. Considerando-se que, no Brasil, o total de consumo por pessoa por categoria de
bebida (café, refrigerantes, cerveja, água envasada, chá, bebidas alcoólicas, sucos e outras) é
de cerca de 246 litros/ano, pode-se admitir que a diferença entre o limite de 730 litros e o total
de 246 litros corresponderia ao consumo de água. Assim, no caso brasileiro o limite máximo
para o crescimento do consumo no mercado de bebidas gira em torno de 484 litros por pessoa
(ROSA et al. (2006)).
18
A Saborama dedica-se exclusivamente a produtos não alcoólicos, dos quais atualmente os
sucos prontos para beber representam grande parte de seu faturamento total. A nível nacional,
esse mercado movimenta cerca de 250 milhões de litros/ano. No entanto, ainda tem de
conquistar a preferência dos consumidores brasileiros que resistem em tomar sucos
industrializados. Nesse nicho, as marcas procuram oferecer algum diferencial de saúde, de
conveniência e inovação para roubar participação de mercado de outros segmentos que
possuam um aspecto mais natural ou um preço unitário menor (ROSA (2006)).
Segundo uma pesquisa3 feita no ano de 2006, o mercado de bebidas nessa categoria no país
tem a seguinte composição:
Bebida Representatividade em faturamento
Cerveja 55% Refrigerante 41% Suco em pó 4%
Água mineral 3% Suco pronto 3%
Suco concentrado 1% Bebida a base de soja 1%
Chá líquido 1% Tabela 2 – Ranking de faturamento do mercado das categorias de bebidas não alcoólicas
Um ponto a se salientar é o crescimento constante que esse mercado tem apresentado nos
últimos anos. Desconsiderando-se o mercado de cerveja, as bebidas cujas performances de
mercado têm surpreendido (dados até o ano de 2005) são primeiramente bebidas à base de
soja, seguidas por suco pronto para consumo e água mineral. A próxima figura ilustra o
comportamento do mercado de bebidas no Brasil nos últimos anos:
3 Pesquisa feita por ACNielsen do Brasil (http://acnielsen.com). A bebida cerveja, apesar de conter álcool, é classificada comumente pelo mercado como sendo uma bebida não alcoólica.
19
Gráfico 1 - Evolução do mercado de bebidas não alcoólicas
4
Uma série de explicações razoáveis é apontada pela ACNielsen do Brasil sobre o
comportamento do mercado de bebidas não alcoólicas no país: o aumento da busca de
produtos saudáveis pela população, aumento da disponibilidade de produtos como bebidas a
base de soja, sucos e chás prontos para o consumo e a gradual elevação da renda. Além disso,
os produtos diet e light adquirem rápida e intensa aceitação no mercado nacional: enquanto
todas as categorias auditadas ganharam 5,5% em faturamento, em 2002, as categorias diet e
light faturaram 10,9% a mais. Os produtos da versão light ainda têm espaço para crescer,
apesar de serem até 12% mais caros do que os tradicionais. Em 2004, o produto light
respondeu por 22% do total de sucos consumido no país. Estima-se que essa participação
possa chegar a 26%, nos próximos anos, por causa da crescente tendência do consumidor em
adquirir produtos mais saudáveis.
Atualmente existe grande capacidade de oferta ainda não consolidada, mas em permanente
expansão, de frutas tropicais, onde o Brasil se destaca pela variedade de sabores.5 Essa
tendência favorece em especial a demanda pela linha de refrescos prontos de frutas tropicais
da Saborama.
4 Pesquisa feita por ACNielsen do Brasil. A evolução de cada categoria tem como base = 100 os respectivos valores de 1998. 5 ABIR – Associação Brasileira das Indústrias de Refrigerantes e Bebidas não Alcoólicas
20
O cliente final dos produtos da Saborama é caracterizado dominantemente por consumidores
das classes C, D e E6, que são classificados segundo o IGBE da seguinte forma:
Figura 6 – Aproximação da estrutura de classes sociais no Brasil7
Analisando a distribuição geográfica das vendagens da Saborama, verifica-se que seu
mercado atual de sucos e xaropes se concentra no estado de São Paulo, o que contrasta com o
foco de destino das emulsões para refrigerantes, que são vendidas a nível nacional com
excessão de São Paulo. O mercado da Saborama para emulsões para refrigerantes é bem
restrito, representado por seis ou sete clientes de grande porte. Os produtos para sorvete têm
como destino principalmente São Paulo, Minas, Mato Grosso, Paraná e Paraguai.
A concorrência se caracteriza tanto por pequenas quanto por grandes indústrias. Em nível de
comparação, entre as principais concorrentes no mercado de emulsões estão a Frutiflora,
Givaudan, Duas Rodas e a Cargill. Estas três últimas merecem atenção especial, pois são
gigantes do mercado tanto nacional quanto internacional.
Segundo a Saborama, apesar da acirrada concorrência, há mercado suficientemente grande
para todos. Os principais fatores limitantes das vendagens da empresa atualmente são a sua
própria capacidade de produção (principalmente durante o verão) e fraco contato com
vendedores8.
6 Análise feita pela Saborama 7 Aproximação realizada a partir de dados do IBGE 8 Análise feita pela Saborama
21
2. DEFINIÇÃO DO PROBLEMA
O objetivo principal desde trabalho é reduzir os custos na Saborama, utilizando técnicas de
previsão da demanda futura de produtos, tendo em vista a otimização de estoques. Entretanto
as técnicas por si só não são suficientes para modelar com precisão o atual nível de
complexidade do atual contexto competitivo entre organizações. Assim, observa-se que é cada
vez mais importante que as operações técnicas, mesmo que tenham características operativas
como prever demandas, devem estar de acordo com as gestões estratégicas e normativas da
empresa, já que idealmente toda organização deve funcionar da seguinte forma:
Figura 7 – Desdobramentos de gestão em empresas
9
Como se pode observar na
Figura 7, a gestão nos três níveis da empresa é desdobrada a partir da missão e filosofia da
empresa, seus valores, política da empresa, análise de mercado e análise interna da empresa.
A divisão do estudo de gestão de empresas em gestões normativas, estratégica e operacional é
usual na Europa e dominante especialmente na Alemanha10, em contraste com a divisão usual
no Brasil em gestões estratégica, tática e operacional.
9 Adaptado de PFOHL, H.-C., 2004 e ULRICH, P./ FLURI, E., 1995 10 Como se pode observar nas literaturas de PFOHL, H.-C., 2004 e ULRICH, P./ FLURI, E., 1995, que fazem parte da literatura de cursos de universidades européias, em especial na Alemanhã, Suíça e França.
22
Na gestão normativa são discutidos os rumos da empresa a partir dos interesses dos
proprietários. Mais especificamente no caso da logística, a gestão normativa faz com que as
decisões da alta gerência levem em conta o pensamento de fluxo; seja de trabalho, custos
logísticos, material, informação ou bens da empresa, em todas as direções da cadeia de
suprimento. Tudo isso sempre tendo em vista a missão, filosofia e política da empresa, a
análise de mercado e análise interna da empresa.
Já a logística na gestão estratégica da empresa cuida das interfaces entre os sistemas,
concretizando um pouco mais as idéias da gestão normativa. Aqui, os problemas são pouco
definidos, e se considera grande horizonte de tempo (longo prazo) na hora de fazer as
decisões. Por exemplo, o plano estratégico da logística é responsável pela construção de rede
de empresas e Supply Chain (Cadeia de Suprimentos), considerando um escopo não só interno
aos sistemas, mas também externo.
No plano operacional, a logística é responsável pela solução imediata (observando o curto
prazo) e não contínua de problemas. O foco da logística no plano operacional da gestão da
empresa são problemas predominantemente de eficiência claramente visíveis, grandes e com
grandes probabilidades de sucesso. Geralmente os gestores tendem a priorizar a solução de
problemas no plano operacional.
A idéia em que este trabalho se baseia é que, para se alcançar um funcionamento adequado de
empresas, solucionar seus problemas e fazer planejamentos e controle, deve-se sempre ter em
mente não só o plano operacional, mas também o plano estratégico e normativo da empresa.
O foco do atual trabalho é atuar no plano operacional, mas sem abandonar as dimensões
normativas e estratégicas da logística, e sempre visando uma relação construtiva e harmoniosa
entre as mesmas.
Essa idéia acima descrita está de acordo com a idéia de logística empresarial, que é um
“campo relativamente novo do estudo da gestão integrada, das áreas tradicionais das finanças,
marketing e produção. A novidade deriva do conceito da gestão coordenada de atividades
inter-relacionadas, em substituição à prática histórica de administrá-las separadamente”
(BALLOU, 2006). A logística se preocupa das transformações dos materiais na dimensão
23
tempo e espaço, além de outras transformações relativas a quantidade e tipo de mercadoria,
características de manejamento e a determinação logística (reconhecimento) dos produtos são
planejados, realizados e controlados. Segundo a idéia de logística empresarial, a logística
entra então como fator determinante nas decisões da empresa, se preocupando sempre em
fornecer tanto internamente quanto externamente a cada sistema logístico os produtos certos
(em quantidade e tipo), na condição certa, no tempo e lugar adequado, com os mínimos custos
possíveis11 tendo sempre em vista as interdependências com outras áreas da empresa, como a
área financeira, marketing e produção.
De todos os sistemas logísticos existentes na Saborama, o trabalho se concentrará na previsão
da demanda, ou seja, dos outputs (o produto em sua forma final, que é vendido e distribuído
pela empresa). A previsão da demanda é essencial para a empresa, pois permite melhor
planejamento de sua produção e de sua capacidade produtiva, além de melhor controle de seus
estoques (tanto do produto final quando de matérias primas).
Atualmente, a previsão da demanda é feita tomando-se como base as vendas nos últimos 22
dias úteis. A produção é feita de acordo com o limite mínimo de estoque já descrito:
Qtde a ser produzida = estoque mínimo (vendas nos últimos 22 dias) - estoque atual + vendas fechadas
Assim, o nível do estoque é mantido de forma a estar sempre acima do número de vendas dos
últimos 22 dias úteis e das vendas já fechadas. Em outras palavras, a empresa planeja sua
produção diária equacionando as variáveis acima (vendas nos últimos 22 dias úteis, estoque
atual e vendas fechadas) todos os dias, para todos os seus produtos. Essa forma atual de
planejamento de produção leva em conta a previsão de demanda a partir de uma soma móvel
(das vendas concretizadas nos últimos 22 dias úteis). Com essa forma atual de previsão de
vendas, a empresa é incapaz de fazer previsões acuradas; não se consegue definir, por
exemplo, quanto a empresa venderá no mês seguinte ou em 6 meses. Isso traz algumas
conseqüências negativas em planejamentos para horizontes de tempo maiores do que 1 mês:
a. Na compra de embalagens e matérias-primas: a empresa não tem informações
confiáveis que a ajude a comprar os inputs de fabricação (alguns meses), de modo que
11 Adaptado de PFOHL, H.-C., 2004 e BALLOU, R. B., 2006.
24
oportunidades de economia de escala e promoções podem não ser aproveitadas em
compras de materiais. Assim, essas compras podem ser maiores do que o necessário,
fazendo com que a empresa perca no custo de oportunidade do capital investido nos
inputs excedentes parado no estoque. Por outro lado, essas compras podem ser
menores do que o ideal, forçando a empresa a obter com maiores custos os materiais
faltantes necessários.
b. No estoque de produtos prontos: a empresa pode estocar menos do que o necessário,
impossibilitando entregas e fazendo-a perder não só oportunidades de vendas, mas
também clientes atuais e futuros. Por outro lado a empresa pode estocar muito mais do
que o necessário, gerando custo de capital parado em forma de estoques (custo de
oportunidade do capital), além de obsolência dos produtos estocados (os produtos têm
período de validade limitada, o que dificulta a venda do material produzido há muito
tempo).
c. Na produção: a empresa é incapaz de fazer planejamentos melhores de produção,
perdendo assim oportunidades de economia de escala de produção e subutilização de
sua capacidade industrial.
d. No plano estratégio da empresas: com pouca visibilidade das vendas para longo
horizonte de tempo, a alta gerência é dificultada no seu trabalho, como por exemplo
em decisões de atualização do maquinário a fim de aumentar a capacidade de
produção, estudos de mercado e de cooperações inter-empresarial.
O objetivo do trabalho é sugerir um modelo de previsão matemático e quantitativo mais
adequado e preciso do que a empresa usa para projetar a demanda futura e, a partir do qual,
sugerir um modelo de manutenção otimizado dos níveis de estoque, que atualmente é feita de
modo subjetivo. Esse modo de decisão é usado em muitas empresas, independente do tipo de
indústria, tamanho do empreendimento ou estratégia de posicionamento da empresa. Segundo
pesquisas, esse modo de decisão subjetiva acarreta maiores erros de previsão (SANDERS e
MANRODT, 2003), o que se alinha aos benefícios associados aos modelos quantitativos que
este trabalho utilizará.
25
3. REVISÃO DA LITERATURA
Existem na literatura inúmeros métodos para previsão de dados. Apresentando características
diferentes, cada um é mais ou menos adequado para lidar com diversas situações, com
diferentes níveis de precisão e custos de utilização.
Os métodos podem ser divididos em dois grandes grupos: os métodos qualitativos e os
quantitativos. Idealmente ambos devem ser complementares, à medida que, segundo NEVES
(1996), combinar técnicas quantitativas e qualitativas torna uma pesquisa mais forte e reduz
os problemas de adoção exclusiva de um desses grupos; a omissão no emprego de métodos
qualitativos, num estudo em que se faz útil empregá-los, empobrece a visão do pesquisador
quanto ao contexto em que ocorre o fenômeno.
DUFFY (1987) indica como vantagens do emprego conjunto dos métodos qualitativos e
quantitativos os seguintes:
a) Possibilidade de congregar controle dos erros (pelos métodos quantitativos) com
compreensão da perspectiva dos agentes envolvidos no fenômeno (pelos métodos
qualitativos);
b) Possibilidade de congregar identificação de variáveis específicas (pelos métodos
quantitativos) com uma visão global do fenômeno (pelos métodos qualitativos);
c) Possibilidade de completar um conjunto de fatos e causas associados ao emprego de
metodologia quantitativa com uma visão da natureza dinâmica da realidade;
d) Possibilidade de enriquecer constatações obtidas sob condições controladas com dados
obtidos dentro do contexto natural de sua ocorrência;
e) Possibilidade de reafirmar validade e confiabilidade das descobertas pelo emprego de
técnicas diferenciadas.
Tanto os métodos qualitativos quanto os quantitativos apresentam algumas características em
comum. Em geral, de acordo com Arnold (1999), eles possuem quatro princípios
fundamentais:
a) As previsões geralmente estão erradas; erros são inevitáveis e devem ser esperados;
26
b) Por isso, as previsões devem estar acompanhadas com estimativas de erro;
c) As previsões são mais precisas e adequadas para grupos ou famílias;
d) As previsões são mais precisas para períodos de tempo mais próximos; quanto maior
for a distância temporal do presente, maior é a incerteza;
3.1. Métodos qualitativos
Os métodos qualitativos são geralmente usados para janelas temporais grandes, quando se tem
à disposição pouco ou nenhum histórico de dados (como no caso de um novo produto ou
mercado) ou quando há fatores conjunturais críticos que mudam ao longo do tempo (como
crise petrolífera, guerra ou mudança de planejamento do governo). Métodos qualitativos
requerem imaginação, talento individual, intuição, julgamento e conhecimento, que segundo
MAKRIDAKIS et al. (1998), são na realidade mais importantes do que os métodos
qualitativos em si. Para o trabalho atual é intencionado apenas o uso de métodos quantitativos,
já que métodos qualitativos demandariam ajuda de especialistas, o que é economicamente
custoso e desinteressante para a empresa. Assim, como o escopo do trabalho são os métodos
quantitativos, apenas um dos métodos qualitativos mais conhecidos será aqui apresentado: o
método Delphi.
Ainda de acordo com MAKRIDAKIS et al. (1998), o método Delphi é sem dúvida o mais
usado entre os métodos qualitativos e é essencialmente um modo refinado de obtenção do
consenso de um grupo formado geralmente por especialistas. Resumidamente pode-se
caracterizar o método pelo uso de especialistas com anonimato e pela aplicação interativa de
várias rodadas de questionário.
O método inicia com a elaboração do questionário e seleção dos especialistas. A seguir
promove-se a primeira rodada de aplicação do questionário e os dados coletados são tratados
estatisticamente. As respostas são devolvidas aos especialistas com dados sobre a média e
desvio-padrão das respostas. A seguir, o questionário é reavaliado, sofre possíveis alterações
pertinentes e efetua-se uma nova rodada de aplicação do questionário. Caso haja convergência
de respostas nessa nova rodada, conclui-se o método com a elaboração de relatórios finais.
27
Caso ainda haja divergências de opinião entre os especialistas, novas rodadas de pesquisa são
feitas até que se possa ter um consenso.
3.2. Métodos quantitativos
Os métodos quantitativos utilizam o histórico de dados para descrever seu comportamento
através de um modelo matemático e prever os dados futuros. Apesar de retornar a previsão em
formas de números mais precisos possível, os métodos quantitativos não explicam grandes
variações inesperadas dos dados; e deve portanto ser utilizada paralelamente ao conhecimento
qualitativo de especialistas. Quando comparados com os métodos qualitativos, os métodos
quantitativos apresentam em geral menores custos (não exigem o uso freqüente de
conhecimento de especialistas do mercado, por exemplo) e exigem menos trabalho, o que
possibilita sua utilização para prognoses em massa, ou seja, para decisões rotineiras em curto
prazo. Entretanto, segundo MAKRIDAKIS et al. (1998), seu uso depende de três condições:
a) Disponibilidade de dados históricos;
b) As informações possam ser quantificadas em dados numéricos;
c) Possa ser assumido que alguns aspectos do passado continuarão no futuro.
Esta última condição é conhecida como a premissa da continuidade; os métodos quantitativos
de previsão partem do princípio de que o histórico de dados representa informações que são
base do comportamento futuro dos dados. Além dessas três condições, para a utilização dos
métodos quantitativos é necessário que os dados históricos disponíveis sejam confiáveis.
O grupo de métodos quantitativos a serem aplicados neste trabalho se divide basicamente em
modelos causais (modelos de regressão) e modelos baseados em séries de tempo:
� Modelo de regressão
� Modelos baseados em séries de tempo:
� Médias simples
� Médias móveis
� Suavização exponencial
28
A fim de selecionar o modelo de previsão mais indicado para determinada situação, é
necessário conhecer as características dos dados históricos observados e as características de
cada modelo de previsão. Uma vez selecionado o modelo, é recomendável simulá-lo e
comparar sua medida de erro com as medidas de erros de outros modelos, com o intuito de se
verificar se o modelo escolhido realmente é o mais apropriado para tal situação.
Como já mencionado, a aplicabilidade de um sistema de previsão quantitativo depende de sua
adequação com características históricas dos dados, que serão apresentadas a seguir.
3.3. Decomposição de séries temporais
Séries temporais são conjuntos de números ordenados com o tempo, que descrevem algum
tipo de acontecimento ou observação feita. Para o presente trabalho entender a decomposição
de séries temporais é importante, pois isso ajuda a entender melhor as características dos
dados e conseqüentemente a selecionar o método de previsão mais apropriado.
As séries temporais podem apresentar tendência, sazonalidade, ciclicidade e ruído:
a) A tendência exprime um padrão de movimento de longo prazo com uma direção clara,
que pode ser ascendente ou decrescente. No gráfico a seguir, a tendência ascendente é
facilmente observável:
Gráfico 2 – Série com tendência
29
b) A sazonalidade exprime um padrão de movimento que se repete regularmente dentro
de um intervalo curto de tempo (em geral um ano), que de acordo com
MAKRIDAKIS et al. (1998), pode ser causado por flutuações da temperatura,
chuvas, meses do ano, épocas de feriados e política corporativas. A sazonalidade pode
ser facilmente verificada no gráfico a seguir:
Gráfico 3 – Série com sazonalidade
Os dados também podem apresentar tendência com sazonalidade, como se pode
observar no gráfico a seguir:
Gráfico 4 – Série com tendência e sazonalidade
30
Neste caso, observa-se o comportamento repetitivo de 3 em 3 unidades de tempo,
apresentando tendência crescente, já que o nível da série aumenta ao longo do tempo.
O nível exprime uma categorização vertical dos dados.
c) Assim como a sazonalidade, a ciclicidade representa movimentos oscilatórios. A
diferença entre as duas características é que uma série com ciclicidade não precisa
necessariamente ter periodicidade fixa e acontece dentro de um intervalo longo de
tempo. Segundo MAKRIDAKIS et al. (1998), a componente cíclica é freqüentemente
misturada á tendência.
d) Além das componentes acima descritas, uma série pode apresentar também a
componente aleatória (ruído), que tem um caráter casual e imprevisível.
A decomposição das características da série temporal em tendência, sazonalidade, ciclicidade
e ruído pode ser representada matematicamente como:
y = f(tendência, sazonalidade, ciclicidade, ruído).
Neste trabalho, os efeitos de ciclicidade serão removidos:12
y = f(tendência, sazonalidade, ruído).
Os três efeitos (tendência, sazonalidade e ruído) podem se apresentar basicamente de duas
formas diferentes nas séries temporais. Se as características se somam, a função que descreve
a série tem a forma
y = tendência + sazonalidade + ruído
e é chamada pela literatura de modelo aditivo. Um modelo aditivo é apropriado se a
magnitude das flutuações não varia com o nível das séries. Caso as flutuações sazonais
12 Essa remoção é muito utilizada na literatura, como se pode observar em MAKRIDAKIS et al. (1998).
31
aumentam ou diminuem proporcionalmente com os aumentos e diminuições nos níveis das
séries, então as características se multiplicam, a função que descreve a série tem a forma
y = tendência x sazonalidade x ruído
e é chamada pela literatura de modelo multiplicativo.
A seguir serão apresentados com maior profundidade os métodos de previsão quantitativos
utilizados neste trabalho.
3.4. Modelo de médias
3.4.1 Médias simples
O modelo de médias simples consiste em se calcular uma média aritmética de todos os dados
da série histórica a partir de um determinado período:
∑=
+ =t
i
it Yt
F1
1
1
,
onde
t é o número de dados observados da série histórica,
1+tF é a previsão do próximo valor da série e
iY representa cada dado da série histórica.
Admite-se que essa média aritmética descreva o comportamento da série no futuro da seguinte
maneira: a cada nova observação (dado real), a previsão para o próximo período será a nova
média entre os dados antigos mais essa última observação. Esse modelo se torna mais estável
quanto mais dados forem observados.
32
3.4.2 Médias móveis
No modelo de médias móveis se faz uma média aritmética dos k dados mais recentes da série
histórica. A cada nova observação de um novo dado real se faz uma nova média:
∑+−=
+ =t
kti
it Yk
F1
1
1,
onde k é o número de dados a serem incluídos nessa média, e permanece sempre constante
ao longo do tempo. Quanto maior o k , maior o efeito de suavização das médias (menor é a
velocidade de resposta a mudanças no comportamento dos dados incluídos na média móvel).
Ao contrário do que ocorre no método de médias simples, que leva em conta todos os valores
observados a partir de um período, o método de médias móveis descarta o valor mais antigo
observado e considerado no cálculo da previsão do período anterior e passa a considerar o
valor mais recente observado.
De acordo com HANKE/REITSCH (1998), esse modelo funciona melhor com dados que
apresentam certa permanência, mas não suporta muito bem tendências nem sazonalidades,
apesar de fazê-lo melhor do que a média simples. Segundo MAKRIDAKIS et al. (1998), na
prática a média móvel não é muito utilizada porque em geral os métodos de suavização
exponencial são superiores.
3.5. Modelos de suavização exponencial
No caso dos modelos de médias simples e médias móveis todos os dados históricos
considerados influem com pesos iguais nos resultados. Já nos modelos de suavização
exponencial, pode-se dar maior ou menor significância aos dados mais antigos. Assim, á
medida que os dados observados ficam mais antigos, sua importância no resultado da previsão
torna-se exponencialmente menor. Os modelos de suavização exponencial comumente
encontrados na literatura são:
33
� Suavização exponencial simples
� Suavização exponencial linear (método de Holt)
� Suavização exponencial com sazonalidade e tendência linear (método de Holt-
Winters)
No caso dos modelos de suavização exponencial é aconselhável seguir os seguintes passos13:
1. Escolher os dados a serem analizados e dividí-los em duas partes: dados a serem
utilizados na “inicialização” e em “teste”. Por exemplo, se o analista se encontra no
período t=20, uma de suas alternativas é adotar os dados de t=1 a t=10 como dados de
inicialização (que servirão de base para calcular os valores iniciais do modelo e os
coeficientes que forem necessários) e os dados de t=11 a t=20 como dados de testes
(que permitirão o cálculo de erros de previsão e o ajuste do modelo);
2. Escolher um método de suavização exponencial, de acordo com as características da
série temporal;
3. Inicializar o método utilizando os dados de inicialização;
4. Usar o método de suavização exponencial para a “previsão” sobre os dados de teste.
Para avaliar a adequação ao método podem ser utilizadas medidas de erros, como por
exemplo, MAPE (Mean Absolute Percentage Error) e MSE (Mean Squared Error).
Neste estágio se fazem modificações dos parâmetros de inicialização, até achar valores
ótimos;
5. Fazer a previsão de fato dos dados da série no futuro.
Durante a fase de inicialização calcula-se os valores iniciais do modelo e os coeficientes que
forem necessários. A inicialização dos modelos é de extrema importância e deve ser
considerada com muito cuidado, já que ao utilizar valores de inicialização não apropriados, é
provável que se faça previsões distorcidas por um longo período de tempo.
A forma com que a inicialização é feita varia de modelo para modelo e por isso será
apresentada de forma distinta em cada modelo.
13 Adaptado de MAKRIDAKIS et al. (1998)
34
3.5.1 Método de suavização exponencial simples (SES)
Este método se auto-ajusta comparando os dados observados (dados reais) e os respectivos
dados previstos para períodos no passado. Ou seja, a partir dos “erros” de previsão cometidos
no passado o método de suavização exponencial simples retorna a previsão do próximo
período. A expressão que fornece a previsão é dada por:
ttt FYF )1(1 αα −+=+
onde α é uma constante entre 0 e 1. Quanto mais próximo α é de 1, mais agressivo é o
ajuste do método em relação ao “erro” de previsão cometido no período anterior (mais rápida
será a adaptação do modelo a oscilações de tY ). O pensamento contrário é análogo: quanto
mais próximo α é de 0, menos agressivo é o ajuste. Assim, a observação mais recente recebe
o peso α , a segunda mais recente o peso )1( αα − , a terceira 2)1( αα − e assim por diante,
como se pode observar na seqüência de equações a seguir:
001 )1( FYF αα −+=
[ ]001112 )1()1()1( FYYFYF αααααα −+−+=−+=
[ ][ ]0012223 )1()1()1()1( FYYYFYF αααααααα −+−+−+=−+=
[ ]002
123 )1()1()1( FYYYF αααααα −+−+−+=
A previsão do próximo período é simplesmente a previsão do período anterior adicionado a
um ajustamento sobre o erro cometido no período anterior. Isso pode ser claramente
observado reescrevendo-se a expressão do modelo de suavização exponencial simples:
)()1(1 ttttttttt FYFFFYFYF −+=−+=−+=+ ααααα
O método SES necessita de uma fase de inicialização, em que se obtém um valor para 1F .
MAKRIDAKIS et al. (1998) sugerem duas formas de inicialização:
35
� Adoção de 11 YF = ou
� Adoção de 1F como a média dos 4 ou 5 primeiros dados da série histórica.
Na fase de otimização, deve-se primeiramente escolher uma medida de erro a ser observada
(como por exemplo MAPE ou MSE). Feito isso, utilizando o método de tentativas e erros ou
um algoritmo de otimização não-linear descobre-se o valor de α ótimo para a série.
3.5.2 Método de Suavização Exponencial Simples com Resposta Adaptiva
Este método é uma derivação do modelo de suavização exponencial simples, em que o α é
sistematicamente e automaticamente recalculado, mudando a cada período, utilizando uma
taxa de resposta adaptiva β .
O β traz a vantagem de permitir a que o α seja modificado controladamente, acompanhando
possíveis mudanças nos dados observados. De acordo com MAKRIDAKIS et al. (1998), essa
característica é muito atrativa quando centenas ou milhares de itens requerem previsão.
A equação básica deste modelo é similar á do modelo SES, com a exceção do α , que é
substituído por um tα :
ttttt FYF )1(1 αα −+=+ ,
Onde:
t
t
tM
A=+1α
1)1( −−+= ttt AEA ββ
1)1( −−+= ttt MEM ββ
ttt FYE −=
36
β é um parâmetro entre 0 e 1. Quanto menor for o valor de β , menores serão as
mudanças em tα
O termo tA representa uma estimativa suavizada do erro de previsão, e é calculada como uma
média ponderada de 1−tA e o último erro de previsão. Analogamente, tM representa uma
esimativa suavizada do erro absoluto de previsão, sendo calculado como uma média
ponderada de 1−tM e o último erro absoluto de previsão tE . De acordo com a equação
t
t
tM
A=+1α , 1+tα é calculada como uma razão absoluta entre a estimativa do erro de previsão
com a estimativa do erro absoluto de previsão.
A inicialização deste modelo é um pouco mais complicada que para o modelo SES. Por
exemplo, MAKRIDAKIS et al. (1998) sugere que as seguintes premissas sejam feitas:
� 12 YF =
� βααα === 432
� 011 == MA
Segundo os mesmos autores, ainda que eventualmente este método seja inferior ao método de
suavização exponencial simples com um α ótimo calculado, ele deve ser preferível porque
reduz os riscos de erros sérios e permite a utilização do método com mínimas preocupações
administrativas.
3.5.3 Método de Holt
O método de Holt, também conhecido como método de suavização exponencial linear permite
a previsão de dados históricos com tendência, utilizando 2 constantes de suavização (α eβ ) e
três equações:
))(1( 11 −− +−+= tttt bLYL αα
37
11 )1()( −− −+−= tttt bLLb ββ
ttmt mbLF +=+
onde:
tL : nível da série temporal no período t ;
tb : estimativa da tendência no período t ;
m : número do período futuro para o qual se deseja fazer a previsão;
mtF + : previsão para o período m ;
α : constante de suavização do nível, assumindo valores entre 0 e 1;
β : constante de suavização da tendência, assumindo valores entre 0 e 1.
Como nos outros métodos de suavização exponencial, é necessário passar pela fase de
inicialização. Neste caso, o método requer duas estimações: uma para se obter o valor de 1L ,
e outra para se obter o valor de 1b . MAKRIDAKIS et al. (1998) sugerem duas formas de
inicialização:
� Adoção de 11 YL = ; 121 YYb −= ou 3/)( 141 YYb −= ou
� Utilização de regressão de mínimos quadrados nos primeiros valores da série histórica
para descobrir 1L e 1b .
Na fase de otimização, deve-se primeiramente escolher uma medida de erro a ser observada
(como por exemplo MAPE ou MSE). Feito isso, utilizando o método de tentativas e erros ou
um algoritmo de otimização não-linear descobre-se o valor de α e β ótimos para a série.
3.5.4 Método de Holt-Winters
O método de médias móveis e os métodos de suavização exponencial simples e suavização
exponencial linear são apropriados apenas para dados não sazonais, em contrapartida com o
método de Holt-Winters, que leva em consideração aumento ou redução significativos da
demanda pelo produto em determinada época do ano.
38
O método de Holt-Winters é baseado em três equações de suavização, referentes ao nível dos
dados, à tendência e à sazonalidade.
O conjunto dessas três equações pode apresentar duas formas diferentes, se a sazonalidade for
modelada de forma aditiva ou multiplicativa. As fórmulas dessas duas formas e seus
respectivos perfis são:
Método de Holt-Winters
Sazonalidade Aditiva Sazonalidade Multiplicativa
))(1()( 11 −−− +−+−= ttsttt bLSYL αα
11 )1()( −− −+−= tttt bLLb ββ
stttt SLYS −− −+−= )1()(1 γγ
smtttmt SmbLF −++ ++=
))(1()( 11 −−−
+−+= tt
st
t
t bLS
YL αα
11 )1()( −− −+−= tttt bLLb ββ
st
t
t
t SL
YS −− −+= )1()(1 γγ
smtttmt SmbLF −++ += )(
Onde:
s : intervalo da sazonalidade;
tL : nível da série temporal no período t ;
tb : estimativa da tendência no período t ;
tS : componente sazonal no período t ;
m : número do período futuro para o qual se deseja fazer a previsão;
mtF + : previsão para o período m ;
α : constante de suavização do nível, assumindo valores entre 0 e 1;
β : constante de suavização da tendência, assumindo valores entre 0 e 1;
γ : constante de suavização da sazonalidade, assumindo valores entre 0 e 1.
39
MAKRIDAKIS et al. (1998) sugere que a inicialização deste método utilize dados de pelo
menos duas sazonalidades consecutivas (de um período de tempo em que se observa duas
oscilações completas). Em sua forma multiplicativa, a inicialização ocorre da seguinte forma:
� ( )ss YYYYs
L ++++= ...1
321
�
−++
−+
−+
−= ++++
s
YY
s
YY
s
YY
s
YY
sb sssssss ...
1 332211
� sL
YS 1
1 = , sL
YS 2
2 = , sL
YS 3
3 = , ..., s
s
sL
YS = .
Na forma aditiva do método, a inicialização de sL e sb é idêntica ás suas inicializações na
forma multiplicativa. Para se inicializar os índices sazonais, se usa:
� sLYS −= 11 , sLYS −= 22 , sLYS −= 33 , ..., sss LYS −= .
3.6. Medidas de erro de previsão
O erro de previsão pode ser definido como a diferença entre o que foi previsto e o que foi
observado (o que realmente aconteceu):
ttt FYe −= ,
onde te é o erro de previsão, tY é a observação e tF é a previsão no período t. O erro
percentual é outra maneira de se expressar o erro e pode ser definido por:
t
tt
tY
FYPe
−=
Para se medir a precisão, confiabilidade e aplicabilidade de um sistema de previsão em
relação a uma série de dados é necessário analisar o conjunto de erros de previsão de vários
períodos ( te ou tPe ). A seguir são apresentadas algumas medidas de erro usualmente
utilizadas:
40
� Erro Relativo Médio (ME - Mean Error): é a média aritmética dos erros:
∑=
=n
t
ten
ME1
1,
onde n é o número de períodos. Como se pode observar, o ME é a média aritmética
das diferenças entre o que se previu e o que se observou na realidade. Como os erros
podem assumir tanto valores positivos quanto negativos, essa média poderá ter um
valor pequeno.
� Erro Absoluto Médio (MAE - Mean Absolute Error):
∑=
=n
t
ten
MAE1
1
O MAE é o módulo da média aritmética das diferenças entre o que se previu e o que
se observou na realidade. Como os erros de cada período são somados em módulo,
essa medida pode representar mais fielmente os erros de previsão do que o ME.
� Erro Quadrático Médio (MSE – Mean Squared Error):
∑=
=n
t
ten
MSE1
21
Essa medida de erro considera exponencialmente os erros, de modo que os erros
maiores são “penalizados”. Devido á essa característica, o MSE é adequado quando se
analisa um modelo que deva possuir erros pequenos.
41
� Erro Relativo Percentual Médio (MPE – Mean Percentage Error):
∑=
=n
t
tPen
MPE1
1
Essa medida permite comparar com maior precisão os erros de diferentes séries de
dados históricos com seus respectivos erros, pois informa a magnitude do valor
previsto com relação ao valor observado na realidade. Como no caso do Erro Relativo
Médio, o MPE assume que os erros podem apresentar tanto valores positivos quanto
negativos, indicando se os valores previstos são em média superiores ou inferiores aos
valores observados na realidade. Devido á essa característica, o valor do MPE pode ser
extremamente pequeno e não demonstrar com sucesso o quão preciso um modelo é em
relação a uma série de dados. Além disso, outro ponto fraco deste método é que se a
série contiver valores nulos o MPE não poderá ser calculado.
� Erro Absoluto Percentual Médio (MAPE – Mean Absolute Percentage Error):
∑=
=n
t
tPen
MAPE1
1
Essa medida pode representar mais fielmente os erros de previsão do que o MPE, já
que os erros de cada período são somados em módulo e os valores positivos e
negativos não se anulam. Entretanto, como para a medida MPE, a medida MAPE não
pode ser calculada para séries que contenham valores nulos.
A medida de erro é peça fundamental para qualquer processo de previsão de demanda, pois é
a partir dela que o modelo é calibrado e julgado. Dada essa importância, é necessário escolher
cuidadosamente a medida de erro que melhor atenda às necessidades e objetivos do trabalho,
o que será feito no capítulo a seguir.
42
4. ESCOLHA DA MEDIDA DE ERRO
A medida de erro a ser utilizada no atual trabalho deve ter características que atendam as
necessidades da previsão da demanda da Saborama. Ela deve portanto:
a) Evitar que erros positivos e negativos se anulem; seria inadequado utilizar uma
medida de erro cujo valor numérico possa ser pequeno apenas devido aos seus sinais.
b) Permita a comparação entre diferentes séries; é interessante comparar a aplicabilidade
de um dado modelo de previsão a diferentes séries históricas (diferentes produtos).
c) Permita considerar valores nulos de séries históricas; é improvável que a demanda de
algum produto seja nula em algum período, mas é interessante que o modelo seja apto
a considerar tal possibilidade.
d) Penalizar os erros maiores; para a Saborama, os custos devidos desvios pequenos na
previsão da demanda podem ser evitados através de uma margem de segurança no
estoque. Além disso, erros de previsão muito grandes acarretam muito mais custos de
oportunidade do que erros menores.
e) Penalizar diferentemente os erros de previsão de demanda positivos dos negativos; em
entrevista com os gestores da empresa, foi indicado que menos custoso e mais
interessante produzir mais do que o necessário do que o contrário. Desse modo, os
erros positivos (caso em que a empresa produza mais do que o necessário) devem ser
menos penalizados do que os erros negativos (caso em que a empresa produza menos
que a demanda).
Com o intuito de analisar as medidas de erros tradicionalmente utilizadas em relação às
necessidades do atual trabalho, foi feita a tabela comparativa a seguir:
43
Características Mean Error
(ME)
Mean Absolute
Error
(MAE)
Mean Squared
Error
(MSE)
Mean
Percentage
Error
(MPE)
Mean Absolute
Percentage
Error
(MAPE) Evita que erros positivos e
negativos se anulem � �
�
Permite a comparação entre
diferentes séries � �
Permite considerar valores nulos
da série � � �
Penaliza erros maiores
�
Penaliza erros negativos ou
positivos diferentemente
Tabela 3 – Comparação entre diferentes medidas de erros
Como se observa na
Tabela 3, nenhuma dessas medidas de erros tradicionalmente utilizadas na literatura atendem
às necessidades do atual trabalho. Por tal razão uma nova medida de erro é proposta: WSE
(Weighted Squared Error), que reúne as qualidades mais adequadas aos interesses da
Saborama. Essa medida de erro segue a seguinte fórmula:
)()( −−++ ×+×= PerEwPerEwWSE
onde:
+w : peso (penalidade) dada aos erros positivos, ou seja, relacionados a previsões tF
que se sejam maiores do que os valores observados tY ;
−w : peso (penalidade) dada aos erros negativos, ou seja, relacionados a previsões tF
que se sejam menores do que os valores observados tY . Os pesos positivos e
negativos devem se situar no intervalo [0,1] e devem estar de acordo com a
equação 1=+ −+ ww ;
44
+PerE : porcentagem da somatória dos erros quadráticos positivos (relacionados a
previsões tF maiores do que os valores observados tY ) sobre a somatória total dos
erros quadráticos. Ou seja, a somatória dos erros quadráticos positivos é
∑=
+
n
t
e1
2)( e, portanto
∑∑
∑
=−
=+
=+
+
+=
n
t
n
t
n
t
ee
e
PerE
1
2
1
2
1
2
)()(
)(
;
−PerE : porcentagem da somatória dos erros quadráticos negativos (relacionados a
previsões tF menores do que os valores observados tY ) sobre a somatória total
dos erros quadráticos. Ou seja, a somatória dos erros quadráticos negativos é
∑=
−
n
t
e1
2)( e, portanto
∑∑
∑
=−
=+
=−
−
+=
n
t
n
t
n
t
ee
e
PerE
1
2
1
2
1
2
)()(
)(
;
Para o melhor entendimento do cálculo deste erro, é sugerido a análise do exemplo a seguir,
em que os erros negativos são mais penalizados do que os erros positivos.
t tY tF 2)( +e 2)( −e +w −w
1 10 5 0 25 0,4 0,6
2 45 30 0 225
3 15 20 25 0 +PerE −PerE
4 20 30 100 0 0,352941 0,647059
5 10 15 25 0
6 30 25 0 25 WSE
150 275 0,529412
Tabela 4 – Exemplo de aplicação da medida de erro WSE com maior penalização de erros negativos
Na tabela a seguir, encontra-se o mesmo exemplo numérico da Tabela 4, mas desta vez
utilizando maior penalização de erros positivos, em detrimento da penalização dos erros
negativos:
45
t tY tF 2)( +e 2)( −e +w −w
1 10 5 0 25 0,6 0,4
2 45 30 0 225
3 15 20 25 0 +PerE −PerE
4 20 30 100 0 0,352941 0,647059
5 10 15 25 0
6 30 25 0 25 WSE
150 275 0,470588
Tabela 5 - Exemplo de aplicação da medida de erro WSE com maior penalização de erros positivos
Como se observa a partir da análise dos dois exemplos acima, quando se utilizou maior
penalização dos erros positivos a medida de erro WSE diminuiu em relação a ao primeiro
exemplo. Isso é explicado pelo fato de +PerE ser menor do que −PerE no segundo exemplo.
A medida de erro WSE foi selecionada para o uso no atual trabalho, devido às suas seguintes
características:
a) Evita que erros positivos e negativos se anulem; não importa se os erros são positivos
ou negativos (se o ponto de previsão se situa acima ou abaixo da curva de demanda
real observada); eles são calculados sem ser anulados (por terem sinais opostos);
b) Permite a comparação entre diferentes séries; a aplicabilidade de um dado método de
previsão pode ser comparada entre diferentes séries históricas observadas, pois a
medida de erro se situa sempre no intervalo [0,1].
c) Permite considerar valores nulos da série.
d) Penaliza erros maiores; os erros são elevados ao quadrado, e, como se observa no
gráfico a seguir, existe penalização exponencial dos maiores erros. Isso favorece a
empresa, pois para a Saborama os maiores erros representam maiores custos, enquanto
que discrepâncias menores entre a demanda prevista e a real podem ser mais
facilmente resolvidas com uma margem de segurança de estoques e são, portanto,
considerados menos relevantes;
46
Gráfico 5 – Penalidade dos erros maiores
e) Penaliza erros negativos ou positivos diferentemente; a medida WSE separa os erros
positivos dos negativos, que recebem pesos diferentes ( +w e −w ). Os gestores da
Saborama indicam os valores 4,0=+w e 6,0=−w como sendo adequados para a
empresa.
Além da medida de erro acima descrita, neste trabalho ao avaliar os métodos de previsão será
sempre dado atenção a outro indicador: o maior erro absoluto ttt FYe −= encontrado para
cada método, já que para a empresa é muito importante que os desvios de previsão não sejam
excessivamente altos, nem que isso ocorra apenas uma vez. Por exemplo, mesmo que as
previsões ao longo do ano sejam ótimas, uma previsão de demanda muito abaixo da demanda
real referente um único mês pode ser catastrófico para a empresa, que pode perder não só
vendas relativas a este mês, mas também boa parte do portfólio de clientes fiéis.
47
5. PREVISIBILIDADE E ADAPTAÇÃO DOS MODELOS
Como já dito no capítulo 2, a Saborama tem em vista a previsão da demanda para poder fazer
decisões mais conscientes acerca de inúmeros problemas, como a quantidade de matéria
prima a ser comprada no curto prazo, a quantidade de produtos a serem entregues no mês
seguinte ou ainda a necessidade de investimento no capital fixo e no maquinário da empresa.
Dentre os modelos de previsão utilizados neste trabalho, os métodos com capacidade real de
previsão para horizontes maiores do que 1 mês são os métodos de Holt e de Holt-Winters,
pois caso os outros métodos sejam aplicados, os seguintes problemas ocorrerão:
a) A previsão do método de médias móveis14 tende rapidamente a um número. A causa
desse comportamento é que, a partir do último período em que se dispõe de dado real,
é considerado (apenas para o cálculo da previsão) tt FY = . Esse comportamento pode
ser verificado no gráfico a seguir:
Gráfico 6 – Comportamento da previsão do método de médias móveis
14 Conforme já foi visto, o método de médias móveis segue a seguinte equação: ∑+−=
+ =t
kti
it Yk
F1
1
1
48
b) Os métodos de suavização exponencial simples e suavização exponencial simples
adaptiva têm a capacidade de retornar apenas 1 período de previsão além do período
para o qual se tem o dado histórico. De acordo com MAKRIDAKIS et al. (1998), ao
utilizar o método de suavização exponencial simples para horizontes temporais
maiores do que 1 período futuro, pode ser admitido que a função de previsão seja
flat15, ou seja, que 1++ = tht FF para h maior do que 2. Isso significa que a previsão do
modelo será sempre a mesma a partir segundo do período em que não se tem o dado
da demanda real.
Desse modo, o modelo de previsão a ser utilizado deverá ser sempre o que retorne o menor
erro quando se quer fazer decisões no horizonte de 1 mês, mas quando se quer fazer decisões
em um horizonte de tempo maior, as opções de métodos avaliadas neste trabalho serão os
métodos de Holt e de Holt-Winters.
O autor observou que a previsão da componente de tendência dos métodos de Holt e Holt-
Winters pode prejudicar muito o resultado da previsão total, já que eles consideram que a o
nível e a tendência a partir do último período para o qual se tem o dado histórico serão sempre
iguais ao nível e tendência calculada neste último período. Para melhor entender essa
deficiência desses métodos, será analisado a seguir o exemplo do método de Holt. Suas três
equações são:
))(1( 11 −− +−+= tttt bLYL αα
11 )1()( −− −+−= tttt bLLb ββ
ttmt mbLF +=+
onde:
tL : nível da série temporal no período t ;
tb : estimativa da tendência no período t ;
m : número do período futuro para o qual se deseja fazer a previsão; 15 De acordo com MAKRIDAKIS et al. (1998), “A função flat é usada porque a suavização exponencial simples funciona melhor para dados que não tenham tendência, sazonalidade ou qualquer outra característica do tipo”.
49
mtF + : previsão para o período m ;
α : constante de suavização do nível, assumindo valores entre 0 e 1;
β : constante de suavização da tendência, assumindo valores entre 0 e 1.
A previsão desse método até último período para o qual se consegue calcular tL e tb ocorre
calculando-se ttmt mbLF +=+ com 1=m . A partir deste ponto, a previsão no período
seguinte passa a adotar 2=m , depois 3=m e assim por diante, com tL e tb sempre iguais
aos seus valores do último período para o qual se teve o dado de demanda real. Para o melhor
entendimento, tomemos como exemplo o cenário da figura a seguir:
Figura 8 – Exemplo de fases de um modelo de previsão
No exemplo da figura acima o nível ( 36L ) e a tendência ( 36b ) a partir do período 36=t serão
sempre iguais (a 36L e 36b , respectivamente). Esse cenário é representado no gráfico a seguir:
Gráfico 7 – Exemplo de previsão do modelo de Holt
50
Nesse exemplo do gráfico acima, a componente de tendência 36b não é uma boa representante
da série histórica (é excepcionalmente baixa). Como o método de previsão utilizará essa
tendência para todos os períodos futuros, fará uma previsão que não representará bem a
realidade, apresentando inclusive rapidamente valores negativos de demanda, como se
observa no próprio gráfico.
Devido à essa possibilidade de previsões de baixa qualidade, o autor achou necessário fazer
algumas mudanças em relação ao que é usual na literatura, a fim de minimizar essa falha. A
seguir encontram-se as modificações feitas, utilizando como exemplo o esquema da
Figura 8:
a) Calcula-se as médias 1M e 2M dos dados da série histórica para o último e penúltimo
período, que devem ter a mesma duração (no caso, 12 meses). No caso do método de
Holt-Winters, essa duração deve ser equivalente à duração da sazonalidade. Assim, no
exemplo dado, ∑=
=24
121
t
tYM e ∑=
=32
242
t
tYM .
b) 3612 )1()( bMMbp ββ −+−= .
c) No caso do modelo de Holt, a componente de tendência tb a partir de 38=t será
sempre pb .
d) No caso aditivo, 25363637 SbLF ++= . Já no caso multiplicativo, 25363637 )( SbLF +=
e) No caso aditivo, 263638 2 SbLF p ++= , 273639 3 SbLF p ++= , 283640 4 SbLF p ++= e
assim por diante. Já no caso multiplicativo, 263638 )2( SbLF p+= ,
273639 )3( SbLF p+= , 283640 )4( SbLF p+= e assim por diante.
Utilizando essas modificações, é assegurado que o valor da tendência a ser utilizada na
previsão a partir do último período para o qual se tem dados históricos será coerente com a
média da tendência em um longo período de tempo, sendo portanto mais confiável. O gráfico
a seguir representa o exemplo utilizando as modificações sugeridas para a previsão do método
de Holt:
51
Gráfico 8 – Exemplo de previsão do modelo de Holt modificações sugeridas pelo autor
52
6. LEVANTAMENTO DE DADOS E SELEÇÃO DE PRODUTOS A SEREM ANALISADOS
A etapa de levantamento de dados é geralmente um dos primeiros passos na elaboração de
qualquer modelo de previsão de demanda.
Para possibilitar o uso dos modelos quantitativos é necessário utilizar uma base de dados
referente a um período de tempo considerável, especialmente quando se analisa dados com
sazonalidade anual, como por exemplo os da família de sucos da Saborama. Quanto mais
dados existirem disponíveis, melhor será a qualidade da análise e previsão dos dados.
A Saborama utiliza um sistema de informação, no qual é possível ter acesso a informações
sobre o histórico de volume de vendas desde janeiro de 2003, por faturamentos e unidades
vendidas referentes a cada família de produto. A coleta de dados teve portanto como horizonte
de tempo o período de janeiro de 2003 até agosto de 2007.
Seria ideal que o trabalho fosse feito baseado em dados da demanda dos produtos, ou seja,
dados que refletissem exatamente a intenção de compras de produtos da empresa. Entretanto,
a Saborama não dispõe desses dados e, portanto, será considerada que no passado os números
de venda refletem perfeitamente os números da demanda a cada mês. Essa hipótese é
razoável, já que a empresa costuma atender totalmente a demanda, mesmo que haja raros
atrasos na entrega de seus produtos. Assim, o trabalho utilizará dados de histórico de vendas
como uma aproximação da demanda real da empresa.
No caso das informações sobre as quantidades vendidas, o sistema de informação trabalha
com o nível de agrupamento por caixas (por exemplo, uma caixa de garrafas de sucos), ou por
galões (por exemplo, um galão de emulsão para refrigerantes). Neste trabalho esse nível de
agrupamento pode ser considerado adequado, sendo uma caixa de garrafas ou um galão
unidades de medidas apropriadas para o estudo de demanda da empresa.
Para o nível de agregamento temporal dos dados, considerou-se a coleta das demandas
mensais (ou seja, as vendas da empresa mês a mês). Esse agregamento temporal a ser
53
utilizado neste trabalho é adequado, uma vez que para a empresa é razoável realizar um
planejamento de produção e compras de materiais em períodos mensais.
Para a escolha de quais famílias de produtos seriam analisadas neste estudo, os produtos
foram classificados de acordo com a representatividade das famílias de produtos sobre as
vendas.
A representatividade das famílias de produtos sobre as vendas segue o conceito 80-20
(princípio de Pareto), segundo a qual se fez uma classificação ABC adaptada ao trabalho em
questão:
- Itens classificados como “A” são os itens que representam 80% do faturamento total;
- Itens classificados como “B” e “C” representam os itens restantes.
De acordo com BALLOU (2001), os produtos de uma empresa geralmente contribuem para as
vendas totais de maneira desproporcional. Em outras palavras, poucos itens (ou famílias de
produtos) representam uma grande proporção do volume de vendas. Isso está de acordo com o
conceito 80-20, segundo o qual 80% das vendas são gerados por 20% dos produtos.
O gráfico a seguir mostra a representatividade de vendas de cada produto da Saborama sobre
o faturamento total da empresa:
54
Gráfico 9 – Representatividade acumulada de cada produto sobre o faturamento total
Como se pode observar, as famílias de produtos da Saborama classificadas neste trabalho
como produtos “A” são as famílias de emulsão para refrigerante, de suco e de xarope e foram,
portanto selecionadas para se prever suas respectivas demandas.
55
7. ANÁLISE PRELIMINAR DOS DADOS E DOS MERCADOS
Neste capítulo os dados levantados serão analisados para entender o comportamento das
demandas da empresa, como a existência de sazonalidades, tendências e aleatoriedade. Tais
análises serão reforçadas com conhecimentos sobre o mercado e a Saborama.
8.1. Sucos
A família de produtos selecionada para o primeiro estudo de previsão de demanda deste
trabalho é a família de sucos. Os sucos, juntamente com a emulsão para refrigerantes, são os
dois produtos de maior faturamento da empresa, apresentando aproximadamente 30% e 38%
respectivamente nas vendas de 2006, como se pode observar no gráfico a seguir:
Gráfico 10 - Representatividade das principais linhas de produto nas vendas
16
16 Dados de janeiro e fevereiro de 2006. É importante salientar que as vendas de cada produto variam ao longo do ano. Em geral, as vendas diminuem drasticamente durante o inverno e o percentual relativo de cada produto nas vendas totais mudam sazonalmente.
56
Os produtos da linha de sucos têm pouco valor agregado, mas correspondem à grande parcela
no faturamento total da Saborama. Nesse caso, a empresa situa-se mais perto do consumidor
final na sequência da cadeia de formação de valor, produzindo, embalando e transportando o
produto em sua forma final.
A família de sucos apresenta não só faturamento menor do que a família de emulsão para
refrigerantes, mas também margem de lucros muito inferiores do que a mesma. Entretanto
otimizar o estoque de sucos é prioridade no trabalho em questão, pois as vendas desse produto
são muito mais sensíveis á queda ou aumento de preços, que por sua vez tem correlação direta
com a estrutura de custos e dessa forma também com os custos de estoque. Além disso, o litro
de suco é muito mais barato do que o litro de emulsão para refrigerante, de forma que a
representatividade de queda de cada centavo em seu custo por litro é muito maior do que no
custo da emulsão para refrigerante.
A demanda dos sucos da Saborama apresentaria teoricamente sazonalidade de um ano. Essa
sazonalidade seria explicada pela forte dependência que o consumo de sucos tem em relação
ao clima e temperatura; quanto maior a temperatura, maior é a sensação térmica, maior é a
sede e a vontade das pessoas em consumir sucos. Assim, seria de se esperar que a
sazonalidade tenha a duração anual, com picos de vendas durante o verão, que vão
diminuindo até chegar ao inverno, quando as vendas de sucos apresentam o menor nível do
ano.
Entretanto, observa-se que na prática tal sazonalidade de exatamente um ano não acontece no
caso da família de sucos da empresa; ela varia em torno de 12 meses. Uma razão encontrada
para este comportamento é que a Saborama ainda se encontra em estágio de amadurecimento
no mercado, sendo muito dependente do desempenho de vendas dos vendedores, que é
dependente da política de concessões de comissões, descontos e promoções. A relação da
empresa com o mercado passa por constantes mudanças, tendo como conseqüência a não
sazonalidade exata do comportamento das vendas.
A demanda da família de sucos apresenta tendência, já que o nível de sua vendas aumenta ao
longo dos anos, como se pode observar no gráfico a seguir:
57
Gráfico 11 – Vendas de sucos ao longo dos anos
Essa característica pode ser explicada por muitos fatores, como por exemplo, o crescimento
da própria Saborama como empresa e pelo aumento de renda da população e outros aspectos
macro-econômicos, que geram o crescimento do mercado de sucos no Brasil. De acordo com
um estudo do BNDES, o consumo per capita de sucos no país ainda é muito reduzido, se
comparado com outros países. “Enquanto em países como Canadá e Estados Unidos alcançam
mais de 50 litros por ano, no Brasil, varia entre 0,6 e 0,8 litro por ano.”17
Ainda segundo o mesmo estudo do BNDES, o consumo de sucos industrializados no país é
influenciado pelo nível de preocupação com a saúde, que é crescente e diretamente
proporcional á demanda de sucos, de modo que é de se esperar que a tendência de vendas
dessa família de produtos seja positiva e crescente.
A partir das características da demanda de sucos da Saborama acima abordadas, conclui-se
que o método mais adequado de previsão de demanda da família desses produtos é
provavelmente o modelo de Holt-Winters, como será a seguir justificado. O Gráfico 12
apresenta a demanda de sucos da Saborama:
17 ROSA et al. (2006). Valores não contabilizam o consumo do suco natural extraído diretamente da fruta, do qual não se possui estatísticas minimamente organizadas.
58
Gráfico 12 – Demanda de sucos da Saborama
Observando-se os intervalos 1 e 2 do Gráfico 12, percebe-se que a demanda de sucos da
empresa tem a forma de uma curva com leve tendência, formato condizente com a capacidade
do modelo de Holt-Winters de se calcular uma tendência. Além disso, percebe-se que a partir
de julho de 2005 a demanda de sucos da empresa apresenta certa sazonalidade em torno de
um ano de duração, com o mínimo ao redor de julho e máximo no começo do ano, sendo que
as oscilações não tendem a aumentar muito de tamanho ao longo do tempo. Antes de julho de
2005, as vendas de sucos da Saborama ainda não apresentavam sazonalidade, uma vez que
ainda enfrentava um período de amadurecimento de mercado, testes e tentativas da empresa.
Dessa forma, decidiu-se neste trabalho descartar os dados da série antes dessa data e trabalhar
apenas com os dados no período em que a demanda de sucos da empresa já atingiu seu estágio
de amadurecimento.
8.2. Emulsão para refrigerantes
As emulsões para refrigerantes são concentrados vendidos a outras fábricas que produzem o
refrigerante. Pode-se dizer que a Saborama é uma integrante intermediária da cadeia de
formação de valor que tem como produto final o refrigerante que é vendido em
supermercados e atacados de bebidas, por exemplo. É um produto cuja demanda depende
fortemente de relações comerciais com fábricas, não sendo, portanto esperado grandes
59
variações da demanda sem mudanças na agressividade com que a empresa tenta buscar novos
clientes para este produto.
Pode se afirmar que o produto de maior valor agregado da Saborama é a linha de emulsões
para refrigerantes, representando grande parte do faturamento total da empresa, sendo porém
responsável por pequena quantidade de vendas, como se pode observar no
Gráfico 10.
Apesar de a linha de sucos também corresponder a grande parcela no seu faturamento total, a
empresa visa aumentar proporcionalmente as vendas de emulsões para refrigerantes, uma vez
que sua produção é bem mais simples e demanda menos capacidade industrial, que é
razoavelmente limitada. Assim, isso possibilitaria uma relação faturamento/tempo de
operação maior, além de custos menores. O Gráfico 13 apresenta a demanda de emulsões para
refrigerantes da Saborama.
Gráfico 13 – Demanda de emulsões para refrigerantes da Saborama
Como se pode observar no Gráfico 13, a demanda de emulsões para refrigerantes apresenta
comportamento similar em alguns intervalos, como alta no final dos anos. Entretanto, não se
pode afirmar que há sazonalidade clara e nem tendência clara de crescimento ou diminuição.
60
8.3. Xaropes
Os xaropes são os produtos concentrados a serem diluídos em água antes do consumo. Eles
representam a família com o segundo maior valor agregado da empresa, atrás apenas da
família de emulsões para refrigerantes. Encontra-se a seguir um gráfico representativo da
demanda de xaropes da empresa:
Gráfico 14 – Demanda de xaropes da Saborama
Observando-se o gráfico acima, percebe-se facilmente que a demanda da família de xaropes
da Saborama não apresenta tendência clara, mas, em geral, apresenta um comportamento
similar de baixa entre o começo e o final do ano.
61
8. APLICAÇÃO DOS MODELOS Neste capítulo serão detalhados passo a passo como os modelos de previsão foram aplicados
com o auxílio do software Excel, descrevendo-se a elaboração das planilhas referentes a cada
modelo de previsão selecionado e suas adequações necessárias a cada série de dados. Ao total
foram elaboradas 18 planilhas, sendo 6 modelos de previsão aplicados para cada um dos 3
produtos selecionados (sucos, emulsões para refrigerante e xaropes).
É importante frisar que a otimização dos parâmetros α , β e γ (quando seus usos foram
necessários) foi feita através do software “What´s Best”, que utiliza um modelo não-linear
quadrático, de tal forma que a medida de erro WSE fosse minimizado, com as restrições de
que α ,β e γ se situassem no intervalo [0,1].
Todas as planilhas referentes a cada modelo utilizado têm algumas características em comum.
Existe uma parte superior com células de controle (entrada e saída de dados) e uma parte
inferior. Na parte superior, encontram-se as células referentes a:
a) α (constante de suavização do nível, quando necessário);
b) β (constante de suavização da tendência, quando necessário);
c) γ (constante de suavização da sazonalidade, quando necessário),
d) +w (peso para os erros positivos) e −w (peso para os erros negativos). Ambos os pesos
são escolhidos a critério da empresa e devem seguir a seguinte lógica: quanto maior o
peso positivo, mais penalizados são os erros que se situam acima da curva de demanda
observada. Em outras palavras, +w deve ser menor que −w se para a empresa é pior
produzir menos que a demanda, do que produzir mais e ter capital parado em estoque,
por exemplo. No caso da Saborama, os gestores indicaram o valor de 4,0=+w como
aceitável e, portanto, 6,0=−w , já que existe a condição de que 1=+ −+ ww ;
e) ∑=
+
n
t
PerE1
(somatória dos quadrados dos erros positivos) e ∑=
−
n
t
PerE1
(somatória dos
quadrados dos erros negativos);
62
f) WSE (Weighted Squared Error, medida de erro criada pelo autor já descrita no
capítulo 4 que segue a fórmula )()( −−++ ×+×= PerEwPerEwWSE );
g) MAPE (Mean Absolute Percentage Error, medida de erro tradicionalmente utilizada
na literatura que segue a fórmula ∑=
=n
t
tPen
MAPE1
1);
h) “> Erro” (célula destinada ao maior módulo do erro ttt FYe −= ).
Na parte inferior das planilhas encontram-se as seguintes colunas:
a) p (períodos mensais);
b) t (intervalos temporais);
c) tY (dados históricos observados);
d) tF (previsões)
e) ttt FYe −= ;
f) +e (coluna onde foram separados apenas os erros quadráticos positivos, através da
função “SE” do Excel. Caso te for positivo, as células dessa coluna apresentam o valor
de 2te . Caso te for negativo, as células apresentam o valor 0);
g) −e (coluna onde foram separados apenas os erros quadráticos negativos, através da
função “SE” do Excel. Caso te for negativo, as células dessa coluna apresentam o
valor de 2te . Caso te for positivo, as células apresentam o valor 0);
A seguir encontram-se, para os casos em que se existe singularidades, detalhes de
implementação de cada modelo referentes ás famílias de sucos, emulsões e xaropes.
9.1 Modelo de Médias Móveis
O modelo de médias móveis para as 3 famílias de produtos foi construído utilizando-se k=3
períodos na fórmula ∑+−=
+ =t
kti
it Yk
F1
1
1, pois observou-se que assim o erro mínimo possível para
esse método de previsão no caso foi obtido em todos os produtos.
63
9.2 Modelo de Holt-Winters com Sazonalidade Multiplicativa
9.2.1 Sucos
O modelo de Holt-Winters com sazonalidade multiplicativa foi aplicado aos dados de
demanda de sucos da Saborama foi construída seguindo-se as seguintes fases:
Figura 9 – Fases do modelo de Holt-Winters para a família de sucos
Para este caso, foram inseridas as seguintes colunas na planilha-base comum a todos os
modelos:
a) tL (nível da série temporal no período t : é inicializado na linha referente a junho de
2006, ou seja, quando se tem 12 meses de dados históricos, sendo seu primeiro valor a
média aritmética dos dados históricos desses 12 primeiros meses. A partir de então, na
fase de testes, seu valor passa a ser ))(1()( 11 −−−
+−+= tt
st
t
t bLS
YL αα );
b) tb (estimativa da tendência no período t : também é inicializada no mês junho de 2006,
sendo seu primeiro valor
−++
−+
−+
−=
12...
12121212
1 122431521411312
YYYYYYYYb . De
13b em diante os valores dessa estimativa da tendência seguem a fórmula
11 )1()( −− −+−= tttt bLLb ββ até o último período de dados históricos, ou seja, quando
t=26);
c) tS (componente sazonal no período t : na fase de inicialização, o valor de tS é
12L
YS t
t = . O valor de tS na fase de testes é st
t
t
t SL
YS −− −+= )1()(1 γγ . Caso seja
64
necessário, na fase de previsão a fórmula de tS passa a ser st
u
u
t SL
YS −− −+= )1()(1 γγ ,
sendo u o último período para o qual se tem o dado histórico disponível);
d) mtF + (previsão, que segue a fórmula smtttmt SmbLF −++ += )( até o primeiro período da
fase de previsão, ou seja, até o ponto em que se tem o dado histórico suficiente. Para
os períodos de 28=t em diante, a fórmula de F passa a ser stpt SmbLF −+= )( 26 ),
onde pb é o termo descrito no capítulo 5);
e) m (número do período futuro para o qual se deseja fazer a previsão: durante as fases
de inicialização e de testes assume o valor 1. No primeiro período da fase de previsão
continua assumindo o valor 1, que sobre o qual é adicionado uma unidade a cada
período de previsão. Por exemplo, no segundo período de previsão 2=m , no terceiro
período de previsão 3=m e assim por diante);
9.2.2 Emulsões e Xaropes
O modelo de Holt-Winters com sazonalidade aditiva aplicado aos dados de demanda de
emulsões e xaropes da Saborama é idêntico, sendo construído seguindo-se as seguintes fases:
Figura 10 – Fases do modelo de Holt-Winters para as famílias de emulsões e xaropes
Foram inseridas as seguintes colunas na planilha-base comum a todos os modelos:
a) tL (nível da série temporal no período t : é inicializado na linha referente a dezembro
de 2003, ou seja, quando se tem 12 meses de dados históricos, sendo seu primeiro
valor a média aritmética dos dados históricos desses 12 primeiros meses. A partir de
então, na fase de testes, seu valor passa a ser ))(1()( 11 −−−
+−+= tt
st
t
t bLS
YL αα );
65
b) tb (estimativa da tendência no período t : também é inicializada em dezembro de 2003,
sendo seu primeiro valor
−++
−+
−+
−=
12...
12121212
1 122431521411312
YYYYYYYYb . De
13b em diante os valores dessa estimativa da tendência seguem a fórmula
11 )1()( −− −+−= tttt bLLb ββ até o último período de dados históricos, ou seja, quando
t=56);
c) tS (componente sazonal no período t : na fase de inicialização, o valor de tS é
12L
YS t
t = . O valor de tS na fase de testes é st
t
t
t SL
YS −− −+= )1()(1 γγ . Caso seja
necessário, na fase de previsão a fórmula de tS passa a ser st
u
u
t SL
YS −− −+= )1()(1 γγ ,
sendo u o último período para o qual se tem o dado histórico disponível);
d) mtF + (previsão, que segue a fórmula smtttmt SmbLF −++ += )( até o primeiro período da
fase de previsão, ou seja, até o ponto em que se tem o dado histórico suficiente. Para
os períodos de 58=t em diante, a fórmula de F passa a ser stpt SmbLF −+= )( 56 ),
onde pb é o termo descrito no capítulo 5);
e) m (número do período futuro para o qual se deseja fazer a previsão: durante as fases
de inicialização e de testes assume o valor 1. No primeiro período da fase de previsão
continua assumindo o valor 1, que sobre o qual é adicionado uma unidade a cada
período de previsão. Por exemplo, no segundo período de previsão 2=m , no terceiro
período de previsão 3=m e assim por diante);
9.3 Modelo de Holt-Winters com Sazonalidade Aditiva
9.3.1 Sucos
O modelo de Holt-Winters com sazonalidade aditiva foi aplicado aos dados de demanda de
sucos da Saborama foi construída seguindo-se as seguintes fases:
66
Figura 11Figura 9 – Fases do modelo de Holt-Winters para a família de sucos
Para este caso, foram inseridas as seguintes colunas na planilha-base comum a todos os
modelos:
a) tL (nível da série temporal no período t : é inicializado na linha referente a junho de
2006, ou seja, quando se tem 12 meses de dados históricos, sendo seu primeiro valor a
média aritmética dos dados históricos desses 12 primeiros meses. A partir de então, na
fase de testes, seu valor passa a ser ))(1()( 11 −−− +−+−= ttsttt bLSYL αα );
b) tb (estimativa da tendência no período t : também é inicializada no mês junho de 2006,
sendo seu primeiro valor
−++
−+
−+
−=
12...
12121212
1 122431521411312
YYYYYYYYb . De
13b em diante os valores dessa estimativa da tendência seguem a fórmula
11 )1()( −− −+−= tttt bLLb ββ até o último período de dados históricos, ou seja, quando
t=26);
c) tS (componente sazonal no período t : na fase de inicialização, o valor de tS é
12LYS tt −= . O valor de tS na fase de testes é stttt SLYS −− −+−= )1()(1 γγ . Caso
seja necessário, na fase de previsão a fórmula de tS passa a ser
stuut SLYS −− −+−= )1()(1 γγ , sendo u o último período para o qual se tem o dado
histórico disponível);
d) mtF + (previsão, que segue a fórmula smtttmt SmbLF −++ ++= até o primeiro período da
fase de previsão, ou seja, até o ponto em que se tem o dado histórico suficiente. Para
os períodos de 28=t em diante, a fórmula de F passa a ser stpt SmbLF −++= 26 ),
onde pb é o termo descrito no capítulo 5);
e) m (número do período futuro para o qual se deseja fazer a previsão: durante as fases
de inicialização e de testes assume o valor 1. No primeiro período da fase de previsão
67
continua assumindo o valor 1, que sobre o qual é adicionado uma unidade a cada
período de previsão. Por exemplo, no segundo período de previsão 2=m , no terceiro
período de previsão 3=m e assim por diante);
9.3.2 Emulsões e Xaropes
O modelo de Holt-Winters com sazonalidade aditiva aplicado aos dados de demanda de
emulsões e xaropes da Saborama é idêntico, sendo construído seguindo-se as seguintes fases:
Figura 12 – Fases do modelo de Holt-Winters para as famílias de emulsões e xaropes
Foram inseridas as seguintes colunas na planilha-base comum a todos os modelos:
a) tL (nível da série temporal no período t : é inicializado na linha referente a dezembro
de 2003, ou seja, quando se tem 12 meses de dados históricos, sendo seu primeiro
valor a média aritmética dos dados históricos desses 12 primeiros meses. A partir de
então, na fase de testes, seu valor passa a ser ))(1()( 11 −−− +−+−= ttsttt bLSYL αα );
b) tb (estimativa da tendência no período t : também é inicializada em dezembro de 2003,
sendo seu primeiro valor
−++
−+
−+
−=
12...
12121212
1 122431521411312
YYYYYYYYb . De
13b em diante os valores dessa estimativa da tendência seguem a fórmula
11 )1()( −− −+−= tttt bLLb ββ até o último período de dados históricos, ou seja, quando
t=56);
c) tS (componente sazonal no período t : na fase de inicialização, o valor de tS é
12LYS tt −= . O valor de tS na fase de testes é stttt SLYS −− −+−= )1()(1 γγ . Caso
seja necessário, na fase de previsão a fórmula de tS passa a ser
stuut SLYS −− −+−= )1()(1 γγ , sendo u o último período para o qual se tem o dado
histórico disponível);
68
d) mtF + (previsão, que segue a fórmula smtttmt SmbLF −++ ++= até o primeiro período da
fase de previsão, ou seja, até o ponto em que se tem o dado histórico suficiente. Para
os períodos de 58=t em diante, a fórmula de F passa a ser stpt SmbLF −++= 56 ),
onde pb é o termo descrito no capítulo 5);
e) m (número do período futuro para o qual se deseja fazer a previsão: durante as fases
de inicialização e de testes assume o valor 1. No primeiro período da fase de previsão
continua assumindo o valor 1, que sobre o qual é adicionado uma unidade a cada
período de previsão. Por exemplo, no segundo período de previsão 2=m , no terceiro
período de previsão 3=m e assim por diante);
69
9. ANÁLISE DOS RESULTADOS Neste capítulo serão analisados os resultados obtidos para a previsão da demanda dos três
produtos da empresa selecionados para este trabalho: sucos, emulsões para refrigerantes e
xaropes.
Os gestores da Saborama indicaram os pesos 4,0=+w e 6,0=−w como representantes de
penalidades adequadas para a empresa, utilizadas para avaliar as previsões através da medida
de erro WSE , que já foi apresentada no capítulo 4:
)()( −−++ ×+×= PerEwPerEwWSE
Ou seja, as previsões cujos erros positivos (relacionados a previsões tF que se sejam maiores
do que os valores observados tY ) devem ser penalizados com o valor 0,4, enquanto os erros
negativos (relacionados a previsões tF que se sejam menores do que os valores observados
tY ) devem ser penalizados com o valor 0,6.
Entretanto, é interessante saber o comportamento dos métodos para outros valores de
penalidades, pois a Saborama pode, em ocasião oportuna, passar a dar preferência para outros
valores de penalidades de erros. Assim, foi feita também uma análise complementar sobre o
comportamento de cada modelo para os outros pares de pesos +w e −w que possam fazer
sentido para a empresa, ou seja, que penalizem os erros positivos menos do que os erros
negativos ( 1,0=+w e 9,0=−w , 2,0=+w e 8,0=−w ou 3,0=+w e 7,0=−w )18.
A análise deste trabalho avalia, portanto, a projeção de demanda para cada produto em duas
dimensões:
18 De acordo com o que já foi descrito no capítulo 4, 1=+ −+ ww
70
� Modelos: foram utilizados 6 modelos quantitativos;
o Média móvel;
o Suavização exponencial simples;
o Suavização exponencial simples com resposta adaptiva;
o Holt;
o Holt-Winters com sazonalidade aditiva;
o Holt-Winters com sazonalidade multiplicativa).
� Penalização dos erros: para cada modelo, foi obtida a melhor configuração de
parâmetros (α , β e γ , quando aplicável), para cada par de pesos +w e −w que faz
sentido para a Saborama;
o 1,0=+w e 9,0=−w ;
o 2,0=+w e 8,0=−w ;
o 3,0=+w e 7,0=−w ;
o 4,0=+w e 6,0=−w .
Os resultados das análises feitas são detalhados e comentados a seguir.
10.1 Sucos
Observou-se que os métodos de suavização exponencial, suavização exponencial simples,
Holt-Winters com sazonalidade aditiva e multiplicativa apresentaram resultados melhores do
que os obtidos se utilizado o método atual de previsão da Saborama19, ao contrário dos
métodos de média móvel e de Holt, que apresentaram os piores resultados.
A seguir encontra-se a classificação dos métodos, partindo do mais eficaz ao menos
adequado:
1. Holt-Winters com sazonalidade multiplicativa
19 O método de previsão de demanda atualmente utilizado na Saborama foi apresentado no capítulo 2: admite-se
que as vendas do mês seguinte será igual às vendas do mês anterior. Assim, tt YF =+1 .
71
2. Suavização exponencial simples com resposta adaptiva
3. Holt-Winters com sazonalidade aditiva
4. Suavização exponencial simples
5. Método atualmente utilizado na Saborama
6. Média móvel
7. Holt
Isso demonstra que nem sempre métodos mais complexos são melhores do que métodos
simples, como o utilizado atualmente pela Saborama. No gráfico a seguir são apresentados as
medidas de erro WSE obtidas para cada método:
Gráfico 15 – Resultado gráfico das análises de previsão de demanda da família de sucos
Os resultados obtidos para a previsão de demanda da família de sucos da Saborama estão de
acordo com o que já havia sido indicado no item 8.1 deste trabalho: o melhor método para
essa família de produtos é o método de Holt-Winters com sazonalidade multiplicativa, já que
foi o que retornou os menores erros WSE .
É interessante notar que, apesar do modelo de Holt-Winters com sazonalidade multiplicativa
apresentar o menor WSE (para cada par de +w e −w considerado), sua medida de erro
72
MAPE não é a menor. Isso demonstra que, para situações como a da Saborama, em que os
erros positivos e negativos devem ser penalizados diferentemente, avaliar métodos de
previsão de demanda utilizando a medida de erro MAPE pode não ser ótimo. As medidas de
erro, os parâmetros α , β e γ , além do maior erro absoluto obtido para cada método são
apresentadas na tabela a seguir:
WSE MAPE > Erro α β γ
1,0=+w 2,0=+w 3,0=+w 4,0=+w
Método Saborama 0,3851 0,4138 0,4425 0,4713 0,2481 16.317 - - -
Média Móvel 0,4217 0,4413 0,4608 0,4804 0,2380 16.647 - - -
SES 0,3756 0,4067 0,4378 0,4689 0,2420 13.968 0,1447 - -
SES Adaptiva 0,3239 0,3680 0,4120 0,4560 0,2248 14.627 - 0,6267 -
Holt 0,5065 0,5049 0,5033 0,5016 0,3257 14.858 0,6980 1,0000 -
Holt-Winters Multiplicativo 0,1940 0,2705 0,3470 0,4235 0,3416 34.863 0,0955 1,0000 1,0000
Holt-Winters Aditivo 0,3337 0,3753 0,4169 0,4584 0,2488 18.895 0,7111 0,0346 0,7061
Tabela 6 – Resultados detalhados das análises de previsão de demanda da família de sucos
Observa-se que o maior erro absoluto apresentado pelo modelo de Holt-Winters com
sazonalidade multiplicativa (34.863) é bem superior aos maiores erros apresentados pelos
outros modelos. A causa desta discrepância é a previsão para o mês de janeiro de 2007, como
se pode observar no gráfico a seguir:
Gráfico 16 - Resultados da previsão de sucos utilizando o método de Holt-Winters com suavização
multiplicativa
73
Os parâmetros ótimos obtidos20 do método de Holt-Winters com sazonalidade multiplicativa
são 0,0955=α , 0000,1=β e 0000,1=γ . Para entender quais características esses
parâmetros representam para o comportamento da previsão, deve-se ter as equações desse
método em mente:
))(1()( 11 −−−
+−+= tt
st
t
t bLS
YL αα
11 )1()( −− −+−= tttt bLLb ββ
st
t
t
t SL
YS −− −+= )1()(1 γγ
smtttmt SmbLF −++ += )(
onde:
s : intervalo da sazonalidade;
tL : nível da série temporal no período t ;
tb : estimativa da tendência no período t ;
tS : componente sazonal no período t ;
m : número do período futuro para o qual se deseja fazer a previsão;
mtF + : previsão para o período m ;
α : constante de suavização do nível, assumindo valores entre 0 e 1;
β : constante de suavização da tendência, assumindo valores entre 0 e 1;
γ : constante de suavização da sazonalidade, assumindo valores entre 0 e 1.
Assim, o fato de α ser próximo de 0 significa que a componente do nível da previsão é pouco
sensível aos últimos dados de demanda real, se ajustando pouco aos dados novos da série. β
apresentar valor 1 significa que a componente tendência é totalmente sensível a novos dados
da série, ou seja, a tendência do período anterior é totalmente descartada. Analogamente, o
20 Como já foi mencionado no capítulo 8, os parâmetros α , β e γ foram obtidos com o auxílio do software
“What´s Best”, de forma a minimizar o valor da medida de erro WSE
74
fato de γ apresentar valor 1 significa que a componente sazonal é totalmente sensível, ou
seja, o histórico de sazonalidade se perde totalmente, já que o modelo não carrega as
características de sazonalidade por mais de 1 intervalo de sazonalidade s .
Apesar do método de Holt-Winters com sazonalidade multiplicativa ser o mais indicado para
a previsão de demanda da família de sucos da Saborama, observa-se que este modelo pode
retornar em alguns meses previsões cujos erros absolutos são muito maiores do que os dos
outros métodos e, portanto, necessita de atenção especial em suas previsões. Essa grande
discrepância é causada pela característica do método com sazonalidade multiplicativa de
tender a aumentar o tamanho de suas variações ao longo do tempo21.
Devido a essa característica, as previsões do método de Holt-Winters com sazonalidade
multiplicativa não podem ser consideradas automaticamente para tomadas de decisão, apesar
de terem sido as mais acuradas no período de testes; é aconselhável ser analisado mês a mês
se a previsão deste método envolve mudança muito drástica em relação à série temporal como
um todo.
Caso haja essa drástica mudança e a empresa necessite da previsão para o mês em que o
método apresentou tal drástica mudança de nível (no exemplo anterior, janeiro de 2007),
sugere-se que a empresa considere a previsão da demanda do segundo melhor método, que
neste caso é o método de suavização exponencial com resposta adaptiva, como se pode
observar na Tabela 6.
Assim, no cenário hipotético em que a Saborama necessite da previsão para janeiro de 2007,
recomenda-se que ela considere (apenas para tal mês) a previsão do método de suavização
exponencial com resposta adaptiva. O gráfico a seguir apresenta as previsões da demanda de
sucos utilizando o método de suavização exponencial com resposta adaptiva:
21 Essa característica pode ser visualmente verificada no item 3.5.4, quando se compara a sazonalidade aditiva com a multiplicativa
75
Gráfico 17 - Resultados da previsão de sucos utilizando o método de suavização exponencial com resposta
adaptiva
10.2 Emulsões
Para a previsão da demanda de emulsões da Saborama, todos os métodos analisados se
mostraram mais eficazes do que o método de previsão atualmente utilizado na empresa. A
seguir encontra-se a classificação dos métodos, partindo do mais eficaz ao menos adequado:
1. Holt-Winters com sazonalidade aditiva
2. Holt-Winters com sazonalidade multiplicativa
3. Suavização exponencial simples
4. Suavização exponencial simples com resposta adaptiva
5. Holt
6. Média móvel
7. Método atualmente utilizado na Saborama
Os resultados obtidos podem ser verificados no gráfico a seguir:
76
Gráfico 18 - Resultado gráfico das análises de previsão de demanda da família de emulsões
Observa-se nitidamente que, quando menor é o +w (e conseqüentemente maior é o −w22), os
métodos mais eficazes tendem a ser mais eficazes, e os métodos menos apropriados tendem a
ser menos apropriados.
O método que se mostrou mais adequado à previsão da demanda de emulsões é o método de
Holt-Winters com sazonalidade aditiva. Como pode ser verificado na tabela a seguir, este
método não só retorna os menores erros WSE , mas também seu maior erro absoluto se situa
em uma faixa razoável, cerca de 30% menor do que o maior erro obtido com o método de
previsão atual da Saborama.
WSE MAPE > Erro α β γ
1,0=+w 2,0=+w 3,0=+w 4,0=+w
Método Saborama 0,5714 0,5535 0,5357 0,5178 0,4288 1.011 - - -
Média Móvel 0,4958 0,4968 0,4979 0,4989 0,3858 675 - - -
SES 0,2699 0,3274 0,3850 0,4425 0,3036 646 0,0172 - -
SES Adaptiva 0,3651 0,3988 0,4326 0,4663 0,3251 641 - 0,1071 -
Holt 0,3958 0,4218 0,4479 0,4739 0,4610 1.159 0,4969 1,0000 -
Holt-Winters Multiplicativo 0,2046 0,2785 0,3523 0,4262 1,0316 4.200 0,5276 0,5002 1,0000
Holt-Winters Aditivo 0,1594 0,2446 0,3297 0,4149 0,4811 813 0,0020 1,0000 0,0000
Tabela 7 – Resultados detalhados das análises de previsão de demanda da família de emulsões
22 De acordo com o que já foi descrito no capítulo 4, 1=+ −+ ww
77
Para entender as características do modelo de previsão ótimo da família de emulsões, se faz
necessário recapitular as fórmulas do método de Holt-Winters com sazonalidade aditiva:
))(1()( 11 −−− +−+−= ttsttt bLSYL αα
11 )1()( −− −+−= tttt bLLb ββ
stttt SLYS −− −+−= )1()(1 γγ
smtttmt SmbLF −++ ++=
onde:
s : intervalo da sazonalidade;
tL : nível da série temporal no período t ;
tb : estimativa da tendência no período t ;
tS : componente sazonal no período t ;
m : número do período futuro para o qual se deseja fazer a previsão;
mtF + : previsão para o período m ;
α : constante de suavização do nível, assumindo valores entre 0 e 1;
β : constante de suavização da tendência, assumindo valores entre 0 e 1;
γ : constante de suavização da sazonalidade, assumindo valores entre 0 e 1.
Analisando-se as fórmulas deste método, percebe-se que a constante 0020,0=α significa que
a componente do nível da previsão se ajusta pouco aos dados novos da série.
Por outro lado, 000,1=β significa que a componente tendência é totalmente sensível a novos
dados da série, ou seja, a componente de tendência do período anterior é totalmente
descartada.
Por último, 0000,0=γ significa que a componente sazonal é não é sensível a mudanças, ou
seja, as características da sazonalidade se mantêm intactas ao longo do tempo. As
características desses parâmetros α , β e γ podem ser observados no gráfico a seguir:
78
Gráfico 19 - Resultados da previsão de emulsões utilizando o método de Holt-Winters com sazonalidade
aditiva
10.3 Xaropes
Para a família de xaropes, todos os métodos quantitativos de previsão de demanda utilizados
neste trabalho apresentaram melhores resultados do que o método atual de previsão da
Saborama. A seguir encontra-se a classificação dos métodos, partindo do mais eficaz ao
menos adequado:
1. Holt-Winters com sazonalidade multiplicativa
2. Suavização exponencial simples com resposta adaptiva
3. Holt-Winters com sazonalidade aditiva
4. Holt
5. Suavização exponencial simples
6. Média móvel
7. Método atualmente utilizado na Saborama
Os resultados obtidos podem ser verificados no gráfico a seguir:
79
Gráfico 20 - Resultado gráfico das análises de previsão de demanda da família de xaropes
De acordo com o que acontece na previsão da demanda de sucos e emulsões, observa-se
também para a família de xaropes nitidamente que, quando menor é o +w , os métodos mais
eficazes tendem a ser mais eficazes, e os métodos menos apropriados tendem a ser menos
apropriados.
Semelhantemente ao que aconteceu no caso da previsão de demanda de sucos, apesar do
método de Holt-Winters com sazonalidade multiplicativa ter se apresentado como o mais
eficaz para a previsão da demanda de xaropes, ele retornou o maior valor de erro absoluto,
como pode ser verificado na tabela a seguir:
WSE MAPE > Erro α β γ
1,0=+w 2,0=+w 3,0=+w 4,0=+w
Método Saborama 0,5630 0,5473 0,5315 0,5158 0,2404 2.554 - - -
Média Móvel 0,5087 0,5065 0,5043 0,5022 0,2421 1.762 - - -
SES 0,4918 0,4938 0,4959 0,4979 0,1934 1.760 0,0548 - -
SES Adaptiva 0,3734 0,4051 0,4367 0,4684 0,2182 2.011 - 0,4498 -
Holt 0,4226 0,4420 0,4613 0,4807 0,3303 3.549 0,7663 1,0000 -
Holt-Winters Multiplicativo 0,3180 0,3635 0,4090 0,4545 0,5073 8.482 1,0000 0,4207 1,0000
Holt-Winters Aditivo 0,3815 0,4112 0,4408 0,4704 0,4633 5.075 0,7973 1,0000 1,0000
Tabela 8 – Resultados detalhados das análises de previsão de demanda da família de xaropes
80
Esse alto valor de erro absoluto apresentado pelo modelo de Holt-Winters com sazonalidade
aditiva em comparação com os outros métodos é observado na previsão da demanda de julho
de 2006, como pode ser verificado no gráfico a seguir:
Gráfico 21 - Resultados da previsão de xaropes utilizando o método de Holt-Winters com sazonalidade
multiplicativa
Os parâmetros ótimos obtidos do método de Holt-Winters com sazonalidade multiplicativa
são 0000,1=α , 4207,0=β e 0000,1=γ . Para entender quais características esses
parâmetros representam para o comportamento da previsão, deve-se ter as equações desse
método em mente:
))(1()( 11 −−−
+−+= tt
st
t
t bLS
YL αα
11 )1()( −− −+−= tttt bLLb ββ
st
t
t
t SL
YS −− −+= )1()(1 γγ
smtttmt SmbLF −++ += )(
onde:
81
s : intervalo da sazonalidade;
tL : nível da série temporal no período t ;
tb : estimativa da tendência no período t ;
tS : componente sazonal no período t ;
m : número do período futuro para o qual se deseja fazer a previsão;
mtF + : previsão para o período m ;
α : constante de suavização do nível, assumindo valores entre 0 e 1;
β : constante de suavização da tendência, assumindo valores entre 0 e 1;
γ : constante de suavização da sazonalidade, assumindo valores entre 0 e 1.
Assim, o fato de α ser 1 significa que a componente do nível da previsão se ajusta totalmente
a novos dados da série. β apresentar valor 0,4207 significa que a componente tendência é
razoavelmente sensível a novos dados da série, ou seja, a tendência do período anterior é
parcialmente descartada, e há ajuste parcial a novas tendências. Analogamente, o fato de γ
apresentar valor 1 significa que a componente sazonal é totalmente sensível, ou seja, o
histórico de sazonalidade se perde totalmente, já que o modelo não carrega as características
de sazonalidade por mais de 1 intervalo de sazonalidade s .
Analogamente aos comentários feitos sobre a previsão da demanda de sucos, apesar do
método de Holt-Winters com sazonalidade multiplicativa ser o mais indicado para a previsão
de demanda da família de xaropes da Saborama, observa-se que este modelo pode retornar em
alguns meses previsões cujos erros absolutos são muito maiores do que os dos outros métodos
e, portanto, necessita de atenção especial em suas previsões. Essa grande discrepância é
causada pela característica do método com sazonalidade multiplicativa de tender a aumentar o
tamanho de suas variações ao longo do tempo23.
Devido a essa característica, as previsões do método de Holt-Winters com sazonalidade
multiplicativa não podem ser consideradas automaticamente para tomadas de decisão, apesar
de terem sido as mais acuradas no período de testes; é aconselhável ser analisado mês a mês
23 Essa característica pode ser visualmente verificada no item 3.5.4, quando se compara a sazonalidade aditiva com a multiplicativa
82
se a previsão deste método envolve mudança muito drástica em relação à série temporal como
um todo.
Caso haja essa drástica mudança e a empresa necessite da previsão para o mês em que o
método apresentou tal drástica mudança de nível (no exemplo anterior, julho de 2006),
sugere-se que a empresa considere a previsão da demanda do segundo melhor método, que
neste caso é o método de suavização exponencial com resposta adaptiva, como se pode
observar na Tabela 8.
Assim, no cenário hipotético em que a Saborama necessite da previsão para julho de 2006,
recomenda-se que ela considere (apenas para tal mês) a previsão do método de suavização
exponencial com resposta adaptiva. O gráfico a seguir apresenta as previsões da demanda de
xaropes utilizando o método de suavização exponencial com resposta adaptiva:
Gráfico 22 - Resultados da previsão de xaropes utilizando o método de suavização exponencial simples
com resposta adaptiva
83
10. DESENVOLVIMENTO DE UM SISTEMA DE MONITORAMENTO DE DISCREPÂNCIAS DA PREVISÃO DE DEMANDA
Já foi demonstrado no capítulo 99 que o modo como a Saborama faz a previsão da demanda
de seus produtos atualmente pode ser melhorado se a empresa passar a adotar outros métodos
de previsão.
Como um dos principais objetivos deste trabalho é melhorar a forma com que a Saborama
opera suas previsões de demanda, apenas aplicar métodos e com isso obter previsões mais
acuradas não é o suficiente. Para a empresa, é importante também que se construa um modelo
mais amplo e fácil de aplicar ao cotidiano da empresa, que inclua também processos de
controle do modelo e escolha do método a ser utilizado.
Tendo isso em vista, é sugerido um modelo que a empresa pode seguir passo a passo, a fim de
se conseguir os melhores resultados em suas previsões, como ilustra a figura a seguir:
Figura 13 – Modelo de escolha de métodos e monitoramento
84
CONCLUSÃO
A previsão de demanda é um vasto campo de estudo, que tem merecido atenção em livros
inteiramente dedicados a métodos de previsão. Trata-se de um problema que as empresas e
indústrias do mundo inteiro enfrentam diariamente, e que depende de inúmeras variáveis,
como a posição do produto em seu ciclo de vida, a existência de produtos substitutos, a
posição da empresa frente aos seus concorrentes, a agressividade da empresa no mercado, o
comportamento dos consumidores e agentes intermediários na cadeia de suprimento, a
situação econômica e social. A previsão de demanda pode ser apresentada simplesmente
como a média móvel da demanda histórica, ou pode assumir métodos complexos como redes
neurais.
É portanto necessário entender a situação de uma empresa antes de decidir quais métodos de
previsão ela pode utilizar; em outras palavras, deve ser considerada a relação custo/benefício
ideal para a empresa. Isso explica a seleção do portfólio de métodos relativamente simples
inicialmente selecionados para entrar no escopo do atual trabalho.
Ao longo do processo de previsão dos produtos da Saborama, surgiram várias críticas às
medidas de erros tradicionalmente utilizadas na literatura, como por exemplo o MAPE (Mean
Absolute Percentage Error). Tais críticas foram detalhadas e uma nova medida de erro foi
proposta de forma a melhor atender as exigências requeridas neste trabalho, chamada de WSE
(Weighted Squared Error). Também surgiram observações e adaptações dos métodos de
previsão, mais especificamente os métodos de Holt e o de Holt-Winters, para os quais foram
sugeridos mudanças sobre o modo de cálculo de previsões para períodos futuros24.
Espera-se portanto, que o trabalho, além de ter contribuído para a previsão de demanda dos
produtos da Saborama25, também possa permitir uma contribuição para outros trabalhos,
construindo diferentes questionamentos sobre os modelos de previsão e principalmente sobre
as medidas de erros tradicionalmente utilizadas.
24 Períodos para os quais a variável 1>m 25 De acordo com o que foi concluído no capítulo 9, os modelos mais indicados para a previsão de demanda de sucos, emulsões e xaropes são, respectivamente, Holt-Winters com sazonalidade multiplicativa, Holt-Winters com sazonalidade aditiva e Holt-Winters com sazonalidade multiplicativa
85
Como sugestão para trabalhos futuros é indicado que sejam estudados formas de descobrir os
pesos ótimos dos erros positivos ( +w ) e negativos ( −w ) utilizados pela medida de erro WSE
criada pelo autor, além de novos testes para validar os novos modelos propostos, tanto da
própria medida de erro WSE quanto do novo modo de se calcular a previsão utilizando os
métodos de Holt e Holt-Winters. Especificamente no caso da Saborama, é sugerido que se
construa um modelo de controle de estoque baseado nos resultados deste trabalho.
86
REFERÊNCIAS BIBLIOGRÁFICAS ABIR - Associação Brasileira das Indústrias de Refrigerantes e Bebidas não Alcoólicas -
http://www.abir.org.br. ACNielsen do Brasil - http://acnielsen.com. ARNOLD, J. R. T.: Administração de Materiais: uma introdução. São Paulo: Atlas, 1999. BALLOU, R. B.: Gerenciamento da cadeia de suprimentos/Logística empresarial, 5. ed.,
Porto Alegre: Bookman, 2006. DUFFY, M. E.: Methodological triangulation: a vehicle for merging quantitative and
qualitative research methods, Journal of Nursing Scholarship, 1987. HANKE, J. E./ REITSCH, A.G.: Business Forecasting, 6. ed, Upper Saddle River,
Presentice-Hall, 1998. IBGE - Instituto Brasileiro de Geografia e Estatística - http://www.ibge.gov.br MAKRIDAKIS, S./ WHEELWRIGHT, S. C./ HYNDMAN, R. J.: Forecasting: methods
and applications, 3. ed, New York: Wiley, 1998. NEVES, J. L.: Pesquisa Qualitativa – Características, usos e possibilidades, São Paulo,
Caderno de Pesquisas em Administração, v.1, no 3, 2o Semestre, 1996. PFOHL, H.-C.: Logistikmanagement - Konzeption und Funktionen, 2. ed., Berlin:
Springer, 2004. PFOHL, H.-C.: Logistiksysteme - Betriebswirtschaftliche Grundlagen, 7. ed., Berlin:
Springer, 2004. PORTER, M. E.: Estratégia competitiva - Técnicas para análise da indústria e
concorrência, 10. ed., Frankfurt: Campus, 1999. ROSA, S. E. S./ COSENZA, J. P./ LEÃO, L. T. S.: Panorama do setor de bebidas no
Brasil, pág.104, 124, Rio de Janeiro: BNDES Setorial, 2006. SANDERS, N. R./ MANRODT, K. B.: The efficacy of using judgmental versus
quantitative forecasting methods in practice, The International Journal of Management Science, Elsevier, 2003.
ULRICH, P./ FLURI, E.: Management. Eine konzentrierte Einführung, 7. ed, Bern,
Stuttgart: UTB für Wissenschaft, 1995.