ANÁLISE DOS MÉTODOS DE PREVISÃO DE DEMANDA APLICADOS EM UMA INDÚSTRIA ALIMENTÍCIA NA CIDADE DE APARECIDA DE GOIÂNIA - GO

Prévia do material em texto

Pontifícia Universidade Católica de Goiás
Goiânia, 17 de dezembro de 2019.
ANÁLISE DOS MÉTODOS DE PREVISÃO DE DEMANDA APLICADOS EM UMA INDÚSTRIA ALIMENTÍCIA NA CIDADE DE APARECIDA DE GOIÂNIA - GO
Bruna Carrijo
Fernanda Maria
Luma Almeida
Victor Marcelo
Wildy Komatsu
As indústrias de alimentos tem um grande mercado e são extremamente importantes para a economia do Brasil e do mundo, para um melhor desempenho da produção, são utilizadas previsões de demanda como auxílio do Planejamento e Controle da Produção (PCP) da organização, que torna-se um diferencial que pode colocá-la um passo a frente de seus concorrentes. Dentro deste contexto, este estudo tem o objetivo de presumir qual o método de previsão de demanda que melhor se adequa ao comportamento dos dados obtidos em uma indústria alimentícia localizada em Aparecida de Goiânia, Goiás. Para melhor análise dos dados, foram coletadas três famílias determinadas pela curva ABC, dos últimos três anos. 
Palavras-chave: Planejamento e Controle da Produção, Previsão de demanda, Séries temporais, Modelos de sazonalidade. 
1. Introdução
Administrar e proporcionar um nível de competitividade de qualidade a uma empresa não é uma tarefa fácil. Para permanecer no mercado e adquirir vantagem competitiva, é necessário obter redução de custos e de desperdícios nivelados com processos eficientes, produtivos e confiáveis. Devido a isso, a área do Planejamento e Controle da Produção (PCP) traz sistemática e soluções diretas de problemas diários, de curto, médio e longo prazo. A definição de competitividade de uma empresa, de acordo com Davis, Aquilano e Chase (2001), é a sua posição em relação ao mercado consumidor e como ela compete com os seus concorrentes.
Para ter eficiência em qualquer sistema produtivo, é necessário analisar a forma como os problemas administrativos são solucionados, ou seja, o planejamento, controle e programação do sistema (TUBINO, 2000). Além disso, é preciso considerar as características de um ambiente econômico que são fatores externos à empresa, mas influenciam na administração da produção interna. Logo, tem-se que perceber e analisar as principais características do mercado global e compreender os conceitos dos princípios e técnicas para a construção do sistema da produção eficiente e, ao mesmo tempo, competitivo.
Para Slack, Chambers e Johnston (2009), a administração da produção pode ser caracterizada como desafiadora, porque promove a criatividade que permite às empresas responder as diversas mudanças que ocorrem todos os dias no mercado. Com isso, se uma empresa quer uma posição no mercado, precisa de um planejamento ou uma adequação do sistema de produção, assim, é possível ter a combinação entre maior receita e menor custo, sendo este, o principal objetivo das empresas.
De acordo com Conceição (2007), um estudo no qual identifica as características das empresas do setor de alimentos, destaca que ainda há muito a fazer para que possam melhorar seu desempenho. A própria ABIA aponta que em 2007 o crescimento do varejo se posicionou acima da produção industrial e que a demanda foi suprida pelas importações. Conceição (2007) destaca, também, que o percentual de adoção de inovações por esse segmento é muito pequeno (CECATTO; BELFIORE, 2015).
Este estudo tem, portanto, o objetivo de identificar um método quantitativo eficiente para cálculo de previsão de demanda de dois dos produtos classificados como classe A (mais importantes da instituição) na curva ABC, de forma a evitar excessos ou faltas dos mesmos. Para melhor entendimento do assunto, este projeto analisa uma indústria no ramo alimentício, e a pergunta norteadora que direciona este estudo vem de: “Aplicando os métodos de previsão de demanda quantitativos polinomial e suavização exponencial, utilizando os dados referentes às vendas dos últimos três anos, será possível manter o mesmo comportamento nas previsões futuras?”.
2. Referencial teórico
2.1 Indústria Alimentícia
Segundo a Associação Brasileira das Indústrias de Alimentação (ABIA), órgão que representa o setor, no ano de 2018 a indústria de alimentos participou com 9,6% do PIB, com faturamento líquido de R$656,00, investimento de R$7,6 bilhões, gerando um total de R$1,6 milhão de empregos (ABIA, 2018).
A indústria de alimentos é um setor importante da economia nacional e, assim como indústrias de outras áreas, está exposta às adversidades de um mercado competitivo, exigindo flexibilidade e rapidez na tomada de decisões. Quando se trata de produtos alimentícios, características como a perecibilidade, a sazonalidade de oferta e demanda e a grande diversidade exigem das indústrias alimentícias um melhor planejamento da produção. Quanto mais informação tiver sobre o comportamento da demanda de um produto, mais assertiva será a previsão e, consequentemente, as decisões tomadas com base nesta previsão (CAVALHEIRO,2003).
O planejamento e o controle dos recursos produtivos minimizam erros como excesso de produção, por exemplo, e possibilita o atendimento à demanda dos consumidores. O trabalho desempenhado pelo departamento de planejamento e controle da produção de uma indústria é complexo, pois fatores não previstos ou que fogem ao domínio da empresa podem interferir (BIRCHALL, 2004).
2.2 Planejamento e Controle da Produção
Para Mendes e Barros Filho (2017), uma etapa importante na fabricação de um produto é o Planejamento e Controle da Produção (PCP), pois, a partir de um bom planejamento é possível garantir a disponibilidade de seus produtos fabricados aos clientes e, consequentemente, gerar maiores retornos financeiros para a empresa, uma vez que abrange a compra de insumos e a utilização de recursos de seus funcionários.
O Planejamento e Controle da Produção tem como objetivo principal direcionar a produção de um produto e ter total controle sobre este processo, definindo o que, quanto, como, onde, quem e quando será produzido (FUSCO, 2007).
A capacidade de uma organização em ser competitiva no mercado está associada em sua posição estratégica, sendo necessário identificar falhas no processo, mas, também, se atentar nos pontos de sucesso, conhecidos como Fatores Críticos de Sucesso (FSC). Os Fatores Críticos de Sucesso estão associados ao desempenho da empresa e sobre todas as variáveis controláveis dentro da organização. A grande maioria destes fatores críticos de sucesso estão ligadas diretamente ao PCP (LUSTOSA, 2008).
Segundo Slack, Chambers e Johnston (2009, p. 290), o planejamento e controle requer conformidade entre o suprimento e a demanda em quesitos de qualidade, tempo e volume. Outro fator que se deve atentar para ter um PCP adequado é a capacidade de ser a geradora de inúmeros benefícios para a empresa. Para Mesquita e Castro (2008), um PCP adequado é aquele que tem a capacidade de suprir as necessidades de um sistema de produção, como por exemplo, minimizar custos de estoque, reduzir o tempo ocioso do maquinário e de mão de obra, atender sem atrasos os prazos de entrega e ser atento diante das mudanças da demanda. 
Para Tubino (1997) prever a demanda é o princípio para o planejamento da produção, finanças e vendas dentro de uma empresa. Ainda segundo Dias (2009), quanto melhor for a previsão da demanda, melhores serão as técnicas e hipóteses utilizadas para o planejamento da produção.
2.3 Previsão de Demanda
A previsão de demanda desempenha um importante papel em várias áreas na gestão de organizações, como por exemplo, na área financeira auxilia no planejamento da necessidade de recursos, na área de recursos humanos ajuda no planejamento de modificações no nível da força de trabalho e na área de vendas assessora no agendamento de promoções. A previsão é, também, essencial na operacionalização de vários pontos do gerenciamento da produção, como na gestão de estoques e no desenvolvimento de planos agregados de produção (PELLEGRINI, 2001).
Armstrong e Green (2004) propõem uma metodologia de previsão de demanda por meio de analogia seja realizada de maneira estruturada. Para se elaborar as previsões de demanda,utilizam-se métodos quantitativos, qualitativos ou combinações de ambos. Métodos quantitativos baseiam-se no estudo de dados que descrevem a oscilação da demanda ao longo do tempo. Métodos qualitativos, apesar da sua imprecisão, são os mais utilizados pelas empresas para a previsão da demanda (MENTZER; COX, 1997).
O método qualitativo continua sendo amplamente empregado nas empresas, mesmo com a difusão dos métodos quantitativos mais modernos, impulsionados pelo avanço na capacidade de processamento e armazenamento de dados computacionais (SANDERS; MALIRODT, 1994). Métodos quantitativos se fundamentam em dados históricos de demanda para presumir demandas futuras. Porém, para que exista uma boa previsão, é necessária a aplicação de modelos matemáticos empregando dados disponíveis que são conhecidos também como séries temporais, ou seja, dados das demandas ao longo do tempo. 
As séries temporais são conjuntos de observações do tempo e determina se o comportamento das atividades apresenta alguma relação entre os dados históricos e as observações. O objetivo delas é identificar os padrões de relacionamento para que possa estimar o comportamento futuro da variável em estudo (RELVAS, 1998). O prognóstico para o uso das séries temporais compõe a ideia de que os valores futuros possam ser estimados tendo os valores passados como base (MOREIRA, 1998). 
A sazonalidade é uma série temporal e pode ser explicada como um conjunto de movimentos ou flutuações com um período igual ou inferior a um ano, mas não necessariamente regular. É o resultado da sazonalidade são causas naturais, econômicas, sociais e/ou institucionais (WALLIS, THOMAS; 1971). 
O índice de sazonalidade é dado a partir do cálculo do valor da demanda no período divido pela média móvel centrada no período, sendo este, o ciclo da sazonalidade. Quando se têm dados suficientes, são calculados vários índices para cada período e no final tira-se a média (CORDEIRO, RANIERI, RODRIGUES, FERREIRA; 2015).	
As séries causais são usadas quando se identifica que uma ou mais variáveis são fundamentais para a previsão de demanda futuras, sendo, assim, denominadas de variáveis independentes, enquanto os demais fatores são tidos como variáveis dependentes. Para se aplicar esse tipo de método, utiliza-se uma equação matemática que possibilita encontrar a variável dependente, levando em consideração a independente, portanto, para séries causais os métodos que mais se destacam são os baseados em regressão (Fernandes & Filho, 2010).
A previsão de demanda deve seguir os seguintes passos, conforme Heizer e Render (2001): 
A) determinar o uso da previsão; 
B) selecionar os itens, determinar o tempo da previsão; 
C) selecionar o modelo, reunir dados necessários para a previsão;
D) fazer a previsão e validar e implementar os resultados.
2.4 Regressão Polinomial
É possível aproximar qualquer função utilizando um polinômio, assim, é possível ampliar a regressão linear para regressão polinomial. Para realizar isso, usa-se as variáveis já existentes e constrói novas variáveis polinomiais e a regressão com elas terá mais capacidade quanto maior for o polinômio criado. O algoritmo da regressão linear não é alterado, a mudança que ocorre é apenas que são manipuladas várias variáveis polinomiais, elevando-as, por exemplo, ao quadrado (FACURE, 2017). 
Analisando um polinômio de segundo grau, como mostrado na equação a seguir (CHAPRA & CANALE, 2016): 
Com isso, a soma dos quadrados é: 
Pega-se a derivada da equação relacionada a cada um dos coeficientes desconhecidos do polinômio, assim: 
As equações são igualadas a zero e reorganizadas para determinar o próximo conjunto de equações: 
Tal sistema pode ser escrito da forma matricial: 
Para solucionar o sistema e encontrar os valores dos coeficientes , e , é necessário multiplicar o inverso da matriz quadrada que contém a somatória das potências de pela matriz coluna que contém a somatória dos produtos de .
2.5 Suavização Exponencial Dupla
Segundo Gardner (2006), a suavização exponencial tem origem nos estudos de Robert G. Brown, que os desenvolveu durante a Segunda Guerra Mundial, em 1944, com o objetivo de desenvolver técnicas de controle dos disparos de mísseis de submarinho. Em paralelo a este estudo, em 1950, o pesquisador Charles C. Holt também desenvolveu um modelo de suavização exponencial similar ao de Brown, ele considerava a tendência das séries. O modelo de Holt foi ampliado por Winters em 1960, que considerava a sazonalidade dos dados, além da tendência. Este modelo ampliado ficou conhecido como Holt-Winters e é utilizado até os dias atuais tanto no meio acadêmico quanto no meio empresarial (MIRANDA, 2009). 
O método de suavização dupla é uma técnica apropriada para dados não estacionários de séries temporais nas quais ocorrem tendências significativas durante o tempo. As tendências causam mudanças ao longo do tempo, porém pode acontecer de os dados das séries temporais terem uma tendência para baixo ou para cima no período (RAGSDALE, 2017). A suavização exponencial dupla é um método de previsão de dados por série temporal que possuem tendência linear. Este método, à medida que acrescenta uma constante de suavização que pode afetar a série, ocorrem refinamentos adicionais à modelagem (HOLT, 1957). 
A equação do método desenvolvido por Holt é apresentada por: 
Sendo o período, a tendência esperada para n períodos e é a estimativa do nível esperado da série temporal no período t.
Este método utiliza os parâmetros α e β que são constantes de suavização. Além da equação para cálculo da previsão, são utilizadas mais duas funções para estimar o nível e a tendência da série temporal, como mostra a seguir: 
 , 
	, 
Sendo a estimativa do nível da série no período t e é a estimativa da tendência da série no mesmo período. Os parâmetros α e β são encontrados por ensaio sobre a série histórica, sendo que é comum escolher os valores que minimizam os erros quadráticos médios. 
Para obter-se o melhor resultado, foi desenvolvida uma metodologia que será explica nos próximos tópicos. 
3. Metodologia 
3.1 Classificação da Pesquisa
De acordo com Nascimento (2016), a pesquisa básica gera conhecimento novo para o avanço da ciência, tem o objetivo de gerar verdades, mesmo que sejam temporárias e relativas. Não tem intensão ou compromisso de aplicação prática do resultado. A pesquisa aplicada tem por objetivo procurar soluções para problemas específicos, busca a verdade para aplicação na prática de uma situação específica. 
A pesquisa exploratória tem o objetivo de facilitar a familiaridade do pesquisador com o problema principal, o que permite construção de hipóteses ou tornar mais clara a questão. A pesquisa descritiva procura a descrição das características das populações ou fenômenos e de correlação entre as variáveis. A pesquisa explicativa, diferente da exploratória e descritiva, é de uso mais restrito, pois são mais complexas. Serve para identificar atributos e fatores que podem ser o motivo dos fenômenos (GIL, 1991). 
O método quantitativo utiliza medidas padronizadas e sistemáticas, com respostas pré-determinadas, que faz com que a comparação e a análise das medidas estatísticas de dados sejam mais fáceis. É mais utilizado em estudos de ciências naturais. Já o método qualitativo é mais utilizado e apropriado para estudos de ciências sociais. Interpreta fenômenos observados e seus significados ou no significado dado pelo próprio pesquisador, levando em consideração a realidade em que os fenômenos se encontram, considera a realidade e a particularidade de cada objeto da pesquisa (NASCIMENTO, 2016).
O estudo em questão, caracteriza-se como uma pesquisa quantitativa e exploratória que tem como sua prioridade demonstrar numericamente a regularidade e a intensidade de atuação dos dados utilizados, conforme os modelos matemáticos para aquisição dos resultados. Essa é uma pesquisa aplicada e explicativa que gera conhecimentos para aplicação na prática dirigidos a solução de problemas específicos para envolver as causas eefeitos com dados quantitativos na empresa alimentícia analisada.
3.2 Descrição da Empresa
A história da empresa começa em 1984, ainda com nome de Gama, fazia parte do grupo empresarial Mabel, sendo, esta, uma potência do ramo alimentício brasileiro, fundada em 1953. A Gama começou a trilhar o caminho do sucesso e crescimento em 2002, quando se tornou GSA – Gama Sucos e Alimentos.
Desde então, a empresa acumula inúmeros lançamentos de sucesso, como por exemplo, as marcas Refreskant de refrescos em pó, lançada em 2003 e Sandella, lançada em 2007, contendo uma grande variedade de produtos como mistura para bolo e o carro chefe de vendas, o macarrão instantâneo. Em 2011, foi reconhecida pela revista PME/EXAME como uma das 250 empresas que mais crescem no Brasil. Em 2012, a GSA optou pela compra e aquisição das marcas Velly e PPA – Produtos Paulista, duas empresas influentes no mercado regional e nacional.
O mais recente lançamento da GSA é a marca Dona Raiz, sendo esta focada em produtos saudáveis, como chia, granola, açúcar mascavo e mistura para bolo. A empresa aposta, também, em preços mais justos, tentando aumentar o acesso de grande parte da população a estes produtos.
A empresa é genuinamente goiana e está localizada no Polo Empresarial de Goiás, em Aparecida de Goiânia, tendo assim, uma localização privilegiada, favorecendo a logística e facilitando a entrega de seus produtos em todo Brasil.
3.3 Análise dos Dados
Pela imensa variedade de produtos fabricados e distribuídos pela empresa, foi feito uma classificação ABC, onde foi possível a identificação dos produtos de maior relevância e que são os responsáveis pelos maiores números de faturamento mensal, permitindo assim, uma melhor aplicação dos métodos e conceitos de previsão de demanda.
Conforme Nogueira (2012), a curva ABC é uma ferramenta que auxilia para análise eficiente na gestão de estoques, informando os principais itens que devem ser mantidos como prioridade no estoque, com maior giro e os itens com giro menor. A aplicação da curva ABC permite um controle maior sobre os mesmos.
Para Tubino (2000), a curva ABC é uma análise que tem como objetivo verificar quais itens ou produtos devem ter uma atenção maior na empresa, a partir de seu grau de importância. Logo, serão tratados como prioridade os itens de maior importância, pois apresentam um maior valor agregado econômico para a organização.
Com isso pode-se analisar a tabela 1, levando em consideração as descrições de cada elemento da curva ABC.
Tabela 1 – Descrição dos elementos da curva ABC
Fonte: Autores (2019)
Como pode-se observar na tabela 1, adaptada de Nogueira (2007), as classes são divididas seguindo o princípio de Pareto, onde 20% dos itens da classe A representam cerca de 80% do valor agregado. Os demais, 20% do valor, vem das classes B e C, onde a classe B representa 15% e a classe C 5%.
Logo, tem-se a figura1, com os dados coletados na indústria de alimentos, a curva ABC dos itens por ela fabricados, onde já foram inseridos os valores arrecadados acumulados (tabela 3 em apêndice). Os dados foram obtidos no período de março de 2019 até agosto de 2019.
Figura 1 – Gráfico da curva ABC de produtos GSA
Fonte: Autores (2019)
Tabela 2 - Resultados
Fonte: Autores (2019)
Por meio da Curva ABC e dos dados coletados conforme a tabela 2, pode-se verificar as divisões de classes do mix de produtos, onde os produtos com código A1 até A10, são responsáveis por 79,61% do faturamento total do período estudado, sendo eles os produtos da classe A na curva ABC.
Os produtos com código A11 até A27 são responsáveis por 14,26% do faturamento do período, sendo inseridos na classe B e os produtos com código A28 até A53 são os itens da classe C, sendo responsáveis por 6,13% do faturamento total.
Conforme observado o grau de relevância dos produtos, os com maior número de vendas e que representam 49% do valor total acumulado são o macarrão instantâneo Sandella e o refresco em pó de 1L Refreskant, sendo representados respectivamente pelos códigos A1 e A2, conforme Tabela 3 em apêndice.
4. Análise dos Resultados e Discussões
Para a análise preliminar dos dados obtidos com a finalidade de saber o comportamento das vendas e futura aplicação dos métodos de previsão, foram gerados dois gráficos contendo os três anos das famílias a serem avaliadas. Os gráficos estão representados nas figuras a seguir:
Figura 2 – Unidades produzidas do macarrão instantâneos no período de 2016 a 2019
Fonte: Autores (2019).
Figura 3 – Unidades produzidas do refresco em pó no período de 2016 a 2019
Fonte: Autores (2019).
De acordo com os gráficos apresentados, observa-se que apesar de algumas semelhanças como, por exemplo, o mês de março e junho apresentam uma maior quantidade de vendas nos dois produtos, além de um decaimento das vendas nos últimos meses de cada ano, não existe medida que expresse sazonalidade, constância ou alguma outra tendência em nenhuma das famílias avaliadas.
5. Considerações Finais
6. Referências
ABIA. Associação Brasileira das Indústrias de alimentação. Disponível em: <http://www.abia.org.br>. Acesso em: 27 de outubro de 2019. 
BIRCHALL. S. O. Empresa e indústria alimentícia no Brasil. Disponível em: http://www.ceaee.ibmecmg.br/wp/wp17.pdf. Acesso em: 07 de novembro de 2019. 
CAVALHEIRO, D. Método de previsão de demanda aplicada ao planejamento da produção de indústrias de alimentos. 2003.137 p. Programa de pós-graduação em engenharia mecânica. (Tese de Mestrado) - Universidade Federal de Santa Catarina, Santa Catarina.
CECATTO; C., BELFIORE; P. Gestão & Produção. São Carlos, v. 22, n. 2, p. 404-418, 2015. DOI: http://dx.doi.org/10.1590/0104-530X108-12.
CHAPRA, S. C.; CANALE, R. P. Métodos Numéricos para Engenharia. 7ª ed. Porto Alegre, 2016. 
CORDEIRO, B. A. F., RANIERI, J. R., RODRIGUES, N. A. C., FERREIRA, V. T. S. Aplicação do Modelo de Média Exponencial para a Realização da Previsão de Demanda do Setor Leiteiro no Brasil. Fortaleza, 2015.
DAVIS, M. M.; AQUILANO, N. J.; CHASE, R. B. Fundamentos da Administração da Produção. 3 ed. Porto Alegre: Bookman, 2001. 
DIAS, G. P. P. Proposta de processo de previsão de vendas para bens de consumo. 2009. Disponível em: http://www.abepro.org.br/biblioteca/ENEGEP1999_A0687.PDF. Acesso em: 16 de novembro 2019.
FACURE, M. Regressão Polinomial: indo além de simples relações lineares. 2017. Disponível em: https://matheusfacure.github.io/2017/02/26/regr-poli/. Acesso em: 10 de dezembro de 2019. 
FUSCO.J.P. A; SACOMANO.J.B. Operações e Gestão estratégica da produção. Arte e Ciência. São Paulo, 2007.
GARDNER, E. S. Exponential smoothing: the state of the art – part II. International Journal of Forecasting, 2006.
GASPARINI, R. Análise dos modelos de previsão de demanda frente às necessidades de manutenção de estoques de uma indústria de produção de cerveja artesanal. TCC (Trabalho de Finalização de Curso) -Curso de Administração, Universidade do Extremo Sul Catarinense, UNESC. Santa Catarina, p.11.2017.
GIL, Antonio C. Métodos e técnicas de pesquisa social. São Paulo: Atlas, 1991.
GIL, M. G. B. Análise de regressão. Acesso em: 26 outubro. 2019.
GODINHO FILHO, M.; FERNANDES, F. C. F. Planejamento e controle da produção: Dos fundamentos ao essencial. In: São Paulo. Atlas. V. 1, p. 21-25, 2010. 
HEIZER, J.; RENDER, B. Dirección de la Producción y de Operaciones. 8ª ed.; Pearson. 2001.
HOLT, C.E. Forecasting trends and seasonal by exponentially weighted averages. ONR Memorandum, v.52, Carnegie Institute of Technology, Pittsburgh, USA,1957.
 KHOURY, F., RAUPP, F. Minimização de custos de produção via programação inteira mista: Estudo de Caso de planejamento de produção de luminárias. 2011. PUC. Disponível em: http://www.maxwell.vrac.pucrio.br/Busca_etds.php?strSecao=resultado&nrSeq=18828@1. Acesso em: 28 de outubro de 2019.
LEWIS, C. D. Demand Forecasting and Inventory Control. New York: Wiley, 1997.
LINDBERG, E., ZACKRISSON, U. Deciding about the Uncertain: the use of forecasts as a Aid to Decision-making. 1991.
LUSTOSA, L; MESQUITA,M. A.; QUELHAS, O.; OLIVEIRA, R. Planejamento e Controle da Produção. Elsevier, Rio de Janeiro, 2008.
LYNN, G., SCHNAARS, S., SKOV, R. A Survey of New Product Forecasting Practices in Industrial High Technology and Low Technology Businesses. Industrial Marketing Management. 1999. 
MENDES, M.; BARROS FILHO, L. de. A Experiência da Elaboração de um PCP: um Caso de uma Indústria de Alimentos. Revista de Engenharia e Pesquisa Aplicada, v. 2, n. 2, 27 jul. 2017.
MENTZER, J. T & COX Jr., J. E. Familiarity, application, and performance of sales forecasting techniques. Journal of Forecasting. v. 3, 11. 1, p. 27-37, jan. 1997.
MESQUITA, M. A.; CASTRO, R. L. Análise das práticas de planejamento e controle da produção em fornecedores da cadeia automotiva brasileira. Revista Gestão & Produção, São Carlos, v. 15, n. 1, p. 33-42, jan./abr. 2008.
MOREIRA; D. A. Introdução à Administração da Produção e Operações. São Paulo. Pioneira, 1998. 
MIRANDA, R. G. Espaço admissível para os parâmetros do modelo de suavização exponencial com dupla sazonalidade aditivo. Tese – Curso de Pós-Graduação em Engenharia de Produção, Universidade Federal de Santa Catarina, UFSC, Florianópolis, 2009. Disponível em: https://repositorio.ufsc.br/bitstream/handle/123456789/92565/264285.pdf?sequence=1&isAllowed=y. Acesso em: 11 de dezembro de 2019. 
NASCIMENTO, F. P. Classificação da Pesquisa. Natureza, método ou abordagem metodológica, objetivos e procedimentos. TCC – Trabalho de Conclusão de Curso. Brasília, 2016.
NOGUEIRA, A. Classificação ABC para Melhor Gestão do Estoque. 2007. Disponível em: Acesso em: 23 de setembro 2019.
PELLEGRINI, F. R.; FOGLIATTO, F. S. Passos para implantação de sistemas de previsão de demanda: técnicas e estudo de caso. Production. v. 11, n. 1, p. 43-64, 2001. PEREIRA, Moacir. O uso da curva ABC nas empresas. São Paulo, 1999.
RAGSDALE, C. Spreadsheet modeling and decision analysis: a practical introduction to business analytics. Cengage Learning, 8th edition, 2017.
RELVAS, T. R. S. Previsões com Séries Temporais: Cálculo de Coeficientes Sazonais com Regressão Linear. Fortaleza, 1998.
SANDERS, N. R. & MANRODT. K. B. Forecasting practices in US corporations: survey results. Interfaces. v. 24, n. 2, p. 92- 101, mar. 1994. 
SEBER, G. A. F. Linear regression analysis. John Wiley, New York. 1997.
SILVA, L. F.; COSTA. A. B. Prevalência de sobrepeso e obesidade em crianças de diferentes condições socioeconômicas. 2018.
SLACK, N.; CHAMBERS, S.; JOHNSTON, R. Administração da Produção. 3ª ed. São Paulo: Editora Atlas, 2009.
TUBINO, D. F. Manual de planejamento e controle da produção, São Paulo: Atlas, 1997
WALLIS, K. F.; THOMAS, J. J. Seasonal Variation in Regression Analisys.
7. Apêndices
Tabela 3 – Valores arrecadados acumulados dos produtos da GSA
Fonte: Adaptado Banco de Dados GSA (2019)
2015/16	Dez	Jan	Fev	Mar	Abr	Mai	Jun	Jul	Ago	Set	Out	Nov	7478128.9835728956	6949944.9382716054	6144248.6888454007	7665673.1031128373	6904129.7504798463	6896644.2329545468	9866310.880626224	6095117.365491651	9357081.7669172883	10855557.707547171	8768759.0555555541	10145816.200750468	2016/17	Dez	Jan	Fev	Mar	Abr	Mai	Jun	Jul	Ago	Set	Out	Nov	8932495.3614457827	3655391.8090452254	4192636.9801980201	11724115.35587189	5025960.4619565215	5021663.2130281674	10648328.752293577	3910380.6382978717	9197543.7593283542	8967958.6241007205	6096233.5677966084	7094633.344887347	2017/18	Dez	Jan	Fev	Mar	Abr	Mai	Jun	Jul	Ago	Set	Out	Nov	5907701.5178571418	5313086.2765957462	4062032.7953410968	8300731.4070796454	5133183.0339805828	7162093.7722419947	6087787.6415094323	3641827.8680203045	5921313.7883959059	5943235.6598984729	6679969.7855917662	6116173.9790575914	2018/19	Dez	Jan	Fev	Mar	Abr	Mai	Jun	Jul	Ago	Set	Out	Nov	5427413.848314	6084	3989113.2673267331	5521903.5641025612	4947174.1142384075	4645008.1750000007	5280613.3947368385	4391980.8473154344	5351437.109375	6359947.6194690242	4940259.3848857628	6913983.3716814145	6412370.0593220321	2015/16	Dez	Jan	Fev	Mar	Abr	Mai	Jun	Jul	Ago	Set	Out	Nov	4464280.6326530594	4830055.7843137234	6240978.4200000009	8186330.1428571409	5733968.2352941195	6446163.2400000002	8578125.3265306093	6960185.2549019605	6447241.8461538432	8293623.0384615427	7015288.807692308	8694072.8846153896	2016/17	Dez	Jan	Fev	Mar	Abr	Mai	Jun	Jul	Ago	Set	Out	Nov	6768612.9800000004	5076617.2037037015	7053368.3018867904	9178050.9423076883	9820277.3269230761	7533185.0384615427	11513978.607843136	5061915.0370370373	10874456.039215682	10077857.576923078	4846223.2777777789	7577223.3773584925	2017/18	Dez	Jan	Fev	Mar	Abr	Mai	Jun	Jul	Ago	Set	Out	Nov	6668510.7358490564	8713872.7547169831	8459804.4150943346	9580063.4339622632	9142790.0370370336	9383244.6792452782	11329299.285714284	4740042.7796610203	8990285.5423728768	10389465.396551726	9192540.135593215	9181449.966101693	2018/19	Dez	Jan	Fev	Mar	Abr	Mai	Jun	Jul	Ago	Set	Out	Nov	7632832.203389	8309	5567154.9180327868	10393801.508474572	11723545.793103449	6116762.2203389835	11180399.779661017	9104158.4237288106	10206986.206896549	10355852.322033899	9356372.2881355863	10669013.086206891	10572557.133333335	CódigoProdutoTotaisValor Acumulado% Sobre Valor Acumulado
A1 MACARRÃO INST SANDELLA34.406.440,48R$ 34.406.440,48R$ 36,29%
A2 REFRESKANT 1L (25G)12.050.968,65R$ 46.457.409,13R$ 49,00%
A3 TEMPERO EM PÓ SANDELLA6.021.983,75R$ 52.479.392,88R$ 55,36%
A4 MACARRÃO INST YOLLE5.296.465,81R$ 57.775.858,69R$ 60,94%
A5 REFRESKANT 10L (250G)4.421.286,60R$ 62.197.145,29R$ 65,61%
A6 REFRESKANT 2L (140G)4.134.969,17R$ 66.332.114,46R$ 69,97%
A7 MISTURA PARA BOLO SANDELLA3.767.242,34R$ 70.099.356,80R$ 73,94%
A8 SALGADINHOS SANDITOS 60G2.287.212,74R$ 72.386.569,54R$ 76,36%
A9 MISTURA PARA BOLO VELLY1.592.938,98R$ 73.979.508,52R$ 78,04%
A10 SALGADINHOS SANDITOS 30G1.490.509,29R$ 75.470.017,81R$ 79,61%
A11 FARINHAS PPA1.362.416,29R$ 76.832.434,10R$ 81,05%
A12 REFRESCO VELLY 2L1.221.160,54R$ 78.053.594,64R$ 82,33%
A13 SOPÃO SANDELLA 180G1.122.948,73R$ 79.176.543,37R$ 83,52%
A14 MILLHO PPA1.107.721,19R$ 80.284.264,56R$ 84,69%
A15 DERIVADOS DE MILLHO PPA988.644,70R$ 81.272.909,26R$ 85,73%
A16 POLVILHO PPA826.261,80R$ 82.099.171,06R$ 86,60%
A17 ICEBEL 1L767.315,20R$ 82.866.486,26R$ 87,41%
A18 CONDIMENTOS VELLY757.876,71R$ 83.624.362,97R$ 88,21%
A19 BATATA ONDULADA SAN CHIPS754.504,00R$ 84.378.866,97R$ 89,01%
A20 PIP P/ MICROONDAS VELLY718.100,97R$ 85.096.967,94R$ 89,76%
A21 MACARRÃO INST VELLY655.715,72R$ 85.752.683,66R$ 90,45%
A22 REFRESCO ICEBEL 2L635.941,82R$ 86.388.625,48R$ 91,13%
A23 FARINHA DE TRIGO PPA559.396,99R$ 86.948.022,47R$ 91,72%
A24 SALGADINHOS SANDITOS 140G536.378,90R$ 87.484.401,37R$ 92,28%
A25 REFRESCO FOOD SERVICE ICEBEL531.258,27R$ 88.015.659,64R$ 92,84%
A26 BATATA PALHA SANDELLA521.534,54R$ 88.537.194,18R$ 93,39%
A27 REFRESCO VELLY 1L451.528,62R$ 88.988.722,80R$ 93,87%
A28 TEMPERO COMP 300G SANDELLA443.278,46R$ 89.432.001,26R$ 94,34%
A29 CONDIMENTO SANDELLA424.747,79R$ 89.856.749,05R$ 94,78%
A30 MILLHO SANDELLA399.593,93R$ 90.256.342,98R$ 95,21%
A31 TEMPERO COMP 1KG SANDELLA375.837,40R$ 90.632.180,38R$ 95,60%
A32 SOPÃO SANDELLA 90G357.543,40R$ 90.989.723,78R$ 95,98%
A33 DONA RAIZ MISTURA PARA BOLO334.556,13R$ 91.324.279,91R$ 96,33%
A34 DONA RAIZ TAPIOCA326.506,49R$ 91.650.786,40R$ 96,68%
A35 DONA RAIZ ACUCAR315.872,32R$ 91.966.658,72R$ 97,01%
A36 AMENDOIM PPA303.918,62R$ 92.270.577,34R$ 97,33%
A37 MACARRÃO DE CORTE DONA RAIZ291.691,57R$ 92.562.268,91R$ 97,64%
A38 PIP P/ MICROONDAS SANDELLA271.429,19R$ 92.833.698,10R$ 97,92%
A39 AMENDOIM VELLY229.358,43R$ 93.063.056,53R$ 98,17%
A40 FAROFA PRONTA SANDELLA218.327,28R$ 93.281.383,81R$ 98,40%
A41 TRIGO PARA QUIBE PPA199.610,52R$ 93.480.994,33R$ 98,61%
A42 CONDIMENTOS SANDELLA POTE172.263,23R$ 93.653.257,56R$98,79%
A43 SOPAO YOLLE166.189,98R$ 93.819.447,54R$ 98,96%
A44 DONA RAIZ GRANOLA162.323,14R$ 93.981.770,68R$ 99,14%
A45 TEMPERO EM PÓ DONA RAÍZ140.164,15R$ 94.121.934,83R$ 99,28%
A46 INSTITUCIONAL136.014,70R$ 94.257.949,53R$ 99,43%
A47 FAROFA PRONTA VELLY135.279,64R$ 94.393.229,17R$ 99,57%
A48 CONDIMENTOS DONA RAIZ108.257,99R$ 94.501.487,16R$ 99,68%
A49 SUCO INTEGRAL DONA RAIZ95.834,80R$ 94.597.321,96R$ 99,78%
A50 SOPÃO VELLY90.135,49R$ 94.687.457,45R$ 99,88%
A51 DERIVADO DE MILHO VELLY63.197,08R$ 94.750.654,53R$ 99,95%
A52 DONA RAIZ COOKIE27.316,74R$ 94.777.971,27R$ 99,97%
A53 AMENDOIM SANDELLA 60G23.794,26R$ 94.801.765,53R$ 100,00%
SOMA94.801.765,53R$ 
ClasseCódigoValor (%)Qtd. Itens(%)
Classe AA1 á A1079,61%18,87%
Classe BA11 á A2714,26%32,08%
Classe CA28 á A536,13%49,06%