Capítulo 1- Grupo 1

Prévia do material em texto

PREVISÃO DE DEMANDA E GESTÃO DE ESTOQUE: UM ESTUDO SOBRE
VENDAS DE AUTOMÓVEIS E VEÍCULOS COMERCIAIS LEVES
Filipe Alves Guzzo Ferraz¹ , Hilquias Taveira Gomes², Lucas Ferreira Augustinho³, Luiz
Henrique Oliveira de Souza4 e Marcelo Candeias Rovetta5
1 Graduando em Engenharia de Produção na Universidade Federal do Espírito Santo. filipe.ferraz@edu.ufes.br
2 Graduando em Engenharia de Produção na Universidade Federal do Espírito Santo. hilquias.gomes@edu.ufes.br
3 Graduando em Engenharia de Produção na Universidade Federal do Espírito Santo. lucas.augustinho@edu.ufes.br
4 Graduando em Engenharia de Produção na Universidade Federal do Espírito Santo. luiz.h.souza@edu.ufes.br
5 Graduando em Engenharia de Produção na Universidade Federal do Espírito Santo. marcelo.rovetta@edu.ufes.br
Departamento de Engenharias e Tecnologia, Universidade Federal do Espírito Santo, São
Mateus, ES, Brasil
1. INTRODUÇÃO
O crescimento da competitividade entre as organizações em função da grande pressão
do mercado exigiu das empresas melhorias em todos os processos, independente do seu porte
(pequeno, médio ou grande). Em consequência, planejar a produção, tomando decisões cada
vez mais importantes, precisas e adequadas ao mercado, tornou-se elemento estratégico nas
organizações produtivas (ISOTON, 2022). Deste modo, o Planejamento e Controle da
Produção (PCP) é um setor de grande importância e que mais se desenvolveu em todo esse
contexto, promovendo segurança e qualidade nas tomadas de decisões a respeito do que,
quando, quanto, quem e como produzir (LUSTOSA et al., 2008).
Para Bonney (2000), a função Planejamento e Controle da Produção (PCP) e seus
sistemas associados tem o objetivo de planejar e controlar a produção de forma que a
empresa atinja os requisitos de produção do modo mais eficiente possível. A falta desse
planejamento impacta diretamente no processo produtivo e logístico, ocasionando retrabalho,
transtornos com atrasos em entregas e falta de estoque, dessa forma comprometendo a
credibilidade com clientes e fornecedores e ocasionando sobrecarga sobre os colaboradores.
Portanto, a fim de evitar problemas nas organizações é necessário entender os
princípios do PCP. Logo, podemos citar a importância da previsão de demanda no
Planejamento e Controle da Produção. Por isso, é imprescindível conhecer a previsão de
demanda e principalmente o método que está sendo aplicado para desenvolvimento da
mesma, pois o controle do processo se inicia pela previsão de demanda.
A previsão de demanda é uma metodologia da administração de empresas para
estimar um valor futuro de uma grandeza de interesse. Realizar previsões de demanda
significa reconhecer padrões de comportamento em séries históricas e predizer o
comportamento futuro ou, ainda, identificar fatores causais que afetam o comportamento e
extrapolá-lo (ACKERMANN e SELLITTO, 2022). Existem métodos de previsão de
demanda basicamente classificados em quantitativos e qualitativos (Arvan et al., 2019),
aplicados ao consumo e à produção de bens ou de serviços.
A previsão de demanda serve como ferramenta de apoio a gestão de estoque, que
representa um papel extremamente vital nas organizações, pois as consequências da falta
de administração do mesmo, em algumas corporações, podem significar mais do que
prejuízos financeiros relacionados ao capital de giro, podendo tanto afetar a saúde das
pessoas que trabalham na companhia, quanto os que consomem seus produtos. (SLACK et
al., 2018).
Segundo Betts et al. (2008), o estoque permite às organizações tirarem vantagens
das oportunidades em curto prazo. Além disso, um estoque baixo pode ocasionar elevados
custos de falta de produtos, e por outro lado, altos estoques podem acarretar custos
operacionais e afetar o capital de giro da empresa (GARCIA et al., 2006). Portanto, a
gestão de estoque é um controle que ajuda a empresa a melhorar seu rendimento fazendo
com que aumente mais a eficiência e diminua os seus custos através de um maior giro para
o capital investido em materiais.
No Brasil, o setor de vendas de automóveis novos vem buscando recuperar-se
desde que se instaurou a crise da Covid-19. Em comparação com 2019, o ano de 2020 teve
queda de 26,6% no faturamento de veículos comerciais e leves. Já o primeiro mês do ano
de 2021, teve uma queda de 30,17%, se comparado a dezembro de 2020 e, 11,7% se
comparado a janeiro de 2020 (FENABRAVE, 2021). Atualmente em 2022, as vendas de
automóveis e comerciais leves tiveram elevação nas vendas em setembro de 26,76% em
relação ao mesmo mês de 2021. Já na comparação com o mês anterior, agosto de 2022,
houve queda de 7,12%. (FENABRAVE, 2022)
De acordo com o Associação Nacional dos Fabricantes de Veículos Automotores
(Anfavea), até 2020 o setor automobilístico dispunha de 67 fábricas em 10 estados do
Brasil, sendo 38,08% dessas fábricas no estado de São Paulo. Esta grande concentração de
unidades na região se deve a fatos, como a boa infraestrutura e localização.
Na última década houve a inauguração de 16 novas fábricas de veículos
automotores no Brasil, sendo que oito delas correspondem a marcas que iniciaram a
produção no país (COSTA, 2021). Com a pandemia de Covid-19, por determinações
governamentais, no início do segundo trimestre de 2020 quase todas as fábricas fecharam
temporariamente. Medida esta que gerou uma grave crise e queda de 77% nos
emplacamentos de veículos novos, se comparado ao mesmo período do ano anterior
(ANFAVEA, 2020). Outro agravante que tem contribuído com a diminuição no volume de
faturamento de automóveis é a crise dos semicondutores na produção dos carros novos.
Com isso, diante dos problemas relacionados ao setor automobilístico no Brasil nos
últimos anos, este trabalho tem como objetivo a utilização dos métodos de Holt e
Holt-Winters aditivo e multiplicativo para o desenvolvimento de uma previsão de demanda
e gestão de estoque as vendas de automóveis e veículos comerciais leves.
2. REFERENCIAL TEÓRICO
2.1 Previsão de demanda
Narahari (2021) em seu trabalho apresenta que a previsão de demanda é um dos
principais problemas das cadeias de suprimentos quando se fala em otimizar estoques, reduzir
custos e aumentar vendas, lucro e fidelização de clientes. Para contornar este problema,
existem vários métodos, como análise de séries temporais e muitas abordagens de
aprendizagem para analisar e aprender interações e padrões de dados históricos. A previsão
de demanda, segundo Fernandes e Godinho (2010), tem um papel fundamental, não só no
planejamento e controle da produção, mas também para o planejamento estratégico da
produção, finanças e vendas de uma empresa, funcionando como um guia, dada tamanha
competitividade encontrada pelas empresas no mercado, assim o aprimoramento do processo
de previsão de demanda torna-se imprescindível, a fim de que as reais necessidades dos
clientes possam ser antecipadas e muitas das operações de manufatura e distribuição
concluídas antes que seus pedidos efetivos sejam recebidos. Com efeito, para assegurar que
as atividades produtivas possam transcorrer de maneira uniforme e, ao mesmo tempo, atender
às expectativas dos clientes, a indústria necessita estimar a demanda eficientemente. Desta
forma, uma previsão de demanda eficiente tem como principal característica o erro mínimo
na antecipação.
A previsão de demanda é colocada por Tubino (2017) em duas diferentes situações: no
planejamento do sistema de produção: onde se define os produtos e serviços oferecer ao
mercado, de que instalações e equipamentos dispor, em que nível de atividade trabalhar, que
qualificação da mão de obra buscar; e no planejamento do uso deste sistema de produção: o
qual são aplicadas previsões detalhadas de médio e curto prazo para o planejamento-mestre e
para a programação da produção, com o intuito de utilizar os recursos disponíveis,
envolvendo a definição de planos de produção e armazenagem, planos de compras e
reposição dos estoques, planos de cargasde mão de obra e sequenciamento da produção.
Slack et al. (2018) pontua que existem vários métodos para previsão, que podem ser
usados em quaisquer circunstâncias dependendo de alguns fatores como disponibilidade de
dados, tempo e recursos: há certos métodos, mais sofisticados, normalmente envolvendo
modelos matemáticos, que exigem, além de dados numéricos com certa abundância, também
a existência de profissionais com o conhecimento necessário para trabalhar com os modelos.
Também a existência de computadores, dependendo do número e da variedade dos produtos,
será altamente desejável; e Horizonte de previsão: há métodos que se mostram melhores para
previsões de longo prazo (vários anos no futuro), enquanto outros são rotineiramente
aplicados às previsões para períodos mais curtos, como meses, semanas ou mesmo dias.
2.2 Modelos estatísticos aplicados a séries temporais
As séries temporais (ou séries históricas) são conjuntos de medidas de uma mesma
grandeza, relativas a vários períodos consecutivos (DOWNING e CLARK 2012) . Ou seja, é
um conjunto de observações ordenadas no tempo, que podem ou não ter o mesmo intervalo
de tempo entre si, mas que apresentam dependência serial, isto é, dependência entre estes
instantes de tempo. Ao analisar dados de séries temporais, temos em geral dois objetivos:
descrever os padrões da série no passado e predizer valores futuros para determinada
grandeza. Quando analisamos uma série temporal, o principal objetivo é modelar o objeto em
questão e, partindo dessa modelagem, busca-se formas de descrever o comportamento da
série,estimá-la, e por fim, analisar as variáveis que influenciam o comportamento da série,
encontrando as relações de causa e efeito visualizadas na série. Para tanto, há um conjunto de
técnicas estatísticas disponíveis que dependem do modelo definido (ou estimado para a série),
bem como do tipo de série analisada e do objetivo do trabalho.
As séries temporais têm algumas características, segundo Hyndmann e Athanasopolus
(2013) as séries temporais possuem três padrões básicos: tendência, sazonalidade e ciclo. A
tendência ocorre quando em um determinado tempo observa-se crescimento ou diminuição
dos valores analisados. Podem existir casos em que a tendência mude de direção, por
exemplo, ir de uma tendência crescente para uma decrescente motivada por fatores que
podem ou não ser alvo do estudo. Já as séries que permanecem constantes ao longo do tempo
não possuem tendência, permanecendo sempre na mesma faixa de valores e mantendo o
desvio. A sazonalidade, por sua vez, ocorre quando a série sofre influência de fatores
sazonais, ou seja, que se repetem ao fim de um determinado período de tempo.
Diferentemente da sazonalidade, as variações cíclicas ocorrem em períodos não conhecidos,
as variações sazonais são movimentos cíclicos que se completam em um ano enquanto as
variações cíclicas são movimentos cíclicos que se completam em período superior a um ano.
Downing e Clark (2012) também consideram a existência de outra componente, a
componente irregular, sob a justificativa de que sempre haverá algum movimento ascendente
ou descendente que não pode ser explicado, seja pela tendência ou pelas variações cíclicas.
Essas variações irregulares ocorrem por acaso e contribuem para aumento ou queda de
valores da série, e a contribuição para o acontecimento pode ser, por exemplo, de sobretaxas
alfandegárias ocasionais e até guerras.
Slack et al. (2018) classifica os métodos de previsão por critérios variados, mas segundo
os autores, a classificação mais simples é aquela que leva em conta o tipo de abordagem
usado, ou seja, o tipo de instrumentos e conceitos que formam a base da previsão. Segundo
eles, os métodos podem ser qualitativos, quantitativos ou causais, seguindo as seguintes
definições: I) Qualitativos (ou baseados no julgamento): são métodos que seguem
basicamente o julgamento de pessoas que, de forma direta ou indireta, tenham condições de
opinar sobre a demanda futura, tais como gerentes, vendedores, clientes, fornecedores. Não
se apóiam em nenhum modelo específico, embora possam ser conduzidos de maneira
sistemática. São muito úteis, por exemplo, quando da ausência de dados (ou presença de
dados não confiáveis) ou do lançamento de novos produtos. II) Quantitativos (ou
Matemáticos): são aqueles que utilizam modelos matemáticos para chegar aos valores
previstos. Permitem controle do erro, mas exigem informações quantitativas preliminares. de
acordo com Slack et al. (2018), os métodos matemáticos subdividem-se em:
a) Métodos causais: a demanda de um item ou conjunto de itens é relacionada a uma ou
mais variáveis internas ou externas à empresa. Essas variáveis são chamadas de variáveis
causais. b) Séries temporais: a análise de séries temporais nada exige além do conhecimento
de valores passados da demanda (ou, de forma geral, da variável que se quer prever).
2.2.1 Método de Holt
A suavização exponencial é um método estatístico que parte de uma equação de médias
móveis, ponderadas exponencialmente, com o intuito de produzir ajustes nas variações
aleatórias dos dados de determinada série temporal, esses ajustes são possíveis com o uso de
pesos. Esse procedimento de suavização utiliza a ponderação de um peso distinto para cada
valor observado na série temporal, de modo que valores mais recentes recebam pesos
maiores.
De acordo com MORETIN e TOLOI (2018), o método de suavização exponencial
simples quando aplicado a uma série que apresenta tendência linear positiva ou negativa,
fornece previsões que subestimam (ou superestimam) continuamente os valores reais, assim
para evitar esse erro sistemático, foi desenvolvida a suavização exponencial dupla.
O método de suavização exponencial dupla, ou mais conhecido como método de Holt, é
em linhas gerais, uma ferramenta eficaz de previsão para dados por série temporal que
exibem uma tendência linear (ALVES et al. 2019). Desenvolvida por Holt, o método consiste
na ampliação da suavização exponencial simples para dados de séries temporais que
apresentam tendência linear, este método de previsão oferece refinamentos adicionais na
modelagem, à medida que introduz uma constante de suavização que afeta a tendência da
série segundo ALVES et al. (2019).
2.2.2 Método de Holt-Winters
Leenawong e Chaikajonwat (2022) em seu artigo explicam que as etapas de previsão do
método de Holt- winters são frutos da modificação do típico método de Holt para levar em
consideração fatores que influenciam os dados. Assim, entende-se que o método
Holt-Winters é uma expansão do método Holt, desenvolvida por Winter, para aplicar o
método em séries temporais que apresentassem tendência e sazonalidade. Segundo Veríssimo
et al. (2016), o método Holt-Winters é um dos métodos mais utilizados para previsão de curto
prazo da demanda, devido a sua simplicidade, baixo custo de operação, boa precisão e
capacidade de ajustamento automático e rápido a mudanças na série em análise. Lobo et al.
(2016) pontua que o método de previsão de Holt Winters é uma variante do amortecimento
exponencial, funcionando muito bem na prática, com aplicabilidade em previsões de curto
prazo de dados de séries temporais de vendas ou demandas. Holt Winters é um dos métodos
mais utilizados para previsão de demanda de curto prazo, devido a sua simplicidade, baixo
custo de operação, boa precisão, capacidade de ajustamento automático e rápido a mudanças
na série em análise (ALVES et al. 2019).
Segundo BARROS et al. (2017) existem dois diferentes métodos de análise por Holt-
Winters, tais métodos se diferenciam através do modo que a sazonalidade será modelada, ou
seja, a sazonalidade pode receber um tratamento aditivo ou multiplicativo. O modelo sazonal
multiplicativo possui uma variação da amplitude do ciclo sazonal proporcional ao nível da
série ao longo do período de tempo. O modelo sazonal aditivo, por sua vez, é utilizado na
modelagem de dados quando a amplitude da variação sazonalpermanece constante ao longo
dos períodos de tempo. Sombrio et al. (2010) em seu artigo analisam modelos de previsão
que tivessem baixa complexidade e que fossem adequados à série temporal oriunda da
empresa de automóveis. Após as análises dos autores, o modelo de suavização exponencial
foi o escolhido, e apresentou resultados satisfatórios, dando início à implementação da
previsão de demanda na empresa.
2.3 Avaliadores de desempenho
Segundo CORRÊA (2018), nenhum esforço de previsão terá sucesso se os erros não forem
apontados e analisados, com o objetivo de reavaliar as hipóteses, modificar o método de
previsão e ganhar o comprometimento com a melhoria do processo. Assim, quando se analisa
os erros de uma previsão, dois pontos devem ser observados, o primeiro deles é a magnitude,
ou seja, o tamanho do erro, seja ele para mais ou para menos. É importante salientar que
quanto menor esse intervalo de erro mais assertiva é a previsão modelada, a recíproca
também é verdadeira, um intervalo de erro maior caracteriza uma previsão menos condizente
com a realidade. O outro ponto importante é o grau de viés na previsão. Previsões viesadas
geram erros não distribuídos de forma simétrica e sistematicamente orientados para um dos
lados. Significa que a previsão é sistematicamente otimista ou sistematicamente pessimista
(CORRÊA ,2018).
Se tratando da magnitude do erro, para todos os métodos das médias (Média móvel
simples, Média móvel ponderada e Média móvel expnencial de primeira e segunda ordem),
inclusive após a aplicação de correções, como no caso da correção de tendência, as medidas
mais comuns de erro são o MAD (Desvio Absoluto Médio) e o MSE (Erro Médio
Quadrático) (MOREIRA, 2008), ambos são utilizados para medir a dispersão dos erros de
previsão atribuídos ao efeito tendencial, sazonal, cíclico ou aleatório. O Erro absoluto médio
(MAD) calcula o erro médio de previsão. O termo absoluto significa que apenas o valor do
desvio é importante e não se as vendas foram maiores ou menores (CORRÊA ,2018), assim,
o MAD fornece uma estimativa do erro típico de previsão, importante, por exemplo, para o
dimensionamento dos estoques de segurança. Entretanto, esse método não indica se as
previsões estão sistematicamente erradas para mais ou para menos.
O erro quadrático médio (MSE), tem como principal função calcular a média dos
quadrados do erro, ou seja, ele calcula a diferença quadrática média entre os valores
estimados e o valor verdadeiro, assim, dá mais peso aos resultados finais, pois possui uma
certa sensibilidade aos grandes erros por elevar as diferenças individuais ao quadrado
O erro percentual absoluto médio (MAPE) é a melhor medida de erro a ser utilizada
quando são feitas comparações entre séries temporais para diferentes unidades de
manutenção de estoque. Ele relaciona o erro da previsão ao nível de demanda e é útil para
colocar o desempenho da previsão na perspectiva adequada. O MAPE pode ser considerado
como a média de todos os erros absolutos percentuais.
Se tratando de grau de viés temos como critério a medida de viés da previsão (MVP) e o
sinal de percurso (SP). Moreira (2008), pontua que existe um erro de viés na previsão quando
esta se mantém constantemente acima (superestimativa) ou abaixo (subestimativa) do valor
real da demanda. A medida de viés da previsão (MVP) tem o papel de justamente captar esse
viés existente em uma série histórica. Por fim, o sinal de percurso é uma ferramenta que,
segundo Fernandes e Godinho (2010), trabalha fornecendo meios de saber se os desvios que
estão ocorrendo são desvios somente aleatórios ou possuem uma causa determinada.
2.4. Gestão de estoque
De acordo com Slack et al. (2018), estoque é o termo que usamos para descrever a
acumulação de materiais, clientes ou informações à medida que fluem através de processos
ou redes, de modo a atender uma demanda futura. Bento (2022) em seu estudo complementa
que os estoques assumem funções fundamentais no processo produtivo, pois eles podem ser
utilizados como precaução contra incertezas e flutuações da demanda e também como
reguladores da produção, evitando grandes oscilações das necessidades de produção; segundo
o autor, estoques de material em processo criam independência entre os estágios produtivos,
permitindo que cada estágio opere a uma taxa ótima. Desequilíbrios de estoques, excesso e
faltas de materiais representam falhas de controle de atividades transversais dentro das
organizações. Todo empreendimento comercial precisa de estoque em quantidade adequada
para processamento eficiente e manuseio em trânsito, visto que o próprio estoque é um ativo
ocioso e envolve custo de manutenção é sempre desejável que o investimento neste ativo seja
mantido no nível mínimo possível, tendo assim, uma boa e eficiente gestão. RAO (2014)
aborda a importância dessa gestão do estoque em seu trabalho onde avalia as práticas e
desempenhos na gestão de estoque na Indústria de Veículos Comerciais na Índia, analisando o
tamanho, composição, circulação e crescimento do estoque nas empresas selecionadas no
período estudado.
A gestão do estoque, portanto, é a atividade desempenhada de modo a gerir todas as
atividades e variáveis relacionadas aos, promovendo assim, a organização dos seus recursos,
em um determinado espaço de tempo. Assim, para se realizar o gerenciamento de estoques é
fundamental saber como se planejar, de modo que não haja estoque excessivo ou até mesmo
insuficiente e assim conseguir atender a demanda, usando de forma correta todos processos
internos da empresa e minimizando os custos dos mesmos.
2.4.1 Ferramentas de gestão do estoque
A eficiência de estoque é atingida quando se consegue obter o melhor nível de estoque, no
melhor tempo possível, utilizando a melhor acuracidade de estoque e consequentemente bom
gerenciamento de informações, sem haver desperdícios alocando da melhor maneira possível
os processos internos disponíveis buscando sempre a integração dos diversos setores algumas
ferramentas se tornam imprescindíveis. Para tal, existem algumas ferramentas que são
imprescindíveis se o que se pretende é alcançar a eficiência, são elas: curva ABC, estoque de
segurança ponto de pedido, inventário físico de estoque, ERP e just in time.
A curva ABC é um sistema desenvolvido para fins de priorização de itens relacionados à
produção, uma vez que dada a gama de materiais usualmente presente nos estoques da
empresa alguns itens serão mais importantes que outros. A curva ABC, segundo Slack (2018)
é direcionada pelo princípio de pareto, pois geralmente, uma proporção relativamente
pequena dos itens estocados representará grande proporção do valor total movimentado. Essa
ferramenta possibilita a viabilidade de um sistema total muito mais eficiente em termos de
custos.
Outra ferramenta importante para o entendimento da gestão de estoque é o estoque de
segurança. Tubino (2017) explica que dentro da função de administração de materiais, os
estoques de segurança, quando empregados, são projetados para absorver as variações na
demanda durante o tempo de ressuprimento, ou variações no próprio tempo de ressuprimento,
dado que é apenas durante este período que os estoques podem acabar e causar problemas ao
fluxo produtivo.
Uma vez estabelecido o estoque de segurança pode-se pensar em calcular o ponto de
ressuprimento, ou seja, quando será necessária a emissão de uma nova ordem de compra de
materiais à medida que o estoque se aproxima do valor mínimo- o estoque de segurança.
Segundo Corrêa (2018) a forma de determinação do momento do ressuprimento e a
quantidade a ser ressuprida são o que de fato diferencia os diversos sistemas de gestão de
estoques disponíveis.
O inventário físico de estoque consiste no processo de contagem física de todas as
materiais físicos que a empresa possua de modo que, após a contagem, seja feita uma
comparação entre a quantidade dos materiais existentes na empresa e a quantidade que está
cadastrada no sistemade controle de estoque utilizado. É neste momento de verificação que
podem ser encontradas diferenças entre o estoque real e o estoque do sistema interno da
empresa. Os sistemas internos usados para a homologação desses materiais é chamado de
Planejamento de Recursos Empresariais (ERP), o ERP funciona como um integrador de todos
os dados fornecidos por todas as áreas da empresa, consolidando todas as operações do
negócio em um simples ambiente computacional.
Por fim, o just in time chamado de produção enxuta, LISTL e NOTZON (2022) em seu
artigo, explicam que seu objetivo é diminuir os estoques e reduzir o desperdício de tempo e
material no processo de fabricação, aumentando assim a eficiência da produção e a qualidade
do produto.Esse sistema tem como pilares fundamentais a eficiência (eliminação de
desperdícios), a qualidade e a flexibilidade. A atuação do sistema just in time no atingimento
desses dois últimos objetivos dá-se de maneira integrada, ou seja, os objetivos são, também,
pressupostos para a implementação do sistema (SLACK, 2018). A perseguição destes
objetivos se dá, principalmente, por meio de um mecanismo de redução dos estoques, os
quais tendem a camuflar os problemas do processo produtivo. o just in time é considerado
como uma completa filosofia que inclui aspectos de administração de materiais, gestão da
qualidade, arranjo físico, projeto do produto, organização do trabalho e gestão de recursos
humanos, entre outros.
2.4.2 Métodos de Sequenciamento
Segundo Slack et al. (2018), a atividade de sequenciamento é caracterizada por tomadas de
decisão referentes à ordem de processamento dos produtos em questão, a fim de atender aos
pedidos demandados pelo mercado. Assim, algumas ordens de sequenciamento são mais
comuns, sendo elas: restrições físicas, prioridade ao consumidor, data prometida, LIFO
(último a entrar, primeiro a sair), FIFO (primeiro a entrar, primeiro a sair), operação mais
longa e operação mais curta. A primeira, por restrições físicas, como o próprio nome indica,
sequência os produtos de acordo com as restrições físicas dos produtos ou equipamentos de
produção, produzindo o mesmo produto até que se finalize e se tenha um setup no
equipamento ou troca de mão de obra entre outros. A segunda forma de sequenciamento diz
respeito à priorização de clientes considerados mais importantes ou que exijam um prazo
menor de produção. O sequenciamento por data prometida consiste na produção dos itens que
mais estão próximos da data de entrega, independente do cliente ou da restrição física do
produto.
O sequenciamento FIFO e LIFO aparecem na maioria das vezes juntos pois têm uma
relação análoga. FIFO significa primeiro a entrar primeiro a sair, assim o primeiro produto
que entra na ordem de produção é o produto que foi pedido primeiro, logo, ele é também o
primeiro a sair. O sequenciamento LIFO análogamente ao FIFO trabalha entregando primeiro
o último pedido que encontrado na lista de pedidos. Por último, os sequenciamentos por
operação mais curta e por operação mais longa funcionam exatamente como seus nomes
indicam; no sequenciamento por operação mais curta prioriza-se o produto que demanda
menos tempo para sua produção. No sequenciamento por operação mais longa o primeiro a
entrar na linha de produção é o produto que apresenta uma demanda maior de tempo para a
conclusão de sua produção.
REFERÊNCIAS BIBLIOGRÁFICAS
ACKERMANN, A. E. F., & SELLITTO, M. A. (2022) Métodos de previsão de
demanda: uma revisão da literatura. Innovar, 32 (85), 83-99.
ALVES, Custodio da Cunha; HOEPERS, Edgar; CORAZZA, Emerson Jose; et al. Aplicação
de métodos estatísticos com suavização exponencial dupla e tripla para previsão de
demanda na gestão de estoques. Revista Produção Online, v. 19, n. 3, p. 1001–1026, 2019.
Disponível em: <https://www.producaoonline.org.br/rpo/article/view/3539>. Acesso em: 29
set. 2022.
Arvan, M., Fahimnia, B., Reisi, M., & Siemsen, E. (2019). Integrating human
judgement into quantitative forecasting methods: A review . Omega, 86, 237-252.
ASSOCIAÇÃO NACIONAL DOS FABRICANTES DE VEÍCULOS AUTOMOTORES -
ANFAVEA. Anuário da Indústria Automobilística Brasileira 2020a. São Paulo, 2020.
ASSOCIAÇÃO NACIONAL DOS FABRICANTES DE VEÍCULOS AUTOMOTORES -
ANFAVEA.. Linha do Tempo. Disponível em:
http://www.anfavea.com.br/linha-do-tempo-13. Acesso em 15 Out. 2022
ASSOCIAÇÃO NACIONAL DOS FABRICANTES DE VEÍCULOS AUTOMOTORES -
ANFAVEA. Desempenho da Indústria Automobilística Brasileira. Indústria, Produto e
Consumidor: como foi a última década?. São Paulo,2020.
BARROS, A.C.; MATTOS, D.M.D.; OLIVEIRA, I.C.L.D.; AL., E. Análise de Séries
Temporais em R: Curso Introdutório. Rio de Janeiro: Editora Elsevier: Grupo GEN, 2017.
9788595154902. Disponível em:
https://integrada.minhabiblioteca.com.br/#/books/9788595154902/. Acesso em: 29 Sep 2022.
BENTO, Ailton. A importância da gestão de estoques: estudo de caso em uma indústria
automobilística. Ufsc.br, 2022. Disponível em:
<https://repositorio.ufsc.br/handle/123456789/91461>. Acesso em: 1 out. 2022.
BETTS, A. et al. Gerenciamento de Operações e de Processos: Princípios e Práticas de
Impacto Estratégico. Porto Alegre: Bookman, 2008.
BONNEY, M. Reflections on production planning and control (PPC). Revista Gestão &
Produção. Vol. 7, número 3, p.181-207, 2000.
CAROLINE, Amanda. Análise de séries temporais para previsão da evolução do número
de automóveis no Município de Joinville. Revista ESPACIOS | Vol. 37 (No 06) Año 2016.
Disponível em: <https://www.revistaespacios.com/a16v37n06/16370629.html>. Acesso em:
28 set. 2022.
Clark, Jeffrey, e Douglas Downing Estatística Aplicada - Série Essencial,3ª Edição. Editora
Saraiva, 2012.
CORRÊA, Henrique L.; GIANESI, Irineu Gustavo N.; CAON, Mauro. Planejamento,
Programação e Controle da Produção - MRP II / ERP, 6ª edição. Editora Atlas: Grupo
GEN, 2018. E-book. ISBN 9788597018554. Disponível em:
https://integrada.minhabiblioteca.com.br/#/books/9788597018554/. Acesso em: 29 set. 2022.
COSTA, Alexandra Mendonça. Desafios ambientais na indústria automobilística: uma
análise do sistema de gestão ambiental da produção automobilística e projeções para o
futuro do setor. 2021. Disponível em: https://repositorio.unesp.br/handle/11449/204979
Acesso em: 15 Out. 2022.
FERNANDES, F. C. F. & GODINHO, F. M. Planejamento e controle da produção: dos
fundamentos ao essencial, editora atlas. 2010.
GARCIA, E. S.; DOS REIS, L.M.TV.; MACHADO, L.R; FERREIRA FILHO, V.J.M.
Gestão de estoques: otimizando a logística e a cadeia de suprimentos. 1 ed. Rio de
Janeiro: E-Papers Serviços Editoriais, 2006.
HYNDMAN, R. J.; ATHANASOPOLUS, G. Forecasting: principles and practice. 2013.
Disponível em: <https://www.otexts.org/fpp/>. Acesso em: 15 fev. 2015.
ISOTON, Bruna Santin. Estudo sobre o uso de softwares pelo setor de planejamento e
controle da produção na região do Vale do Taquari. 2022.
LEENAWONG, Chartchai ; CHAIKAJONWAT, Thanrada. Event Forecasting for
Thailand’s Car Sales during the COVID-19 Pandemic. Data, v. 7, n. 7, p. 86, 2022.
Disponível em: <https://www.mdpi.com/2306-5729/7/7/86/htm>. Acesso em: 1 out. 2022.
LISTL, Andreas ; I. NOTZON. An Operational Application of System Dynamics in the
Automotive Industry: Inventory Management at BMW. Disponível em:
<https://www.semanticscholar.org/paper/An-Operational-Application-of-System-Dynamics-i
n-at-Listl-Notzon/aafab3f0eba212fa7fbc8ab3ab81e843ca5f5b78#paper-header>. Acesso em:
1 out. 2022.
LOBO, Felipe; DE SOUZA, Umbelino; SILVEIRA VIZZON, Janaina; et al. Anais do
XLVIII SBPO simpósio brasileiro de pesquisa operacional Aplicações de simulação de
monte carlo e bootstrap para previsão de vendas de automóveis no brasil. [s.l.: s.n., s.d.].
disponível em: <http://www.din.uem.br/~ademir/sbpo/sbpo2016/pdf/155763.pdf>. acesso
em: 28 set. 2022.
LUSTOSA, L. J. et al. Planejamento e controle da produção. Rio de Janeiro: Elsevier,
2008.
MOREIRA, Daniel A. Administração da Produção eOperações - 2ª Edição Revista e
Ampliada. São Paulo: Editora Cengage Learning Brasil, 2008. E-book. ISBN
9788522110193. Disponível em:
https://integrada.minhabiblioteca.com.br/#/books/9788522110193/. Acesso em: 29 set. 2022.
MORETTIN, Pedro A. Análise de Séries Temporais - 3ª Edição. São Paulo: Editora
Blucher, 2018. Disponível em:
https://integrada.minhabiblioteca.com.br/#/books/9788521213529/. Acesso em: 15 out. 2022.
NARAHARI N.S. A Comparative Study of Demand Forecasting Using Winters Model
and Neural Network for Automobile Sales during Lockdown in India – A Case Study.
International Journal of New Technology and Research, v. 7, n. 8, 2021. Disponível em:
<https://www.academia.edu/79107596/A_Comparative_Study_of_Demand_Forecasting_Usi
ng_Winters_Model_and_Neural_Network_for_Automobile_Sales_during_Lockdown_in_Ind
ia_A_Case_Study?auto=citations&from=cover_page>. Acesso em: 1 out. 2022.
RAO, Kasisomayajula, Srinivasa. An Analytical Study on Inventory Management in
Commercial Vehicle Industry in India. International Journal of Engineering Research, v. 3,
n. 6, p. 378–383, 2014. Disponível em:
<https://www.indianjournals.com/ijor.aspx?target=ijor:ijer&volume=3&issue=6&article=003
>. Acesso em: 2 out. 2022.
SLACK, N.; BRANDON-JONES, A.; JOHNSTON, R. Administração da Produção, 8ª
edição. São Paulo: Atlas, 2018. Disponível em:
https://integrada.minhabiblioteca.com.br/#/books/9788597015386/. Acesso em: 15 Oct 2022.
SOMBRIO, Hélade; SIMONE, Carla ; NEUMANN, Ruppenthal. Aplicação de método de
previsão de demanda em empresa automobilística. [s.l.: s.n., s.d.]. disponível em:
<http://ws2.din.uem.br/~ademir/sbpo/sbpo2010/pdf/72170.pdf>. acesso em: 28 set. 2022.
TUBINO, D. F. Planejamento e controle da produção: teoria e prática. 3. ed. São Paulo:
Atlas, 2017.
VERÍSSIMO, Andrey Jonas; ALVES, Custodio Da Cunha; HENNING, Elisa; et al.
MÉTODOS ESTATÍSTICOS DE SUAVIZAÇÃO EXPONENCIAL HOLT-WINTERS
PARA PREVISÃO DE DEMANDA EM UMA EMPRESA DO SETOR METAL
MECÂNICO. Revista Gestão Industrial, v. 8, n. 4, 2013. Disponível em:
<https://periodicos.utfpr.edu.br/revistagi/article/view/1378#:~:text=Os%20m%C3%A9todos
%20estat%C3%ADsticos%20de%20suaviza%C3%A7%C3%A3o,mudan%C3%A7as%20na
%20s%C3%A9rie%20temporal%20em>. Acesso em: 29 set. 2022.