Baixe o app para aproveitar ainda mais
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.
Compartilhar