Buscar

Previsão de Demanda em um Laticínio

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Você viu 3, do total de 12 páginas

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Você viu 6, do total de 12 páginas

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Você viu 9, do total de 12 páginas

Faça como milhares de estudantes: teste grátis o Passei Direto

Esse e outros conteúdos desbloqueados

16 milhões de materiais de várias disciplinas

Impressão de materiais

Agora você pode testar o

Passei Direto grátis

Prévia do material em texto

UNIVERSIDADE FEDERAL DE VIÇOSA
CURSO DE GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO
ENP 491 - TRABALHO DE CONCLUSÃO DE CURSO II
PREVISÃO DE DEMANDA EM UM LATICÍNIO
Aluno(s)
 Diego Pereira dos Reis - 312
Roberta Maria de Carvalho - 1902
	
RIO PARANAÍBA – MG
NOVEMBRO – 2013
Trabalho publicado nos anais do XX SIMPÓSIO DE ENGENHARIA DE PRODUÇÃO (SIMPEP), realizado de 04 a 06 de novembro de 2013, na cidade de Bauru – SP, e usado no âmbito da disciplina Trabalho de Conclusão de Curso II, como parte dos pré-requisitos para conclusão do curso de Engenharia de Produção desta Universidade.
Título: Previsão de Demanda em um Laticínio
Aluno (s): Diego Pereira dos Reis - 312
 Roberta Maria de Carvalho - 1902
Orientador: Helton Cristiano Gomes, UFV
PREVISÃO DE DEMANDA EM UM LATICÍNIO
RESUMO
A busca por ferramentas que tragam vantagens competitivas para as empresas, independente do seu ramo de atuação ou do seu porte, faz com que a previsão de demanda ganhe cada vez mais espaço dentro das organizações. Através da aplicação de métodos de previsão de demanda se pode obter maior sucesso no desenvolvimento do planejamento estratégico, conseguindo antecipar cenários futuros para melhor dimensionamento e alocação de recursos produtivos, reduzir custos e ao mesmo tempo aumentar o nível de serviço nas empresas. Outro fator que pode ser destacado, ainda, seria o fato de que o custo de implantação de tal conhecimento é relativamente baixo se comparado aos benefícios obtidos. O presente estudo foi realizado em um Laticínio de pequeno porte, localizado na Zona da Mata Mineira. O objetivo do trabalho foi selecionar um modelo para previsão de demanda do Laticínio, a fim de obter um melhor dimensionamento dos recursos produtivos para atendimento do mercado, concomitantemente à diminuição dos custos de produção e das perdas já que se trata de um produto perecível. Para tanto, foi realizado um estudo bibliográfico sobre os diversos modelos e, em seguida, análise do que melhor se adéqua aos objetivos do trabalho. 
Palavras-chaves: Previsão de demanda, planejamento e diminuição de perdas.
Abstract:
The search for tools that bring competitive advantages for companies, regardless of their field of expertise or of its size, makes the demand forecast gain more space within organizations. By applying methods of demand forecasting can achieve greater success in the development of strategic planning, managing anticipate future scenarios for better sizing and allocation of productive resources, and reduce costs while increasing the level of service in business. Another factor that may also be pointed out, is the fact that the cost of implementing such knowledge is relatively low compared to the benefits obtained. This study was conducted in a small Dairy, located in the Zona da Mata of Minas Gerais. The objective was to select a model for forecasting demand Dairy, so that to get a better scaling of productive resources to serve the market, the concomitantly the decrease of production costs and losses, since it is a perishable product. Therefore, we conducted a bibliographic study on the various models and then analyze what best fits the goals of the work.
Introdução
Atualmente a luta pela sobrevivência no mercado faz com que as empresas busquem constantemente vantagens competitivas, seja pela busca de eficiência em seu processo, satisfação dos clientes ou pela qualidade de seus produtos.
Neste contexto, um fator diferencial que está sendo cada vez mais utilizado por empresas de todos os portes é a previsão de demanda, que está diretamente relacionada à capacidade de prever mudanças no cenário produtivo auxiliando no processo de tomada de decisão gerencial. Para Veríssimo (2012), o planejamento e o direcionamento estratégico das empresas dependem da identificação e da previsão correta das mudanças emergentes no ambiente de negócios.
Segundo Tubino (2009), as previsões têm uma função muito importante nos processos de planejamento dos sistemas de produção, pois permitem que os administradores destes sistemas antevejam o futuro e planejem adequadamente suas ações.
A previsão de demanda é a base para o planejamento estratégico da produção de qualquer empresa, já que permite à empresa planejar seu estoque, alocar e dimensionar recursos produtivos com o objetivo de reduzir custos em seu processo. 
A empresa em análise neste artigo é o Laticínios Minas Colonial, cujas atividades tiveram início em 1992, na cidade de Viçosa, Minas Gerias. Inicialmente, a principal atividade do laticínio era a de pasteurização do leite, mas devido ao crescimento da demanda, houve ampliação da empresa e diversificação de seus produtos, passando a fabricar: mussarela, queijos, iogurte, bebida láctea, leite, manteiga e requeijão.
Portanto, o trabalho tem por objetivo a identificação de um método quantitativo de previsão de demanda que possibilite de forma eficaz atender sua demanda e reduzir o estoque do laticínio, consequentemente diminuir o desperdício/reprocesso, uma vez que se trata de um produto perecível.
 REVISÃO BIBLIOGRAFICA
 Previsão da demanda
Segundo Melo (2010), os objetivos do processo de gestão da demanda consistem em determinar a previsão de vendas, sincronizá-la com a capacidade produtiva da empresa e da cadeia, incorporar a estratégia da organização e mapear as necessidades dos clientes.
A gestão da demanda é embasada em previsões e considerada uma variável muito importante dentro do sistema de produção, pois, todas as decisões de estoque estão baseadas na previsão da demanda futura. 
A previsão de demanda ajuda a empresa antecipar cenários futuros e possíveis problemas que poderão surgir e assim desenvolver estratégias para reagir aos mesmos.
Para Ballou (2001), os padrões da demanda são resultados da variação da demanda com o tempo, ou seja, do crescimento ou declínio de taxas de demandas sazonais e flutuações gerais causados por diversos fatores.
As técnicas de previsão de demanda dividem-se em dois grupos: métodos quantitativos e métodos qualitativos. Os métodos qualitativos também podem ser chamados de subjetivos, são aqueles difíceis de expressar numericamente e que dependem de um conhecimento prévio do especialista para tentar prever o futuro. Um exemplo deste método é o Delphi.
Segundo Tubino (2009), as técnicas qualitativas estão baseadas na opinião e no julgamento de pessoas-chave, especialistas nos produtos ou nos mercados onde atuam estes produtos. Podem ser consultados os executivos das principais áreas da empresa, principalmente da área comercial, vendedores que tratam diretamente com os clientes, e os próprios clientes.
Por outro lado, as técnicas quantitativas compreendem a análise numérica de dados passados, sem que haja opiniões pessoais. Tubino (2009) diz que as técnicas quantitativas consistem em analisar os dados passados objetivamente empregando-se modelos matemáticos para projetar a demanda futura. Esses métodos podem ser classificados em métodos de série temporais e métodos causais.
Séries Temporais (métodos de projeção): assumem que o futuro será uma reprodução do passado. Os modelos presumem que os dados históricos da demanda se ajustam a uma função matemática, utilizada para projeção das demandas futuras, sendo exemplo desse a média móvel, suavização exponencial, autocorrelação. 
Segundo (Zanini, 2000) série temporal é um conjunto de observações de uma dada variável, indexadas no tempo, geralmente em intervalos equidistantes. Se Zt representa o valor de uma variável aleatória no instante t, entende-se como série temporal Z1, Z2 .... Zn onde N é o numero de observações seriais da variável. As classificações das séries temporais podem ser estocásticas, discretas ou contínuas.
Causais (modelos de regressão): baseiam-se na premissa de que as mesmas leis de dependência entre variáveis explicativas e a demanda permanecerá no futuro. Buscaestabelecer uma função matemática, correlacionando a demanda com uma série de variáveis independentes, e utilizam esta função para gerar novas previsões, como no caso da regressão simples e múltipla e modelos econométricos.
Para a escolha do método deve se levar em consideração os padrões de demanda regular ou irregular.
 FIGURA 1: Padrões de demanda (Fonte: Ballou, 2001)
2.2. CLASSIFICAÇÃO ABC
A classificação ABC ou Lei de Pareto é uma ferramenta extremamente simples e eficiente, porém poucas empresas usufruem dela. Essa ferramenta permite as empresas visualizar, as peças e itens que compõem seus produtos que não tem o mesmo grau de importância, sendo alguns itens de baixo valor agregado enquanto outros de alto valor agregado. Essa visualização é importante para que produtos diferentes não sejam tratados da mesma forma. 
Para Pellegrini a classificação ABC, determina a importância do produto, relacionando demanda e seu faturamento. É uma forma de diferenciar os tipos de produtos de acordo com a sua movimentação de valor. Os que possuem alta movimentação demandam controle cuidadoso, já os que têm baixa movimentação de valor, não demandam tanto controle. 
De acordo com Slack et. al. (2009), os itens de uma empresa podem ser classificados em A, B ou C de acordo com o seguinte critério:
− Itens classe A são aqueles 20% de itens de alto valor que representam cerca de 80% do valor total;
− Itens classe B são aqueles de valor médio, usualmente os seguintes 30% dos itens que representam cerca de 10% do valor total;
− Itens classe C são aqueles itens de baixo valor que, apesar de compreender cerca de 50% do total de tipos de itens, provavelmente só representam cerca de 10% do valor total de produtos.
ERROS DE PREVISÃO
Para decidir qual modelo de previsão deve ser utilizado e qual a qualidade deste modelo, é importante analisar os erros de previsão. Conforme Abraham e Ledolter (1983) a acurácia é o fator mais importante na avaliação da previsão, por isto é necessário utilizar alguma medida de acuracidade, entre elas as mais conhecidas tem-se o MAPE (Erro Percentual Absoluto Médio) e o MAD (Desvio Absoluto Médio).
2.3.1. Erro Absoluto Percentual Médio - MAPE
O MAPE fornece a medida de erro em valores percentuais. É útil para comparar a qualidade de previsão para demandas com tamanhos diferentes.
MAPE = (1)
2.3.2. Desvio Absoluto Médio – MAD
O MAD é simplesmente a média do erro absoluto dos dados.
MAD = ( (2)
Tracking Signal - TS
Corrêa et al. (2001) ainda indica para o controle dos erros de previsão a utilização do Tracking Signal. O TS permite verificar se o modelo previsão está tendencioso, pois devem se distribuir em torno do zero, não ultrapassando o intervalo de ±3 ou ±4.
 (3)
MATERIAL E METODOS
Para o trabalho, foi realizado um estudo bibliográfico sobre os principais métodos de previsão de demanda, visando obter o melhor modelo de previsão para o caso em estudo. Desta forma, amenizam-se os problemas relativos a previsões errôneas, as quais expõem o sistema produtivo a riscos de formação de estoques e conseqüentes perdas, ou à escassez de produtos, o que causa impactos negativos na receita da empresa e na satisfação dos clientes.
A metodologia seguiu os passos descritos a seguir, conforme figura 2:
 FIGURA 2: Passos de previsão de demanda
Na primeira etapa realizou-se a coleta de dados, tendo como base o relatório de vendas da empresa, onde foram analisadas as vendas e as receitas obtidas com cada produto da empresa.
A etapa seguinte à análise consistiu-se na classificação ABC dos itens de acordo com sua importância. Os itens classe A são os mais importantes, portanto passaram a receber maior atenção, tendo sido priorizados neste estudo. Para tanto, com os dados foi extraído o fator Mix de produtos relativos à família dos queijos. Para que pudesse ser identificado o produto classe A que gera maior impacto na receita anual, foi feito um Gráfico de Pareto (Curva ABC) para todos os tipos de queijos pertencentes a esta família, e desta identificou-se qual deles provoca maior impacto na receita da empresa, tendo como resultado o queijo mussarela, responsável por 95% do total.
De posse da classificação ABC, passou-se à próxima etapa, que consistiu na análise dos dados para retiradas dos outliers e a definição do modelo de previsão de demanda do produto classificado como classe A. A previsão da demanda foi realizada a partir de modelos de séries temporais que melhor se ajustaram aos dados coletados. Depois de calculado, fez-se a análise dos dados para identificar qual obteve maior grau de explicação da variabilidade da série histórica, a fim de adotá-lo como modelo viável para ser aplicado no Laticínios Minas Colonial.
Em seguida, houve a análise do MAPE e MAD para identificação da previsão que resultou em menor erro.
Resultados E DISCUSSÕES
A série temporal foi analisada de acordo com a série histórica de dados reais, do Laticínio Minas Colonial, relativos ao período de janeiro de 2010 a dezembro de 2012, totalizando 36 dados, não sendo consideradas as vendas que deixaram de ser feitas por falta do produto. É importante ressaltar que, devido ao fato de a empresa não ter autorizado a divulgação, esses dados não serão aqui apresentados, fazendo com que a análise seja focada no desempenho de cada método através da investigação de suas estatísticas.
Para estabelecer as previsões de demanda houve a utilização de planilhas eletrônicas no Minitab com o objetivo de selecionar o método de previsão de suavização mais apropriado, ou seja, o método capaz de prever acontecimentos futuros, tendo como propósito a redução do risco na tomada de decisão.
Para tanto, a modelagem para a previsão de demanda é apresentada apenas para os métodos de previsão de Holt-Winters Sazonal Multiplicativo e o Aditivo, escolhidos conforme análise das séries, uma vez que os dados apresentaram além de tendência, a sazonalidade.
Sendo assim, partiu-se para uma investigação dessa série através dos dois métodos citados anteriormente para comprovar qual deles melhor se adéqua aos dados, conseguindo uma previsão mais explicativa e acurada, através da análise do menor MAD (Desvio Absoluto Médio) e MAPE (Erro Absoluto Médio Percentual), os quais ajudam na avaliação da precisão de demanda. Além dessas medidas, usou-se o TS (Tracking Signal), para avaliar se o modelo atendeu de maneira satisfatória as necessidades da empresa.
 APLICAÇÃO DO MODELO SAZONAL HOLT-WINTERS
Quando os dados de séries temporais não apresentam tendência ou sazonalidade, os métodos exponenciais simples ou por médias móveis podem ser utilizados em previsão. Na presença de tendência, o método de Holt é o mais indicado. Entretanto, apresenta sazonalidade no comportamento da série temporal, inviabiliza a utilização dos métodos mais simples. Tendo que ser usado o método Holt-Winters que é uma extensão do método Holt. 
De acordo com Pellegrini & Flogiatto (2000), os modelos de Holt-Winters (HW) descrevem apropriadamente dados de demanda em que verifica-se a ocorrência de tendência linear, além de uma componente de sazonalidade.
Pelas análises preliminares feitas sobre os dados, os mesmos revelaram apresentaram as componentes de tendência e de sazonalidade, tornando-se apropriado a utilização do método de Holt-Winters para efetuar as previsões. 
O método de Holt-Winters é baseado em três equações alisadoras. Uma para o nível, outra para tendência e outra para sazonalidade. A sazonalidade pode ter efeito multiplicativo ou aditivo. As equações básicas para ambos os tipos de modelo estão descritas na tabela 1 a seguir:
TABELA 1 - Equações comparativas dos modelos de Holt-Winters multiplicativo e aditivo.
	
	Holt-Winters Multiplicativo
	Holt-Winters Aditivo
	
Nível
	
(4)
	
(8)
	
Tendência
	
(5)
	
(9)
	
Sazonalidade
	
(6)
	
(10)
	
Previsão
	
(7)
	
(11)
	Onde: 
s - comprimento da sazonalidade 
Lt - nível da série 
bt - tendência 
St - componente sazonalFt+m - previsão para o período m adiante 
Yt - valor observado 
α, β e γ - parâmetros exponenciais alisadores, do nível, da tendência e da sazonalidade, respectivamente. 
APLICAÇÃO DO MODELO SAZONAL HOLT-WINTERS MULTIPLICATIVO
De acordo com Veríssimo et. al. (2012), o método de Holt-Winters para efeitos sazonais multiplicativos é utilizado na modelagem de dados onde a amplitude do ciclo sazonal varia proporcionalmente ao nível da série com o passar do tempo. 
	Com o objetivo de verificar o comportamento do modelo em relação a serie de dados foi obtidas as estatísticas de erro MAPE e MAD para o método de previsão Holt-Winters multiplicativo, os quais apresentaram valores aceitáveis, fazendo com que o modelo se tornasse atraente para a empresa. 
Segundo as estatísticas, o modelo apresentou um erro médio absoluto (MAD) de 281,67 quilos, o que equivale a um erro percentual de 3,20% (MAPE).
4.3. APLICAÇÃO DO MODELO SAZONAL HOLT-WINTERS ADITIVO
Já para o método aditivo Veríssimo et. al. (2012), afirma que, o método de Holt-Winters para efeitos sazonais aditivos é utilizado na modelagem de dados onde a amplitude do ciclo sazonal independe do nível local da série, ou seja, permanece constante com o passar do tempo.
Para esse método, a estatística do modelo apresentou um erro médio absoluto (MAD) de 1.317,604 quilos, o que equivale a um erro percentual de 15,59% (MAPE).
COMPARAÇÃO DOS MODELOS
A tabela 2 abaixo mostra as estatísticas retornadas pelo software, para os dois métodos de previsão, sendo as seguintes:
TABELA 2: Estatísticas dos métodos de previsão
Analisando as estatísticas acima, percebe-se que o modelo de Holt-Winters Multiplicativo apresentou melhor desempenho, se comparado os erros de ambos os métodos, se ajustando melhor à realidade da empresa, em detrimento o método aditivo, conforme observado no gráfico 2 abaixo:
GRÁFICO 2: Demanda real x Previsões
	Outro fator que mostra que os erros de previsão estão dentro do esperado, é o fato de o Tracking Signal, se encontrar próximo a zero, conforme o gráfico 1 abaixo:
GRAFICO 1: TS1 – método multiplicativo e TS2 – método aditivo
Conclusão
A tarefa de fazer previsão é complexa, e transcende a aplicação dos diversos modelos existentes, sendo seus resultados de grande relevância para os negócios de qualquer empresa. É necessário que se compreenda o comportamento da série de dados e busque através de análises e estudos bibliográficos a melhoria do modelo. Assim, é possível alcançar uma previsão que demonstre um comportamento mais próximo da realidade, auxiliando positivamente a tomada de decisões e aumentando a credibilidade do modelo.
Deste modo, o trabalho teve como objetivo analisar e propor um método de previsão de demanda que melhor atenda as necessidades do Laticínio, antecipando sua demanda, evitando perdas e reprocesso, uma vez que o mesmo possui características particulares nos ciclos anuais de produção, tendo em vista que se trata de um produto perecível. 
Para a série de dados obtida no Laticínios Minas Colonial, o modelo que mais se adequou, foi o modelo de Holt-Winters Multiplicativo, conseguindo um maior grau de explicação e previsões mais acuradas, como comparado acima. Esse resultado já era esperado, uma vez que o modelo aditivo possui um amortecimento de sazonalidade linear, o que não era apresentado na série de dados estudada. 
Do estudo pode se concluir ainda que:
- o modelo de previsão precisa ser avaliado e melhorado continuamente através de métodos que contribuam para identificar erros. Com isso, os resultados do modelo podem ser ajustados, tornando-se adaptáveis as mudanças que vão ocorrendo na empresa e no mercado.
- a análise do erro dos dados é importante para identificar anormalidades no modelo, possibilitando assim tornar o modelo de previsão mais eficaz. 
REFERENCIAS BIBLIOGRÁFICAS
ABRAHAM, B & LEDOLTER, J.. Statistical Methods for Forecasting. New York: John Wiley & Sons, 1983.
BALLOU, Ronald H. Gerenciamento da cadeia de suprimento. 4.ed. São Paulo: Bookman, 2001.
BALLOU, Ronald H. Logística Empresarial. São Paulo: Atlas, 1995.
Corrêa, Henrique L; Gianesi, Irineu G. N; Caon, Mauro. Planejamento, Programação e Controle da Produção. 4 ed. São Paulo: Atlas, 2001.
MELO, Daniela Castro; ALCANTÂNTARA, Rosane Lucia S. A Gestão da Demanda na Cadeia de Suprimentos da Indústria de Laticínios: uma análise dos problemas e abordagens para melhoria. In: XXX Anais do ENEGEP. São Paulo: 2010. Disponível em: http://www.abepro.org.br/biblioteca/enegep2010_TN_STO_113_741_15137.pdf. (Acesso Realizado em 25/03/2012).
PELLEGRINI, F. R. Metodologia para implementação de sistemas de previsão de demanda. Porto Alegre, 2000. 146 f. Dissertação (Mestrado em Engenharia de Produção) – Escola de Engenharia, Universidade Federal do Rio Grande do Sul.
PELLEGRINI, F.R. & FOGLIATTO, F.. Estudo comparativo entre modelos de Winters e de BoxJenkins para a previsão de demanda sazonal. Revista Produto & Produção. Vol. 4, número especial, p.72-85, 2000.
Slack, Nigel; et. al.. Administração da Produção. 3 ed. SP: Atlas, 2009.
VERÍSSIMO, A. J.; ALVES, C. C.; HENNING, E.; AMARAL, C. E. A. & CRUZ, A. C.. Métodos Estatísticos de Suavização Exponencial Holt-Winters para previsão de demanda em uma empresa do setor metal mecânico. Revista Gestão Industrial, 2013. 
ZANINI, A.. Redes neurais e regressão dinâmica: um modelo híbrido para previsão de curto prazo da demanda de gasolina automotiva no Brasil. Dissertação de Mestrado. PUC-RJ, 2000.

Outros materiais