Séries temporais para previsão de demanda: estudo de caso em um açougue

Prévia do material em texto

Séries temporais para previsão de demanda: estudo de caso em um açougue 
Gabriela Gonzaga Marcelo (gabrigonzaga@hotmail.com)
Orientador: Alexandre Fonseca Torres
Resumo: No mercado competitivo atual, as empresas necessitam de planejamento para um bom gerenciamento da produção e alcance de objetivos. A previsão de demanda é fundamental para o planejamento, sendo importante saber o quanto a empresa pretende vender de seus produtos futuramente. Este estudo objetivou comparar métodos de previsão de demanda com base em séries temporais. A metodologia consistiu na coleta de dados e no uso de métodos quantitativos para previsão de demanda de carnes em um açougue de um supermercado de pequeno porte. Tais métodos incluíram média móvel, média móvel ponderada, média móvel com suavização exponencial simples e regressão linear. Os melhores resultados foram obtidos quando utilizado o método de média móvel com suavização exponencial simples considerando-se os três últimos períodos. Por fim, a empresa poderá contar com um modelo alternativo de previsão de demanda. Porém, é de grande importância manter os dados sempre atualizados.
Palavras-chave: Previsão; Demanda; Planejamento; Séries temporais.
1. Introdução
Atualmente, as empresas encontram dificuldades em gerenciar seu negócio sem uma visão amplificada, conhecimento de marketing, gestão de pessoas, análise da concorrência, entre outras informações. Diante deste cenário, é indispensável a realização de pesquisas que possibilitem aos gestores o aprimoramento de seus resultados perante o cenário econômico do país.
Com o aumento da competitividade do mercado, a previsão de demanda tornou-se importante e fundamental no gerenciamento da produção, para prever demandas futuras, gerenciar estoques, programar a produção de forma eficiente, identificando novas oportunidades de negócios (SANDERS e MANRODT, 2003). Silva et al. (2016) comentam que a introdução de um sistema de previsão de demanda auxilia na tomada de decisão e auxilia na otimização do gerenciamento da empresa.
A previsão de demanda para produtos de alimentação básica apresentam mais fatores que nem sempre estão ao alcance da empresa. Portanto, é fundamental que a empresa conheça os elementos que possam influenciar no comportamento da demanda. Dessa forma, a empresa pode se organizar melhor em relação aos cenários otimistas e pessimistas, melhorando o seu planejamento estratégico e se prevenindo de possíveis imprevistos diante ao mercado atual (PEINADO e GRAEML, 2007).
O setor supermercadista é altamente competitivo e está em constante crescimento, sendo um dos setores que mais geram empregos mesmo em épocas de crise. O açougue, particularmente, caracteriza-se pelo seu alto faturamento e grandes perdas devido à perecibilidade de seus produtos (RIZZO, 2012). Assim sendo, trata-se de um setor relevante para a pesquisa.
Neste contexto, este estudo tem o propósito de comparar métodos clássicos de previsão de demanda com base em séries temporais, e avaliar qual método obtém o melhor desempenho. Os dados utilizados são referentes a vendas do setor de açougue de um supermercado localizado na região Sul de Minas Gerais. 
2. Referencial Teórico
2.1 Métodos de previsão
Previsões de demanda desempenham um papel importante em diversas áreas da empresa, auxiliando no planejamento de recursos, promoções de vendas e força de trabalho. Portanto, previsões são essenciais na operacionalização de vários aspectos no gerenciamento da produção, como planejamento e desenvolvimento da produção, gestão de estoques e tomadas de decisão (PELLEGRINI e FOGLIATTO, 2001). 
Mancuzo (2003) enfatiza que a previsão de demanda é a base fundamental para todo planejamento, sendo importante saber o quanto a empresa pretende vender de seus produtos ou serviços futuramente. Essa expectativa é o ponto de partida para praticamente todas as decisões, uma vez que as vendas podem depender de fatores como aumento da população, economia mundial, movimentação de mercados, etc. 
Previsões de demanda são realizadas por meio de métodos quantitativos, qualitativos ou por meio de uma junção dos dois métodos. De acordo com Erdmann (2000), a combinação entre os métodos quantitativos e qualitativos representa uma melhor avaliação do mercado potencial. A junção entre os métodos de pesquisa permite uma compreensão melhor dos resultados, permitindo uma melhor avaliação, cobrindo possíveis pontos cegos que um único método pode não identificar, tornando a previsão de demanda mais eficiente.
As técnicas do método qualitativo estão baseadas na concepção e no julgamento de pessoas chave, experientes nos produtos ou mercado destes produtos (TUBINO, 2009). Já o método quantitativo utiliza relações matemáticas que envolvem erros. Ambos os métodos são aproximações, dessa forma é difícil obter valores exatos para demanda, devido às inúmeras variáveis que sofrem mudanças constantemente (JESUS, SILVA e GIRADE, 2016). 
Este trabalho optou por focar em modelos quantitativos apenas, pois para a aplicação de métodos qualitativos, haveria a necessidade de contatar pessoas experientes neste mercado. Como no decorrer do trabalho não foi possível tal contato, decidiu-se por aplicar apenas métodos quantitativos. 
2.2 Séries Temporais
Uma série temporal é uma parte de uma trajetória, dentre outras que poderiam ser observadas em um período específico, por meio de coletas regulares, como por exemplo, vendas mensais em um supermercado, índice de mortalidade, temperatura média mensal, consumo de água e energia, entre outros (MORETTIN E TOLOI, 2006). As previsões de demanda a partir da série temporal têm o objetivo de construir modelos matemáticos que possam prever valores futuros da série (BATISTA, 2009).
Morettin e Toloi (2006) citam também que a série temporal pode ser analisada por frequências ou por meio do tempo, sendo os modelos propostos, paramétricos e não-paramétricos, respectivamente. Tais modelos são processos estocásticos, ou seja, processos controlados por leis probabilísticas.
Batista (2009), comenta que existem duas formas de estudar séries temporais, por meio de análise e de previsão. A análise da série temporal é utilizada para tentar entender a série temporal, para que dessa forma se possa identificar ciclos e tendência, e seja capaz de entender a estrutura que gerou a série.
 De acordo com Morettin e Toloi (2006), o objetivo da análise de séries temporais é construir modelos para a série, com o propósito de descrever apenas o comportamento da série e investigar o mecanismo que gerou a série temporal, fazendo previsões dos valores futuros e procurar periodicidades expressivas nos dados. A seguir, são apresentadas algumas técnicas quantitativas de previsão de demanda por meio de séries temporais.
2.2.1 Média Móvel Simples
A média móvel simples (MMS) utiliza dados de um número de períodos predeterminado, por meio de uma média aritmética. A MMS utiliza sempre as n últimas observações, isto é, os n dados históricos mais recentes e substitui observações mais antigas pelas mais recentes. A média móvel pode ser obtida pela Equação (1):
	
	(1)
Sendo que: 
MMn = Média Móvel de n períodos; 
Di = demanda ocorrida no período i;
n = é o número de períodos; 
i = o índice do período.
O método da média móvel tem a vantagem de cálculos simples e fácil entendimento, entretanto ele possui limitações se houver necessidade de armazenar uma grande quantidade de dados, como um número muito grande de períodos (TUBINO, 2009).
2.2.2 Média Móvel Ponderada
Peinado e Graeml (2007), o modelo da média móvel ponderada é semelhante á média móvel simples, considerando que só deve ser aplicado para demandas que não apresentam tendência nem sazonalidade, diferenciando-se apenas que levam em consideração os últimos meses com maior peso que os mais antigos de forma gradativa, sendo assim os últimos mais importantes. Este método é calculado a partir da Equação (2):
	P(t+1) = α D(t) + (1-α) P(t)
	(2)
Sendo que:
P = previsão para o próximo período;
 P1, P2, ...,Pn = ponderação dada para cada período; 
C1, C2, ..., Cn = consumo real de cada período anterior.
2.2.3 Média Móvel com Suavização Exponencial Simples
O Método de Suavização Exponencial é muito conhecido por ser um método de implementação simples, preciso e de fácil ajuste nas informações, exige uma pequena quantidade de dados e se adapta facilmente às mudanças na série de dados (NOVAES, et al., 2008; SANTOS et al., 2015). 
Novaes et al. (2008) dizem que, quando são gerados constantes de suavização com valores baixos, os resultados tendem ao valor médio da série, e constantes de suavização altas produzem variabilidades maiores dos resultados. Assim sendo, quando a constante é igual à zero, o modelo assemelha-se ao Modelo de Média Móvel Simples. A previsão da demanda é calculada através da Equação (3): 
	P(t+1) = α D(t) + (1-α) P(t)
	(3)
Sendo que: 
t = instante de tempo atual; 
P(t+1) = previsão para o instante seguinte de t; 
P(t) = previsão para o instante atual t; 
D(t) = demanda no instante t; 
α = Constante de Suavização Exponencial. 
Este método atribui pesos diferentes a cada observação, com maior peso para as observações mais recentes, portanto, a constante de suavização exponencial deve ser selecionada de forma adequada já que, quanto maior a constante, maior será o peso atribuído às últimas observações (NOVAES et al., 2008).
2.2.3 Método de Regressão Linear
 Esse método consiste em encontrar o valor da reta através da Equação (4).
	Y= α + bX
	(4)
Sendo que: 
Y = a previsão da demanda no período; 
α = a ordenada à origem; 
b = o coeficiente angular 
X = o período de previsão. 
Utilizando os dados históricos da demanda, que devem ser recolhidos constantemente para minimizar lacunas entre um período e outro, b e a podem ser obtidos por meio das Equações (5) e (6):
	
	(5)
	
	(6)
Para verificação do nível de ajustamento da reta aos dados, utiliza-se a Equação (7), onde o coeficiente de correlação r, deve variar entre +1 e -1. Quando o coeficiente de correlação é positivo indica uma reta ascendente, e quando negativo, descendente (MARTINS e LAUGENI, 2014).
	
	(7)
Martins e Laugeni (2014) citam ainda que, para que se obtenha um bom valor de correlação, é necessário que o valor mínimo r seja de 0,7 em valor absoluto.
2.3 Erros de previsão
Os métodos para previsão envolvem monitorar o erro, com intuito de ajustar a técnica de previsão utilizada; previsões de demandas demonstram-se adequadas quando os erros de previsão com sinais contrários são compensados (NOVAES et al., 2008). As previsões nunca são precisas, portanto, sempre haverá um erro que deve ser medido, explicitado e avaliado (PEINADO e GRAEML, 2007). Logo, após a análise dos modelos de previsão, é essencial investigar seus erros de previsão, para que facilite a escolha do modelo que condiz com a realidade da empresa.
 É importante saber a precisão da previsão, para que se possa saber o quão perto as estimativas chegam dos dados reais (COUTO et al., 2016). Quando as previsões chegam muito perto dos dados reais, significa que os erros são de alta precisão, logo são mais satisfatórios. Se os erros de precisão forem maiores é sinal que o modelo de previsão deve ser ajustado ou alterado (SANTILI, 2015).
Peinado e Graeml (2007) argumentam que as medidas dos erros fazem parte do resultado da previsão e são essenciais por duas razões: 
primeira porque os erros mostram a adequação dos modelos de previsão utilizados: Quanto menor for o erro, melhor será a interceptação da componente sistemática da demanda pelo modelo de previsão. Se as demandas que vão sendo obtidas se conservarem compatíveis com as estimativas históricas, indica-se que o modelo de previsão escolhido continua válido;
segundo lugar, porque os erros são fundamentais para o planejamento logístico: a avaliação dos erros de previsão, é representada pelo seu desvio padrão, e em conjunto com o nível de serviço ao cliente que a empresa planeja oferecer, determina a quantidade de estoques de segurança necessários. 
A análise da amplitude dos erros pode ser realizada através da comparação do desvio padrão das demandas observadas com o desvio padrão da demanda prevista (PEINADO e GRAEML, 2007). De uma forma geral, se os valores do erro são menores, os dados reais seguem estreitamente as previsões da variável dependente, assim o modelo de previsão fornece previsões mais precisas (SANTILI, 2015).
 A escolha do modelo mais adequado de série temporal é realizada por meio do somatório dos erros gerados por cada modelo. Uma vez que os cálculos dos erros podem gerar resultados positivos e negativos, zerando assim o seu somatório, diferentes cálculos para o somatório dos erros podem ser utilizados (PELLEGRINI e FOGLIATTO, 2001).
Peinado e Graeml (2007) destacam que o desvio padrão fornece a média dos afastamentos dos dados em torno da média aritmética que é uma medida de tendência central de uma série de dados. Os seguintes cálculos são utilizados para encontrar o desvio padrão de um modelo de previsão:
Erro Simples: é calculado a diferença entre a demanda real e a demanda prevista, conforme a Equação (8):
	Eᵢ = Dᵢ - Pᵢ
	(8)
Sendo que:
Eᵢ= erro simples de previsão cometido o período 
Dᵢ= demanda observada no período ί
Pᵢ= previsão para o período ί
b) Erro Absoluto: o erro absoluto é obtido pelo módulo do erro simples desconsiderando o sinal Equação (9).
	EAᵢ = |Eᵢ|
	((9)
Sendo que:
EAᵢ = erro absoluto cometido no período ί
Eᵢ = erro simples cometido no período ί
c) Desvio Médio Absoluto: é utilizado para mensurar o desvio do modelo de previsão, quanto menor o valor do desvio, mais adequado será o modelo selecionado por estar mais ajustado a demanda real, sendo que geralmente os erros devem tender a zero (NUNES, et al.2009). A Equação (10) apresenta o cálculo do DMA:
	
	(10)
Sendo que: 
DMAn = desvio médio absoluto do período n 
EAᵢ = erro absoluto cometido no período ί
d) Desvio padrão dos erros da previsão apresentado na Equação (11):
	
	(11)
Sendo que: 
S = desvio padrão de n períodos 
 = erro simples do período ί 
 = média dos erros simples de n períodos 
e) Tendência de viés: quando as variações da demanda comparadas com as previsões apresentarem um comportamento estatisticamente não aleatório ocorre o erro de viés, que significa que “...as diferenças aparecem tendenciosamente para cima ou para baixo dos valores reais de uma série temporal, o que pode indicar que a previsão da demanda está sendo consistentemente otimista ou pessimista demais.” (PEINADO e GRAEML, 2007, p.19). A tendência de viés é calculada através da Equação (12):
	
	(12)
Sendo que: 
TSn = tendência de viés do período n 
DMAn = desvio médio absoluto do período n 
E = erro simples de previsão do período ί
O valor encontrado pela tendência de viés de cada período deve permanecer entre -4 e +4. Os valores inferiores ou superiores apontam que há a probabilidade de estar ocorrendo erros de viés. Sendo assim, o erro de viés deve ser identificado e analisado para cada período ou intervalo em que ocorreu (PEINADO e GRAEML, 2007).
2.4 Pesquisas similares
 Entre diversos trabalhos que tratam sobre os modelos de previsão de demanda. Vale notar a contribuição de Pellegrini e Fogliatto (2001), que diz respeito à revisão dos principais modelos estatísticos de previsão, e tem por objetivo propor uma metodologia para auxiliar técnicas de previsão de demanda no apoio à tomada de decisões gerenciais.	
Cabe citar o trabalho de Jesus, Silva e Girade (2016), que realizaram uma revisão dos modelos de previsão. Os autores analisaram cinco técnicas de previsão de demanda durante um ano, buscando identificar, por meio de análise do erro e visualização gráfica, qual técnica de previsão de demanda melhor se aplica a uma cerâmica. Os autores concluíram que o método da Média Exponencial Móvel apresentou a melhor previsão neste caso. No entanto, notou-se também que para manter sua acurácia e auxiliar nos processos de dimensionamentode produção, é necessário que os dados sejam coletados e armazenados constantemente.
 Bertolde e Junior (2013) apresentam uma comparação do desempenho de modelos de previsão para peças de reposição utilizadas em manutenções de motores a diesel. Os autores justificam seu trabalho pela necessidade da utilização de métodos fundamentados na previsão de demanda para que os impactos no nível de atendimento e os custos na cadeia de suprimento possam ser controlados. Após os autores analisarem uma amostra das peças de reposição, obtiveram resultados que demonstraram uma forte evidência de superioridade do modelo de Suavização Exponencial Simples em relação aos outros modelos estudados.
3. Método
Esta pesquisa se caracteriza como quantitativa baseada em um estudo de caso. Klein et al. (2015) comentam que o estudo de caso é utilizado como estratégia para compreender profundamente uma situação ou projeto. Posteriormente, foi realizada a coleta e análise dos dados, formulação e validação dos modelos de previsão. Por fim, foi realizada a avaliação dos resultados e discussão.
Para aplicação das técnicas de previsão de demanda, foi realizado um estudo de caso no açougue de um supermercado de pequeno porte, varejista de mercadorias em geral, com predominância de produtos alimentícios. Após a autorização para realizar o estudo no açougue do supermercado, foi analisado o histórico de vendas do açougue no período de doze meses. Através da classificação ABC, foram selecionados produtos de maior importância de acordo com seu faturamento e demanda. A curva ABC é uma ferramenta usada para definição de problemas como demandas de venda, estoques, seleção de prioridades da empresa e uma série de problemas que são frequentes em uma empresa. Ela auxilia os gestores a identificar os itens que justificam atenção e tratamento adequados quanto à sua administração (LOPRETE et al., 2009).
Dessa forma, para realização da previsão de demanda, foram utilizados os seguintes métodos: Média Móvel Simples, Média Móvel Ponderada, Média Móvel com Suavização Exponencial Simples e Regressão Linear. Para calcular e processar os dados coletados, utilizou-se como apoio a ferramenta Excel, onde foram adicionados dados referentes à demanda e equações encontradas na literatura. 
4. Resultados e discussões
O açougue pesquisado possui cinquenta tipos de carnes, entre bovinos, suínos e aves. Devido à grande variedade de carnes, o gráfico da classificação ABC foi colocado no anexo A. Esta pesquisa incluiu apenas a análise dos dois tipos de carnes que apresentaram maior receita de venda no período analisado: o filé de frango (primeiro lugar) e o pernil suíno (segundo lugar). Os demais produtos das regiões A, B e C não foram detalhados neste trabalho, pois estão fora do escopo da pesquisa. 
O período analisado foi de agosto de 2016 a julho de 2017. Peinado e Graeml (2007, pág.14) comentam que “é importante observar que, quanto maior o valor de n, maior será a influência das demandas mais antigas sobre a previsão. Por isso, na prática, muitas vezes se realiza o cálculo da média móvel simples incluindo apenas os 3 últimos períodos.” O primeiro método analisado foi a Média Móvel, através da Equação (1).
Figura 1 – Média Móvel Frango Filé. 
Fonte: Elaborado pelo autor.
A média móvel simples para o frango filé resultou em um desvio padrão das previsões de 134,27 kg do produto. Os índices de viés variaram entre +0,52 e + 3,00. 
Figura 2 – Gráfico vendas e previsão média móvel simples Frango Filé.
Fonte: Elaborado pelo autor.
A média móvel simples para o pernil suíno resultou em um desvio padrão das previsões de 156,44 kg do produto. Os índices de viés variaram entre -1,00 e + 2,37. Estes valores demonstram que a aplicação do modelo de média móvel simples para o frango filé e o pernil suíno foi estatisticamente satisfatória.
Figura 3 – Média Móvel Suíno Pernil.
Fonte: Elaborado pelo autor.
Figura 4 – Gráfico vendas e previsão média móvel simples Suíno Pernil.
Fonte: Elaborado pelo autor.
O método da média móvel ponderada foi calculado através da Equação (2). Para determinar quais os valores de ponderação produzem o menor desvio padrão para a previsão. Foi utilizada a programação linear através da ferramenta Solver do Excel.
Figura 5 – Média Móvel Ponderada Frango Filé.
 Fonte: Elaborado pelo autor. 
Figura 6 – Gráfico vendas e previsão média móvel ponderada Frango Filé. 
Fonte: Elaborado pelo autor.
Para a demanda do frango filé a solução do Solver apresentou o peso do último mês como o mais expressivo, demonstrando que os pesos dos meses finais devem ser considerados para o cálculo da melhor média de previsão. 
Figura 7 – Média Móvel Ponderada Suíno Pernil.
 Fonte: Elaborado pelo autor.
Para a demanda do pernil suíno utilizando o método da média móvel ponderada a solução do Solver demonstrou que os pesos dos meses finais são mais recomendados para o cálculo da melhor média de previsão. Houve um aumento no desvio padrão, porém a tendência de viés houve uma diminuição -1,00 e + 1,26. O desvio padrão da série está diretamente ligado ao comportamento aleatório da demanda, quanto maior o desvio padrão da demanda real observada, maior será a amplitude do erro de previsão. Em função da diferença de magnitude do desvio padrão é possível analisar se é necessário manter um estoque de segurança para o produto (PEINADO e GRAEML, 2007).
Figura 8 – Gráfico vendas e previsão média móvel ponderada Suíno Pernil. 
Fonte: Elaborado pelo autor.
Para o cálculo da média móvel com suavização exponencial simples é utilizado uma constante de suavização (α) que varia entre zero e um, buscando diminuir o desvio padrão das previsões e observando os valores de viéses encontrados, assim, foi utilizado o Solver para encontrar a constante para o produto frango filé e pernil suíno.
Figura 9 – Média Móvel com Suavização Exponencial Simples Frango Filé.
 Fonte: Elaborado pelo autor. 
Figura 10 – Gráfico vendas e previsão média móvel com suavização exponencial simples Frango Filé. 
Fonte: Elaborado pelo autor.
Para a demanda do frango filé a solução do Solver determinou α = 0,34. Apresentou um desvio padrão de 122,43 e tendência de viés de – 0,13 e + 2,0, valores menores se comparados aos valores da média móvel simples. Ambos os modelos são válidos para o frango filé.
 
Figura 11 – Média Móvel com Suavização Exponencial Simples Suíno Pernil.
 Fonte: Elaborado pelo autor.
Para a demanda do pernil suíno a solução do Solver determinou α = 1, transformando o modelo de suavização exponencial em um modelo de média móvel simples. Este modelo sugere que os meses inicias devem ser considerados para a previsão, incluindo mais períodos para o cálculo da média móvel (PEINADO e GRAEML, 2007). 
Figura 12 – Gráfico vendas e previsão média móvel com suavização exponencial simples Suíno Pernil. 
Fonte: Elaborado pelo autor.
A suavização exponencial foi o método que mais se aproximou graficamente da demanda real. De acordo com Jesus, Silva e Girade (2016), isto pode ocorrer pelo fato do coeficiente de ponderação α aplicado amortecer a demanda real. Deste modo, a previsão absorve as quedas e elevações inesperadas na demanda real.
Com a regressão linear, pode-se obter um melhor ajustamento das retas. Por meio da equação da Regressão Linear foram gerados os gráficos que estão representados na Figura 13 e 14.
Figura 13 – Regressão Linear Frango Filé. 
Fonte: Elaborado pelo autor.
A Figura 13 mostra que o método regressão linear não é recomendado para o produto frango filé, o valor de correlação foi de 0,15. Contudo, para se ter uma boa correlação, recomenda-se que o valor de r seja, no mínimo, de 0,7 em valor absoluto.
Figura 14 – Regressão Linear Pernil Suíno. 
Fonte: Elaborado pelo autor.
Graficamente o pernil suíno apresentou uma leve tendência, porém, o valor de correlação para o pernil suíno foi de 0,50, indicando que este método não é o recomendado para a previsão.
5. Conclusão
Neste trabalho, foram analisadasdiferentes técnicas de previsão de demanda para um caso real, observando a demanda de dois produtos no período de doze meses, para identificar qual método é o mais apropriado para a realização da previsão.
Devido a grande variedade de carnes do açougue, este trabalho consistiu na elaboração de uma classificação ABC para selecionar os produtos que apresentaram maior receita de venda no período analisado. Utilizando a ferramenta Excel, aplicaram-se os métodos de Média Móvel, Média Móvel Ponderada, Média Móvel com Suavização Exponencial Simples e Regressão Linear. 
Os modelos de previsão de demanda são extremamente simples e largamente utilizados pelas empresas pela facilidade de cálculo e entendimento. Os modelos de média móvel são recomendados para produtos onde a demanda não apresenta tendência ou sazonalidade, já o modelo de regressão linear pode ser aplicado em séries temporais de demandas que apresentam tendência, mas não apresentam sazonalidade. 
Portanto, a partir da análise dos resultados deste trabalho foi possível concluir que os métodos de média móvel foram satisfatórios para ambos os produtos. Contudo, o método da média móvel com exponencial simples foi a que obteve menor erro e a melhor precisão graficamente para os produtos frango filé e o suíno pernil. 
Por fim, foi possível observar como a previsão da demanda é importante para o bom gerenciamento da produção e vendas futuras. Espera-se que a empresa passe a considerar estes métodos apresentados no trabalho e outros para melhor prever a sua demanda e, consequentemente, reduzir custos e garantir niveis de serviço cada vez maiores.
Referências
BATISTA, A. L. F. Modelos de séries temporais e redes neurais na previsão de vazão. 2009, 79f. Dissertação de Mestrado (Mestrado em Engenharia de Sistemas) – Universidade Federal de Lavras (UFLA), Lavras, 2009.
BERTOLDE, A. I.; JUNIOR, W. P. X. Uma comparação de métodos de previsão de demanda de peças de reposição: uma aplicação ao transporte ferroviário. Revista Gestão Industrial, Ponta Grossa, 2013.
COUTO, L. F. G. et al. A aplicação de métodos de previsão e sua influência na lucratividade de uma relojoaria. XXXVI Encontro Nacional de Engenharia de Producão, João Pessoa, 2016.
ERDMANN, R. H. Administração da produção: planejamento, programação e Controle. Florianópolis: [s.n.], 2000.
JESUS, G. M. K.; SILVA, J. M. D.; GIRADE, C. Análise de técnicas de previsão de demanda: um estudo de caso em uma cerâmica. XXXVI Encontro Nacional de Engenharia de Producão, João Pessoa, 2016.
KLEIN, A. Z. et al. Metodologia de Pesquisa em Administração: Uma Abordagem Prática. [S.l.]: Atlas, 2015.
LOPRETE, D. et al. Gestão de Estoque e a Importância da Curva ABC. I Encontro Científico e Simpósio de Educação UNISALESIANO, São Paulo, 2009.
MANCUZO, F. Análise e previsão de demanda: estudo de caso em uma empresa distribuidora de rolamentos. UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL, Porto Alegre, 2003. Disponivel em: <http://www.lume.ufrgs.br/bitstream/handle/10183/2430/000369617.pdf>.
MARTINS, P. G.; LAUGENI, F. P. Administração da Produção. 3ª. ed. [S.l.]: Saraiva, 2014.
MORETTIN P. A., TOLOI C. M. C. Análise de séries temporais. São Paulo: Edgard Blücher, 2006.
NOVAES, M. L. D. O. et al. Utilização dos métodos de suavização exponencial e da média móvel aritmética para a previsão de demandas na área de saúde. XXVII Encontro Nacional de Engenharia de Producão, Rio de Janeiro, 2008.
NUNES, C.; BRANCO, N.; COSTA, T.; PINHEIRO, B.; CARNEIRO, N. Aplicação dos conceitos de previsão de demandas baseadas em séries temporais em uma concessionária de motocicletas (estudo de caso). In: XXIX ENEGEP – Encontro Nacional de Engenharia de Produção. Salvador/BA: Outubro, 2009.
PEINADO, Jurandir; GRAEML, Alexandre R. Administração da produção: operações industriais e de serviços. Curitiba : UnicenP, 2007.
PELLEGRINI, F. R. P.; FOGLIATTO, F. S. Passos para implantação de sistemas de previsão de demanda: técnicas e estudo de caso. Produção, v. 11, p. 43-64, 2001. Disponivel em: <http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0103-65132001000100004&lng=pt&nrm=iso>. ISSN 0103-6513>.
RIZZO, R. Análise de custo no setor de açougue em um supermercado. Trabalho de Conclusão de Curso (Especialização) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2012.
SANDERS, N. R.; MANRODT, K. B. SANDERS, N. R.; MANRODT, K. B., The efficacy of using judgmental versus quantitative forecasting methods in practice. Omega 31, p. 51-100, 2003.
SANTILI, M. A. Métodos de previsão Auto-Regressivo aplicado a uma série de volume de produção de caminhão. Universidade Estadual Paulista, Guaratinguetá, 2015.
SANTOS, R. C. et al. Aplicação do modelo de previsão de demanda holt-winters em uma regional de corte e dobra de aço. XXXV Encontro Nacional de Engenharia de Producão, Fortaleza, 2015.
SILVA, F. H. L. D. et al. Estudo sobre métodos de previsão de demanda em uma indústria de laticínios da cidade de Sousa - PB. XXXVI Encontro Nacional de Engenharia de Producão, João Pessoa, 2016.
Dezembro de 2002, UFRGS, Porto Alegre - RS
TUBINO, D. F. Planejamento e Controle da Produção: Teoria e Prática. 2ª. ed. [S.l.]: Atlas, 2009.
		Estudos qualitativos com o apoio de grupos focados
26
ANEXO A – Gráfico Classificação ABC