Baixe o app para aproveitar ainda mais
Prévia do material em texto
APLICAÇÃO DOS MÉTODOS DE PREVISÃO DE DEMANDA EM UMA HAMBURGUERIA Igor Santos Costa (UEPA) igor.santos.costa10@gmail.com Antonio Andrei Pinho Braga (UEPA) andreibragavb@hotmail.com Carlos Andrey Pinto Ferreira (UEPA) Carlos.andreyf@gmail.com Leony Luis Lopes Negrao (UEPA) leonynegrao@gmail.com O presente trabalho tem por objetivo analisar alguns dos métodos de previsão de demanda relacionados a abordagem baseada em séries temporais de quatro produtos de uma hamburgueria, e a partir disso propor melhorias para empresa objetivando a minimização dos problemas de insuficiência ou excesso de insumos. Para tal, os dados foram coletados por meio dos relatórios de vendas gerados pelo sistema de informação da empresa. Em seguida, os dados foram analisados em um horizonte semanal e posteriormente utilizados para construção dos modelos de previsão e para validação dos mesmos por meio da técnica de controle de previsão PMA. O método de Suavização Exponencial com Sazonalidade e Tendência foi o que melhor se adequou-se para três dos quatro produtos analisados. A partir desses resultados, foi possível realizar as previsões para as próximas quatro semanas e sugerir XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens avançadas de produção” Joinville, SC, Brasil, 10 a 13 de outubro de 2017. XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens avançadas de produção” Joinville, SC, Brasil, 10 a 13 de outubro de 2017. 2 melhorias para o sistema de planejamento e controle da produção da empresa. Palavras-chave: previsão de demanda; séries temporais; hamburgueria XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens avançadas de produção” Joinville, SC, Brasil, 10 a 13 de outubro de 2017. 3 1. Introdução No cenário atual de um ambiente competitivo, devido as facilidades tecnológicas, as empresas de modo geral planejam a sua produção a partir da previsão do volume de vendas. As técnicas geralmente utilizadas para se fazer essas estimativas são as de previsões de demandas. Esses métodos possibilitam por meio de análises quantitativas ou qualitativas deduzir valores aproximados do volume real de vendas, o que por sua vez permite que as empresas tomem melhores decisões quanto a quantidade a ser produzida e comprada. Uma das características dos pequenos negócios e dos novos empreendimentos nesse cenário é que eles tipicamente enfrentam escassez de quase tudo: de capital a espaço físico. Isso é especialmente verdadeiro em relação a utilização das ferramentas para elaboração de previsões de demanda, na qual muitas das vezes não são elaboradas devido à falta de armazenamento de dados históricos ou à falta de conhecimento necessário por parte dos funcionários das empresas. Para Ritzman e Krajewski (2004) as previsões são necessárias para auxiliar na determinação de que recursos são necessários, da programação dos recursos existentes e da aquisição de recursos adicionais. Dessa forma, fazer previsões é estimar a demanda futura por produtos e serviços e os recursos necessários para produzi-los. A sobrevivência, o crescimento e a lucratividade a longo prazo, bem como a eficiência e a eficácia a curto prazo dependem de previsões acuradas. Nesse contexto, a utilização das ferramentas para a previsão de demanda mostra-se fundamental para o planejamento da produção, vendas e finanças da maioria das empresas, em especial dos pequenos e novos empreendimentos, que precisam ser cada vez mais competitivos. O objeto de estudo deste trabalho é uma empresa localizada na cidade de Castanhal, nordeste paraense, que possui um modelo de negócio que estar inserido ao mesmo tempo nos segmentos de fast food e restaurantes tradicionais, as chamadas hamburguerias. Segundo Instituto Gastronômico (IGA), os restaurantes especializados em hambúrguer foram um dos que mais cresceram na cidade de São Paulo: 575% nos últimos dez anos (FOLHA DE S.PAULO, 2014). O processo de expansão foi tão intenso que pode estar surgindo uma nova categoria de empreendimento. XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens avançadas de produção” Joinville, SC, Brasil, 10 a 13 de outubro de 2017. 4 Diante desse contexto, o presente trabalho se desenvolve com o objetivo de analisar os métodos de previsão de demanda usuais baseados em séries temporais dos principais produtos de uma hamburgueria, e a partir disso propor melhorias no sistema de planejamento e controle da produção da empresa. 2. Referencial teórico Esta seção está dividida em três tópicos visando uma melhor discussão acerca dos tipos de modelo de previsão, dos métodos baseados em séries temporais e das metodologias de controle de previsão. 2.1. Tipos de modelo de previsão Para Tubino (2007), os métodos de previsão de demanda são essenciais no processo de tomada de decisão. Uma previsão de demanda com acurácia pode proporcionar para a empresa que a utiliza, maior competitividade no mercado (VEIGA; VEIGA; DUCLÓS, 2010). Nesta mesma lógica, para que os resultados das previsões sejam coerentes com a realidade, faz-se necessário a escolha de um método de previsão adequado. Segundo Fernandes e Godinho Filho (2010) a escolha do método de previsão depende de um maior conhecimento de cada método e do comportamento dos dados. Tais métodos são divididos em três tipos de abordagens: qualitativa, causal e por séries temporais. 2.2. Séries temporais Para Fernandes e Godinho Filho (2010), os métodos baseados em séries temporais seguem o princípio de que os mesmos fatores que influenciaram o passado influenciarão no futuro. Os modelos usados neste trabalho foram todos baseados nesse tipo de abordagem, dentre os quais estão o método da Média Móvel Ponderada, Suavização Exponencial Simples, Suavização Exponencial Dupla e Suavização Exponencial com Sazonalidade e Tendência. XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens avançadas de produção” Joinville, SC, Brasil, 10 a 13 de outubro de 2017. 5 2.2.1. Média móvel ponderada No método da Média Móvel Ponderada são levados em consideração k períodos mais recentes. Para cada um desses períodos é atribuído um determinado peso, onde a soma desses pesos deve ser igual a 1 (MOREIRA, 2004). 2.2.2. Suavização exponencial simples No método de Suavização Exponencial Simples, também conhecido como Média Exponencial Móvel, o peso de cada observação decresce no tempo de maneira exponencial (TUBINO, 2007). A previsão é obtida por meio da previsão anterior, acrescida do erro cometido por essa mesma previsão, corrigido por uma constante de ponderação (0 < ɑ < 1). 2.2.3. Suavização exponencial dupla O método da Suavização Exponencial Dupla, também conhecido como método de Holt, é utilizado sempre que os dados apresentam uma tendência (MARTINS; LAUGENI, 2005). Nesse método, além das constantes α e β, precisam ser definidas a base da previsão e a tendência do primeiro período, fazendo comque os valores da base e da tendência de um determinado período levem em conta a tendência do período anterior. 2.2.4. Suavização exponencial com sazonalidade e tendência O método da Suavização Exponencial com Sazonalidade e Tendência, também conhecido como método de Winters, é utilizado em situações nas quais os dados, além de apresentarem comportamentos sazonais, também apresentam uma tendência linear ao longo do tempo XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens avançadas de produção” Joinville, SC, Brasil, 10 a 13 de outubro de 2017. 6 (FERNANDES; GODINHO FILHO; 2010). Para aplicação desse método, faz-se necessário a escolha das constantes de ponderação ɑ, β e γ, onde podem variar entre zero e um, que serão utilizadas respectivamente para as equações alisadoras de previsão, tendência e sazonalidade. 2.3. Controle de previsão Sabe-se que a acurácia dos valores previstos está diretamente ligado com os lucros e os custos da empresa, pois quando falta produto no mercado deixa-se de ganhar e quando se tem muito estoque, o custo da existência do mesmo aumenta. Portanto, é de fundamental importância que as empresas controlem a acuracidade das suas previsões, analisando e corrigindo continuamente os erros de previsão. Existem vários métodos de controle de previsão, tais como: somatória acumulada dos erros de previsão, desvio absoluto médio, porcentagem média absoluta e sinal de rastreamento. Neste estudo será utilizado apenas o método da Porcentagem Média Absoluta (PMA). 2.3.1. Porcentagem média absoluta (PMA) O método PMA também conhecido como MAPE é utilizado para relacionar o erro absoluto com os valores da demanda, quanto menor esse valor for, mais próximo do real este resultado da demanda é, ou seja, os dados coletados e a análise foram com qualidade. 3. Método de pesquisa A pesquisa foi feita em uma hamburgueria atuante desde de outubro de 2016. As ferramentas de previsão de demanda foram aplicadas em 4, dos 10 tipos de hambúrgueres vendidos na XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens avançadas de produção” Joinville, SC, Brasil, 10 a 13 de outubro de 2017. 7 empresa, os quais representam aproximadamente 50% do faturamento da mesma, segundo a análise de Pareto. A execução da pesquisa foi conduzida por meio de algumas das etapas utilizadas em Ueda et al. (2016). As etapas estão apresentadas na Figura 1: Figura 1 - etapas para a execução da pesquisa Fonte: Ueda et al (2016) A descrição das etapas apresentadas na Figura 1 estão expostas a seguir: XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens avançadas de produção” Joinville, SC, Brasil, 10 a 13 de outubro de 2017. 8 1ª Etapa – Visita à empresa: primeiramente realizou-se uma visita na empresa, com o objetivo de conhecer o ambiente onde são servidos os hambúrgueres, os processos produtivos, administrativos e de como os registros de vendas eram feitos. 2ª Etapa – Coleta de dados: foi solicitado ao colaborador responsável pelas compras e vendas o registro semanal da quantidade de todos os tipos de hambúrgueres comercializados na empresa. Os dados de vendas disponibilizados datavam do início das atividades da empresa até o início de janeiro de 2017. 3ª Etapa – Tratamento e análise dos dados: Após a coleta de dados, os mesmos foram transferidos e organizados em planilhas eletrônicas. Posteriormente, escolheu-se por meio do princípio de Pareto os tipos de hambúrgueres que representassem os maiores faturamentos para a empresa. Por meio dessa análise foram escolhidos quatro tipos de hambúrgueres. Em seguida, utilizou-se a técnicas de previsão baseada em séries temporais apresentadas anteriormente para cada produto escolhido. Para isso, foram utilizados 16 períodos (semanas) dos dados disponibilizados, onde os 12 primeiros foram usados na construção do modelo e os outros quatro para a validação do mesmo por meio da metodologia de controle de previsão PMA. Os valores dos parâmetros dos métodos de suavização exponencial (ɑ, β e γ) foram obtidos, de modo que os resultados do PMA fossem mínimos. 4ª Etapa – Previsão de demanda: a partir do tratamento e análise dos dados, foi possível elaborar um ranking do PMA dos métodos implementados com o intuito de escolher o melhor modelo para cada produto. Em seguida, foram feitas as previsões para as próximas quatro semanas do mês de janeiro de 2017. 5ª Etapa – Proposição de melhorias: após a execução das quatro etapas, buscou-se identificar melhorias no sistema de planejamento e controle da produção da empresa, utilizando como base os resultados da previsão de demanda. 4. Resultados e discussões XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens avançadas de produção” Joinville, SC, Brasil, 10 a 13 de outubro de 2017. 9 Nesta seção, estão apresentados os procedimentos e as análises feitas com a série histórica dos dados de vendas da empresa. Para analisar os dados foram utilizadas as planilhas eletrônicas do Microsoft Office Excel 2013 4.1. Aplicação dos métodos de previsão Nesta seção, estão apresentados para cada método de previsão os valores dos parâmetros que proporcionaram os menores resultados do PMA e os valores do PMA. Para o cálculo dos valores que minimizassem o PMA, utilizou-se o suplemento Solver do Microsoft Office Excel 2013. 4.1.1. Média móvel ponderada Para o método da Média Móvel Ponderada utilizou-se nos quatro produtos os três períodos mais recentes. Os valores dos pesos (P1, P2 e P3) utilizados para cada produto (H1, H2, H3 e H4) estão apresentados na Tabela 1. Tabela 1 - valores dos pesos do método média móvel ponderada H1 H2 H3 H4 P1 0,10 0,26 0,24 0,47 P2 0,10 0,42 0,10 0,10 P3 0,80 0,32 0,66 0,43 Fonte: autoria própria (2017) Na Tabela 2 estão apresentados os valores do PMA do método da Média Móvel Ponderada para os quatro produtos analisados. Tabela 2 - valores do PMA do método da média móvel ponderada XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens avançadas de produção” Joinville, SC, Brasil, 10 a 13 de outubro de 2017. 10 PMA (%) H1 21,3% H2 18,6% H3 22,1% H4 7,5% Fonte: autoria própria (2017) 4.1.2. Suavização exponencial simples O valor do parâmetro (ɑ) utilizado no método de Suavização Exponencial Simples para cada produto (H1, H2, H3 e H4) estão apresentados na Tabela 3. Tabela 3 - valores dos parâmetros do método de suavização exponencial simples H1 H2 H3 H4 Alfa (ɑ) 0,06 0,55 0,81 0,31 Fonte: autoria própria (2017) Na Tabela 4 estão apresentados os valores do PMA do método da Suavização Exponencial Simples para os quatro produtos analisados. Tabela 4 - valores do PMA do método de suavização exponencial simples PMA (%) H1 17,8% H2 22,9% H3 24,2% H4 9,7% Fonte: autoria própria (2017) XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO“A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens avançadas de produção” Joinville, SC, Brasil, 10 a 13 de outubro de 2017. 11 4.1.3. Suavização exponencial dupla Os valores dos parâmetros (ɑ e β) utilizados no método de Suavização Exponencial Dupla (H1, H2, H3 e H4) estão apresentados na Tabela 5. Tabela 5 - valores dos parâmetros do método de suavização exponencial dupla H1 H2 H3 H4 Alfa (ɑ) 1,00 0,48 1,00 0,27 Beta (β) 0,15 0,00 0,50 0,51 Fonte: autoria própria (2017) Na Tabela 6 estão apresentados os valores do PMA do método da Suavização Exponencial Dupla para os quatro produtos analisados. Tabela 6 - valores do PMA do método de suavização exponencial dupla PMA (%) H1 12,1% H2 25,6% H3 18,9% H4 9,4% Fonte: autoria própria (2017) 4.1.4. Suavização exponencial com sazonalidade e tendência Os valores dos parâmetros (ɑ, β e γ) utilizados no método Suavização Exponencial com Sazonalidade e Tendência para cada produto (H1, H2, H3 e H4) estão apresentados na Tabela 7. Tabela 7 - valores dos parâmetros do método suavização exponencial com sazonalidade XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens avançadas de produção” Joinville, SC, Brasil, 10 a 13 de outubro de 2017. 12 H1 H2 H3 H4 Alfa (ɑ) 1,00 0,05 0,42 0,89 Beta (β) 0,42 0,33 1,00 0,00 Gama (γ) 0,20 0,20 0,11 0,20 Fonte: autoria própria (2017) Na Tabela 8 estão apresentados os valores do PMA do método Suavização Exponencial com Sazonalidade e Tendência para os quatro produtos analisados. Tabela 8 - valores do PMA do método suavização exponencial com sazonalidade e tendência PMA (%) H1 11,6% H2 17,0% H3 15,1% H4 11,3% Fonte: autoria própria (2017) 4.2. Comparação dos modelos Com base nas informações apresentadas na seção 4.1, elaborou-se para todos os produtos um ranking entre o PMA dos métodos implementados com o objetivo de encontrar o modelo que melhor se adéque para cada produto. O ranking dos produtos H1, H2, H3 e H4 estão apresentados nas Tabelas 9, 10, 11 e 12, respectivamente. Tabela 9 - ranking do PMA para o produto H1 Posição Método de Previsão PMA (%) XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens avançadas de produção” Joinville, SC, Brasil, 10 a 13 de outubro de 2017. 13 1º Suavização Exponencial com Sazonalidade e Tendência 11,59% 2º Suavização Exponencial Dupla 12,12% 3º Suavização Exponencial Simples 17,83% 4º Média Móvel Ponderada 21,33% Fonte: autoria própria (2017) Tabela 10 - ranking do PMA para o produto H2 Posição Método de Previsão PMA (%) 1º Suavização Exponencial com Sazonalidade e Tendência 16,98% 2º Média Móvel Ponderada 18,57% 3º Suavização Exponencial Simples 22,90% 4º Suavização Exponencial Dupla 25,57% Fonte: autoria própria (2017) Tabela 11 - ranking do PMA para o produto H3 Posição Método de Previsão PMA (%) 1º Suavização Exponencial com Sazonalidade e Tendência 15,12% 2º Suavização Exponencial Dupla 18,94% 3º Média Móvel Ponderada 22,14% 4º Suavização Exponencial Simples 24,21% Fonte: autoria própria (2017) XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens avançadas de produção” Joinville, SC, Brasil, 10 a 13 de outubro de 2017. 14 Tabela 12 - ranking do PMA para o produto H4 Posição Método de Previsão PMA (%) 1º Média Móvel Ponderada 7,48% 2º Suavização Exponencial Dupla 9,41% 3º Suavização Exponencial Simples 9,68% 4º Suavização Exponencial com Sazonalidade e Tendência 11,27% Fonte: autoria própria (2017) A partir das informações apresentadas nas Tabelas de 9 a 12, é possível identificar que o método de Suavização Exponencial com Sazonalidade e Tendência foi o que apresentou melhores previsões para os produtos H1, H2 e H3, enquanto que o método da Média Móvel Ponderada foi o que apresentou melhor previsão para o produto H4. A partir dessa análise, foram elaboradas as previsões de demanda para as próximas quatro semanas do mês de janeiro, utilizando em cada produto o método que apresentou melhores resultados anteriormente. As previsões para os produtos H1, H2, H3 e H4 estão apresentadas na Tabela 13. Tabela 13 - previsões para os produtos H1, H2, H3 e H4 Semana da Previsão H1 H2 H3 H4 1ª 53 45 11 46 2ª 45 44 10 45 3ª 40 40 7 46 4ª 28 36 4 46 Fonte: autoria própria (2017) A partir dos resultados da previsão de demanda apresentados na Tabela 13, e em virtude dos produtos em questão apresentarem uma quantidade significativa de materiais para serem montados, a empresa em questão poderá utilizar as previsões para a elaboração do planejamento das necessidades de materiais (MRP). Além disso, a empresa também poderá utilizar as XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens avançadas de produção” Joinville, SC, Brasil, 10 a 13 de outubro de 2017. 15 previsões no gerenciamento de estoque, uma vez que seu estoque é controlado somente por meio da experiência dos colaboradores. 5. Considerações finais O presente trabalho buscou analisar os métodos de previsão baseados em séries temporais de quatro produtos de uma hamburgueria, em virtude dessa não utilizar um sistema de previsão de demanda estruturado que considerasse as séries históricas. O método de Suavização Exponencial com Sazonalidade e Tendência, o mais complexo dentre os quatro métodos utilizados, foi o que melhor se adequou para os produtos H1, H2 e H3, enquanto que o Média Móvel Ponderada foi o que melhor se adequou para o produto H4. Com base nos resultados do PMA para os melhores métodos em cada produto, foi possível inferir que as utilizações das metodologias seriam viáveis para a empresa sob a perspectiva da acurácia das previsões. Além disso, a utilização de um sistema de previsão de demanda também seria viável sob a óptica operacional, devido sua implementação exigir somente o uso de planilhas eletrônicas, não apresentando grande complexidade técnica. Espera-se, portanto, por meio desse estudo que a empresa utilize as metodologias de previsão sugeridas como auxílio na previsão de vendas, e que a mesma utilize essas para implantar futuramente alguns dos procedimentos já apontadas neste trabalho. XXXVII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e as novas tecnologias produtivas: indústria 4.0, manufatura aditiva e outras abordagens avançadas de produção” Joinville, SC, Brasil, 10 a 13 de outubro de 2017. 16 Referências FERNANDES, F.C. F; GODINHO FILHO, M. Planejamento e Controle da Produção: dos fundamentos ao essencial. São Paulo: Atlas, 2010. JORNAL FOLHA DE S. PAULO. Disponível em: <http://www.folha.uol.com.br/>. Acesso em: 19 abr. 2017. MARTINS, Petrônio G.; LAUGENI, Fernando P. Administração da produção. São Paulo: Saraiva, 2005. MOREIRA, D. A. Administração da Produção e Operações. Porto Alegre: Editora Thomson Pioneira,2004. RITZMAN, L. P.; KRAJEWESKI, L. J. Administração da Produção e operações. Traduzido por Roberto Galman. Revisado por Carlos Eduardo Mariano da Silva. São Paulo: Perarson Prentice Hall, 2004. TUBINO, D.F.. Planejamento e Controle da Produção – Teoria e Prática. São Paulo: Atlas, 2007. UEDA, R. et al. Uso de técnicas de previsão de demanda em uma indústria de nutrição animal. Simpep 2016. Acesso em: 23/02/2017; VEIGA, Cassia; VEIGA, Claudimar; DUCLÓS, Luiz. A acuracidade dos modelos de previsão de demanda como fator crítico para o desempenho financeiro na indústria de alimentos. Future srj 2010. Disponível em:< https://revistafuture.org/fsrj/article/viewfile/58/95> acesso em 22/02/2017;
Compartilhar