As Tabelas 36 a 40 mostram os resultados obtidos, comparando as previsões pelo modelo de média móvel ponderada, modelo de média móvel exponencial, modelo de regressão linear, os valores revistos pelos responsáveis pela previsão de vendas da empresa, as vendas reais dos produtos, bem como os valores do MAPE para os modelos de previsão.
PRODUTO MODELO UTILIZADO PELA EMPRESA MÉDIA MÓVEL PONDERADA MÉDIA MÓVEL EXPONENCIAL SIMPLES REGRESSÃO LINEAR SIMPLES T 59,01% 8,92% 10,98% 12,40%
PRODUTO MODELO EMPRESA MÉDIA MÓVEL
PONDERADA MÉDIA MÓVEL EXPONENCIAL SIMPLES REGRESSÃO LINEAR SIMPLES B 37,60% 13,81% 9,75% 7,68% I 21,78% 24,55% 22,68% 11,57% O 64,42% 21,78% 19,74% 17,49% S 36,18% 15,25% 10,80% 6,35% T 59,01% 8,92% 10,98% 12,40%
Tabela 36 – Comparação dos métodos de Previsão de Vendas do produto B através do MAPE
Fonte: Elaborado pelo autor (2018).
É possível perceber na tabela 36 que o método da regressão linear obteve o menor percentual de erro MAPE nas previsões, com um valor de 7,68%. Quando comparado com o método utilizado na empresa, o método da regressão linear gerou um erro MAPE 80% menor. Vale destacar o período de 26/03/2018 a 31/03/2018 em que o método de regressão linear obteve um valor de previsão 2% menor do que a venda realizada no período.
Tabela 37 – Comparação dos métodos de Previsão de Vendas do produto I através do MAPE
Fonte: Elaborado pelo autor (2018).
Na tabela 37 percebe-se que o método da regressão linear foi o mais preciso, pois obteve o menor valor de erro MAPE, 11,57%. Quando comparado com a metodologia usada pela empresa, o método de regressão linear gerou um erro MAPE 47% menor. Cabe destacar o período de 19/03/2018 a 24/03/2018 em que o método da regressão linear obteve um valor de previsão 3,38% menor do que a venda realizada no período.
Tabela 38 – Comparação dos métodos de Previsão de Vendas do produto O através do MAPE
Fonte: Elaborado pelo autor (2018).
PERÍODO VENDAS MÉTODO
EMPRESA MÉDIA MÓVEL PONDERADA MÉDIA MÓVEL EXPONENCIAL REGRESSÃO LINEAR 05/03/2018 - 10/03/2018 15994 26000 14800 15438 17552 12/03/2018 - 17/03/2018 21526 26000 17429 15777 17858 19/03/2018 - 24/03/2018 20454 26000 16865 17843 18164 26/03/2018 - 31/03/2018 18849 26000 17531 17749 18470 02/04/2018 - 07/04/2018 19413 26000 16267 17657 18776 09/04/2018 - 14/04/2018 19334 26000 15714 18023 19082 16/04/2018 - 21/04/2018 17757 26000 15856 18406 19388 MAPE - 37,60% 13,81% 9,75% 7,68%
PERÍODO VENDAS MÉTODO
EMPRESA MÉDIA MÓVEL PONDERADA MÉDIA MÓVEL EXPONENCIAL REGRESSÃO LINEAR 05/03/2018 - 10/03/2018 14159 20500 11145 12521 15340 12/03/2018 - 17/03/2018 17999 20500 12723 12307 15815 19/03/2018 - 24/03/2018 16861 20500 12314 13058 16290 26/03/2018 - 31/03/2018 17797 20500 13207 13515 16765 02/04/2018 - 07/04/2018 18634 20500 13527 14106 17241 09/04/2018 - 14/04/2018 22511 20500 14248 14873 17716 16/04/2018 - 21/04/2018 14846 20500 14195 16433 18191 MAPE - 21,78% 24,55% 22,68% 11,57%
PERÍODO VENDAS MÉTODO
EMPRESA MÉDIA MÓVEL PONDERADA MÉDIA MÓVEL EXPONENCIAL REGRESSÃO LINEAR 05/03/2018 - 10/03/2018 1018,29 2700 1107 995 1550 12/03/2018 - 17/03/2018 1742,37 2700 1124 1112 1619 19/03/2018 - 24/03/2018 1581,68 2700 1278 1441 1688 26/03/2018 - 31/03/2018 1921,36 2700 1311 1410 1757 02/04/2018 - 07/04/2018 1793,77 2700 1606 1559 1826 09/04/2018 - 14/04/2018 1642,66 2700 1524 1562 1895 16/04/2018 - 21/04/2018 2832,85 2700 1714 1523 1964 MAPE - 64,42% 21,78% 19,74% 17,49%
Na tabela 38 percebe-se que o método da regressão linear foi o mais preciso, pois obteve o menor valor de erro MAPE, 17,49%. Quando comparado com a metodologia usada pela empresa, o método de regressão linear gerou um erro MAPE 73% menor. Cabe destacar o período de 02/04/2018 a 07/04/2018 em que o método da regressão linear obteve um valor de previsão 1,8% menor do que a venda realizada no período.
Tabela 39 – Comparação dos métodos de Previsão de Vendas do produto S através do MAPE
Fonte: Elaborado pelo autor (2018).
Na tabela 39 percebe-se que o método da regressão linear foi o mais preciso, pois obteve o menor valor de erro MAPE, 6,35%. Quando comparado com a metodologia usada pela empresa, o método de regressão linear gerou um erro MAPE 82% menor. Cabe destacar o período de 12/03/2018 a 17/03/2018 em que o método da regressão linear obteve um valor de previsão 3,16% menor do que a venda realizada no período.
Tabela 40 – Comparação dos métodos de Previsão de Vendas do produto T através do MAPE
Fonte: Elaborado pelo autor (2018).
Na tabela 40 percebe-se que o método da média móvel ponderada foi o mais preciso, pois obteve o menor valor de erro MAPE, 8,92%. Quando comparado com a metodologia usada pela empresa, o método da média móvel ponderada gerou um erro MAPE 85% menor. Cabe destacar o período de 05/03/2018 a 10/03/2018 em que o método da média móvel ponderada obteve um valor de previsão 2,69% menor do que a venda realizada no período.
O método de previsão utilizado pela empresa, sem dúvida, foi o método com a pior precisão de todos os métodos analisados. Em todos os produtos analisados os métodos de média
PERÍODO VENDAS MÉTODO
EMPRESA MÉDIA MÓVEL PONDERADA MÉDIA MÓVEL EXPONENCIAL REGRESSÃO LINEAR 05/03/2018 - 10/03/2018 2545 4000 2113 2515 2728 12/03/2018 - 17/03/2018 2861 4000 2453 2422 2771 19/03/2018 - 24/03/2018 3030 4000 2578 2527 2813 26/03/2018 - 31/03/2018 3210 4000 2653 2627 2855 02/04/2018 - 07/04/2018 3011 4000 2575 2748 2898 09/04/2018 - 14/04/2018 3170 4000 2709 2713 2940 16/04/2018 - 21/04/2018 2844 4000 2438 2811 2982 MAPE - 36,18% 15,25% 10,80% 6,35%
PERÍODO VENDAS MÉTODO
EMPRESA MÉDIA MÓVEL PONDERADA MÉDIA MÓVEL EXPONENCIAL REGRESSÃO LINEAR 05/03/2018 - 10/03/2018 2354 5000 2417 2591 3130 12/03/2018 - 17/03/2018 3322 5000 2944 2655 3136 19/03/2018 - 24/03/2018 3291 5000 2738 3096 3142 26/03/2018 - 31/03/2018 2842 5000 2718 3032 3149 02/04/2018 - 07/04/2018 3706 5000 3149 2856 3155 09/04/2018 - 14/04/2018 3660 5000 3341 3263 3162 16/04/2018 - 21/04/2018 3316 5000 3201 3328 3168 MAPE - 59,01% 8,92% 10,98% 12,40%
móvel ponderada, média móvel exponencial e regressão linear apresentaram melhores resultados que as previsões utilizadas na empresa.
Os métodos de média móvel ponderada e de suavizamento exponencial admitem a hipótesse de “permanência”, assumem que a variável que está sendo prevista não possui propensão de crescimento ou decrescimento geral. Também não assumem a hipótese de grandes ciclicidades, tendo apenas uma flutuação aleatória (CORRÊA; CORRÊA, 2012).
A metodologia da regressão linear é a que melhor representa previsões para produtos com demanda em crescimento, como observou-se nos produtos B, I, S (PEINADO; GRAEMI, 2007).
Com base no método MAPE, as metodologias de média móvel ponderada, média móvel exponencial e regressão obtiveram valores de erro, respectivamente, em média, 57%, 60% e 72% menores que o método utilizado pela empresa.
Constatou-se que, para todos os produtos analisados, o modelo de regressão linear apresentou melhores resultados que o modelo utilizado pela empresa, sem necessariamente tomar tempo adicional tempo e sem aumentar a complexidade das análises de previsão.
5 CONCLUSÃO
Os resultados obtidos nesta pesquisa mostram uma boa oportunidade para os gestores aumentarem a competitividade da empresa, através da utilização da metodologia de previsão de vendas. A forma atual de previsão de vendas, baseada unicamente em média móvel simples foi aquela que apresentou a pior precisão, ou seja, o maior erro (MAPE) em 90% dos produtos analisados. Dentre os métodos utilizados na pesquisa, a aplicação do modelo de regressão linear, baseado no método quantitativo, apresentou maior acurácia na previsão de vendas para todos os produtos, quando comparado com a previsão realizada pela empresa, para o período de março e abril de 2018.
Para a empresa, a metodologia de previsão de vendas por meio de regressão linear demonstra relevância devido ao fato de que, a partir dos dados coletados, seus gestores podem tomar decisões baseadas em previsões mais precisas.
Neste estudo foram identificados os principais produtos em termos de venda e com produção local na empresa, dos cinco produtos analisados (B, I, O, S, T) o modelo de regressão linear apresentou os melhores resultados em quatro produtos (B, I, O, S). O modelo de média móvel ponderada foi o mais preciso em um produto (T).
Através do estudo de caso, foi possível aplicar os métodos previsão de vendas a uma empresa do setor de alimentos. Foram utilizados métodos quantitativos com o objetivo de obter os melhores resultados quando comparados com o método quantitativo atualmente utilizado na empresa, ou seja, obtendo maior precisão na implementação dos métodos em função dos dados disponíveis na empresa onde foi elaborado o trabalho.
O estudo apresenta a limitação de que os valores previstos para cada produto na metodologia usada pela empresa são constantes durante todo o período coletado e analisado, o que limita a comparação com os métodos aplicados.
Como outras limitações deste estudo podem ser destacadas a limitação dos métodos de previsão à esfera quantitativa, o foco em apenas uma empresa e em um número restrito de produtos. Sugere-se a realização de pesquisas em torno da análise individual dos produtos no que concerne aos fatores que influenciam as vendas, além de estudos longitudinais e setoriais, englobando diversas empresas e aumentando o potencial de generalização dos resultados.
REFERÊNCIAS
AGGENS, Janaína Beatriz. Previsão de demanda em uma indústria de bebidas.2006. Monografia (Graduação em Engenharia de Produção) – Centro de Tecnologia, Universidade Federal de Santa Maria, Santa Maria , 2013. Disponível em:
<http://w3.ufsm.br/engproducao/images/Janaina_B_Aggens_-_93.pdf >. Acesso em 20 abr.
2018.
ARMSTRONG, J. S. Principles of Forecasting: A Handbook for Researchers and Practitioners. Kluwer Academic Publishers. 2001. Disponível em:
<https://www.gwern.net/docs/predictions/2001-armstrong-principlesforecasting.pdf>. Acesso em 23 abr 2018.
ARMSTRONG, J. Strategic Planning and Forecasting Fundamentals. New York: MacGraw Hill, 1983. Disponível em:
<https://papers.ssrn.com/sol3/papers.cfm?abstract_id=649097> . Acesso em 27 abr 2018. BALLOU, Ronald H. Gerenciamento da cadeia de suprimentos/logística empresarial. 5. ed. Porto Alegre: Bookman, 2006. 616 p.
BONOTTO, Giulia. Previsão de demanda a partir de métodos quantitativos aplicada ao
setor varejista. 2015. Monografia (Graduação em Engenharia de Produção) - Universidade
Federal do Rio Grande do Sul, Porto Alegre, 2015. Disponível em:
<http://www.lume.ufrgs.br/handle/10183/147496>. Acesso em 19 abr. 2018. CASULA, Henrique Cury. Aplicação de técnicas de previsão de demanda em
manufatura: estudo de caso em uma indústria de laminados. 2012. Dissertação (Mestrado em
Engenharia Mecânica) – Universidade Estadual de Campinas, Campinas, 2012. Disponível em:<http://repositorio.unicamp.br/bitstream/REPOSIP/265652/1/Casula_HenriqueCury_M.pd f> . Acesso em 26 abr. 2018.
CAVALHEIRO, Darlene. Método de Previsão de Demanda aplicada ao Planejamento da
Produção de Indústrias de Alimentos, 2003. Dissertação (Mestrado em Engenharia de
Produção) – Centro Tecnológico,Universidade Federal de Santa Catarina, Porto Alegre, 2003. Disponível em <https://repositorio.ufsc.br/handle/123456789/85516> . Acesso em 28 abr. 2018.
CHOPRA, Sunil; MEINDL, Peter. Gestão da cadeia de suprimentos: estratégia, planejamento e operações. 4. ed. São Paulo: Pearson, c2011. xv, 519 p.
CORRÊA, Henrique L.; GIANESI, Irineu G. N.; CAON, Mauro. Planejamento,
programação e controle da produção: MRP II/ERP : conceitos, uso e implantação ; base
para SAP, oracle applications e outros softwares integrados de gestão. 5. ed. São Paulo: Atlas: 2007. 434 p.
CORRÊA, Henrique L. Gestão de redes de suprimento: integrando cadeias de suprimento no mundo globalizado. São Paulo, SP: Atlas, 2010. 414p.
CORRÊA, Henrique L.; CORRÊA, Carlos A. Administração de produção e
operações: manufatura e serviços : uma abordagem estratégica . 3. ed. -. São Paulo: Atlas,
2012. xx, 680p.
DAVIS, Mark M.; AQUILANO, Nicholas J.; CHASE, Richard B. Fundamentos da
Administração da Produção. 3. ed. Porto Alegre: Bookman, 2001.
DIAS, Marco Aurélio P. Administração de materiais: princípios, conceitos e gestão. 6. ed. São Paulo, SP: Atlas, 2010. 346 p.
FRAGOSO, Bruno Barreira. Método para a criação de um processo de previsão da
demanda de vendas. 2009. Dissertação (Mestrado em Engenharia Mecânica) – Universidade Estadual de Campinas, Campinas, 2009. Disponível em:
<http://repositorio.unicamp.br/jspui/bitstream/REPOSIP/265626/1/Fragoso_BrunoBarreira_M .pdf>. Acesso em 28 abr. 2018.
GAITHER, Norman,; FRAZIER, Greg. Administração da produção e operações. 8. ed. São Paulo: Cengage Learning, THOMSON, c2002. ix, 598 p.
GIL, Antônio Carlos. Métodos e técnicas de Pesquisa Social. 6. ed. - São Paulo : Atlas, 2008.
JACOBS, F. Robert; CHASE, Richard B. Administração da produção e de operações: o essencial. Porto Alegre, RS: Bookman, 2009. 424p.
KOTLER, Philip.; KELLER, Kevin Lane. Administração de marketing . 14. ed. – São Paulo: Pearson Education do Brasil, 2012.
KRAJEWSKI, Lee J.; RITZMAN, Larry P.; MALHOTRA, Manoj K. Administração de
produção e operações. 8. ed. São Paulo: Pearson Prentice Hall, c2009. xiv, 615 p.
LAKATOS, Eva Maria; MARCONI, Marina de Andrade. Metodologia do trabalho
científico: procedimentos básicos, pesquisa bibliográfica, projeto e relatório, publicações e
trabalhos científicos. 7. ed. São Paulo, SP: Atlas, 2007. 226 p.
LEE, H.; KIM, S. G.; PARK, H. W.; KANG, P. Pre-launch new product demand
forecasting using the Bass model: A statistical and machine learning-based approach.
Technological Forecasting and Social Chance, v. 86, p. 49-64, 2014. Disponível em <https://www.sciencedirect.com/science/article/pii/S0040162513001881?via%3Dihub> Acesso em 24 abr.2018.
LEMOS, Fernando de Oliveira. Metodologia para seleção de métodos de previsão de
demanda. 2006. Dissertação (Mestrado em Engenharia de Produção) – Universidade Federal
do Rio Grande do Sul, Porto Alegre, 2006. Disponível em:
<http://www.producao.ufrgs.br/arquivos/publicacoes/fernandooliveiralemos.pdf>. Acesso em 27 abr. 2018.
MAKRIDAKIS, S. Metaforecasting: Ways of Improving Forecasting Accuracy and Usefulness, International Journal of Forecasting, Volume 4, Issue 3, p. 467-491, 1987. Disponível em: <https://www.sciencedirect.com/science/article/pii/0169207088901124>. Acesso em 28 abr. 2018.
MAKRIDAKIS, S., WHEELWRIGHT, S. C., HYNDMAN, R. J. Forecasting Methods for
Management, Third edition. New York: John Wiley, 1998.
MARTINS, Petrônio G; LAUGENI, Fernando P. Administração da produção. 2. ed. rev., aum. e atual. São Paulo: Saraiva, c2005. 562 p.
MELO, D. C.; ALCÂNTARA, R. L. C. A gestão da demanda em cadeias de suprimentos: uma abordagem além da previsão de vendas. , São Carlos, v. 18, n. 4, p. 809-824, 2011. Disponível em: <www.scielo.br/pdf/gp/v18n4/a09v18n4.pdf>. Acesso em 29 abr. 2018 MONKS, Joseph G. Administração da Produção. Sao Paulo: McGraw-Hill, 1987. MOREIRA, Daniel Augusto. Administração da produção e operações. 2. ed. São Paulo: Cengage Learning, c2008. 624 p.
MOREIRA, Daniel A. Administração da Produção e Operações. Sao Paulo: Pioneira Thomson Learning, 2004.
PEINADO,J.; GRAEMI, A.R.. Administração da produção: operações industriais e de serviços. Curitiba. UnicenP, 2007.
PEIXOTO, E. C.; PINTO, L. R. Gerenciamento de estoques via previsão de vendas
agregadas utilizando simulação. Produção, v. 16, n. 3, p. 569-581, Set./Dez. 2006.
Disponível em: <http://www.scielo.br/pdf/prod/v16n3/a16v16n3.pdf>. Acesso em 30 abr. 2018.
ROWE, G., WRIGHT, G. Expert opinions in forecasting: The role of the Delphi Technique. In J. Armstrong (Ed.). Principles of Forecasting. Boston: Kluwer Academic.2001. p. 125- 144. Disponível em: < https://link.springer.com/chapter/10.1007/978-0-306-47630-3_7>. Acesso em 26 abr. 2018.
SLACK, Nigel; CHAMBERS, Stuart.; JOHNSTON, Robert. Administração da produção. 3. ed. São Paulo, SP: Atlas, 2009. 703p.
TALLARICO, Luiz Fernando Terra. Previsão a curto prazo. Rev. adm empres. vol.8 no.27 São Paulo Abr./Jun 1968. Disponível em:
<http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0034-75901968000200002>. Acesso em 28 abr. 2018.
THOMAS, R. J. Estimating Demand for Services: Issues in Combining Sales Forecasts. Journal of Retailing and Consumer Services. v. 3, n. 4, p. 241-250, 1996.
TUBINO, Dalvio Ferrari. Manual de planejamento e controle da produção. 2. ed. São Paulo: Atlas, 2000. 220 p.
VERGARA, Sylvia Constant. Projetos e relatórios de pesquisa em administração. 15. ed. São Paulo, SP: Atlas, 2013. 94 p.
WRIGHT, James; GIOVINAZZO, Renata. Delphi - Uma ferramenta de apoio ao
planejamento prospectivo. Caderno de Pesquisa em Administração. Sao Paulo, v. 1, n. 12, p. 54-65, 2000. Disponível em:
https://edisciplinas.usp.br/pluginfile.php/1310202/mod_resource/content/1/DELPHI_QUESTI ONARIO_1.pdf>. Acesso em 30 abr. 2018.
XU, L. et al. Quantifying signals with power-law correlations: A comparative study of detrended fluctuation analysis and detrended moving average techniques, PHYSICAL REVIEW E 71, 051101.2005. Disponível em:
<https://journals.aps.org/pre/abstract/10.1103/PhysRevE.71.051101>. Acesso em 24 abr.2018.
YAMAUTI, Marcelo Massahiti. Regressão linear simples nos livros de Estatística para
cursos de Administração: um estudo didático, 2013. Dissertação (Mestrado em Matemática).
Pontíficia Universidade Católica de São Paulo, São Paulo, 2013. Disponível em:
<http://revistapos.cruzeirodosul.edu.br/index.php/epd/article/view/461/385>. Acesso em 25 abr. 2018.