O trabalho foi elaborado com base em uma única plataforma de petróleo offshore, no entanto, dado um modelo elaborado, este pode ser aplicado em outras plataforma de mesmo perfil. Com isso, a contribuição para a gestão da
77
logística e dos recursos envolvidos nesta aplicação pode ser estendida a outros órgãos gestores.
Além disso, podem ser aplicados às séries temporais outros métodos de previsão de demanda, para avaliar a sua acurácia, por exemplo, Redes Neurais Artificiais. Essa aplicação requer um maior número de dados de entrada, ou seja, é sugerida a implementação de uma ferramenta de exportação automática dos dados utilizados na previsão de demandas, para que o acesso a essas informações possa acontecer de forma contínua e rápida.
Existem também outras técnicas de reamostragem que, apesar de estudadas, não foram aplicadas, como o método aplicado aos resíduos. Novas simulações adotando este métodos podem fornecer dados interessantes e previsões mais acuradas.
A implementação do cálculo das medidas AIC e BIC para o modelo Bagging ETS permitiria a avaliação do desempenho do modelo em relação aos demais, o qual pode ser desenvolvido através do software R.
Como já foi citado anteriormente, a empresa estudada realiza seu planejamento com base em métodos qualitativos baseado em opiniões de especialistas, as quais norteiam as decisões gerenciais. Para a implantação do método quantitativo de previsão de demanda proposto neste trabalho, há a necessidade de estruturar esta mudança em etapas, as quais devem contemplar: palestras de divulgação do novo método de planejamento, treinamento e capacitação dos profissionais envolvidos, criação de um banco de dados com registros que permitam que o modelo seja revisto sempre que necessário. Estas ações são fundamentais para que haja manutenção e monitoramento dos erros de previsão, fazendo que o modelo mantanha sua validade e confiabilidade.
78
6 REFERÊNCIAS BIBLIOGRÁFICAS
ABURTO, L.; WEBER, R. Improved suplly chain management based on hybrid. Applied Soft Computing, Chile, n.7, p. 136-144, 2007.
AGUIAR, R. A. Estudo do Impacto da Ampliação de Berço e de Área de Pátio no Aumento da Capacidade Operacional de uma Base de Apoio Offshore. Dissertação (Mestrado em Engenharia Civil) – Programa de Pós-Graduação em Engenharia Civil, Universidade Federal do Espírito Santo, Vitória, 2013.
ANDRADE, C. O que o Brasil precisa em transporte e logística. Proposta da CNT aos candidatos à presidência, 2014.
AKAIKE, H. A. A new look at the statistical model identification. IEEE Transactions on Automatic Control, Boston, v.19, n.6, p.716-723, Dec. 1974. ARMSTRONG, J. Principles of Forecasting: a Handbook for Reserchers and Practitioners. Boston: Kluwer Academic Publishers, 2001.
BENTO, G.M.; SANTOS, R.T. Avaliação de métodos de remoção de outliers e seus impactos na precisão dos métodos de interpolação. SIMAP, UFMT, CAMPUS UNIVERSITÁRIO DE SINOP, 2018.
BERGMEIR, C., HYNDMAN, R., BENÍTEZ, J. Bagging Exponential Smoothing Methods Using STL Decomposition and Box-Cox Transformation. Working Paper 11/14, 2014.
BOX, G.E.P.; JENKINS, G.M. Time series analysis. San Francisco: Ed: Holden- Day, 1976, 575 p.
BOX, G.E.P.; JENKINS, G.M.; REINSEL, G.C. Time series analysis: forecasting and control. 3rd ed. New Jersey: Ed: Wiley, 2008, 784 p.
BRAGA, A. P.; CARVALHO, A. P. L. F.; LUDERMIR, T. B. Redes Neurais Artificiais: Teoria e Aplicações. 2ª ed. Rio de Janeiro: Ed. LTC – Livros Técnicos e Científicos, 2011, 226 p.
BREIMAN, L.; Bagging predictors. Machine learning, 24(2):123–140, 1996. BREIMAN, L.: Arcing classifiers. The Annals of Statistics, v. 26, n. 3, p. 801-849, 1998.
CHASE, R.; JACOBS, F.; AQUILANO, N. Administração da produção e operações: para vantagens competitivas. 11 ed. São Paulo: Mcgraw-Hill Interamericana do Brasil, 2006, 602 p.
79
CLEVELAND, R.B., CLEVELAND, W.S., MCRAE,J.E.,TERPENNING, I. STL: A seasonal-trend decomposition procedure based on loess. Journal of Official Statistics 6:3-73,1990.
CORDEIRO, M. H. C. Modelos de Previsão em Séries Temporais. Aplicação da Metodologia Bootstrap. Dissertação de Mestrado, Universidade Nova de Lisboa, Lisboa, 2003.
COSTA, E.F. Diretrizes para elaboração de um manual para planejamento e controle da produção de empresas de pequeno e médio porte. 2010. Trabalho de conclusão de curso, UFJF, Juiz de Fora, MG. Disponível em
<http://www.ufjf.br/ep/files/2014/07/2010_3_Edmilson.pdf>. Acesso em
13.05.2018.
DANTAS, T.M.; OLIVEIRA, F.L.C. Previsão de Velocidade de Vento: uma abordagem utilizando Bagging Holt Winters com Decomposição STL. Salvador: SBPO, 2014.
DANTAS, T.M.; OLIVEIRA, F.L.C. Bagging ARIMA para Previsão de Demanda de Transporte Aéreo. Fortaleza: ENEGEP, 2015.
Davison, A. C. e Hinkley, D. V. Bootstrap Methods and Their Applications. Cambridge University Press, New York, 1997.
DICKEY, D.A.; FULLER, W.A. Likelihood ratio statistics for autoregressive time series with a unit root. Econometrica, 49:1057-1072, 1981.
DICKEY, D.A; FULLER, W.A. Distribution of the estimator for auto-regressive time series with a unit root. Journal of the American Statistical Association, 74:427-31, 1979.
DOWNING, D; CLARK, J. Estatística Aplicada, 2ª ed. São Paulo: Saraiva, 2006. EFRON, B. Bootstrap methods: another look at the Jackknife. The Annals of Statistics., 7, 1–26,1979
FABOZZI, J. F.; FOCARDI, S. M.; RACHEV, S. T.; ARSHANAPALLI, B. G., The Basics of Financial Econometrics: Tools, Concepts, and Asset Management Applications. John Wiley & Sons, 2014, 400 p.
FERNANDES, F.C.F.; GODINHO FILHO, M. Planejamento e Controle da Produção: dos fundamentos ao essencial, 2ª ed. São Paulo: Ed. Atlas, 2010, 275 p.
80
FERREIRA FILHO, V.J.M. Gestão de Operações e Logística na Produção de Petróleo: Fundamentos, Metodologia e Métodos Quantitativos, 1ª ed. São Paulo: Ed. Elsevier, 2015.
FIGUEIRA, M.M.C, Identificação de Outliers, MILLENIUM nº12 – outubro, 1998. FISCHER, S. Séries univariantes de tempo – metodologia de Box-Jenkins, Fundação de Economia e Estatística. Porto Alegre, 1982.
FONSECA, J.J.S. Metodologia da pesquisa científica. Fortaleza: UEC, 2002, Apostila.
FOX, D. G. Judging Air Quality Model Performance. Bulletin of the American Meteorological Society, v. 62, p. 599- 609, 1981.
FREEDMAN, D. A.; PETERS, S. C. Bootstrapping an econometric model: some empirical results. Journal of the Business & Economic Statistics. 2:150-158, 1984.
FULLER, Wayne A. Introduction to statistical time series. 2nd ed. New York: John Wiley & Sons, 1996. 698p
GAITHER, N.; FRAZIER, G. Operations management. Ohio, 2001.
GAMBERINI, R.; LOLLI, F.; RIMINI, B.; SGARBOSSA, F. Forecasting of sporadic demand patterns with seasonality and trend components: na empirical comparison between Holt-Winters and (S)ARIMA methods. Mathematical Problems in Engineering, 2010.
GIL, A.C. Como elaborar projetos de pesquisa. 4ª ed. São Paulo: Editora Atlas, 2007.
GUJARATI, D; PORTER, D. Econometria Básica, 5ªed. Porto Alegre: AMGH Editora, 2011.
HALLAK, R.; PEREIRA FILHO; A. J. Metodologia para Análise de Desempenho de Simulações de Sistemas Convectivos na Região Metropolitana de São Paulo com o Modelo ARPS: Sensibilidade a Variações com os Esquemas de Advecção e Assimilação de Dados. Revista Brasileira de Meteorologia, v.26, n.4, 591 - 608, 2011.
HANKE, J.E.; WICHERN, D.W.; REITSCH, A.G. Business forecasting, 7 ed., New York, Prentice Hall, 2001.
HARRIS, R.I.D. Cointegration analysis in econometric modelling. London: Prentice Hall, 1995. 176p.
81
IGNÁCIO, S.A. Importância da Estatística para o Processo de Conhecimento e Tomada de Decisão. Revista Paranaense de Desenvolvimento, Curitiba, n.118, p.175-192, 2010.
KAHN, K. B.; MENTZER, J. T.; BIENSTOCK, C. C. Benchmarking Sales Forecasting Performance Measures. Business Horizons, Indiana University, 1999.
KOTLER, P.; KELLER, K.L. Administração de marketing. 14ª ed. São Paulo: Ed. Pearson Education do Brasil, 2012, 765 p.
KÜNSCH, H.R. The jackknife and the bootstrap for general stationary observations. Annals of Statistics 17(3):1217–1241,1989.
LAHIRI, S. N. Theoretical comparisons of block bootstrap methods. Annals of Statistics 27(1): 386–404,1999.
LAHIRI, S. N. Resampling Methods for Dependent Data. Springer-Verlag, New York, 2003.
LAKATOS, E. M.; MARCONI, M. A. Técnicas de Pesquisa: planejamento e execução de pesquisas, amostragens e técnicas de pesquisas, elaboração, análise e interpretação de dados. 5ª ed. São Paulo, Atlas, 2002.
LIU, Y.R.; SINGH, K.Efficiency and Robustness in Resampling . Annals of Statistics 20(1):370–384,1992.
LOPES. P. H. M. Uma Solução para o Problema de Roteamento de Embarcações de Apoio “Offshore” através da Meta-heurística RTR. Dissertação (Mestrado em Engenharia Elétrica) – COPPE, Universidade Federal do Rio de Janeiro, Rio de Janeiro, 2011.
MARGARIDO, M. A.; ANEFALOS, L. C. Testes de raiz unitária e o software SAS. Agricultura em São Paulo, v. 46, n.2, p.19-45, 1999.
MAKRIDAKIS, S.; WHEELWRIGHT, S.; HYNDMAN, R. J. Forecasting methods and applications. 3. ed. John Wiley & Sons, 1998.
MAZZINI, P.L.F.; & SCHETTINI, C.A.F. Avaliação de metodologias de interpolaçãoespacial aplicadas a dados hidrográficos costeiros quase sinóticos. Brazilian Journal of AquaticSciences & Technology, (1-31), pp. 53-64. 2009 MESQUITA, M. A. Previsão de demanda. In: LUSTOSA, L.; MESQUITA, M. A.; QUELHAS, O.; OLIVEIRA, R. Planejamento e Controle da Produção. Rio de Janeiro: Elsevier, 2008.
82
MIOT, H. A. Avaliação da normalidade dos dados em estudos clínicos e experimentais. Jornal Vascular Brasileiro, Botucatu, São Paulo, Apr.-Jun.; 16(2):88-91, 2017.
MOREIRA, D. A. Administração da produção e operações. 2. ed. rev. e ampl. São Paulo: Cengage Learning, 2009.
MILESKI JUNIOR, A. Análise de métodos de previsão de demanda baseados em séries temporais em uma empresa do setor de perfumes e cosméticos. Dissertação de Mestrado, PUC/PR, Curitiba-PR, 2007.
MORETTIN, P. A.; TOLÓI, C. M. C. Séries temporais. 2. ed. São Paulo: Edgard Blücher, 1987.
MURDICK, R. G.; GEORGOFF, D. M. Forecasting: a System Approach. Technologial Forecasting and Social Change. v. 44, n. 1, p. 1-16, 1993.
NEUSSER, L. Combinação seletiva de métodos para previsão de demandas a curtíssimo prazo em tempo real. Tese de Doutorado, UFSM, Santa Maria-RS, 2015.
NOBREGA DA SILVA, D. O método Bootstrap e aplicações à regressão múltipla. Dissertação de Mestrado, UNICAMP, Campinas, 1995.
PINTO, L. R. L.; MAZZON, J. A. Proposição de um modelo de simulação de vendas: uma análise dos influenciadores das vendas da cesta de bens de consumo auditada pela Nielsen. Trabalho de Conclusão de Curso. USP, São Paulo, 2010.
Portal SAP Brasil, disponível em <https://www.sap.com/brazil/index.html>. Acesso em 12 de maio de 2020.
RAZALI, N. M.; WAH, Y. B. Power comparisons of Shapiro-Wilk, Kolmogorov- Smirnov, Lilliefors and Anderson-Darling Tests. Journal of Statistical Modeling and Analytics, Malaysia, v. 2, n. 1, p. 21-23, 2011.
RODRIGUES, P. R. A. Introdução aos sistemas de transporte no Brasil e à logística internacional. 4 ed rev. eampl. São Paulo: Aduaneiras, 2007.
RÜBESAM, A.; Estimação Não-Paramétrica Aplicada a Problemas de Classificação via Bagging e Boosting. Dissertação de Mestrado, UNICAMP, Campinas-SP, 2004.
RUSSOMANO, V.H. PCP: Planejamento e controle da produção. 6ª ed. São Paulo: Editora Pioneira, 2000, 320 p.
83
SCHWARZ, G. Estimating the dimensional of a model. Annals of Statistics, Hayward, v.6, n.2, p.461-464, Mar. 1978.
SCHWERT, G. Effects of Model Specification on Tests for Unit roots in Macroeconomic. Journal of Monetary Economics. 1987, 73-103.
SEO, S. A Review and Comparison of Methods for Detecting Outliers in Univariate Data Sets. Dissertation (Master of Science) - Graduate School of Public Health in partial fulfillment, UNIVERSITY OF PITTSBURGH, Pittsburgh, Pennsylvania, 2006.
SILVA, F. R. Uma Abordagem para Detecção de Outliers em Dados Categóricos. 2004. 81f. Dissertação de Mestrado em Ciência da Computação, UNICAMP, Campinas, 2004.
SOUZA, C. M. G. Modelos de Previsão de Séries Temporais Aplicados ao Setor Editorial Brasileiro. Trabalho de Conclusão de Curso, UFRJ, Rio de Janeiro – RJ, 2017.
SOUZA, R. C.; CAMARGO, M. E. Análise e Previsão de Séries Temporais: Os Modelos Arima. 2a. ed. Rio de Janeiro: Gráfica e Editora Reginal, 2004.
SLACK. N,; CHAMBERS, S.; JOHNSTON, R. Administração da Produção. 3 ed. São Paulo: Atlas, 2009.
TSOUMAKAS, G.; ANGELIS, L.; VLAHAVAS, I. Selective fusion of heterogeneous classifiers. Intelligent Data Analysis, 9(6):511–525, 2005.
TUBINO, D.F. Planejamento e Controle da Produção: teoria e prática. São Paulo, 2009.
TURRIONI, J. B.; MELLO, C. H. P. Metodologia de Pesquisa em Engenharia de Produção. Universidade Federal de Itajubá. Minas Gerais, 2012.
VOLLMANN, T. E. Sistemas de Planejamento e Controle da Produção para o Gerenciamento da Cadeia de Suprimentos. 5. ed. Porto Alegre: Bookman, 2006. WACKER, J. G.; LUMMUS, R. R. Sales forecasting for strategic resource planning. International Journal of Operations & Production Management, v.2, n.9, p.1014-1031, 2002.
WILLIAM, J. Combinação das previsões dos modelos de Box-Jenkins e MLP/RNA para a previsão de demanda no planejamento da produção. Dissertação de Mestrado. UFSM, Santa Maria-RS, 2014.
WOOLDRIDGE, J. M; Introdução à Econometria - Uma Abordagem Moderna - 4ª ed. São Paulo, Thomson Learning, 2006.
84
WU, Yi-Hwa (Eva): Hung, Ming-Chih. Comparison of Spatial Interpolation Techniques Using Visualization and Quantitative Assessment. Department of Humanities and Social Sciences. Northwest Missouri State University. Univertsity Drive. Maryville. Missouri. USA. Chapter 2, 2016.
YIN, R. Case Study Research: Design and Methods. Thousand Oaks: Sage Publications, 1994.
ZHANG, G.P.; QI, M. Neural Network forecasting for seasonal and trend time series. European Journal of Operational Research, n. 160, p. 501-514, 2005. ZHANG, G.P.; Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing, [s.1], n.50, p, 159-175, 2003.