ANÁLISE COMPARATIVA DE MÉTODOS DE PREVISÃO DE DEMANDA APLICADOS EM UMA EMPRESA DE AUTOPEÇAS.

(1)

ANÁLISE COMPARATIVA DE MÉTODOS DE PREVISÃO DE DEMANDA APLICADOS EM UMA EMPRESA DE AUTOPEÇAS.

Gilmário Oliveira da Costa (Universidade Federal do Ceará ) gilmariocostaa27@gmail.com Daiane de Oliveira Costa (Universidade Federal do Ceará ) daiane_oliveirac@hotmail.com Leonardo Maciel de Castro (Universidade Federal do Ceará ) leocastrocm@gmail.com Paulo Henrique Fragoso Ferreira (Universidade Federal do Ceará ) gilmarioblob@gmail.com

O varejo de autopeças é um mercado que tem apresentado crescimento no Brasil desde a crise de 2014, que acarretou em uma diminuição do poder de compra do brasileiro e fez com que os consumidores passassem a trocar menos de veículos, causando assim um aumento na idade da frota veicular e consequente aumento da demanda por manutenção da mesma. Tabuleiro do Norte é uma cidade localizada no interior do Ceará, conhecida popularmente como a cidade dos caminhoneiros, por ter uma das maiores populações de caminhoneiros per capita do Brasil. Dentro desse contexto, o objetivo deste trabalho é promover uma análise comparativa entre modelos de previsão de demanda aplicados a uma empresa de autopeças na cidade de Tabuleiro do Norte (CE) e determinar aquele que melhor se ajusta à demanda da empresa. Para isso, foi realizada uma coleta de dados e a família de óleos lubrificantes foi escolhida como objeto de estudo, dado seu percentual de lucro correspondente ao total da empresa.

Foram aplicados 4 modelos de previsão: média móvel simples, média exponencial móvel, método de Holt Winter e regressão linear. Os resultados obtidos apontaram o método de regressão linear como o mais adequado, dessa forma, o mesmo foi escolhido para realizar a previsão para 15 períodos posteriores.

Palavras-chave: Varejo de Autopeças; Previsão de Demanda;

Acurácia da Previsão

(2)

2 1. Introdução

Em um ambiente competitivo a busca constante pelo lucro faz com que as empresas tenham uma preocupação especial com o gerenciamento e controle de suas operações. Nesse contexto, a previsão de demanda apresenta-se como uma importante ferramenta para auxiliar a empresa nas tomadas de decisão. Kotler (1991) relata que as empresas possuem necessidades e externalidades únicas, fazendo com que os métodos de previsão tenham que se adequar a elas.

Tabuleiro do Norte é uma cidade localizada no interior do Ceará, conhecida popularmente como a cidade dos caminhoneiros, por ter uma das maiores populações de caminhoneiros per capita do Brasil. A economia da cidade é baseada no transporte de carga, como prestação de serviços e vendas de peças para a manutenção dos caminhões, assim a demanda nas lojas de autopeças da cidade é alta.

O varejo de autopeças é um mercado que tem apresentado crescimento no Brasil desde a crise de 2014, que acarretou em uma diminuição do poder de compra do brasileiro e fez com que os consumidores passassem a trocar menos de veículos, causando assim um aumento na idade da frota veicular e consequente aumento da demanda por manutenção da mesma. Dado este cenário, as vendas no setor de autopeças cresceram significativamente nos últimos anos, apenas em 2017 o crescimento foi de 30% e espera-se um crescimento anual de 7% até 2020 (EXAME, 2017).

Dentro desse contexto, o objetivo deste trabalho é promover uma análise comparativa entre modelos de previsão de demanda aplicados a uma empresa de autopeças na cidade de Tabuleiro do Norte (CE) e determinar aquele que melhor se ajusta à demanda da empresa.

2. Referencial Teórico 2.1 Previsão de Demanda

Para Martins (2005, p. 226), a previsão é a determinação de valores futuros, obtidas através de uma fonte de dados passados, que são aplicados em métodos ou modelos matemáticos que estão associados a uma metodologia de trabalho previamente definida.

Segundo Ballou (2006) para que se possa planejar e controlar as atividades de uma cadeia de suprimentos é necessário que esteja à disposição da empresa estimativas acuradas de sua demanda, estas estimativas podem se apresentar na forma de previsões.

2.2 Métodos de previsão de demanda

(3)

3 De acordo com Tubino (2007) os métodos podem ser agrupados em 4 grupos:

a) Qualitativos: São os métodos cujo as estimativas são coletadas por técnicas que resultam em informações subjetivas, que necessitam de um julgamento

b)

Quantitativos: Essa técnica exige uma análise mais minuciosa de dados passados para a utilização dos mesmos em modelos matemáticos para se obter dados futuros.

c)

Séries temporais: Procuram relacionar o comportamento dos dados históricos do produto com o tempo, isso através de formulação matemática especifica para o modelo.

d)

Correlação: Usa-se de dados históricos para relacionar alguns tipos de variáveis, buscando perceber qual a relação entre as mesmas de acordo com o período.

2.2.1 Média Móvel Simples

Entre os métodos quantitativos baseados em dados históricos existentes, um dos mais simples é a média móvel, ou média móvel simples, onde sua previsão é a média de n períodos passados (MARTINS, 2005).

A média móvel simples é calculada pela Equação 1:

(1)

Em que:

• : previsão para o período t;

• : demanda em um período i;

• : número de períodos.

2.2.2 Média Exponencial Móvel

A média exponencial móvel se compara com a média móvel simples, com a diferença que, neste caso, o peso de cada observação vai decrescendo em progressão geométrica ou de forma exponencial em relação ao tempo. Para efetuação do seu cálculo, cada nova previsão é obtida com base na previsão anterior, acrescida do erro cometido na previsão anterior, como mostrado na Equação 2 (TUBINO, 2009):

(2)

Onde:

(4)

4 • : previsão para o período t;

• : previsão para o período t-1;

• : coeficiente de ponderação;

• : demanda do período t-1.

2.2.3 Método de HoltWinter

Quando os dados apresentam uma tendência deve-se usar métodos específicos para tratar as mesmas, como o método de Holt, também chamado de ajustamento exponencial duplo. Uma variação deste método é modelo de Winter, ou ajustamento sazonal para dados com tendência, que é o método de Holt acrescido de uma equação para estimar a sazonalidade (MARTINS, 2005).

O método de Holt é expresso pelo conjunto de Equações (3, 4 e 5):

) (3)

(4)

(5)

Sendo:

• : novo valor amortecido;

• : coeficiente de amortecimento para os dados ( ;

• coeficiente de amortecimento para a tendência T ( );

• valor real do período t;

• : estimativa da tendência;

• p: períodos futuros a serem previstos;

• : previsão para p períodos futuros.

As Equações de 6 a 9, apresentam o modelo de Winter:

(6)

(5)

5

(7)

(8)

(9)

Onde:

• : novo valor amortecido;

• : coeficiente de amortecimento para os dados );

• coeficiente de amortecimento para a tendência T );

• : estimativa da tendência;

• : duração da sazonalidade;

• : previsão para p períodos no futuro;

• : períodos a serem previstos no futuro;

• : estimativa da sazonalidade;

• : nova observação ou valor atual da série no período t;

• : constante de amortecimento para a estimativa da sazonalidade ).

2.2.4 Método baseado na sazonalidade com tendência

A série temporal consiste em encontrar os componentes básicos de tendência, sazonalidade e ciclos da série, sendo assim necessário calcular os índices com base nas estações e nos ciclos.

O procedimento de previsão reverte o processo projetando a tendência e corrigindo-a baseando-se nos índices de sazonalidade que foram determinados em um determinado ciclo.

Chase et al. (2006), elabora uma sequência lógica para decomposição da série temporal.

Inicialmente, calcula-se a média móvel centrada para cada período (Equação 10), logo após encontra-se cada índice de sazonalidade, sendo este a razão da demanda real pela média móvel centrada (Equação 11).

(10)

(11)

(6)

6 O índice de sazonalidade para o período t é representado por ISt, a média móvel centrada para o período t é representada por MMCt e n representa o número de meses do período de sazonalidade

Como os fatores sazonais devem ser iguais para os meses semelhantes de cada período sazonal, faz-se necessário obter a média dos índices dos meses semelhantes, representado por ISt (Equação 12), sendo x o número de meses semelhantes de cada período de sazonalidade.

(12) O procedimento utilizado para retirar o componente de sazonalidade dos dados, denominado dedessazonalização, se dá através da divisão da demanda real pelo seu índice de sazonalidade correspondente. Com os valores da demanda dessazonalizada, é possível encontrar a equação que rege o comportamento da série ao longo do tempo, através da regressão linear simples que, segundo Tubino (2009), tem como objetivo encontrar uma equação linear de duas variáveis, uma dependente, que é a variável a ser prevista, e uma independente.

A reta que rege a tendência (Equação 13) pode ser encontrada pelo conjunto de fórmulas abaixo (Equação 14 e 15):

(13) (14)

(15)

Sendo:

• Y: valores da demanda dessazonalizada para o item dependente;

• a: ordenada à origem;

• b: coeficiente angular;

• X: valor da variável independente ou período de estudo

• n: número de pares XY observados

Posteriormente deve-se introduzir um segundo passo, que é encontrar as previsões de

demanda para os períodos posteriores, utilizando para isso a Equação 16:

(7)

7 (16)

2.3 Medidas de acurácia

De acordo com Ballou (2006) as previsões de demanda não são precisas, ou seja, apresentam erros. Por isso, é importante que se verifique a precisão dos métodos utilizados. O autor apresenta duas medidas pelas quais pode ser realizada essa verificação:: MAD (MeanAbsoluteError) e MAPE (MeanAbsolutePercentageError).

O MAD é calculado conforme a Equação 17:

(17)

Onde:

• : Erro de previsão no instante t;

• : Número de observações;

• : demanda real no período t

Já o MAPE é calculado de acordo com a Equação 18:

(18)

Onde:

• : Erro de previsão no instante t;

• : Número de observações;

• : demanda real no período t 3. Metodologia

3.1 Caracterização da empresa

A empresa de autopeças abordada nesse estudo atua principalmente com peças e com

acessórios de veículos de grande porte, como caminhões, carretas, tratores e outros. Ela conta

com a casa de peças e a oficina que opera há mais de 15 anos no mercado, composta por 55

funcionários diretamente, sendo a maior varejista no setor de peças mecânicas da cidade de

Tabuleiro do Norte e uma das maiores do Vale do Jaguaribe. A empresa em questão foi

(8)

8 escolhida devido seu grande potencial de crescimento e ao grande investimento que está sendo feito na mesma.

3.2 Caracterização da pesquisa

Em relação aos procedimentos utilizados para realização desta pesquisa, primeiramente foi efetuada uma pesquisa bibliográfica,visando uma melhor compreensão acerca do assuntoabordado. Constitui-se também de um estudo de caso, pois utilizou-se de uma entidade bem definida com o intuito de conhecer de modo mais aprofundado o como e o porquê de uma determinada situação, composta de algumas particularidades, procurando descobrir aspectos essenciais e característicos deste ambiente (FONSECA, 2002, p. 33).

No que diz respeito aos objetivos,o estudo apresenta-secomo exploratório, levando em consideração que o mesmo busca extrair dados e transformá-las em informação para ter uma visão mais geral sobre os fatores que estão atuando no ambiente.

Quanto à abordagem, é classificada como quantitativa, já que consistiu na análise dos dados históricos, aplicando modelos matemáticos para prever a demanda futura. A pesquisa quantitativa, baseia-se no pensamento lógico, buscando destacar o raciocínio dedutivo, e fatos mensuráveis passados por vivencias ou relatos. (POLIT, BECKER E HUNGLER, 2004, p.

201).

3.3 Levantamento e análise dos dados

Para coleta de dados, foi enviado ao proprietário um documento de solicitação de pesquisa científica eagendada uma visita institucional para um melhor entendimentodos processose recolhimentodas informações necessárias à aplicação do estudo. Durante arealização da visita, houve uma entrevista com o proprietário da empresapara levantar observações a respeito de como funciona o sistema que armazena o histórico de vendas, com o intuito de coletar dados relacionados aos produtos vendidos, visando a aplicação do modelo de previsão de demanda para alguns destes.

Os dados coletados correspondem aos produtosvendidos no período compreendido entre

janeiro de 2016 a outubro de 2018.Observou-se através da coleta de dados junto ao sistema

que a empresa trabalha com mais de 15000 itens, o que torna inviável fazer um planejamento

para todos os produtos. Assim, os produtos a serem estudados foram definidoscom base na

participação destes no lucro total da empresa.

(9)

9 Tal informação foi obtida junto ao módulo financeiro do sistema de informação da organização, que apresenta uma lista dos produtos com maior porcentagem no lucro total, conforme apresentado na Tabela 1:

Tabela 1: Relação entre produto e margem de lucro total

Fonte: Autores, 2018.

Analisando a tabela 1,observa-se que o óleo é o produto mais rentável do negócio, com 32%.

Logo, a família de óleos, composta por três marcas principais (Shell, Texaco e Mobil), foi a escolhida para ser estudada. Realizou-se a coleta de dados referente aos produtos vendidos nos períodos passados, levando em consideração todos os fenômenos de mercado que ocorreram e as flutuações de demanda por fatores internos e externos a empresa. Com o objetivo de utilizar o método com menor erro de aplicação, foi utilizado o software da Microsoft Excel junto ao seu suplemento de otimização, o Solver, para a escolhe do melhor método de previsão.

4. Resultados e discursões

A partir da escolha da família de óleos lubrificantes, foram testados quatro métodos de previsão e com isso escolhido o que obteve o menor erro para auxiliar no desenvolvimento do planejamento da empresa.

4.1 Média Móvel Simples (MMS) com três meses (MM3)

(10)

10 A MMS é baseada em uma média aritmética simples dos três últimos meses do período. A tabela 2 mostra as demandas e suas respectivas previsões para o ano de 2017.

Tabela 2: Resultados do método de previsão MMS com três meses

Como mostra a tabela 2, o erro percentual médio gira em torno de vinte e três pontos percentuais, o qual consiste em um erro de previsão consideravelmente alto. Tal fato pode ser percebido analisando o gráfico 1, que mostra o comportamento da previsão em relação à demanda real, onde pode-se notar que ambos são bastante distintos, fazendo com que esse método de previsão não seja adequado para implementação.

Gráfico 1: Previsão de demanda para o método MMS com três meses

4.2 Média Móvel Exponencial (MME)

MME é um método de previsão que possui uma constante de amortecimento de flutuações

passadas, chamado alfa. Essa constante interfere diretamente no grau de resposta da previsão,

pois ela pode atribuir pesos maiores a eventos mais recentes ou a eventos já ocorridos. Para a

escolha da constante foi utilizado o Solver como ferramenta de otimização do valor de erro

médio absoluto. Na tabela 3, está representada as previsões para o ano de 2017.

(11)

11

Tabela 3: Resultados do método de previsão de MME

O erro percentual médio gira em torno de vinte e dois pontos percentuais, um pouco menor comparado ao da média móvel de três meses. No entanto, é possível observar no Gráfico 2 que o comportamento da previsão é consideravelmente distinto do comportamento da demanda real.

Gráfico 2: Previsão de demanda para o método de MME

4.3 Holt-Winters

O método de Holt-Winters possui três constantes de amortecimentos, para as quais buscou-se, através do Solver, a otimização dos seus valores, almejando a obtenção de menores erros.Estes são apresentadosna tabela 4.

Tabela 4: Resultados do método de previsão Holt-Winters

(12)

12 Assim como na MME, obtivemos um erro médio percentual de vinte e dois pontos, entretanto com um erro absoluto maior, o que significa uma maior variação dos valores da previsão em comparação com a demanda real. O gráfico 3 representa os dados reais e de previsão obtidos através do método:

Gráfico 3: Previsão de demanda para o método de Holt-Winters

Assim como nos métodos anteriores, é possível observar que o comportamento da previsão se distingue por vários momentos do comportamento da demanda real.

4.4 Regressão linear

A aplicação da regressão linear se deu após a análise do gráfico dos períodos estudados, que

mostraram um comportamento de demanda com leve tendência crescente com o passar dos

anos. A tabela 5 apresenta os valores de previsão e medidas de erros obtidas com a aplicação

deste método para o período de 2017.

(13)

13

Tabela 5: Resultados do método de previsão de Regressão Linear

Após esta aplicação, verificou-se que dentre os métodos de previsão ele é o que apresenta o menor erro percentual médio, fazendo com esse método gere previsões mais acuradas. No gráfico 4 encontra-se a representação de demanda e previsão em função do tempo.

Gráfico 4: Previsão de demanda para o método de Regressão Linear

Percebe-se que, em relação aos métodos anteriormente apresentado, este é o que apresenta um comportamento mais semelhante entre a previsão e a demanda real, além de apresentar o menor erro percentual, sendo, portanto escolhido para o desenvolvimento do modelo de previsão.

4.5 Desenvolvimento do modelo de previsão

(14)

14 Com as aplicações dos quatro métodos citados, verificou-se que o modelo que apresentou o menor percentual médio (MAPE) foi o de regressão linear. A série histórica de vendas de cada mês, compreendida entre janeiro de 2016 a setembro de 2018, está representada na tabela 6.

Tabela 6: Série histórica da demanda de 2016, 2017 e 2018.

Os dados foram dispostos graficamente para uma melhor verificação dos mesmos e identificação de possíveis padrões de sazonalidade (gráfico 5).

Gráfico 5: Demanda da série histórica de 2016 a 2018.

Pode-se observar no gráfico que o período de sazonalidade é anual e a demanda segue uma

tendência de crescimento ao decorrer dos anos, tal fato pode ser explicado pelo aumento da

(15)

15 manutenção em automóveis na cidade e região e investimentos que a empresa está fazendo para acompanhar o crescimento da demanda.

Na cidade de Tabuleiro do Norte-CE, todos os anos ocorre a tradicional festa dos caminhoneiros, onde os veículos param de rodar durante a primeira quinzena do mês de setembro, com isso o aumento de manutenções nos caminhões cresce em relação ao mês de agosto,influenciando a demanda.

A demanda de 2018 segue apresentando um comportamento semelhante até o período de julho, logo após, ela apresenta um acréscimo substancial, isso se explica devido à greve dos caminhoneiros que teve seu ápice em agosto. Tal fato influenciou diretamente a parada dos caminhões e manutenção dos automóveis fazendo com que o mês de agosto possuísse uma requisição de óleos maior do que o mês de setembro. Essa causa especial pode vir a interferir na previsão.

Após a análise dos dados e a constatação de períodos sazonais, é preciso realizar o cálculodos fatores sazonais,que consiste na razão da demanda real pela média das demandas reais do período sazonal estimado, conforme a Equação 12. Um exemplo do cálculo dos fatores sazonais é mostrado abaixo, para o primeiro e segundo período.

= 0,7198

= 1,0421

Os períodos foram divididos em 6 meses, para que meses do primeiro semestre não recebam interferência dos meses de agosto e setembro, já que estes possuem um padrão diferente de demanda, dadas as características específicas do mercado nestes períodos, já abordadas anteriormente. A tabela 7 mostra os índices de sazonalidade para 2016:

Tabela 7: Índices de Sazonalidade de 2016

(16)

16 Vale ressaltar que os fatores de sazonalidade foram obtidos também para os anos de 2017 e 2019 e após a realização destes cálculos, obteve-se os fatores sazonais médios,que foram calculados através de uma média simples dos meses semelhantes de cada ano, como exemplificado abaixo:

Os valores dos fatores sazonais médios para todos os meses do ano estão expostos na Tabela 8:

Tabela 8: Índices de Sazonalidade médio

Com os índices de sazonalidade médio encontrados, pode-se retirar a sazonalidade dos valores de demanda, através do seguinte cálculo:

Uma vez que os valores de demanda dessazonalizados (apresentados na tabela 9) foram encontrados, pode-se gerar a equação que rege a reta de tendência, apresentada no gráfico 6:

Gráfico 6: Demanda dessazonalizada da série histórica de 2016 a 2018.

(17)

17 Obtida a equação da curva que rege as demandas dos períodos estudados, pode-se fazer a previsão para o final do ano de 2018 e o ano de 2019, representada na tabela 9.

Tabela 9: Resultados de previsão de demanda

(18)

18

(19)

19 4.6 Acompanhamento do modelo de previsão

Num segundo momento do estudo, retornou-se à empresa a fim de se coletar os dados de vendas de outubro de 2018 a abril de 2019, com o intuito de realizar o acompanhamento do modelo de previsão anteriormente estabelecido. Os valores obtidos com o modelo de Regressão Linear aplicado para prever as demandas de outubro de 2018 a dezembro de 2019 foram então comparados aos dados reais. Na tabela 10 constam os valores obtidos para esse acompanhamento, junto ao seu erro absoluto e percentual.

Tabela 10 – Acompanhamento do modelo de previsão

Meses Tempo Demanda Real Previsão MAD MAPE Média

Out/18 34 242 273 31 11% MAD

Nov/18 35 247 269 22 8%

Dez/18 36 252 255 3 1% 31

Jan/19 37 265 218 47 22% Média

MAPE

Fev/19 38 172 229 57 25%

Mar/19 39 230 281 51 18%

Abr/19 40 209 212 3 1% 12%

Com o acompanhamento do modelo de previsão elaborado, observa-se que somente no mês de janeiro a demanda prevista foi menor que a demanda real, logo como a demanda nos meses anteriores foram maiores que os reais, um planejamento prévio, com uma possível manutenção de estoque, resolveria o problema de falta de produtos no mês de janeiro.

Outro ponto a ser levantado é em relação ao erro percentual, onde houve uma queda de quatro pontos percentuais em relação ao erro médio calculado na previsão para escolha do método, passando de 16% para 12%.

5. Considerações Finais

O objetivo deste trabalho consistiu na elaboração de um modelo de previsão de demanda para

uma empresa de autopeças. Durante a coleta de dados, observou-se a inviabilidade da

aplicação do modelo para todos os itens da empresa, dada a sua grande varidade de mix de

produtos. Com base no percentual de lucro correspondente ao total da empresa, foi então

escolhida a família de óleos lubrificantes para realização do estudo, que consistiu na aplicação

de 4 modelos de previsão: média móvel simples, média exponencial móvel, método de

HoltWinter e regressão linear.

(20)

20 Os resultados obtidos pelas quatro técnicas foram avaliados através de uma análise de acuracidade, isto é, quanto menor o valor do erro comparado à demanda real, melhor modelo.

A análise gráfica também teve um papel de destaque na definição da técnica mais aderente, pois permitiu a verificação do comportamento da curva de previsão em relação à demanda.

Com base nesses fatores, o método de regressão linear constituiu-se como o mais adequado.

Dessa forma, o mesmo foi escolhido para realizar a previsão para os 15 períodos posteriores.

Após a aplicação do modelo, o acompanhamento dos resultados foi possível através da obtenção dos dados de demanda real referentes aos períodos que haviam sido previstos.Os resultados mostraram-se satisfatórios. Nos meses de dezembro de 2018 e abril de 2019, por exemplo, os erros percentuais foram de 1%. Com a utilização do modelo espera-se que empresa de autopeças possa obter uma vantagem competitiva sobre seus concorrentes, já que um bom planejamento possibilita elevar o nível de serviço ofertado.

O procedimento indicado é a avaliação de seus valores durante os próximos períodos. Caso

apresentem elevação ou flutuações, indica-se a troca do modelo de previsão para manter o

nível de assertividade. Espera-se que por meio desse estudo, a empresa utilize as

metodologias de previsão sugeridas como auxílio na previsão de vendas. Sugere-se também

para trabalhos futuros, aplicar a previsão para um número maior de produtos, para assim

usufruir melhor de todos os benefícios que a ferramenta oferece.

(21)

21 REFERÊNCIAS

BALLOU, Ronald H. Gerenciamento da Cadeia de Suprimentos: planejamento, organização e logística empresarial.5 ed. Porto Alegre: Bookman, 2006.

CHASE, R. B., JACOBS, R. F., AQUILANO, N.J. Administração da Produção e Operações para Vantagens Competitivas.11 edição. São Paulo: McGRAW – Hill, 2006.

EXAME. Setor de autopeças no Brasil mostra crescimento e surpreende em 2017. Disponível em:

<https://exame.abril.com.br/negocios/dino/setor-de-autopecas-no-brasil-mostra-crescimento-e-surpreende-em- 2017/> Acesso em: 24 de novembro de 2018

FONSECA, J. J. S. Metodologia da pesquisa científica. Fortaleza: UEC, 2002.

GOMES, Isadora Cristina Mendes; MORAIS, Janinne Mabel; JUNIOR, Fabio Roberto Abreu. Análise da capacidade produtiva de empresa de refrigerantes através de previsão de demanda baseada em séries temporais. Belo Horizonte: ENEGEP, 2011.

90G1. Óleo: quando trocar e quando completar? Disponível em: <http://g1.globo.com/carros/especial- publicitario/dunlop/giro-de-noticias dunlop/noticia/2015/09/oleo-quando-trocar-e-quando-completar.html>

Acesso em: 24 de novembro de 2018

KOTLER, Philip. Administração de Marketing. Prentice Hall. 10ª edição. p. 140-143. 1991.

IRBER, Fernan Martin Vidal Fernandes; DIAS, Vinícius de Assis; CARMO, Breno Barros Telles do. Avaliação da demanda por castanha de caju em função de um modelo de previsão com ajuste polinomial. Bauru:

XVII SIMPEP, 2010.

MARTINS, Petrônio Garcia. Administração da produção. 2 ed. São Paulo: Saraiva, 2005.

POLIT, D. F.; BECK, C. T.; HUNGLER, B. P. Fundamentos de pesquisa em enfermagem: métodos, avaliação e utilização. Trad. de Ana Thorell. 5. ed. Porto Alegre: Artmed, 2004.

SANTOS, Tiago Silva dos; ALVES, Lucas Fialho. Aplicação de Métodos de Previsão de Demanda e gestão de estoque em um produto de um supermercado na cidade de Marabá-PA. Joinville: ENEGEP, 2017.

(22)

22

SEBRAE. Como montar uma loja de peças automotivas. Disponível em:

<http://www.sebrae.com.br/sites/PortalSebrae/ideias/como-montar-uma-loja-de-pecas-

automotivas,27397a51b9105410VgnVCM1000003b74010aRCRD> Acesso em: 25 de novembro de 2018

SLACK, N.; CHAMBERS, S.; JOHNSTON, R.; HARRISON, A; HARLAND, C. Administração da Produção. 1 ed. São Paulo: Atlas, 2006.

TUBINO, Dalvio F. Planejamento e controle da produção: teoria e prática. 2 ed. São Paulo: Atlas, 2009.