UNIVERSIDADE FEDERAL DO CEARÁ
FACULDADE DE ECONOMIA, ADMINISTRAÇÃO, ATUÁRIA E CONTABILIDADE CURSO DE ADMINISTRAÇÃO
JOÃO DE DEUS HOLANDA FILHO
MÉTODOS QUANTITATIVOS DE PREVISÃO DE VENDAS: ESTUDO DE CASO EM UMA INDÚSTRIA CEARENSE DE ALIMENTOS
FORTALEZA 2018
MÉTODOS QUANTITATIVOS DE PREVISÃO DE VENDAS: ESTUDO DE CASO EM UMA INDÚSTRIA CEARENSE DE ALIMENTOS
Monografia apresentada ao Curso de Gra- duação em Administração do Departamento de Administração da Universidade Federal do Ceará, como parte dos requisitos para obtenção do Título de Bacharel em Administração.
Orientador: Professor Dr. Cláudio Bezerra Leopoldino.
FORTALEZA 2018
F498m Filho, João de Deus Holanda.
MÉTODOS QUANTITATIVOS DE PREVISÃO DE VENDAS: ESTUDO DE CASO EM UMA INDÚSTRIA CEARENSE DE ALIMENTOS / João de Deus Holanda Filho. – 2018.
73 f. : il. color.
Trabalho de Conclusão de Curso (graduação) – Universidade Federal do Ceará, Faculdade de Economia, Administração, Atuária e Contabilidade, Curso de Administração, Fortaleza, 2018.
Orientação: Prof. Dr. Cláudio Bezerra Leopoldino.
1. Gestão da Demanda. 2. Previsão de Vendas. I. Título.
CDD 658
JOÃO DE DEUS HOLANDA FILHO
MÉTODOS QUANTITATIVOS DE PREVISÃO DE VENDAS: ESTUDO DE CASO EM UMA INDÚSTRIA CEARENSE DE ALIMENTOS
Monografia apresentada ao Curso de Graduação em Administração do Departamento de Administração da Universidade Federal do Ceará, como requisito parcial para obtenção do Título de Bacharel em Administração.
Aprovada em ___ /___ /______ .
BANCA EXAMINADORA
_____________________________________________________
Prof. Dr. Cláudio Bezerra Leopoldino (Orientador) Universidade Federal do Ceará (UFC)
_____________________________________________________
Prof. Dr. Diego de Queiroz Machado Universidade Federal do Ceará (UFC)
_____________________________________________________
Prof. Me. Sônia Regina Amorim Soares Universidade Federal do Ceará (UFC)
Aos meus pais, João e Vagna.
AGRADECIMENTOS
Agradeço, primeiramente, aos meus pais, minha maior fonte de inspiração.
Ao Prof. Dr. Cláudio Bezerra Leopoldino, pela impecável orientação.
Aos professores Diego de Queiroz Machado e Sônia Regina Amorim.
Aos meus colegas e amigos de trabalho: Igor Bezerra, Ivan Araújo, Lyza Mesquita, Humberto Castro e a minha chefe imediata e amiga, Jorgelina Girão.
A todos os meus professores que participaram de minha vida acadêmica.
No ambiente de negócios, previsões de venda formam a base de todo o planejamento da cadeia de suprimentos. É necessário saber quanto a empresa planeja vender de seus produtos, pois essa expectativa será o ponto de partida para praticamente todas as decisões. O presente trabalho aborda a questão da previsão de vendas em uma indústria cearense do setor de alimentos. A pesquisa tem importância justificada pela previsão ser um fator-chave de praticamente toda decisão de planejamento feita em uma empresa. Os objetivos almejados consistiram em analisar o processo de previsão de vendas utilizado na empresa em estudo, simular previsões de venda utilizando outros métodos identificando formas mais precisas de estimativa, mostrar limitações da forma de fazer previsões utilizada e propor melhorias para o processo atualmente usado.
Tratou-se de um estudo de caso com natureza descritiva, exploratória e quantitativa. As previsões de vendas originais do setor de alimentos foram comparadas com as metodologias de Média Móvel Ponderada, Média Móvel Exponencial Simples e Regressão Linear. Os dados analisados abrangeram as vendas dos cinco produtos com maior faturamento na empresa. A medida empregada para escolha do método mais acurado foi o índice de erro MAPE (Mean Absolute Percentage Error). Os resultados obtidos enfatizam que o modelo mais adequado é o baseado em Regressão Linear, com um índice de erro MAPE (Mean Absolute Percentage Error) em média 72% menor quando comparado com o método usado pela empresa. A partir da revisão bibliográfica e dos resultados obtidos, recomenda-se que a empresa reveja a metodologia de previsão de vendas atualmente utilizada, levando em consideração um modelo de previsão de vendas que se ajuste melhor aos dados disponíveis, como o método de regressão linear.
Palavras-chave: Gestão da demanda, Previsão de vendas, Métodos quantitativos, Erros de previsão.
In today's business environment, sales projections form the basis of all the planning of the supply chain. It is necessary to know how the company plans to sell its products, because this expectation will be the starting point for virtually all decisions. The present study addresses the issue of forecast sales in an industry of Ceará in the food sector. The research is justified by the importance of estimates being a key factor of virtually all planning decision made in a company.
The objectives pursued consisted in analyzing the process of sales forecasting used in the enterprise in study, simulate sales projections using other methods identifying forms a more accurate estimate, show limitations in the form of making predictions used and propose improvements to the process currently used. This was a case study with descriptive nature, exploratory and quantitative analysis. The original sales forecasts of the food sector were compared with the methodologies of Weighted Moving Average, Exponential Moving Average and Simple Linear Regression. The data analyzed included the sales of five products with higher billing in the company. The measurement employed to choose the most accurate method was the error rate MAPE (Mean Absolute Percentage Error). The results emphasize that the most appropriate model is based on linear regression, with an error rate of MAPE (Mean Absolute Percentage Error) on average 72% lower when compared with the method used by the company.
From the literature review and the results obtained, it is recommended that the company review the sales forecasting methodology currently used, taking into consideration a prediction model of sales that better fit the available data, such as the method of linear regression.
Keywords: Demand management, Sales forecasting, Quantitative methods, Forecasting errors.
1.1 Problema da Pesquisa ... 10
1.2 Objetivos da Pesquisa ... 11
1.3 Justificativa ... 11
1.4 Metodologia ... 12
1.5 Organização do Trabalho ... 12
2 REFERENCIAL TEÓRICO ... 13
2.1 Gestão da demanda ... 13
2.2 Previsão de vendas ... 14
2.2.1 Previsão de vendas de curto prazo ... 16
2.2.2 Previsão de vendas de médio prazo ... 17
2.2.3 Previsão de vendas de longo prazo ... 17
2.3 Métodos de previsão de vendas ... 18
2.3.1 Métodos qualitativos ... 18
2.3.1.1 Método delphi ... 19
2.3.1.2 Opinião de executivos ... 20
2.3.1.3 Força de vendas ... 21
2.3.1.4 Pesquisa de mercado ... 22
2.3.2 Métodos quantitativos ... 23
2.3.2.1 Média móvel simples ... 24
2.3.2.2 Média móvel ponderada ... 25
2.3.2.3 Média móvel com ajustamento exponencial ... 26
2.3.2.4 Método da regressão linear ... 27
2.4 Erros de Previsão ... 28
2.4.1 Método MAD (Mean Absolute Deviation) ... 28
2.4.2 Método MAPE (Mean Absolute Percent Error) ... 29
3 METODOLOGIA ... 30
4 ANÁLISE DOS RESULTADOS ... 33
4.1 Apresentação da empresa ... 33
4.2 Metodologia de previsão de vendas utilizada pela empresa ... 34
4.3 Análise quantitativa ... 35
4.3.1 Modelo da média móvel ponderada para previsão de vendas do produto B ... 36
4.3.2 Modelo da média móvel exponencial para previsão de vendas do produto B ... 38
4.3.3 Modelo da regressão linear para previsão de vendas do produto B ... 41
4.3.4 Modelo da média móvel ponderada para previsão de vendas do produto I... 45
4.3.5 Modelo da média móvel exponencial para previsão de vendas do produto I ... 46
4.3.6 Modelo da regressão linear para previsão de vendas do produto I ... 48
4.3.7 Modelo da média móvel ponderada para previsão de vendas do produto O ... 50
4.3.8 Modelo da média móvel exponencial para previsão de vendas do produto O ... 51
4.3.9 Modelo da regressão linear para previsão de vendas do produto O ... 53
4.3.10 Modelo da média móvel ponderada para previsão de vendas do produto S ... 55
4.3.11 Modelo da média móvel exponencial para previsão de vendas do produto S ... 56
4.3.12 Modelo da regressão linear para previsão de vendas do produto S ... 58
4.3.13 Modelo da média móvel ponderada para previsão de vendas do produto T ... 60
4.3.14 Modelo da média móvel exponencial para previsão de vendas do produto T ... 61
4.3.15 Modelo da regressão linear para previsão de vendas do produto T ... 63
4.4 Comparação dos valores MAPE ... 65
5 CONCLUSÃO ... 69
REFERÊNCIAS ... 70
1 INTRODUÇÃO
Decisões empresariais para eliminar ou introduzir novos produtos, investir em novas tecnologias, dentre outras considerações dependem de previsões precisas (MAKRIDAKRIS, 1987). Para Kotler e Keller (2012), previsões de vendas possuem importantes funções, como:
pelo departamento financeiro, para levantar o caixa necessário para investimento e operações;
pelo departamento de produção, para determinar níveis de capacidade e de produção; pelo departamento de compras, para aquisição dos suprimentos necessários, e pelo departamento de recursos humanos, para a contratação do número necessário de funcionários.
De acordo com Slack, Chambers e Johnston (2009), a associação de pedidos colocados e pedidos previstos é uma forma bastante utilizada em muitas empresas para retratar a demanda, sendo essa, a melhor estimativa da quantidade esperada.
Empresas podem desenvolver suas previsões de vendas internamente ou comprá-las de terceiros. Algumas bases de fundamentação para previsões podem ser: compilação de opinião da força de vendas, quando a empresa solicita que seus representantes de vendas estimem as vendas futuras; opinião de especialistas, quando a empresa obtém previsões de analistas especializados, tais como revendedores e distribuidores (KOTLER; KELLER, 2012).
Para Fragoso (2009), todas as decisões estratégicas de uma empresa devem considerar o volume potencial de vendas, portanto é indispensável a necessidade da empresa possuir uma previsão eficaz da demanda de vendas como meio de dar base à tomada de decisão por parte da alta gestão, dessa maneira, permitindo a mitigação de riscos intrínsecos de projeções de cenários.
Fragoso (2009) ainda afirma que uma empresa configurada para atender a demanda do mercado possuirá maior vantagem competitiva devido ao menor desperdício de recursos e melhor capacidade de atender a demanda, deste modo, aumentando seus ganhos.
Nesse contexto, tem-se, na previsão de vendas, uma atividade imprescindível para planejamento, estratégia e outras formas de tomada de decisão orientadas para o futuro (MAKRIDAKRIS, 1987)
1.1 Problema da Pesquisa
Considerando-se o desafio imposto às indústrias em resolver adversidades relacionadas a decisão de dimensionamento da sua cadeia de suprimentos no nível matéria prima, produção e estoque (CASULA, 2012). A previsão de demanda deve ser a melhor estimativa do que é
esperado que aconteça. Sendo o principal insumo para decisão do planejamento e controle de capacidade, não possuir uma adequada estimativa da demanda de vendas futuras impossibilita planejar-se efetivamente para futuros eventos, somente reagir a eles (SLACK; CHAMBERS;
JOHNSTON, 2009).
Com base na problemática apresentada, pergunta-se: Como funciona o processo de previsão de vendas em uma indústria cearense do setor de alimentos?
1.2 Objetivos da Pesquisa
Tem-se, portanto, como objetivo geral da presente pesquisa analisar o processo de previsão de vendas de uma indústria cearense. Faz-se, para tanto, necessário o alcance dos seguintes objetivos específicos:
Mostrar limitações do processo de previsão de vendas utilizado;
Simular a previsão de vendas utilizando outros métodos, identificando formas mais precisas de estimativa;
Propor melhorias para o processo de previsão de vendas utilizado.
1.3 Justificativa
É indispensável que em ambientes competitivos e de contínuas mudanças realizar boas previsões de demanda, pois possibilitam que a empresa esteja pronta para atender seus clientes (AGGENS, 2013).
Segundo Fragoso (2009) a capacidade de planejamento operacional é crucial para manter uma empresa economicamente saudável. Para a área de produção a utilidade da previsão da demanda de vendas se dá no fornecimento de base para tomada de decisões relativas a seleção de processos, planejamento de produção, capacidade e estoque (CASULA, 2012).
Para Dias (2010) a programação de produção é feita para satisfazer à demanda pela previsão de vendas a partir da disponibilização de um número suficiente de produtos acabados, e para auxiliar na minimização dos custos totais.
O planejamento da produção está ligado às políticas de manutenção de estoques, o planejamento dos níveis desses estoques está cada vez mais em destaque, pois eles se tornam fator fundamental dos resultados financeiros de muitos ramos empresariais (PEIXOTO;
PINTO, 2006).
Segundo Dias (2010) alguns dos sintomas demonstrados por deficiências do controle de estoque podem ser exemplificados por: baixa rotação dos estoques, obsolescência em excesso, falta de espaço para armazenamento, aumento do número de cancelamentos de pedidos, grande variação da quantidade a ser produzida e grandes e periódicas dilatações dos prazos de entrega para os produtos acabados e dos tempos de reposição para matéria-prima.
Evidencia-se, portanto, a necessidade de abordar sistematicamente o tema em questão.
1.4 Metodologia
O presente trabalho se caracteriza como pesquisa descritiva e exploratória que assume a forma de um estudo de caso. A primeira etapa constituiu-se em uma investigação na literatura teórica pertinente a gestão da demanda e técnicas de previsão de vendas. Alicerçado nos fundamentos teóricos levantados, fez-se o estudo de uma situação real em uma indústria cearense do setor de alimentos.
A coleta de dados contemplou o histórico de vendas da empresa. Foram considerados os dados de vendas de todos os produtos da empresa de janeiro de 2018 a abril de 2018 e posteriormente executadas várias simulações de previsão de vendas, utilizando os métodos da literatura, e comparados os resultados com os do método originalmente utilizado pela organização em termos de precisão.
1.5 Organização do Trabalho
O presente trabalho está dividido em cinco seções. A primeira seção constitui-se na introdução. Na segunda seção são explanados tópicos acerca de Gestão da Demanda bem como sobre métodos qualitativos e quantitativos de previsão de vendas.
Na terceira seção é tratada a metodologia que foi aplicada ao estudo, conforme demonstrada anteriormente. A quarta seção abrange a apresentação dos resultados e análise dos dados que foram obtidos. E, por último, a quinta seção onde se demonstram as considerações finais a respeito dos resultados provenientes do trabalho.
2 REFERENCIAL TEÓRICO
Nesta seção é apresentada a estrutura teórica escolhida para dar suporte ao desenvolvimento desta monografia.
2.1 Gestão da demanda
A gestão da demanda compõe-se de uma série de processos que fazem a interface da empresa com seu mercado consumidor. Dependendo do negócio, esses processos podem incluir o cadastramento de pedidos, a previsão de vendas, a promessa de entrega, o serviço ao cliente e a distribuição física (SLACK; CHAMBERS; JOHNSTON, 2009).
Para Jacobs e Chase (2009) o objetivo da gestão da demanda é controlar e coordenar todas as origens de demanda para que o sistema produtivo seja utilizado de modo eficiente e o produto seja entregue dentro do prazo.
O objetivo procurado com a gestão da demanda é a rápida e correta integração das necessidades oriundas do mercado em direção aos fornecedores, buscando balancear de maneira estratégica dois aspectos ao longo da cadeia de suprimentos, demanda com a capacidade operacional (MELO; ALCÂNTARA, 2011).
A função de gestão da demanda compreende cinco áreas principais: previsão da demanda, comunicação com o mercado, influência sobre a demanda, promessas de prazos de entrega, além de priorização e alocação (CORREA; GIANESI; CAON, 2007):
a) Habilidade para prever a demanda: é importante que a empresa saiba usar todas as ferramentas disponíveis para que se consiga antecipar, com alguma precisão, a demanda. Isso envolve, por exemplo, manter uma base de dados históricos de vendas, utilizar modelos matemáticos que ajudem a explicar o comportamento da demanda, assim como compreender variáveis externas (clima, condições econômicas etc.) e internas (promoções etc.) que influenciam a demanda.
b) Canal de comunicação com o mercado: os vendedores ou representantes tem uma função muito importante de trazer informações dos clientes e do mercado para a empresa, de forma contínua e permanente, colaborando para a gestão da demanda;
c) Poder de influência sobre a demanda: é fundamental que a empresa, além de tentar prever a demanda, procure influenciá-la, como: vendedores ou representantes de vendas oferecerem ao mercado determinado mix de produtos que melhor ocupe a capacidade instalada e disponível, ou ainda por meio de promoção e propaganda.
d) Habilidade de prometer prazos: é essencial para garantir bom desempenho em confiabilidade de entregas, a atividade de promessa de prazo é de responsabilidade de quem faz a gestão da demanda.
e) Habilidade de priorização e alocação: um dos principais objetivos da gestão da demanda é criar condições para que a empresa consiga atender toda a demanda dos clientes, é preciso decidir quais clientes serão atendidos total ou parcialmente e quais terão que esperar.
Um dos objetivos mais importantes da gestão da demanda é conciliar eficientemente o suprimento e a demanda dos clientes quanto aos produtos oferecidos. No esforço de conciliação da demanda com o suprimento, é fundamental que o gestor direcione a atenção para garantir que o suprimento responda adequadamente à demanda. Outras possíveis formas de gerenciar a demanda, como procurando prevê-la com nível adequado de precisão e mesmo influenciá-la, por exemplo, através de ações, também podem torná-la mais estável (CORRÊA, 2010).
Pode-se perceber que há vários tipos de planejamento compreendendo as mais diversas áreas, como em Finanças, Produção e Contabilidade. Entre todos esses planejamentos há uma base comum que é a previsão de demanda de vendas que é detalhada no tópico seguinte.
2.2 Previsão de vendas
Previsão de vendas é o conjunto de procedimentos de coleta, tratamento e análise de informações que visa gerar uma estimativa das vendas futuras, medidas e, unidades de produtos (ou famílias de produtos) em cada unidade de tempo (semanas, meses etc) (CORREA;
GIANESI; CAON, 2007).
Segundo Martins e Laugeni (2005, p. 226), “[…] previsão é o processo metodológico para determinação de dados futuros baseados em modelos estatísticos, matemáticos ou econométricos ou ainda em modelos subjetivos apoiados em uma metodologia de trabalho clara e previamente definida”.
Para Moreira (2008) o processo de previsão de vendas é importante, pois é preciso saber quanto a empresa planeja vender de seus produtos nos períodos futuros, essa estimativa é a referência inicial, direta ou indireta, para todas as decisões.
A previsão de vendas é um meio de estimar a demanda futura através da antecipação do que os compradores provavelmente farão em determinado conjunto de condições. A previsão de vendas fornece uma estimativa da demanda dos produtos individuais, a qual, quando
incorporada ao plano de produção, corresponde a quantidade necessária a ser produzida (CAVALHEIRO, 2003).
O processo de previsão de vendas é a base de todo o planejamento da cadeia de suprimentos, a previsão é um fator-chave de praticamente toda decisão de projeto e planejamento feita em uma empresa em uma cadeia de suprimentos (CHOPRA; MEINDL, 2011).
A previsão de vendas é a base para o planejamento estratégico da produção, vendas e finanças de qualquer empresa. Assim, as empresas podem desenvolver os planos de capacidade, de fluxo de caixa, de vendas, de produção e estoques, de mão-de-obra, de compras, entre outros (TUBINO, 2000).
Um método eficaz de previsão de vendas é primordial para utilizar as máquinas de maneira adequada, para realizar a reposição dos materiais no momento e na quantidade ideal, e para que todas as outras atividades necessárias ao processo industrial sejam devidamente programadas (MARTINS; LAUGENI, 2005). A Figura 1 ilustra um sistema de previsão de vendas.
Figura 1 – Sistema de previsão de vendas
Fonte: Adaptado de Correa, Gianesi e Caon (2007).
As principais informações que devem ser consideradas pelo processo de previsão de vendas são (CORREA; GIANESI; CAON, 2007):
Dados históricos de vendas, período a período;
Informações relevantes que expliquem comportamentos atípicos das vendas passadas;
Dados de variáveis correlacionadas às vendas que ajudem a explicar o comportamento das vendas passadas;
Situação atual de variáveis que podem afetar o comportamento das vendas no futuro ou estejam a ele correlacionadas;
Informações de clientes que possam indicar seu comportamento de compra futuro;
Informações sobre decisões da área comercial que podem influenciar o comportamento das vendas;
Informações relevantes sobre a atuação de concorrentes que influenciam o comportamento das vendas.
O tratamento de todas essas informações e sua devida combinação com os dados históricos tratados estatisticamente devem ser feitos com a participação de representantes das principais áreas envolvidas no processo de planejamento, ou seja, comercial, de produção, financeira (CORRÊA; CORRÊA, 2012)
Ficou evidenciado que o processo de previsão de vendas é um dos mais importantes dentro da função gestão da demanda. É pertinente, então, que se faça uma discussão acerca dos horizontes de previsão, assunto que será tratado nos itens a seguir.
2.2.1 Previsão de vendas de curto prazo
Previsões de curto prazo (até cerca de quatro meses) utilizam a hipótese de que as mesmas tendências de crescimento ou declínio observadas no passado devem permanecer no futuro, assim como a sazonalidade ou ciclicidade observadas no passado (CORRÊA; GIANESI;
CAON, 2007).
Para Lemos (2006) previsões de curto prazo são usadas para planejamentos de pedidos de matérias-primas, de programação de produção, de otimização dos níveis de estoques, entre outros.
Para a previsão de curto prazo procura-se representar o comportamento das vendas através de expressões matemáticas e utilizando projeções no tempo, dessas mesmas equações, para prever as vendas no futuro (CORRÊA; CORRÊA, 2012).
De acordo com Tallarico (1968) os métodos de previsão de vendas de curto prazo, como a média móvel e a média exponencial reúnem boas condições para ajustamento à situação brasileira, pois equacionam a questão de previsão em futuro próximo, ajustando-se às constantes variações em nosso mercado.
Os modelos mais usados para a previsão de curto prazo são os de média móvel e os de suavizamento exponencial (CORRÊA; GIANESI; CAON, 2007).
2.2.2 Previsão de vendas de médio prazo
De acordo com Corrêa e Corrêa (2012, p. 247):
Quando o horizonte da previsão começa a aumentar, a hipótese de que o futuro vai repetir o passado (nos padrões de variação) deixa, em geral, de ser válida. O que acontece é que o peso que se deve dar à análise feita depois do tratamento estatístico passa a ser tão mais relevante, que o modelo vem a agregar menos valor à análise, podendo ser quase descartado.
Para as previsões de vendas de médio prazo, a ideia é que se estabeleçam relações entre as vendas do passado e outras variáveis que expliquem seu comportamento. Essas relações, entre variáveis causais e a demanda buscada, costumam permanecer válidas por períodos mais longos, fazendo com que os modelos causais sejam mais adequados para previsões de horizontes mais longos (CORRÊA, 2010).
Os modelos causais realizam a previsão determinando uma relação de causa e efeito entre a variável de demanda e cofatores que possam afetá-la por exemplo, temperatura média no mês ou crescimento do PIB. São exemplos desses modelos a análise de regressão e os modelos econométricos (BONOTTO, 2015).
2.2.3 Previsão de vendas de longo prazo
Em um horizonte muito longo de previsão (vários anos), a possibilidade de que as relações que havia no passado entre a demanda e outras variáveis continuam a valer no futuro deixa muitas vezes de ser coerente. Isso ocorre, pois, por exemplo, mudanças tecnológicas, de legislação ou introdução de produtos substitutos, podem alterar as relações anteriormente válidas (CORRÊA; CORRÊA, 2012).
Segundo Gaither e Frazier (2002), previsão de longo prazo significa estipular condições futuras em intervalos de tempo maiores do que um ano. Tais previsões são importantes para a administração da produção, pois sustentam decisões estratégicas sobre planejamento de produtos, processos e instalações.
Para modelos de previsão de vendas de longo prazo adota-se a hipótese de que o futuro não tem relação direta com o passado, não há uma relação que possa ser modelada matematicamente. O ideal é que previsão seja proveniente, portanto, da opinião de especialistas, necessitando ser mais qualitativa (CORRÊA; GIANESI; CAON, 2007).
Postas essas considerações sobre horizontes de previsão de vendas e suas aplicações práticas, é oportuno agora que se explane acerca dos vários métodos disponíveis para previsão de vendas, o que será realizado adiante.
2.3 Métodos de previsão de vendas
Dois tipos gerais de técnicas de previsão são usados para prever a demanda: métodos qualitativos e métodos quantitativos (KRAJEWSKI; RITZMAN; MALHOTRA, 2009).
Conforme Jacobs e Chase (2009), a previsão pode ser classificada em quatro tipos básicos: qualitativa, análise de séries temporais, relacionamento causal e simulação.
Para Ballou (2006) os métodos de previsão são divididos em três categorias:
qualitativos, de projeção histórica e causais. Cada grupo com diferentes níveis em termos de exatidão relativa em previsões de longo prazo e de curto prazo, o grau de sofisticação quantitativa usado e a base lógica dados históricos, opiniões de especialistas, ou estudos) da qual a previsão é realizada (BALLOU, 2006).
De acordo com Tubino (2000) as técnicas de previsão se subdividem em dois grandes grupos: as técnicas qualitativas e as quantitativas. As técnicas qualitativas priorizam dados subjetivos, difíceis de representar numericamente. Já as técnicas quantitativas envolvem análise numérica dos dados passados (TUBINO, 2000).
O método de previsão de vendas que uma empresa pode usar depende de vários fatores, como: horizonte de previsão (curto, médio ou longo prazo), disponibilidade de dados históricos, precisão desejada, orçamento disponível e disponibilidade de pessoal qualificado para operacionalizar o modelo (DAVIS; AQUILANO; CHASE, 2001).
2.3.1 Métodos qualitativos
Métodos de previsão de vendas qualitativos são essencialmente subjetivos e contam com o julgamento humano. Eles são mais apropriados quando se possui poucos dados históricos ou quando especialistas possuem conhecimento de mercado que possa afetar a previsão (CHOPRA; MEINDL, 2011).
Para Moreira (2008), as técnicas qualitativas são aquelas baseadas no julgamento e na experiência das pessoas, desde que estas possuam condições de opinar sobre a demanda futura.
Além disso, afirma ainda que tais técnicas não se apoiam em um modelo específico, embora possam ser conduzidas de maneira sistemática.
Conforme Ballou (2006, p. 245),
Métodos qualitativos são aqueles que recorrem a julgamento, intuição, pesquisas ou técnicas comparativas a fim de produzir estimativas quantitativas sobre o futuro. As informações relativas aos fatores que afetam a previsão são tipicamente não quantitativas, flexíveis e subjetivas. Quanto aos dados históricos, é possível que não estejam ao alcance ou que tenham escassa relevância para a previsão.
Previsões a partir de métodos qualitativos são baseadas na opinião e no julgamento de especialistas nos produtos ou nos mercados onde atuam estes produtos. Por serem mais rápidas de se preparar, são usadas quando não se dispõe de tempo para coletar e analisar dados da demanda passada (TUBINO, 2000).
Fica demonstrado que a utilização de métodos qualitativos não se apoia em nenhum modelo específico, porém são muito úteis quando na ausência de dados e podem ser usados de maneira sistemática, conforme será expendido nos tópicos seguintes.
2.3.1.1 Método delphi
O Método Delphi baseia-se na reunião de um grupo de pessoas que detém o conhecimento sobre um determinado assunto e que deve opinar a respeito dele, seguindo regras determinadas para a coleta e a avaliação das opiniões.
A partir de situações de longo prazo, onde há poucos dados, cabendo as pessoas do grupo, geralmente especialistas no assunto abordado, emitir opiniões. Usualmente, é organizado um sumário contendo as opiniões e busca-se tabular as opiniões dando enfoque especial aquelas significativamente divergentes. Depois, cada pessoa é questionada quanto a manutenção de sua posição inicial. O propósito é atingir o consenso (MOREIRA, 2004).
De acordo com Jacobs e Chase (2009), o procedimento passo a passo é:
1. Selecionar os especialistas participantes. É necessário haver uma variedade de pessoas com conhecimentos em áreas distintas.
2. Através do questionário, obter previsões de todos os participantes.
3. Resumir os resultados e os redistribuir aos participantes com novas questões pertinentes.
4. Fazer um novo resumo, aprimorando as previsões e mais uma vez elaborar novas perguntas.
5. Repetir a Etapa 4, se necessário. Distribuir os resultados a todos os participantes.
Uma das principais vantagens do método de delphi se dá em permitir a obtenção de opiniões pessoais sem que ocorra interações dentro do grupo, as quais poderiam modificar os resultados. Uma desvantagem seria o fato de ser um método muito vulnerável a qualidade do
instrumento de coleta de opiniões, dado que não ocorre contato pessoal, podendo gerar ambiguidades nas questões ( MOREIRA, 2008).
O método Delphi pode ser usado para realizar previsões de longo alcance de demanda de produto e projeções de vendas de novos produtos, também podendo ser usado para previsões tecnológicas (KRAJEWSKI; RITZMAN; MALHOTRA, 2009).
Segundo Corrêa e Corrêa (2012, p. 250),
O processo Delphi é interativo e permite que especialistas, às vezes localizados distantes uns dos outros, incorporemos consenso de suas opiniões subjetivas ao processo de previsão. Comumente se envolvem de 6 a 12 especialistas no processo. O processo Delphi destina-se a evitar que uma ou poucas opiniões do grupo consultado predominem por fatores exógenos ao objetivo de gerar boas previsões, como, por exemplo, o fato de um participante ser mais extrovertido que outro, ou o fato de que um participante tenha mais alto escalão hierárquico que outro.
O método Delphi parte do princípio de que o julgamento coletivo dos especialistas, organizado adequadamente, tem maior precisão que a opinião de uma única pessoa, sendo crucial o critério de seleção das pessoas (WRIGHT; GIOVINAZO, 2000).
A metodologia Delphi tem sido muito utilizado para prever cenários no futuro, apresentando bons resultados na identificação de pontos de mudança (DAVIS; AQUILANO;
CHASE, 2001).
2.3.1.2 Opinião de executivos
As empresas também podem obter previsões de especialistas, como revendedores, distribuidores, fornecedores, consultores de marketing e associações comerciais. Muitas empresas compram previsões de previsão econômica reconhecidos, que possuem um volume maior de dados e conhecimento especializado na elaboração de previsões (KOTLER; KELLER, 2012).
O método de opinião de executivos, também conhecido como júri de executivos, busca a opinião de pequenos grupos, em geral, de executivos de nível alto sobre alguma variável que se objetiva prever. Há fragilidade quanto a não permitir viés e não se pode assumir a priori que a estimativa conseguida representa consenso do grupo (CORRÊA; CORRÊA, 2012).
Para Moreira (2004) a vantagem da técnica de opinião de executivos se dá em reunir os diversos pontos de vistas sobre o assunto, acarretando uma melhor qualidade e precisão da tomada de decisão. A desvantagem é que, devido a personalidade ou relação de poder estabelecida, possa ocorrer uma influência desproporcional sobre o grupo, alterando o
resultado. Nessa técnica, há a possibilidade de ocorrer uma visão pessoal sobre a previsão, provocando, em geral, baixa objetividade (MONKS, 1987).
A opinião de especialistas é constantemente necessária na tarefa de previsão, pois faltam informações apropriadas para a utilização de procedimentos estatísticos (ROWE; WRIGHT, 2001). Em muitas situações de previsões, o procedimento inicial é perguntar aos especialistas, algumas vezes isto é suficiente, pois eles podem produzir excelentes previsões (ARMSTRONG, 2001).
A opinião de um executivo pode ser utilizada para alterar uma previsão de vendas existente e para levar em consideração circunstâncias incomuns, como uma nova promoção de vendas ou eventos internacionais inesperados. É importante que para o uso eficiente da opinião de executivos é assegurar que a previsão reflita o consenso entre os executivos (KRAJEWSKI;
RITZMAN; MALHOTRA, 2009).
Para Slack, Chambers e Johnston (2009) utilizar o julgamento de especialistas pode ser uma forma de substituir algum método mais rigoroso, porém mais caro.
2.3.1.3 Força de vendas
Atrair a equipe de vendas em estimativas traz uma série de benefícios. Os representantes de vendas podem ter uma opinião mais apropriada das tendências do que qualquer outro grupo e, participando do processo de estimativa, eles se sentirão mais confiantes quanto a sua quota de vendas e motivados a atingi-la. Um método de previsão com abordagem de marketing local oferece estimativas detalhadas decompostas por produto, território, cliente e representante de vendas (KOTLER; KELLER, 2012).
Conforme este método, estimativas de vendas regionais futuras são obtidas de membros individuais da equipe de vendas. Essas estimativas são ajustadas para formar uma única estimativa para todas as regiões, posteriormente os gerentes devem transformar essa estimativa em uma previsão de vendas. Esta é uma técnica de previsão popular em empresas que possuem um bom sistema de comunicação e uma equipe de vendas que vende diretamente aos clientes (GAITHER; FRAZIER, 2002).
Para Moreira (2008) elaborar previsões com base na opinião do pessoal envolvido diretamente com as vendas pode ser uma opção atraente. Pois a equipe de vendas tem contato diário com os produtos da empresa e com os consumidores. Possuem ainda conhecimento do desenvolvimento histórico dos produtos e percebem as evoluções do mercado.
De acordo com Krajewski, Ritzman e Malhotra (2009) as estimativas feitas a partir da força de vendas possuem uma série de vantagens, como:
a) A equipe de vendas é o grupo que muito possivelmente sabe quais produtos os clientes comprarão no futuro próximo e em que quantidades.
b) As áreas de vendas, usualmente, são divididas por região. As informações dispostas desse modo podem ser úteis para fins de gestão de estoque, distribuição e preenchimento de vagas da força de vendas.
c) As previsões de membros individuais da equipe de vendas podem ser combinadas facilmente para chegar a vendas regionais ou nacionais.
Um aspecto negativo é a possibilidade de a equipe ser influenciada por eventos de um passado recente. Se as vendas estão com histórico positivo, talvez tendam a superestimar a demanda; se tem sido ruim, talvez tendam a subestimá-la. Outro ponto negativo seria os casos em que as previsões são usadas para fixar cotas mínimas de vendas para os vendedores, pois cria-se um conflito de interesses (MOREIRA, 2008).
2.3.1.4 Pesquisa de mercado
Estimativas de vendas futuras são obtidas pessoalmente dos clientes. Clientes individuais são consultados para estipular que quantidades de produtos da empresa eles planejam comprar em cada período de tempo futuro. A previsão de vendas é feita combinando- se as respostas de clientes individuais (GAITHER; FRAZIER, 2002).
As pesquisas de mercado demandam conhecimentos técnicos especializados e grande cuidado no seu planejamento. Definir a estrutura da pesquisa, os instrumentos de coleta de dados, o plano de execução e interpretar os resultados requer a presença de especialistas no tema. Com os devidos cuidados e possuindo a empresa os recursos financeiros e humanos para a boa condução da pesquisa, o método pode gerar resultados compensadores (MOREIRA, 2008).
O método de pesquisa de mercado é uma abordagem sistemática para definir os interesses do consumidor externo em um produto, elaborando e testando hipóteses por meio de pesquisas de coleta de dados. Embora a pesquisa de mercado forneça importantes informações, ela geralmente inclui uma série de ressalvas nas descobertas (KRAJEWSKI; RITZMAN;
MALHOTRA, 2009).
Essas pesquisas são especialmente vantajosas na estimativa de demanda por produtos industriais, bens de consumo duráveis, compras de produtos que requerem planejamento
antecipado e novos produtos. Esse tipo de pesquisa é muito útil quando os compradores são poucos, há o baixo custo de alcançá-los e eles têm intenções claras e que serão realmente implementadas (KOTLER; KELLER, 2012)
Para Davis, Aquilano e Chase (2001) a pesquisa de mercado indica como coletar dados de várias maneiras (levantamentos, entrevistas, etc.) para testar hipóteses sobre o mercado. É comumente utilizada para elaborar previsões de longo prazo e para a venda de novos produtos.
Dadas as explicações sobre métodos qualitativos, suas aplicações e modos de utilização, convém, nos próximos tópicos, tratar dos métodos que se utilizam de modelos matemáticos para realizar as previsões
2.3.2 Métodos quantitativos
Métodos quantitativos são baseados em séries de dados históricos nas quais, a partir de análises, identifica-se padrões de comportamento que serão projetados para o futuro.
Normalmente, são mais apropriados para previsões de curto e médio prazos, pois a capacidade de explicação dos dados do passado é maior para períodos curtos (CORRÊA, 2010).
As técnicas de previsão quantitativa variam consideravelmente, tendo sido desenvolvidas por diversas disciplinas para diferentes propósitos. Cada um tem suas próprias propriedades, precisão, e os custos que devem ser considerados na escolha de um método específico (MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998).
Os métodos quantitativos podem ser caracterizados por expressarem processos bem precisos para a análise dos dados, proporcionando a simulação do modelo por diferentes especialistas e o alcance de previsões idênticas. Tais métodos podem usar dados subjetivos ou quantitativos (ARMSTRONG, 1983).
Modelos quantitativos de previsão são modelos matemáticos baseados em dados históricos. Esses modelos admitem que dados passados são relevantes para o futuro (GAITHER; FRAZIER, 2002).
Segundo Makridakis, Wheelwright e Hyndman (1998) previsões quantitativas podem ser usadas quando existem três condições:
a) Informações sobre o passado estão disponíveis.
b) Estas informações possam ser quantificadas sob a forma de dados numéricos.
c) Pode presumir-se que alguns aspectos do passado padrão irão continuar no futuro.
Para Thomas (1996) as previsões quantitativas se dividem em análise de séries temporais e métodos causais. Os métodos de previsão de séries temporais usam a demanda histórica para fazer a previsão, são baseadas na estimativa de que o histórico da demanda passada é um bom parâmetro para a demanda futura (CHOPRA; MEINDL, 2011).
A técnica de séries temporais analisa o padrão do comportamento passado de um fenômeno no tempo e usa a análise para prever o comportamento futuro do fenômeno (SLACK;
CHAMBERS; JOHNSTON, 2009). São modelos que percebem mudanças a partir da atualização sempre que novos dados ficam disponíveis, sendo uma característica que lhes possibilita a adaptação a mudanças nos padrões de tendência e sazonalidade (BALLOU, 2006).
Os métodos causais são usados quando dados históricos estão disponíveis, e a relação entre os fatores que serão previstos e outros fatores, externos ou internos, pode ser identificada (KRAJEWSKI; RITZMAN; MALHOTRA, 2009). Os modelos causais possuem uma variedade de formatos: estatísticos, no caso dos modelos de regressão; e descritivos, como acontece nos casos de simulação em computador. Uma dificuldade desse modelo é localizar variáveis verdadeiramente causais (BALLOU, 2006).
2.3.2.1 Média móvel simples
A média móvel simples atribui igual peso para cada ponto de dados em uma janela de tamanho n. A posição em que a média de todos os pontos de dados ponderados é atribuído determina a contribuição relativa do "passado" e "futuro"(XU et al., 2005).
O modelo de previsão de demanda da média móvel simples é o método mais básico dentre os modelos de previsão quantitativos e deve ser utilizado somente quando as demandas não apresentarem tendência ou sazonalidade, ou seja, em situações em que a demanda observada no período passado apresente pouca variação em seu comportamento. A fórmula 1 apresenta o cálculo da previsão de demanda por meio da média móvel simples (PEINADO;
GRAEMI, 2007).
𝑃𝑗=∑ 𝐷𝑖
𝑛𝑖=1 𝑛
(1)
Onde: i = número de ordem de cada período mais recente;
n = número de períodos utilizados para apurar a média móvel;
Di = demanda ocorrida no período i;
Pj = previsão de demanda para o período j;
O método de previsão de demanda da média móvel consiste em um método operacional simples e de fácil entendimento, entretanto há a necessidade de se armazenar um grande volume de dados, especialmente se o número de períodos escolhido for amplo (LEE et al. 2014).
Para Moreira (2008) nos casos de demandas crescentes ou decrescentes ao longo do tempo, a previsão de demanda por média móvel simples apresenta uma tendência de atraso em relação aos valores reais, visto que se a demanda é crescente, as previsões fornecerão valores cada vez menores quando comparados aos valores reais.
2.3.2.2 Média móvel ponderada
Diferentemente da média móvel simples que atribui o mesmo peso a cada componente do banco de dados de médias móveis, a média móvel ponderada atribui quaisquer pesos a cada elemento, contanto que a soma de todos os pesos seja igual a 1. A média móvel ponderada tem uma vantagem significativa sobre a média móvel simples por ser possível variar os efeitos dos dados passados (JACOBS; CHASE, 2009).
De acordo com Jacobs e Chase (2009), a representação matemática de uma média móvel ponderada pode ser mostrada pela equação 2:
𝐹𝑡 = 𝑤1𝐴𝑡−1+ 𝑤2𝐴𝑡−2+ ⋯ + 𝑤𝑛𝐴𝑡−𝑛 (2)
Onde: Ft = Previsão para o período futuro;
n = Número total de períodos da previsão;
𝐴𝑡−1 = Ocorrência real no período passado;
𝑤1 = Peso a ser atribuído à ocorrência real para o período t – 1 𝑤2 = Peso a ser atribuído à ocorrência real para o período t – 2 𝑤𝑛 = Peso a ser atribuído à ocorrência real para o período t – n
Apesar de ser possível ignorar muitos períodos (seus pesos são zero) e o esquema de ponderação possas ser em qualquer ordem, a soma de todos os pesos deve ser igual a 1.
∑𝑛𝑖=1𝑤𝑖 = 1
(3)
De acordo com Moreira (2008) pode ser citada como vantagem da média móvel ponderada sobre a média móvel simples é que os valores mais recentes da demanda, que podem revelar alguma tendência, recebem uma maior importância. Porém, quanto maior for o valor de
n, mais a previsão suavizará efeitos sazonais e mais lentamente responderá a variações na demanda.
2.3.2.3 Média móvel com ajustamento exponencial
A média exponencial móvel se utiliza da previsão do período anterior e faz um ajuste para obter a previsão do período seguinte. Esse ajuste é obtido multiplicando-se o erro da previsão anterior por uma constante que está entre zero e um. Essa constante alfa (𝛼) é denominada constante de amortecimento (GAITHER; FRAZIER, 2002).
De acordo com Jacobs e Chase (2009), a representação matemática de uma média móvel ponderada pode ser mostrada pela equação 4
𝐹𝑡 = 𝛼𝐴𝑡−1+ (1 − 𝛼)𝐹𝑡−1 (4)
Onde: 𝐹𝑡 = previsão para o período t, o período seguinte;
𝐹𝑡−1 = previsão para o período t – 1, o período anterior;
𝐴𝑡−1 = dados reais para o período t – 1, o período anterior;
𝛼 = constante de amortecimento, de 0 a 1
A equação 4 é a forma geral utilizada em métodos de alisamento exponencial. Ela reduz substancialmente qualquer problema de armazenamento, pois não é mais necessário armazenar todos os dados do histórico ou um subconjunto deles (como no caso da média móvel). Em vez disso, apenas a observação mais recente, as mais recentes previsões, e um valor para a constante alpha deve ser armazenado (MAKRIDAKIS; WHEELWRIGHT; HYNDMAN, 1998).
Para Davis, Aquilano e Chase (2001) os principais motivos para a média móvel com ajustamento exponencial serem bem aceitas são:
a) Os modelos exponenciais são muito precisos.
b) Fácil formulação e entendimento de como o modelo funciona
c) Pouco entendimento computacional é necessário para utilizar o modelo
d) Baixa utilização de armazenamento computacional, devido a pouca utilização de dados históricos
e) Os testes para apurar a exatidão do modelo são fáceis de computar
Um valor mais alto de 𝛼 significa uma previsão mais responsiva a observações recentes, enquanto um valor mais baixo de 𝛼 representa uma previsão mais estável e menos responsiva a observações recentes (CHOPRA; MEINDL, 2011).
2.3.2.4 Método da regressão linear
O método se utiliza da teoria dos mínimos quadrados para produzir uma regressão linear que determina a equação da reta que demonstre a melhor representação dos valores da demanda anterior. A partir da equação obtida, são feitas as projeções para o futuro. A reta elaborada pelo método dos mínimos quadrados é a reta que minimiza a somatória das distâncias entre cada valor de demanda ocorrido e a própria reta (PEINADO; GRAEMI, 2007).
Para Dias (2010) o método de regressão linear, também conhecido como método dos mínimos quadrados é utilizado para designar a melhor linha de ajuste, que passa mais próximo de todos os dados coletados, sendo essa a linha que minimizará a distância entre os dados observados e uma modelagem de consumo linear.
Quando se reconhece uma relação de causalidade entre duas variáveis, legitimada por uma teoria, as técnicas de Regressão podem ser usadas para se encontrar um modelo, geralmente uma função matemática. O modelo dos mínimos quadrados explica que a reta de regressão não corresponde a que passa pela maior quantidade de pontos amostrais, mas, a que se ajusta melhor aos dados (YAMAUTI, 2013).
Segundo Peinado e Graemi (2007) usando o método de regressão linear simples, a previsão da demanda é obtida mediante uma equação da reta, que leva em consideração o nível e a tendência das demandas passadas e pode ser representada matematicamente conforme pode ser mostrada pela equação 5.
𝐷𝑖 = 𝑎 + 𝑏×𝑃𝑖 (5)
Onde: Di = demanda no período i;
a = coeficiente de nível da demanda;
b = coeficiente de tendência da demanda;
Pi = período i.
Ainda de acordo com Peinado e Graemi (2007) os coeficientes a e b da equação da demanda são calculados, respectivamente, como demonstrado abaixo, pelas equações 6 e 7:
𝑎 = 𝐷´ − 𝑏×𝑃´ (6)
𝑏 =(∑𝑛𝑖=1𝐷𝑖×𝑃𝑖)−𝑛×𝐷´×𝑃´
(∑𝑛𝑖=1𝑃𝑖2)−𝑛×(𝑃´)2
(7) Onde: a = coeficiente de nível da demanda;
𝐷´ = demanda média dos n períodos;
b = coeficiente da tendência da demanda;
Di = demanda no período i;
Pi = período i;
n = número de períodos considerados;
𝑃´ = média dos períodos considerados.
No método de análise de regressão linear simples existe somente uma variável independente. Sendo os dados uma série temporal, a variável independente seria o período de tempo, e a variável dependente usualmente seriam as vendas (GAITHER; FRAZIER, 2002).
Consideradas as explanações acima a respeito do processo de Previsão de Vendas, sua importância e aplicações qualitativas e quantitativas, é iniciada na seção a seguir a abordagem da metodologia, das características da pesquisa e da coleta e tratamentos dos dados advindos do estudo em questão.
2.4 Erros de Previsão
Erros de previsão podem ser classificados como erros sistemáticos ou erros aleatórios.
Sistemáticos quando são resultados de equívocos constantes, a previsão é sempre muito alta ou muito baixa. Aleatórios quando o erro resulta de fatores imprevisíveis que fazem a previsão se desviar da demanda real (KRAJEWSKI; RITZMAN; MALHOTRA, 2009).
Gestores utilizam a análise de erro para verificar se o método de previsão atual está prevendo eficientemente a demanda. Encontrar um erro que está além das estimativas históricas pode evidenciar que o método de previsão em uso não é mais apropriado (CHOPRA; MEINDL, 2011).
2.4.1 Método MAD (Mean Absolute Deviation)
Segundo Davis, Aquilano e Chase (2001) calcula-se o MAD (Mean Absolute Deviation) utilizando-se as diferenças entre a demanda real e a previsão da demanda, sem considerar se é positivo ou negativo. Desta forma, ele é igual a soma dos desvios absolutos dividida pela quantidade de dados, como demonstra a equação 8:
𝑀𝐴𝐷 =∑ 𝐸𝑡∨
𝑛 (8)
Onde:
∑ 𝐸𝑡∨ = soma cumulativa dos erros de previsão; n = Número total de períodos
2.4.2 Método MAPE (Mean Absolute Percent Error)
O MAPE (Mean Absolute Percent Error) relaciona o erro de previsão ao nível de demanda e é útil para colocar o desempenho de previsão na perspectiva adequada (KRAJEWSKI; RITZMAN; MALHOTRA, 2009).
É expresso pela seguinte equação:
𝑀𝐴𝑃𝐸 = (∑|𝐸𝑡|/𝐷𝑡)(100)
𝑛 (9) Onde:
∑ 𝐸𝑡∨ = soma cumulativa dos erros de previsão;
Dt = demanda do período n = Número total de períodos
Portanto, após identificado o modelo que melhor se ajusta aos dados, não é certeza que o modelo continue, indefinidamente, a representar apropriadamente o fenômeno. Sendo assim, tem-se a necessidade de instrumentos que possibilitem o acompanhamento do modelo escolhido (MARTINS; LAUGENI, 2005).
Na seção seguinte, será abordada a metodologia aplicada na pesquisa que é objeto do presente estudo.
3 METODOLOGIA
Pesquisa pode ser definida como um processo formal e sistemático de desenvolvimento do método científico. O principal objetivo de uma pesquisa é descobrir respostas para problemas a partir do emprego de procedimentos científicos (GIL, 2008).
Para Vergara (2013) uma pesquisa descritiva evidencia características de determinada população ou de determinado fenômeno. Podendo, também, constituir correlações entre variáveis e definir sua natureza.
A pesquisa exploratória tem como objetivo primordial proporcionar maior proximidade com o problema, com a intenção de torná-lo mais compreensível. Usualmente envolvem levantamento bibliográfico e documental, assim como estudos de caso (GIL, 2008).
Em relação ao universo de pesquisa, delimitá-lo significa explicitar que pessoas ou coisas, fenômenos, entre outras entidades, serão pesquisadas, listando suas características comuns, como, por exemplo, sexo, faixa etária e organização a que pertencem (LAKATOS, 2007).
3.1 Características da Pesquisa
Mediante as explicações dadas anteriormente considera-se que o presente trabalho monográfico se classifica como pesquisa descritiva e exploratória que assume a forma de um estudo de caso.
A primeira é caracterizada por descrever o padrão de eventos ao longo do tempo, identificação da existência de relações entre variáveis, assim como determinar a natureza dessa relação. Já a segunda, objetiva o aperfeiçoamento de ideias ou a descoberta de uma nova concepção, onde seu planejamento é flexível, permitindo com que haja ampla consideração das variáveis estudadas (GIL, 2008).
Já o estudo de caso se define no estudo detalhado de um ou poucos objetos, de uma forma que possibilite seu amplo conhecimento (GIL, 2008).
O universo da pesquisa é representado por todos os produtos fabricados pela empresa estudada, perfazendo um total de 19 produtos. O tamanho da amostra escolhida para análise foi de 5 produtos, tendo como critério de escolha o percentual de participação no faturamento anual da empresa, como pode ser observado na tabela 2.
3.2 Coleta e Tratamento de Dados
As informações foram obtidas, formalmente, junto a empresa com intuito de descrever a metodologia de previsões de vendas utilizada pela empresa e comparar com outros métodos quantitativos de previsão.
O desenvolvimento deste trabalho de pesquisa foi realizado em quatro etapas, como pode ser observado na Figura 2.
Figura 2 – Etapas do estudo
Fonte: Elaborado pelo autor (2018).
Inicialmente foi feita uma revisão dos métodos qualitativos e quantitativos de previsão de vendas, abordando suas definições e aplicabilidades. Na etapa de coleta de dados foram reunidos os dados referentes às vendas semanais dos 5 produtos com maior impacto no faturamento anual da empresa, no período de janeiro de 2018 a abril de 2018.
Para a etapa de tratamento de dados foi, para cada produto, construído o modelo para as três técnicas de previsão de vendas quantitativas selecionadas: média móvel ponderada, média móvel exponencial simples e análise de regressão linear simples.
Por fim, a partir da análise da metodologia de previsão utilizada na empresa e a aplicação dos modelos de previsão propostos para cada produto, foi possível a visualização do modelo com maior precisão e a sugestão das melhorias cabíveis.
As metodologias analisadas são: média móvel ponderada, média móvel exponencial simples e análise de regressão linear simples.
Escolheu-se trabalhar com a média móvel ponderada, pois para Moreira (2008) diferentemente do método da média móvel simples, os valores mais recentes da demanda recebem uma maior importância, podendo revelar alguma tendência.
A técnica da média móvel com ajustamento exponencial foi escolhida por ser uma variação do método da média móvel ponderada com maior precisão pois se adota um peso de ponderação que se eleva exponencialmente quanto mais recentes são os períodos (PEINADO;
GRAEMI, 2007). Os valores de alfa usados como fator de ponderação no método de ajustamento exponencial foram determinados pela ferramenta Solver do software Excel 2013.
A escolha da técnica de regressão linear simples se justifica nos fatos de ter a capacidade de prever pontos de inflexão na demanda e ser um dos métodos mais conhecidos e utilizados (KRAJEWSKI; RITZMAN; MALHOTRA, 2009). A técnica da média simples foi descartada por já ser o método utilizado pela empresa estudada na pesquisa.
A coleta de dados para o estudo em questão se deu por meio de um sistema integrado de gestão empresarial do tipo ERP ( Enterprise Resource Planning) chamado de SAPIENS que é utilizado para avaliar os processos de vendas, suprimentos, manufatura, finanças e compliance.
O sistema é alimentado através de informações (entrada), no armazenamento (processamento) e na saída de dados. Essas informações são fornecidas diariamente e acompanhadas por relatórios de controle para o gerenciamento de todo o processo, desde a geração do pedido até a entrega do produto ao cliente.
Foi selecionada uma amostra de dados das quantidades vendidas de cada produto por semana do período de janeiro de 2018 a abril de 2018 para avaliar as quantidades vendidas de cada produto.
Os dados coletados foram tabulados em planilhas do Software Excel e divididos em 15 períodos cada um correspondendo a uma semana do mês.
Para cada produto ajustou-se aos dados as três técnicas de previsão: média móvel ponderada, média móvel com ajustamento exponencial e regressão linear simples. As informações foram agregadas em tabelas e gráficos para melhor compreensão durante a sua análise.
O critério utilizado para escolher o melhor modelo de previsão em cada situação foi o MAPE (Mean Absolute Percent Error) pois segundo Krajewski, Ritzman e Malhotra (2009) o MAPE é a melhor medida de erro a ser utilizada quando são feitas comparações entre séries temporais.
4 ANÁLISE DOS RESULTADOS
Nessa seção, é abordada a apresentação da empresa em estudo, descrita a sua área de atuação, sua evolução e indicadores de desempenho.
O estudo propõe descrever o processo atual da metodologia de previsão de vendas da empresa em estudo e simular outros modelos de previsão comparando os resultados com os valores obtidos pelo método em uso na empresa.
4.1 Apresentação da empresa
A empresa estudada nesta seção é de médio porte, atua no ramo de alimentos e está localizada no estado do Ceará. Sua carteira de clientes é composta por redes varejistas, atacadistas, pequenos e médios comerciantes de todo o estado do Ceará.
Foi fundada em 28/06/1959 e iniciou suas atividades como uma usina de beneficiamento de algodão, somente em 1964 foi inaugurada sua primeira fábrica. Atualmente, a empresa tem como foco de atuação a região metropolitana de Fortaleza, e as cidades de Juazeiro do Norte e Sobral. A empresa terceiriza a produção de 2 dos seus 23 produtos comercializados. O faturamento anual da companhia é em torno de R$ 99 milhões de reais.
A tabela 1, a seguir demonstra o faturamento, por produtos que são fabricados na indústria em estudo, ocorrido no exercício de 2017. Os 5 produtos analisados neste estudo apresentaram o faturamento de R$ 18.540.641,30 correspondendo a 19% do faturamento total da empresa no período.
Tabela 1 – Faturamento por produto no ano de 2017
Fonte: Elaborado pelo autor (2018).
Os dados apresentados na tabela 1 serão segmentados, por grau de participação no faturamento anual de somente dos produtos fabricados na empresa, posteriormente na seção de análise quantitativa.
4.2 Metodologia de previsão de vendas utilizada pela empresa
O responsável pela realização das previsões de vendas da empresa em estudo é única e exclusivamente um dos gerentes de vendas do setor comercial da companhia, ele quem elabora e valida o modelo, não existe uma revisão ou aprovação posterior de outro gerente ou funcionário da empresa. O software utilizado são as planilhas do LibreOffice 2016.
A fonte dos dados utilizados é o próprio sistema de gestão empresarial ERP (Enterprise Resource Planning) utilizado pela organização. O gerente de vendas envia semanalmente, as segundas-feiras, para o responsável pelo planejamento da produção, uma planilha de
PRODUTOS FABRICADOS
PELA EMPRESA VALOR
A R$ 697.817,31 B R$ 2.154.611,20 C R$ 832.459,84 D R$ 143.145,54 E R$ 438.621,24 F R$ 406.791,08 G R$ 63.654,85 H R$ 70.420,64 I R$ 3.103.681,93 J R$ 2.074.856,35 K R$ 63.036,92 L R$ 63.073,39 M R$ 143.145,54 N R$ 129.141,47 O R$ 2.121.669,62 P R$ 708.564,85 Q R$ 34.209,85 R R$ 26,45 S R$ 5.276.613,15 T R$ 5.884.065,40 TOTAL R$ 24.409.606,62
LibreOffice contendo as previsões para a semana vigente, caracterizando-se, assim, como uma previsão de curto prazo.
Os valores de previsão para cada produto são constantes para todos os meses do ano e não há uma periodicidade definida para alteração dos valores. É importante ressaltar que não há qualquer análise por parte do responsável pelas previsões, sobre erros de previsão e distorções entre planejado e realizado
O método atualmente usado pela companhia se aproxima mais da média simples, com a utilização das vendas dos 4 períodos anteriores ao da previsão desejada.
4.3 Análise quantitativa
Foram considerados para análise quantitativa os 5 produtos fabricados pela empresa com maior impacto no faturamento anual, conforme demonstra a tabela 2.
Tabela 2 – Impacto no faturamento
Fonte: Elaborado pelo autor (2018).
É possível observar que os 5 primeiros produtos são responsáveis por 75% do faturamento de vendas de produtos fabricados pela empresa. Os dois produtos com produção
PRODUTOS FABRICADOS
PELA EMPRESA VALOR SOMA ACUMULADA
T R$ 5.884.065,40 24%
S R$ 5.276.613,15 46%
I R$ 3.103.681,93 58%
B R$ 2.154.611,20 67%
O R$ 2.121.669,62 76%
J R$ 2.074.856,35 84%
C R$ 832.459,84 88%
P R$ 708.564,85 91%
A R$ 697.817,31 94%
E R$ 438.621,24 95%
F R$ 406.791,08 97%
D R$ 143.145,54 98%
M R$ 143.145,54 98%
N R$ 129.141,47 99%
H R$ 70.420,64 99%
G R$ 63.654,85 99%
L R$ 63.073,39 100%
K R$ 63.036,92 100%
Q R$ 34.209,85 100%
R R$ 26,45 100%
TOTAL R$ 24.409.606,62 100%
