APLICAÇÃO DE MÉTODOS DE PREVISÃO DE DEMANDA E GESTÃO DE ESTOQUE EM UM RESTAURANTE TRADICIONAL JAPONÊS EM BRASÍLIA-DF

(1)

APLICAÇÃO DE MÉTODOS DE PREVISÃO DE DEMANDA E GESTÃO DE ESTOQUE EM UM RESTAURANTE TRADICIONAL JAPONÊS EM BRASÍLIA-DF

Juliana Kossoski dos Santos (Universidade de Brasília - UnB ) julianakossoski@gmail.com Arthur Custodio Gosenheimer (Universidade de Brasília - UnB ) gosenheimer96@gmail.com Gustavo Pessoa Caixeta Pinto da Luz (Universidade de Brasília - UnB ) gus.luz97@gmail.com Isabela Evora Moreira (Universidade de Brasília - UnB ) isabem@gmail.com Ana Carla Bittencourt Reis (Universidade de Brasília - UnB ) anacarlabr@yahoo.com.br

O Planejamento e Controle da Produção (PCP) é essencial para boa gestão e bom funcionamento de uma empresa. A fim de colocar em prática os conceitos de PCP, por meio de uma disciplina de aprendizagem ativa, realizou-se o presente estudo em um restaurante de comida típica japonesa localizado em Brasília (DF) objetivando aplicar métodos de previsão de demanda e de gestão de estoque, tendo em vista uma proposta de reformulação no cardápio pelo gerente do estabelecimento. Para a previsão de demanda, utilizou-se da Curva ABC para analisar a classificação dos pratos que permaneceram no cardápio a fim de filtrar os que apresentavam maior representatividade no faturamento do restaurante, aplicando, além dos métodos convencionais de previsão, o método ARIMA. Dos pratos selecionados para análise, o método da média móvel exponencial com α=2 apresentou menor erro. Para a gestão do estoque, escolheu-se a família de bebidas por ser uma necessidade levantada pelo gestor do estabelecimento.

Palavras-chave: Planejamento e Controle da Produção (PCP), Curva ABC, Previsão de demanda, Gestão de estoques, ARIMA

(2)

1. Introdução

Para manter o estabelecimento sadio é importante uma tomada de decisões assertiva. Para auxiliar nesse contexto, pode-se lançar mão de alguns instrumentos que auxiliam na estratégia da organização, como previsão de demanda e gestão de estoque.

Estas ferramentas fazem parte das atividades do Planejamento e Controle da Produção (PCP) que segundo Chiavenato (2014) determinam o que se deve fazer, quando fazer, quem deve fazer e de que maneira, além de assegurar que os planos sejam executados da melhor forma possível.

Para Slack et. al. (2018) apesar do estoque ser custoso, representar risco referente a

deterioração, itens obsoletos e ocupar espaço, eles proporcionam certo nível de segurança em ambientes incertos, assim, é necessário uma eficaz gestão para que a empresa possa entregar prontamente os itens conforme a demanda dos cliente, sem incorrer em prejuízos.

Sobre a previsão de demanda, Tubino (2007) diz que está permite que os administradores das organizações antecipem o futuro e planejem de forma mais conveniente suas ações.

No âmbito de restaurantes, tem-se a necessidade de ter o produto no instante que o cliente o demanda. Visto a relevância de aplicações de ferramentas de PCP, esse trabalho objetiva a implementação e análise de métodos de previsão de demanda e gestão de estoque em um restaurante típico japonês de Brasília-DF.

2. Referencial Teórico 2.1. Curva ABC

A curva ABC para Dias (2015) permite identificar itens que justificam atenção e tratamento adequados quanto à sua administração e é determinada em três classes das seguintes maneiras:

a) Classe A: Grupo de itens mais importantes que devem ser tratados com atenção especial pela administração;

b) Classe B: Grupo de itens em situação intermediária entre as classes A e C;

c) Classe C: Grupo de itens menos importantes que justificam pouca atenção por parte da administração.

Essa classificação quando finalizada ilustrará as representações de cada classe. Fernandes e Godinho Filho (2000) relatam que poucos itens representam uma importância acumulada alta:

20% dos itens compõem a classe A e representam 80% da grandeza que mede a importância acumulada; itens de médio valor representam 30% dos itens, eles compõem a classe B e representam 15% do valor acumulado e, finalmente, itens de menor valor compõem a classe C,

(3)

sendo eles 50% dos itens e representando 5% do valor acumulado. Essas porcentagens são aproximadas e guiam a análise dos itens, não devendo ser consideradas absolutas.

Pozo (2015) afirma que essa ferramenta tem utilidade em diversos setores onde se necessita tomar decisões envolvendo grande volume de dados e é constantemente usada para avaliação de estoques, produção, vendas, salários e outros.

2.2. Previsão de Demanda

Saber a quantidade de produtos que se planeja vender no futuro é necessário pois essa expectativa é o ponto de partida para muitas decisões gerenciais, como planejamento da produção (ALBERTIN; PONTES, 2016).

Segundo Zhao, Xie e Leung (2002) dificilmente se conhece a demanda com certeza, assim a tomada de decisão precisa se embasar nas previsões.

Dentre os tipos de previsão, utilizou-se quatro métodos para estudar o comportamento dos produtos deste trabalho. São eles:

a) Média Móvel: Calcula-se a média de N períodos mais recentes;

b) Média Móvel Ponderada: Leva-se em consideração somente os N períodos passados mais recentes, dando pesos maiores para os mais recentes;

c) Média Móvel Exponencial: Utiliza o parâmetro α e dá maior peso para as demandas mais recentes;

d) Modelo ARIMA: Modelo autorregressivo integrado de médias móveis que analisa séries temporais.

2.2.1. Método ARIMA

O método ARIMA ou método de Box-Jenkins, é um modelo de análise e previsão a partir de uma série temporal, que representa um conjunto de dados coletados de acordo com o tempo.

Segundo Kirchner (2006), o nome deriva da utilização de três componentes para análise e correlação entre os dados: componente autorregressivo (AR), filtro de integração (I) e componente de médias móveis (MA).

Segundo Box e Jenkins (1970), os parâmetros são definidos de acordo com modelos de ordem (p,d,q), que possuem equilíbrio estatístico. Dessa forma, um modelo ARIMA (0,0,2), por exemplo, apresenta forte utilização de médias móveis e um modelo (2,0,1) apresenta dois componentes autorregressivos e um de médias móveis. A equação 1 define esse modelo:

𝜙(𝐵)(1 − 𝐵)^𝑑 𝑍_𝑡 = 𝜃₀+ 𝜃(𝐵)𝑎_𝑡 (1)

(4)

Nessa equação, ϕ(B) e θ(B) são operadores de grau p e q. Estes autores, afirmam que o modelo é geral, trazendo uma junção de modelos autorregressivos de médias móveis, modelos mistos de autorregressão de médias móveis e formas integradas de todos os três.

O método possui ampla utilização na previsão de demanda, se mostrando um modelo bastante consolidado e difundido. Segundo Jaipuria e Mahapatra (2014) é um modelo de previsão útil quando a série de dados é estacionária seguindo um padrão linear.

2.3. Gestão de Estoque

A gestão de estoques é um elemento gerencial essencial na administração, conforme afirma Corrêa (2017) apontando que esse controle se refere à quando e quanto ressuprimir determinado item sendo o ideal conseguir coordenar consumo e suprimento.

Conforme Lobo (2014), apesar do estoque gerar custos, ele é necessário independentemente do tamanho da empresa, sendo seu gerenciamento uma atividade que merece atenção especial.

Há diversos sistemas de gestão de estoque, o que os diferencia, principalmente, é o momento do ressuprimento e da quantidade a ser ressuprida. Para o presente trabalho, utilizou-se um método que calcula o estoque de segurança usando o nível de serviço.

O estoque de segurança, segundo Bowersox et. al.(2013) é necessário em cenários de incertezas e o nível se serviço (segurança) é uma taxa que garante que o estoque não ficará descoberto.

King (2011) define os percentuais de nível de serviço conforme figura 1, além disso, apresenta algumas fórmulas para se definir qual seria o tamanho do estoque de segurança ou estoque mínimo, quando o lead time tem um desvio padrão muito pequeno (ou nulo), o estoque de segurança pode ser seguramente aproximado pela equação 2 abaixo:

𝐸𝑆 = 𝑍 𝜎_𝑑 √𝑡 (2)

Em que ES é o Estoque de Segurança, z é o nível de serviço, 𝜎_𝑑 é o desvio padrão dessa demanda e t é o lead time médio.

(5)

Figura 1 - Nível de serviço

Fonte: Adaptado de King (2011)

Segundo Gonzalez e González (2010), o Ponto de Ressuprimento é calculado como o Estoque de Segurança adicionado à multiplicação entre demanda e lead time, o que é exibido na equação 3:

𝑃𝑅 = (𝐷 ∗ 𝑡) + 𝐸𝑆 (3)

Em que PR é o Ponto de Ressuprimento, t é o lead time médio e D é a demanda média mensal.

3. Metodologia

O presente trabalho é produto de uma disciplina da Engenharia de Produção da Universidade de Brasília que adota a metodologia PBL (Problem-Based Learning) que segundo Martins et.

al. (2018), usa situações reais como forma de estimular os alunos a buscarem um arcabouço teórico e prático para a solução do problema, dessa forma, os alunos buscaram um cliente externo para aplicação das teorias de PCP.

Foi realizado um estudo de caso que segundo Berto e Nakano (2014) diz respeito a uma análise aprofundada de um caso, com o uso de múltiplos instrumentos de coleta de dados e interação entre o pesquisador e o objeto de pesquisa.

Nesse contexto, foram realizadas reuniões com o gerente do restaurante, além de visitas técnicas ao local a fim de observar e conhecer melhor o processo. Entre a equipe também havia reuniões frequentes além de validação das etapas do trabalho com a professora da disciplina.

Aplicou-se uma metodologia quantitativa de modelos de previsão de demanda com os dados de outubro de 2017 a outubro de 2018 utilizando o modelo de curva ABC para selecionar os pratos mais relevantes e acatar o desejo do gestor de diminuir os itens do cardápio. Para a gestão do

(6)

estoque, optou-se por analisar bebidas, por ser uma necessidade crítica apresentada pelo cliente, para tal, usou-se cálculos do ponto de ressuprimento e estoque de segurança.

4. Estudo de caso

O estudo foi realizado em um restaurante japonês localizado em Brasília (DF) de caráter familiar que apresentou várias mudanças no seu cardápio nos últimos anos, buscando adequar- se à demanda e a criação de uma identidade, que hoje é representada por seus pratos típicos da culinária japonesa.

O cardápio contava com 120 pratos com ingredientes bastante variados, fato que dificultava uma gestão otimizada do estoque e impactava no tempo de preparação. Era desejo do gestor um cardápio mais enxuto. Quanto às bebidas, não havia uma gestão de estoque gerando falhas no controle de chegada e saída dos produtos.

Neste cenário, foi possível perceber que estabelecer métodos de previsão de demanda e gestão de estoque seria essencial para sanar os problemas identificados.

Meneghini (2018) reforça essa ideia ao afirmar que como diversos processos na cozinha de um restaurante são empurrados, é fundamental uma previsão de demanda precisa, evitando o início do preparo depois do pedido e, ao mesmo tempo, reduzir o tempo de prateleira dos produtos, pois o excesso de produção por antecipação gera desperdício, enquanto que a falta de produção gera insatisfação do cliente refletindo na imagem da empresa.

5. Resultados e Análises

5.1. Tratamento e Análise de Dados

O cardápio do restaurante passou por uma reformulação, os critérios para continuar no cardápio, validados pelo gerente do restaurante, eram que o prato deveria ser tradicionalmente japonês, lucrativo e ter eficiência produtiva. Para tanto, elaborou-se uma classificação ABC, conforme Anexo 1 com todos os 120 pratos do cardápio original (onde os itens que saíram estão destacados em cores escuras), para observar quais representavam maior contribuição na receita total de vendas e auxiliar na decisão de quais continuariam sendo ofertados, finalizando em 40 itens.

Após a validação do gerente dos pratos do cardápio mais enxuto, listados na Figura 2, elaborou- se uma nova curva ABC, conforme Figura 3, agora com fins de evidenciar quais eram os mais relevantes, observando a distribuição e a representação de cada categoria. Além disso, o restaurante não possuía fichas técnicas de todos os pratos, logo para a previsão, optou-se por

(7)

pratos com classificação A e que possuíam fichas técnicas, os quais estão destacados na figura 2.

Figura 2 - Lista de pratos do novo cardápio e classificação ABC

Fonte: Autores (2019)

Através da aplicação da metodologia ABC, percebemos que, com os 40 pratos do cardápio, 49% se encontram na categoria A representando 79% do valor, 30% na categoria B representando 16% do valor, e 22% na categoria C com apenas 5% de contribuição do valor total. Com isso, é evidenciado uma distribuição mais homogênea da importância dos pratos.

(8)

Figura - 3 ABC dos pratos do novo cardápio

Outro filtro realizado foi quanto aos dados de previsão, os dados de outubro de 2017 a outubro de 2018 utilizados no estudo, consideravam o total de pratos. Com a pretensão de se analisar os dados para um cardápio enxuto, viu-se a necessidade de proporcionar e distribuir os valores de demanda somente para o novo cardápio. A solução encontrada foi: como os pratos são separados por categorias, apresentando grandes semelhanças entre si, não apenas em composição como em dimensionamento, foi assumido que os pratos de cada categoria teriam suas vendas aumentadas conforme a ausência dos pratos excluídos da mesma.

Para o cálculo da proporção, utilizou-se o total de cada mês por categoria com todos os pratos do cardápio anterior, e, através de regra de 3, proporcionou-se para que esse total continuasse, porém agora com menos pratos. Será exemplificado o cálculo com a categoria Teishoku no mês de outubro de 2018, conforme Figura 4 e equações 4 e 5 abaixo:

(9)

Figura 4 - Quantidade vendida em outubro 2018 da categoria Teishoku

O cálculo das proporções é dado pela equação 4:

𝑃𝑟𝑜𝑝𝑜𝑟çã𝑜 𝑝𝑟𝑎𝑡𝑜 𝑥 = ( 𝑇𝑜𝑡𝑎𝑙 𝑝𝑟𝑎𝑡𝑜𝑠 𝑐𝑎𝑟𝑑á𝑝𝑖𝑜 𝑡𝑜𝑑𝑜

𝑇𝑜𝑡𝑎𝑙 𝑝𝑟𝑎𝑡𝑜𝑠 𝑐𝑎𝑟𝑑á𝑝𝑖𝑜 𝑟𝑒𝑓𝑜𝑟𝑚𝑢𝑙𝑎𝑑𝑜) × 𝑄𝑢𝑎𝑛𝑡𝑖𝑑𝑎𝑑𝑒 𝑣𝑒𝑛𝑑𝑖𝑑𝑎 𝑝𝑟𝑎𝑡𝑜 𝑥 (4)

Para exemplificar, o cálculo da proporção do prato Wafu steak foi realizado conforme equação 5:

𝑃𝑟𝑜𝑝𝑜𝑟çã𝑜 𝑊𝑎𝑓𝑢 𝑠𝑡𝑒𝑎𝑘 = (⁸²⁰

408) × 50 = 100,49 (5)

Com os dados proporcionados, pode-se presumir como será a demanda com a diminuição dos itens do cardápio.

5.2. Aplicação dos Métodos de Previsão de Demanda

Foi observado que diferentes itens apresentam comportamentos distintos quanto às flutuações de demanda, assim, seriam necessários diferentes métodos de previsão de demanda que melhor se adequassem a cada prato. Para isso foram usados quatro métodos que serão discutidos a seguir, apresentando, em seguida, exemplos de pratos que mais se adequaram a cada um.

Para que ao final da análise fosse possível escolher o melhor método para cada prato, foi calculado o erro de cada previsão segundo a equação 6.

(10)

𝐸_𝑡 = 𝑑_𝑡− 𝑀_𝑇 (6)

Onde, Et é o erro de previsão para o período t, dt é a demanda real para o período t e MT é a previsão para o período t.

Comparando os métodos que apresentaram menor erro de previsão médio, podemos ilustrar a quantidade de vezes que um método teve o menor erro, com o Gráfico 1:

Gráfico 1 -Número de pratos que apresentaram menor erro por método

Percebe-se que o método que obteve mais resultados satisfatórios foi a média móvel exponencial com α=0,2.

5.2.1. Média Móvel

Este método é muito utilizado pois leva em consideração dados históricos de demandas reais e considera a média dos períodos mais recentes, garantindo maior acurácia removendo os efeitos da flutuação aleatória. Segundo Ritzman e Kajewski (2009), é mais útil quando a demanda não apresenta tendências pronunciadas ou influências sazonais.

Segundo Fernandes e Godinho Filho (2010), esse método utiliza a equação 7:

𝑀_𝑇 = 1

𝑁 ∑ 𝑑_𝑡

1

𝑡=𝑇−𝑁+1

(7)

Onde, MT é média móvel para o período T (período atual), N é o número de períodos mais recentes e dt é a demanda real dos períodos anteriores. Portanto, a previsão para k períodos à frente é dada por MT.

Com esse método, foram feitas as previsões de demandas considerando 3 e 4 períodos. Os resultados obtidos conforme exemplo da figura 5.

(11)

Figura 5 - Resultados por período para Média Móvel de 3 e 4 meses do prato Buta no Shougayaki

Para o prato Karagee que apresenta flutuações aleatórias, o método adequado foi a Média Móvel de 3 períodos, conforme Gráfico 2.

Gráfico 2 - Previsão de demanda do prato Karagee

5.2.2. Média Móvel Ponderada

Diferente da média móvel simples que atribui peso 1/N para todas as demandas, a média móvel ponderada estabelece que a soma dos pesos é igual a 1 e que cada demanda pode ter seu peso.

Segundo Fernandes e Godinho Filho (2010), a média móvel ponderada é calculada com a equação 8.

𝑀𝑃_𝑇= 1

𝑁 ∑ 𝑤_𝑡𝑑_𝑡

1

𝑡=𝑇−𝑁+1

(8)

Onde, MPT é a média móvel ponderada para o período T, N é o número de períodos mais recentes, wt são os pesos atribuídos aos dados reais de demanda e dt é a demanda real dos períodos anteriores.

(12)

Para essa média móvel também foram utilizados 3 e 4 meses pelos mesmos motivos da média móvel simples. Para Ritzman e Kajewski (2009), a vantagem do método de média móvel ponderada é que ela permite enfatizar a demanda recente em relação à anterior e pode até mesmo lidar com efeitos sazonais colocando pesos maiores em períodos anteriores da mesma estação.

Para os cálculos das demandas dos pratos, o peso utilizado foi de 1 para a d1, 2 para d2, 3 para d3 e 4 para d4.

Com isso, foram feitas as previsões de demandas como, como por exemplo, para o prato da figura 6.

Figura 6 - Resultados por período para Média Móvel Ponderada de 3 e 4 meses do prato Buta no Shougayaki

Com esse método, o prato Tempurá que teve demandas recentes baixas, adequou-se melhor, conforme o Gráfico 3.

Gráfico 3 - Previsão de demanda do prato Tempurá

(13)

5.2.3. Média Móvel Exponencial

A média móvel exponencial assemelha-se à média móvel ponderada, porém com pesos maiores para as demandas mais recentes. Esses pesos são os parâmetros α. “Valores de α mais altos enfatizam níveis recentes de demanda e têm como resultado previsões mais responsivas a alterações na média básica” (RITZMAN; KRAJEWSKI, 2009). Para que esse parâmetro fosse escolhido foram feitos testes, levando em consideração que α deve variar de 0 a 1, para se obter o menor erro e eles foram encontrados para os parâmetros 0,2 e 0,5.

Portanto, as equações utilizadas para prever as demandas utilizando esse método foram as equações 9 e 10.

𝑆_𝑡 = 𝑆_𝑡−1+ 0,2 (𝑑_𝑡− 𝑆_𝑡−1) (9) 𝑆_𝑡 = 𝑆_𝑡−1+ 0,5 (𝑑_𝑡− 𝑆_𝑡−1) (10)

Onde, St é a previsão suavizada para o período T, St-1 é a previsão suavizada para o período T-1 e dt é demanda real no período T.

Com isso, as demandas obtidas foram as ilustradas na Figura 7. Percebe-se que ambos tiveram o mesmo erro e, portanto, ambos foram utilizados para cálculo.

Figura 7 - Resultados por período para Média Móvel Exponencial do prato Buta no Shougayaki

Para o Ebi Furai que subiu, gradualmente, sua demanda, o método de Média Móvel Exponencial, que estabelece pesos maiores para as demandas mais recentes, foi o melhor conforme Gráfico 4.

(14)

Gráfico 4 - Previsão de demanda do prato Ebi Furai

5.2.4. Método ARIMA

Foi utilizado o software com código fonte aberto na linguagem Python para abordar o modelo ARIMA, visto que a ferramenta Excel não atendia à essa demanda. Para isso, foi desenvolvido um código para obter este modelo que representa cada prato e uma previsão dos últimos 5 meses, para comparação com outros métodos de previsão de demanda.

Primeiramente, os dados das demandas foram transformados em uma série temporal, como mostrado na figura 9.

Figura 9 - Série Temporal

Depois, para cada prato, obteve-se o modelo ARIMA (p,d,q) em que ele melhor se enquadrava, de acordo com o menor MSE (Mean Square Error), que é representado pela elevação ao quadrado da média dos erros dividida pelo número de períodos. A Figura 10 mostra o código e um exemplo de resultado ao rodá-lo, com o seu MSE:

Figura 10 - Parte do código para gerar parâmetros e resultado

(15)

Finalmente, foi gerada a previsão dos últimos 5 meses estudados com a comparação entre previsto e real, além do MSE que comprova que o modelo se adequou ao desejado. A Figura 11 mostra parte do código e o resultado.

Figura 11 - Parte do código para gerar previsão e resultado

Após previsão, plotou-se o gráfico na ferramenta Excel juntamente aos outros métodos de previsão para que a comparação ficasse mais clara entre os métodos e erros médios.

A figura 12 mostra os resultados após aplicar o método ARIMA (p,d,q) para cada prato e seus respectivos erros:

Figura 12 - Resultados do método ARIMA

Foram plotados todos os gráficos, mas como exemplo, será exposto o Gráfico 5 do prato Tonkatsu, no qual a previsão do ARIMA foi satisfatória.

(16)

Gráfico 5 - Previsão ARIMA Tonkatsu

5.3. Cálculos de Gestão de Estoque

Foi aplicado o cálculo de Estoque de Segurança e Ponto de Ressuprimento para as bebidas a pedido do cliente. Primeiramente, foi realizada a coleta de dados, obtendo o desvio padrão da demanda de bebidas a partir das vendas mensais e o lead time médio. Para o nível de serviço, foi definido junto ao cliente que o nível de 95% estaria adequado à realidade do restaurante.

5.3.1 Resultados da Gestão de Estoque

Os resultados da aplicação das fórmulas de Estoque de Segurança e Ponto de Ressuprimento estão representados na Figura 13.

Figura 13 – Parte dos Resultados de Gestão de Estoque

Pode-se perceber que os dados estão consistentes de acordo com a demanda mensal e o nível de segurança almejado, lembrando que 1,645 indica um nível de 95% de acordo com a figura 1. Além da tabela da Figura 13 que serve para fins de análise e, elaborou-se a tabela da Figura 14 para auxílio do gestor na tomada de decisões, contendo informações atualizadas

(17)

automaticamente de acordo com as compras de bebidas e o estoque atual, informando qual o nível de estoque atual e qual ação deve ser tomada.

Figura 14 - Planilha para Controle do Estoque

6. Considerações finais

O projeto desenvolvido no restaurante japonês proporcionou um modelo satisfatório de previsão de demanda individualizado para cada prato selecionado e o entendimento das flutuações de demanda acarretadas pela sazonalidade e tendência destes, além da melhor gestão do estoque.

Por meio da análise das curvas ABC, foi possível atender a demanda do cliente de um cardápio mais enxuto. Em seguida foi desenvolvida uma forma de prever a demanda para o novo cardápio com base nos dados de vendas do último ano. Aplicou-se diversos modelos de previsão de demanda para melhor adequar-se ao comportamento de cada item e percebeu-se que o melhor método para os pratos selecionados foi o da média móvel exponencial com α=0,2. A gestão de estoque foi proposta para a família de bebidas, já que seu comportamento é bem descrito e não há necessidade de fichas técnicas para determinar pontos de ressuprimento.

Uma sugestão para trabalho futuro seria consolidar fichas técnicas para todos os pratos mantidos no cardápio, padronizando e formalizando seus processos de produção. Com isso, seria possível obter dados dos insumos para a demanda e lead time de todos os produtos oferecidos, possibilitando um melhor controle de estoque e, por meio de uma análise dos processos produtivos, melhorias referentes ao processo de sequenciamento, integrando todo o sistema produtivo.

Um método de previsão de demanda que pode ser aplicado futuramente é a suavização exponencial, de acordo com a disponibilidade de dados de anos anteriores para estudo de sazonalidade.

(18)

REFERÊNCIAS

ALBERTIN, Marcos Ronaldo; PONTES, Heráclito. Administração da produção e operações. Curitiba:

Intersaberes, 2016.

BOWERSOX, Donald J. et al. Gestão logística da cadeia de suprimentos. AMGH Editora, 2013.

BOX, George; JENKINS, Gwilym. Times Series Analysis Forecasting and Control. San Francisco: Holden- Day. 1970.

CHIAVENATO, Idalberto. Gestão da produção: Uma abordagem introdutória. 3ª Edição. 2014.

CORRÊA, Henrique. Administração de produção e de operações: o essencial. 3ª Edição. Rio de Janeiro:

Atlas, 2017.

BERTO, Rosa; NAKANO, Davi. Revisitando a produção científica nos anais do Encontro Nacional de Engenharia de Produção. Production, v.24, n.1, 2014.

DIAS, Marco Aurélio P. Administração de materiais: uma abordagem logística. 6. ed. São Paulo: Atlas, 2015.

FERNANDES, Flavio Cesar; GODINHO FILHO, Moacir. Planejamento e Controle da Produção: dos Fundamentos ao Essencial. São Paulo: Atlas S.A, 2010.

GONZALEZ, Jose; GONZÁLEZ, Daniel. Analysis of an economic order quantity and reorder point inventory control model for company XYZ. 2010.

JAIPURIA, Sanjita; MAHAPATRA, Siba. An improved demand forecasting method to reduce bullwhip effect in supply chains. Expert Systems with Applications, v.41, n 5, 2014.

KING, Peter. Crack the code: Understanding safety stock and mastering its equations. APICS Magazine.

2011.

KIRCHNER, Rosane. Modelagem e previsão por meio de metodogia Box&Jenkins: Uma ferramenta de gestão. 2006. Dissertação (Pós-Graduação em Engenharia de Produção) - Universidade de Santa Maria. 2006.

LOBO, Renato Nogueiro. Planejamento e controle da produção. São Paulo: Erica, 2014.

(19)

MARTINS, Valéria; CONCILIO, Ilana; GUIMARÃES, Marcelo. Problem based learning associated to the development of games for programming teaching. Computer Applications in Engineering Education. v.26, n.5, p.1577-1589, 2018.

MENEGHINI, Mateus et al. Ajuste de Previsão de Demanda Quantitativa com Base em Fatores Qualitativos: Estudo de Caso em um Restaurante Fast Food. 2013.

POZO, Hamilton. Administração de recursos materiais e patrimoniais uma abordagem logística. 7 ed. Rio de Janeiro: Atlas, 2015.

RITZMAN, Larry; KRAJEWSKI, Lee. Administração da Produção e Operações. 8 ed. São Paulo: Pearson Prentice Hall, 2009.

SLACK, Nigel et. al. Administração da Produção. 8 ed. São Paulo: Atlas, 2018.

TUBINO, Dalvio Ferrari. Planejamento e controle da produção: teoria e prática. São Paulo: Atlas, 2007.

ZHAO, Xiande; XIE, Jinxing; LEUNG, Janny. The impact of forecasting model selection on the value of information sharing in a supply chain. European Journal of Operational Research. v. 142, n. 2, p. 321-344, 2002.

ANEXOS

Anexo 1 - Curva ABC de 120 pratos

(20)