Escolha do Método de Previsão de Demanda ideal para um Produto

Classe A em uma Indústria Alimentícia


André Clementino de Oliveira Santos
Universidade do Estado do Pará/UEPA – Trav. Enéas Pinheiro, 2626, CEP: 66095-100,
Marco, Belém-PA
E-mail: acos@superig.com.br

Arlindo Tavares de Souza Junior
Universidade do Estado do Pará/UEPA – Trav. Enéas Pinheiro, 2626, CEP: 66095-100,
Marco, Belém-PA

Deyvison Talmo Baia Medeiros
Universidade do Estado do Pará/UEPA – Trav. Enéas Pinheiro, 2626, CEP: 66095-100,
Marco, Belém- PA

Fábio Roberto Araújo dos Santos
Universidade do Estado do Pará/UEPA – Trav. Enéas Pinheiro, 2626, CEP: 66095-100,
Marco, Belém- PA

Tiago Dias Figueiredo
Universidade do Estado do Pará/UEPA – Trav. Enéas Pinheiro, 2626, CEP: 66095-100,
Marco, Belém-PA




Resumo: A busca por diferenciação frente a um mercado de grande competitividade leva muitas
empresas a concentrarem significativos esforços na redução de custos operacionais. Nesse contexto, o
presente artigo tem por finalidade identificar qual é o melhor modelo de previsão que será utilizado
para antever a demanda trimestral do produto de uma Indústria Alimentícia localizada no município
de Castanhal –Pa. A metodologia aplicada para a execução deste trabalho compreende: a análise dos
dados históricos de demanda da empresa, a priorização de um produto para ser estudado segundo a
curva ABC e a aplicação de um modelo matemático compatível com o dados históricos da empresa.
Como resultados dessa aplicação, verificou-se que o modelo de tendência linear consegue representar
de forma satisfatória a demanda da empresa, apresentando uma média de erros absolutos (MAD) de
623 e uma média de erros percentuais (MAPE) de 10%.
Palavras chave: Previsão de Demanda; Indústria Alimentícia; Classificação ABC; Tendência
Linear

1. Introdução
Diante da conjuntura de mudanças, tanto econômicas quanto tecnológicas, pelas quais o
cenário corporativo atual tem passado, é muito comum que as empresas busquem cada vez
mais enxugar seus processos produtivos de modo a reduzir os custos de produção; afinal o
tempo em que a qualidade de um produto era vista como grande diferencial para a
organização já passou, hoje, mais que isso, os consumidores procuram por produtos que
agreguem uma boa qualidade e, especialmente, que tenham um custo reduzido.
Todo esse esforço em reduzir gastos na produção de um produto, deve ser acompanhado de
políticas significativas de melhoria interna no Planejamento e Controle da Produção (PCP)
(da mesma), pois este setor concentra muitas atividades chaves da produção e que, portanto,
demandam grande parte dos investimentos da empresa.
Segundo o Instituto de Engenharia de Gestão (2009), os custos de estoque (por exemplo)
representam, em média, 30% dos custos logísticos das empresas brasileiras. Vale lembrar que
esse estoque, em parte, é gerado por medidas de segurança da empresa, mas grande parte
deste decorre de um excedente produtivo ocasionado pela má administração de materiais e por
falta de políticas organizacionais que consigam prever adequadamente a quantidade de
produtos que deverá ser produzida para atender a demanda da empresa.
Sendo assim, a previsão de demanda constitui-se como uma ferramenta indispensável para
uma organização, na medida em que ela é responsável por fornecer as informações chaves
para o PCP: o que produzir e quanto produzir. De posse desses dados é que a empresa tem
subsídios para fazer o planejamento adequado de sua produção e, consequentemente, para
reduzir os seus níveis de estoque propiciando, assim, uma redução de custos, ou pelo menos a
contenção de gatos desnecessários.
Considerando isso, o presente artigo se propõe a aplicar ferramentas matemáticas e estatísticas
para prever a demanda de um produto de uma Indústria de Alimentos situada no município de
Castanhal. Além disso, espera-se com a realização desse trabalho encontrar um modelo
matemático que melhor se adéque ao histórico de vendas da empresa e que produza os
menores erros de previsão possíveis.
2. Previsão de demanda
Segundo Kotler (1991), a demanda de um produto é o volume total que seria comprado por
um grupo de consumidores, definindo, assim, área geográfica, período de tempo, ambiente de
mercado e mediante um programa de marketing. A previsão de demanda é um processo
metodológico para determinação de dados futuros baseado em modelos estatísticos,
matemáticos e econométricos ou ainda em modelos subjetivos apoiados em uma metodologia
de trabalho clara e previamente definida (MARTINS & LAUGENI, 2002).
Segundo Slack et al (2009) apesar de algumas previsões serem exatas, em um ambiente de
negócios a previsão é muito mais difícil e, portanto, está sujeita a erros. Contudo, elas são
necessárias para ajudar os gerentes a tomar decisões sobre como reunir recursos para a
organização no futuro.
Neste sentido, Tubino (2006) afirma que as previsões são a base para o planejamento
estratégico da produção, vendas e finanças de qualquer empresa, e que têm função muito
relevante no planejamento dos sistemas de produção, pois permitem que os administradores
antevejam o futuro e planejem adequadamente suas ações.
Ainda nessa perspectiva, em que as previsões de demanda estão inseridas em um contexto de
planejamento estratégico, Markidakis (1988) apud Verruck et al (2009) afirma que é através
da previsão de demanda que são tomadas as decisões estratégicas da empresa, seu
planejamento ou qualquer atitude que tenha de considerar acontecimentos futuros.
Confirmando a ideia, Dias (1990) apud Verruck et al (2009) a considera como ponto de
partida de todo planejamento empresarial. Barbieri e Machline (2006) apud Verruck et al
(2009) consideram a previsão como ponto de partida para análise de questões mercadológicas,
desde estratégias de marketing a definições dos níveis de serviço.
No que se refere aos erros que as previsões estão sujeitas, Corrêa et al (2009) afirmam que as
incertezas das previsões e os erros correspondentes provêm de duas fontes distintas: a
primeira corresponde ao próprio mercado, que dada sua natureza, pode ser bastante instável e
de baixa previsibilidade; a segunda corresponde ao sistema de previsão, que, baseado em
várias informações coletadas no mercado e em dados históricos, gera informação que pretende
antever a demanda futura, e que pode conter incertezas em virtude das próprias limitações do
sistema de previsão. Estes autores também dizem que a primeira fonte de incertezas é
inevitável e normalmente responsável por boa parte dos erros das previsões, entretanto, afeta
as previsões da todas as empresas. Portanto, o diferencial entre as previsões das empresas está
na segunda fonte de incertezas, ou seja, na qualidade do sistema de previsão de demanda.
2.1. Classificação ABC
O sistema ABC é um método que divide a família de produtos analisada em três grandes
classes, levando em consideração os seus faturamentos para identificar aqueles que merecem
um monitoramento gerencial mais cuidadoso (DAVIS; AQUILANO & CHASE 2001) apud
(WERNER et al 2006).
A classificação dos itens que recompensam uma atenção gerencial mais cuidadosa pode ser
feito por outros dados que não seja o faturamento. Tubino (2006) relata que apesar da
classificação ABC mais utilizada ser obtida através da demanda valorizada (quantidade de
demanda vezes o custo unitário do item), ela também pode considerar em sua classificação
outros parâmetros como peso, volume ou número de movimentações em estoque, volume
financeiro investido, número de reposições etc.
Para Slack et al (2009) esse fenômeno é conhecido como lei de Pareto ou regra 80/20, pois,
normalmente, cerca de 80% do valor das vendas de uma operação são responsáveis por
somente 20% de todos os tipos de itens estocados. Essa classificação também tem sido usada
em outras áreas do gerenciamento de produção e não somente para decisões relativas à
estoque.
Dias (1993) apud Verruck et al (2009) afirma que a classificação ABC tem sido usada para a
definição de políticas de vendas, estabelecimento de prioridades para a programação da
produção, principalmente na seleção de produtos representativos para elaboração de modelos
de previsão de demanda e uma gama de outros problemas usuais na empresa.
Ainda de acordo com Dias (1993) apud Verruck et al (2009), após os itens serem
classificados por sua importância relativa, pode-se definir as classes da curva ABC em: (i)
grupo de itens mais importantes que devem ser tratados com uma atenção especial pela administração
(geralmente 20% dos itens representando 80% do valor total); (ii) Grupo de itens em situação
intermediária entre as classes A e C (usualmente 30% dos itens correspondendo a 10% do
valor total) e (iii) Grupo de itens menos importantes que justificam pouca atenção da
administração.
Para Tubino (2000), o critério para escolhas das faixas é na realidade uma questão pessoal do
analista, dependendo de cada caso em análise, porém, deve-se empregar como princípio geral
a questão de quanto o item consome dos recursos comparado com quanto pretende-se gastar
com os controles, ou seja, o item deve compensar os custos com o seu controle.
2.2 Processo de Previsão de Demanda
Tubino (2006) divide o processo de previsão de demanda em cinco etapas básicas,
apresentadas na figura abaixo:

Figura 1 – Etapas do modelo de previsão de demanda
Nessa metodologia proposta, inicialmente, define-se a razão pela qual as previsões são
necessárias; posteriormente coletam-se dados históricos do produto, de maneira a identificar o
modelo de previsão que seja mais adequado; uma vez que os dados são coletados e
analisados, decide-se qual a técnica de previsão mais adequada; depois, obtêm-se as projeções
para o futuro e por último verifica-se o erro entre a demanda real e a prevista, para monitorar
se a técnica e os parâmetros ainda são válidos.
Ainda segundo Tubino (2006) chama atenção para alguns cuidados básicos que devem ser
tomados na coleta e análise dos dados:
a) O modelo será mais confiável à medida que mais dados históricos forem coletados e
analisados;
b) Os dados devem buscar a caracterização da demanda pelos produtos da empresa, que não
é necessariamente igual às vendas passadas;
c) Variações extraordinárias da demanda devem ser analisadas e substituídas por valores
médios, compatíveis com o comportamento normal da demanda;
d) O tamanho do período de consolidação dos dados tem influência direta na escolha da
técnica mais adequada, assim como na análise das variações extraordinárias.
2.3 Modelos de Previsão
Existe uma variedade de técnicas de previsão, cada uma com seus pontos fortes e fracos, com
suas especificidades e limitações. Tubino (2006) afirma que a escolha da técnica de previsão
que melhor represente a situação específica é, sem dúvida, a tarefa mais importante.
Ainda segundo Tubino (2006) as técnicas de previsão podem ser divididas em dois grandes
grupos: as técnicas qualitativas, que privilegiam dados subjetivos, devido à dificuldade de
representá-los numericamente; e as técnicas quantitativas, que envolvem a análise numérica
de dados passados, sem opiniões ou palpites.
Slack et al (2009) afirmar que embora nenhuma técnica de previsão resulte em previsão exata,
uma combinação das técnicas qualitativas e quantitativas pode ser usada com grande efeito
para integrar julgamentos especialistas e modelos preditivos.
Moreira (2001) acrescenta que a escolha do modelo de previsão depende de fatores como a
disponibilidade de dados, tempo, e recursos, pois há certos métodos, mais sofisticados,
Monitoração do modelo
Obtenção das previsões
Seleção da técnica de previsão
Coleta e análise dos dados
Objetivo da Pesquisa
normalmente envolvendo modelos matemáticos, que exigem além de dados numéricos com
certa abundância, também a existência de profissionais com o conhecimento necessário para
trabalhar com os modelos bem como com o uso de recursos computacionais como softwares e
planilhas eletrônicas, dependendo do número e variedade de produtos. O outro fator é o
horizonte de previsão, porque há métodos que se mostram melhores para longos prazos e
outros para curtos períodos de previsão.
2.2.1 Previsões Baseadas Em Séries Temporais
Os modelos de séries temporais são baseados no comportamento da série histórica de dados.
Conforme Tubino (2006) as previsões feitas através de séries temporais partem do
pressuposto de que a demanda futura será uma projeção de seus valores passados,
desconsiderando a influência de outras variáveis.
Corrar & Theóphilo (2004), define uma série temporal como o conjunto de observações
seqüenciais de determinada variável expressa numericamente, obtidas em períodos regulares
de tempo, com a principal característica sendo o vínculo das observações com o fator tempo e,
sua análise, do pressuposto de que os fatores que influenciaram o comportamento dos dados
no passado continuam influenciando seus movimentos futuros.
Tubino (2006) aponta a necessidade de plotar os dados históricos e identificar os fatores por
trás das características da curva, que pode apresentar tendência, sazonalidade, variações
irregulares e variações randômicas.
Corrar & Theóphilo (2004) também aponta a necessidade de decompor a série temporal para
analisar cada um dos componentes básicos de variação, que são: (i) tendência: componente
mais relevante, consiste no movimento de direção geral que cobre um longo período de tempo
e reflete as mudanças nos dados ocorridas de modo bastante consistente e gradual. Pode ser
tanto linear quanto não-linear. Quando a tendência não exibe crescimento ou decrescimento,
diz-se que a série é estacionária; (ii) Variações cíclicas: movimentos regulares de longo prazo
(mais que um ano) em torno da curva de tendência; (iii) sazonalidade: variações cíclicas de
curto prazo (menos que um ano) que representam movimentos de padrões regulares ou
repetidos em torno da linha de tendência, podendo ser aditivas (amplitudes regulares) ou
multiplicativas (amplitudes crescentes) e (iv) Variações irregulares ou randômicas:
deslocamentos esporádicos que decorrem de causas naturais ou sociais provocadas por
eventos imprevisíveis e não-periódicos, chamados de ruídos.
Slack et al (2009) aponta como ponto fraco desse modelo, o fato de olhar apenas para dados
passados para prever o futuro, ignorando as variáveis causais que são levadas em
consideração em outros modelos, como a modelagem causal ou técnicas qualitativas.
2.2.2 Previsão Baseada em Média Móvel Simples
Slack et al (2009) descreve que essa abordagem de previsão utiliza a média da demanda real
de n períodos anteriores para de terminar a demanda do próximo período.
Segundo Tubino (2006), as técnicas de previsão da média procuram privilegiar os dados mais
recentes da série histórica, sempre que se dispõe de um dado novo, abandona-se o mais antigo
e introduz o mais recente. O número de períodos define a sensibilidade em relação aos dados
mais recentes, pequenos períodos permitem uma reação maior a variação de demanda,
enquanto os períodos grandes tratam a média de forma mais homogênea.

ˆ
Y
t +1
=
Y
t
+Y
t ÷1
+ ... +Y
t ÷k+1
k

(1)
onde:

ˆ
Y
t +1
é a previsão para o próximo período e k o número de observações

Y
t
+Y
t ÷1
+... +Y
t ÷k+1
anteriores consideradas no cálculo da nova média.
A expressão média móvel traduz um processo no qual, a cada novo t calculado, a observação
mais antiga é substituída pela observação do período seguinte, de forma que a nova média
calculada considerará essa mobilidade no tempo (CORRAR & THEÓPHILO, 2004).
2.2.3 Média móvel ponderada
Martins e Laugeni (2002) mostram que diferentemente do modelo de média móvel simples,
em que se atribui o mesmo peso a todos os dados, o modelo de média móvel ponderada
atribui-se um peso a cada um dos dados.
Conforme Tubino (2006) é uma alternativa de ponderar a importância relativa dos períodos
empregados atribuindo-lhes pesos diferentes, maiores para os períodos mais recentes. É uma
técnica freqüentemente utilizada para eliminar variações indesejadas (CORRAR &
THEÓPHILO, 2004).


ˆ
Y
t +1
=W
1
Y
t
+W
2
Y
t ÷1
+...+W
k
Y
t ÷k+1
(2)
De forma que os W
i
são os pesos atribuídos,

0 sW
i
s1 e

W
i
i=1
k
¿
=1.
2.2.4 Suavização exponencial simples
Lustosa et al (2008) considera este modelo como uma média móvel ponderada em que os
valores mais recentes da série tem maior peso, com a diferença no modo da ponderação: os
valores passados tem seus pesos decrescendo exponencialmente. Cada nova previsão é obtida
com base na previsão anterior, acrescida do erro cometido na previsão anterior, corrigido por
um coeficiente de ponderação (TUBINO, 2000). A fórmula é dada por:


ˆ
Y
t +1
=
ˆ
Y
t
+ o Y
t
÷
ˆ
Y
t
( )

(3)
onde:

ˆ
Y
t +1
é a previsão para o próximo período,

ˆ
Y
t
é a previsão para o período atual,

Y
t
o
valor na série do período atual e o o coeficiente de ponderação, que varia entre zero e um.
Corrar & Theóphilo (2004) explicam que para valores pequenos de o, obtém-se modelos que
não reagem rapidamente à mudança nos dados, ou seja, modelos mais suavizados, enquanto
que para valores de o próximos de 1, obtém-se modelos mais sensíveis à variações, de modo
que a curva dos dados previstos aproxima-se mais daquela dos dados reais.
2.2.5 Regressão Linear
A análise de regressão linear é um modelo de previsão que estabelece uma relação entre uma
variável independente e uma ou mais variáveis independentes. Usa-se o conhecimento a
respeito dessa relação e a respeito dos valores futuros das variáveis independentes para prever
os valores futuros da variável dependente. Na regressão linear simples há somente uma
variável independente. Se os dados forem uma série temporal, a variável independente será o
Período de tempo e a dependente comumente serão as quantidades vendidas, ou qualquer
objeto de previsão (Gaither & Frazier, 2006).

Y =o +|X (4)
Onde

Y
t
é a previsão; t é a variável independente que é o tempo; alfa é o intercepto de Y; e
beta é a inclinação de linha de tendência. Segundo Goldstein (2004), os parâmetros seguem as
seguintes fórmulas:

o =
N Y
¿
÷ | X
¿
N
(5)

| =
N XY
¿
÷ X
¿
Y
¿
N X
2
¿
÷ X
¿
( )
2

(6)
2.2.6 Técnicas para Previsão da Tendência
Segundo Tubino (2006) a tendência trata-se do movimento gradual de longo prazo da
demanda. Ela é obtida através da plotagem dos dados históricos e obtenção de uma equação
que descreva o comportamento dos dados, que pode ser linear ou não linear (exponencial,
parabólica, logarítmica etc).
Este autor descreve a equação linear com o seguinte formato:
Y = a + bX (7)
onde: y = previsão da demanda para o período x
a = ordenada à origem, ou interceptação no eixo dos Y
b = coeficiente angular
X = período (partindo de X = 0) para previsão.
2.4 Monitoramento do modelo
Após a etapa de escolha do modelo é necessário monitorar o seu desempenho, a fim de
verificar sua validade. O modelo é considerado válido quando as tendências e sazonalidades
são previstas com valores de erro dentro de limites esperados, e valores fora desse limite são
ocasionados por variações irregulares. Caso o modelo apresente um MAD (Mean Absolute
Deviation) ou desvio médio absoluto muito alto, devem-se buscar modelos ou parâmetros
mais eficientes, reiniciando o todo o processo de previsão.
Tubino (2006) comenta sobre a necessidade de manter o modelo atualizado para que se
tenham sempre previsões confiáveis da demanda, a monitoração do modelo é feita através do
cálculo e acompanhamento do erro, entre a demanda real e a prevista, essa monitoração busca
verificar a acuracidade dos valores previstos, identificar, isolar e corrigir variações anormais e
permitir a escolha de técnicas ou parâmetros mais eficientes.
Corrêa et al (2009) cita que nenhum esforço de previsão terá sucesso se os erros não forem
apontados e analisados com o objetivo de reavaliar as hipóteses, modificar o método de
previsão e ganhar o comprometimento com a melhoria do processo. E é importante porque
estima o componente aleatório da demanda e também ajuda a identificar os casos em que o
modelo de previsão adotado não é adequado (CHOPRA, 2004) apud (PEREIRA et al, 2005).
s principais indicadores para acompanhar o desempenho do modelo é o MAD (Mean
Absolute Deviation) que é dado pela fórmula abaixo:



MAD=
Y
t
÷
ˆ
Y
t
t =1
n
¿
n
(8)
Sendo que

Y
t
é a demanda para o período atual,

ˆ
Y
t
é a previsão para o mesmo período e n o
número de períodos.
Uma forma usual de monitorar o modelo é comparar o valor de cada erro absoluto com o
valor de 4MAD considerando-o como limite superior de controle (somente valores absolutos)
e plotá-los em um gráfico de controle. A cada nova previsão o erro deve ser plotado e caso
algum valor exceda este limite, devem ser tomadas ações corretivas quanto ao modelo.
Além desta, existe também o Erro Médio Percentual Absoluto ou Mean Absolute Percentual
Error (MAPE) o qual constitui uma medida de precisão expressa em porcentagem.
Ainda para esse autor o MAPE é considerado a mais popular medida de erro e é calculada
pela fórmula, dado pela equação:
MAPE=(|D1-P1|/D1+|D2-P2|/D2+|D3-P3|/D3+...+|Dn-Pn|)/Dn)/n (9)
Usando esse critério de cálculo, o modelo mais adequado será aquele que tiver o menor erro
associado.

3. Metodologia
A execução do trabalho seguiu as seguintes etapas:
a) Definição do Objetivo: determinar um modelo de previsão de demanda que melhor se
adéqüe ao produto Classe A de certa seção de uma Indústria Alimentícia, afinal conforme
Corrêa (2001) poucas empresas são tão flexíveis que possam, de forma eficiente, alterar
de forma substancial seus volumes de produção ou o mix de produtos produzidos de um
período para o outro, especialmente no curto prazo;
b) Coleta de Dados: por meio de pesquisa realizada com um representante da empresa
obteve-se as informações relativas aos dados históricos da demanda dos produtos e seus
respectivos preços de venda;
c) Análise dos Dados: com o auxílio do Microsoft Office Excel 2010
d) Classificação ABC do mix de produtos: usando-se o critério de maior receita anual
gerada à empresa;
e) Métodos testados: através da plotagem e análise dos dados históricos do item escolhido;
f) Escolha do Método Ideal: a partir da identificação do menor MAD e MAPE calculados,
foi escolhido o modelo que melhor se adequa à série, e plotado o gráfico de controle
superior 4MAD a fim de verificar se erros gerados pelo modelo são aceitáveis.
g) Previsão de Demanda: para o próximo trimestre, utilizando o modelo de previsão
determinado na etapa anterior.
4. Estudo de Caso
O Estudo de Caso foi feito em uma Indústria Alimentícia situada no município de Castanhal,
no interior do estado do Pará. A partir de entrevistas com um representante da empresa,
verificou-se a que a classificação ABC utilizando todos os produtos seria inviável, afinal são
comercializados pela empresa quase 600 produtos, além de que houve uma mudança do
sistema de vendas no início do ano de 2010. Sendo assim, foram selecionados 15 produtos de
uma seção da empresa a partir da coleta de informações do ano de 2009, antigo sistema, e do
ano de 2010, sistema atual.
Assim, os produtos foram organizados em classes de importância para a receita total da
empresa nos anos de 2009 e 2010 através da Curva ABC, em seguida pode ser observada a
curva referente ao ano de 2010:


Figura 2 – Curva ABC para o ano de 2010
Pode-se observar pela curva que 20% dos produtos, ou seja, três produtos encontram-se na
classe A, representando aproximadamente 44% da receita total dos produtos analisados.
Enquanto que 33% dos produtos estão na classe B e representam 36% da receita dos produtos
analisados. O restante dos produtos analisados equivalem a 47% são considerados classe C e
representam 20% da receita dos itens estudados.
Sendo assim, a análise da Curva ABC indicou os produtos Chocolate em Pó 250g (sache-Cx
c/28), Azeite de Dendê 200ml (pet- Cx c/12) e Proteína Text. Soja Carne 400g (FD c/15) para
a Classe A, sendo o mais representativo o Chocolate em Pó 250g (sache-Cx c/28) com
19,42% da receita total do itens analisados, portanto foi o produto utilizado para a elaboração
do modelo de previsão de demanda.
A elaboração do modelo de previsão para este produto tem como objetivo auxiliar no
processo de, por exemplo, compra das matérias-primas, quantidade necessária de mão-de-
obra, espaço físico e maquinário, no intuito de evitar que o consumidor fique sem o
determinado produto ou mesmo que grande quantidade do mesmo fique gerando custos com
estoque.
Foram coletados 24 dados mensais de venda deste produto, de janeiro de 2009 até dezembro
de 2010, como pode ser visto abaixo na série histórica dos dados coletados:
0
10
20
30
40
50
60
70
80
90
100
A
B
C

Figura 3 – Série histórica do produto escolhido
A partir da análise do gráfico pode-se perceber que o histórico de vendas do item escolhido
notavelmente é uma tendência logo, se trabalhará somente com modelos de tendência: Linear,
Exponencial, Logarítmica, Potencial e Holt (com α=0,1 e β=0,2).
Sendo assim, foram calculados os erros de cada modelo pelo MAD e MAPE, no intuito de
escolher o melhor método a ser utilizado pela empresa para a previsão de demanda do produto
Chocolate em Pó 250g (sache-Cx c/28):
Métodos MAD
Tendência Exponencial 621
Tendência Linear 623
Tendência Potencial 650
Tendência Logarítmica 662
Holt 663
Fonte: Autores
Tabela 1 – MAD calculado para cada método
Métodos MAPE
Tendência Exponencial 10%
Tendência Linear 10%
Tendência Potencial 10%
Tendência Logarítmica 10%
Holt 10%
Fonte: Autores
Tabela 2 – MAPE calculado para cada método
Ao se analisar a Tabela 1, pode-se perceber que os métodos com menores MAD foram o de
Tendência Exponencial e Linear, no entanto com uma diferença irrelevante entre ambos. E a
Tabela 2, obteve erros aproximadamente iguais: 10%. Sendo assim, devido ao modelo linear
ser mais simples e em um horizonte um pouco maior ser mais confiável, optou-se por escolher
0
1,000
2,000
3,000
4,000
5,000
6,000
7,000
8,000
9,000
10,000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
o modelo de Tendência Linear. Foram plotados os valores previstos pelo método linear no
gráfico de controle 4MAD como pode-se visualizar abaixo:

Figura 4 – Gráfico de Controle 4MAD de Tendência Linear
A partir da análise da figura 4, pode-se destacar que todos os pontos do método escolhido
estão dentro do limite superior de controle 4MAD, consequentemente, validado o modelo
para a posterior previsão de demanda para os três meses subsequentes (Figura 5):

Figura 5 – Representação da Série Histórica e da Previsão para o próximo trimestre com o Método Escolhido
Portanto, utilizando a Tendência Linear, obteve-se os valores para o próximo trimestre, os
quais foram de 7705 unidades, 7800 unidades e 7896 unidades para o 1º, 2º e 3º mês,
respectivamente.
5. Conclusão
A utilização de ferramentas matemáticas e estatísticas para a previsão de demandas futuras,
têm se mostrado uma importante aliada para toda empresa que deseja reduzir custo e assim se
manter competitiva e estável no mercado atual. Nesse estudo realizou-se a previsão demandas
para um produto de uma Indústria de alimentos.
Primeiramente é importante comentar sobre a curva ABC que foi construída, afinal ela
permitiu identificar o produto Chocolate em Pó 250g como o mais importante a ser analisado
pela empresa, dentre os produtos analisados, pois sozinho ele gerava o maior faturamento
anual em relação aos outros produtos, e somando-se a receita arrecadada da venda desse
produto com a de mais dois, obtém-se 44% da receita total. Logo, o Chocolate em Pó 250g
merece especial enfoque na previsão de demanda a ser realizada.
Além disso, outro fato relevante foi a adequação do modelo de Tendência linear aos dados
que foram coletados, apresentado uma média de erros absolutos (MAD) de 623 em relação
aos dados reais coletados, uma média de erros percentuais (MAPE) de 10%, observando-se
0
500
1000
1500
2000
2500
3000
0 5 10 15 20
0
2,000
4,000
6,000
8,000
10,000
1 3 5 7 9 11 13 15 17 19 21 23 25 27
que nenhum ponto fora de controle no gráfico de controle 4 MAD (Ver Figura 4). Essa
adequação se faz muito importante porque é ela que vai determinar o quão confiável será a
previsão de demanda, logo um modelo que se adeque bem, gerando erros relativamente
pequenos (como foi o caso do apresentado nesse artigo) apresentará previsões mais precisas.
Por fim o modelo proposto apontou como resultado para uma previsão trimestral da
quantidade de Chocolate em Pó 250 g: 7705 unidades para o 1° mês, 7800 unidades para o 2°
mês e 7896 para o 3° mês. Portanto a empresa deverá programar a sua produção levando em
consideração esses estimativas de demanda.
Vale ressaltar que como todo modelo de previsão de demanda, esse modelo deverá ser
validado e revisto em um prazo de seis meses, pois como a demanda se altera no decorrer do
tempo, o modelo matemático que está sendo utilizado poderá não ser o mais adequado frente
a essas mudanças que podem ocorrer.

Referências
CORRAR, L.J.; THEÓPHILO, C.R. Pesquisa Operacional para decisão em Contabilidade e Administração.
São Paulo: Editora Atlas, 2004.
CORRÊA, L.H. et al. Planejamento, Programação e Controle da Produção. 5 ed. São Paulo: Atlas, 2009.
INSTITUTO DE ENGENHARIA DE GESTÃO (Org.). Curso de Gestão Estratégica de Estoques.
Disponível em: <http://www.institutodegestao.com.br/cursos-gestaoestoque.htm>. Acesso em: 18 de Maio de
2011.
KOTLER, Philip; Administração de Marketing: análise, planejamento, implementação e controle. São Paulo:
Atlas, 1991.
LUSTOSA, L. et al. Planejamento e Controle da Produção. Rio de Janeiro: Editora Elsevier, 2008.
MARTINS, Petrônio G. & LAUGENI, Fernando P. Administração da produção. 1 ed. São Paulo: Saraiva,
2002.
PEREIRA, F.; SILVA, A.; SCHLINDWEIN, M. Estabelecimento de diferencial competitivo através da
análise e previsão de demanda para racionalização dos estoques: um estudo de caso para compensado naval.
Universidade Federal da Grande Dourados. Mato Grosso do Sul: 2005.
SLACK, N. et al. Administração da Produção. 2 ed. São Paulo: Editora Atlas, 2009.
TUBINO, D.F. Manual de Planejamento e Controle da Produção. 2 ed. São Paulo: Editora Atlas, 2000.
VERRUCK, Fábio; BAMPI, Rodrigo; MILAN, Gabriel. Previsão de demanda em operações de serviços: um
estudo em uma empresa do setor de transportes. Universidade de Caxias do Sul: 2009.
WERNER, Liane; LEMOS, Fernando; DAUDT, Tiago. Previsão de demanda e níveis de estoque uma
abordagem conjunta aplicada no setor siderúrgico. UFRGS: 2006.