UNIVERSIDADE DO ESTADO DE SANTA CATARINA CENTRO DE CIÊNCIAS TECNOLÓGICAS DEPARTAMENTO DE ENGENHARIA DE PRODUÇÃO E SISTEMAS TAMIE LEDOUX TAKEDA

Transcrição

1 UNIVERSIDADE DO ESTADO DE SANTA CATARINA CENTRO DE CIÊNCIAS TECNOLÓGICAS DEPARTAMENTO DE ENGENHARIA DE PRODUÇÃO E SISTEMAS TAMIE LEDOUX TAKEDA PROPOSTA DE APLICAÇÃO DE MÉTODO QUANTITATIVO DE PREVISÃO DE VENDAS EM UMA INDÚSTRIA METAL-MECÂNICA JOINVILLE SC BRASIL

2 1 UNIVERSIDADE DO ESTADO DE SANTA CATARINA CENTRO DE CIÊNCIAS TECNOLÓGICAS DEPARTAMENTO DE ENGENHARIA DE PRODUÇÃO E SISTEMAS TAMIE LEDOUX TAKEDA PROPOSTA DE APLICAÇÃO DE MÉTODO QUANTITATIVO DE PREVISÃO DE VENDAS EM UMA INDÚSTRIA METAL-MECÂNICA Trabalho de Graduação apresentado à Universidade do Estado de Santa Catarina, como requisito parcial para obtenção do título de Engenheira de Produção e Sistemas. Orientador: Dr. Fernando Natal de Pretto JOINVILLE SC BRASIL

3 2 TAMIE LEDOUX TAKEDA PROPOSTA DE APLICAÇÃO DE MÉTODO QUANTITATIVO DE PREVISÃO DE VENDAS EM UMA INDÚSTRIA METAL-MECÂNICA Trabalho de Graduação aprovado como requisito parcial para a obtenção do título de Engenheira do curso de Engenharia de Produção e Sistemas da Universidade do Estado de Santa Catarina. Banca Examinadora: Orientador: Dr. Fernando Natal de Pretto Membro: Dr. Lírio Nesi Filho Membro: Msc. Valdésio Benevenutti Joinville, 7 de novembro de.

4 Dedico este trabalho aos meus pais Gilson e Rosa, a quem agradeço a vida e o amor a mim dedicados. À minha irmã Satie pelo apoio e companhia ao longo de minha existência e ao meu noivo Hugo, por compartilharmos sonhos e realizações. 3

5 4 AGRADECIMENTOS Primeiramente agradeço a Deus, por permitir a conclusão de mais esse importante passo na minha vida, proteger-me e dar-me forças durante toda esta caminhada. Aos meus pais, Gilson e Rosa, pela presença em todos os momentos da minha vida, sempre com amor e dedicação, e, em especial, por todo apoio e incentivo ao longo deste percurso. À minha irmã Satie, pelas ajudas prestadas, pelo companheirismo e carinho nos momentos de alegrias e dificuldades. Ao meu noivo Hugo, pela compreensão nos momentos de ausência, pelo amor em todos os momentos compartilhados. Ao meu orientador professor Dr. Fernando Natal de Pretto pela atenção, paciência e conhecimentos partilhados ao longo do desenvolvimento deste trabalho. A todos os professores do curso de Engenharia de Produção e Sistemas que sem dúvida foram instrumentos valiosos na minha construção profissional. Aos colegas universitários pelos bons momentos vividos, pela ajuda e amizade. A todos que de alguma forma contribuíram para realização deste trabalho, muito obrigada!

6 The untrapped mind is open enough to see many possibilities, humble enough to learn from anyone and anything, forbearing enough to forgive all, perceptive enough to see things as they really are, and reasonable enough to judge their true value. (Konosuke Matsushita) 5

7 6 TAMIE LEDOUX TAKEDA PROPOSTA DE APLICAÇÃO DE MÉTODO QUANTITATIVO DE PREVISÃO DE VENDAS EM UMA INDÚSTRIA METAL-MECÂNICA RESUMO A previsão de vendas é essencial para fornecer as empresas a base para suas atividades de planejamento e controle em diversas áreas, entre elas marketing, produção e finanças. Além disso, uma boa previsão contribui para uma cadeia produtiva mais eficiente, e é elemento chave para a tomada de decisão. Neste ambiente, quanto mais acurada for a previsão de vendas, melhor poderá ser o desempenho da organização. Este trabalho teve como objetivo encontrar e propor um método quantitativo de previsão de vendas de séries temporais, que diminuísse os erros de previsão para determinados produtos de uma indústria do ramo metalmecânico. A pesquisa realizada foi exploratória, bibliográfica, onde se procedeu a um estudo de caso com a finalidade de aplicação. No desenvolvimento deste trabalho, selecionou-se uma categoria de produtos da empresa através da classificação ABC, aplicou-se os métodos de previsão mais conhecidos existentes na literatura para encontrar o mais assertivo. Os métodos quantitativos de previsão de séries temporais empregados foram a Média Móvel Simples, Suavização Exponencial, Suavização Dupla (método de Holt), Suavização Tripla (método de Winters multiplicativo e aditivo), Decomposição clássica (aditiva e multiplicativa) e Regressão Linear Simples. O método escolhido e proposto é o Método de Winters Multiplicativo, pois apresentou melhor assertividade que os demais métodos estudados. Quando comparado com o modelo de previsão atualmente utilizado na empresa, o Método de Winters Multiplicativo foi mais assertivo para 76,5% dos produtos em análise. Palavras-chave: de vendas. Séries temporais. Métodos quantitativos de previsão.

8 7 LISTA DE ILUSTRAÇÕES Figura 1 Classificação dos métodos de previsão de vendas Figura 2 Organograma funcional da área de vendas Figura 3 Organograma externo da área de vendas Figura 4 Curva ABC Figura 5 Gráficos das séries temporais dos produtos 1 a Figura 6 Gráficos das séries temporais dos produtos 7 a Figura 7 Gráficos das séries temporais dos produtos 13 a Figura 8 Gráfico da série temporal do produto

9 8 LISTA DE TABELAS Tabela 1 Classificação ABC Tabela 2 Comparação método escolhido versus método usado

10 9 LISTA DE ABREVIATURAS BOVESPA ERP MAD MAPE MSD MSE PCPM SKU Bolsa de Valores de São Paulo Enterprise Resource Planning (Sistema Integrado de Gestão Empresarial) Mean Absolute Deviation (Desvio Médio Absoluto) Mean Absolute Percent Error (Erro Percentual Médio Absoluto) Mean Squared Deviation (Desvio Médio Quadrático) Mean Squared Error (Erro Médio Quadrático) Planejamento e Controle da Produção e Materiais Stock Keeping Unit (Unidade de Manutenção de Estoque)

11 1 SUMÁRIO 1 INTRODUÇÃO FUNDAMENTAÇÃO TEÓRICA INTRODUÇÃO À PREVISÃO DE VENDAS TÉCNICAS DE PREVISÃO DE VENDAS DE SÉRIES TEMPORAIS Média Móvel Simples Suavização Exponencial Simples Suavização Exponencial Dupla ou Método de Holt Suavização Exponencial Tripla ou Método de Winters Decomposição Clássica Regressão Linear Simples AVALIAÇÃO E ESCOLHA DOS MÉTODOS DE PREVISÃO Erro Simples de Desvio Médio Absoluto Erro Percentual Médio Absoluto Erro Médio Quadrático ou Desvio Médio Quadrático PROCEDIMENTOS METODOLÓGICOS CLASSIFICAÇÃO DA PESQUISA ETAPAS DA PESQUISA APRESENTAÇÃO E DISCUSSÃO DOS RESULTADOS APRESENTAÇÃO DA EMPRESA DEFINIÇÃO DO PROBLEMA COLETA DE DADOS DEFINIÇÃO DOS PRODUTOS A SEREM ANALISADOS SELEÇÃO DO PROGRAMA COMPUTACIONAL ANÁLISE PRELIMINAR DOS DADOS APLICAÇÃO E ANÁLISE DOS MÉTODOS DE PREVISÃO COMPARAÇÃO DOS MÉTODOS ATUAL E ESCOLHIDO DISCUSSÃO DOS RESULTADOS E PROPOSTA PARA A EMPRESA CONSIDERAÇÕES FINAIS REFERÊNCIAS APÊNDICES... 54

12 11 1 INTRODUÇÃO Nas últimas duas décadas, o Brasil vem passado por mudanças tão rápidas e profundas em relação à adoção de conceitos e práticas no campo da logística empresarial, que podem ser até classificadas como uma revolução gerencial (WANKE; JULIANELLI, 26). O planejamento da demanda e a previsão de vendas estão inseridos no contexto das atividades de constante preocupação das empresas no campo da logística empresarial devido sua grande importância na atuação do resultado no desempenho das empresas. Na cadeia de suprimentos, o planejamento e controle das atividades dependem de estimativas acuradas dos volumes de produtos e serviços a serem processados. Estas estimativas advêm tipicamente de planejamentos e previsões (BALLOU, 26). Previsões são necessárias sempre que a logística envolver qualquer aspecto de fabricação por planejamento ou fabricação para estocagem, pois auxiliam na condução dos processos. A previsão traz as definições do que será vendido, dos requisitos que a cadeia de suprimentos deve programar, dos inventários e recursos para seu atendimento. Por haver diversas atividades na cadeia de suprimentos que precisam ser concluídas em antecipação à venda, a previsão constitui-se elemento decisivo no planejamento (BOWERSOX; COOPER; CLOSS, 26). Com o desenvolvimento dos sistemas de informação, avanços dos computadores e facilidade de acessibilidade, os gestores podem apoiar-se em técnicas quantitativas de previsão de vendas empregadas com auxílio de softwares. Os resultados obtidos podem ser utilizados como referência para uso na tomada de decisões. A previsão pura e simplesmente intuitiva única ferramenta disponível para os gestores antes da difusão dos microcomputadores, vem diminuindo. Ainda que a mente humana possua características com relação à complexidade e ao poder para armazenamento e associação de informações, é suscetível a vieses e emoções, sendo geralmente otimista e subestimando a incerteza futura, especialmente no que diz respeito à previsão de vendas. Assim, atualmente os gestores mais eficientes e precisos na previsão de vendas são aqueles capazes de conciliar os resultados fornecidos pelas técnicas quantitativas, sua sensibilidade de mercado e as restrições impostas pelos diversos departamentos da empresa (WANKE; JULIANELLI, 26). Frente a esse cenário, realizou-se um levantamento para verificar como está o processo de previsão de vendas em uma empresa de grande porte do ramo metal-mecânico. Os estudos mostraram que a previsão de vendas na empresa não segue uma metodologia e tem gerado

13 12 problemas como excesso de estoque de alguns produtos, ocorrências frequentes de escassez de outros, além de rupturas no estoque de matérias-primas. Dessa forma, buscou-se resolver a seguinte pergunta, direcionadora da pesquisa: Qual o método quantitativo de previsão de vendas capaz de diminuir os erros de previsão para determinada família de produtos da empresa?. O objetivo geral da pesquisa foi analisar os métodos quantitativos de previsão de vendas de séries temporais apresentados na literatura disponível, a fim de encontrar e propor um método que fornecesse maior precisão na previsão para os produtos selecionados de uma empresa do ramo metal-mecânico. Os objetivos específicos da pesquisa foram: - Selecionar uma categoria de produtos da empresa para aplicar os métodos quantitativos de previsão de vendas para séries temporais; - Identificar e escolher um método de previsão de demanda quantitativo para séries temporais que apresente maior assertividade; - Comparar teoricamente a eficiência do método proposto em relação ao utilizado atualmente pela empresa. A realização da pesquisa justifica-se por ser a previsão de vendas essencial para obtenção das quantidades de recursos necessários às atividades de uma organização. Em mercados tão competitivos como os atuais, a utilização de uma técnica que torne a previsão mais precisa, deve fazer parte das estratégias da empresa. Uma boa previsão melhora a compra de matérias-primas e a programação da produção. Consequentemente os estoques ficam mais regulados e os clientes recebem seus produtos no tempo estipulado. Previsões de vendas servem como base direta para o planejamento da produção dos produtos que se deseja vender, para os insumos que se deverá comprar de seus fornecedores, para determinação de quantas pessoas deverão ser destinadas à produção, quais máquinas e equipamentos se precisará para produzir o necessário para as vendas futuras. Além disso, a previsão de vendas define o orçamento de receitas futuras da empresa do que dependerá o seu orçamento de despesas e de investimentos. Quase toda a vida da organização no decorrer do exercício anual em foco dependerá direta ou indiretamente da previsão de vendas (CHIAVENATO, 25). Previsões melhores possibilitam que as empresas atendam melhor os pedidos de seus clientes, diminuam seus estoques, operem melhor as fábricas, trabalhem de forma mais cooperativa com fornecedores, e, vendam mais (WALLACE, 23).

14 13 É importante salientar que o presente trabalho encontra-se limitado aos modelos de previsões quantitativos para séries temporais, não sendo abordados os métodos de previsões quantitativos causais ou os métodos qualitativos, os quais poderiam desenvolver um novo estudo. Também não foram realizados testes estatísticos específicos para retirada dos valores atípicos (outliers), sendo estes identificados apenas sob observação gráfica e a partir da análise após coleta de informações sobre vendas. Quanto à estrutura, este trabalho encontra-se organizado em cinco capítulos: O primeiro capítulo, a introdução, traz a caracterização do tema pesquisado, a definição do problema e pergunta norteadora da pesquisa, o objetivo geral, os específicos, a justificativa e delimitação do trabalho; O segundo capítulo contém o referencial teórico, que embasou a pesquisa e possibilita melhor entendimento sobre o assunto principal do trabalho a ser abordado no quarto capítulo; O terceiro capítulo descreve os procedimentos metodológicos e etapas desenvolvidas durante a pesquisa; No quarto capítulo são apresentados a empresa em que se realizou o estudo, os resultados da pesquisa e a proposta para solução do problema, que vem a responder a pergunta direcionadora da pesquisa; No quinto capítulo são expostas as conclusões e considerações finais do trabalho.

15 14 2 FUNDAMENTAÇÃO TEÓRICA 2.1 INTRODUÇÃO À PREVISÃO DE VENDAS Segundo Araujo (, p.81), previsões de vendas podem ser definidas como estimativas de vendas para os próximos meses, tendo como referencial o potencial de demanda do mercado. Para Pellegrini e Fogliatto (21), as previsões de demanda são de importante valor para a gestão em diversas áreas das empresas, auxiliando, por exemplo, o planejamento da necessidade de recursos para área financeira, o planejamento das alterações da força de trabalho na área de gestão de pessoas e agendamento de promoções na área de vendas. As previsões também são essenciais para o gerenciamento da produção, na operacionalização da gestão de estoques e no desenvolvimento de planos agregados de produção. No processo de previsão de demanda, para efeito de planejamento da produção e estoques, normalmente utiliza-se dados das vendas passadas, chamado de histórico de vendas (LUSTOSA et al., 28). Na elaboração das previsões, podem ser utilizados diferentes métodos que já estão padronizados e disponíveis em literaturas (BALLOU, 26). As técnicas de previsão de demanda podem ser classificadas em duas categorias: as técnicas qualitativas e as quantitativas, como mostra a Figura 1. As técnicas qualitativas são aquelas que privilegiam principalmente dados subjetivos, difíceis de representar numericamente. Já as técnicas quantitativas envolvem análise numérica dos dados passados, desconsiderando opiniões pessoais ou palpites (TUBINO, ). Existem duas abordagens principais de previsão quantitativas: análise de séries temporais e técnicas de modelagem causal. As séries temporais examinam o padrão de comportamento passado de um único fenômeno ao longo do tempo, levando em consideração razões para variação de tendência de modo a usar a análise para prever o comportamento futuro do fenômeno. Modelagem causal é uma abordagem que descreve e avalia os relacionamentos complexos de causa e efeito entre variáveis-chave (SLACK; CHAMBERS; JOHNSTON; ). Segundo Corrêa e Corrêa (26), para a previsões de curto prazo, até três meses, normalmente, é mais aceitada a hipótese de que o futuro seja uma continuação do passado, dessa forma, as mesmas tendências de crescimento ou declínio, assim como a sazonalidade ou ciclicidade observadas no passado vão continuar no futuro. Nesses casos, a técnica geralmente empregada é a de projeção, onde faz-se uma correlação entre as vendas passadas e o tempo,

16 15 projetando-se comportamento (padrão de variação) similar para o tempo futuro. Esses modelos são chamados intrínsecos ou de séreis temporais ou de projeção. Figura 1 Classificação dos métodos de previsão de vendas. Quantitativas Técnicas de previsão Qualitativas Intrínsecas Extrínsecas Método Delphi Médias móveis Suavizamento exponencial Projeção de tendências Decomposição Regressão simples Regressão múlltipla Júri de executivos Força de vendas Pesquisa de mercado Analogia histórica Fonte: Corrêa e Corrêa, 26. Para previsões de vendas de médio prazo, Corrêa e Corrêa (26) explicam que devese adotar os modelos extrínsecos ou causais ou de explicação, cujas hipóteses são válidas para horizontes maiores. Nesses modelos, a hipótese é de que as relações que se tinha no passado, entre as vendas e outras variáveis, continuarão no futuro. A ideia é de que se busque estabelecer as relações entre as vendas do passado e outras variáveis que expliquem seu comportamento. Lustosa et al. (28) nomeia os modelos extrínsecos de modelos de correlação, abrangendo as técnicas de regressão e econométricas. Para os autores, nesses métodos a variável demanda pode estar correlacionada com outras variáveis independentes. Através do conhecimento de seus valores, é possível prever o valor da variável demanda (dependente), com certo grau de confiança. As técnicas de regressão são classificadas de acordo com o número de variáveis independentes, em regressão simples e múltipla. A técnica de regressão simples ao utilizar a variável tempo faz uma projeção das vendas para o futuro, baseando-se no comportamento do passado, sendo assim classificada também como técnica de séries temporais.

17 16 Nas previsões de vendas de longo prazo, onde o horizonte passa a ser ainda maior vários anos, Corrêa e Corrêa (26) exclarecem que a hipótese adotada é a de que o futuro não mantém relação direta com o passado, pelo menos não uma relação que possa ser modelada matematicamente. Portanto, a previsão precisa muitas vezes, da opinião de especialistas, que se utilizam de métodos específicos para chegar a um consenso sobre essas opiniões. Esses modelos são chamados de qualitativos. 2.2 TÉCNICAS DE PREVISÃO DE VENDAS DE SÉRIES TEMPORAIS Segundo Morettin e Toloi (26, p.1) uma série temporal é qualquer conjunto de observações ordenadas no tempo. De acordo com Slack, Chambers e Johnston (), séries temporais mapeiam uma variável ao longo do tempo, e ao retirarem as variações subentendidas com causas que podem ser identificadas, utilizam extrapolação para prever o comportamento futuro. Nas técnicas de previsão de séries temporais, considera-se que a variável demanda é função somente da variável tempo. Parte-se do princípio que o padrão de demanda ocorrido no passado deve repetir-se no futuro e, assim são feitas as previsões. Os dados de entrada desse modelo são basicamente a série histórica de vendas, com eventuais correções para remoção de pontos extremos (LUSTOSA et al., 28). Wanke e Julianelli (26) afirmam que as técnicas das séries temporais tem como fundamento a identificação de padrões existentes nos dados históricos, para seu uso no cálculo do valor previsto. Portanto, esses tipos de técnicas levam consideração os componentes das séries temporais, sendo os principais, os seguintes: - Nível: representa o comportamento da demanda caso não houvesse nenhum outro componente. Geralmente, o nível é o ponto inicial de uma série de vendas; - Tendência: representa o crescimento ou declínio de uma série no médio ou no longo prazo; - Sazonalidade: representa um comportamento periódico de curto ou médio prazo, ou seja, que se repete em determinado período; - Ciclo: é um componente semelhante à sazonalidade, mas reflete as flutuações ocorridas no longo prazo, sendo repetidas a cada três, quatro ou mais anos. Geralmente, esta componente sofre influência das variações econômicas das nações;

18 17 - Aleatoriedade: representa as variações restantes, que não são explicadas pela tendência, ciclo e sazonalidade. São causadas principalmente por eventos particulares e não recorrentes. Pesquisas cuidadosas podem naturalmente mostrar que existem mais de 6 técnicas quantitativas de previsão de demanda baseadas em séries temporais. Entretanto, estudos já revelaram que técnicas mais sofisticadas, além de requererem grande quantidade de dados, na maior parte das vezes não garantem resultados melhores que os obtidos com métodos mais simples (WANKE; JULIANELLI, 26). Para Ballou (26), estudos realizados já demonstraram que modelos simples de séries temporais em geral fazem previsões tão boas ou até melhores do que as versões mais sofisticadas e complexas. A complexidade nos modelos de previsão não aumenta necessariamente sua precisão. Modelos de séries de tempo podem ser superiores aos modelos causais. Conforme Morettin e Toloi (1987) é importante salientar que a previsão não constitui um fim em si, mas apenas um meio de fornecer informações para uma consequente tomada de decisões, visando a determinados objetivos. Entretanto, quanto mais apurada for a técnica de previsão utilizada, melhor será a base em cima da qual o planejador tomará suas decisões (TUBINO, ) Média Móvel Simples A média móvel simples constitui uma média de um dado número de períodos (n) que é atualizada, substituindo os dados do período anterior pelos dados do período mais recente (DAVIS; AQUILANO; CHASE, 21). Quanto maior o valor de n, maior será a influência das demandas mais antigas sobre a previsão (PEINADO, GRAEML, 27). A Equação 1 mostra como se faz a previsão de vendas pela técnica da média móvel. F = A + A A n (1) Onde: F = vendas previstas no período t A = vendas realizadas no período t 1 n = número de períodos considerados na média

19 18 Esta técnica pode ser útil na identificação de uma tendência dentro da flutuação dos dados, em casos onde a demanda não cresce nem decresce rapidamente, e também não apresenta sazonalidade (DAVIS; AQUILANO; CHASE, 21) Suavização Exponencial Simples A Suavização Exponencial Simples ou Amortecimento Exponencial Simples ou Ponderação Exponencial, segundo Ballou (26), é simples, e possui a capacidade de se adaptar às mudanças fundamentais nos dados de previsão. Nela, as observações passadas não recebem peso igual, ou seja, as observações mais recentes são sempre mais bem cotadas do que as mais antigas. A Equação 2 apresenta como é dada a previsão através desta técnica. F = αa + (1 α)f (2) Onde: t = período de tempo atual α = constante da ponderada exponencial A = demanda no período t F = previsão para o período t F = previsão para o período seguinte t, ou o próximo período O fator de ponderação Alfa (α) é fixado pelo analista dentro de uma faixa que varia de a 1. Quanto maior for seu valor, mais rápido o modelo de previsão reagirá a uma variação real da demanda. Se o valor determinado para α for muito pequeno, as previsões correrão o risco de ficar defasadas da demanda real. E, por outro lado, se α tiver valor muito grande, as previsões ficarão muito sujeitas às variações aleatórias da demanda. Normalmente usa-se para Alfa (α) valores que variam de,5 a,5 (TUBINO, ) Suavização Exponencial Dupla ou Método de Holt O método de Holt, utilizado para séries que apresentam tendência, emprega uma variável para refletir o crescimento da demanda de um período para o outro. Essa variável,

20 19 assim como a base ou nível, é também atualizada exponencialmente e aplicada no cálculo da previsão (LUSTOSA et al., 28). As equações 3, 4 e 5 trazem os cálculos da previsão por meio deste método. B = αd + (1 α)(b + T ) (3) T = β(b B ) + (1 β)t (4) F (t + k) = B + kt com k = 1, 2, (5) Onde: D = demanda do período t B = base (nível) ao final do período t T = tendência ao final do período t α = constante de suavização para a base β = constante de suavização para a tendência F (u) = previsão ao final do período t para o período u (u > t) Na Equação 3, tem-se o cálculo da média ponderada entre a demanda real e a nova base, a qual começa a incorporar uma quantia de aumento ou redução da demanda expressa na variável tendência. A Equação 4, faz a suavização da tendência, calculada a partir da variação da base nos dois últimos períodos e a estimativa anterior. A Equação 5, traz a previsão de demanda para k períodos a frente, conforme uma progressão linear (LUSTOSA et al., 28) Suavização Exponencial Tripla ou Método de Winters O ajustamento sazonal ou suavização exponencial tripla, conhecido principalmente como Método de Winters, é uma extensão do método de Holt e adiciona uma equação para estimar a sazonalidade (MARTINS; LAUGENI, 26). De acordo com Hyndman et al. (28), em 1957 Holt propôs um método para previsão de séries temporais com sazonalidade. Em 196, Winters estudou seu método e este ficou conhecido então por Método de Holt-Winters. O Método de Holt-Winters fundamenta-se em três equações de suavização, uma para o nível, uma para a tendência, e uma para a

21 2 sazonalidade, e é dividido em dois tipos diferentes, um que trata a sazonalidade de forma aditiva e outro que a modela de forma multiplicativa. No tratamento da sazonalidade de forma multiplicativa, utiliza-se a Equação 6 para nível, a Equação 7 para tendência e a 8 para sazonalidade. y l = α + (1 α)(l s + b ) (6) b = β(l l ) + (1 β)b (7) s = γy /l + (1 γ)s (8) Equação 9. A previsão através do método multiplicativo de Winters é calculada então, pela y = (l + b h)s (9) Onde: m = comprimento da sazonalidade l = representa o nível da série temporal b = denota a tendência s = componente de sazonalidade y = previsão para h períodos à frente h = [(h 1)mod m] + 1 Na modelagem da componente sazonal de forma aditiva, utiliza-se para suavização a Equação 1 para nível, a 11 para tendência e a 12 para sazonalidade. A previsão pelo método aditivo de Holt-Winters é finalmente calculada através da fórmula 13. l = α(y s ) + (1 α)(l + b ) (1) b = β(l l ) + (1 β)b (11) s = γ(y l ) + (1 γ)s (12)

22 21 y = l + b h + s (13) As constantes de suavização ou amortecimento Alfa ( α), Beta (β ) e Gama (γ ) utilizadas no método são normalmente limitadas a situar-se entre e 1 (HYNDMAN et al., 28) Decomposição Clássica Segundo Ballou (26), a previsão realizada através da decomposição clássica das séries de tempo considera que o padrão histórico de vendas pode ser decomposto em quatro categorias: tendência, variação sazonal, variação cíclica e variação residual ou aleatória. A tendência representa o movimento de longo prazo causado nas vendas por fatores como mudanças na aceitação dos produtos e serviços da empresa pelo mercado; mudanças no desempenho mercadológico da empresa e na população. A variação sazonal constitui os altos e baixos nas séries temporais repetidos normalmente a cada 12 meses. Estas variações são ocasionadas, por exemplo, por mudanças climáticas e pelos padrões de compra determinados por datas especiais. A variação cíclica diz respeito às ondulações de longo prazo na demanda padrão. Por fim, a variação residual é a parte das vendas totais não explicada pelos componentes anteriores. Existem dois modelos de decomposição clássica para explicar como os componentes se combinam em uma série: o modelo aditivo e o modelo multiplicativo. No modelo aditivo, a série temporal é tratada como sendo composta pela soma dos componentes, como apresenta a Equação 14 (MOREIRA, 28). Y = T + S + C + i (14) Onde: Y = previsão (valor da série) T = componente de tendência S = componente de sazonalidade C = componente cíclica i = componente de variação residual

23 22 As quantidades das componentes T, S, C, i são expressas em unidades de demanda. No modelo multiplicativo a série temporal é tratada como composta pela multiplicação dos componentes, como mostra a Equação 15. Y = T S C i (15) Neste modelo, apenas a tendência T é expressa em unidades de demanda, sendo as demais componentes expressas em porcentagem dessa tendência (MOREIRA, 28). Ballou (26) explica que para se encontrar o valor da tendência T para o método de decomposição, pode-se ajustar uma linha a olho, ou calculá-la através de alguma técnica de média móvel, ou ainda por meio do método dos mínimos quadrados. No método dos mínimos quadrados visa-se minimizar a soma do quadrado das diferenças entre os dados reais e a linha de tendência proposta. Uma linha de mínimos quadrados pode ser obtida através de qualquer forma de linha de tendência (linear ou não linear). A expressão matemática de uma linha de tendência linear é apresentada na Equação 16. T = a + bt (16) Os coeficientes a e b podem ser calculados através das Equações 17 e 18. b = D (t) N (D )(t ) t² Nt ² (17) a = D bt (18) Onde: t = tempo T = nível médio de demanda ou tendência N = número de observações usadas no desenvolvimento da linha de tendência D = a demanda real no período de tempo t D = demanda média em N períodos de tempo t = média de t ao longo de N períodos de tempo

24 23 Uma vez calculada a tendência, pode-se usá-la para obter a variação sazonal, como mostra a Equação 19. S = D T (19) Onde: S = índice sazonal no período de tempo t T = valor da tendência O componente de sazonalidade é um índice que muda de valor para cada período de previsões. Seu cálculo é resultado de um quociente da demanda real em um determinado período em relação à demanda média. A demanda média pode ser representada por uma média simples da demanda real ao longo de um período específico, por uma média móvel ou pela linha da tendência Regressão Linear Simples A Regressão Linear Simples é uma técnica utilizada com o objetivo de elaborar modelos a partir de amostras, para inferências de valores futuros. É chamada linear, pois nesse modelo a variável dependente apresenta uma variação (crescente ou decrescente) a uma taxa constante; e simples, pois a previsão de vendas está na dependência de apenas uma variável, o tempo (ARAUJO, ). A regressão linear é utilizada tanto para previsões de séries temporais como para previsões baseadas em relacionamentos causais. Se a variável dependente altera-se em função do tempo, refere-se à análise de séries temporais. Se a variável dependente muda devido a alterações ocorridas em outra variável independente, então trata-se de um relacionamento causal (DAVIS; AQUILANO; CHASE, 21). Na Regressão Linear Simples, como a variável dependente é função de somente uma variável independente, a relação teórica existente é uma linha reta. O objetivo neste método é determinar os valores de a e b que minimizem a soma dos quadrados dos desvios dos dados reais em relação à linha (RITZMAN; KRAJEWSKI, 24). Segundo Araujo (), a previsão de vendas pela Regressão Linear Simples utiliza-se da equação padrão mostrada na Equação 2.

25 24 Y = a + bx (2) Por se tratar de previsão (modelo probabilístico), é recomendado o uso da indicação da margem de erro, resultando na Equação 21. Os coeficientes a e b podem ser calculados através das Equações 22 e 23. Y = a + bx + e (21) a = ( x ). ( y) ( x). ( xy) n( x ) ( x) (22) b = n( xy) ( x). ( y) n( x ) ( x) (23) Onde: Y = variável dependente x = variável independente a = coeficiente relativo ao período inicial da série histórica b = coeficiente da inclinação da linha de tendência e = variável que inclui todos os fatores residuais, mais os possíveis erros de medição Softwares computacionais são capazes de encontrar os valores de a e b e fornecer informações sobre medidas de precisão dos dados previstos. As medidas mais comuns são o coeficiente de correlação da amostra (R), o coeficiente de determinação da amostra (R²) e o erro-padrão da estimativa (S ) (RITZMAN; KRAJEWSKI, 24). O coeficiente de correlação da amostra (R) indica como as duas variáveis em observação estão relacionadas (CORRAR; THEÓPHILO, 24). Este coeficiente pode assumir qualquer valor entre 1 e +1. Se o valor for R = 1, significa que há uma correlação perfeita e negativa, ou seja, os valores de Y são obtidos com exatidão pelos valores X, mas as variáveis são inversamente relacionadas. Se o valor for R= +1, há uma correlação perfeita e positiva, existindo variação no mesmo sentido (MOREIRA, 28). O coeficiente de determinação da amostra (R²) avalia qual o grau de ajustamento da reta de regressão aos dados em observação, ou seja, mostra qual a proporção da variação total da variável dependente é explicada pela variação da variável independente (CORRAR; THEÓPHILO, 24).

26 25 O erro-padrão da estimativa (S ) é uma forma de medir o grau de ajuste dos dados e a linha de regressão. Reflete como os erros estão dispersos proximamente em torno da linha de regressão (DAVIS; AQUILANO; CHASE, 21). 2.3 AVALIAÇÃO E ESCOLHA DOS MÉTODOS DE PREVISÃO A seleção de uma técnica de previsão depende dos objetivos que se espera desta. Os objetivos da maioria dos gestores são a redução das incertezas para tomadas de decisão e alcance da capacidade de quantificar o efeito de decisões alternativas. Bons modelos de previsão não fornecem apenas incertezas reduzidas aos gestores, mas também simulam as consequências de um futuro incerto (HOSHMAND, ). Bowersox, Cooper e Closs (26), esclarecem que a precisão da previsão se refere à diferença entre as previsões e as vendas reais correspondentes. O aperfeiçoamento da precisão da previsão exige a avaliação e a análise dos erros. Além desses fatores, segundo Corrêa, Caon e Gianesi (21), se os erros de previsão não forem apontados e analisados, com os objetivos de reavaliar as hipóteses, alterar o método de previsão utilizado e comprometer-se com a melhoria contínua do processo, o esforço gerado para fazer a previsão não terá sido válido. São várias as formas possíveis de mensurar e acompanhar a amplitude dos erros de previsão. As mais populares são o erro médio absoluto e o erro médio quadrático (CORRÊA; CORRÊA, 26). Nos próximos tópicos são apresentadas as formas mais conhecidas para mensuração dos erros de previsão de vendas, que permite a escolha do método mais assertivo Erro Simples de Conforme Peinado e Graeml (27), o erro simples de previsão é dado pela diferença entre a demanda que realmente aconteceu (real) e a demanda que foi prevista, como na Equação 24. E = D P (24)

27 26 Onde: E = erro simples de previsão cometido no período i D = demanda observada no período i P = previsão para o período i Erros de previsão (desvios) positivos denotam que a demanda superou a previsão. Desvios negativos significam que a previsão superou a demanda (LUSTOSA et al., 28) Desvio Médio Absoluto O Desvio Médio Absoluto (Mean Absolute Deviation MAD) é o erro médio nas previsões em termos de valores absolutos. Seu cálculo é feito utilizando-se as diferenças entre a demanda real e as previsões, sem considerar o sinal. Portanto, o MAD é igual à soma dos desvios absolutos dividida pelo número total de períodos, como mostrado na Equação 25. MAD = A F n (25) Onde: t = período A = demanda real no período t F = demanda prevista para o período t n = número total de períodos O MAD é de grande relevância, pois mede a dispersão ou variação, dos valores observados em torno dos valores esperados (CHASE; JACOBS; AQUILANO, 26) Erro Percentual Médio Absoluto Conforme Ritzman e Krajewski (24), o Erro Percentual Médio Absoluto (Mean Absolute Percent Error MAPE), faz uma relação do erro de previsão no nível de demanda, como apresentado na Equação 26. É de grande utilidade na análise do desempenho da previsão sob uma perspectiva apropriada.

28 27 MAPE = D F D 1 n (26) Onde: D = demanda real para o período t F = previsão para o período t n = número total de períodos O MAPE resulta da média dos erros percentuais absolutos das previsões. Nele, os erros percentuais são somados sem considerar o sinal, evitando-se o problema de cancelamento de erros positivos e negativos. Consequentemente, MAPE tem um apelo gerencial e é comumente utilizado em previsões. Quanto menor o MAPE, melhor é a previsão (SWAMIDASS, 2) Erro Médio Quadrático ou Desvio Médio Quadrático O Erro Médio Quadrático (Mean Squared Error MSE) ou Desvio Médio Quadrático (Mean Squared Deviation MSD) é a média dos erros de previsão elevados ao quadrado, calculado conforme a Equação 27. Quanto menor o MSE, mais precisa é a previsão. MSE ou MSD = (Y F )² n (27) Onde: t = período t Y = valor atual no período t F = valor previsto no período t n = número de previsões O MSE por sua relevância teórica para a estatística e por sua facilidade computacional tem sido historicamente a principal medida utilizada para comparar o desempenho de métodos de previsão (LAWRENCE; KLIMBERG; LAWRENCE, ).

29 28 3 PROCEDIMENTOS METODOLÓGICOS 3.1 CLASSIFICAÇÃO DA PESQUISA A pesquisa realizada é caracterizada como de finalidade aplicada. A pesquisa aplicada é voltada à obtenção de conhecimentos com vistas à aplicação em uma determinada situação (GIL, ). Quanto aos objetivos da pesquisa, esta foi uma pesquisa exploratória. A pesquisa exploratória visa proporcionar maiores informações sobre o assunto em estudo; facilitar a delimitação do tema em trabalho; definir os objetivos ou formular as hipóteses da pesquisa ou descobrir um novo enfoque para o trabalho que se deseja desenvolver (ANDRADE, 21). Os procedimentos adotados durante este trabalho foram a pesquisa bibliográfica e o estudo de caso. A pesquisa bibliográfica tem como intenção estabelecer o contato direto entre o pesquisador e tudo o que foi escrito, dito ou filmado sobre um assunto, propiciando o exame de um tema sob novo enfoque ou abordagem (MARCONI; LAKATOS, ). O estudo de caso apresenta como característica o estudo aprofundado de um ou de poucos objetos, de modo a permitir o seu conhecimento amplo e detalhado (GIL, 28). A natureza da pesquisa realizada foi qualitativa e quantitativa. Qualitativa no que diz respeito à descrição e interpretação dos fenômenos estudados e na análise dos dados indutivamente. Quantitativa quanto à consideração do quantificável, ou seja, tradução em números das informações obtidas para sua classificação e análise. Quanto ao local de realização da pesquisa, esta pode ser classificada como pesquisa de campo, pois realizou-se estudos no departamento de vendas de uma empresa do ramo metalmecânico e em bibliotecas. Em pesquisas de campo faz-se observações e explorações, coletando dados diretamente no local em que ocorreram ou surgiram os fenômenos. Este tipo de pesquisa favorece o acúmulo de informações sobre fenômenos, e é caracterizado pelo contato direto com estes (BARROS; LEHFELD, 2). 3.2 ETAPAS DA PESQUISA A pesquisa foi desenvolvida em oito etapas, que foram: Epata 1: sucedeu-se a uma fase exploratória, na qual se fez um levantamento sobre o assunto de interesse da pesquisa, na empresa escolhida para o estudo. Nesta etapa foi

30 29 identificada uma situação problema e uma questão instigadora para a pesquisa: Qual é o método quantitativo de previsão de demanda capaz de diminuir os erros de previsão para determinada família de produtos da empresa em estudo?. Para conhecer melhor o assunto e fundamentar a pesquisa, realizou-se ainda nesta fase uma pesquisa bibliográfica. Etapa 2: ocorreu a coleta de dados na empresa, onde fez-se uso de técnicas como a observação, entrevistas, coleta de depoimentos e documentos, buscando-se maiores informações para a pesquisa. Etapa 3: selecionou-se os produtos da empresa a serem utilizados para aplicação dos métodos de previsão de séries temporais. Esta seleção se deu por importância dos produtos para empresa em termos de faturamento e quantidade de vendas, através de uma classificação ABC. Etapa 4: fez-se a escolha do programa computacional Minitab 16 para auxilio na aplicação dos métodos de previsão de vendas. Etapa 5: analisou-se preliminarmente os dados obtidos para aplicação dos métodos de previsão. Etapa 6: envolveu a aplicação das técnicas de previsão de vendas, com uso do software Minitab 16, análise quanto à precisão e escolha do método mais assertivo. Etapa 7: compararam-se os resultados do método de previsão escolhido com os resultados do método de previsão da empresa. Etapa 8: analisou-se e discutiu-se os resultados encontrados e apresentou-se a proposta de aplicação do método de previsão selecionado.

31 3 4 APRESENTAÇÃO E DISCUSSÃO DOS RESULTADOS 4.1 APRESENTAÇÃO DA EMPRESA A empresa objeto de estudo deste trabalho foi fundada em 1963, contando na época com 26 empregados e fabricando sua própria linha de produtos ligado ao ramo metal mecânico principalmente peças fundidas para atender o mercado da região. A empresa dividiu ao longo dos anos suas atividades para o mercado de soluções em ar comprimido e para o mercado de componentes e conjuntos mecânicos e automotivos. Entre os anos de 198 a 199, iniciou suas exportações para o mercado de soluções em ar comprido e conquistou a liderança no mercado brasileiro e também de toda a América Latina nesse segmento. No final do ano de 1994, abriu seu capital, para garantir o crescimento desejado, passando a ter suas ações negociadas na BOVESPA (Bolsa de Valores de São Paulo). mente a empresa conta com uma força de trabalho superior a 2.7 colaboradores e ocupa 76. m² de área construída, em duas plantas industriais, que seguem padrões mundiais de tecnologia e qualidade, com instalações e equipamentos modernos. Para proporcionar aos seus clientes melhor suporte, a empresa possui filiais e depósitos alfandegados na Europa e Estados Unidos. Com investimentos constantes, vem mantendo sua liderança no mercado de soluções em ar comprimido, e atuando de maneira forte e competitiva no mercado automotivo. Seus produtos respeitam os protocolos de Kyoto e Montreal, contribuindo para a sustentabilidade do planeta, aplicando todas as normas de segurança e de qualidade para garantir conformidade dos produtos em todos os mercados em que atua. A macroestrutura organizacional da empresa está dividida em três níveis de operação: estratégico (diretorias, superintendências e gerências), tático (supervisores, coordenadores e especialistas) e operacional (analistas e operadores). A área de vendas interna da divisão voltada ao mercado de soluções em ar comprimido, onde se realizou a pesquisa, atende e administra os pedidos externos de todos os representantes e vendedores da empresa. Esta área está representada no organograma da Figura 2, que traz as relações funcionais da organização ligados à mesma. Além da equipe interna de administração de vendas, a empresa conta, portanto, com representantes e vendedores externos espalhados pelas diferentes regiões do país. Estes são responsáveis pelo contato direto com os clientes, possibilitando vendas em todo Brasil.

32 31 Figura 2 Organograma funcional da área de vendas. Presidência Conselho Diretoria de Operações Superintendência Comercial Administração de Fonte: Adaptado da empresa pesquisada. A empresa divide a área de vendas externa em quatro canais, conforme mostrado na Figura 3, que traz a visualização do organograma externo da área de vendas. Esta divisão é baseada nas diferentes categorias e tipos de produtos vendidos. Cada canal é responsável por produtos para atender determinado mercado e com características semelhantes entre si. Figura 3 Organograma externo da área de vendas. Gerência Nacional de - Canal 1 Gerência Nacional de - Canal 2 Gerência Nacional de - Canal 3 Gerência Nacional de - Canal 4 Gerência Regional de Gerência Regional de Gerência Regional de Gerência Regional de Vendedores e Representantes Vendedores e Representantes Vendedores e Representantes Vendedores e Representantes Fonte: Adaptado da empresa pesquisada. As gerências nacionais de vendas externas mostradas na Figura 3 reportam-se a superintendência comercial na Figura 2, assim como a gerência interna de administração de vendas. 4.2 DEFINIÇÃO DO PROBLEMA As previsões de demanda na empresa tem se baseado principalmente na opinião da equipe de vendas, pelo fato dos vendedores externos estarem mais perto do consumidor final.

33 32 Durante reuniões, a equipe de vendas externa estipula os valores esperados de demanda utilizando como base de cálculo uma média aritmética das vendas dos meses anteriores, variando o número de meses dependendo do canal de vendas. Estes valores são ajustados de acordo com a opinião e intuição da equipe externa e a eles somam-se os percentuais de aumento de vendas estipulados pela diretoria da empresa. Nenhum outro tipo de método quantitativo de previsão tem sido utilizado. Esta previsão sem utilização de um método quantitativo específico para apoio à equipe de vendas, onde há dependência na maioria das vezes apenas de opiniões, tem gerado dificuldades no balanceamento do nível de estoque da empresa. Alguns produtos acabados estão em excesso no estoque (overstock), acumulados para até mais de 3 meses, enquanto outros, quando solicitados tem estado em falta (stockout). Ao ocorrer um stockout, a reposição dos produtos pode levar alguns dias ou até mais de uma semana quando há uma ruptura no fornecimento de matérias-primas, ocasionada pelo tempo entre o pedido e a entrega real do material na fábrica (lead time) pelos fornecedores. Isto pode comprometer e até impedir uma venda. A partir desta situação, a questão estimuladora do estudo, a qual se desejou encontrar e aplicar uma solução foi: Qual o método quantitativo de previsão de vendas capaz de diminuir os erros de previsão para determinada família de produtos da empresa em estudo?. mente os dados de vendas da empresa são registrados mensalmente, e os pedidos em carteira são atualizados em tempo real, estando disponíveis para consulta no Sistema Integrado de Gestão Empresarial da empresa. O planejamento da produção é feito semanalmente, sendo as quantidades de produção distribuídas neste período, de acordo com o departamento de Planejamento e Controle da Produção e Materiais (PCPM). O intervalo de previsão considerado bom pelo departamento de PCPM é de 1 mês, pois com este horizonte, a empresa ga ser capaz de adaptar-se a flutuações na demanda dos produtos comercializados. Para um melhor planejamento a empresa espera conseguir uma previsão de até três meses, para visualizar com antecedência as possíveis dificuldades na programação da produção e se preparar para enfrentá-las. O estudo e implementação de uma técnica quantitativa de previsão de vendas que considere as particularidades do comportamento da demanda pelos produtos da empresa e apresente maior assertividade contribuiria para melhorar a base de tomada de decisões na área de vendas e possibilitaria um melhor planejamento da produção, reduzindo os custos com excesso de estoque e perdas de vendas.

34 COLETA DE DADOS Durante esta etapa foram coletadas informações relativas às campanhas de vendas realizadas, ao histórico de vendas da empresa, e às previsões de vendas anteriores da empresa. O histórico de vendas disponível foi obtido através de levantamentos realizados no Sistema Integrado de Gestão Empresarial (ERP - Enterprise Resource Planning) da empresa e consulta em pastas disponibilizadas no servidor da empresa para o setor comercial. O período compreendido pelos dados é de 4 anos, iniciando em eiro de 28 e finalizando em dezembro de. Os dados das quantidades vendidas são gerados mês a mês no ERP e podem ser exportados para arquivos em versão do Microsoft Excel. Para coletar as previsões de vendas dos anos anteriores e conseguir informações sobre campanhas de vendas, promoções e outros fenômenos de possível influência sobre o comportamento das séries temporais de vendas, foram realizadas entrevistas, coleta de depoimentos com gestores, supervisores e colaboradores da empresa do departamento de vendas e de Planejamento e Controle da Produção e Materiais e outros levantamentos no ERP e nas pastas do setor no servidor da empresa. Além disso, ainda nesta fase, foram consultados documentos relativos a procedimentos da área, a informações sobre produtos e preços entre outros, para conhecer melhor todo o contexto no qual está inserida a previsão de vendas realizada e os fatores que podem influenciar na sua elaboração. 4.4 DEFINIÇÃO DOS PRODUTOS A SEREM ANALISADOS Com a grande quantidade de produtos da empresa, mais de 25, dividida entre seus quatro canais de vendas, optou-se por selecionar primeiramente os dois canais mais significativos em termos de faturamento para a empresa, conforme análise preliminar dos dados gerais de faturamento, disponíveis para consulta no ERP. Estes dois resultaram um total de 123 produtos para aplicação dos métodos de previsão. Verificou-se que nesses dois canais escolhidos, havia produtos de fabricação nacional (própria) e produtos importados. Os produtos nacionais encaixam-se na previsão do tipo de curto prazo (até 3 meses), onde classificam-se as previsões de séries temporais, sendo de interesse para a pesquisa. Já os importados, requerem uma previsão de médio prazo (maior que 4 meses), devido ao tempo necessário para a transferência do estrangeiro para o Brasil,

35 34 mais o tempo de sua modelagem para venda no mercado interno. Pelo fato dos produtos importados não se encaixarem dentro do tipo de previsão foco da pesquisa, estes foram retirados da lista de produtos a serem estudados. Após esta definição, ficou-se com um total de 8 produtos para análise das séries temporais. Devido ao fato de que dentro desse grupo todos os produtos estariam recebendo a mesma importância no processo de previsão, sendo o tratamento estatístico o mesmo para os produtos de maior e menor significância para a empresa, decidiu-se fazer uma classificação ABC. No desenvolvimento da classificação ABC foram relacionadas as vendas mensais de cada um dos 8 produtos dos 2 canais escolhidos e seus respectivos preços de vendas durante o ano de, a fim de verificar seu faturamento anual e fazer suas classificações. O resultado da classificação ABC em valores percentuais pode ser melhor visualizado através da Tabela 1, e a Curva ABC resultante é mostrada na Figura 4. Figura 4 Curva ABC. Valor Total Acumulado do Faturamento (%) Curva ABC Série1 C B A Quantidade de Produtos Fonte: Própria,. Da Tabela 1, pode-se concluir que a Classificação ABC resultou num total de 17 produtos para classe A, representando 8,551% do faturamento da empresa. Na classe B, ficaram 23 produtos, representando 15,435% do faturamento da empresa, e na classe C classificou-se um total de 4 produtos, o que representa 4,14% de seu faturamento.

36 35 Tabela 1 Classificação ABC. Classificação ABC Produto Valor Unitário (%) Valor Acumulado (%) Classificação Produto 1 13,43 13,43 A Produto 2 11,442 24,872 A Produto 3 8,853 33,726 A Produto 4 7,57 41,232 A Produto 5 6,27 47,52 A Produto 6 6,149 53,651 A Produto 7 4,863 58,514 A Produto 8 3,691 62,26 A Produto 9 2,87 65,12 A Produto 1 2,795 67,88 A Produto 11 2,294 7,12 A Produto 12 2,66 72,168 A Produto 13 1,963 74,13 A Produto 14 1,773 75,94 A Produto 15 1,69 77,512 A Produto 16 1,543 79,55 A Produto 17 1,495 8,551 A Produto 18 1,39 81,941 B Produto 79,2 99,999 C Produto 8,1 1, C Fonte: Própria,. Pelo fato dos produtos da classe A representarem mais de 8% do faturamento da empresa, conforme pode ser visto na Figura 4 e na Tabela 1, sendo, portanto, os produtos mais impactantes e críticos, estes foram os escolhidos para análise das séries temporais e aplicação dos métodos quantitativos de previsão de vendas. A classificação ABC permitiu a identificação dos produtos que justificam maior atenção e tratamento adequados quanto à sua administração, e auxiliou na redução significativa da quantidade de séries temporais a serem estudadas prioritariamente. Este fato foi decisivo para a racionalização do tempo empregado na pesquisa realizada. 4.5 SELEÇÃO DO PROGRAMA COMPUTACIONAL Para facilitar e agilizar a aplicação das técnicas de previsão de vendas durante a pesquisa, optou-se pelo uso de um programa computacional (software).