APLICAÇÃO DE METODOLOGIA E ANÁLISE DE PREVISÃO DE DEMANDA EM DISTRIBUIDORA DE MEDICAMENTOS

Transcrição

1 XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO. APLICAÇÃO DE METODOLOGIA E ANÁLISE DE PREVISÃO DE DEMANDA EM DISTRIBUIDORA DE MEDICAMENTOS Gustavo Rech de Oliveira (UFRGS) gustavorech83@ibest.com.br Carla Simone Ruppenthal Neumann (UFRGS) carlarup@producao.ufrgs.br Este artigo apresenta a aplicação de uma metodologia para previsão de demanda, e análise dos resultados obtidos para abertura de uma nova farmácia. Esta farmácia compõe uma rede de filiais abastecidas pela mesma central de distribuição. O oobjetivo principal é mostrar como pode ser feito um forecasting para empresas com uma variedade muito grande de produtos. O artigo traz, primeiramente, uma revisão bibliográfica sobre aspectos da previsão de demanda para produtos farmacêuticos, após, é apresentada a metodologia que foi aplicada no estudo de caso. No final, é feita análise dos resultados e proposição de melhorias baseadas na literatura. Palavras-chaves: previsão de demanda; aplicação; distribuidora de medicamentos; farmácia

2 1. Introdução A previsão de demanda tem um papel importante, pois fornece informações que auxiliam no planejamento e dimensionamento dos estoques, por exemplo, de um centro de distribuição, e também contribui na tentativa de evitar perdas de vendas, como pode ocorrer quando o cliente não encontra o produto desejado. No setor de medicamentos, a escolha e/ou a aplicação devem ser feitas cuidadosamente, visto que os produtos são sensíveis ao tempo e ao transporte. Caso o método de previsão esteja errado, podem ocorrer conseqüências como excessos e coberturas altas, gerando perdas por prazo de validade e produto vencido (RODRIGUES e PIZZOLATO, 2003 apud CAZALANS, 2001). Para refletir a provável demanda de um centro de distribuição, a previsão de demanda é feita com informações do mercado referentes às filiais, aos concorrentes e ao público consumidor, além de uma base de dados históricos (SLACK et al., 2007). Entretanto, existe a dificuldade do grande número de lojas atendidas com mix diferentes de produtos e com o espaço limitado para estocagem. Adicionalmente, há o problema da variação de demanda de muitos itens à venda, no qual uma simples exposição do item na farmácia pode alterar todo o planejamento de demandas. Atualmente existe uma forte tendência no setor de farmácias no Brasil em ter um grande mix de produtos para serem oferecidos aos clientes (OLIVEIRA e COSTA, 2006). Adicionalmente, também é necessária uma previsão mais cuidadosa para o setor de nãomedicamentos, por exemplo, perfumaria, linha de higiene e acessórios que são oferecidos aos clientes e cujo mercado está em crescimento. Segundo Pellegrini e Fogliatto (2001), os métodos para realização de previsões de demanda são classificados em qualitativos, baseados na opinião de especialistas, e quantitativos (forecasting), que têm como característica a classificação dos produtos conforme a curva ABC e a análise estatística de séries temporais, entre outras alternativas de solução. Neste artigo será aplicada uma metodologia para estabelecer modelos matemáticos que representem a dinâmica do sistema de uma empresa distribuidora de medicamentos, com o objetivo de identificar e caracterizar a demanda de alguns produtos trabalhados, dando ênfase a medicamentos. Também será feita uma análise dos resultados obtidos que serão comparados com os dados reais. Este artigo encontra-se organizado em cinco seções, além da presente introdução, apresenta-se o referencial teórico contendo conceitos, abordagens e resultados na seção 2. Na seção 3, mostra-se a metodologia proposta para a previsão de demanda e o por quê de sua escolha. A seção 4 apresenta os resultados da aplicação da metodologia em um estudo de caso. Uma conclusão encerra o artigo na seção Referencial teórico Previsões de demanda são muito importantes em diversos setores de uma organização: no gerenciamento de estoque, para determinar o lead time de entrega ideal e a taxa de utilização do item, por exemplo; no planejamento da capacidade, sendo necessário saber qual a necessidade de itens semi-acabados que serão produzidos; no planejamento de infra-estrutura referente a plantas de produção e à localização de depósitos; e muitos outros (PELLEGRINI e FOGLIATTO, 2001). Essas estimativas podem indicar: sazonalidade, tendência cíclica com necessidade maior em certa época do ano; periodicidade, demanda que tende a repetir-se em certo intervalo de tempo; e variação em torno da média, que tem dados mais constantes com 2

3 pequenas modificações. Estas características são importantes para determinar os modelos matemáticos que serão usados na previsão (LIN, 2005). Lustosa et al. (2008) complementam que a importância da previsão de demanda não se restringe às empresas de manufatura, mas também ao varejo e serviços. No varejo, as decisões de reposição de estoques devem considerar a previsão de demanda futura. Em serviços, a previsão de demanda fornece informações importantes no planejamento dos recursos humanos, equipamentos e materiais para atendimento ao cliente. Erros de previsão e planejamento acarretarão ociosidade dos recursos ou longas filas de espera dos clientes, ou seja, resultarão na ineficiência na prestação do serviço. Segundo Davis et al. (2001) um crescente número de operadoras de telefonia tem utilizado as técnicas de previsão para conhecer a demanda de seus clientes conseguindo, desta forma, atende-los melhor, e ao mesmo tempo controlar seus custos trabalhistas. Em termos de modelos matemáticos, existem duas famílias: suavização exponencial e Box- Jenkins. Esta primeira tem como base a ponderação distinta para cada valor da série temporal, em contraponto, a segunda baseia-se nos processos estocásticos, que são um conjunto de variáveis aleatórias que descrevem certo fenômeno (PELLEGRINI e FOGLIATTO, 2001). A partir de Pellegrini e Fogliatto (2001), foi feito um resumo, que pode ser observado na figura 1, relacionando as características, os tipos e as aplicações desses modelos. Família Características Tipos Aplicação Suavização Exponencial - valores recentes recebem pesos maiores - peso decae exponencialmente à medida que o valor utilizado seja mais antigo Suavização Simples Modelo de Holt Modelos de Winters Processo Constante Tendência Linear Tendência Linear e Sazonalidade Box-Jenkins - valores da série temporal dependentes - um novo valor pode ser explicado pelos anteriores Modelos Autoregressivos Modelos de Média-Móvel Modelos Mistos Modelos não-estacionários Grande número de séries temporais Modelos Estacionários Modelos Estacionários Séries sem média constante Figura 1 Resumo dos modelos matemáticos para previsão. Fonte: Pellegrini & Fogliatto (2001) A previsão de demanda é um assunto de grande aplicação prática nas empresas. No artigo de Grippa et al. (2005), é apresentada uma metodologia para prever a demanda de novos produtos baseada no forecasting por analogia feito em uma empresa de medidores de energia elétrica. No caso de sazonalidade, em Serra et al. (2005) é apresentada uma abordagem sobre a demanda turística no estado do Pará. Para o caso de medicamentos, em Silveira e Gusberti (2007), é abordada a previsão de demanda de produtos farmacêuticos em pequenas e médias empresas. Em Feliciano et al. (2006) são mostrados fatores que influenciam a previsão de vendas no setor farmacêutico. A utilização de modelos para a previsão de demanda é fundamental no setor de prestação de serviços, visto que esta predição tem um papel-chave na elaboração do planejamento de estoque, principalmente em relação a empresas que trabalham com a distribuição de uma grande variedade de tipos de produtos, como é o caso de um centro de distribuição de 3

4 medicamentos (CD) (PEREIRA, 2006). Um CD tem como principal função o recebimento dos produtos dos fornecedores, a armazenagem adequada, a separação, a expedição e o transporte dos pedidos feitos pelas filiais, hospitais e outras lojas (OLIVEIRA e COSTA, 2006). Da mesma forma, redes de farmácias trabalham com um CD objetivando um menor custo de processamento de pedido e a compra de maiores quantidades, obtendo, assim, um maior poder de negociação junto aos fornecedores. Segundo Atamanczuk et al. (2008), nesse processo existe a preocupação em determinar as quantidades exatas a serem compradas para abastecer todas as filiais, sendo importante as informações de vendas e o controle de estoques passados por elas, que ajudarão a prever a demanda futura da organização. A previsão de demanda para um CD e para as farmácias filiais é essencial para a redução de custos, já que uma melhor estimativa proporciona uma redução nos níveis de estoque. Assim, a empresa poderá ter uma quantidade maior de recursos para capital de giro e investimentos (LIN, 2005). Um conceito utilizado por Rosa et al. (2007) como indicador de desempenho é a cobertura (estoque na filial/venda média diária), que serve como medida para quanto tempo o estoque físico de cada filial atenderá a demanda. Uma cobertura baixa mostra que será necessária outra compra em um curto espaço de tempo para evitar a falta na loja, ocasionando prejuízo à empresa em relação ao transporte extra e à negociação da compra, já que os fornecedores dão prioridade a pedidos elevados, ou seja, um pedido contemplando a previsão das necessidades de todas as filiais. Já um indicador alto, mostra que o estoque está grande e que a previsão também não foi correta, podendo acontecer perdas relativas à validade, a devoluções à central e à ocupação errônea dos estoques da farmácia (ANUNCIAÇÃO, 2003). Fatores sazonais e lançamento de novos produtos são exemplos de dados que alteram a demanda ao longo do tempo, forçando uma resposta rápida para evitar perdas de vendas. No caso de novos produtos, de forma geral não existe um banco de dados históricos para a aplicação da metodologia citada, para esses itens foram desenvolvidos métodos de analogia nos quais são utilizados dados de outra gama de produtos com características semelhantes (GRIPPA et al., 2005). Para fazer a analogia, são utilizados aspectos como: tipo de compradores, condições econômicas e nível de inovação, entre outros (GRIPPA et al., 2005 apud SOUDER e THOMAS, 1994). Já a sazonalidade deve ser bem identificada e modelada para evitar: reposição no estoque em períodos de demanda baixa ou zerada; e faltas nos períodos que as vendas aumentam. Alguns resultados esperados pela aplicação deste trabalho são: as demandas dos produtos caracterizadas a partir da análise dos dados históricos; previsão satisfatória comparada com os dados reais do mesmo período estudado; e sugestão de melhorias baseadas na literatura e na análise de outros resultados obtidos. 3. Metodologia Com base na metodologia de Pellegrini e Fogliatto (2001), foi escolhido o método quantitativo devido à disponibilidade dos dados de demanda nos períodos passados e pela maior representatividade dos itens com demanda consolidada. Os passos referentes a essa metodologia para elaboração de previsão de demanda são: (i) definição do problema; (ii) coleta de informações; (iii) definição dos níveis de agregação; (iv) seleção do pacote computacional; (v) análise preliminar; (vi) escolha e validação dos modelos; e (vii) verificação do sistema. Tais passos são descritos brevemente a seguir. 4

5 Na definição do problema, analisa-se onde e como o forecasting será usado, no caso será na distribuidora de medicamentos com o objetivo de prever a demanda de determinados itens para uma nova filial que foi inaugurada recentemente. Além disso, são decididos os elementos temporais como período, horizonte e intervalo. Na coleta de informações, é feita montagem do banco de dados estatísticos (produtos e suas demandas no período determinado) com filtros que são características dos itens. Também nessa parte, é feita a classificação ABC dos produtos que relaciona a demanda com o faturamento. A partir dessa classificação são definidos os níveis de agregação dos produtos. Para Nahmias (1993) a metodologia mais aplicada para a agregação de produtos é a classificação ABC, a qual determina a importância do produto, relacionada com a representatividade dos produtos e a sua demanda. A variável classificatória do método ABC é gerada através da multiplicação da representatividade do item pela sua demanda média no período considerado da análise (KRAJEWSKI et al., 2007). As observações percentualizadas da variável classificatória resultante são organizadas em ordem decrescente, sendo acumuladas e formando os grupos classificados em A, B e C de itens. Os itens classificados como A, correspondem a 20% de representatividade dos itens da organização e representam cerca de 80% da vendas. Esses itens são priorizados no processo de previsão de demanda, devido grande demanda e recebem tratamento diferenciado, com modelagem individual dos produtos, estratificados conforme interesse da organização e são revisados constantemente nas previsões. Os itens classificados como B, correspondem aqueles de valor médio, usualmente são os seguintes 30% dos itens que representam cerca de 15% da demanda. Estes itens não são estratificados no processo de previsão e as revisões são realizadas em intervalos maiores. Finalmente, os itens classificados com C correspondem aos itens de pouca demanda, apesar de compreender cerca de 50% da quantidade total dos produtos da organização, representam apenas de 5% do total da venda. Esses itens são agregados em uma única série temporal na obtenção das previsões (SLACK et al., 2007; PELLEGRINI e FOGLIATTO, 2001; KRAJEWSKI et al., 2007). Neste trabalho, para as classes A e B são feitos forecastings detalhados; para a classe C é feito um forecasting agregado devido a representatividade de seus produtos diante do faturamento da empresa. Já a agregação dos elementos temporais (ano, meses, semanas) é feita com base nos dados da demanda para encontrar alguma característica no comportamento da série (sazonal, crescente, etc.). A escolha de um pacote computacional para o cálculo da previsão de demanda é necessária devido à complexidade dos modelos matemáticos trabalhados. Nesse artigo é usado o software NCSS (Number Cruncher Statistical System, 1996) pelo baixo investimento, já que este é gratuito. A análise preliminar é feita para caracterizar a demanda dos produtos. Nela os dados são agrupados e representados graficamente de forma que seja mais fácil a identificação das características. Quando os gráficos mostram dados anormais (outliers), é necessário tomar medidas de correção, ou melhor, amenização de valores muito altos, compensação de valores baixos ou eliminação de pontos extremos. Para a escolha do modelo de previsão, devem ser considerados: aspectos que influenciem a demanda como promoções e exposições; características das séries temporais como sazionalidades e tendências; e o intervalo das previsões, ou seja, a freqüência com que novas predições são feitas. No caso dos medicamentos, esta etapa é fundamental para uma previsão correta devido aos diversos tipos e características dos produtos. 5

6 Na verificação do sistema, a demanda prevista é testada comparando-a com os dados reais e o sistema forecasting é concluído, devendo ser feita manutenção revalidando os modelos e atualizando os dados periodicamente. Ao longo da aplicação prática destes passos, alguns passos serão menos enfocados em detrimento de outros. 4. Estudo de caso A empresa analisada no estudo de caso, localizada na capital gaúcha, é uma farmácia filial pertencente a uma distribuidora de medicamentos, que possui outras filiais distribuídas pelo Rio Grande do Sul e Santa Catarina. O grupo está abrindo novas sedes e deseja saber como serão suas vendas para determinar o tamanho do estoque, o lead time de reposição, a logística, entre outros fatores. Para isso, é necessário analisar a demanda de farmácias que possuam características iguais ao novo estabelecimento como: tamanho, tipo de público, mix de produtos e layout de prateleiras. Após identificar uma filial com as mesmas características que a nova, foram analisadas as quantidades de tipos de produtos presentes no estoque daquela farmácia, separando-os de acordo com sua fase de vida, com o objetivo de focar nos itens mais significativos. Foi possível verificar que, entre as quatro fases de vida apresentadas na tabela 1, os itens em descontinuação e descontinuados não serão comercializados pela nova filial, pois são produtos que: trocaram a embalagem, não fazem parte do mix da farmácia, ou a distribuidora não trabalha mais com o respectivo fornecedor, entre outras justificativas. Fase de vida Quantidade Percentual Novo 891 3,74% Maduro ,69% Em Descontinuação 244 1,02% Descontinuado ,55% Tabela 1 Quantidade de tipos de produtos por fase de vida Para os itens novos, são usadas metodologias diferentes como, por exemplo, métodos qualitativos como Delphi. Com isso, a análise deste trabalho foi feita somente com as categorias de produtos maduros. O CD classifica os produtos em 135 (cento e trinta e cinco) categorias distintas com o objetivo de um melhor controle, organização e distribuição dos itens para as filiais. Para essas categorias em relação à farmácia trabalhada, foi feita uma classificação ABC dos itens maduros com dados de outubro de 2007 a setembro de 2008, mostrada na tabela 2, visando selecionar a categoria mais significativa para a empresa em termos de rentabilidade. A partir da tabela 2, foi possível verificar que a categoria mais interessante para a empresa é a C Barbitúrico, pois representa mais de 18% (dezoito) da rentabilidade total dos itens. Estão contidos nessa categoria 68 (sessenta e oito) tipos de medicamentos psicotrópicos como antidepressivos, emagrecedores e antipsicóticos. Os dados disponibilizados pela empresa referem-se à demanda mensal de cada produto e são dos últimos 12 (doze) meses. A partir disso, foram determinados os elementos temporais: período mensal, horizonte e intervalo iguais a 1 (um) ano. 6

7 Categoria Demanda Média x Faturamento % unitário Soma % Classe C - Bar bitúrico 5516,38 0,1845 0,1845 A B1 - Barbitúrico 2184,03 0,0731 0,2576 A Desodorante 1781,75 0,0596 0,3172 A Xampú 1388,83 0,0465 0,3636 A Pronto Socorro - Acessórios 1091,83 0,0365 0,4001 A Hidr atante 919,89 0,0308 0,4309 A Absorvente 848,93 0,0284 0,4593 A Escova Dental 738,77 0,0247 0,4840 A Unhas e Acessórios 701,69 0,0235 0,5075 A A2 - Barbitúrico 657,54 0,0220 0,5295 A Limpador 647,91 0,0217 0,5511 A Cereal em Barra 624,39 0,0209 0,5720 A Anti-idade 595,04 0,0199 0,5919 A Creme Dental 562,54 0,0188 0,6108 A Bronzeador 521,73 0,0175 0,6282 A Condicionador 513,82 0,0172 0,6454 A Acessórios Infantis 511,02 0,0171 0,6625 A Finalizador 488,21 0,0163 0,6788 A A1 - Barbitúrico 478,96 0,0160 0,6948 A Enxaguatório 469,43 0,0157 0,7105 A Sabonete Barra 469,10 0,0157 0,7262 A Tratamento 466,81 0,0156 0,7418 A Olhos 365,65 0,0122 0,7541 A Sabonete Líquido 361,37 0,0121 0,7662 A Goma de Mascar 348,50 0,0117 0,7778 A Fralda Descartável 341,65 0,0114 0,7892 A Suplemento Alimentar 334,95 0,0112 0,8004 A Itens B 4443,98 0,1486 0,9491 B Itens C 1522,12 0,0509 1,0000 C Tabela 2 - Classificação ABC das categorias de produtos. Logo após, foi feita uma nova classificação ABC para essa categoria com o objetivo de determinar seus níveis de agregação, conforme a metodologia adotada. Na tabela 3, é possível identificar que 14 (quatorze) itens estão na classe A, e para eles foram feitas previsões detalhadas. 7

8 Item Demanda Média x Faturamento % unitário Soma % Classe Produto 1 685,9 0,1708 0,1708 A Produto 2 498,32 0,1241 0,2949 A Produto 3 291,21 0,0725 0,3675 A Produto 4 271,22 0,0675 0,4350 A Produto 5 230,81 0,0575 0,4925 A Produto 6 225,62 0,0562 0,5487 A Produto 7 205,11 0,0511 0,5998 A Produto 8 174,1 0,0434 0,6431 A Produto 9 142,39 0,0355 0,6786 A Produto ,05 0,0277 0,7063 A Produto ,96 0,0276 0,7339 A Produto ,2 0,0257 0,7596 A Produto 13 99,54 0,0248 0,7844 A Produto 14 34,21 0,0085 0,7929 A Produto 15 32,48 0,0081 0,8010 B Produto 16 32,46 0,0081 0,8091 B Produto 17 31,98 0,0080 0,8171 B Produto 18 31,52 0,0079 0,8249 B Produto 19 31,3 0,0078 0,8327 B Outros 468,61 0,1167 0,9494 B Produto 21 14,94 0,0037 0,9531 C Produto 22 14,26 0,0036 0,9567 C Produto 23 13,4 0,0033 0,9600 C Outros 160,53 0,0400 1,0000 C Tabela 3 Classificação ABC dos produtos Para os itens que estão classificados como tipo B, também será feita uma previsão detalhada. Os produtos classe C serão agrupados e terão uma única previsão devido a sua representatividade no faturamento total da categoria trabalhada para a empresa. Este grupo será denominado no trabalho como Produtos 35, respeitando a seqüência dos itens. Na análise preliminar, as demandas dos produtos foram analisadas como o objetivo de identificar possíveis características que ajudem na escolha do modelo estatístico e na previsão. Neste ponto, pôde-se verificar que a maioria dos produtos apresentou certo grau de sazonalidade em seus dados e, para alguns, foi possível identificar um crescimento nas vendas também. Um exemplo dessa característica está na figura 2, onde mostra o gráfico de vendas do Produto 12. Nesta figura é possível verificar que o item apresenta uma sazonalidade de, aproximadamente, quatro meses como uma tendência de crescimento nas suas vendas. Para este caso, o modelo estatístico de Winters (sazonal) foi o mais adequado. Também se identificou produtos com vendas zeradas em alguns meses. Na maioria dos casos, isto se deve ao fato de que este mesmo item estava em falta na central de distribuição. Em conseqüência disto, os meses subseqüentes aos mencionados tiveram uma venda acima da média devido à falta do mês anterior. Para estas situações, foi feita uma amenização, isto é, retirou-se parte da venda do mês posterior e inseriu-se no intervalo da falta, amenizando 8

9 pontos outliers. Mas, se o próximo dado não for alto, ou seja, não esteja compreendendo as vendas perdidas do mês anterior, o valor zerado é retirado do conjunto de dados para não distorcer a previsão da demanda. Demanda - Produto Outubro Novembro Dezembro Janeiro Fevereiro Março Abril Maio Junho Julho Agosto Setembro Vendas Figura 2 Gráfico de demanda do Produto 12 Outro tipo de caso que pode ocorrer no momento de análise da demanda é a venda alta devido a promoções do produto. Nesta situação, o dado pode ser amenizado, distribuindo parte dele entre os meses anterior e posterior, ou excluí-lo do conjunto de dados. Isto depende das vendas desses outros meses. Com relação a exposições, como os produtos trabalhados neste artigo são medicamentos, não é possível ter exposição dos mesmos, visto que todos são vendidos sob apresentação da receita médica. Depois das demandas dos produtos caracterizadas, escolheu-se o melhor modelo matemático para cada item e, então, foi feita a verificação do sistema. Usando o software escolhido obtiveram-se as demandas previstas, como é mostrado na tabela 4. Nela é informada a previsão para os próximos três meses (outubro, novembro e dezembro), isto se deve ao fato de que a empresa somente possui este horizonte de dados previstos para comparação. Com esses dados, calculou-se o erro entre a previsão da empresa e a deste artigo. Também, é possível comparar o dado real do mês de outubro com o previsto para cada produto. Ainda, na última coluna contém a classificação do ajuste do forecasting realizado, na qual o ajuste até 0,4 é considerado deficiente; entre 0,4 e 0,6 classifica-se como médio; e acima de 0,6 é considerado bom (PELLEGRINI e FOGLIATTO, 2001). Os valores previstos de outubro, novembro e dezembro, que constam na tabela 4, foram arredondados para cima, visto que não é possível vender um produto fracionadamente. A coluna que indica o erro da previsão da empresa foi calculada a partir da Média Absoluta dos Erros (MAE), menor erro encontrado em relação a outros modelos de cálculo. A partir da tabela 4, é possível identificar diferenças grandes entre o previsto e o real do mês de outubro para alguns itens. Um exemplo é o Produto 24, sua venda realizada foi de 24 (vinte e quatro) unidades e a previsão foi de 10 (dez) para este artigo e de 13 (treze) unidades para a empresa, isto ocasionaria vendas perdidas para a filial, contudo, verifica-se que o ajuste desse produto é deficiente, assim, não seria aconselhável usá-lo como prognóstico de venda. Para casos como este, que possuem um ajuste deficiente, o ideal é utilizar um sistema computacional que englobe mairo variedade de modelos estatísticos para obter uma melhor previsão da demanda do produto. Assim, não se ocasionarão vendas perdidas ou estoques 9

10 muito elevados e perdas. Outra opção seria aumentar o horizonte, ou seja, analisar dados de pelo menos dois anos atrás, o que facilitaria a identificação das características da demanda de cada produto. MAE Valores Item Modelo R² Classe Outubro Erro Outubro Ajuste Outubro Novembro Dezembro Empresa Empresa Real Produto 12 Winters Add 0,87 A Produto 30 Winters Add 0,83 B Produto 16 Winters Mult 0,8 B Produto 2 Winters Add 0,79 A Produto 14 Winters Mult 0,79 A Produto 10 Winters Add 0,77 A Produto 9 Winters Add 0,75 A Bom Produto 18 Winters Add 0,74 B Produto 22 Winters Add 0,72 B Produto 17 Winters Add 0,68 B Produto 23 Winters Add 0,66 B Produto 29 Winters Add 0,64 B Produto 33 Winters Add 0,64 B Produto 5 Winters Add 0,63 A Produto 11 Winters Mult 0,62 A Produto 15 Winters Mult 0,58 B Produto 34 Winters Add 0,58 B Produto 4 Winters Add 0,57 A Produto 6 Winters Add 0,57 A Produto 25 Winters Add 0,57 B Produto 7 Winters Add 0,54 A Médio Produto 26 Winters Mult 0,54 B Produto 32 Winters Mult 0,53 B Produto 1 Winters Add 0,52 A Produto 20 Winters Add 0,5 B Produto 31 Winters Add 0,48 B Produto 35 Winters Add 0,45 C Produto 8 Winters Add 0,44 A Produto 19 Winters Add 0,42 B Produto 24 Winters Add 0,39 B Produto 13 Winters Add 0,38 A Produto 21 Winters Add 0,36 B Produto 27 Winters Mult 0,36 B Deficiente Produto 28 Winters Add 0,23 B Produto 3 Winters Add 0,22 A Tabela 4 Valores previstos e comparação com valores reais Comparando as previsões da empresa com as previstas pela metodologia, percebe-se que esta segunda foi a previsão mais acertada para alguns itens baseando-se no dado real. Este fato é observado no Produto 1, que por exemplo, não teria demanda em outubro segundo a empresa. Entretanto a venda realizada foi de duas unidades, igual à quantidade prevista pela metodologia. Isto valida a previsão realizada e mostra que a metodologia e sua aplicação estão auxiliando a empresa a prever corretamente sua demanda. 10

11 5. Conclusão Este artigo apresentou a aplicação de uma metodologia para a previsão de demanda de medicamentos em uma farmácia recém inaugurada. Sendo esta pertencente a uma rede de filiais abastecidas pela mesma central de distribuição. A metodologia consistiu em, a partir de um histórico de dados de uma farmácia com as mesmas características, elaborar classificações ABC para selecionar a categoria de produtos mais representativa para a empresa em termos de faturamento. Isto foi feito devido à grande variedade de produtos trabalhados por cada farmácia. Durante a aplicação da metodologia observou-se que alguns conjuntos de dados sofreram influências de fatores externos como faltas na origem e promoções. Nestes casos, foi necessários alguns ajustes para não comprometer os resultados. Nesses ajustes foram excluídos valores outliers, como vendas acumuladas ou faltas; também foram feitas amenizações de vendas altas num mês posterior ao período sem estoque (PELLEGRINI e FOGLIATTO, 2001). Observou-se, ainda, que a escolha de um pacote computacional, que englobe maior variedade de modelos estatísticos, diminuiria os erros relacionados ao ajuste de dados. Apesar disto, para alguns casos, o resultado obtido neste artigo foi mais próximo ou igual ao real, sendo assim, mais satisfatório que o resultado apresentado pela empresa. Isto evidencia que somente a utilização de um software avançado não garante previsões de demanda corretas, é necessária uma metodologia que apure todas as possíveis situações que podem ser encontradas durante a execução. Referências ANUNCIAÇÃO, W. R. Avaliação de desempenho de estoque utilizando uma metodologia multicritério em apoio a decisão: um estudo de caso no sistema de estoque centralizado da Petrobras. Dissertação do Programa de Pós-Graduação em Engenharia de Produção (UFSC). Florianópolis (2003). ATAMANCZUK, M. J.; KOVALESKI, J. L. & FRANCISCO, A. C. O papel do controle de estoque na centralização de compras. Anais do II Encontro de Engenharia e Tecnologia dos Campos Gerais. Ponta Grossa, PR (2008). DAVIS, M. M.; AQUILANO, N. J.; CHASE, R. B. Fundamentos da Administração da Produção. 3. ed. São Paulo: Artmed, FELICIANO, R. A.; SPINOLA, M. M. & SHIMIZU, T. Um método de análise de variáveis causais para previsão de demanda no setor farmacêutico. Anais do XXVI ENEGEP, Fortaleza (2006). GRIPPA, D. B. ; LEMOS, F. O. ; FOGLIATTO, F. S. Analogia e combinação de previsões aplicados à demanda de novos produtos. Artigo no XXV ENEGEP (2005). KRAJEWSKI, J.; RITZMAN, B.; MALHOTRA, M. Operations Management: Processes and Value Chains. 8. ed. New Jersey: Pearson Prentice Hall, LIN, T. Y. & AMARAL, J. B. C. - Estudo de modelos de previsão de demanda. Relatório do Programa Institucional de Bolsas de Iniciação Científica (Fundação Getúlio Vargas), São paulo (2005). LUSTOSA, L.; MESQUITA, M. A.; QUELHAS, O.; OLIVEIRA, R. Planejamento e Controle da Produção. Rio de Janeiro: Elsevier, NAHMIAS, S. Production and Operations Analysis. 2. ed. Boston: Richard D. Irwins, OLIVEIRA, J. L. R. & COSTA, F. L. P. Ações estratégias de compras e estoque na rede de farmácias Trade. Anais do IX SEMEAD (2006). PELLEGRINI, F. R.; FOGLIATTO, F. S. Estudo comparativo entre os modelos Winters e de Box-Jenkins para previsão de demanda sazonal. Artigo do Programa de Pós-Graduação em Engenharia de Produção (UFRGS, 2001). 11

12 PELLEGRINI, F. R.; FOGLIATTO, F. S. Metodologia para implantação de sistemas de previsão de demanda técnicas e estudo de caso. Anais do XXI ENEGEP CD-ROM, Salvador (2001). PEREIRA, L. D. Planejamento de demanda de um componente controlado numa empresa de serviços do ramo de mineração. Monografia de Graduação da Universidade Federal de Juiz de Fora (2006). RODRIGUES, G. G. & PIZZOLATO, N. D. Centros de Distribuição: armazenagem estratégica. Anais do XXIII ENEGEP - Ouro Preto, MG (2003). ROSA, J. P.; CORAL, M. L. S. & FLAMENGO, L. C. B. Gestão de Varejo: estratégica de negócio e gestão de estoques. FCV Empresarial, v. 1, p , Maringá, PR (2007). SERRA, C. M. V.; TAVARES, H. R. & SANTOS, J. C. C. Aplicação de séries temporais na análise de demanda turística no estado do Pará usando os modelos de Holt-Winters. Anais do XXV ENEGEP, Porto Alegre (2005). SILVEIRA, P. & GUSBERTI, T. D. H. Modelo de definição de demanda de produtos farmacêuticos no contexto de pequenas e médias empresas. Anais do XXVII ENEGEP, Foz do Iguaçu (2007). SLACK, N.; CHAMBER, S. & JOHNSTON, R. Administração da Produção. São Paulo: Atlas (2007). 12