Analysis of the Demand Forecast and Reduction of Operating Costs in a Coffee Export Company
|
|
- Cármen de Andrade
- 5 Há anos
- Visualizações:
Transcrição
1 Análise da Previsão de Demanda e Redução de Custos Operacionais em uma Empresa Exportadora de Café Fernando de Araújo (UFU) fernandoaraujo@ufu.br Flávia Barbosa de Brito Araújo (UFU) flaviabbrito@yahoo.com.br Resumo: A produção de café e sua exportação se mostram cada vez mais importantes economicamente para o país. A Previsão da Demanda recebe, hoje em dia, mais atenção das empresas, devido à competitividade crescente do mercado nacional. Neste contexto, esse trabalho foi realizado em uma empresa exportadora de café, e possui como objetivo apresentar um estudo de caso sobre a previsão da demanda e selecionar o melhor modelo quantitativo que se aplique à previsão de vendas. Por conseguinte, há como planejar o plantio do café de forma precisa, planejar a linha de produção do mesmo e otimizar os recursos necessários. Para tal fim, por meio de uma abordagem quantitativa do problema, compara-se métodos de séries temporais com a utilização de estatísticas para a análise dos dados. Constatou-se que o método Regressão com Tendência e Sazonalidade apresentou melhor desempenho de acordo com os erros relacionados à previsão de demanda. Palavras chave: Séries Temporais, Café, Métodos Quantitativos. Analysis of the Demand Forecast and Reduction of Operating Costs in a Coffee Export Company Abstract The production of coffee and its export are proving increasingly important economically for the country. Demand Forecasting receives, today, more attention from companies, due to the increasing competitiveness of the national market. In this context, this work was carried out in a coffee exporting company, with the objective of presenting a case study on forecasting demand and selecting the best quantitative model that applies to sales forecasting. Therefore, we can plan the coffee plantation accurately, plan the coffee production line and optimize the necessary resources. To this end, through a quantitative approach to the problem, time-series methods are compared with the use of statistics for data analysis. It was verified that the Regression with Trend and Seasonality method presented better performance according to the errors related to the forecast of demand. Key-words: Time Series, Coffee, Quantitative Methods. 1. Introdução A produção do café, que é do setor primário das atividades de produção e consumo, é muito importante para a economia do Brasil. Este alimento foi introduzido no país no século XVIII nas Antilhas para atender ao consumo local, porém devido às condições climáticas ideais, o seu cultivo passou a ser importante economicamente (FURTADO, 2005).
2 Foi no final do século XIX que o Brasil começou a exportar o café, e nos anos 30, se tornou o principal produto da pauta de exportação brasileira. Atualmente a parcela correspondente à produção de café do Brasil no cenário mundial corresponde a 26%, no horizonte temporal de 1990 e 2016 (ICO, 2016). No que diz respeito ao consumo global do café, a Organização Internacional do Café (ICO) evidência que há um crescimento anual da demanda deste produto, como consta na Figura 1. Figura 1 Consumo Global do Café Fonte: Adaptado de International Coffee Organization (2016) Sendo assim, a análise da previsão da demanda é essencial para o bom desenvolvimento de uma organização, pois a partir dela são obtidas informações fundamentais para controle da produção, redução de custos, otimização dos recursos e melhor gerenciamento do estoque (FERNANDES; GODINHO FILHO, 2010). Portanto, a relação entre a previsão de demanda e os custos de produção, são mencionados por Fischer e Ramon, (1996); Pelegrini e Fogliato, (2001); Danese e Kalchschimidt, (2011) e Li et al., (2011). A aferição dos custos desempenha um papel importante para as empresas, pois apresenta uma relação direta entre o desempenho e a eficácia das organizações (DAI et al., 2006). Chen et al., (2007) menciona que as incertezas da demanda fazem com que o planejamento se torne um dos desafios das organizações. Para Li et al., (2011) as previsões mais precisas reduzem os custos de produção. A previsão da demanda segundo Moreira (1999), geralmente é utilizada pelas organizações com o intuito de estabelecer o ritmo de produção, bem como a estruturação de toda a rede logística e a cadeia de suprimentos. Para uma adequada projeção da demanda se faz necessário que a organização tenha os dados referentes ao controle de estoque e da venda de determinado produto. Moreira (1999) enfatiza que os métodos de previsão podem ser classificados por critérios diferentes, e que dependem dos instrumentos utilizados e dos conceitos que formam a base do modelo. Dentro desta classificação, encontra-se os métodos qualitativos e quantitativos. Chase (2006) afirma que os métodos qualitativos são aqueles que se baseiam no julgamento,
3 estimativas e experiência do decisor, e são capazes de expressar opiniões sobre a demanda futura. Nesse sentido, este estudo visa como objetivo, analisar a melhor técnica que viabilize o desempenho para exportadoras de café do Alto Paranaíba e que proporcione vantagem competitiva com redução dos custos operacionais. Por conseguinte, avaliar e selecionar o melhor modelo quantitativo que se aplique à previsão de vendas, para administrar as atividades administrativas e operacionais. Para isso é necessário conhecer o mercado de forma mais precisa, para planejar a linha de produção do mesmo e otimizar os recursos necessários. Por fim, por meio de uma abordagem quantitativa do problema, comparar os métodos de previsão de demanda com a utilização de estatísticas para a análise dos dados e verificar o que melhor se encaixa para a previsão de demanda. A partir deste propósito, segue-se na busca de compreender se as estimativas de previsão de demanda seguem ao modelo apropriado e se os resultados das previsões estão de acordo com as panorama real das empresas, e se fatores externos influenciam as organizações. Este artigo encontra-se estruturado em cinco seções, considerando esta introdução. A segunda seção apresenta o referencial teórico para fundamentação bibliográfica. A terceira descreve a metodologia, e na quarta o estudo de caso e resultados, e na última seção, são feitas as considerações finais do estudo. 2. Referencial Teórico 2.1 Planejamento e controle da produção Moreira (1999) define o sistema de produção como o processo de transformação de insumos em produtos, agregando valor ao produto ou serviço. Define os insumos como matéria-prima ou recursos que serão transformados em produto final, bem como os responsáveis pelo processamento de recursos no sistema produtivo. De acordo com Tubino (2009) os insumos são as matérias-primas que serão transformadas em produtos e os recursos são aqueles que movimentam o sistema de transformação, como mão de obra, máquinas e equipamentos e capital, entre outros. Segundo Fernandes e Godinho (2010) o Planejamento e Controle da Produção (PCP) refere-se ao processo de tomada de decisão do Sistema de Produção para transformar insumos em ativos ou serviços, levando em conta as restrições exigidas pelo cliente. O PCP visa definir o que, quanto e quando produzir, comprar e entregar, além de quem, onde e como produzir. Para o Slack (2009) o PCP oferece os procedimentos e decisões do sistema de produção através das particularidades de demanda e oferta. 2.2 Previsão de demanda e custos de produção De acordo com Martins (2005), a previsão é o ato de estimar eventos futuros, isto é, identificar as informações relevantes e os eventos sobre o futuro e, a partir daí tomar as decisões necessárias. Além disso, assume que os modelos matemáticos, estatísticos e até subjetivos são capazes de determinar dados futuros. A integração dos custos de produção e a previsão de demanda, podem oferecer apoio ao controle e planejamento da capacidade produtiva. Para, Zhang et al., (2012) a capacidade e a demanda afetam diretamente os serviços prestados ao mercado, os custos e aos negócios. Wang (2007) enfatiza que os modelos de previsão de demanda, e as modelagens relacionadas aos custos, torna-se necessários e são consideradas mais precisas para a tomada de decisão. Para Bornia (2010) a abordagem sobre a análise dos custos auxilia o controle e a avaliação da empresa, de forma a mensurar desperdícios e identificar atividades que não agregam valor ao
4 produto. Sendo capaz de dirigir e priorizar esforços em busca de excelência produtiva, tornando-se uma ferramenta para o processo de tomada de decisão. As técnicas de previsão de demanda fornecem informações do ambiente externo da empresa, para o planejamento de suas atividades. Makridakis et al (1998), afirma que incertezas não podem ser eliminadas, e consequentemente, variações nas condições previstas podem ocorrer. Portanto, é necessário definir possíveis cenários, de forma a prever com um plano preventivo através de alternativas ou adaptativos frente as respectivas mudanças. As previsões de demanda de produtos e serviços permitem que os processos funcionais, logísticos, financeiros, marketing e de produção sejam gerenciados de forma correta. Danese e Kalchschimidt (2011) mencionam que as técnicas de previsão de demanda melhoram a exatidão das previsões e também aperfeiçoa o desempenho operacional das organizações. Enfatizam que as técnicas influenciam positivamente o desempenho relacionados aos custos. Assim, a precisão da previsão de demanda impacta em melhorias no desempenho de custos organizacionais, viabilizando a redução de perdas. Para Pelegrini e Fogliato, (2001); Danese e Kalchschimidt, (2011) e Fischer e Ramon (2011) a atividade de planejamento, estabelece a otimização dos recursos, proporcionando competitividade à firma. Em um sistema de produção, é correto afirmar que a previsão de demanda está entre as variáveis mais importantes, principalmente para as atividades desenvolvidas pelo Planejamento e Controle da Produção (PPC). Isso se deve ao fato de que, a partir de uma boa previsão, é possível definir os recursos necessários dentro de uma organização. Kassel e Tittman (2007) enfatiza que conhecer o comportamento dos clientes e as informações sobre quantidades de produção em períodos futuros, otimiza o processo produtivo e reduz os custos de produção, aumentando a competitividade. Para tanto, Gaither e Frazier (2001) mencionam que o método mais eficiente para avaliar as estimativas futuras dos produtos e/ou serviços oferecidos por uma organização, capaz de despesas em uma empresa, são os métodos de previsão de demanda, que podem ser classificados em dois tipos: qualitativos e quantitativos. 2.3 Métodos quantitativos de previsão de demanda Os métodos quantitativos consistem em transformar dados históricos, através da execução de um modelo matemático, em informações sobre o comportamento da demanda. As condições de sua aplicabilidade são: Existência de dados históricos; Viabilidade de traduzir informações históricas em números; e Suposição de que o padrão observado será repetido ao longo do tempo (MAKRIDAKIS, 1998). Para Moreira (1999) os métodos de previsão podem ser classificados por diferentes critérios, de maneira mais simples, dependendo dos instrumentos utilizados e dos conceitos que formam a base do modelo. Dentro desta classificação, podemos encontrar os métodos qualitativos e quantitativos. Além disso, os métodos quantitativos são subdivididos em métodos causais e séries temporais. Chase (2006) afirma que os métodos qualitativos são aqueles que se baseiam no julgamento, estimativas e experiência do decisor, e são capazes de expressar opiniões sobre a demanda futura. Os métodos quantitativos consistem em procurar dados passados, analisá-los e depois definir os melhores resultados matemáticos e modelos para projetar a demanda futura. Os métodos quantitativos podem ser explicados matematicamente e são divididos em series temporais e causais. Os modelos de series temporais levam em consideração que os dados
5 passados irão se repetir no futuro, podendo ser subdivididas em vários subgrupos, como por exemplo: médias, decomposição e projeção de tendência entre outros (MOREIRA, 1999). Para os modelos causais existe o cuidado em estabelecer correlações da demanda com outras variáveis, enquanto nos modelos de séries temporais são assumidos valores que apresentam através do tempo. São exemplos de modelos causais: regressão linear simples e regressão linear sazonal (PROTO; MESQUITA, 2003) Métodos quantitativos de previsão de demanda - Séries temporais Chase (2006) afirma que os métodos de previsão baseados no tempo, baseiam-se no conceito de que a previsão anterior servirá como suporte para a previsão futura. Fernandes e Godinho (2010) menciona que além disso, os fatores que influenciaram a demanda passada devem influenciar a demanda futura. Alguns objetivos da análise de séries temporais podem ser citados. Faça previsões de valores futuros da série, como séries de produção, estoques, produtividade, entre outros. Descreva apenas o comportamento da série com a construção de gráficos e histogramas para verificar a sazonalidade, tendência, entre outros. Procure por periodicidades relevantes nos dados. Para Moreira (1999) existem quatro classificações diferentes dentro da série temporal, também conhecidas como componentes de variação: tendência, sazonal, cíclica e aleatória. A Figura 2 exemplifica a curva para cada um desses componentes de variação, onde os eixos x e y se referem respectivamente ao período e à demanda. Figura 2 Classificações de séries temporais na previsão de demanda (Fonte: elaborado pelos autores) Chase 2006 apresenta alguns fatores que influenciam a escolha do método de previsão a ser utilizado: horizonte de tempo para previsão, disponibilidade de dados, precisão necessária, tamanho do orçamento previsto e disponibilidade de pessoal qualificado. Alguns métodos baseados em séries temporais serão apresentados.
6 Média móvel simples Gaither e Frazier (2002) definem a média móvel simples como um modelo de curto prazo, onde, a partir da média aritmética das demandas anteriores, é possível determinar a previsão para o período atual. Além disso, Morettin e Toloi (2006) apontam as desvantagens desse método: Deve ser usado apenas para prever séries estacionárias; Dificuldade em estabelecer a quantidade necessária de demandas passadas. Por outro lado, os mesmos autores apresentam algumas vantagens deste método de previsão: Simplicidade do método aplicado; Pode ser usado quando você tem poucas observações; Flexibilidade em relação ao número de demandas passadas utilizadas, com base no padrão da série. Para calcular a demanda para o período atual, t deve ser levado em consideração no período anterior; no entanto, esses períodos devem ser recentes. A demanda do período t pode ser calculada como na Equação (1): Média móvel ponderada (MAD) D = D t+ D t D t n+1 n Martins e Laugeni (2005) destaca que, em contraste com a média móvel simples, que dá o mesmo peso para todos os períodos, na média móvel ponderada há pesos diferentes para cada período, e a soma de todos os pesos deve ser igual a um. Assim, para calcular a demanda D do período t, a Equação (2) deve ser solucionada com os pesos w atribuídos às demandas: Suavização exponencial D = wt-1dt-1 + wt-2dt-2 + wt-3dt-3 (2) De acordo com Corrêa (2006), o método de suavização exponencial é um caso particular da média móvel ponderada, uma vez que seus pesos diminuem exponencialmente quanto mais antigos os dados estiverem presentes. Com pesos maiores para as observações mais recentes, as desvantagens do método da média móvel são eliminadas. Fernandes e Godinho (2010) menciona que este método fornece a previsão para o período atual como a previsão do período anterior, incluindo a correção do erro ocorrido neste período. Os mesmos autores afirmam que a correção do erro ocorrido deve ser calculada como a diferença entre o real e a previsão. A demanda é calculada com a Equação (3) e sendo: D, previsão para o período posterior, Dt demanda real do período atual, Pt previsão do período atual, α, constante de regularização. Dt + 1 = Pt + α (Dt - Pt) (3) Segundo Fernandes e Godinho (2010) é de grande importância escolher a constante de alisamento α. Corrar (2010) afirma que, se o valor estipulado para α for baixo, significa que a previsão não reagirá rapidamente, no que diz respeito à alteração dos dados. Caso contrário, se α tiver um valor alto, a previsão reagirá mais rapidamente à alteração dos dados e, consequentemente, o esperado valores se aproximavam dos reais. (1)
7 2.3.2 Métodos quantitativos causais de previsão de demanda De acordo com Fernandes e Godinho (2010), a demanda por um determinado item ou conjunto de itens (variáveis dependentes) está relacionada a uma ou mais variáveis internas ou externas (independentes) para a empresa, o que pode ajudar a prever a demanda futura de um determinado produto. Os métodos de regressão, presentes nos métodos causais, são os mais utilizados nesta categoria. Gaither (2002) afirma que os métodos de regressão diferem no número de variáveis independentes que serão consideradas. Na regressão simples, existe apenas uma variável independente. Segundo Moreira (1999) pode ser simbolicamente representado na Equação (4): y = f(x) (4) Onde y é a variável dependente (demanda) e x é a variável independente (causal) de qualquer função. Dependendo da função, a regressão pode ser chamada de regressão linear simples, regressão exponencial ou regressão parabólica. Nas regressões múltiplas, existe um conjunto de variáveis independentes que, a partir de suas funções, expressam o valor de y. A Equação (5) simboliza esta representação: y = f (x1, x2,, xn) (5) Regressão linear com base em tendência Segundo Corrar (2010) é possível encontrar processos que não são considerados estacionários. Por este motivo, a variável tempo torna-se um componente necessário para determinar a tendência futura de uma série temporal. Bruni (2008) menciona que nos casos em que a tendência é linear, o tempo é definido como uma variável independente e a demanda como uma variável dependente. Desta forma, a função do tipo y = a + bx é usada para executar a previsão com base no modelo de regressão. Os valores de a e b podem ser obtidos a partir das equações 6 e 7, onde n é o número de observações, x é variável independente (tempo) e y é a variável dependente (demanda). n( xy) ( x y) b = n( x²) ( x)² a = y b x n Regressão linear com base em sazonalidade Para Fernandes e Godinho (2010) a sazonalidade é representada pelas variações ascendentes e descendentes que ocorrem periodicamente. Bruni (2008) apresenta uma sequência de etapas para a aplicação do método baseado em um processo com sazonalidade: Cálculo da média móvel centralizada para cada um dos períodos; Cálculo da média de todas as médias do centro móvel; Adição, para sazonalidade aditiva, ou multiplicação, para sazonalidade multiplicativa, da média das médias pelo índice sazonal. Na sazonalidade aditiva, um valor é adicionado ou subtraído na mesma magnitude periodicamente. Esse valor, que será incrementado no período, é chamado de índice sazonal, que pode ser obtido pela diferença entre a média das médias e a demanda do período. Diferentemente da sazonalidade aditiva, na sazonalidade multiplicativa o valor aumenta ou diminui consideravelmente no período. Portanto, o índice sazonal é obtido a partir do quociente da média das médias e da demanda do período. Corrar (2010) afirma que o uso do índice sazonal (6) (7)
8 provoca um ajuste na projeção de tendência e, consequentemente, aumenta sua precisão, uma vez que os efeitos gerados pelos valores sazonais são levados em consideração ao longo da série Regressão linear com base em tendência e sazonalidade De acordo com Bruni (2008), o modelo de regressão, utilizado para previsão de tendências, adicionado à sazonalidade, compõe um método baseado em um processo com tendência e sazonalidade. Neste método são utilizados os modelos de regressão ajustados com a presença de sazonalidade. Assim, a partir da equação y = a + bx, onde x é a variável independente (tempo) e y é a variável dependente (demanda), o valor da previsão de tendência é obtido. Da mesma forma como apresentado no método anterior, o índice sazonal é adicionado ao valor da previsão, resultando em um valor que levou em conta tanto a tendência quanto a sazonalidade. 2.4 Erros de previsão Bruni (2008) aponta que existem várias maneiras de se analisar a qualidade da previsão de demanda, por exemplo: desvio médio absoluto, erro quadrático médio e erro percentual absoluto médio. O desvio médio absoluto, MAD, é obtido a partir da soma dos desvios absolutos, representados pela diferença entre o real e o esperado. Simbolicamente, ele pode ser representado pela Equação (8), onde Pi é a previsão para o período i, Di é a demanda real do período i e n é a quantidade de observações. n MAD = i=1 Pi Di n O erro quadrático médio, MSE, é calculado pela diferença entre o real e o predito ao quadrado, isto é, é representado pela soma dos desvios quadrados, conforme segue na Equação (9). Corrar (2010) afirma que o erro quadrático médio apresenta a variação irregular, ou seja, quanto maior o valor do MSE, mais variáveis externas estão influenciando o modelo. n MSE = i=1 (Pi Di)² n MAPE, erro percentual absoluto médio, expressa a precisão do erro em porcentagem. Este erro é obtido a partir da média de todos os erros percentuais absolutos. Bruni (2008) ressalta a importância de usar essas métricas para análise, pois elas são úteis para ajudar a estimar a quantidade ideal de períodos que devem ser considerados no cálculo dos métodos de previsão. Além disso, a partir do cálculo do erro, é possível escolher o método de previsão mais preciso, ou seja, aquele com o menor valor de erro encontrado. 3. Metodologia De acordo com os objetivos gerais da pesquisa, estas podem ser classificadas em dois segmentos: exploratória e descritiva. O presente estudo pode ser classificado como exploratória, uma vez que, a fim de obter maior familiaridade com o problema e entender o comportamento dos dados, foram utilizadas técnicas estatísticas que, portanto, também classificam a pesquisa como quantitativa, tornando-a descritiva. Os procedimentos técnicos utilizados constituem a característica da pesquisa, sendo que, por este critério, esta pode ser classificada como: bibliográfica e estudo de caso (GIL, 2002). Os dados históricos foram coletados de uma empresa de grãos e que descrevem o comportamento das vendas de café ao longo do tempo, a análise é baseada em uma série temporal. Esses dados referem-se aos meses de janeiro de 2015 (8) (9)
9 jan/13 mar/13 mai/13 jul/13 set/13 nov/13 jan/14 mar/14 mai/14 jul/14 set/14 nov/14 jan/15 mar/15 mai/15 jul/15 set/15 nov/15 Sack Sales (million) Sack Sales (million) a dezembro de 2017, totalizando 36 observações. A análise e aplicação dos métodos foram desenvolvidas no software Excel 2007, utilizando seus recursos como Solver e Data Analysis. Foram aplicados métodos expostos neste trabalho para obtenção de ajustes da série histórica para a previsão de demanda, sendo os mais simples (média móvel, média móvel ponderada, análise com tendência e tendência com sazonalidade) formulados no próprio Excel. Por fim, um método de cálculo de erro foi aplicado para efeitos de comparação de qualidade e consistência das curvas de ajuste obtidas, para que assim fosse possível determinar qual delas é a mais adequada para obtenção de predições em relação a demanda futura. 4. Estudo de Caso: Negócios de Grãos O estudo de caso foi realizado em uma empresa do segmento de grãos da região de Alto Paranaíba, em Minas Gerais. Esta empresa exporta o café, por isso é muito importante que haja uma maneira de prever a demanda por este produto. Para tanto, métodos quantitativos de previsão de demanda foram aplicados com base nos dados históricos fornecidos pela empresa. O gráfico representativo das vendas de café ao longo do tempo é mostrado na Figura Figura 3 Demanda do Café (Fonte: elaborado pelos autores) Com base nas vendas passadas, o gráfico da Figura 4 foi elaborado e representa a previsão da demanda feita pelo método da Média Móvel Simples, onde a sazonalidade e a tendência não são levadas em consideração, apenas os valores dos últimos dois meses da venda de café. Dt é a demanda e Pt é a previsão no período t. Os valores de MAD 433,56, MSE ,76 e MAPE 153,41% nos mostram que esse método não é adequado para predizer a demanda de café da empresa em questão Dt Pt Figura 4 Método de Média Móvel Simples (Fonte: elaborado pelos autores) A Figura 5 mostra o método da Média Móvel Ponderada, onde diferentes pesos foram atribuídos aos três últimos meses de vendas. O cálculo dos pesos foi feito utilizando a plataforma solver, a fim de minimizar o MAD. Neste método, os valores de MAD, MSE e MAPE foram,
10 Sacks Sales (million) Sack Sales (million) Sack Sales (million) respectivamente, 375,19, ,76 e 135,67%. Embora seja um resultado melhor do que o anterior, este método não pode ser aplicado para resolver a previsão da demanda do produto em questão, pois esses valores ainda são altos Dt Pt Figura 5 Método de Média Móvel Ponderada (Fonte: elaborado pelos autores) O método de suavização exponencial com alfa de 0,05848, calculado para minimizar o MAD pelo solver, está representado na Figura 6. Os valores de MAD e MAPE permaneceram próximos ao do método anterior, que foi de 333,06 e 163%, enquanto o valor de MSE foi Dt Figura 6 Método de Suavização Exponencial Simples (Fonte: elaborado pelos autores) A partir da análise dos métodos anteriores pode-se concluir que as vendas de café não se comportam como séries estacionárias, ou seja, há oscilações e devem ser levadas em conta para os cálculos da previsão. O método de Regressão Linear foi testado, mas também não mostrou resultados satisfatórios. Uma maneira de obter sazonalidade é calculando as médias do centro móvel. No gráfico da Figura 7 o método de sazonalidade multiplicativa foi feito Dt Pt Figura 7 Método de sazonalidade multiplicativa (Fonte: elaborado pelos autores) Os erros associados a este método foram os seguintes: MAD igual a 242,52, MSE ,37 e MAP igual a 66%. O próximo e último método aplicado foi a regressão com a sazonalidade multiplicativa e de tendência. O valor encontrado de MAD foi 215,36, MSE 92979,26 e o MAP 47%. Além da tendência, com as representações gráficas dos dados históricos das vendas de café e os erros presentes em cada método, é possível observar que há também a sazonalidade no comportamento dos dados. Esse comportamento é um evento classificado como um processo com sazonalidade e tendência.
11 4. Conclusão Os métodos quantitativos aplicados para confirmar as características comportamentais das vendas de café e seus respectivos resultados estatísticos, foram apresentados nesta pesquisa cada método com seu erro associado, conforme representado na Tabela 1. Dessa forma, é possível determinar qual método é descrito e aplicado no presente estudo de caso. Método Aplicados MAD MAPE MSE Média Móvel Simples (sem sazonalidade e tendência) 433,6 153,41% ,76 Média Móvel Ponderada (sem sazonalidade e tendência) 375,2 135,67% ,04 Suavização exponencial simples (sem sazonalidade e tendência) 333,1 163% ,53 Regressão linear (com tendência e sem sazonalidade) 305,2 148% ,82 Sazonalidade Multiplicativa (com sazonalidade e sem tendência) 242,5 66% ,37 Regressão com Tendência e com Sazonalidade 215,4 47% ,26 Fonte: elaborado pelos autores Tabela 1 Resultados dos métodos de previsão A média móvel simples é descartada, pois esse método não é adequado para predizer a demanda de café da empresa em questão. Gaither e Frazier (2002) definem como um modelo de curto prazo, onde, é determinada a previsão para o período atual. Sendo utilizado para as séries de dados sem padrão sazonal e tendência. Neste método supõe-se que todas as observações são de igual importância, portanto o peso atribuído a elas é o mesmo. Embora a média móvel ponderada tenha apresentado um resultado melhor do que a simples, este método não pode ser aplicado para resolver a previsão da demanda do produto, pois esses valores ainda são altos. Martins e Laugeni (2005) destaca que na média móvel ponderada há pesos diferentes para cada período, e a soma de todos os pesos deve ser igual a um. No entanto, a suavização exponencial considerada por Corrêa (2006) como um caso particular da média móvel ponderada, possui pesos maiores para as observações mais recentes, as desvantagens do método da média móvel são eliminadas. O método de suavização exponencial também é utilizado apenas em séries sem tendência ou sazonalidade. No entanto, diferentemente da média móvel simples, na suavização exponencial as observações possuem pesos distintos, atribuindo-se valores maiores às observações mais recentes, enquanto o peso atribuído às mais antigas decai exponencialmente. Quanto maior o peso atribuído, menor é a suavização. Portanto, menores pesos proporcionam previsões mais estáveis. Os dois métodos anteriores não funcionam para séries que possuem tendência. O método que apresentou melhor qualidade da previsão foi o de Regressão com tendência e com sazonalidade, conforme observado. Com este resultado extrai-se a informação de que no comportamento das vendas do café da empresa objeto de estudo há a presença da sazonalidade e de uma tendência crescente, além da influência de variáveis externas. O valor do MAD, da melhor previsão, significa que, em média, as previsões construídas se desviam das previsões reais em valores absolutos iguais a 215,36 unidades (em milhares de sacas). Por outro lado, o MAPE representa a porcentagem dessa distância, ou seja, a previsão construída se afasta da previsão real em 47%. O MSE retorna à informação de que existem variações externas que estão influenciando o modelo, já que o valor desse erro de previsão era alto. Técnicas estatísticas permitem realizar a previsão de demanda com base nesses padrões, e dessa forma a empresa tem a oportunidade de melhor planejar e controlar suas atividades
12 produtivas, consequentemente reduzir seus custos operacionais e gastos desnecessários bem como melhorar o nível de serviço ao cliente. Para estudos futuros, sugere-se uma pesquisa para demais regiões e tratar os períodos de safra e entressafra, e assim evitar queda nos estoques em períodos de entressafra e excedentes par picos do período de safra. A falta de estabilidade prejudica os preços e os produtores. O melhor tratamento dos dados e informações, ou até mesmo a análise proporciona aos produtores uma visão real do mercado consumidor. Referências BORNIA, A.C. Análise Gerencial de custos: aplicação em empresas modernas. 3 ed. São Paulo: Atlas, BRUNI, A. L. Estatística Aplicada à Gestão Empresarial. Atlas, São Paulo (2008). CHASE, R. B.; JACOBS, R. F.; AQUILANO, N. J. Administração da Produção para a Vantagem Competitiva. Bookman, Porto Alegre, CORRAR, L. J. et al. Pesquisa Operacional para Decisão em Contabilidade e Administração. Atlas, São Paulo, CORRÊA, H. L.; CORRÊA, C. A.: Administração de Produção e Operações. Atlas, São Paulo, DAI, J.S.; NIAZI, A.; BALABANI, S.; SENEVIRATNE, L. Product Cost Estimation: Technique Classification and Methodology Review. Journal os Manufacturing Science and Engineering, v. 128, p , DANESE, P.; KALCHSCHMIDT, M. The impact of forecasting on companies performace: Analysis in multivariate setting. International Journal of Production Economics, v. 133, (1), P , FERNANDES, F. C. F.; GODINHO, M. Planejamento e Controle da Produção. Atlas, São Paulo, GAITHER, N., FRAZIER, G.: Administração da Produção e Operações. Pioneira, São Paulo, International Coffee Organization. Disponível em: < ico.org.>. Acesso em: 03 jun GAITHER, N.; FRAIZER, G. Administração da Produção e operações. 8. ed. São Paulo: Pioneira, GIL, A. C. Como Elaborar Projetos de Pesquisa, 4. ed. - São Paulo: Atlas, KASSEL, S.; TITTMAN, C. Implications from customer behavior for manufacturing. Journal of Intelligent Manufacturing, v. 18 (4), p , LI, D.C.; CHANG, C. C.; LIU, C.W.; CHEN, W.C. A new approuch for manufacturing forecast problems with insuficient data: the case of TFT-LCDs. Journal of Intelligent Manufacturing, p. 1-9, 2011 MAKRIDAKIS, S.; WHEELWRINGHT, S.C.; HYNDMAN, R.J. Forecasting: methods and aplications. 3 ed. New York: Jonh Wiley & Sons, MARTINS, P. G.; LAUGENI, F. P.: Administração da Produção. Saraiva, São Paulo, MOREIRA, D. A. Administração da Produção e Operações. Pioneira, São Paulo, PELEGRINI, F.R.; FOGLIATTO, F.S. Passos para Implantação de Sistemas de Previsão de Demanda Técnicas e Estudo de Caso. Revista de Produção, v. 11, p , PROTO, L. O.; MESQUITA, M. A. Previsão de Demanda para planejamento da Capacidade de Empresa do Setor Cimenteiro. Encontro Nacional de Engenharia de Produção, v. 23, SLACK, N. et al. Administração da Produção. Atlas, São Paulo, TUBINO, D. F. Planejamento e Controle da Produção. 2. ed. Atlas, São Paulo, WANG, Q. Artificial neural networks as cot engineering methods in a collaborative manufacturing environment. International Journal of Prodction Economics, v 109.(1-2), p , ZHANG, BI-XI, HU, SHENG- QIANG; SONG, J.; CHENG, S. Analysis about Medium- long- term Demands Forecasting and Capacity Decision Based on the Grey, GM (1,1) Improved Models. International Conference on Management Science e Engineering (19), p , 2012.
Escola de Engenharia de Lorena EEL/USP Curso de Engenharia de Produção. Prof. Fabrício Maciel Gomes
Escola de Engenharia de Lorena EEL/USP Curso de Engenharia de Produção Prof. Fabrício Maciel Gomes Previsão de Demanda A previsão da demanda é a base para o planejamento estratégico da produção, vendas
APLICAÇÃO DE MÉTODO DE PREVISÃO DE DEMANDA: UM ESTUDO DE CASO EM UMA EMPRESA DE SISTEMAS DE AQUECIMENTO DE ÁGUA
APLICAÇÃO DE MÉTODO DE PREVISÃO DE DEMANDA: UM ESTUDO DE CASO EM UMA EMPRESA DE SISTEMAS DE AQUECIMENTO DE ÁGUA SOUZA, Wiliam Santos 1 ; PEREIRA, Gustavo Alves 2 ; COSTA, Ana Carolina Salmeiro 3 ; JESUS,
Utilização do modelo Holt-Winters para previsão das vendas de leite em um laticínio no oeste paranaense
Utilização do modelo Holt-Winters para previsão das vendas de leitm um laticínio no oeste paranaense Anariele Maria Minosso 1 Silvana Lígia Vincenzi Bortolotti 2 Katiane de Oliveira 3 1 Introdução A cadeia
TÉCNICA DE AMORTECIMENTO EXPONENCIAL SIMPLES COM TAXA DE RESPOSTA ADAPTATIVA: UMA REFLEXÃO A RESPEITO DO COMPORTAMENTO DO COEFICIENTE ALFA.
TÉCNICA DE AMORTECIMENTO EXPONENCIAL SIMPLES COM TAXA DE RESPOSTA ADAPTATIVA: UMA REFLEXÃO A RESPEITO DO COMPORTAMENTO DO COEFICIENTE ALFA. Robert Wayne Samohyl Professor do Programa de Pós-Graduação em
Planejamento e Controle da Produção I
Planejamento e Controle da Produção I Previsão de Demanda Prof. M.Sc. Gustavo Meireles 1 Introdução A previsão de demanda é a base para o planejamento da produção, vendas e finanças de qualquer empresa;
Administração. Previsão de Estoques. Professor Rafael Ravazolo.
Administração Previsão de Estoques Professor Rafael Ravazolo www.acasadoconcurseiro.com.br Administração Aula XX PREVISÃO DE ESTOQUES Cada aspecto do gerenciamento de materiais está voltado para fornecer
Análise de Séries Temporais
Análise de Séries Temporais Definições Uma série temporal é qualquer conjunto de observações ordenadas no tempo. Por exemplo: Valores diários de poluição na cidade de São Paulo; Valores mansais de temperatura
Análise de Séries Temporais
Análise de Séries Temporais Análise de Séries Temporais Definições Uma série temporal é qualquer conjunto de observações ordenadas no tempo. Por exemplo: Valores diários de poluição na cidade de São Paulo;
ANÁLISE DE SÉRIES TEMPORAIS
1 Definição e representação ANÁLISE DE SÉRIES TEMPORAIS Uma série temporal é um conjunto de observações tomadas em intervalos de tempo comumente iguais (ano a ano, mês a mês, semana a semana, etc.). Exemplos:
5 Referências bibliográficas
58 5 Referências bibliográficas BALLOU, Ronald H. Gerenciamento da Cadeia de Suprimentos/Logística Empresarial - 5ª edição. Porto Alegre: Bookman, 2006. KERKKÄNEN, A.; J. KORPELA; J. HUISKONEN. Demand
ANÁLISE DE TÉCNICAS DE PREVISÃO DE DEMANDA: UM ESTUDO DE CASO EM UMA CERÂMICA
João Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016 ANÁLISE DE TÉCNICAS DE PREVISÃO DE DEMANDA: UM ESTUDO DE CASO EM UMA CERÂMICA Gessica Mina Kim Jesus (UFU ) gessicamina2@gmailcom Janaina Maria da
PREVISÃO DA DEMANDA. Aula 10 e 11 e 12 - Regina Meyer Branski
PREVISÃO DA DEMANDA Aula 10 e 11 e 12 - Regina Meyer Branski Objetivos da aula Ao final os alunos devem ser capazes de implementar processo de previsão de demanda conhecendo: Modelos de Previsão Indicadores
Gestão de Stocks. Estudo realizado por: Dulce Varandas e Lídia Teixeira. Orientação:
Implementação de um Sistema de Gestão Empresarial (ERP) numa empresa do sector metalúrgico Gestão de Stocks Estudo realizado por: Orientação: Dulce Varandas e Lídia Teixeira Prof. Jorge Pinho de Sousa
RELATÓRIO DE PROJETO DE PESQUISA - CEPIC INICIAÇÃO CIENTÍFICA
FACULDADE SANTA RITA - FASAR CENTRO DE PESQUISA E INICIAÇÃO CIENTÍFICA - CEPIC PROJETOS DE PESQUISA RELATÓRIO DE PROJETO DE PESQUISA - CEPIC INICIAÇÃO CIENTÍFICA Ano: 2014 Semestre: 2 P R O J E T O D E
Aplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante
Aplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante Eduardo Campana Barbosa1 Carlos Henrique Osório Silva2 Resumo: Utilizou-se a metodologia Box & Jenkins para previsão da demanda
Disciplina: PCP II. Rodrigues, Roger Antônio. R696p PCP II / Roger Antônio Rodrigues slides : il. colors.
Disciplina: PCP II Rodrigues, Roger Antônio. R696p PCP II / Roger Antônio Rodrigues. 2015. 22 slides : il. colors. Varginha, Sistema requerido: Adobe Acrobat Reader Modo de Acesso: World Wide Web 1. Administração
Previsão de Demanda: Uma Análise quantitativa baseada em séries temporais de uma empresa fabricante de portas
Previsão de Demanda: Uma Análise quantitativa baseada em séries temporais de uma empresa fabricante de portas Edimar Nunes Dias, EPA, UNESPAR/Campus de Campo Mourão dias_edimar@hotmail.com Igor José do
Modelagem de séries temporais de demanda de energia elétrica da Universidade Federal de Lavras, correspondentes ao período de 1995 a 2013
Modelagem de séries temporais de demanda de energia elétrica da Universidade Federal de Lavras, correspondentes ao período de 1995 a 2013 Jair Rocha do Prado 1 Thelma Sáfadi 2 Joaquim Paulo da Silva 3
GESTÃO DA TECNOLOGIA DA INFORMAÇÃO DA PRODUÇÃO GTIP
Aula 05 GESTÃO DA TECNOLOGIA DA INFORMAÇÃO DA PRODUÇÃO GTIP Professora Ma. Vanessa da Silva Mata Gestão da demanda Objetivo do Modelo A primeira etapa consiste em definir a razão pela qual necessitamos
ORGANIZAÇÃO INDUSTRIAL PROFESSORA MAUREN POMALIS. ENG. ELÉTRICA - 8 PERÍODO UNIR/Porto Velho 2017/1
ORGANIZAÇÃO INDUSTRIAL PROFESSORA MAUREN POMALIS mauren.pomalis@unir.br ENG. ELÉTRICA - 8 PERÍODO UNIR/Porto Velho 2017/1 Aula 6 Técnicas de Previsão Previsão de demanda Em todas as áreas de atividade
Módulo 2 AVALIAÇÃO DA DEMANDA EM TRANSPORTES
Módulo 2 AVALIAÇÃO DA DEMANDA EM TRANSPORTES Conceitos Iniciais Prever é a arte e a ciência de predizer eventos futuros, utilizandose de dados históricos e sua projeção para o futuro, de fatores subjetivos
A análise de séries temporais é uma área da estatística dedicada ao estudo de dados orientados no tempo (MONTGOMERY, 2004).
3 Séries temporais A análise de séries temporais é uma área da estatística dedicada ao estudo de dados orientados no tempo (MONTGOMERY, 2004). 3.1. Princípios fundamentais Conforme Box et al. (1994), uma
PREVISÃO DA DEMANDA MILKA SOUSA DE MEDEIROS HTTPS://SITES.GOOGLE.COM/SITE/MMEDEIROSACADEMICO/
PREVISÃO DA DEMANDA MILKA SOUSA DE MEDEIROS MILKAMEDEIROS.AEB@GMAIL.COM HTTPS://SITES.GOOGLE.COM/SITE/MMEDEIROSACADEMICO/ INTRODUÇÃO Existem vários tipos de planejamentos, tratando de diversos assuntos,
IMPLEMENTAÇÃO DE UM MODELO DE PREVISÃO DE VENDAS NA DISTRIBUIÇÃO DE AÇOS ESPECIAIS
João Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016 IMPLEMENTAÇÃO DE UM MODELO DE PREVISÃO DE VENDAS NA DISTRIBUIÇÃO DE AÇOS ESPECIAIS Patricia Tais Tisott (UCS ) patriciatisott@gmailcom Gabriel Vidor
Aula 5 Previsão da Demanda Quinta-feira
Aula 5 Previsão da Demanda Quinta-feira Profa. Luciana Menezes Andrade luciana.menezes@kroton.com.br Desligue o celular ou coloque no silencioso; Não leia nem responda mensagens Atenção aos horários de
5 Estudo de Caso e Resultados
5 Estudo de Caso e Resultados 5.1. Introdução Finalizado o desenvolvimento da ferramenta, é indispensável testar suas funcionalidades e a eficácia da aplicação conjunta dos seus módulos de geração de experimentos
PREVISÃO ORÇAMENTÁRIA
PREVISÃO ORÇAMENTÁRIA O desenvolvimento do orçamento requer uma visão global e razoavelmente detalhada do futuro da empresa Costumamos descartar os outliers e os resultados adversos quando projetamos o
Previsão de demanda: Uma análise em uma empresa de equipamentos agrícolas
Previsão de demanda: Uma análise em uma empresa de equipamentos agrícolas Nayara Caroline da Silva Block, EPA, UNESPAR/Campus de Campo Mourão, naay_block@hotmail.com Gustavo Antônio Bombana, EPA, UNESPAR/Campus
Diagnóstico do processo de previsão de demanda em empresas do sul brasileiro
Diagnóstico do de demanda em empresas do sul brasileiro Rodrigo Gabriel de Miranda 1 (PPGEP/UFSC) rgabrieldemiranda@yahoo.com.br Vanina Macowski Durski Silva 2 (PPGEP/UFSC) - vaninadurski@gmail.com Juliano
PREVISÃO. Prever o que irá. acontecer. boas decisões com impacto no futuro. Informação disponível. -quantitativa: dados.
PREVISÃO O problema: usar a informação disponível para tomar boas decisões com impacto no futuro Informação disponível -qualitativa Prever o que irá acontecer -quantitativa: dados t DEI/FCTUC/PGP/00 1
Relatório do Seminário Data Mining em Séries Temporais
Universidade Federal de Santa Catarina Disciplina: INE5644 - Data Mining Professor: Luiz Otavio Alvares Alunos: Anderson Zapello Giovani Milanez Jean Pacher João Paulo Raittes Relatório do Seminário Data
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL ESCOLA DE ENGENHARIA DEPARTAMENTO DE ENGENHARIA DE PRODUÇÃO E TRANSPORTES
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL ESCOLA DE ENGENHARIA DEPARTAMENTO DE ENGENHARIA DE PRODUÇÃO E TRANSPORTES Conteúdos dos tópicos das provas de seleção para o mestrado acadêmico 2005 I. TÓPICOS
Aplicação da análise de regressão na contabilidade do custo de produção do milho
Aplicação da análise de regressão na contabilidade do custo de produção do milho Janser Moura Pereira 1 Quintiliano Siqueira Schroden Nomelini 1 Andréa Clélia da Rocha Moura 2 Nathane Eva dos Santos Peixoto
Conceito de ERP Vantagens e desvantagens do ERP Conceito de MRP Planejamento mestre da produção PMP
Objetivos desta apresentação Planejamento de Recursos Aula 09 parte 1 Mauro Osaki Conceito de ERP Vantagens e desvantagens do ERP Conceito de Planejamento mestre da PMP TES/ESALQ-USP Pesquisador do Centro
Prof. Wendell Léo. Gestão de Estoques Previsão de Estoques.
Prof. Wendell Léo Gestão de Estoques Previsão de Estoques w.castellano@ig.com.br Previsão de Estoques Gráficos de Evolução de Consumo Evolução de Consumo Horizontal 48) O modelo de evolução horizontal
Previsão de Demanda: Aplicação da técnica de ajustamento exponencial com tendência em uma empresa de montagem de equipamentos para beleza
Previsão de Demanda: Aplicação da técnica de ajustamento exponencial com tendência em uma empresa de montagem de equipamentos para beleza João Lucas Ferreira dos Santos, EPA, UNESPAR/Campus de Campo Mourão,
i j i i Y X X X i j i i i
Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida do grau de ligação entre duas variáveis Usos Regressão
Previsão de Séries Temporais utilizando Métodos Estatísticos
Previsão de Séries Temporais utilizando Métodos Estatísticos Elisângela Lopes de Faria (a) Marcelo Portes Albuquerque (a) Jorge Luis González Alfonso (b) Márcio Portes Albuquerque (a) José Thadeu Pinto
AULA 09 Regressão. Ernesto F. L. Amaral. 17 de setembro de 2012
1 AULA 09 Regressão Ernesto F. L. Amaral 17 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução à
Aula Nº 3 Métodos Quantitativos de Previsão de Demanda
Aula Nº 3 Métodos Quantitativos de Previsão de Demanda Objetivos da aula: Você já aprendeu quais são os requisitos básicos para o abastecimento da empresa, bem como os tipos de informação necessários para
PREVISÃO DA DEMANDA: UMA APLICAÇÃO DO MÉTODO HOLT WINTERS EM UMA INDÚSTRIA TÊXTIL DE GRANDE PORTE
PREVISÃO DA DEMANDA: UMA APLICAÇÃO DO MÉTODO HOLT WINTERS EM UMA INDÚSTRIA TÊXTIL DE GRANDE PORTE Diego Milnitz (UFSC) dmilnitz@bol.com.br Jamur Johnas Marchi (UFSC/UNIPAM) jamur.marchi@unipampa.edu.br
ANÁLISE COMPARATIVA ENTRE MODELOS DE DECOMPOSIÇÃO DE SÉRIES TEMPORAIS EM UMA PEQUENA EMPRESA DE CAJUÍNA EM TERESINA, PIAUI.
ANÁLISE COMPARATIVA ENTRE MODELOS DE DECOMPOSIÇÃO DE SÉRIES TEMPORAIS EM UMA PEQUENA EMPRESA DE CAJUÍNA EM TERESINA, PIAUI. Patricia Layana de Lima Mourao (UFPI) patriciallm01@hotmail.com Arthur Pereira
Aplicação de previsão de demanda de produtos junto a uma microempresa alimentícia: Estudo de caso
Aplicação de previsão de demanda de produtos junto a uma microempresa alimentícia: Estudo de caso Cynthia Quaresma da Silva (UNASP-EC) cynthia_quaresma@hotmail.com Maria Edvania Santos Viana (UNASP-EC)
Universidade de São Paulo. Faculdade de Economia, Administração e Contabilidade Departamento de Contabilidade e Atuária EAC FEA - USP
Universidade de São Paulo Faculdade de Economia, Administração e Contabilidade Departamento de Contabilidade e Atuária EAC FEA - USP AULA 10 Supply Chain Management (SCM) Prof. Dr. Joshua Onome Imoniana
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica. Regressão. David Menotti.
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Regressão David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Regressão Linear ( e Múltipla ) Não-Linear ( Exponencial / Logística
PROPOSTA DE PLANEJAMENTO AGREGADO DE PRODUÇÃO EM UMA COOPERATIVA DE LATICÍNIO
PROPOSTA DE PLANEJAMENTO AGREGADO DE PRODUÇÃO EM UMA COOPERATIVA DE LATICÍNIO Débora Alves Coelho, Universidade Federal de Goiás, debora-alves.8@hotmail.com Vanessa Aparecida de Oliveira Rosa, Universidade
Previsões estatísticas de área plantada e colhida do grão de trigo no Estado do Paraná
Previsões estatísticas de área plantada e colhida do grão de trigo no Estado do Paraná Carolina Deina (UTFPR) caroldeina@gmail.com Carla Adriana Pizarro Schmidt (UTFPR) carlaschmidt@utfpr.edu.br Flavio
Metodologia de Box-Jenkins. Metodologia de Box-Jenkins. Metodologia de Box-Jenkins
Programa de Pós-graduação em Engenharia de Produção Análise de séries temporais: Modelos de Box-Jenkins Profa. Dra. Liane Werner Metodologia de Box-Jenkins Para os modelos de decomposição e os modelos
Módulo 4 Ajuste de Curvas
Módulo 4 Ajuste de Curvas 4.1 Intr odução Em matemática e estatística aplicada existem muitas situações onde conhecemos uma tabela de pontos (x; y), com y obtido experimentalmente e deseja se obter uma
Decisões de Compras e de Programação dos Suprimentos. Administração de Logística e da Cadeia de Suprimentos
Decisões de Compras e de Programação dos Suprimentos Administração de Logística e da Cadeia de Suprimentos 1 Programa Importância das compras Estratégias de Compras Métodos Quantitativos e Momento dos
APLICAÇÃO DO MODELO DO LOTE ECONÔMICO DE COMPRAS VISANDO À REDUÇÃO DE CUSTOS EM UM ARMAZEM DE UMA EMPRESA DE MATERIAL DE CONSTRUÇÃO
APLICAÇÃO DO MODELO DO LOTE ECONÔMICO DE COMPRAS VISANDO À REDUÇÃO DE CUSTOS EM UM ARMAZEM DE UMA EMPRESA DE MATERIAL DE CONSTRUÇÃO CARNEIRO, Pedro Henriquewebster 1 ; SILVA, Bruno Pereira Vieira 2 ; PEREIRA,
Análise e previsão das taxas da população ocupada em Fortaleza, Ceará, de setembro de 1991 a dezembro de 2008
Análise e previsão das taxas da população ocupada em Fortaleza, Ceará, de setembro de 1991 a dezembro de 2008 Daniela Bandeira, Paulo Germano, Filipe Formiga e Jeremias Leão Universidade Federal do Piauí
Análise comparativa entre métodos estatístico e rede neural aplicados em séries temporais
Análise comparativa entre métodos estatístico e rede neural aplicados em séries temporais Ana Paula de Sousa José Elmo de Menezes Introdução As formas funcionais dos modelos de previsão das redes neurais
GESTÃO DA PRODUÇÃO LOGÍSTICA. Logística Integrada
GESTÃO DA PRODUÇÃO LOGÍSTICA Objetivos Compreender: O que é ; A importância da informação para a Logística Integrada; A interação das demais áreas à Logística; Previsão da demanda; Planejamento da produção;
CS&OP Certified Sales and Operations Planning Professional
O Workshop de S&OP Em mercados competitivos o profissional que dominar o processo de S&OP possuirá grande diferencial estratégico e vantagem competitiva no ambiente de negócios. Neste cenário onde os clientes
Modelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais
Modelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais João Eduardo da Silva Pereira (UFSM) jesp@smail.ufsm.br Tânia Maria Frighetto (UFSM) jesp@smail.ufsm.br
Palavras-chaves: Indústria de bebidas, MRP, Controle de estoque
XXX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO Maturidade e desafios da Engenharia de Produção: competitividade das empresas, condições de trabalho, meio ambiente. São Carlos, SP, Brasil, 12 a15 de outubro
UNIVERSIDADE FEDERAL DO CEARÁ FACULDADE DE ECONOMIA, ADMINISTRAÇÃO, ATUÁRIA, CONTABILIDADE E SECRETARIADO DEPARTAMENTO DE ADMINISTRAÇÃO
UNIVERSIDADE FEDERAL DO CEARÁ FACULDADE DE ECONOMIA, ADMINISTRAÇÃO, ATUÁRIA, CONTABILIDADE E SECRETARIADO DEPARTAMENTO DE ADMINISTRAÇÃO TÉCNICAS BÁSICAS DE PREVISÃO ORÇAMENTÁRIAS Prof. Isidro Abr/2010
Gráficos de Controle (X, R, S, CUSUM e EWMA)
Gráficos de Controle (X, R, S, CUSUM e EWMA) Alunos: Ahyalla Riceli Anderson Elias Professor: Paulo Maciel Ricardo Massa Roteiro Introdução Gráficos de Controle CEP Controle Estatístico de Processo Gráfico
Análise do volume útil do reservatório de Furnas via modelos de séries temporais
Análise do volume útil do reservatório de Furnas via modelos de séries temporais Cristina Henriques Nogueira 1 3 Thelma Sáfadi 2 1 Introdução A energia elétrica é, sem dúvida, um recurso indispensável
LISTA DE EXERCÍCIOS 3 INE 7001 PROF. MARCELO MENEZES REIS ANÁLISE DE SÉRIES TEMPORAIS
LISTA DE EXERCÍCIOS 3 INE 7001 PROF. MARCELO MENEZES REIS ANÁLISE DE SÉRIES TEMPORAIS 1) A que componentes de uma série temporal (pelo modelo clássico) estariam principalmente associados cada um dos seguintes
i j i i Y X X X i j 1 i 2 i i
Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida do grau de ligação entre duas variáveis Usos Regressão
Análise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
APLICAÇÃO DE MÉTODOS DE PREVISÃO DE DEMANDA E GESTÃO DE ESTOQUE EM UM PRODUTO DE UM SUPERMERCADO NA CIDADE DE MARABÁ-PA
APLICAÇÃO DE MÉTODOS DE PREVISÃO DE DEMANDA E GESTÃO DE ESTOQUE EM UM PRODUTO DE UM SUPERMERCADO NA CIDADE DE MARABÁ-PA Tiago Silva Dos Santos (UEPA) tiago.tiagosilva.silva8@gmail.com Lucas Fialho Alves
Séries Temporais Tendência e sazonalidade.
Séries Temporais Tendência e sazonalidade. Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio.ufpr@gmail.com Agosto de 2015 DECOMPOSIÇÃO
XVI SEMEAD Seminários em Administração
XVI SEMEAD Seminários em Administração outubro de 2013 ISSN 2177-3866 Gestão de estoques para peças de reposição de baixo consumo em empresa do setor Bioenergético Sucroalcooleiro JORGE LUIZ DE BIAZZI
MBA EM GESTÃO COMERCIAL
Módulo: Projeção de Vendas Aula 3: Quantitativos Sazonalidade/Tendência, Média Móvel e Suavização 2015 by Ibramerc. This work is licensed under the Creative Commons. If you want to use or share, you must
Ajuste de modelos de séries temporais para pressão atmosférica de Uberlândia
Ajuste de modelos de séries temporais para pressão atmosférica de Uberlândia Valiana Alves Teodoro Mirian Fernandes Carvalho Araújo Lúcio Borges de Araújo Introdução Na comercialização de produtos originados
SIMULADO (Inédita) Considere o seguinte histórico de consumo de resmas de A4 pelo Órgão X:
SIMULADO 02 1. (Inédita) Considere o seguinte histórico de consumo de resmas de A4 pelo Órgão X: Mês Consumo Novembro 450 Dezembro 420 Janeiro 410 Fevereiro 550 Março 480 A previsão de consumo para abril,
4 Análise da Volatilidade
4 Análise da Volatilidade 4.1 Metodologia da Regressão Uni-variada Esse estudo utilizou a volatilidade histórica dos ativos para descrever uma relação com a volatilidade futura por uma regressão uni-variada.
Prof. Dr. Lucas Barboza Sarno da Silva
Prof. Dr. Lucas Barboza Sarno da Silva Medidas de grandezas físicas Valor numérico e sua incerteza, unidades apropriadas Exemplos: - Velocidade (10,02 0,04) m/s - Tempo (2,003 0,001) µs - Temperatura (273,3
ANÁLISE COMPARATIVA ENTRE MÉTODOS DE PREVISÃO DE DEMANDA - UM ESTUDO APLICADO A INDÚSTRIA DE GÁS NATURAL NO BRASIL
João Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016 ANÁLISE COMPARATIVA ENTRE MÉTODOS DE PREVISÃO DE DEMANDA - UM ESTUDO APLICADO A INDÚSTRIA DE GÁS NATURAL NO BRASIL Thiago Costa Carvalho (UFERSA )
GESTÃO DA CADEIA DE SUPRIMENTOS MÉTODOS DE PREVISÃO DE DEMANDA
GESTÃO DA CADEIA DE SUPRIMENTOS MÉTODOS DE PREVISÃO DE DEMANDA Prof. Dr. Daniel Caetano 2016-1 Objetivos Entender a importância da previsão de demanda Conhecer os diferentes tipos de previsão de demanda
3 Técnicas de Previsão de Séries Temporais 3.1. Introdução
3 Técnicas de Previsão de Séries Temporais 3.1. Introdução A previsão de séries temporais é um problema prático de extrema importância, presente em diversas áreas: economia, indústria, serviços, previsão
Modelagem do preço da soja utilizando a metodologia de análise de séries temporais 1
Modelagem do preço da soja utilizando a metodologia de análise de séries temporais 1 Jair Wyzykowski 2 Maíra Rodrigues Villamagna 3 Thelma Sáfadi 4 Augusto Ramalho de Morais 5 1 Introdução Uma série é
6. Aplicação à Séries de Velocidade do Vento
9. Aplicação à Séries de Velocidade do Vento A geração eólica de energia elétrica vem sendo explorada com mais intensidade desde e para este tipo de geração, a principal variável a ser estudada é a velocidade
Análise da série temporal do desemprego em regiões metropolitanas do Brasil
Análise da série temporal do desemprego em regiões metropolitanas do Brasil Érica Fernanda da Cruz 1 3 Tamara Aparecida Nogueira dos Anjos 2 Thelma Sáfadi 2 1 Introdução O desemprego no Brasil é uma constante
Introdução. São duas técnicas estreitamente relacionadas, que visa estimar uma relação que possa existir entre duas variáveis na população.
UNIVERSIDADE FEDERAL DA PARAÍBA Correlação e Regressão Luiz Medeiros de Araujo Lima Filho Departamento de Estatística Introdução São duas técnicas estreitamente relacionadas, que visa estimar uma relação
AJUSTE DE UM MODELO DE SÉRIES TEMPORAIS PARA PREVISÃO DA TEMPERATURA MÍNIMA DO AR PARA LAVRAS/MG EM 2011
AJUSTE DE UM MODELO DE SÉRIES TEMPORAIS PARA PREVISÃO DA TEMPERATURA MÍNIMA DO AR PARA LAVRAS/MG EM 2011 LUIZ G. CARVALHO 1, CAMILA C. ALVARENGA 2 DANIELA C. RODRIGUES 3 1 Eng. Agrícola, Prof. Adjunto,
Wconsulting Garantia de excelência nos projetos desenvolvidos!
A utilização do método de análise e solução de problemas O MASP é uma excelente ferramenta utilizada para análise e solução de problemas. Permite identificar de forma assertiva as causas de um determinado
Análise e Previsão de Séries Temporais Aula 2: Introdução às séries temporais. Eraylson Galdino
Análise e Previsão de Séries Temporais Aula 2: Introdução às séries temporais egs@cin.ufpe.br Análise e Previsão de Séries Temporais Aula 1 Agenda Resumo da Aula anterior; Estimação e eliminação dos componentes
APLICAÇÃO DE TÉCNICAS DE PREVISÃO DE DEMANDA E PLANEJAMENTO AGREGADO EM UMA EMPRESA DE ALIMENTOS EM CASTANHAL - PA
APLICAÇÃO DE TÉCNICAS DE PREVISÃO DE DEMANDA E PLANEJAMENTO AGREGADO EM UMA EMPRESA DE ALIMENTOS EM CASTANHAL - PA Matheus Azevedo Marchiori (UEPA) matheusmarchiori@hotmail.com Joao Mateus Guara Reis (UEPA)
Análise de Regressão
Análise de Regressão Tópicos em Avaliação de Desempenho de Sistemas Aline Oliveira Camila Araujo Iure Fé Janailda aso2@cin.ufpe.br cga2@cin.ufpe.br isf2@cin.ufpe.br jbs4@cin.ufpe.br Agenda Parte I: Contextualização
MRP - Material Requirement Planning
MRP e MRP II Introdução MRP e MRP II são estratégias de integração incremental de informações de processos de negócio que são implementados utilizando computadores e aplicações modulares de software conectadas
ANÁLISE DE PREVISÃO DE DEMANDA DE COMPONENTES PARA MÁQUINAS AGRÍCOLAS
! "#$ " %'&)(*&)+,.- /10.2*&4365879&4/1:.+58;.2*=?5.@A2*3B;.- C)D 5.,.5FE)5.G.+ &4- (IHJ&?,.+ /?=)5.KA:.+5MLN&OHJ5F&4E)2*EOHJ&)(IHJ/)G.- D - ;./);.& ANÁLISE DE PREVISÃO DE DEMANDA DE COMPONENTES PARA
5 Estruturação do Problema
67 5 Estruturação do Problema Neste capítulo, será modelado matematicamente o problema de encontrar um plano desagregado ótimo de produção. Isso significa unificar todas as informações relevantes para
Ajuste sazonal das séries trimestrais. Diretoria de Pesquisa Coordenação de Contas Nacionais
Ajuste sazonal das séries trimestrais Diretoria de Pesquisa Coordenação de Contas Nacionais A série encadeada original O componente sazonal A tendência (trend cycle) A série encadeada com ajuste sazonal
PREVISÃO DE DEMANDA INTERMITENTE ATRAVÉS DO ALGORITMO DE AGREGAÇÃO MÚLTIPLA E MÉTODOS CROSTON EM UMA INDÚSTRIA DE SISTEMAS DE REFRIGERAÇÃO
PREVISÃO DE DEMANDA INTERMITENTE ATRAVÉS DO ALGORITMO DE AGREGAÇÃO MÚLTIPLA E MÉTODOS CROSTON EM UMA INDÚSTRIA DE SISTEMAS DE REFRIGERAÇÃO Camila Corrêa (UDESC) camilacorrea1209@gmail.com A. René Santa
Delineamento e Análise Experimental Aula 4
Aula 4 Castro Soares de Oliveira ANOVA Significativa Quando a aplicação da análise de variância conduz à rejeição da hipótese nula, temos evidência de que existem diferenças entre as médias populacionais.
Regressões: Simples e MúltiplaM. Prof. Dr. Luiz Paulo Fávero 1
Regressões: Simples e MúltiplaM Prof. Dr. Luiz Paulo FáveroF Prof. Dr. Luiz Paulo Fávero 1 1 Técnicas de Dependência Análise de Objetivos 1. Investigação de dependências entre variáveis. 2. Avaliação da
GESTÃO DE PROCESSOS PROCESS MANAGEMENT RESUMO
GESTÃO DE PROCESSOS PROCESS MANAGEMENT Ana Luiza de Oliveira - aninha_oliveira3179@hotmail.com Suellem Taynara Farias Marques caparrozsuellem@gmail.com Hugo ScagliaTorquetti hugo.torquetti@gmail.com Graduando
Comparação entre modelos de previsão de demanda: estudo de caso de um restaurante de comida japonesa
Comparação entre modelos de previsão de demanda: estudo de caso de um restaurante de comida japonesa Anderson Barboza da Cruz Faculdade Machado Sobrinho (FMS), Juiz de Fora, MG, Brasil cruz.andersom@gmail.com
PPCP: Um estudo de caso em uma micro empresa de alimentos Artigo de Iniciação Científica
PPCP: Um estudo de caso em uma micro empresa de alimentos Artigo de Iniciação Científica Carlos Augusto Dal Bosco carlosaugustodb @hotmail.com João Paulo Cechinel jp.cechinel@hot mail.com Reinaldo F. Guerra
Regressão linear simples
Regressão linear simples Universidade Estadual de Santa Cruz Ivan Bezerra Allaman Introdução Foi visto na aula anterior que o coeficiente de correlação de Pearson é utilizado para mensurar o grau de associação
Dimensionamento de estoques em ambiente de demanda intermitente (Parte I)
Dimensionamento de estoques em ambiente de demanda intermitente (Parte I) Roberto Ramos de Morais Engenheiro mecânico pela FEI, mestre em Engenharia de Produção e doutorando em Engenharia Naval pela Escola
Séries Temporais para previsão de demanda: Estudo de caso em um açougue. Time Series for Demand Forecasting: Case Study in a butcher shop
Séries Temporais para previsão de demanda: Estudo de caso em um açougue Gabriela Gonzaga Marcelo de Oliveira (Centro Universitário de Itajubá - FEPI) gabrigonzaga@hotmail.com Alexandre Fonseca Torres (Centro
PREVISÃO DE DEMANDA PARA UMA MICROEMPRESA DE COMÉRCIO E ANÁLISE DOS IMPACTOS FINANCEIROS
XXX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO Maturidade e desafios da Engenharia de Produção: competitividade das empresas, condições de trabalho, meio ambiente. São Carlos, SP, Brasil, 12 a15 de outubro
7. Gerenciamento dos Custos do Projeto. Bruno Hott
7. Gerenciamento dos Custos do Projeto Bruno Hott 7. Gerenciamento dos Custos do Projeto Introdução O gerenciamento dos custos do projeto inclui os processos envolvidos em planejamento, estimativas, orçamentos,
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE GOIÁS ESCOLA DE ENGENHARIA ENGENHARIA DE PRODUÇÃO
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE GOIÁS ESCOLA DE ENGENHARIA ENGENHARIA DE PRODUÇÃO Lista de exercícios para a prova 2 Grupo teórico: 1) Comente três razões para se gerenciar a demanda 2) Defina tendência
Lucas Abreu Roberta Cruz
Lucas Abreu Roberta Cruz O orçamento de produção é uma estimativa de bens que devem ser fabricados durante o exercício orçamentário. Compreende o estabelecimento de políticas em relação ao níveis de produção