DESENVOLVIMENTO DE UM MODELO DE PREVISÃO DA DEMANDA EM UMA EMPRESA MOVELEIRA DE PEQUENO PORTE.

Transcrição

1 DESENVOLVIMENTO DE UM MODELO DE PREVISÃO DA DEMANDA EM UMA EMPRESA MOVELEIRA DE PEQUENO PORTE. José de Souza Rodrigues (UNESP) Marco Antonio Argenton (UNESP) Wallace Prudenciato (UNESP) Este artigo apresenta um modelo de previsão de demanda para uma pequena empresa do setor moveleiro, tornando possível a melhoria do gerenciamento de estoque e controle e planejamento de produção por meio da adoção do sistema de previsão de vendas desenvolvido. A proposição e construção do modelo partiram das necessidades percebidas pela empresa de aumentar o horizonte de vendas e com isso tornar mais eficiente seu sistema de gerenciamento da produção para fazer frente ao seu crescimento, expresso por volumes sempre crescentes de produção. Considerando as necessidades gerenciais e as características da empresa, um pequeno empreendimento industrial, foi desenvolvido um modelo simples que atendesse as necessidades. O objetivo principal do trabalho foi desenvolver um sistema de previsão de demanda que suprisse a falta de previsões existentes e através das previsões aperfeiçoar o planejamento da produção e o processo de aquisição de materiais. A pesquisa se apoiou em uma revisão da literatura para delinear os principais tópicos pertinentes ao objetivo O modelo desenvolvido contempla os impactos causados pelas oscilações de vendas e permitirá uma visualização ampla da programação de produção e consequentemente do consumo de materiais. O cenário criado mediante as previsões de vendas é facilmente corrigido mediante aos resultados reais, possibilitando assim informações mais precisas aos setores envolvidos. O método foi implementado e os resultados foram: grande aderência da previsão aos resultados reais, alinhamento dos valores de compra ao consumo de materiais, diminuição dos valores de compra e número de pedidos e diminuição de estoques de materiais e insumos. Palavras-chaves: Previsão, planejamento e demanda

2 1. Introdução A previsão é recurso administrativo importante para o planejamento, pois este é feito considerando-se cenários futuros prováveis, para os quais são feitas estimativas do comportamento das principais variáveis que podem afetá-lo. Não se pode fazer nada sem alguma forma de estimativa (ARNOLD, 2006). Estimar a demanda futura de bens e serviços é condição essencial para o planejamento das necessidades de recursos produtivos, financeiros e de materiais necessários para a produção deles (GONÇALVES, 2004). A pesquisa aqui apresentada foi elaborada com o objetivo de montar uma estrutura de planejamento da produção em uma empresa do setor moveleiro, na qual não havia uma sistemática formal para tal. Apoiada em técnicas tradicionais de previsão e por simulações, utilizando dados reais da empresa, determinou-se o método a ser utilizado. O tema previsão de demanda foi escolhido por ter sido identificado como o principal obstáculo a ser vencido para se propor e implantar o sistema de planejamento da produção, visto que um dos fatores chaves no processo de planejamento é a capacidade de prever a demanda de produtos para o período de planejamento seguinte (ano), bem como encontrar um elemento norteador da previsão, ou seja, uma variável cujo comportamento é semelhante ao de venda e de consumo de insumos na produção. Durante a pesquisa percebeu-se que além de contribuir para o planejamento da produção, a previsão ajudava no planejamento das necessidades de recursos financeiros, melhorando a qualidade do processo decisório da empresa. 2. Previsão de demanda Os sistemas de comercialização estruturados segundo o modelo make-to-order (MTO) não podem começar a fabricar um produto antes que o consumidor faça o pedido, mas devem ter os recursos de trabalho e de equipamentos disponíveis para suprir a demanda. A previsão da demanda é base para o planejamento estratégico da produção, vendas e finanças de qualquer empresa e, segundo Dias (2006) a previsão é o ponto de partida de todo planejamento empresarial. Com o planejamento as empresas podem desenvolver os planos de capacidade, de fluxo de caixa, de vendas, de produção e estoques, de mão-de-obra, de compras etc (TUBINO, 2007). Segundo Arnold (2006, p ), as previsões têm quatro princípios fundamentais. - As previsões geralmente estão erradas. Tentam olhar o futuro desconhecido e, a não ser por pura sorte, erram em alguma medida. Os erros são inevitáveis e devem ser esperados. - Cada previsão deve incluir uma estimativa de erro. Como já se espera que as previsões dêem errado, a verdadeira pergunta é, em quanto? - As previsões são mais precisas para famílias e grupos do que quando abrimos para itens individuais. - As previsões são mais precisas para períodos de tempo mais próximos. Assim prever a necessidade do próximo mês é mais seguro do que estimar a do ano seguinte. 2

3 A definição da técnica de previsão que melhor se adapte a uma situação especifica é apenas um dos passos do modelo de previsão, porém, sem dúvida, o mais importante. Existe uma série de técnicas disponíveis, com diferenças substanciais entre elas, contudo, antes de se apresentarem as principais (TUBINO, 2007). As características gerais que normalmente estão presentes em todas as técnicas de previsão podem ser assim resumidas: - Supõe-se que as causas que influenciaram a demanda passada continuarão a agir no futuro; - As previsões não são perfeitas, pois não se é capaz de prever todas as variações aleatórias que ocorrerão; - A acuracidade das previsões diminui com o aumento do período de tempo; - A previsão para grupos de produtos é mais precisa do que para os produtos individualmente, visto que no grupo os erros individuais de previsão se minimizam. Há vários métodos de previsão, mas eles podem geralmente ser classificados em três categorias: qualitativos, extrínsecos e intrínsecos. As técnicas qualitativas são projeções baseadas no discernimento, na intuição e em opiniões informadas. Por sua natureza, são subjetivas. Essas técnicas são utilizadas para prever tendências gerais dos negócios e a demanda potencial de grandes famílias de produtos para um período prolongado de tempo. As técnicas extrínsecas baseiam-se em indicadores externos (extrínsecos) relacionados à demanda dos produtos de uma empresa. Exemplos desses dados são os inícios de construções, as taxas de nascimento e a renda disponível. A teoria subjacente é que a demanda de um grupo de produtos ou é indiretamente proporcional às atividades em outro campo, ou é relacionada a elas. As técnicas intrínsecas de previsão utilizam dados históricos. Esses dados são geralmente registrados na empresa e estão prontamente disponíveis. Entre as diversas técnicas podem ser destacadas: média móvel, média móvel ponderada, suavização exponencial, sazonalidade e regressão linear Média móvel A palavra móvel significa movimento, visto que a tomada de valores para o cálculo de média varia em função do tempo. Considerando a estimativa de demanda para o próximo mês seja a média móvel aritmética trimestral, ou seja, vamos considerar que a demanda se baseará no consumo médio do último trimestre. Essa técnica considera que, ligeiras tendências serão relativamente pequenas e com isso terão pouca influência no calculo do valor projetado. Para a demonstração, vamos criar uma situação hipotética onde uma determinada empresa teve como resultados do ano anterior os seguintes números descritos na tabela 1: Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez Vendas Tabela 1 Resultados de vendas Utilizando os dados descritos acima, a previsão para o próximo período seria de 116 unidades, ou seja, ( ) =116 3 unidades 3

4 Quanto maior o número de períodos utilizados para calcular a média simples, menor a sensibilidade do modelo às variações recentes da demanda, ou seja, caso a demanda se eleve rapidamente o modelo não irá refletir este comportamento e tenderá levar os gestores a subestimarem os valores a serem produzidos. Por outro lado, se houver uma queda acentuada da demanda no curto prazo, os gestores demorarão em reduzir o ritmo de produção, gerando estoques além do necessário Média ponderada Com o objetivo de refletir o comportamento da demanda mais recente sobre a média atribuise pesos aos meses que compõem a média, associando os maiores pesos aos meses mais recentes. Para o cálculo da média ponderada vamos utilizar os mesmos dados contidos na tabela 1. Podemos perceber que a série nos demonstra uma tendência ascendente, o que isso significa? Se aplicarmos a técnica da média móvel vista anteriormente poderemos ter uma distorção por não levarmos em consideração à tendência. Exemplo: Média ponderada: ((122x3) + (116x2) + (110x1)) = 118 unidades Suavização exponencial Segundo Arnold (2006), a suavização exponencial fornece um método rotineiro para atualização regular de previsões de itens. Funciona muito bem quando se está lidando com itens estáveis. Em geral, tem sido considerado satisfatório em previsões de curto prazo. Essa técnica não é satisfatória quando a demanda é baixa ou intermitente. A suavização exponencial detectara tendências, embora a previsão fique para trás em relação à demanda real se existir uma tendência definida. Neste método, a previsão é obtida de acordo com a ponderação dada ao último período. Ele procura fazer a eliminação das situações exageradas que ocorreram em períodos anteriores. É simples de usar e necessita de poucos dados acumulados sendo auto-adaptável, corrigindo-se constantemente de acordo com as mudanças dos volumes das vendas. A ponderação utilizada é denominada constante de suavização exponencial que tem o símbolo α e pode variar de 0<α<1. Na prática adota-se α variando de 0,1 a 0,3 dependendo dos fatores que afetam a demanda. A expressão para este método é: P = Ra x α + (1-α) x Pa - Ra = Consumo real no período anterior - Pa = Previsão do período anterior - α = Constante de suavização exponencial Exemplo: A demanda antiga para maio era de 220 e a demanda real para o mesmo mês foi de 190. Se alfa (α) tem valor de 0,15, calculem a previsão para junho. Se a demanda de junho for de 218, calcule a previsão para julho. Previsão para junho = (0,15 x 190) + (1 0,15) x 220 = 215,5 Previsão para julho = (0,15 x 218) + (1 0,15) x 215,5 = 215,9 4

5 Existe um problema em selecionar o melhor fator alfa. Se for utilizado um fator baixo como 0,1, a previsão antiga terá um peso grande e as tendências móveis não serão percebidas tão rapidamente quanto seria desejável. Se um fator maior como 0,4 for utilizado, a previsão reagira prontamente às mudanças na demanda e será errada se houver uma flutuação aleatória considerável Sazonalidade Para Tubino (2006), a sazonalidade caracteriza-se pela ocorrência de variações, para cima e para baixo, a intervalos regulares nas series temporais da demanda. Deve existir uma razão plausível para a ocorrência, e posterior repetição, dessas variações. Conforme Gonçalves (2004) são considerados fenômenos sazonais aqueles que ocorrem regularmente de ano para ano, como, por exemplo, um aumento no consumo de um determinado produto em certo período. A sazonalidade está associada a variações climáticas, eventos e convenções sociais, por exemplo, páscoa, natal, dia das mães, etc Técnicas para previsão da sazonalidade A forma mais simples de considerar a sazonalidade nas previsões da demanda consiste em empregar o último dado da demanda, no período sazonal em questão, e assumí-lo como previsão. Porém, a forma mais usual de inclusão da sazonalidade nas previsões da demanda consiste em obter o índice de sazonalidade para os diversos períodos, empregando a média móvel centrada, e aplica-los sobre o valor médio (ou tendência) previsto para em questão Sazonalidade simples No caso da sazonalidade simples, a técnica de previsão consiste em obter o índice de sazonalidade para cada um dos períodos da série e aplica-los em cima da previsão da média em cada um desses períodos. Neste caso, o ciclo de sazonalidade é de três períodos. Na tabela 3, a média móvel centrada para o período 2 e seu respectivo índice de sazonalidade foram obtidas da tabela 2. Índice de Sazonalidade Período Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez Média Demanda Real MMC IS 0,0000 0,9163 1,0456 1,1673 0,8359 1,2358 0,9061 0,9533 1,1723 0,8268 0,9669 0,0000 Tabela 2 Dados de exemplo para aplicação de índice de sazonalidade A demanda média, de 362, para essa série de dados foi obtida a partir de uma média de valores levantados para as médias móveis centradas. Como se têm dois índices para os períodos de sazonalidade com exceção dos períodos 3 e 4, o cálculo do índice de sazonalidade para esses períodos do ciclo é obtido a partir da média dos índices encontrados, conforme apresentado na tabela 3. Nesse caso, o índice médio do primeiro período sazonal foi calculado conforme demonstrado abaixo, sendo os índices para o 1,2 e 3 trimestres de 0,9182, 1,1512 e 0,9667, respectivamente. IS1 = (0, , , ,9669) = 0,

6 Obtidos os índices de sazonalidade para os nove períodos do ciclo sazonal da série, a previsão da demanda com sazonalidade simples consiste em reaplicar o índice sazonal do período a ser previsto sobre a demanda média, conforme apresentado na tabela 3 para os dados estudados até o momento. Sazonalidade Simples Período Demanda Média IS Demanda Prevista Demanda Real Erro , , , , , , , , , , , , Tabela 3 Cálculo da previsão da demanda aplicando a sazonalidade simples Modelo de previsão baseado no método de ajuste linear Esse método, conhecido como análise de regressão, é uma técnica de modelagem para análise da relação entre uma variável chamada de dependente e uma ou mais variáveis denominadas independentes. O objetivo dessa técnica é identificar uma função que melhor descreva a relação entre essas variáveis, de tal modo que, conhecendo os valores das variáveis independentes, seja possível, mediante modelagem, projetar o valor da variável dependente. Aplicando índices de sazonalidade ao resultado do ajuste linear considerando períodos de três meses e ajustando a previsão para um crescimento de 10%, tem-se a tabela 4. Média Móvel Indíce de Previsão Previsão Previsão Centrada Sazonalidade (Sazonal) (Corrigida) , , , , , , , , , , Tabela 4 Aplicação de índices de sazonalidade Modelo aditivo e multiplicativo Vamos considerar o conjunto de dados históricos apresentados na tabela 5. 6

7 Trimestre Ano 1 Ano 2 Ano 3 Ano Tabela 5 Dados históricos Os terceiros trimestres de cada ano mostram uma queda de consumo ao contrário dos primeiros trimestres onde há um acentuado aumento de consumo Modelo aditivo No modelo aditivo, a técnica se resume a calcular a média trimestral em cada ano e, então, determinar as diferenças do consumo trimestral e respectiva média de cada ano, conforme tabela 6. Trimestre Ano 1 Ano 2 Ano 3 Ano Média Tabela 6 Média dos resultados de cada ano Com base nesses dados determinamos os aumentos ou reduções trimestrais em relação a média. Esses dados podem ser visualizados na tabela 7. Trimestre Ano 1 Ano 2 Ano 3 Ano 4 Média fator Tabela 7 Aumento e reduções trimestrais em relação à média A média dos valores tomada por trimestre está indicada na coluna média fator, tabela 8, que representa fatores aditivos de sazonalidade. Para projetarmos a previsão para o ano seguinte, sabendo que estimamos vendas de 3200 unidades, o que significa uma média de 800 unidades por trimestre, aplicamos os fatores médios da tabela 7. A previsão pode ser contemplada na tabela Modelo multiplicativo Trimestre Ano 5 (Média) Ano 5 Média fator (Previsão) Total Tabela 8 Previsão para o ano 5 7

8 Nesse processo, o cálculo do índice multiplicativo envolve estabelecer em que percentual o consumo de um determinado trimestre é maior ou menor que o consumo médio trimestral calculado tomando o consumo anual dividido por quatro. Na tabela 10 pode ser visto o consumo dos últimos 4 anos. Trimestre Ano 1 Ano 2 Ano 3 Ano TOTAL Tabela 10 Consumo total de cada ano Trimestre Ano 1 Ano 2 Ano 3 Ano 4 Média 1 33% 35% 26% 30% 31% 2 23% 27% 24% 24% 25% 3 17% 15% 19% 18% 17% 4 27% 23% 31% 28% 27% Tabela 11 Índices de sazonalidade Podemos projetar os valores agora calculados com a utilização dos índices de sazonalidade indicados em negrito na tabela 11. Para o ano 5 podemos projetar os valores sazonais utilizando a seguinte equação: Projeção do trimestre = media trimestral x índice de sazonalidade Projetando um aumento para 3200 unidades para o ano 5, vamos ter os seguintes resultados que estão na tabela 12: 1 trimestre 2 trimestre 3 trimestre 4 trimestre TOTAL Ano Tabela 12 Previsão para o ano 5 3. Caracterização da empresa A empresa está localizada no estado de São Paulo. Os principais itens produzidos pela empresa são camas, criados, bicamas, cômodas, prateleiras e cabeceiras e como matéria-prima e insumos são utilizados: madeiras, compensados, ferragens, rodízios, puxadores, produtos de acabamento, radicas e lâminas. A capacidade de produção é de aproximadamente 2160 horas/mês, quantidade definida pela capacidade do setor de montagem da empresa Previsão de vendas e planejamento agregado A empresa nunca obteve qualquer tipo de previsão, sendo de recursos ou de demanda. A previsão existente sempre foi de aumento de faturamento bruto, sem levar em consideração qualquer aumento do volume produzido ou vendido e nem recursos consumidos por esse aumento. 8

9 A produção da empresa é toda planejada, programada e medida em horas e não em produtos. Esse indicador foi desenvolvido há alguns anos para estabelecer padrões e dar pesos diferentes para produtos diferentes, ou seja, quando mediam a produção apontando quantos produtos haviam sido produzidos, uma prateleira tinha o mesmo peso de uma cômoda e não se levava em consideração o tempo que cada uma consumia no recurso gargalo. A tabela 13 mostra a diferença entre a medição em unidades produzidas e horas produzidas Familia Horas Unidades Horas Unidades Horas Unidades Bicama Cama Cômoda Criado Outros Prateleira Total: Tabela 13 Comparativo de produção entre unidades e horas Através da tabela 13 podemos visualizar o resultado de produção dos anos de 2004, 2005 e 2006, unidades produzidas e horas. Em 2005 foram produzidas 3365 unidades, representando um aumento de 11,76% em unidades vendidas. No mesmo ano foram produzidas horas, representando um aumento de 17,02% em horas produzidas. O que isso significa? No ano de 2005 foram produzidas unidades que consumiam mais horas do recurso gargalo, em média uma unidade produzida no ano de 2004 consumia 4,17 horas contra 4,37 horas consumidas em média no ano de 2006, ou seja, as unidades produzidas em 2006 consumiam em média 4,71% mais horas que em Com esses dados à empresa estabelece como aumento de produtividade os 17,02%. 4. Desenvolvimento do modelo A estrutura proposta e aplicada parte do seguinte princípio: Estimar a demanda futura de bens e serviços é condição essencial para a elaboração de um plano de trabalho que inclui o dimensionamento das capacidades envolvidas com a definição de equipamentos, dos recursos financeiros, da disponibilidade de mão-de-obra e da quantidade de materiais necessários para a produção de bens e serviços (GONÇALVES, 2004). Os dados coletados foram às quantidades de horas vendidas nos últimos 3 anos (2004, 2005 e 2006), separadas mensalmente, como pode ser verificado na tabela 14. JAN FEV MAR ABR MAI JUN JUL AGO SET OUT NOV DEZ TOTAL ,5 1676,1 1269, ,3 1500,3 1606,5 1945,5 1990, ,1 1340, ,5 1392, , ,2 2068,8 2806,9 1936, , , , , , , ,5 2421, , Seleção da técnica de previsão Tabela 14 Dados históricos de vendas em horas 9

10 Com estes dados foram calculadas as previsões pelos métodos da Média Móvel (MM), Média Móvel Ponderada (MMP), Suavização Exponencial (SE), Regressão Linear (RL) e Fatores Multiplicativos. Os resultados obtidos são apresentados na tabela 15 e Méd Móv Er MM MMP ErMMP SE1 Erro SE J F M A M J J A S O N D TOTAL: ADERÊNCIA: 109% 104% 103% Tabela 15 Comparativo de resultados dos modelos perante ao resultado de SE2 ErroSE2 IS ErroIS FM EroFM 2006 J F M A M J J A S O N D TOTAL: ADERÊNCIA: 107% 110% 110% Tabela 16 Comparativo de resultados dos modelos perante ao resultado de 2006 (Continuação) Todas as previsões foram maiores que o resultado real de O modelo que mais se aproximou foi o modelo do fator multiplicativo, em no ano de 2006 tenham ocorrido fatores externos e internos que influenciaram a demanda. Estes fatores foram: - Copa do mundo de futebol, realizada na Alemanha, nos meses de Junho e Julho de 2006; 10

11 - Feriado de 20 de novembro, Dia da Consciência Negra, que devido a sua proximidade com outros feriados já existentes, 02 de novembro (finados) e 15 de novembro (Proclamação da Republica), provocaram êxodo da cidade de São Paulo, cidade onde se localiza o ponto de venda da empresa. - Nos meses de novembro e dezembro iniciou-se uma renovação do quadro de vendedores, que de certa forma impactou no potencial de vendas da empresa. Refazendo-se estes cálculos com a exclusão destes meses o modelo que mais se aproximou dos resultados reais de 2006 foi o modelo fatores multiplicativos, evidenciado que este deve ser o modelo adotado. Nos dois casos o erro médio quadrático foi a técnica utilizada para avaliar os modelos Obtenção das previsões A empresa definiu como objetivo de vendas para o ano de 2007 um crescimento de 4,5%. Aplicando a técnica de previsão baseada em fatores multiplicativos a previsão para os meses de 2007 ficou da seguinte forma, como mostra a tabela 17. JAN FEV MAR ABR MAI JUN JUL AGO SET OUT NOV DEZ Previsão Tabela 17 Previsão mensal para Discussão de dados e resultados A tabela 18 mostra os resultados de 2007 comparados à previsão realizada para o mesmo ano. JAN FEV MAR ABR MAI JUN JUL AGO SET OUT NOV DEZ Previsão Realizado Previsão Acumulada Real Acumulado Aderência 114% 117% 104% 99% 97% 96% 98% 94% 96% 95% 96% 96% Tabela 18 Resultados obtidos em 2007 e comparados a previsão O modelo desenvolvido atingiu um nível de aderência, previsto versus realizado, de 96,2%, ou seja, o resultado de vendas atingiu 96,2% do resultado previsto. 6. CONCLUSÕES O trabalho atingiu resultados satisfatórios, pois a aderência da previsão ao resultado de vendas atingiu 96,2% do previsto, os valores de compras ficaram apenas 0,02% do valor de consumo, o volume de compras diminui 7,49%, o número de pedidos realizados ficou 1% menor ao período passado e os inventários em estoque diminuíram 7,98%. Desta forma, pode-se concluir que a implantação do sistema de previsão, mesmo em empresas que trabalham com o sistema de comercialização make-to-order, apresenta níveis satisfatórios e podem contribuir para melhorar o planejamento organizacional. A possível explicação para este caso é que a variável utilizada para a previsão representa bem o comportamento de vendas da empresa, o que recomenda a manutenção e melhoria do sistema proposto. 11

12 7. REFERÊNCIAS ARNOLD, J.R.T. Administração de materiais: uma introdução. São Paulo : Atlas, CHOPRA, S.,MEINDL, P. Gerenciamento da Cadeia de Suprimentos. São Paulo: Prentice Hall, DIAS, M.P. Administração de Materiais. Princípios, conceitos e gestão. São Paulo : Atlas, GONÇALVES, P. Administração de Materiais. Rio de Janeiro: Campus, p.299. TUBINO, D.F. Planejamento e controle da produção. Teoria e pratica. São Paulo : Atlas,