Previsão de demanda e monitoramento por sinal de rastreamento do modelo para produto classe A de uma empresa varejista de Belém do Pará.

Transcrição

1 Previsão de demanda e moniorameno por sinal de rasreameno do modelo para produo classe A de uma empresa varejisa de Belém do Pará. avi Filipe Vianna Moreira (UEPA) davifilipe@globo.com Jesse Ramon de Azevedo Espíndola (UEPA) jesse_ramon@homail.com Raphael Araújo Barbosa (UEPA) raphael_barbosa_@homail.com Thiago Lobao Rodrigues (UEPA) hiagolobaor@globo.com Rafael Elias Paes Almeida (UEPA) rafael.e.p.a@homail.com Resumo: A imporância da previsão de demanda é noória, propiciando melhor alocação de cusos e minimizando surpresas indesejáveis no fuuro. Ese rabalho raz um esudo de caso de previsão de demanda no seor de serviços, em um esabelecimeno que comercializa maeriais de consrução. O esudo se dá pela análise e escolha de modelo para previsão, aravés dos desvios médios e o seu moniorameno. A complexidade do esudo reside nas grandes variações de demanda, devido a promoções e o pouco empo de auação da empresa no mercado. Também apresena uma peculiaridade: a empresa dispor de uma ala resposa às variações da demanda para o produo esudado, devido à proximidade do fornecedor, o que facilia, em alguns aspecos, a absorção de erros de previsão para a empresa. Com alas variações na demanda, o moniorameno do modelo é essencial para não se perder o conrole do modelo para previsão e resular em erros alos. Os desvios para odos os modelos foram alos, mesmo os mais complexos, no enano, o modelo, segundo o criério de análise, o sinal de rasreameno, foi julgado compaível para o produo.\ Palavras-Chave: Previsão de demanda; Moniorameno; Modelos; Média Móvel Exponencial; Sinal de Rasreameno. 1 Inrodução Toda empresa busca analisar e enar prever, com os dados auais, o que provavelmene ocorrerá no fuuro, quando raamos da demanda, para, assim, poder alocar seus recursos da melhor forma possível, buscando minimizar a chance de ocorrerem surpresas num fuuro próximo. Segundo Slack e al 996), a fala da previsão desse imporane faor ocasiona no impedimeno do planejameno eficaz, ou seja, o impedimeno da pró-aividade, proporcionando apenas a reação ao que aconecerá. Conudo, essa previsão não é ão simples, pois, se desse modo aconecesse, muios problemas operacionais seriam facilmene solucionados, como: o quano de maéria prima deve ser adquirido, quanos rabalhadores são necessários, quanidade de máquinas, ec. Já noa-se a imporância da previsão para o seor fabril, mas ambém é exremamene necessária para o seor de serviços. Segundo Parene (2000), esudos da Sociedade dos Profissionais de Negócios em Relações com Consumidores (raduzido livremene da sigla em inglês), as empresas perdem de 15% a 20% dos clienes em média, por ano, devido à insaisfação dos mesmos. Analisando por ouro lado, manendo essa média, em cinco anos a empresa já deverá er renovado oda sua careira de clienes. Ouro esudo, porém desa vez do Insiuo Forum Corporaion, cia Parene (2000), esima que 91% dos clienes que ficam insaisfeios, seja por qual for o moivo, jamais volam a ser clienes e ainda exprimem sua opinião para ouras nove pessoas. Pelo ouro lado, 1

2 o consumidor saisfeio dissemina sua opinião para apenas rês pessoas. Corroborando, Slack e al 996) afirma que denre os cusos de fala de esoque esá a insaisfação do cliene, seja exerno (consumidores) ou inerno (próxima operação), podendo gerar roca de fornecedor, para aquele e ociosidade e quebra de cadência da produção para ese. Ou seja, é melhor eviar ao máximo a insaisfação da clienela. No caso específico dese rabalho, uma empresa que revende maerial de consrução, os produos muias vezes são de medidas avanajadas e, algumas vezes, o peso ambém. Alguns produos que não necessiam de ana aenção (cuidado) como canos, ubos, cabos e chaves de fenda, por exemplo, uma simples esane é eficaz. Porém exisem ouros mais leves e delicados, de alo valor agregado, ocasionando diferenes cuidados com o local de esocagem. Em conjuno, esses faores acarream em gasos para foralecimeno das esruuras das esanes e adapação (comprimeno, alura, ec.) das mesmas para receber os produos. Além de odo o ciado, alguns produos possuem prazo de validade, como no caso do escolhido pela equipe dese rabalho, enão a previsão poderá ajudar a eviar o excesso, podendo acarrear em esoque esragando nos galpões, e a fala do produo, pois a endência para eviar vencimeno do produo é comprar menos dele. 2 Referencial Teórico 2.1 Previsão de emanda Para Tubino (2007), a previsão de demanda é a base para o planejameno esraégico da produção, vendas e finanças de qualquer empresa. Nos níveis mais alos, ela é a base para realizar o planejameno esraégico em longo prazo; nas áreas de finanças e conabilidade a previsão de demanda fornece a base para o planejameno orçamenário e conrole de cusos (avis e al, 2001). Para o PCP, de acordo com Lusosa e al (2008), as previsões de demanda são uilizadas nas decisões referenes ao planejameno dos recursos de produção, ás meas de produção e esoque e à programação e conrole da produção. Ou seja, as previsões de demanda podem aender a diferenes ineresses denro de uma organização. Hillier & Lieberman (2006) comenam que a capacidade de realizar uma boa previsão pode fazer uma empresa esar um passo a frene da concorrência. Enreano, gerar previsões é uma arefa que depende crucialmene de uma avaliação do fuuro, logo nenhuma previsão deve ser considerada perfeia. Moore & Wheaherford (2005) ciam diados sábios que ilusram a promessa e frusração de uma previsão: É difícil prever, especialmene com relação ao fuuro Não é difícil prever, o difícil é prever correamene Os números, se suficienemene orurados, podem confessar quase qualquer coisa A parir desas siuações, Lusosa e al (2008) reconhece que as previsões sempre incluem uma margem de erro e que a incereza das previsões é ano maior quano maior o horizone de planejameno. Mas felizmene, previsões de demanda podem ser feias de várias formas. Silva e al (2008), afirmam que as previsões de demanda são feias aravés de méodos quaniaivos, qualiaivos, ou uma misura dos dois ipos. enro do méodo quaniaivo, Moore & Weaherford (2005) comenam que exisem modelos de regressão, modelos de exrapolação e modelos condicionais ou baseados em precedenes, bem como modelos vizinhos mais próximos. evido as várias opções de modelos disponíveis, Slack e al (2002) afirmam que na escolha do modelo de previsão devem-se considerar aspecos como o horizone de planejameno, 2

3 disponibilidade dos dados, precisão necessária e disponibilidade dos recursos. Com relação á disponibilidade dos recursos, o uso de soluções compuacionais, com sofwares específicos e planilhas elerônicas podem oimizar basane o empo de realização e a precisão de um modelo de previsão. Porém, a previsão não subsiui a omada de decisão do planejador, o que envolve uma boa dose de experiência e julgameno pessoal, pois ouras variáveis como o comporameno do consumidor ainda não podem ser conrolados de maneira eficiene. 2.2 Média Móvel Exponencial Segundo avis e al (2001), na média exponencial móvel ou suavização exponencial, o peso da cada observação decresce no empo em progressão geomérica, ou de forma exponencial. Em sua forma de apresenação mais simples, cada nova previsão é obida com base na previsão anerior, acrescida do erro comeido na previsão anerior, corrigido por um coeficiene de ponderação. A equação a seguir apresena esa siuação: Ou reescria como: F w) F wa 1 1 Onde: F F w( A F ) F = Previsão exponencialmene ajusada para o período F -1 = Previsão exponencialmene ajusada para o período anerior A -1 = ado real do período anerior w = coeficiene de ponderação, ou consane de ajuse O coeficiene de ponderação (w) é fixado pelo analisa denro de uma faixa de 0,1 a 1. Quano maior seu valor, mais rapidamene o modelo de previsão reagirá a uma variação real da demanda. Se o valor da w for muio grande, as previsões ficarão muio sujeias às variações aleaórias de demanda. Se, ao conrário, o valor de w for muio pequeno as previsões poderão ficar defasadas da demanda real, porém endendo a uma consância. Os valores normalmene usados para w variam enre 0,05 e 0,5 (Lusosa e al, 2008). Complemenando sobre a quesão do valor de w, Tubino (2007) afirma que os pacoes compuacionais que rabalham com eses modelos incluem simulações para ajusar o nível do coeficiene de ponderação (w) de maneira a reduzir o erro de previsão. 2.3 Modelos de Hol-Winers Segundo Hillier & Lieberman (2006), quando a série emporal apresena endência e sazonalidade, os modelos de Hol-Winers descrevem apropriadamene os dados da demanda. e acordo com Serra e al (2005), caso a ampliude da variação sazonal manenha-se consane, diz-se que o modelo é adiivo, caso aumene com o empo, diz-se que o modelo é muliplicaivo Hol-Winers muliplicaivo Segundo Baco e al (2006), o modelo muliplicaivo apresena-se da seguine forma: F Aonde, o nível da série μ vem muliplicado por uma componene sazonal F. Nese ipo de série, além do nível médio aumenar com o passar do empo (devido á endência) e er uma T a 3

4 fluuação periódica ao longo do nível médio (sazonalidade), a ampliude de variação ambém aumena caracerizando uma série muliplicaiva. As equações que suavizam a série são (A, C e são as consanes e êm seus valores variando de zero a um): Fˆ ) Fˆ s A Fˆ s A)( ˆ 1 Tˆ 1 ) T ˆ A equação de previsão do modelo é Hol-Winers Adiivo O modelo adiivo por sua vez é: C ( 1 ) C ) Tˆ ˆ ˆ ˆ, onde h=s+1,..., 2s. ( h) ( ht ) F h 2 s F Agora, μ não vem mais muliplicado, mas sim adicionado a componene de sazonalidade F. Nesa série, apesar do nível médio esá aumenando com o passar do empo (endência) e de exisir fluuação ao longo do nível médio, a ampliude de fluuação permanece consane. As equações de suavização para a série são: Fˆ T a ) Fˆ s 1 A Fˆ s A)( ˆ Tˆ 1 1 ) T ˆ C ( A equação de previsão para o modelo é e al, 2006). ˆ 1 ) C ) Tˆ ( h) ht F h 2 s 2.4 Medição e conrole do erro em previsão de demanda ˆ ˆ 1, sendo h=s+1,..., 2s (BACO e acordo com avis e al (2001), um bom criério de escolha para o melhor modelo de previsão é o esvio Médio Absoluo (Mean Absolue eviaion - MA), devido à sua simplicidade de cálculo. Para Lusosa e al (2008), o MA é o erro médio nas previsões, uilizando valores absoluos. A grande valia para o uso do MA consise ambém no fao de medir a dispersão dos valores observados em orno de alguns valores esperados. A fórmula para o cálculo do MA segue abaixo: Onde: M A REAL = demanda real no período; REAL PREVISTA = demanda previsa no período; n = número de períodos. n PREVISTA 4

5 Tubino (2007) mosra a possibilidade de aplicação do conrole esaísico do processo como uma ferramena mais apurada de moniorameno do modelo de previsão, aribuindo limies superior e inferior de conrole, que correspondem a quaro MA (quaro desvios-padrões) para cima ou para baixo, no caso dese rabalho, apenas o limie superior será considerado, haja visa o limie inferior ser um valor negaivo. Além da escoha do melhor modelo de previsão conforme algum criério, nese caso, o MA, Gaiher & Frazier (2007) ciam a imporância de moniorar e conrolar o desempenho do modelo de previsão escolhido. Uma forma precisa e comum, ainda segundo Gaiher & Frazier (2007), consise em usar um Sinal de Rasreameno (racking sinal) como forma de medir o erro de previsão cumulaivo ao longo de n períodos em ermos do MA. A equação abaixo ilusra o cálculo do Sinal de Rasreameno. Sinal de Rasreameno = REAL M A PREVISTA Se o modelo de previsão de previsão esiver se comporando bem, o sinal de rasreameno deve ser aproximadamene zero, o que indica que haveria anos ponos de dados reais acima e abaixo da previsão. E caso o Sinal de Rasreameno seja diferene e disane de zero, indica que as previsões devem ser reduzidas ou aumenadas, produzindo novos valores de parâmero dos modelos, assim, corrigindo o desempenho do modelo de previsão. Enreano, não exise uma regra universal para mudar esses parâmeros do modelo quando o sinal de rasreameno esiver indicando uma aleração nas previsões. O que provoca a necessidade de idealizar as regras para enquadrar seus dados por meio de experimenação. 2.5 Classificação ABC e acordo com Novaes e al (2006), quando uma empresa rabalha com muios produos em esoque, dificulando o planejameno de seu ressuprimeno, a políica de esoque para cara produo varia caso a caso. Logo, é necessário haver uma classificação deses produos conforme algum criério de imporância. Nese conexo, Lusosa e al (2008) comenam que deerminar a imporância de cada iem e concenrar maiores esforços da gesão nos mais imporanes ornou-se práica compeene desde que Vilfredo Pareo, em 1897, enunciou a lei de Pareo. Também conhecida como Curva ABC ou Classificação ABC, esa lei esabelece que a maior pare dos efeios (aproximadamene 80% deses) esá associada a poucas causas (20%). Gasnier (2002) afirma que a classificação ABC é a mais empregada por privilegiar o pono de visa econômico de cada grupo de produos, além da fácil apuração a parir de um processameno maemáico ou compuacional. Na práica, consise em separar os produos em função de seus valores e consumos a fim de proceder ao modelo de gesão adequado a cada grupo (Novaes e al, 2006). A abela seguine ilusra as caracerísicas e pono de core na curva acumulada para cada grupo. TABELA 1 - Tabela de Classificação ABC. Classe Caracerísicas Pono de Core A Iens prioriários: Foco de aenção do gesor de maeriais, devido à sua imporância econômica. Merece raameno especial, sendo denominados de VIP (very imporan produc ) Cerca de 20% dos iens correspondem á 80% do faurameno da empresa 5

6 Classe Caracerísicas Pono de Core B Iens inermediários: São considerados Inervalo enre as classes A economicamene preciosos, logo após a e C caegoria A, porém recebem cuidados medianos C Iens Secundários: Iens menos imporanes. Nese grupo, não é necessário considerar cada iem individualmene, pois são produos de pouca imporância no faurameno da empresa. Cerca de 50% a 70 % dos iens correspondem de 10% a 20% faurameno Fone: (Adapado de Gasnier, 2002 e Gonçalves e al, 2006) Logo, a parir da curva ABC, é deerminado o produo, ou o grupo de produos que merecem uma previsão mais bem elaborada, pois erros nas projeções de demandas para produos classe A, podem acarrear elevados prejuízos à organização. 3 Meodologia Segundo Tubino (2007), a elaboração de modelos de previsão de demanda é passível de divisão em cinco eapas: Objeivo do Modelo; Colea e Análise de ados; Seleção da Técnica de Previsão; Obenção das Previsões e Monioração do Modelo. O objeivo do modelo define a razão de se fazer a previsão. Em ouras palavras, qual produo será previso (mediane análise de curva ABC), com que grau de acuracidade, horizone de previsão, ec. Um produo classe A, necessia de mais dealhameno, mais acuracidade, diferene de um classe C, menos significaivo que não requererá ana sofisicação na previsão, podendo, aé, ser previso em conjuno com ouros produos de mesma caegoria. A colea e análise dos dados merecem cuidados especiais com faores como: a quanidade de dados, quano mais deles, mais confiável será a previsão; variações exraordinárias da demanda, como promoções especiais, devem ser analisadas e subsiuídas por valores médios, (compaíveis com o comporameno normal da demanda) e a ampliude de agregação dos dados (semanais, mensais, rimesrais, ec.) ambém pode influenciar na escolha da écnica de previsão mais apropriada. Enão, com os dados coleados, pode-se passar à escolha da écnica mais apropriada. As écnicas variam em cuso e precisão, com proporção direa. Quando da obenção das previsões, a écnica de medição da mais apropriada para o caso é calculada em cima dos erros em relação aos dados previsos e dados reais. Quano menor o erro, mais confiável será a previsão. a previsão já feia, a monioração conínua do nível de fidelidade da écnica faz-se necessária. A inserção de dados mais auais aos bancos de dados da previsão, junamene com análise dos erros é válida para aferição da fidelidade. No caso da écnica não servir, um ajuse de parâmeros (agrupameno dos dados, horizone de planejameno) pode resolver o problema, caso conrário, uma nova análise dos dados será necessária para a escolha de uma nova écnica de previsão. Caso eseja aceiável, o modelo pode ainda ser usado para prever a demanda do produo. 4 Esudo de Caso A empresa na qual foi realizado o esudo é uma loja de maerial de consrução e decoração em geral localizada na cidade de Belém. Um dos produos comercializados pela empresa é a Argamassa do ipo Inerna. A curva ABC, reirada do sisema de informação da empresa, 6

7 mosra que são praicamene produos negociados. Cerca de 20% deles, por vola dos primeiros 3030 iens, já represenam 83,65% da receia oal de vendas, englobando os de classe B, mais 4500 iens, já represenam 97,21% da receia oal com vendas. A análise da curva ABC, organizada de acordo com o valor vendido, coloca esse produo em quaro lugar, represenando 0,73% da receia do período de um ano e meio a que a curva se refere. O valor pode parecer ínfimo, mas diane do horizone de quinze mil produos comercializados pela empresa, orna-se um valor significaivo. O Fornecedor do produo localiza-se na cidade de Benevides, região meropoliana de Belém, acarreando em um lead ime enre pedido de compra e enrega da mercadoria, muio menor que o usual. Em enrevisa informal com o gerene de compras da loja, ineressanes informações foram obidas. Em siuações emergenciais, a enrega do produo é feia no dia seguine ao faurameno da noa fiscal, que, em geral, é faurada no mesmo dia do pedido de compra. Há, ainda, ocasiões que a enrega é feia no mesmo dia do pedido e, dependendo da necessidade pelo produo, se for de muia urgência, como uma venda de alo valor, o próprio represenane de vendas da fábrica vai aé a fábrica e leva o produo para enregá-lo na empresa. Há algumas especificações em relação à venda que podem influenciar a demanda do produo na loja. Uma dessas especificações é quando há promoção de produos na loja, como a radicional campanha de aniversário da empresa e, ambém a queima de esoque que ocorre nos primeiros meses do ano, após o efeio sazonal que sofrem os maeriais de consrução ao final de odo ano, quando as vendas endem a disparar e a argamassa em esudo não foge à regra. Oura especificação é o fao de haver vendedores exernos, que são incumbidos de vender para ouras empresas, geralmene consruoras e empreieiras, as quais requerem grandes quanidades do produo, aumenando e alavancando as vendas. evido a eses faores, a demanda, como observada no seu gráfico, sofre grandes variações, gerando uma necessidade de se rabalhar com um nível de esoque considerável, para que uma venda ala e inesperada, porém imporane, não seja reprimida, ressalando a imporância de prever sua demanda. Foram coleados dados desde a aberura da empresa (ouubro de 2004) aé a daa em que a colea foi realizada (abril de 2008), em orno de 3,5 anos (rês anos e meio), divididos em semanas para análise do comporameno da demanda, como a exisência de sazonalidade e endência. evido à grande aleaoriedade dos dados dessa demanda, decidiu-se por agrupar os mesmos por mês, para melhor raameno dos dados, obendo o gráfico: jan/04 ago/04 fev/05 se/05 mar/06 ou/06 abr/07 nov/07 jun/08 dez/08 FIGURA 1 Gráfico dos dados de vendas agrupados em meses. 7

8 Com o simples olhar do gráfico, não foi possível especificar o modelo maemáico que melhor poderia represenar a demanda, pois não á sazonalidade nem endência bem definida. Enão, com ajuda do professor da disciplina Planejameno e Conrole da Produção I, alguns foram escolhidos para análise da demanda. Foram esados os modelos de média exponencial móvel, com coeficiene de ponderação variando de 0,1 a 0,9 e modelos de Hol-Winers, por se raarem de modelos um pouco mais complexos. os modelos esados, foram obidos os seguines MA s: TABELA 2 MA calculado para cada méodo Méodos MA Média Móvel Exponencial (w=0,1) 1252 Média Móvel Exponencial (w=0,2) 1010 Média Móvel Exponencial (w=0,3) 862 Média Móvel Exponencial (w=0,4) 753 Média Móvel Exponencial (w=0,5) 678 Média Móvel Exponencial (w=0,6) 643 Média Móvel Exponencial (w=0,7) 624 Média Móvel Exponencial (w=0,8) 618 Média Móvel Exponencial (w=0,9) 614 Hol-Winers Adiivo 986 Hol-Winers Muliplicaivo 2596 Fone: Os auores A parir da análise da Tabela 2, o melhor méodo seria o de Média Exponencial Móvel com coeficiene de ponderação igual a 0.9, obendo um desvio absoluo médio de 614 unidades. Conudo, com a elaboração do gráfico de conrole com limie superior de 4 vezes o MA, obeve-se a seguine siuação: MA FIGURA 2 Gráfico de conrole para o modelo MMEx (w=0,9) Com a visualização dos erros no gráfico, percebe-se um pono fora do limie de conrole. Ese pono refere-se ao mês de fevereiro do ano de 2007, que, na Figura 02, exibida aneriormene, é um pono de grande queda nas vendas, bem evidene no mesmo (pono com o círculo de cor vermelha). Em enrevisa informal com o gerene de markeing da empresa na época, foi relaado que esse fao foi devido ao final da promoção de aniversário da empresa, ocorrene sempre nos meses de ouubro e novembro, incidindo sobre um dos períodos de maior sazonalidade para maeriais de consrução, o fim do ano, seguida, no início do ano de 2007, pela promoção do Grande Saldão de Pisos e Pasilhas que impulsionou a venda da argamassa, sendo esa um produo complemenar, gerando alas vendas em janeiro e uma acenuada queda em fevereiro, 8

9 devido ao fim desse conjuno de faores. Seguindo as regras para definições de modelo, devese, enão, raar os dados que geram alerações significaivas na demanda, para que esse erro seja diminuído. Para solução do problema, decidiu-se por raar o dado de janeiro de 2007, de forma a razê-lo para uma realidade mais condizene com o ano de 2006, com uma média ariméica simples enre os dados do ano de essa forma, foi obido um novo dado para o período de janeiro de 2007, que passou de 4774 unidades para 4142 unidades. Enão os cálculos necessiaram ser refeios, para odos os modelos, gerando os seguines MA s: TABELA 3 MA s recalculados Méodos MA Média Móvel Exponencial (w=0,1) 1230 Média Móvel Exponencial (w=0,2) 1013 Média Móvel Exponencial (w=0,3) 864 Média Móvel Exponencial (w=0,4) 754 Média Móvel Exponencial (w=0,5) 680 Média Móvel Exponencial (w=0,6) 644 Média Móvel Exponencial (w=0,7) 625 Média Móvel Exponencial (w=0,8) 618 Média Móvel Exponencial (w=0,9) 615 Hol-Winers Adiivo 986,18 Hol-Winers Muliplicaivo 2586,7 Fone: Os auores Percebe-se que o menor desvio médio coninua com o modelo de média exponencial com coeficiene de ponderação igual a 0,9. Para checagem dos erros, os mesmos foram novamene ploados num gráfico com limie de conrole de 4 * MA. O gráfico segue abaixo: MA FIGURA 3- Gráfico de conrole com os MA s recalculados Com os ponos odos denro do limie de conrole esabelecido, pode-se concluir a escolha do modelo de média exponencial móvel com coeficiene de 0,9. Como nese modelo as previsões necessiam dos dados reais para ober mais de um período, a equipe acompanhou a evolução do modelo por 7 períodos (meses), correspondendo aé o fim do ano de 2008, colocando os dados reais e obendo novos períodos previsos. Para moniorameo do modelo, usamos o sinal de rasreameno, uilizando 5, 6 e 7 períodos, a fim de verificar se o modelo ainda é válido para coninuar as previsões. Obivemos a abela que segue, com os dados previsos e reais: 9

10 TABELA 4 ados reais e previsos para acompanhameno Jun Jul Ago Se Ou Nov ez Real Previso Fone: Os auores O cálculo do sinal de rasreameno para 5, 6 e 7 períodos, que dizem respeio de: agoso a dezembro, julho a dezembro e junho a dezembro, respecivamene. TABELA 5 Valores do sinal de rasreameno Períodos Sinal Ras. 7 0, , ,797 Fone: Os auores Como os valores de rasreameno se aproximaram de zero, pode-se afirmar que o modelo ainda é compaível para fuuras previsões. Ou seja, mesmo com alos erros, o modelo mosrou-se saisfaório para uma demanda ão variável. 5 Conclusão A análise práica de uma demanda orna-se ineressane quando se percebe que os exemplos da realidade dificilmene se adequarão a modelos pré-esabelecidos de demanda, com sazonalidades e endências facilmene idenificáveis. Mais especificamene no seor de serviços, como lojas de deparamenos, que possuem muias paricularidades que influenciam na demanda, como localização do esabelecimeno, qualidade no aendimeno, muios produos similares (famílias de produos) na mesma empresa que acabam concorrendo pela demanda, além da concorrência com os demais empreendimenos dessa naureza. No caso dese rabalho, a demanda é exremamene variável, com oscilações randômicas inclusive durane o mesmo mês, como no gráfico das demandas por semana, em que a semana compreendida enre 13/10/2005 e 20/10/2005 foram comercializadas 896 unidades do produo, já duas semanas após, enre 27/10/2005 e 2/11/2005, foram comercializadas apenas 76 unidades. Para ese caso, era ineviável o aparecimeno de desvios médios muio elevados, variando enre 615 e Isso mosra que os modelos êm dificuldade de represenar a demanda, e, com oscilações significaivas, os modelos maemáicos quase não as absorvem. Aé modelos mais sofisicados como o de Hol-Winers, acabam gerando erros alos. Uma paricularidade ineressane, devido à proximidade da fábrica fornecedora do produo, é o modelo com coeficiene de ponderação 0,9 er sido escolhido. Nesse caso a empresa em condições de rabalhar com uma rápida resposa à variação da demanda, já que rapidamene pode er o produo disponível para venda. O mesmo já não ocorreria com ouros produos que necessiam de mais empo para a enrega na empresa, pois uma ala oscilação na demanda não será rapidamene respondida, já que é necessário um lead-ime alo para a chegada da mercadoria, geralmene por causa do ranspore, e, nesses casos, a perda da venda é praicamene cera. Por fim, o faor que mais chamou aenção,e dá o íulo do rabalho, é o moniorameno afirmar que o modelo coninua sendo aceiável após 7 períodos de avaliação, quando a equipe 10

11 esperava que logo ouro modelo fosse melhor represenaivo, devido aos alos erros em odos os modelos. Referências Bibliográficas BACO, Samuel B., LIMA, Renao da S. & de PAULA, Anderson P. Comparação de modelos de séries emporais para previsão de demanda de maéria prima na fabricação de anéis de pisão. XXVI Enconro Nacional de Engenharia de Produção. Foraleza, AVIS, Mark M.; AQUILANO, Nicholas J.; CHASE, Richard B. Fundamenos de Adminisração da Produção. 3ª ed. Poro Alegre: Bookman, GAITHER, Norman; FRAIER, Greg. Adminisração da Produção e Operações. 8ª ed. São Paulo: Thomson Learning, GASNIER, aniel Georges. A dinâmica dos esoques: guia práico para planejameno, gesão de maeriais e logísica. São Paulo: IMAM, HILLIER, Frederick S.; LIEBERMAN, Gerald J. Inrodução à Pesquisa Operacional. 8ª Edição. Tradução Ariovaldo Griesi. São Paulo: McGraw-Hill, LUSTOSA, L. J. (Org.); MESQUITA, M.A. (Org.); QUELHAS, O.L.G. (Org.); OLIVEIRA, R.J. (Org.). Planejameno e conrole da produção. Rio de Janeiro: Campus/Elsevier, MOORE, Jeffrey H. & WEATHERFOR, Larry R. Tomada de decisão em adminisração com planilhas elerônicas. 6ª Edição. Poro Alegre: Bookman, NOVAES, M L O; GONCALVES, A A; SIMONETTI, V M M. Oimização de farmácias hospialares: eficácia da uilização de indicadores para gesão de esoques. Anais do XXVI Enconro Nacional de Engenharia de Produção. Foraleza, PARENTE, Juracy. Varejo no Brasil: Gesão e Esraégia. São Paulo: Alas, SERRA, Cláudio M. V., TAVARES, Helion R., CORREA SANTOS, Júlio César. Aplicação de séries emporais na análise de demanda urísica no esado do Pará usando os modelos de Hol-Winers. Anais do XXV Enconro Nacional de Engenharia de Produção. Poro Alegre, SILVA,. V.; SERRA, C. M. V.; SANTOS, A. C. O.; MELO, A. C. S. Análise de emanda em uma Companhia de Água Mineral da região Meropoliana de Belém Uilizando Modelos de Série Temporal de Hol- Winers. Anais do XXVIII Enconro Nacional de Engenharia de Produção. Rio de Janeiro, SLACK, N.; CHAMBERS, S.; JOHNSTON, R. Adminisração da Produção. 2 ed. São Paulo: Alas, SLACK, Nigel, e al. Adminisração da Produção. Revisão écnica: Henrique Côrrea e Irineu Gianesi. São Paulo; Alas, TUBINO, alvio Ferrari. Planejameno e conrole da produção: eoria e práica. São Paulo: Alas,