MÉTODO DE PREVISÃO DE DEMANDA APLICADO EM UMA EMPRESA REVENDEDORA DE COMBÚSTIVEL

Transcrição

1 MÉTODO DE PREVISÃO DE DEMANDA APLICADO EM UMA EMPRESA REVENDEDORA DE COMBÚSTIVEL Thais Rubiane Domingues Silva 1, Laryssa Ribeiro 2, Fábio Luis Figueiredo Fernandes 3, Danielle Mayumi Campos Tamaki 4 Centro Universitário de Itajubá - FEPI, Av. Dr. Antônio Braga Filho, Bairro Varginha - Itajubá/MG, thaisrubiane@gmail.com, laryssaengprod@yahoo.com.br, fabiofepi@yahoo.com.br, danielletamaki@gmail.com Resumo: Com o intuito de permanecerem competitivas no mercado, as empresas têm sido forçadas a buscarem ferramentas que possibilitam no auxílio de tomadas de decisões. Com isso a previsão de demanda torna-se uma ferramenta gerencial importante na definição dos recursos essenciais para a empresa. Neste estudo, utilizou-se a metodologia Box-Jenkins para analisar dados históricos de uma empresa revendedora de combustíveis e obter a previsão de consumo de óleo diesel, com auxílio do software Gretl. A obtenção do modelo mais adequado foi baseada na análise de gráficos e em testes estatísticos próprios da metodologia, o qual foi definido o ARIMA (0,1,1). Os resultados obtidos na análise da previsão mostraram-se dentro dos limites aceitáveis, proporcionando uma garantia de um planejamento mais preciso. Palavras-chave: Previsão de Demanda; Modelos Box-Jenkins; ARIMA. Área do Conhecimento: Engenharias Introdução A atual competitividade do mercado de combustíveis torna cada vez mais complexa e importante à tomada de decisões rápidas e precisas. O crescente desejo de conhecer a demanda, estipular os lucros e prever o faturamento de um período futuro, desperta nas empresas a busca constante de melhorias em seus processos. Segundo Fernandes e Filho (2010), a gestão da demanda representa uma atividade primordial para o Planejamento da Produção e para o controle eficiente dos estoques. É essencial que as empresas estejam preparadas para as mudanças e imprevistos dos negócios, com isso, faz-se necessário que estas conheçam a demanda futura. Analisando os altos custos na obtenção do óleo diesel, verifica-se uma necessidade de se manter o volume ideal em estoque, sendo este fundamental para evitar problemas como o excesso de produtos com baixo giro ou possíveis vendas perdidas. Para buscar o equilíbrio entre oferta e procura, deve-se conhecer qual a quantidade e quais mercadorias necessitam ser compradas e estocadas. Para Werner, Lemos e Daudt (2006), uma má previsão pode ser capaz de ocasionar problemas a uma empresa, seja por não conseguir atender a demanda do mercado ou por gerar um produto acabado em excesso, devido a um estoque não planejado. Diante do exposto, esta pesquisa tem como objetivo geral apresentar a metodologia Box-Jenkins para prever a demanda de um produto em uma empresa revendedora de combustível, situada no Sul de Minas Gerais. A previsão será realizada com o auxílio do software Gretl, a fim de possibilitar a garantia de um planejamento e controle mais preciso. Metodologia A metodologia desse estudo é de natureza descritiva e exploratória com objetivo de desenvolver uma análise temporal. Com isso, o primeiro passo para obter uma previsão é definir o objetivo da mesma (GRIPPA; LEMOS; FOGLIATTO, 2005). Sendo assim, a primeira etapa desse estudo configura-se na análise da previsão de demanda, através da coleta de dados históricos em uma empresa revendedora de combustíveis situada no sul de Minas Gerais. Sua localização é em uma via de acesso a saída da cidade com um tráfego numeroso de veículos pesados, portanto sua maior demanda de produtos revendidos é o óleo diesel, sendo assim este produto caracteriza-se como foco 1

2 deste estudo. Ao todo foram colhidas 45 amostras do resultado semanal revendido, entre janeiro de 2015 a novembro de Após a coleta dos dados, a pesquisa se configura na escolha do modelo de previsão. Essa etapa é a mais importante, pois caso adotado um modelo inadequado, os resultados obtidos por intermédio deste poderão ser desastrosos (FIGUEREDO, 2008). Entre os vários modelos de séries temporais, escolheu-se trabalhar com o modelo ARIMA e, para o desenvolvimento do mesmo, será utilizado o software Gretl. Para Morettin e Toloi (1987) a metodologia Box-Jenkins quando comparados com os demais métodos de previsão, apresenta resultados mais precisos e os modelos apresentam um menor número de parâmetros. Por fim, será realizada a análise crítica dos resultados obtidos com aplicação das técnicas mais apropriadas, para então, apresentar melhorias para o processo de previsão e possibilitar uma correta tomada de decisão. Resultados Para fazer a análise inicial foi plotado o gráfico da série de consumo de óleo diesel, conforme apresentado na Figura 1. A análise desse gráfico pode apontar presença de alteração na variância ou tendência, o que evidenciaria se a série é estacionária ou não estacionária. Figura 1 Série temporal de consumo de diesel de 04 de janeiro de 2015 a 14 de novembro de DIESEL fev mar abr mai jun jul ago set out nov Fonte: Autores. O próximo passo configura-se na análise da Função Autocorrelação (FAC), da Função Autocorrelação Parcial (FACP), apresentados na Figura 2, e do Correlograma, onde pode-se constatar que o modelo apresenta tendência, com todos os valores de p (teste Q) < 0,05. Sendo assim, foi possível concluir que a série não é estacionária. Figura 2 Função Autocorrelação (FAC) e Função Autocorrelação Parcial (FACP). 2

3 Fonte: Autores. Como a série não é estacionária, foi preciso recorrer a uma transformação na série original por meio de uma diferenciação de ordem 1, para eliminar a tendência. A Figura 3 mostra que a primeira diferenciação na série temporal foi satisfatória para estacionarizá-la, passando a oscilar em torno de uma média constante. Figura 3 Série temporal de consumo de diesel para primeira diferença. Fonte: Autores. Após aplicação da primeira diferença, é possível observar na Figura 4 que a FAC apresenta equilíbrio, enquanto segundo o correlograma, nota-se que um valor p (teste Q) < 0,05 na FACP, sendo assim será feito um ajuste de médias móveis. 3

4 Figura 4 Função de Autocorrelação (FAC) e Função de Autocorrelação Parcial (FACP) de consumo de diesel para primeira diferença. FAC para d_diesel 0,4 +- 1,96/T^0,5 0,3 0,2 0,1 0-0,1-0,2-0,3-0, defasagem FACP para d_diesel 0,4 +- 1,96/T^0,5 0,3 0,2 0,1 0-0,1-0,2-0,3-0, defasagem Fonte: Autores Portanto, com base nas análises das FAC, FACP e do Correlograma, tem-se a indicação de que a quantidade de termos auto-regressivos deva ser zero (p = 0), de que a quantidade de diferenças necessárias para tornar a série estacionária deva ser um (d = 1) e que a quantidade de termos da média móvel deva ser um (q = 1), ou seja, o modelo indicado é o ARIMA (0,1,1). Obtido o modelo ARIMA e seus valores de p, d e q, parte-se agora para a estimação dos parâmetros do modelo. De acordo com Fava (2000), o parâmetro θ deve ser substituído na equação (1- ϕ1l ϕpl p ) (1 L) d Zt = (1- θ 1L θ ql q ) εt. O valor do coeficiente gerado pelo software Gretl, mostra seu alto nível de significância, conforme a Tabela 1. Tabela 1 Erros padrão baseados na Hessiana Coeficiente Erro Padrão Z p-valor θ_1-0, , ,0866 <0,00001 *** Fonte: Autores A verificação é realizada através da análise dos gráficos da FAC e FACP dos resíduos, onde é realizada uma análise para verificar se estes se comportam como aleatório (ruídos brancos), apresentando autocorrelação insignificante. Foram realizados testes dos resíduos para confirmar se o modelo ARIMA (0,1,1) sem constante é aceitável. Os gráficos da Figura 5, demostraram que os resíduos são normalmente distribuídos, o que confirma a inexistência de um padrão de comportamento dos dados, pode-se verificar todos os valores de p (teste Q) > 0,05, o que mostrou um ruído branco, sendo este modelo o melhor ajustado. Figura 5 Correlograma da Função de Autocorrelação (FAC) para consumo de diesel da primeira diferença. 4

5 Fonte: Autores Portanto, por meio dessas análises pode-se concluir que o modelo é preciso para essa série temporal, o que confirma sua utilização para realizar as previsões. Discussão Com a obtenção do modelo mais adequado, foi realizado a previsão da série em estudo. Através da Figura 6, obteve-se a comparação das 45 amostras de valores reais com os valores previstos, e na Tabela 2, é possível visualizar as previsões de 12 amostras futuras com seus limites de 95% de confiabilidade. Figura 6 Previsão da série de consumo de diesel e 12 dados futuros. 5

6 Fonte: Autores Tabela 2 Previsão de 12 dados futuros. Para intervalos de confiança de 95%, z(0,025) = 1,96. Obs. DIESEL Previsã Erro Intervalo a 95% o padrão 15/11/2015 Indefinido 18675,9 1578,05 (15583,0 a 21768,8) 22/11/2015 Indefinido 18675,9 1685,26 (15372,9 a 21979,0) 29/11/2015 Indefinido 18675,9 1786,06 (15175,3 a 22176,5) 06/12/2015 Indefinido 18675,9 1881,46 (14988,3 a 22363,5) 13/12/2015 Indefinido 18675,9 1972,25 (14810,4 a 22541,5) 20/12/2015 Indefinido 18675,9 2059,04 (14640,3 a 22711,6) 27/12/2015 Indefinido 18675,9 2142,32 (14477,1 a 22874,8) 03/01/2016 Indefinido 18675,9 2222,48 (14320,0 a 23031,9) 10/01/2016 Indefinido 18675,9 2299,85 (14168,3 a 23183,6) 17/01/2016 Indefinido 18675,9 2374,7 (14021,6 a 23330,3) 24/01/2016 Indefinido 18675,9 2447,26 (13879,4 a 23472,5) 31/01/2016 Indefinido 18675,9 2517,73 (13741,3 a 23610,6) Fonte: Autores Conclusão Conseguir prever com antecedência o consumo de combustível é um processo muito importante, pois contribui para o planejamento estratégico da empresa, possibilitando que a mesma se posicione melhor quanto às flutuações do mercado, bem como para o gerenciamento de seu estoque. Tais ações oferecem uma maior segurança aos investidores e também aos consumidores, de forma que se mantenha a quantidade ideal, evitando um estoque não planejado ou a falta do produto. Através da metodologia Box-Jenkins encontrou-se o modelo ARIMA (0,1,1), na qual este representou o melhor comportamento da série temporal de consumo de óleo diesel. A análise dos dados da série de previsão mostrou que o modelo é válido, pois os mesmos encontram-se dentro dos limites aceitáveis, para intervalos de confiança de 95%, apresentando um planejamento mais seguro de seu estoque. Referências FAVA, V. L. Manual de econometria: nível intermediário. In: VASCONCELLOS, M. A. S.; ALVES, D. São Paulo: Atlas, FERNANDES, FLAVIO C. F.; FILHO, MOACIR G. Planejamento e Controle da Produção: Dos Fundamentos ao Essencial. 1. ed. São Paulo: Atlas, FIGUEREDO, C. J. Previsão de séries temporais utilizando a metodologia Box & Jenkins e redes neurais para inicialização de planejamento e controle da produção. Dissertação de Mestrado Universidade Federal do Paraná UFPR, Curitiba, GRIPPA, D. B.; LEMOS, F. O.; FOGLIATTO, F. S. Analogia e combinação de previsões aplicadas à demanda de novos produtos. XXV ENEGEP Encontro Nacional de Engenharia de Produção, Porto Alegre, MORRETIN, P. A.; TOLOI, C. M. C. Previsão de séries temporais. 2. ed. São Paulo: Atual Editora, WERNER, L.; LEMOS, F. O.; DAUDT, T.; Previsão de Demanda e Níveis de Estoque uma Abordagem Conjunta Aplicada no Setor Siderúrgico. XIII SIMPEP, Bauru, nov