Anlise e Previso de Demanda numa Empresa de Distribuio de Medicamentos

Roberto Freitas Werneck MONOGRAFIA SUBMETIDA COORDENAO DE CURSO DE ENGENHARIA DE PRODUO DA UNIVERSIDADE FEDERAL DE JUIZ DE FORA COMO PARTE DOS REQUISITOS NECESSRIOS PARA A GRADUAO EM ENGENHARIA PRODUO. Aprovada por: ________________________________________________ Prof. Marcos Martins Borges, D Sc.

________________________________________________ Prof. Paulo ndr Lobo, M Sc.

________________________________________________ Eng. Francisco Wagner Azevedo Costa.

JUIZ DE FORA, MG - BRASIL JANEIRO 2007

WERNECK, ROBERTO FREITAS Anlise e Previso de Demanda numa Empresa de Distribuio de Medicamentos [Juiz de Fora] 2007 IV, 35 p. (UFJF, Engenharia de Produo , 2006) Tese - Universidade Federal de Juiz de Fora, Faculdade de Engenharia 1. Previso de Demanda I. UFJF II. Ttulo (Srie)

AGRADECIMENTOS
Ao meu orientador Marcos Martins Borges que ajudou e confiou no meu Trabalho. Athos Farma S/A que possibilitou o estudo de caso contido nesse trabalho. Minha famlia e Namorada que deu apoio nas horas difceis sendo fundamental para a concretizao dessa tese. Aos demais amigos e colegas que diretamente ou indiretamente ajudaram no desenvolvimento desse trabalho.

4 Resumo da monografia apresentada Coordenao de Curso de Engenharia de Produo como parte dos requisitos necessrios para a graduao em Engenharia Produo.

Anlise e Previso de Demanda numa Empresa de Distribuio de Medicamentos

Roberto Freitas Werneck Janeiro/2007 Orientador: Marcos Martins Borges Curso: Engenharia de Produo

Este trabalho tem como objetivo apresentar um estudo de caso sobre a previso de demanda para realizao da programao da produo na linha de operaes em uma empresa de prestao de servios. A empresa selecionada atua no ramo de distribuio de medicamentos. O presente estudo de caso se prope a analisar a demanda oriunda dos clientes, estimando assim modelos matemticos aplicados a sries temporais, usando uma metodologia que parte de um modelo simples e aperfeioa para o mais complexo at a obteno de um modelo apropriado que melhor se adeque realidade do mercado em questo. Os dados a serem levantados devem ter periodicidade mensal e, espera-se, atravs da construo dos modelos, realizar previses com o intuito de propor melhorias no processo de operaes, adequando a programao de operaes dessa empresa de forma que ocorra ganho significativo em reduo de custos e produtividade. Palavras-chave: Previso de Demanda, Apio a Deciso e Sries temporais.

5 Abstract of the monograph presented to the Coordination of Course of Engineering of Production as part of the necessary requirements for the graduation in Engineering Production.

Analysis and Forecast of Demand in a Company of Medicine Distribution

Roberto Freitas Werneck January/2007 Advisor: Marcos Martins Borges. Department: Engineering of Production

This work has as objective to present a case study on the forecast of demand for accomplishment of the programming of the production in the line of operations in a rendering of services corporation. The selected company acts in the branch of medicine distribution. The present study of case if she considers to analyze the deriving demand of the customers, being thus esteem mathematical models applied the secular series, using a methodology that has left of a simple model and perfects for most complex until the attainment of an appropriate model that better if adjusts to the reality of the market in question. The data to be raised must have weekly regularity e, expect, through the construction of the models, carry through forecasts with intention to consider improvements in the process of operations, being adjusted the programming of operations of this company of form that occurs significant profit in reduction of costs and productivity. Work-Key: Forecast of Demand, Support the Decision and Secular series.

Sumrio
CAPTULO I INTRODUO 1. 2. 3. 4. 5. APRESENTAES OBJETIVOS JUSTIFICATIVAS ESCOPO DO TRABALHO METODOLOGIA 7 7 7 7 8 8 10 10 12 12 13 13 14 14 16 17 17 19 19 19 20 32 32 32 33

CAPTULO II REVISO BIBLIOGRFICA 1. 2. INTRODUO SRIES TEMPORAIS CONCETOS BSICOS

2.1.1 3.

MTODOS QUANTITATIVOS DE PREVISO DE DEMANDA MDIA MVEL SUAVIZAO EXPONENCIAL MODELOS BOX-JENKINS METODOLOGIA DE BOX & JENKINS

3.1.1 3.2.1 3.3.1 3.3.1.1 4.

ERROS DE PREVISO AUTOCORRELAO

4.1.1

CAPTULO III ESTUDO DE CASO 1. 2. 3. A EMPRESA COLETA DE DADOS ANLISE

CAPTULO IV CONSIDERAES FINAIS 1. 2. 3. INTRODUO MODELO ADEQUADO HORIZONTES FUTUROS

Captulo I INTRODUO

1. APRESENTAES O tema proposto no trabalho bastante comentado no dia-a-dia das empresas, visto que de suma importncia para um bom planejamento. Os setores de compras, vendas e de produo, em geral so bastante afetados no que diz respeito previso de demanda. Segundo Tubino (2000), a previso da demanda a base para o planejamento estratgico da produo, vendas e finanas de qualquer empresa. Arnold (1999, p.228) ainda justifica que a previso inevitvel no desenvolvimento de planos para satisfazer a demandas futuras. O trabalho levanta o seguinte questionamento: Qual o modelo de previso quantitativo dentre os estudados que mais se adequa para se efetuar previses no mercado de distribuio de medicamentos? Este trabalho tem como proposta, analisar alguns modelos quantitativos de previso e selecionar o que melhor se adequar realidade da srie temporal em questo. 2. OBJETIVOS Este trabalho analisa sries temporais de um produto de uma empresa do ramo de distribuio de medicamentos, utilizando a metodologia do mais simples para o mais complexo, com a finalidade de estimar modelos matemticos para realizar previses de demanda, propondo assim melhorias no processo da empresa. 3. JUSTIFICATIVAS O estudo proposto nesse trabalho de concluso de curso ser de grande importncia para a empresa em questo, pois ir alavancar estudos mais aprofundados de previso, para absorver melhor a volatilidade da demanda do mercado em questo. O trabalho proposto pretende analisar a srie temporal de um produto especifico a ser escolhido em um segundo momento, propondo um modelo de previso para o produto em questo. Apesar de inicialmente o estudo ter um foco em apenas um produto a continuidade do trabalho apresentado aqui se faz pertinente uma vez que possa ser estendido aos demais produtos comercializados pela empresa, utilizando por exemplo um mtodo de clausterizao. Ainda assim este trabalho ser de grande importncia para a empresa uma vez que, toda a previso de demanda atualmente de forma emprica, ou com modelos que no traduzem adequadamente a realidade do setor. Este estudo de caso tende a melhorar os processos da empresa, uma vez que com a previso de demanda, com uma maior confiabilidade, o setor de compras poder realizar uma reduo de giro de estoque, alm de obter um estoque de segurana com uma margem reduzida. J o setor de vendas pode

8 adequar as estratgias de vendas para um volume especfico e mais eficaz de demanda. O processo logstico pode se adequar de forma estrutural, obtendo reduo de custos considerveis levando em considerao a confiabilidade dos dados da previso de demanda. O trabalho ser apresentado a setores estratgicos da empresa com intuito de firmar a importncia de se realizar previses de demanda. Cabe ainda ressaltar o carter pessoal do autor, que pretende com esse trabalho obter maior visibilidade da empresa. 4. ESCOPO DO TRABALHO O estudo de caso teve como recorte, a anlise de um produto da empresa escolhida, tendo como foco, um produto que tem suas vendas altas e com uma linha de tendncia crescente, alm de vendas constantes ao longo do ano. Tendo essa srie temporal, foi analisado os modelos de previso quantitativos apresentados no corpo do trabalho e foi proposto dentre estes, um modelo que maior corresponda srie temporal em questo. A empresa a ser estudada a Athos Farma S / A e o trabalho usa nmeros fictcios, para manter o sigilo da empresa. 5. METODOLOGIA Este trabalho foi desenvolvido em 7 (sete) etapas que estaro divididas da seguinte forma: Escolha da empresa o A escolha da empresa, a partir do estgio realizado pelo autor, que vislumbrou a possibilidade de desenvolvimento do trabalho.

Reviso bibliogrfica o Houve uma necessidade de estudar profundamente os modelos preditos existentes, para que possa adequar o melhor modelo dado o problema. Nesta etapa tambm pretendeu realizar estudos estatsticos para se determinar a melhor escolha do produto que ser analisado. Cabe ressaltar ainda que, foi realizado estudos em sites e artigos, visando o estado da arte no que diz respeito a previso de demanda.

Coleta de Dados o Por se tratar de um estudo de caso, foram realizadas pesquisas em campo, com o objetivo de coletar dados, para o melhor desenvolvimento do trabalho. Foram realizadas visitas empresa, para entendimento do

9 processo, visando identificar variveis que venham a ser consideradas no trabalho de concluso de curso.

Anlise dos dados o Nesta fase todos os dados coletados foram analisados, tendo como premissa, tratamento estatstico visando um melhor aproveitamento dos dados. Foram analisados todos os modelos previamente estudados, para que se obtenha um enquadramento de um modelo que melhor se aproxime da realidade da srie temporal. Esta fase foi realizada com a ajuda de software de previso de demanda, com o intuito de aperfeioar o processo de anlise.

Escolha do modelo de previso o Na escolha do modelo de previso pretendeu-se utilizar um processo dinmico, onde as anlises so realizadas de forma no seqencial, retornando sempre que necessrio na fase anterior de anlise dos dados, podendo ainda retornar at a coleta de dados. Essa metodologia de voltar ao processo anterior permite um melhor resultado do trabalho, pois retomando o processo, falhas podem ser resolvidas, quando identificadas nesta fase. o A escolha de um dos modelos de previso estudado consiste numa anlise de parmetros, que sero analisados, de acordo com o apresentado na reviso bibliogrfica.

Concluso e Apresentao o Aps a escolha do modelo de previso, novamente pode-se utilizar a reengenharia para retomar aos processos anteriores, com o objetivo de melhorar o desempenho do trabalho. o Neta etapa pretendeu-se propor um dos modelos estudados que melhor se adequasse srie temporal utilizada

importante ressaltar que as etapas utilizaram a reengenharia como ferramenta fundamental, pois se acredita obter melhor aproveitamento de todas as etapas do trabalho, contribuindo para um resultado final mais satisfatrio.

10

Captulo II Reviso bibliogrfica

1. INTRODUO O fato de a logstica estar presente no desenvolvimento das naes no quer dizer que este ramo do conhecimento humano tenha sido amplamente discutido no meio empresarial e acadmico. Na verdade, a logstica como disciplina empresarial comeou a ser discutida em meados da dcada de 50 do sculo passado, quando as empresas sentiram a necessidade de uma coordenao integrada dos fluxos de informaes e de materiais (BALLOU, 1997, p. 37). O primeiro livro-texto sobre o tema s veio ser publicado em 1961 (BALLOU, 2001, p. 21). Desde ento a logstica tem assumido um papel de destaque no contexto empresarial, pois as exigncias por maiores nveis de competitividade tm obrigado s empresas a repensarem suas operaes. Este fenmeno explicado, em grande parte, pelas mudanas ocorridas no cenrio econmico e de mercado nas ltimas dcadas. Sob o ponto de vista econmico, o avano da globalizao um fator a ser considerado. Com a abertura dos mercados, as grandes empresas passaram a competir em escala internacional, influenciando a concorrncia em pases at ento fechados como o Brasil. O aumento da concorrncia desenfreou uma corrida por melhores nveis de competitividade, o que obrigou os gestores a adotarem prticas conhecidas como os programas de qualidade, reengenharia entre outros. Uma outra caracterstica da nova economia consiste no aumento dos custos com capital, principalmente para pases em desenvolvimento. Os custos com capital aumentam os custos de manuteno de estoques, que contribui significativamente para o aumento dos custos logsticos. Com relao ao mercado, tem-se observado uma mudana no comportamento dos consumidores, o que modifica totalmente a forma de atuao de uma cadeia como um todo. At pouco tempo, os consumidores eram mais fiis s marcas ou qualidade dos produtos. A nfase estava no que o produto era e no o que ele podia proporcionar. No entanto, com a estabilizao da economia e o aumento da quantidade de produtos, os consumidores passaram a dispor de mais opes de escolha, o que diminuiu a importncia da marca e aumentou a importncia dada aos servios agregados. Dessa forma, atributos ligados ao servio de suporte ao produto no mercado so cada vez mais valorizados, dentre os quais informaes sobre o produto, assistncia tcnica, peas de reposio, freqncia de visitas dos vendedores, dentre outros.

11 O setor de medicamentos, mais especificamente, no diferente. Segundo a Abrifar,(Associao Brasileira dos Distribuidores e Importadores de Insumos Famacuticos) o setor responsvel por um faturamento de 1,65 bilho de reais em 2005 de medicamentos comercializados, segmento este que responde pela elevao da qualidade de vida da populao, uma vez que seus produtos so responsveis pela manuteno da sade das pessoas. Diante de um ambiente extremamente competitivo que as empresas brasileiras esto inseridas, de suma importncia poder visualizar cenrios, ficando a frente de concorrentes. Cenrios esses que podem ser previstos atravs de muitas metodologias hoje existentes. Cabe ressaltar, portanto a importncia desse estudo de caso, visando reduzir custos, melhorar a eficincia na resposta e tomada de deciso, reduzindo assim os custos com estoques. Portanto para a tomada de deciso muito importante realizar previses para minimizar erros de planejamento, bem como de oramento. Segundo Makridakis et al. (1998), realizar previses de demanda importante para auxiliar na determinao dos recursos necessrios para a empresa. Muito se tem falado de Programao e Controle de Operaes englobando a cadeia de suprimentos como um todo, mas pouco se fala do que est por trs dessa programao. O estudo de caso vem apresentar essas ferramentas e o suporte ao processo decisrio nas empresas. Alm disso, a necessidade de mostrar que possvel unir vrias disciplinas para um objetivo comum faz parte do escopo desse trabalho. A necessidade de modelos de previso para demanda bsica no processo de planejamento e controle. O trabalho utilizar com estratgia de modelagem um modelo autoprojetivo (Montgomery, 1990), isto , um modelo que no faz uso de outras variveis, utilizando somente a srie temporal em estudo. Este captulo introduz embasamentos tericos para que o trabalho tenha fundamento cientfico, visando um melhor entendimento por parte do leitor. Por fim, este capitulo mostra a teoria dos modelos de previso voltada para um cenrio empresarial tendo como foco o a logstica. A figura 1 explica as etapas abordadas pelo trabalho.

12

Figura 1: Etapas do modelo de previso

(Fonte: TUBINO, Dlvio F. Manual de Planejamento e Controle da Produo. 2ed. So Paulo: Atlas, 2000.)

2. SRIES TEMPORAIS 2.1.1 CONCETOS BSICOS Segundo (Zanini, 2000) srie temporal um conjunto de observaes de uma dada varivel, indexadas no tempo, geralmente em intervalos eqidistantes. Se Zt representa o valor de uma varivel aleatria no instante t, entende-se como srie temporal Z1, Z2 .... Zn onde N o numero de observaes seriais da varivel. As classificaes das sries temporais podem ser estocsticas, discretas ou contnuas. Preocupaes sobre o tempo, ou temporais, com relao aos nveis de demanda so comuns na previso (BALLOU, 2006, p. 242).

13 Uma observao a se fazer a respeito de srie temporal, que nem toda observao realizada no tempo, consiste em srie temporal. Jogos de azar, por exemplo, no podem ser considerados sries temporais, uma vez que no h como realizar previses para os resultados futuros. A figura 2 mostra um exemplo de sries temporais que so compostas em geral por quatro elementos. A Tendncia verifica o sentido de deslocamento da srie ao longo de vrios anos. J o ciclo significa o movimento ondulatrio que ao longo de vrios anos tende a ser peridico. A sazonalidade relaciona-se com o movimento ondulatrio de curta durao, em geral, inferior a um ano. E no menos importante o rudo aleatrio ou propriamente dito o erro, que compreende a variabilidade intrnseca aos dados e no pode ser modelado.

Figura 2 Srie Temporal

(Fonte: LEVINE, David M.; BERENSON, Mark L. STEPHAN, David. Estatstica: Teoria e Aplicaes usando o Microsoft Excel em portugus. Rio de Janeiro: LTC, 2000.)

3. MTODOS QUANTITATIVOS DE PREVISO DE DEMANDA Pode-se citar vrios mtodos padronizados de previso. Existem diferentes categorias dentre elas: qualitativos, quantitativos. Cada categoria possui diferentes anlises para diferentes espaos em relao ao tempo. O trabalho contempla alguns modelos pertencentes a categoria de modelo de previso quantitativos. 3.1.1 MDIA MVEL Segundo (BALLOU, 2006, pg. 246) cada ponto de uma mdia mvel numa srie de tempo a mdia aritmtica ou ponderada de um numero de pontos consecutivos das sries, onde o nmero de pontos de dados escolhido de forma a eliminar os efeitos da sazonalidade e irregularidade. Portanto, utiliza n ltimos valores da srie temporal, para previso no tempo t+1. Zt+1 = xi/n.

14 3.2.1 SUAVIZAO EXPONENCIAL De acordo com Makridakis et al. (1998), o mtodo das mdias mveis ponderadas uma extenso do mtodo das mdias mveis, no que se refere ao processo de previso. Por este procedimento, uma vez que as observaes mais recentes fornecem melhores informaes sobre padres futuros, as mesmas devem possuir maior peso em relao aos dados mais antigos. Em outras palavras os pesos designados para os valores observados decrescem ao longo do tempo, ou seja, o valor observado mais recentemente recebe o maior peso, o valor observado anteriormente recebe o segundo maior peso e assim por diante. O mtodo de suavizao exponencial considerado o mtodo mais adequado para se estabelecer previses para o estoque. Isto se deve ao fato do mesmo melhor satisfazer dois princpios bsicos: baixo custo operacional e produzir previses razoavelmente precisas. No mtodo de suavizao exponencial simples, para Tubino (2000), a previso obtida com base na previso anterior. A mesma, por sua vez, ajustada mediante a utilizao do erro cometido, ou seja, diferena entre o previsto e o observado. A parcela do erro , ao seu tempo, corrigida por um coeficiente ponderao alfa que pode variar de 0 a 1. Makridakis et al. (1998, p.147), apresenta a seguinte definio em relao ao mtodo em questo: (...) a nova previso simplesmente o somatrio da previso antiga com o ajuste para o erro ocorrido na ltima previso. Essa afirmao representada a seguir pela equao (3), Makridakis et al. (1998, p.147): Ft+1 = Ft + (Yt - Ft) Onde: Ft+1: previso para o perodo t+1; Ft: previso para o perodo t; : coeficiente de ponderao, assumindo valores entre 0 e 1; Yt: valor observado para o perodo t. 3.3.1 MODELOS BOX-JENKINS Segundo Werner (2003) os modelos de Box-Jenkins, genericamente conhecidos por ARIMA (Auto Regressive Integrated Moving Averages) e na literatura em portugus por Auto-regressivos Integrados de Mdias Mveis, so modelos matemticos que visam captar o comportamento da correlao seriada ou autocorrelao entre os valores da srie temporal, e com base nesse comportamento realizar previses futuras. Ainda vale ressaltar que segundo Souza & Camargo (1996), o fundamento terico do modelo de Box & Jenkins baseia-se na Teoria Geral de Sistemas Lineares que diz que a passagem de um rudo branco por um filtro linear de memria infinita gera um processo estacionrio de segunda ordem (com mdia e varincia constantes). A figura 3 ilustra essa

15 passagem transformando-se em um processo estacionrio de segunda ordem. Isto pode mostrar a fundamental importncia de no somente realizar as previses propriamente ditas, mas sim analisar o modelo proposto para verificar sua eficcia. Figura 3: Passagem para um modelo Estacionrio

Fonte: ZANINI, A., 2000, Redes neurais e regresso dinmica: um modelo hbrido para previso de curto prazo da demanda de gasolina automotiva no Brasil, Dissertao de Mestrado, PUC-RJ.

Os modelos auto-regressivo (AR) utilizam uma srie de dados histricos Zt que descrita por seus valores passados regredidos e pelo rudo aleatrio t. Assim, um modelo AR(p) dado por: Ft = Ft-1 + 2 Ft-2 + alfa3 Ft-3 + . + p Ft-p + t Onde: o parmetro que descreve como Ft se relaciona com Ft-1 para i = 1,2,3.... p. Para que o modelo seja estacionrio importante que |alfa| < 1 e que as autocovarincias (y) sejam independentes. Os modelos de mdias mveis (MA), Ft resulta da combinao dos rudos brancos do perodo atual com aqueles ocorridos em perodos anteriores. dado por: Ft = t -1 + 2 t -2 + 3 t -3 + . + q t q Onde: o parmetro que descreve como Ft se relaciona com t -1 para i = 1,2,3.... p. Os modelos auto-regressivos integrados de mdias mveis (ARIMA) trabalham para que sries temporais que ainda no sejam estacionrias passem a ser. A primeira diferena de Ft definida por: Ft = Ft Ft 1 a segunda dada por : D2 Ft = D [D Ft] = D[Ft Ft 1] = Ft 2 Ft 1 Ft 2 necessrio tomar uma ou duas diferenas para que a srie se torne estacionria. O nmero d de diferenas necessrias para tornar a srie estacionria denominado ordem de integrao. A incluso do termo de ordem de integrao permite que sejam utilizados os modelos ARIMA(p,d,q): wt = 1 wt-1 + ... + p wt-p + t - 1 t-1 - ... - q t-1

16

em que: wt = d Ft .

3.3.1.1

METODOLOGIA DE BOX & JENKINS

A metodologia inicia-se com a identificao de homogeneidade d para que se possa tornar a srie temporal estacionria. Isto pode ser feito analisando o prprio grfico ou ento a funo de autocorrelao, onde essa funo de autocorrelao possui um leve decrscimo. Depois de identificado a homogeneidade da srie, analisa os resduos gerados pelo modelo, a fim de definir se o modelo possui um rudo branco, que consiste em saber se o modelo pode explicar adequadamente o comportamento da srie. Isso permite concluir se o os erros no possui nenhuma correlao. A figura 4 ilustra a metodologia proposta:

17

Figura 4: Ciclo Iterativo da metodologia BOX & Jenkins

(PELLEGRINI, F. R., 2000, Metodologia para implementao de sistemas de previso de demanda, Dissertao de Mestrado, UFRGS - RS.)

4. ERROS DE PREVISO Este item aborda as medidas de erros para a comparao ente modelos de previso obtidos, culminando na escolha do modelo mais adequado a srie temporal analisada. A literatura possui vrias medidas de erros, entretanto neste trabalho so utilizados os seguintes: 1- Erro Absoluto Mdio: MAD = ( | Z(i) - F(i) | ) / N 2- A frao da varincia da srie explicada pelo modelo: R2 = ( (Z(i) - F(i))2 ) / N 3- Erro Percentual Mdio MAPE = ( ( | Z(i) - F(i) |) / Z(i) ) * 100 ) / N Onde: Z(i) um perodo da srie temporal F(i) um perodo da previso realizada N o somatrio dos perodos.

4.1.1 AUTOCORRELAO
Uma estatstica importante na anlise de sries temporais o coeficiente de autocorrelao . A autocorrelao usada para descrever a correlao entre dois valores da mesma srie temporal, em diferentes perodos de tempo. Assim, um coeficiente de autocorrelao 1 mede a correlao entre dois valores adjacentes na srie, e a autocorrelao, neste caso, dita autocorrelao de lag (ou defasagem) 1. De maneira genrica, o coeficiente de autocorrelao k mede a correlao entre observaes

18 distantes k perodos de tempo (ou seja, uma autocorrelao de lag k). A autocorrelao de lag k medida pelo coeficiente k , definido por (Box & Jenkins, 1994).

Essas medidas de erros de previso so extremamente importantes, pois atravs delas a escolha dos modelos realizada. Essa escolha se remete ao ponderamento das trs medidas acima citadas.

19

Captulo III ESTUDO DE CASO

1. A EMPRESA A empresa do ramo de distribuio de medicamentos. Com base no site (www.athosfarma.com.br) a Athos Farma surgiu da fuso de trs empresas do mesmo ramo, que estavam no mercado a mais de 40 anos. A empresa vislumbrou um potencial crescimento com a estratgia de fuso, atingindo a cifras extraordinrias de mais de 1 bilho de reais/ano de acordo com o site da empresa. Todo esse crescimento necessitou de investimento em vrias reas da empresa. Uma dessas reas, a logstica teve um foco muito grande em investimento de capital intelectual, mudando com a fuso a estratgia de contratao de pessoal. Atualmente investe-se muito em programas de Trainee e de Estgios. A empresa est fortemente empenhada em agregar valor ao seu negcio, e acredita que com os programas descritos acima, possa ser eficaz, e efetiva no que diz respeito qualidade dos servios prestados. Com base nisso, o autor do trabalho se insere no Programa de Estgio que a Athos implementou, trabalhando na rea de PCO (Programao e Controle de Operaes), onde atravs de anlise realizada, identificou o tema desse trabalho como sendo de importncia estratgica para aprofundar e agregar conhecimentos tanto para o autor quanto para a empresa. Este estudo de caso ajustar modelos apresentados realidade da srie temporal, prevendo com margem de erro aceitvel, tendo com isso uma credibilidade maior. Servir como base para os vrios setores na empresa. Como por exemplo, entende-se que o setor de compras poder controlar a compra desse produto, com maior confiabilidade e pode-se assim reduzir seu estoque dentro da produo, obtendo ganhos em giro de estoque. A aplicao do estudo vai alm da aplicao direta na empresa. A busca constante por melhorias, faz com que o engenheiro de produo, tente sempre otimizar os processos. Dentro deste contexto, o trabalho fornece formas de analisar os problemas, tanto do ponto de vista tangvel, quanto intangvel.

2. COLETA DE DADOS A escolha da srie temporal utilizada foi determinada pela aplicao do trabalho na empresa. Essa srie temporal visa auxiliar reas estratgicas da empresa, contribuindo para um planejamento eficiente. A srie temporal foi coletada atravs de entrevistas e reunies com funcionrios da parte estratgica/planejamento da empresa. O produto escolhido foi Viagra 50 miligramas

20 caixa com 4 comprimidos (VIAGRA CPR 50 MG C/4) do laboratrio Pfizer, lder em vendas na empresa e com alto valor agregado. Os dados so referentes ao perodo de maio/2003 a novembro/2006. Dada a importncia que esse produto especifico representa para a empresa, considerou-se apropriado, prever suas demandas futuras. As previses so baseadas exclusivamente na opinio do pessoal de vendas acoplado a isso mdias puras, no utilizando nenhuma tcnica quantitativa expressivamente relevante. Assim, uma implementao de tcnicas de previso na empresa em estudo pode aumentar a acurcia das previses, possibilitando um melhor planejamento da produo. 3. ANLISE Na anlise das sries temporais do produto da empresa Athos Farma, foi utilizado o pacote computacional Forecast Pro. Este pacote possibilita a escolha automtica do modelo de previso mais apropriado. Aps a coleta dos dados, primeiramente foi construdo um grfico representativo da srie de Vendas do VIAGRA CPR 50 MG C/4 na Athos Farma, conforme figura 5. Realizouse num primeiro instante, uma anlise grfica dos dados. Ao observar o grfico da figura 5, verifica-se que a srie possui uma grande variabilidade e alguns picos (outliers), alm de uma tendncia de crescimento.

Legend VENDAS_VIAGRA_CPR 7

2 X 10000 2004 2005 2006

Figura 5: Vendas Viagra

(Fonte: Athos Farma S/A)

21 Os dados de demandas representam as vendas em unidades, relembrando que os dados esto ajustados para que no sejam iguais aos reais. Considerando ainda o horizonte de previso a ser adotado no estudo de 1 ms. A etapa seguinte da anlise a remoo de seus valores esprios ou atpicos. Segundo Pellegrini (2000) valores esprios ou atpicos so promoes feitas pela empresa, redues espordicas nos preos dos produtos comercializados pela concorrncia, entrada de novos concorrentes em regies ou clientes especficos, falhas no planejamento da produo ou na compra de insumos (gerando escassez de produtos). Sempre que considerados de ocorrncia espordica e sem um padro pr-estabelecido, dados esprios associados a causas especiais podem ser removidos da srie, em busca de um melhor ajuste do modelo aos dados. Quando este no for o caso, todavia, corre-se o risco de reduzir-se artificialmente a variabilidade da srie, gerando, como conseqncia, predies pouco realistas. Cabe ressaltar que os parmetros para analises foram otimizados pelo software Forecast Pro. O grfico da figura 6 mostra a divergncia do valor real ajustado segundo o modelo de Suaviazao exponencial, avaliando sem tendncia e sem sazonalidade. Os valores do R2 de 0,1022, o MAPE de 0,3424 e o MAD de 1.017e+004 nos mostra que a tendncia e a sazonalidade deve ser considerada, uma vez que visualmente o prprio grfico nos mostra que existem picos e vales, configurando possivelmente uma sazonalidade. As linhas azuis mostram o intervalo de confiana de 95%, e a linha vermelha indica os valores ajustados segundo o modelo de previso. Alm disso, a figura 7 apresenta a autocorrelao dos erros, que no possui nenhuma correlao significativa que prejudique a anlise do modelo, uma vez que a funo no possui nenhum perodo da srie superior linha pontilhada que significa o limite de aceitao.

22

Legend 10 VENDAS_VIAGRA_CPR

X 10000 2004 2005 2006 2007

Figura 6: Srie modelada sem tendncia e sem sazonalidade no mtodo Suavizao exponencial, com os valores preditivos e intervalo de confiana.

Figura 7: Autocorrelao dos erros da srie modelada sem tendncia e sem sazonalidade no mtodo Suavizao exponencial.

23

O grfico da figura 8 mostra a srie modelada com o mtodo de suavizao exponencial com sazonalidade multiplicativa e sem tendncia. O R2 do modelo 0,2983 o MAPE 0,2912 e o MAD 8614. A incluso da sazonalidade modifica os parmetros de erros de previso.

Legend VENDAS_VIAGRA_CPR

10

X 10000 2004 2005 2006 2007

Figura 8: Srie modelada com tendncia e sem sazonalidade no mtodo Suavizao exponencial, com os valores preditivos e intervalo de confiana. J a figura 9 ilustra a srie modelada ainda com o mtodo de suavizao exponencial, mas com tendncia e sazonalidade multiplicativa. O R2 0,2983 o MAPE 0,29 e o MAD 8569, mostrando tambm a ineficincia desse modelo para esta srie. Entretanto segue a figura 10 mostrando a autocorrelao dos erros.

24

12

Legend VENDAS_VIAGRA_CPR

10

X 10000 2004 2005 2006 2007

Figura 9: Srie modelada com tendncia e sazonalidade multiplicativa no mtodo Suavizao exponencial, com os valores preditivos e intervalo de confiana.

Figura 10: Autocorrelao dos erros da srie modelada com tendncia e com sazonalidade multiplicativa no mtodo Suavizao exponencial.

25

A figura 11 se refere ao modelo de BOX & Jenkins ARIMA(1,0,0) e tem R2 de 0,2172, MAPE 0,3627 e MAD 1,01e+004. A modelagem com o modelo ARIMA(1,0,0) de BOX & Jenkis, no adequada significativamente a srie estudada.

Legend VENDAS_VIAGRA_CPR

X 10000 2004 2005 2006 2007

Figura 11: Modelo ARIMA(1,0,0) com os valores preditvos e intervalo de confiana.

26

J a figura 12 abaixo refere autocorrelao dos erros do modelo proposto anteriormente.

Figura 12: Autocorrelao dos erros da srie modelada com ARIMA(1,0,0). O softwarte Forecast Pro, fornece a modelagem otimizada, uma vez escolhido o modelo. A figura 13 mostra a previso baseada na otimizao realizada pelo Forecast Pro, uma vez que ajusta automaticamente a srie ao modelo proposto. O R2 0,2448, o MAPE 0,3209 e o MAD 9734.

27

Legend VENDAS_VIAGRA_CPR

X 10000 2004 2005 2006 2007

Figura 13: Modelo ARIMA(1,0,0) com os valores preditvos e intervalo de confiana. Cabe ressaltar que o modelo BOX & Jenkis no se adequa a srie temporal estudada. Justificasse esse fato pela complexidade da srie, uma vez que h variveis no compreendidas nesse estudo e tambm o perodo ser inferior a 56, acreditando ser esse um nmero ideal para anlises. Faze-se necessrio a tcnica utilizada de ajustes na srie para o equilbrio e excluso de possveis variveis no identificadas faz-se necessrio (Pellegrini, 2000). A figura 14 abaixo ilustra o modelo de suavizao exponencial com tendncia e sazonalidade com a srie temporal ajustada seguindo modelo preditivo. O R2 0,5889, o MAPE 0,16655 e MAD 5338. Houve uma melhora significativa no que se refere adequao da srie ao modelo, proposto inicialmente.

28

Legend VENDAS_VIAGRA_CPR 8

X 10000 2004 2005 2006 2007

Figura 14: Srie modelada com tendncia e sazonalidade multiplicativa no mtodo Suavizao exponencial, com os valores da srie ajustados e intervalo de confiana. Esse modelo da figura 13 se mostrou at agora o mais ajustvel, entretanto possui limite superior e inferior bastante distante da previso. A necessidade de um estudo de anlise no cenrio do produto proposto, foi realizado a fim de entender melhor o comportamento da srie. O produto VIAGRA CPR 50 MG C/4 iniciou as vendas em maio de 2003 e manteve um mesmo nvel de vendas at incio de 2005. O produto obteve uma mudana de nvel em meados de 2005, onde o Laboratrio Pfizer realizou uma campanha de marketing e promoo sobre o produto, elevando assim o nvel de vendas do produto, atingindo nveis bastante interessantes. A curva de vendas mudou sensivelmente e se manteve neste nvel at os dias atuais. A previso de um modelo que melhor se ajusta, torna ineficiente quando h essa alterao de estratgia. Cabe ressaltar que o produto novo e est eu seu ciclo inicial de crescimento. Portanto uma nova anlise foi realizada com os dados de 2005 at os dias de hoje. A figura 15 mostra a srie temporal com o modelo suavizao exponencial com tendncia, uma vez que est em seu estgio de crescimento, alm de sazonalidade multiplicativa. O R2 0,9245, o MAPE 0,1102 e o MAD2923, demonstrando um desempenho satisfatrio.

29

Legend VENDAS_VIAGRA_CPR 12

10

X 10000 2004 2005 2006 2007

Figura 15: Srie modelada com tendncia e sazonalidade multiplicativa no mtodo Suavizao exponencial, com os valores da srie, intervalo de confiana e a previso.

30 Outra informao relevante a disposio da Autocorrelao dos erros, ilustrada na figura 16, onde percebe-se que no h autocorrelao dos erros significante, visto que no ultrapassa as linhas pontilhadas, delimitadoras.

Figura 16: Autocorrelao dos erros da srie modelada com tendncia e com sazonalidade no mtodo Suavizao exponencial.

31 O quadro 1 abaixo mostra a comparao dos mtodos usados para anlises dos erros de previso entre os modelos que melhor explicaram a srie estudada

Modelos Previso Analisados Suavizao Exponencial (Sem Tendncia e Sazonalidade Multiplicativa) Suavizao Exponencial (Com Tendncia e Sazonalidade Multiplicativa) ARIMA (1,0,0) Suavizao Com Tendncia e Sazonalidade Multiplicativa) Modelo Ajustado Suavizao Exponencial (Com Tendncia e Sazonalidade Multiplicativa) Srie Temporal reduzida

R2 0,2983 0,2983 0,2172 0,5889

MAPE 0,2912 0,29 0,3627 0,1665

MAD 8614 8569 1,01 e+ 004 5338

0,9245

0,1102

2923

Quadro1: Comparao dos mtodos de anlise dos erros de previso

32

Captulo IV CONSIDERAES FINAIS

1. INTRODUO A proposta da coleta dos dados, da anlise da srie temporal, da escolha do modelo adequado, bem como a concluso e a apresentao do trabalho de acordo com a metodologia foram apresentadas no capitulo I, II e III, deste trabalho. O estudo dos modelos propostos foi apresentado no capitulo III deste trabalho, visando o embasamento terico, para uma eficaz concepo deste tema. O trabalho teve como objetivo a proposio de um modelo que melhor se ajuste a srie temporal do VIAGRA CPR 50 MG C/4, um produto distribudo pela da Athos Farma S/A, visando possibilitar uma melhora expressiva no planejamento de compras e vendas, bem como o planejamento da operao.

2. MODELO ADEQUADO De acordo com o quadro 1 percebe-se claramente que dentre os modelos analisados, o modelo que melhor se adequa a realidade da srie, ponderados os motivos descritos no decorrer do captiulo III, o modelo do mtodo de Suavizao Exponencial, com tendncia e sazonalidade multiplicativa. Entretanto esse modelo foi perceptvel devido uma analise mais rigorosa realizada acerca do produto escolhido, bem como variveis externas srie, propondo uma excluso dos anos anteriores a 2005. Cabe ressaltar que o estudo aqui apresentado visou apresentar um modelo de previso para adequao da srie temporal, entretanto serve como meio e no como fim. Alm disso, o mercado de distribuio de medicamentos sofre constantes mudanas no cenrio nacional. Outra observao referente ao dinamismo do processo de previso, requerendo assim um trabalho contnuo e constante. O quadro 2 abaixo mostra de acordo com o modelo escolhido a previso para os prximos meses.

33

Ms 2006-11 2006-12 2007-01 2007-02 2007-03 2007-04 2007-05 2007-06 2007-07 2007-08 2007-09 2007-10

Previso 23.545 26.254 17.464 38.689 33.642 16.732 26.980 30.058 30.998 47.766 88.459 19.991

Quadro 1: Previso de Demanda do VIAGRA 50 MG C/4 para os prximos meses O trabalho permitiu verificar que variveis externas influenciam a srie temporal de modo a redimensionar o horizonte de previso, bem como os perodos analisados para adequar a modelagem. 3. HORIZONTES FUTUROS O trabalho props a modelagem de demanda de vendas e abre os horizontes para outros estudos de previso de demanda na Athos Farma, com foco em melhoria de planejamento dos processos, contribuindo para uma agregao de valor na empresa. Outros estudos sero realizados futuramente em ps-graduao, para um aprofundamento ainda maior em outras sries temporais dos medicamentos distribudos pela empresa, e at mesmo para a srie em questo.

34

REFERNCIAS BIBLIOGRFICAS
BOX, G. E. P., JENKINS, G . M., 1994, Time Series Analysis, Forecasting and Control, San Francisco, Holden-Day. MAKRIDAKIS, S.; WHEELWRIGHT, S.; HYNDMAN, R. J. Forecasting methods and applications. 3. ed. New York: John Wiley & Sons, 1998. MONTGOMERY, D. C., JOHNSON, L. A., 1990, Forecasting and Time Series Analysis, New York, McGraw Hill Book Co. PELLEGRINI, F. R., 2000, Metodologia para implementao de sistemas de previso de demanda, Dissertao de Mestrado, UFRGS - RS. SOUZA, R. C., CAMARGO, M. E., Anlise e Previso de Sries Temporais: Os Modelos ARIMA. SEDIGRAF, 1996. TUBINO, D., FERRARI, 2000, Manual de Planejamento e Controle da Produo, 2 ed. So Paulo, Atlas. WERNER L.; RIBEIRO J. L. D. 2003, Previso de Demanda : Uma Aplicao dos Modelos Box & Jenkins na rea de assistncia tcnica de computadores pessoais, Artigo Gesto & Produo. ZANINI, A., 2000, Redes neurais e regresso dinmica: um modelo hbrido para previso de curto prazo da demanda de gasolina automotiva no Brasil, Dissertao de Mestrado, PUC-RJ.