Вы находитесь на странице: 1из 49

FUNDAO DE ENSINO EURPIDES SOARES DA ROCHA CENTRO

UNIVERSITRIO EURPIDES DE MARLIA UNIVEM CURSO DE


BACHARELADO EM SISTEMAS DE INFORMAO

FELIPE MARQUES BESSA DEANIN

APLICANDO A LINGUAGEM R PARA O MODELO S&OP

MARLIA
2015

FELIPE MARQUES BESSA DEANIN

APLICANDO A LINGUAGEM R PARA O MODELO S&OP

Trabalho de Curso apresentado ao Curso


de Bacharelado em Sistemas de
Informao da Fundao de Ensino
Eurpides
Soares
da
Rocha,
mantenedora do Centro Universitrio
Eurpides de Marlia UNIVEM, como
requisito parcial para obteno do grau
de Bacharel em Sistemas de Informao.

Orientador:
Prof. Geraldo Pereira Junior

MARLIA
2015

Marques Bessa Deanin, Felipe


Aplicando a Linguagem R para o modelo S&OP / Felipe Marques
Bessa Deanin; orientador: Prof. Geraldo Pereira Junior. Marlia, SP: [s.n.],
2015.
50 folhas

Monografia (Bacharelado em Sistemas de Informao): Centro


Universitrio Eurpides de Marlia.
CDD: 658.4038

Dedico este trabalho ao meu pai, Claudenir Deanin, e


minha me, Solange Deanin.

AGRADECIMENTOS

Agradeo aos meus pais, Claudenir e Solange, e minha namorada, Brbara, por
toda a dedicao e esforo para que eu consiga atingir meus objetivos, lutar por meus sonhos
e, principalmente, por no me deixar desistir diante das dificuldades.
Ao Professor Geraldo, por aceitar a orientao deste trabalho e realiz-la com
excelncia; por toda pacincia, dedicao e por acreditar em meu potencial para a realizao
desta tarefa.
Professora Giulianna, por todos os ensinamentos e pelas sugestes que, sem
dvida, muito contriburam para esta pesquisa.
Agradeo, enfim, a todos os amigos de sala; em especial: Everton, Fernando,
Guilherme Plaza, Carol, pelo encorajamento, pela ajuda e pelo compartilhamento de
experincias em cada momento de dificuldade e, tambm, nos inmeros instantes de alegria.

Tudo posso naquele que me fortalece. (Filipenses


4,13)

MARQUES BESSA DEANIN, Felipe. Aplicando a Linguagem R para o Modelo


S&OP. 2015. 49f. Trabalho de Curso (Bacharelado em Sistemas de Informao)
Centro Universitrio Eurpides de Marlia, Fundao de Ensino Eurpides Soares da
Rocha, Marlia, 2015.

RESUMO
Em tempos modernos, que exigem, cada vez mais, objetividade e resultados efetivos, torna-se
fundamental que as organizaes tenham um bom planejamento de vendas e operaes. Para
isso, a organizao deve entender e visualizar sua demanda de forma precisa, para que,
futuramente, em suas decises, na realizao do seu planejamento de vendas, consiga utilizar
tal informao aliada s outras informaes, conquistando, assim, o melhor balanceamento
entre a sua demanda e sua oferta. Devido ao grande volume de dados gerados e o tempo que
tende a ser mais escasso na rotina das organizaes, nota-se a inviabilidade de se analisar
referidos dados apenas com uma anlise humana. O presente trabalho, portanto, tem como o
objetivo principal processar esses dados gerados, de uma forma rpida e de fcil
entendimento, atendendo a uma resposta eficiente e eficaz, de tal maneira que a organizao
no precise disponibilizar um grande crculo de funcionrios, nem precise buscar um auxlio
especializado fora dela para atender tarefa. Logo, ser utilizada a linguagem de
programao R Shiny na criao de uma interface de fcil utilizao, em que sero executados
os mtodos estatsticos no software R Language, em especial a correlao de Pearson,
sendo plotadas as informaes lapidadas em um grfico, a fim de que seja possvel uma anlise
visual mais facilitada.
Palavras-chave: R language, Sales and Operations Planning, Planejamento, S&OP, Shiny,
Pearson.

MARQUES BESSA DEANIN, Felipe. Aplicando a Linguagem R para o Modelo


S&OP. 2015. 49f. Trabalho de Curso (Bacharelado em Sistemas de Informao)
Centro Universitrio Eurpides de Marlia, Fundao de Ensino Eurpides Soares da
Rocha, Marlia, 2015.

ABSTRACT
In modern times requiring increasingly objectivity and effective results, it becomes critical as
organizations who have good sales and planning operations. For this, one organization must
understand and view your demand form of need, for what future in your decision
paragraph the your sales and planning director, can use this information allied at
additional information to achieve the best balance between your demand is his offer. The
large volume of data generated and the due time every time more scarce organizations, notes
an impracticality of analyzing these data only with a human analysis. This work has as
the main objective, processes data generated from a quick way and understanding easy and
that has a response efficient and effective, where the organization not provide accurate a
large circle of officials and not get accurate hum aid specialized para forums undertake that
work. For it, will used language programming R Shiny paragraph make an creating an
easy-to-use interface, where this, perform statistical methods in R Language software,
especially the Pearson Correlation and we will plot as faceted information in a chart,
paragraph a closer look easy.
Keywords: R Language, Sales and Operations Planning, Planning, S&OP, Shiny, Pearson.

LISTA DE ILUSTRAES
Figura 1 Perodo de congelamento (time fence)....................................................................... 20
Figura 2 Processo Mensal do Sales & Operations Planning. ................................................ 22
Figura 3 Fluxograma do papel da estatstica na tomada de deciso gerencial....................... 29
Figura 4 Exemplo Peso x Altura ............................................................................................ 30
Figura 5 Diferena de Escalas ............................................................................................... 31
Figura 6 Frmula do Coeficiente de Correlao de Pearson ............................................... 31
Figura 7 Classificao do Resultado (r) do Coeficiente de Correlao de Pearson .............. 32
Figura 8 Equao de Regresso. ............................................................................................ 33
Figura 9 Coeficiente Angular ................................................................................................ 33
Figura 10 Ponto de Interceptao. ......................................................................................... 33
Figura 11 Regresso Mltipla................................................................................................. 34
Figura 12 Etapas do K DD. ........................................................................................................................35
Figura 13 Parte dos dados das Vendas mensais dos produtos ............................................... 36
Figura 14 Cdigo user-interface ............................................................................................ 38
Figura 15 Cdigo server R .................................................................................................... 39
Figura 16 Galeria de Aplicaes do Shiny. ........................................................................... 40
Figura 17 Dez maiores correlaes entre os produtos ........................................................... 42
Figura 18 Regresso Linear Mltipla no R ........................................................................... 42
Figura 19 Clculo Regresso Linear produto X6. ................................................................... 43
Figura 20 Clculo Regresso Linear produto X8. ................................................................... 44
Figura 21 Clculo Regresso Linear produto X10. ................................................................. 44
Figura 22 Clculo Regresso Linear produto X14. ................................................................. 44
Figura 23 Clculo Regresso Linear produto X18. ................................................................. 45
Figura 24 Grfico com as Previses de alguns produtos ....................................................... 47

LISTA DE TABELAS
TABELA 1

Participantes sugeridos do processo de S&OP

TABELA 2

Classificao do Coeficiente de Correlao

TABELA 3

Servidores Shiny

TABELA 4

Resultados Obtidos

LISTA DE ABREVIATURAS E SIGLAS


S&OP

Sales and Operations Planning

GNU

General Public License

UI

User Interface

SUMRIO

INTRODUO .............................................................................................................................. 14
1

PLANEJAMENTO DE VENDAS E OPERAES............................................................. 16


1.1

Processos do Planejamento de Vendas e Operaes ................................................... 22

LINGUAGEM R................................................................................................................ 26

ESTATSTICA .................................................................................................................. 28
3.1 PROBABILIDADE .............................................................................................................. 30
3.1.1 Conceitos Fundamentais ...................................................................................................... 30
3.1.2 Mtodo Correlao .................................................................................................... 31
3.1.3 Diagramas de Disperso ............................................................................................. 31
3.1.4 Regresso Linear Mltipla .......................................................................................................34

KNOWLEDGE DISCOVERY IN DATABASES (KDD)........................................................ 36


4.1 Minerao de Dados.................................................................................................................. 37

RSTUDIO Shiny ............................................................................................................................ 39

DESENVOLVIMENTO DA APLICAO ....................................................................... 42

RESULTADOS OBTIDOS .......................................................................................................... 46

CONCLUSO .......................................................................................................................... 47
REFERNCIAS.............................................................................................................................. 48

14

INTRODUO
Durante muito tempo, as empresas, em razo da grande concorrncia do mercado,
vm buscando melhoria no seu planejamento, visando, sobretudo, ao menor custo de produo
aliado confeco de um produto bom, barato e acessvel. Em razo disso, portanto, a maioria
das organizaes, a fim de conseguir informaes necessrias para seu planejamento, renem
seus colaboradores de mais alto nvel e indagam a esses sua opinio sobre as projees da
empresa para os prximos meses; essa ttica, contudo, nem sempre ajuda muito o andamento
do planejamento, pois, em geral, cada colaborar se pauta em um referencial e isso, ao invs de
favorecer os passos seguintes, no fundo, prejudica as representaes futuras, visto, aps a
rodada de opinies, duas perguntas sempre ficam no ar: 1) Em qual nmero se deve acreditar?
2) Quais mtodos, ou clculos, sero utilizados para se chegar a um nmero mais aproximado
possvel da realidade? Observando essa dificuldade das organizaes, o intuito deste trabalho,
ento, automatizar o processo para se atingir, tanto quanto mais adequadamente, a esse
nmero estimado de vendas. Para tanto, ser empregado o modelo de negcio S&OP, que
realiza a coleta de informaes pela gerncia junto alta diretoria a organizao. Durante tal
processo, deve-se introduzir essas informaes no ambiente de programao estatstica R
Language, a fim de que realizem os clculos, a partir do mtodo de Correlao, e, por fim, seja
gerado um grfico para a visualizao, anlise e entendimento mais facilitados, por meio de
uma interface de clara utilizao. Assim, espera-se reduzir o tempo para que os diretores, junto
com a alta gerncia, tomem suas decises em relao ao planejamento da organizao de uma
forma geral.

Motivao e Justificativa
Com a finalizao do projeto, espera-se divulgao de um prottipo em que um
usurio consiga inserir os seus dados e gerar um grfico para a tomada de deciso, sem
necessidade de um alto conhecimento de programao, bem como de conhecimento estatstico,
diminuindo, pois, o tempo e o dinheiro gasto com profissionais externos para a realizao desse
processo. Justifica, ainda, tal motivao o tempo gasto, fora de sua funo habitual, que o
funcionrio empregar para realizar a coleta e minerao dos dados para os transformar em
informaes relevantes; afinal, tempo dinheiro.
O pblico-alvo deste trabalho so empresas de pequeno e mdio porte que necessitem
de informao rpida e confivel para realizar seu planejamento e que no tenham recursos e
mo-de-obra qualificada para realizar, manualmente, essa tarefa.

15

Objetivo Geral
O objetivo geral deste trabalho o estudo do mtodo de minerao de dados KDD
(Kownledge Discovery in Databases), para transformar os dados obtidos da empresa em
informaes. Aps a transformao do dado, este ser estudado e utilizado a partir do mtodo
de Correlao de Pearson. Tal mtodo implica desenvolver anlises estatsticas sobre a
informao j lapidada e, por fim, propor um prottipo que promova o clculo estatstico e
retorne uma previso de vendas para os meses futuros, desde o mtodo de regresso mltipla,
plotado em grficos, para que, assim, subsista uma forma mais facilitada que permita aos
responsveis entenderem e repassarem as informaes ali contidas, apresentando a seus
diretores e/ou gerentes, permitindo nesses o entendimento estatstico para extrao da
informao repassada.
Objetivos Especficos
Os objetivos especficos envolvem a diminuio do tempo que utilizado para fazer a
previso de vendas de um grupo que possua, em mdia, 100 vendedores. Tambm se busca
auxiliar a organizao, com uma reduo de seus produtos em estoque. Todo esse processo
tende a ser amparado por tcnicas de Correlao e Regresso Mltipla.
Organizao do Trabalho
A pesquisa em tela tem como suporte reviso bibliogrfica que fundamenta,
teoricamente, bem como aprofunda o tema abordado.
Conjuntamente, o trabalho est distribudo em 7 captulos organizados da seguinte
forma: o Primeiro Captulo (Planejamento de Vendas e Operaes) contm a abordagem geral
em torno do tema, os objetivos da pesquisa e alguns pilares do processo analisado.
J o Segundo Captulo (Linguagem R) conduz a um breve conceito sobre a
Linguagem R, quais so suas modalidades estatsticas, entre outras caractersticas da linguagem.
O Terceiro Captulo (Estatstica) volta-se ao conceito sobre a Estatstica. Aps serem
enfocados termos bsicos, ser abordado o conceito de Probabilidade e, tambm, seus termos
bsicos; por ltimo, vir a Correlao de Pearson.
Quanto ao Quarto Captulo (Knowledge Discovery in Databases), o interesse estar no
mtodo de minerao de dados.
O Quinto Captulo (RStudio Shiny) constitui a demonstrao do funcionamento do
framework Shiny, produzido pela RStudio; h, ainda, uma breve introduo criadora deste.
No penltimo captulo, o Sexto (Desenvolvimento da Aplicao), ocorre o
desenvolvimento do prottipo e a explicao do funcionamento do mesmo, com prints das telas
principais do recurso.
E, finalmente, o Stimo Captulo (Resultados Obtidos) responder pelos resultados

16

obtidos ao final da pesquisa.

PLANEJAMENTO DE VENDAS E OPERAES


Planejamento de Vendas e Operaes um termo que vem do ingls Sales and

Operations Planning (S&OP); trata-se de um processo que auxilia nas tomadas de decises da
empresa para que a mesma consiga balancear a sua demanda e oferta.
Para uma definio mais resumida, segundo Wallace (2001), o Planejamento de
Vendas e Operaes um processo aprimorado de tomada de decises que ajuda as pessoas,
nas empresas, a proporcionarem excelente atendimento aos clientes e a conduzirem melhor os
negcios (WALLACE, 2001).
E, sob uma definio mais completa, ainda o autor oferece a seguinte explicao:
O Planejamento de Vendas e Operaes (S&OP) um processo
empresarial que ajuda as empresas a manterem a demanda e a oferta
balanceadas. Isto feito atravs do enfoque nos volumes agregados
(famlias e grupos de produtos) de modo que os problemas de mix
(produtos individuais e pedidos de clientes) possam ser controlados
mais prontamente. Ele ocorre num ciclo mensal e apresenta informaes
tanto em unidades como em reais. O S&OP multidisciplinar,
envolvendo a Gerncia Geral, Vendas, Operaes, Finanas, e
Desenvolvimento de Produtos. Ele envolve mltiplos nveis dentro da
empresa at o executivo responsvel pela unidade de negcios inclusive,
por exemplo, o presidente da diviso, gerente-geral da unidade de
negcios, ou o diretor de uma pequena empresa. O S&OP interliga os
planos estratgicos e o plano de negcios da empresa aos processos - a
entrada do pedido, a programao e as ferramentas de compras que ele
utiliza para a conduo dos negcios em uma base semanal, diria e
horria. Utilizado adequadamente, o S&OP capacita os gerentes das
empresas a visualizarem os negcios holisticamente e dar-lhes uma janela
para o futuro. (WALLACE, 2001)

E, complementando, observa que a misso do S&OP o balanceamento da demanda


com a oferta em nvel de volume, de tal modo que esse volume se refere aos ndices globais de
vendas, ndices de produo, inventrios agregados e pedidos pendentes ou em atraso
(WALLACE, 2001).

Objetivos do S&OP
Em Corra, Gianesi & Caon (2001), a execuo eficaz do processo de S&OP s
possvel se os objetivos a seguir forem alcanados. So eles:
Suportar o planejamento estratgico do negcio
a garantia, por meio de anlises e revises peridicas, de que o planejamento
feito vivel e est sendo cumprido. Normalmente, esse planejamento estratgico

17

expresso em moeda, o que torna mais complicado de outras reas da empresa


conseguirem entender o que esse planejamento est querendo passar. O
autor pondera que o S&OP deve fornecer a ligao entre o plano estratgico
de negcio e as diversas reas da empresa, garantindo que o plano de cada
rea esteja em sincronia com o plano estratgico (CORRA, GIANESI &
CAON, 2001).
Garantir que os planos sejam realsticos
Como se sabe, algumas reas da empresa dependem de outras reas; assim,
somente pode-se garantir a viabilidade plano de uma determinada rea se as
demais reas da empresa validarem este plano por meio da participao na
tomada de decises (CORRA, GIANESI & CAON, 2001).
Gerenciar as mudanas de forma eficaz
Deve-se tornar ativo diante das mudanas futuras (exemplo: mudana de
foco no mercado, alterao do volume da produo); ou seja, deve-se
analisar o impacto de cada mudana, nas demais reas da empresa, para que
estas aconteam dentro do prazo esperado (CORRA, GIANESI & CAON,
2001).
Gerenciar os estoques de produtos finais e/ou carteira de pedidos, de forma a
garantir bom desempenho de entregas
fundamental que a gesto dos nveis de estoque e da carteira de pedidos
seja assumida pelo diretor Geral. O objetivo do S&OP agir sobre as
vendas e a produo para que haja um equilbrio, a fim de evitar grandes
volumes em estoque, tampouco para que no haja falta de produtos,
deixando de atender ao cliente (CORRA, GIANESI & CAON, 2001).
Avaliar o desempenho
Deve-se utilizar o S&OP para identificar quanto o desempenho real de cada
rea se desviou do plano. Assim, consegue-se distinguir as reas que esto
dentro do controle e as reas que saram deste controle, visando uma
ateno da rea gerencial para que tenha aes para corrigir a rea que est
fora do plano (CORRA, GIANESI & CAON, 2001).
Desenvolver trabalho em equipe
O S&OP deve criar condies para que todas as reas da empresa
participem da criao do planejamento total da empresa. O autor avalia que
o carter de participao e negociao para a tomada de decises um dos
pontos-chave do S&OP (CORRA, GIANESI & CAON, 2001).

18

Definies de uma poltica de S&OP


A poltica de S&OP um documento que ir definir todos os objetivos, as
caractersticas e os principais parmetros do planejamento da empresa. Importante considerar
ser de extrema importncia que haja consenso e comprometimento de todos com a poltica do
S&OP. Dentro desta poltica, Corra, Gianesi & Caon (2001) separam alguns tpicos relevantes
que devero estar contidos neste documento. A saber:

Objetivo
O objetivo especfico a ser atingido pela empresa com a implantao do
processo de S&OP. Aqui, sempre necessrio recordar que o processo deve
ser avaliado e aprimorado continuamente, para que a empresa possa avaliar
o cumprimento de seus objetivos e, em caso de necessidade, recorrer ao
direcionamento correto para a aprimorao do processo (CORRA,
GIANESI & CAON, 2001).
Processo
O processo do S&OP um composto de atividades preparatrias que
devero ser executas por cada departamento, a fim de sinalizar para a alta
direo, avaliar a capacidade de cada um e criar linhas mestras para esse
processo (CORRA, GIANESI & CAON, 2001).
Cronograma
Devem-se definir datas limites para as atividades do ciclo mensal, criar a
programao das reunies para a alta direo. Tais prticas evitam que,
futuramente, haja problemas com superposio a outros compromissos
(CORRA, GIANESI & CAON, 2001).
Participantes
Devero ser definidos aqueles que participaro da reunio de S&OP; note-se
que cada participante deve ser assduo. Caso haja motivos que inviabilizem
a presena de um membro, dever ser passada sua autonomia a outra pessoa
substituta. Corra, Gianesi & Caon (2001), ainda, salientam tais
informaes, a partir de uma tabela dos participantes sugeridos para o

19

processo de S&OP:
Tabela 1: Participantes sugeridos do processo e S&OP

REA

PARTICIPANTES

POTENCIAIS PARTICIPANTES

OBRIGATRIOS

Alta Administrao

Diretor Geral

Vendas

Gerente de Vendas
Gerente de Atendimento ao
Cliente
Gerente de Distribuio

Diretor de Vendas

Gerente de Assistncia Tcnica


Marketing

Gerente de Produto

Diretor de Marketing

Gerente de Demanda
Gerente Industrial, de Produo
ou de Fbrica

Manufatura

Diretor de Manufatura

Gerente de Suprimentos
Gerente de Garantia da Qualidade

Engenharia ou P&D

Diretor de Engenharia ou P&D

Finanas

Diretor de Finanas

Recursos Humanos

Diretor de Recursos Humanos

Gerente de Desenvolvimento
Gerente de Mtodos e Processos
Gerente de oramento
Gerente de Custos
Gerente de Pessoal

Fonte: CORRA, GIANESI & CAON, 2001.

Definies das famlias de produtos


Deve-se definir o grupo ou as famlias dos produtos para o planejamento no
nvel S&OP, o que tornar mais fcil para a alta direo analisar a famlia de
produtos e no cada produto por si (CORRA, GIANESI & CAON, 2001).
Horizonte de Planejamento
Este ser definido em funo do recurso crtico, considerando a varivel
tempo. O horizonte de planejamento deve ser bastante longo para que
consiga analisar perguntas como O que aconteceria se...?. Normalmente,
realizado para o decurso de um ano (CORRA, GIANESI & CAON, 2001).
Time Fences
So os intervalos de tempo dentro do horizonte de planejamento, que ser
explicado pela seguinte figura:

20

Figura 1: Perodo de congelamento (time fence)

Fonte: CORRA, GIANESI & CAON, 2001.

Aps essa breve introduo aos objetivos do S&OP e aos componentes de uma
poltica para o processo de S&OP, sero indicadas novas informaes igualmente essenciais.
Logo, Corra, Gianesi & Caon (2001) afirmam que, para que o processo ocorra e
tenha um bom desempenho, so fundamentais as informaes disponveis para a tomada de
deciso; no caso do S&OP, imprescindvel ressaltar itens que merecem uma ateno especial.
So eles:
Desempenho Passado
O autor estabelece que um dos aspectos mais importantes para o S&OP a
anlise do desempenho passado. A reduo dos desvios em relao ao plano
depende de uma anlise cuidadosa sobre o desempenho passado,
identificando as causas dos desvios e avaliando as alternativas para que
esses desvios sejam diminudos. Nessas condies, um planejamento com
olhos apenas para o futuro conduz ao risco de que os erros de desvios
continuem (CORRA, GIANESI & CAON, 2001).
Estado atual
o levantamento do estado atual em relao produo, s vendas, ao
estoque e carteira; este pode representar um problema para empresas com
pouca estrutura, apresentando informaes desencontradas sobre o mesmo
tema ou dados diferentes sobre o mesmo evento. eficaz que as
informaes sejam analisadas com o maior cuidado possvel (CORRA,
GIANESI & CAON, 2001).
Parmetros
So os dados que permitem transformaes; por exemplo: a quantidade que
dever produzir em relao necessidade ou capacidade. Observar que a

21

dificuldade destes parmetros so o fato de que h uma variao em funo


do mix de produtos. Assim, devem-se analisar, periodicamente, esses
parmetros para que estejam andando em paralelo com a realidade
(CORRA, GIANESI & CAON, 2001).
Previses
So a alma de qualquer processo de planejamento. No caso do S&OP, as
previses so necessrias de mdio e longo prazo e, mesmo que ainda se
utilize de agrupamento dos produtos em famlias de produtos, poucos ficam
confortveis para fazer essas previses. O autor atenta, ainda, para o fato de
que alguns aspectos sustentam a mudana da viso de pensamentos do tipo
impossvel fazer previso de longo prazo; ei-los:
Considerando-se que existem recursos que necessitam de um longo tempo
para que possam ser disponibilizados (por exemplo, mo-de-obra capacitada
para tal tarefa, implantar novas linhas de produo, etc.), no tem como no
se pensar na necessidade deste recurso a longo prazo, para que se possa
tomar uma deciso hoje quanto a adquirir (ou no) este recurso. Adiar a
deciso sobre este recurso, por causa de incertezas do futuro, significa no
adquiri-lo no momento. O autor reflete, alm disso, que, se por um lado o
futuro da empresa depende das decises tomadas hoje, por outro, tais
decises dependem da melhor viso do futuro que se tem hoje (CORRA,
GIANESI & CAON, 2001).
Qual nvel seria bom em termos de acerto da previso: 50%, 70% ou 90%?
Sabe-se que no se tem como definir qual nvel de acerto o melhor; o autor
sopesa que a previso necessita ser to boa ou melhor que a de seu
concorrente, dependendo de seu processo de planejamento e tomada de
deciso. Sabe-se, tambm, que fazer a previso, independentemente do nvel
de acerto, melhor do que fazer planejamento e tomar decises no famoso
eu acho (CORRA, GIANESI & CAON, 2001).
comum se ouvir que previses a longo prazo so previses inteis, pois
um grande fator dessas previses o mercado, que, muitas vezes,
inconstante. Muitas empresas que buscam melhorar suas previses sabem
que os fatores externos tm uma grande porcentagem de influncia em uma
previso de longo prazo e, por isso, descobriram que a outra parte, tambm
expressiva, deriva de sua organizao interna, onde falta competncia para

22

fazer estas previses (CORRA, GIANESI & CAON, 2001).


Resultados do S&OP
O plano resultante do Sales and Operations Planning, quando transformado para as
diversas reas da empresa, mostra os objetivos especficos de cada uma: a manufatura deve
atingir o plano de produo, a rea financeira deve prover s recursos do oramento e a rea de
vendas, atingir o plano de vendas. Assim definidos, os objetivos estaro, por consequncia,
homogneos e integrados aos objetivos da empresa; ou seja, providenciam medidas para que o
desempenho de cada rea da empresa seja avaliado, com a observao de que esta atividade de
avaliao deve estar ligada ao processo de planejamento (CORRA, GIANESI & CAON,
2001).

1.1 Processos do Planejamento de Vendas e Operaes


Corra, Gianesi & Caon (2001) analisam que o processo do S&OP consiste em cinco
etapas sucessivas; a saber:
Figura 2: Processo Mensal do Sales & Operations Planning

Fonte: CORRA, GIANESI & CAON, 2001.

Resumidamente, a Figura 3 demonstra os cinco passos citados pelos autores. O


primeiro deles (levantamento de dados) compreende o levantamento dos dados histricos, que
suportam os dados atuais da empresa em relao a vendas, produo, estoque e, tambm,
indicam o desempenho passado em relao a esses e a outros aspectos. J o segundo,

23

planejamento de demanda, inclui a gesto das previses e a elaborao do plano de vendas.


Continuando, o planejamento de produo (materiais e capacidades) deriva uma reunio
preliminar de S&OP, onde estaro configurados todos os outros setores da empresa para
analisar os planos e identificar os problemas e suas alternativas. Por fim, a reunio executiva de
S&OP, em que os planos definidos na reunio preliminar sero validados junto com a alta
direo (CORRA, GIANESI & CAON, 2001).
Vendas e marketing so responsveis pela comparao da demanda real passada, com
o plano de vendas, verificando o potencial do mercado e projetando a demanda futura. Aps
este passo, o plano atualizado de demanda enviado manufatura, que, por sua vez, ir elaborar
o plano de produo, verificando as necessidades de capacidade; observe-se que todas as
dificuldades de atender demanda so neutralizadas ou, ento, o plano de vendas dever ser
alterado. O resultado ser um plano atualizado de operaes que atender demanda; assim,
este plano ser desagregado para dar origem ao plano mestre de produo (CORRA,
GIANESI & CAON, 2001).
Quanto mais rpido o ciclo de planejamento for executado, mais rpida tambm ser a
resposta da empresa em relao s mudanas do mercado. Contudo, essa rapidez no poder
comprometer que cada passo do processo seja executado adequadamente, pois a deciso final
sair deste ciclo. Corra, Gianesi & Caon (2001) ponderam que a reduo de tempo do ciclo
vem com o aprimoramento do processo, medida em que estes forem repetidos mensalmente.
E concluem que o importante conseguir que o processo (e sua durao) sejam firmes, ms a
ms, e que todas as reas da empresa, estejam comprometidas na aprimorao destes processos,
recolhendo e analisando informaes, assim, elaborando suas recomendaes o mais rpido
possvel, para que a reunio executiva seja realizada, tambm, tanto quanto mais rapidamente.

Levantamento de Dados / Preparao dos Dados Histricos


Aps a definio da famlia de produtos e dos aspectos que se deseja analisar no
processo de S&OP, necessrio levantar mecanismos de preparao destes dados que sero
utilizados no planejamento. Na maioria das vezes, tais elementos no sero encontrados no
formato que se deseja para o processo de deciso, pois os produtos esto desagregados, bem
como alguns deles saem de produo ou sofrem alteraes. Os parmetros de tempo devem ser
revistos periodicamente, no somente pelo fato da mudana nas famlias de produtos, mas,
tambm, por conta da variao do mix de produo e vendas (CORRA, GIANESI & CAON,
2001). Essa etapa fundamental para o processo de S&OP, pois a partir destes itens que sero

24

realizadas as anlises para a tomada de deciso ao longo de todo o processo. Toda rea da
empresa dever ter um responsvel, especificamente, para a preparao dessas informaes,
sendo esta tarefa tomada como atividade do seu dia-a-dia; haver, ainda, datas mensais
agendadas para a entrega desses resultados (CORRA, GIANESI & CAON, 2001).

Planejamento de Demanda
O Planejamento de Demanda, conforme mencionado, em geral, de responsabilidade
do marketing e da rea de vendas e consiste na elaborao de um plano de vendas bastante
chamativo, capaz de indicar o que a empresa estar disposta a vender e oferecer ao mercado,
para cada famlia de produto, mensalmente, ao longo do planejamento.
CHOPRA (2011), separa a demanda de produtos em duas partes: ou seja, produtos
com demanda estvel e produtos cuja demanda muda constantemente.
Ainda segundo referido autor, para produtos com a demanda mais estvel, necessrio
desenvolver um plano de oferta, relativamente mais simplificado. Isto : a organizao
providencia sua capacidade para atender determinada demanda esperada, produzindo a
quantidade que corresponde a esta demanda. Nesse caso, os produtos so elaborados prximos
poca em que sero comercializados e a cadeia de suprimentos, a seu turno, mantm o estoque
reduzido. J quanto aos produtos com uma demanda mais instvel, o estudioso classifica esta
mudana como constante, em razo de mudana previsvel (CHOPRA, 2011).
Sob tal razo de mudana previsvel, ainda Chopra afirma que causada por fatores
sazonais (por exemplo, jaquetas de esqui) e fatores no sazonais (por exemplo, promoes),
acrescentando que tal dinmica pode causar aumentos e declnios previsveis nas vendas
(CHOPRA, 2011). Para o autor, portanto:
Variabilidade previsvel a mudana na demanda que pode ser
prevista. (CHOPRA, 2011)

Continuando com SUNIL & CHOPRA (2011), o objetivo do planejamento de vendas


e operaes de que a empresa combine, o mais corretamente possvel, duas opes gerais para
trabalhar com a varivel previsvel; so elas:
1. Gerir a oferta, usando capacidade, estoque, subcontratao e pedidos em atraso; e
2. Gerir a demanda, usando descontos a curto prazo e promoes comerciais.
Para CHOPRA (2011), o uso dessas duas ferramentas permite que a cadeia aumente
sua lucratividade, pois a oferta e a demanda esto bem equilibradas. E prossegue observando

25

que as empresas, normalmente, dividem a gesto de oferta e demanda em funes distintas, de


tal forma que: o marketing, habitualmente, gere a demanda e a operao responde pela oferta.
Essa distino, contudo, pode causar problemas, pois, como mencionado, o objetivo gerir a
oferta e a demanda do modo mais equilibrado possvel (CHOPRA, 2011).

Planejamento de Produo
O Planejamento de Produo de responsabilidade da rea de manufatura e
apoiado pela produo e suprimentos. O objetivo do planejamento de produo
preparar (um ou mais) planos alternativos de produo para cada famlia de produtos,
procurando atender demanda, que, por sua vez, est representada pelo plano de
vendas. Tambm busca gerar nveis desejados de estoque, esses expressos pela poltica
de cada famlia de produtos, que sejam viveis em termos de capacidade e, tambm, em
termos de materiais crticos. Para Corra, Gianesi & Caon (2001), a ideia de se criar
planos alternativos ocorre porque, raramente, se consegue estabelecer um plano que
atenda a esses trs objetivos sem que haja contratempos para serem resolvidos.

26

LINGUAGEM R
A linguagem R (R Language) uma linguagem e um ambiente voltado para

computao estatstica e grfica, bem como uma plataforma de programao open


source (plataforma aberta) para anlise estatsticas e ambiente grfico, desenvolvida no
Bell Laboratories (antiga AT & T), por John Chambers (R Language, 2015).
R fornece vrias modalidades estatsticas, que so: linear, modelagem nolinear, testes estatsticos clssicos, anlises de sries temporais, classificao, clustering,
etc.; e suas tcnicas grficas so altamente extensveis (R Language, 2015).
Um dos pontos fortes da linguagem R a facilidade com que se produz uma
publicao de qualidade, incluindo smbolos matemticos e frmulas, quando
necessrias; alm disso, tambm o cuidado com que foram escolhidos os padres de
design menores em grficos (sob os quais o usurio tem total controle) constitui um
aspecto a ser destacado (R Language, 2015).
R, portanto, um software livre sob os termos da GNU (General Public
License, http://www.gnu.org/), que compila e roda em uma grande variedade de
plataformas UNIX e sistemas semelhantes (incluindo FreeBSD e Linux), Windows e
MacOS (R Language, 2015).

Ambiente R
R um conjunto integrado de instalaes de software para manipulao de
dados, clculos e exibio em grficos. So constituio inclui:
Tratamento eficaz dos dados e armazenamento fcil;
Um conjunto de operadores para clculo de uma estrutura de dados, matriz;
Uma grande coleo de ferramentas intermedirias integradas e coerentes para
anlise de dados;
Exibies grficas em tela ou papel para anlise de dados;
Programao simples e eficaz (R LANGUAGE, 2015).
O termo ambiente utilizado para caracteriz-lo como um sistema

27

totalmente planejado e coerente, sem a necessidade de incrementar ferramentas


especficas e inflexveis.
R destina-se ao redor de uma verdadeira linguagem computacional, permitindo
que os usurios definam novas funes, de acordo com suas necessidades, tornando
facilitada sua utilizao. Para tarefas mais intensivas, pode-se integrar cdigos, C, C++
e Fortran, e cham-los em tempo de execuo. Levantamento de Requisito (R
Language, 2015).

28

ESTATSTICA
Para Stigler:
Estatstica o ramo da matemtica aplicada cujo princpio deriva da
teoria da probabilidade, que tem por objeto o agrupamento metdico
assim como o estudo de sries de fatos ou de dados numricos. (apud
PEREIRA, 2014, p. 46)

J em McClave (2009), a Estatstica a cincia dos dados, o que envolve


coletar, classificar, resumir, organizar, analisar e interpretar a informao numrica.
Enquanto em Rao (apud BAYER et al, 2004), a estatstica uma cincia que
estuda e pesquisa sobre: a) o levantamento de dados, com a mxima quantidade de
informao possvel para um dado custo; b) o processamento de dados para a
quantificao da quantidade de incerteza existente na resposta para um determinado
problema; c) tomada de decises sob condies de incerteza, sob o menor risco possvel
(BAYER et al, 2009).
A estatstica fornece diversas tcnicas para extrair informaes de dados,
permitindo obter uma melhor compreenso das situaes apresentadas.
A estatstica, desse modo, uma cincia que se preocupa com: a) Organizao;
b) Descrio; c) Anlises; e d) Interpretaes.
Detalhadamente, a organizao e a descrio esto associadas estatstica
descritiva; o terceiro e o quarto item voltam-se estatstica indutiva ou inferencial.
A estatstica descritiva utiliza mtodos numricos e grficos para detectar
padres em um conjunto de dados; ou seja, ela resume a informao revelada deste
conjunto de dados, para apresent-los de forma conveniente (MCCLAVE, 2009).
Por outro lado, a estatstica inferencial ou indutiva utiliza-se de uma amostra de
dados para fazer previses, estimativas, acerca de um conjunto maior de dados
(MCCLAVE, 2009).
Na sequncia, so dispostos conceitos associados ao universo da Estatstica:
Populao: o conjunto de unidades (pessoas, objetos, transaes ou eventos)
que a ser estudado (MCCLAVE, 2004).
Amostra: um subconjunto de unidades de uma populao (MCCLAVE, 2009).
Em outras palavras, o agrupamento dos elementos que sero examinados para a realizao

29

do estudo estatstico desejado.


Varivel: a caracterstica dos elementos contidos na amostra que se deseja
estudar estatisticamente (MCCLAVE, 2009). Pode-se classificar a varivel em duas
formas diferentes; a saber: a) qualitativa: quando a varivel classificada por tipos ou
atributos; neste caso, no pode ser classificada em uma escala numrica (MCCLAVE,
2009); e quantitativa: quando a varivel pode ser classificada em uma escala numrica
de ocorrncia natural (MCCLAVE, 2009).
Esta pesquisa empregar a estatstica inferencial e dados quantitativos para
realizar as previses e estimativas da quantidade de vendas que a organizao poder ter
nos seus prximos meses, tendo como base os dados de meses anteriores.
Aps decidir qual o tipo de dado (quantitativo ou qualitativo), apropriados para
este trabalho, necessrio que estes sejam coletados. Para isso, geralmente, existe 4
formas de coleta de dados: 1) por fonte publicada; 2) por estudo controlado; 3) a partir
de pesquisa; ou 4) por meio de observao (MCCLAVE, 2009).

Dados de Fonte Publicada


So dados em que pesquisador j os coletou e disponibilizou em uma revista,
jornal, livro, sites na Internet (MCCLAVE, 2009).

Dados de Estudo Controlado


So dados em que o pesquisador exerce um rgido controle sob a unidade de
estudo (pessoas, objetos, eventos). Esse tipo de coleta permite que se extraia uma
quantidade maior de informaes sobre os dados, se comparado a um estudo no
controlado (MCCLAVE, 2009).

Dados de Pesquisa
O pesquisador seleciona uma amostra de um grupo de pessoas e submete-os s
perguntas, registrando suas repostas; a partir da, pode retirar as informaes de sua
pesquisa. Um exemplo clssico deste tipo de coleta de dados a pesquisa eleitoral,
utilizada para prever a corrida eleitoral (MCCLAVE, 2009).

Dados coletados por meio de Observao

30

Aqui, o pesquisador observa unidades do experimento em seu ambiente natural


e registra o(s) comportamento(s) que o interessa; diverso do estudo comportamental,
em que h o controle da amostra (MCCLAVE, 2009).
O papel da estatstica no gerenciamento da tomada de decises
Permanecendo com McClave (2009), o papel da estatstica no gerenciamento
da tomada de deciso encontra-se demonstrado pelo fluxograma a seguir:
Figura 3: Fluxograma do papel da estatstica na tomada de deciso gerencial

Fonte: MCCLAVE, 2009.

Como se observa, o problema inicia-se no mundo real; tal problema, ento,


formulado nos termos gerenciais como uma pergunta gerencial. Seguindo o fluxograma
no sentido anti-horrio, identifica-se o papel da estatstica neste processo. Para
responder questo estatstica, devem-se traduzir os problemas gerenciais para
problemas estatsticos, coletar os dados da amostra e analis-los, assim a questo ser
respondida. A resposta obtida servir para resolver os problemas gerenciais ou poder
sugerir a reformulao do problema original.

3.1 PROBABILIDADE
3.1.1 Conceitos Fundamentais
Segundo TAVARES (2012), os conceitos de probabilidade so utilizados para
estudar fenmenos aleatrios; ou seja: situaes em que os resultados desses fenmenos

31

so conhecidos, porm no se sabe qual deles ocorrer. Como exemplo, pode-se


mencionar a ao de se jogar uma moeda para o alto. Sabe-se que cair cara ou coroa,
porm no possvel saber qual ser, efetivamente, o resultado (TAVARES, 2012).
3.1.2 Mtodo Correlao
Esta pesquisa utilizar o Mtodo de Correlao, que emprega duas variveis
que esto relacionadas: ou seja, se ocorre uma mudana em uma varivel
(independente), tambm ocorrer na outra (dependente). Por exemplo, a situao
conhecida velocidade x consumo de combustvel (TAVARES, 2012).

3.1.3 Diagramas de Disperso


O Diagrama de Disperso corresponde ao campo em que mostrada a relao
entre as variveis que sero medidas sobre o mesmo indivduo. Uma varivel ser posta
sobre o eixo horizontal (eixo x) e a outra, consequentemente, ser posta sobre o eixo
vertical (eixo y). Para se aplicar o diagrama de disperso, utilizam-se os valores das
variveis do indivduo, colocando-as em um grfico (TAVARES). Por exemplo:

Figura 4: Peso x Altura

Fonte: PORTNOI, 2006.

32

A confiabilidade quanto expresso do grfico requer cuidados redobrados,


pois a escala utilizada pode ser diferente. Nesse caso, preciso muita ateno com as
concluses.

Figura 5: Diferena de Escalas

Fonte: PORTNOI, 2006.

Para que no ocorra confuses, ser utilizada medida numrica para auxiliar
na anlise: o Coeficiente de Correlao Linear (r) (PORTNOI, 2006).
O Coeficiente de Correlao Linear, tambm conhecido como Coeficiente de
Correlao de Pearson, mede o grau de relacionamento linear entre os valores de x e y
de uma amostra; mede a intensidade e a direo da relao, utilizando a frmula:

Figura 6: Frmula do Coeficiente de Correlao de Pearson

Fonte: PORTNOI, 2006.

33

O resultado esperado r sempre ser um valor entre: -1 r 1. Para melhor


compreenso desse resultado, segue ilustrao:
Figura 7: Classificao do Resultado (r) do Coeficiente de Correlao de Pearson

Fonte: PORTNOI, 2006.

Ainda para a anlise do resultado, deve-se levar em considerao algumas


propriedades do Coeficiente de Correlao de Pearson:
O valor de r no varia se todos os valores de qualquer uma das variveis
forem convertidos para escalas diferentes;
O valor de r no afetado pela escolha de x ou y, permutando x ou y,
r permanecer inalterado;
R s mede a intensidade ou grau de relacionamentos lineares; no , portanto,
adequado para medio de intensidade de relacionamentos no-lineares
(PORTNOI, 2006).
Para que se tenha uma noo mais exata de onde o valor do coeficiente de
correlao se encontra, especificando a Figura 7, ser utilizada a tabela a seguir:
Tabela 2: Classificao do Coeficiente de Correlao
COEFICIENTE DE
CORRELAO
r=1
0,8 r < 1
0,5 r <
0,8
0,1 r <
0,5
0 < r < 0,1
0
-0,1 < r < 0
-0,5 < r - 0,1
-0,8 < r -0,5
-1 < r - 0,8
r = -1
Fonte: SOUSA, 2008.

CORRELAO
Perfeita positiva
Forte positiva
Moderada positiva
Fraca positiva
nfima positiva
Nula
nfima negativa
Fraca negativa
Moderada negativa
Forte negative
Perfeita negativa

34

Caso o diagrama sugira uma relao linear, seria interessante representar este
padro em uma reta no grfico.
Para definir como ajustar essa reta dentro desse padro, ser utilizado o mtodo
dos mnimos quadrados (PORTNOI, 2006).
Para isso, a seguinte equao de regresso simples descreve a relao entre as
duas variveis da coleo dos dados amostrais, pela frmula:

Figura 8: Equao de Regresso

Fonte: PORTNOI, 2006.

Em que, : o coeficiente angular, calculado por:

Figura 9: Coeficiente

Fonte: PORTNOI, 2006.

Angular. : o ponto em que a reta intercepta o eixo y, calculado por:

Figura 10: Ponto de Interceptao

Fonte: PORTNOI, 2006.

3.1.4 Regresso Linear Mltipla


Nesta pesquisa, ser utilizada a regresso linear mltipla, que calculado por:

Figura 11: Regresso Mltipla

Fonte: CONTI , 2012.

35

A Regresso Linear Mltipla, por sua vez, vem para calcular um dado
dependente que se deseja prever (y); porm, este dado depende de N variveis
independentes, conforme a frmula anterior, sendo representado por 2, 3, 4, .

36

KNOWLEDGE DISCOVERYIN DATABASES (KDD)


KDD um processo, de vrias etapas, no trivial, interativo e iterativo,
para identificao de padres compreensveis, vlidos, novos e
potencialmente teis a partir de grandes conjuntos de dados.
(FAYYAD, 1996)

Sabe-se que entender os processos de sua empresa e o perfil do seu cliente de


grande valia para realizar uma estratgia de negcio, bem como melhorar o servio e a
qualidade do atendimento. Porm, as organizaes buscam essas informaes de vrias
formas diferentes, no raro, parecem se esquecer de que uma importante base para
buscar essas informaes est, justamente, nas suas prprias bases de dados (BRITO,
2012).
Contudo, preciso transformar as informaes conhecidas em dados. Logo,
visando a este aprimoramento, no final da dcada de 80, surge um processo chamado
Knowledge Discovery in Databases

(KDD), em portugus:

Descoberta de

Conhecimento em Banco de Dados, cujo objetivo descobrir conhecimento til, vlido,


relevante e novo sobre uma determinada base de dados.
Segundo Fayyad (1996), o processo de KDD constitudo por 5 fases como
mostra a imagem a seguir:

Figura 12: Etapas do KDD

Fonte: FAYYAD et al, 1996.

A primeira fase a Seleo de Dados. nesta fase que sero selecionados os


dados apropriados para a anlise, de acordo com o critrio estabelecido. Exemplo:
Pessoas que possuem carro (FORMIGA, 2012).

37

A segunda fase o Pr-Processamento, o ponto em que ser efetuada a


limpeza dos dados selecionados na fase anterior. Exemplo: Sexo = F ou M ou Sexo
= M ou H (FORMIGA, 2012).
A terceira fase a Transformao; nela, ser executada a padronizao dos
dados para suprir possveis limitaes das tcnicas de minerao, disponibilizando os
dados de maneira usvel e navegvel. Exemplo: atributos de data e hora (FORMIGA,
2012).
A quarta fase a Minerao; aqui, aplicam-se tcnicas e algoritmos para
descoberta de conhecimentos (FORMIGA, 2012).
A quinta fase a Anlise e Assimilao de Resultados; utiliza ferramentas
estatsticas e de visualizao para melhor entendimento do conhecimento extrado
(FORMIGA, 2012).

4.1 Minerao de Dados


Para a realizao deste trabalho, foram utilizadas tarefas da quarta fase do
KDD, a fase da Minerao de Dados. Segundo PINHEIRO et al. (2015), as aes da
Minerao de Dados compreendem: a) Classificao; b) Estimativa; c) Associao; d)
Segmentao/Clustering; e) Sumarizao. E as tcnicas utilizadas so: a) Memory
Based Reasoning (MRB); b) Algoritmo Gentico; c) Regras de Associao; e d)
rvores de Deciso.
Aps o estudo dessas tarefas da Minerao de Dados e dos processos do KDD,
foram aplicadas algumas delas para a realizao da Minerao de Dados, atendendo aos
objetivos desta pesquisa.
Note-se que todos os dados foram descaracterizados para que no ocorra
vazamento de informaes da empresa que cedeu os dados para a realizao deste
estudo.
Foi aplicada a terceira fase do KDD, a fase da transformao desses dados para
que eles sejam usveis e navegveis; isto : os dados foram recebidos de forma fsica
(impressos em folha A4) e no havia um total das vendas mensais, apenas a quantidade
de vendas no decurso do ms, separado por clientes. Para realizar a transformao, foi
somado, produto a produto vendido para os clientes dentro daquele ms, chegando a um
nmero total, mensalmente, de cada um dos 20 produtos.
Aps realizar a soma e conseguir o nmero total de vendas dos produtos,

38

mensalmente, durante o perodo de 01/01/2012 a 30/11/2014, estes dados foram


transportados para uma planilha do Excel, como demonstrado em recorte, sob a forma
da figura seguinte:

Figura13: Parte dos dados das Vendas mensais dos produtos

Fonte: Autoria prpria

Aps, foram aplicadas as tarefas de Classificao e Associao.


A tarefa de Classificao foi utilizada para a construo de um modelo dos
dados, a fim de que se pudesse classificar estes dados, que foram recebidos de forma
fsica, conforme mencionado. Deu-se a classificao dos produtos que tinham uma
grande quantidade de vendas e, tambm, daqueles que tiveram sada todos os meses
durante o perodo de 01/01/2012 a 30/11/2014.
Quanto tarefa de Associao, esta foi utilizada para associar itens de consumo
da mesma mquina, cujos itens tambm mantinham correlao uns com os outros.
Exemplo: a cada 1.000 impresses realizadas, comum trocar a pea x.

39

RSTUDIO SHINY
SHINY um pacote open source que fornece um timo e poderoso framework

que permite criar aplicaes web, utilizando a linguagem R.


Shiny foi criado pela equipe do R Studio, que, tempos atrs, visualizou uma
grande popularidade da linguagem R e resolveu especializar-se na mesma. O R Studio
tem como inspirao a inovao das pessoas nesta cincia e comeou a desenvolver
ferramentas open source para a comunidade, bem como produtos para profissionais.
O objetivo do R Studio capacitar os usurios para que sejam produtivos nesta
linguagem (SHINY, 2014).
O framework Shiny oferece, para os usurios que tm interesse em comear a
trabalhar com o mesmo, um tutorial (em sua pgina, com 7 (sete) lies).
Cada uma dessas lies explica o funcionamento deste framework, que
estruturado por dois componentes que, por sua vez, contm o cdigo fonte; so eles:
ui.R e o server.R.
O primeiro (ui.R) o arquivo que abrange o cdigo fonte, de todo o userinterface (ui); ou seja, este controla os layouts e a aparncia da sua aplicao. Ressaltese que, para poder utilizar o Shiny, dentro do R Studio, preciso instalar o pacote
Shiny, por meio do comando: install.packages (shiny).
A imagem a seguir representa um caso do cdigo fonte do ui:
Figura 14: Cdigo user-interface

Fonte: SHINY, 2015.

40

J o segundo server R onde se encontram todas as instrues que o


computador precisa para criar uma aplicao. A prxima ilustrao demonstra um caso
do cdigo fonte do server R.
Figura 15: Cdigo server R

Fonte: SHINY, 2015.

As duas imagens anteriores (Figura 14 e Figura 15) exemplificam como


definida a estrutura do Shiny.
O Shiny tambm conta com uma galeria, com vrios tipos de implementaes,
como se pode observar na prxima imagem:
Figura 16: Galeria de Aplicaes do Shiny

Fonte: SHINY, 2015.

41

Outro diferencial do Shiny est na possibilidade de dispor o aplicativo ou os


documentos interativos on-line; para isso, deve-se utilizar o servidor Shiny, que oferece
dois tipos de servidores: a) Open Source Edition; e b) Professional Edition.

Tabela 3: Servidores Shiny


SERVIDORES SHINY

OPEN SOURCE EDITION

PROFESSIONAL EDITION
Todos recursos de fonte
aberta;
Perfeito para grupos de
trabalhos e empresas;
Suporta autenticao SSL;
Possui painel administrativo
com tempo real e dados
histricos de desempenho;
Pode usar vrios processos R
por aplicao.
http://rstudio.github.io/shinyserver/latest/

Viso Geral

timo para hospedagem de


aplicaes pblicas leves;
No suporta autenticao SSL;
nico processo R por aplicao

Documentao

https://github.com/rstudio/shiny- server

Apoio

Apenas fruns da comunidade

E-mail de Suporte
Resposta at 8 horas

Licena

Open Source AGPL v3

Contrato de Licena RStudio

Grtis

20 usurios simultneos
$9.995 /servidor /ano
20 usurios adicionais
simultneos $4.995 /servidor
/ano
150 usurios adicionais
simultneos $14.995/servidor
/ano

Preo

Fonte: Shiny, 2015.

42

DESENVOLVIMENT DA APLICAO
O desenvolvimento da aplicao foi realizado por meio do software R Studio,

para os clculos do Coeficiente de Correlao de Pearson, da Regresso Mltipla, bem


como da predio para os prximos meses.
Na interface, foi utilizado o framework, para aplicaes web, criado pelo R
Studio, chamado Shiny.
Iniciando os trabalhos no software R Studio, foi selecionado o diretrio em que
est a base de dados pelo comando:
setwd ("C:/Users/Felipe Marques/Desktop/APP - CORRELAO")
Aps a seleo do diretrio, foi colocado os dados na varivel VENDAS, pelo
comando: vendas

<-

read.table

Marques\\Desktop\\APP

("C:\\Users\\Felipe

CORRELAO\\vendas tcc.csv" sep = ";")


A imagem seguinte indica as 10 (dez) maiores correlaes entre os 20
produtos:
Figura 17: Dez maiores correlaes entre os produtos

Fonte: Autoria prpria

Aps o clculo das maiores correlaes entre os produtos, ser utilizada a


Regresso Linear Mltipla, a fim de que seja reconhecida a relao entre as variveis.
Figura 18: Regresso Linear Mltipla no R

Fonte: Autoria prpria

43

A figura anterior traduz, no software R, a Equao da Regresso Linear Mltipla, =


1 + 2 2 + 3 3 + 4 4 + + . Neste caso, as informaes faltantes so as do
2 at 5, que foram indicadas pelos vendedores da empresa (apenas se recorde de que os
dados foram descaracterizados, devido ao sigilo da informao da empresa).
Foram desenvolvidos 5 (cinco) clculos para as previses dos produtos X6, X8,
X10, X14 e X18. A seguir, constam os clculos no R e nas frmulas:
X6 = 14.490 + 28103x(0,8001) + 32509x(-0,3938) = 24.173,16
Figura 19: Clculo Regresso Linear produto X6

Fonte: Autoria prpria

Para cada produto X6 vendido, ser vendido 0,80 produtos X15 a mais e
recuar -0,39 do produto X20.
X8 = 20.547 + 28103x(-0,99) + 32509x(2,431) = 71.754,40
Figura 20: Clculo Regresso Linear produto X8

Fonte: Autoria prpria

44

X10 = 6.813 + 28103x(1,3523) + 32509x(-0,616) = 24.791,14


Figura 21: Clculo Regresso Linear produto X10

Fonte: Autoria prpria


X14 = 172550 + 28103x(-3,478) + 32509x(5,642) = 258.223,5
Figura 22: Clculo Regresso Linear produto X14

Fonte: Autoria prpria


X18 = 48.634 + 28103x(-0,85) + 32509x(1,881) = 85.895,87
Figura 23: Clculo Regresso Linear produto X18

Fonte: Autoria prpria

45

Aps a realizao dos clculos anteriores, as informaes foram transpostas


para um grfico, a fim de facilitar o entendimento e tornar os dados mais legveis. O
grfico contm todo o histrico das vendas dos produtos, em uma nica cor, preto e
branco, chegando at a linha vermelha, que, por sua vez, significa o fim do histrico
(30/11/2014). As previses feitas com os clculos ora apontados esto aps a linha
vermelha e figuram em cores diferentes para que, assim, se possa definir qual previso
de qual produto.

46

RESULTADOS OBTIDOS
Aps a anlise das tcnicas de regresso mltipla e correlao desenvolvidas,

as mesmas foram utilizadas nos 20 produtos dos dados ora examinados. Atendendo ao
intuito desta pesquisa cujo interesse voltava-se a diminuir o tempo gasto para fazer a
previso confivel sobre as vendas de uma organizao, os resultados atingidos foram:

Tabela 4: Resultados Obtidos


RESULTADOS
Prever vendas: mdia de 100 vendedores (Antes)

8 horas

Prever vendas: mdia de 100 vendedores (Depois)

2 horas

Ganho

75%

Reduo de Produtos em Estoque

16%

Fonte: Autoria prpria

Para os clculos efetuados no R, os resultados das previses foram bastante


satisfatrios, conforme exposto pelo histrico das vendas.
Da mesma forma, ampliando a visualizao dos resultados, segue grfico, com
previses apenas parciais, dada a confidencialidade das informaes da empresa.

Figura 24: Grfico com as Previses de alguns produtos

Fonte: Autoria prpria

47

CONCLUSO
Aps reviso bibliogrfica dos temas envolvidos, verificou-se a necessidade de
uma ferramenta que possa auxiliar na eficcia de se agrupar dados histricos de vrios
anos, bem como emprega-los na realizao de clculos, em um curto espao de tempo, a
fim de apresentar tal dado lapidado e de uma forma de fcil entendimento.
Para atingir esse objetivo final, foi utilizado o processo de minerao de dados
(KDD), pois os dados recebidos estavam impressos em papeis, desorganizados,
constituindo dados inteis para a anlise desta pesquisa. Com a aplicao da minerao
dos dados e a transformao desses em informaes, foi aplicado o processo de
planejamento de vendas e operaes, buscando entender como as organizaes podem
fazer para alinhar e balancear sua demanda, preparando seu planejamento estratgico.
Compreendido o processo do S&OP, comearam os estudos em torno da
Estatstica e, igualmente, sobre o mtodo estatstico Correlao de Pearson, para aplicar
o aprendizado em forma de cdigo, no software de linguagem estatstica R Language.
Depois de realizar a verificao e o funcionamento do cdigo, iniciou-se a
implementao de uma interface com uma usabilidade mais facilitada, de tal modo que
o responsvel por esta rea de estratgia da empresa no necessite de um entendimento
de linguagem de programao e lgica excessivamente apurado, conseguindo utilizar a
ferramenta em forma grfica.
Enfim, conclui-se que o processo do planejamento de vendas e operaes,
junto com o mtodo estatstico Correlao de Pearson e a regresso mltipla auxilia
bastante a organizao para que tenha uma previso mais correta possvel, balanceando,
assim, sua oferta e demanda, de forma que a organizao no fique com dinheiro parado
em seu estoque, sendo que este poderia ser aplicado para vrias outras opes dentro da
organizao.

48

REFERNCIAS
BRITO, Marcelo. Aspectos tericos da minerao de dados e aplicao das regras
de

classificao

para

apoiar

comrcio.

Disponvel

em:

<

http://www.devmedia.com.br/aspectos-teoricos-da-mineracao-de-dados-e-aplicacao-asregras-de-classificacao-para-apoiar-o-comercio/25429#ixzz3pxx9or48>.

Acesso:

29

out. 2015.
CONTI,

Ftima.

Regresso

Correlao.

Disponvel

em:

<http://www.cultura.ufpa.br/dicas/biome/biopdf/bioreg.pdf>. Acesso: 11 nov. 2015.


CORRA, Henrique L.; GIANESI, Irineu, G. N.; CAON, Mauro. Planejamento,
Programao e Controle da Produo. MRP ll / ERP. Conceitos, Uso e Implantao.
4. Ed. So Paulo: Atlas, 2001.
FAYYAD, U. M.; Piatetsky-Shapiro, G.; Smyth, P. From Data Mining to Knowledge
Discovery in Databases. Artificial Intelligence Magazine, v. 17, n. 3, p. 37-54, 1996.
FORMIGA, Andrei. Knowledge Discovery Database (KDD) e Data Mining (DM).
Disponvel em: <http://pt.slideshare.net/ThiagoCorey/kdd-e-data-mining>. Acesso: 29
out. 2015.
MCCLAVE J. T.; BENSON P. G.; SINCICH T. Estatstica para administrao
economia. 10. ed. So Paulo: Pearson Prentice Hall, 2009.
PINHEIRO, Larissa; OLIVEIRA, Viliane; NEVONY, Wagner; SPINOLA, Rodrigo.
Processo de descoberta de conhecimento em bases de dados. Revista SQL Magazine
108.

Disponvel

em:

<http://www.devmedia.com.br/processo-de-descoberta-de-

conhecimento-em-bases-de-dados-revista-sql-magazine-108/26998#ixzz3rBeZL8sq>
Acesso: 11 nov. 2015.
PORTNOI,

Marcos.

Probabilidade

Estatstica.

Disponvel

em:

<http://www.eecis.udel.edu/~portnoi/classroom/prob_estatistica/2006_2/probestatistica2006.2.html>. Acesso: 26 mai. 2015.


R LANGUAGE. Disponvel em: <http://www.r-project.org/>. Acesso: 02 jun. 2015.
ROCHA, J.; BAYER, A.; BITTENCOURT, H. R.; ECHEVESTE, S. A Estatstica e
sua histria. Canoas. XII Simpsio Sul brasileiro de Ensino de Cincias, 2004.
R STUDIO. Disponvel em: <https://www.rstudio.com/>. Acesso: 01 nov. 2015.

49

SHINY. Disponvel em: <http://shiny.rstudio.com/>. Acesso: 01 nov. 2015.


SOUSA, urea. Coeficiente de Correlao Linear de Pearson, 2008. Disponvel em:
<http://www.aurea.uac.pt/pdf_MBA/coef_correl_Pearson.pdf>. Acesso: 16 nov. 2015.
TAVARES, Ricardo. Probabilidade e avaliao de testes diagnsticos. Disponvel
em: <http://www.cead.ufop.br/jornal/index.php/estteste/article/download/36/>. Acesso:
02 jun. 2015.
WALLACE, T. F. Sales and operations planning: the how to handbook. 2 ed. Ohio: T.
F. Wallace & Company, 2004.

Вам также может понравиться