LUIZ HENRIQUE MANSSUR

APLICAO DE UM MODELO DE PREVISO DE DEMANDA EM UMA EMPRESA DE AGROBUSINESS

Trabalho de Formatura apresentado Escola Politcnica da Universidade de So Paulo para a obteno do Diploma de Engenheiro de Produo

So Paulo 2006

LUIZ HENRIQUE MANSSUR

APLICAO DE UM MODELO DE PREVISO DE DEMANDA EM UMA EMPRESA DE AGROBUSINESS

Trabalho de Formatura apresentado Escola Politcnica da Universidade de So Paulo para a obteno do Diploma de Engenheiro de Produo

Orientador: Prof. Luis Fernando Pinto de Abreu

So Paulo 2006

FICHA CATALOGRFICA

Manssur, Luiz Henrique Aplicao de um modelo de previso de demanda em uma empresa de agrobusiness / L.H. Manssur. -- So Paulo, 2006. p.94 Trabalho de Formatura - Escola Politcnica da Universidade de So Paulo. Departamento de Engenharia de Produo. 1.Previso de demanda I.Universidade de So Paulo. Escola Politcnica. Departamento de Engenharia de Produo II.t.

Agradecimentos
Aos meus pais pelo apoio, compreenso e colaborao durante esses cinco anos que estudei na Escola Politcnica.

A minha namora por sempre acreditar em mim e no me deixar desistir nunca.

Ao Professor Luis Fernando pela orientao cuidadosa, que me fez seguir o caminho correto neste trabalho.

A todos os amigos que fiz na Escola Politcnica durante esses cinco anos, que foram fundamentais para minha graduao.

Aos colegas da Accenture e da empresa onde este trabalho foi realizado, que contriburam para a sua realizao.

Resumo
O objetivo deste trabalho de formatura desenvolver um modelo de previso de demanda para uma empresa do setor de agrobusiness. Primeiramente feita uma pequena apresentao da empresa e do mercado o qual a mesma est inserida. A seguir um resumo de modelos de previso apresentado. Com isso comea o desenvolvimento do trabalho, onde feita a escolha dos produtos piloto, em seguida os mesmos so analisados para que seja possvel definir um modelo a ser aplicado. Com o modelo definido feito um teste comparativo entre o modelo escolhido e o processo de previso atual. Aps a comparao feita uma anlise econmica da soluo pra se determinar os ganhos com a sua implementao e por fim so feitas as consideraes finais sobre o trabalho.

Abstract
The objective of this essay is to develop a demand forecasting model for an agrobusiness company. First a small presentation of the company and the market is made. Then a brief of the main forecasting methods is presented. After that, starts the development of the essay, the products that will be tested are selected, then they are analyzed, so the best method can be defined and applied. With the method selected, a comparative test will be made comparing the results of the method selected and the current forecasting process. After the comparative test, an economic analyses of the solution is made to determine the financial improvement if the implementation be made . After that the final considerations about the essay are

presented.

Sumrio

Introduo......................................................................................... 14
1.1 Descrio da Empresa ..............................................................................................14 1.2 Portiflio de Produtos ..............................................................................................14 1.3 Estrutura da rea de Comercial...............................................................................15

2 3 4

Problema........................................................................................... 17 Objetivo ............................................................................................ 18 Metodologia ...................................................................................... 19

4.2 Apresentao do modelo atual de previso .............................................................19 4.3 Reviso bibliogrfica ...............................................................................................19 4.4 Dados Disponveis/Seleo dos produtos piloto ......................................................20 4.5 Anlise dos produtos piloto .....................................................................................20 4.6 Escolha do modelo a ser utilizado ...........................................................................20 4.7 Aplicao do modelo ...............................................................................................20 4.8 Anlise Econmica da Soluo ...............................................................................21

5 6

Descrio do estgio.......................................................................... 22 Descrio do Mercado....................................................................... 23

6.1 O Mercado ...............................................................................................................23 6.2 Safra e Entre-safra ...................................................................................................24 6.3 Distribuio Agrcola no Brasil...............................................................................24 6.5 Variabilidade Inerente e Eventos .............................................................................27

7 8

Descrio do Modelo atual de previso............................................. 29 Reviso Bibliogrfica ........................................................................ 32

8.1 Importncia da Previso ..........................................................................................32 8.2 Maneiras de medir o erro da previso ......................................................................33 8.3 Mtodos Qualitativos de Previso de Demanda ......................................................36 8.4 Mtodos Quantitativos .............................................................................................39 8.4.1 Mtodo da Mdia Mvel Simples .....................................................................40 8.4.2 Mtodo da Suavizao Exponencial Simples ...................................................41

8.4.3 Mtodo da Suavizao Exponencial Simples com Taxa de Resposta Adaptativa .....................................................................................................................42 8.4.4 Mtodo da Suavizao Exponencial Linear com um Parmetro Mtodo de Brown .........................................................................................................43 8.4.5 Mtodo Linear de Holt......................................................................................44 8.4.6 Mtodo Linear de Winters ................................................................................45 8.4.7 Classificao de Pegels .....................................................................................46 8.4.8 Mtodo de Box-Jenkins ....................................................................................49 8.4.9 Regresso Linear Simples.................................................................................51 8.4.10 Regresso Linear Mltipla ..............................................................................54

Dados Disponveis e Seleo dos produtos piloto. ............................. 55

9.1 Dados Disponveis ...................................................................................................55 9.2 Metodologia para escolha dos produtos piloto ........................................................56

10 Anlise dos produtos Piloto............................................................... 63

10.1 Anlise do Pesticida A ...........................................................................................64 10.2 Anlise do Pesticida B ...........................................................................................67 10.3 Anlise do Herbicida A .........................................................................................69 10.4 Anlise do Herb icida B..........................................................................................71 10.5 Anlise do Fungicida A .........................................................................................73 10.6 Anlise do Fungicida B .........................................................................................75 10.7 Anlise Global dos Produtos .................................................................................77

11 Seleo do Modelo de Previso ......................................................... 78 12 Aplicao do Modelo......................................................................... 82

12.1 Aplicao do Modelo Pesticida A ......................................................................85 12.2 Aplicao do Modelo Pesticida B.......................................................................88 12.3 Aplicao do Modelo Herbicida A .....................................................................90 12.4 Aplicao do Modelo Herbicida B .....................................................................92 12.5 Aplicao do Modelo Fungicida A .....................................................................94 12.6 Aplicao do Modelo Fungicida B .....................................................................96

13 Anlise Econmica da Soluo.......................................................... 98

14 Concluso........................................................................................ 102 15 Bibliografia ..................................................................................... 104 16 Anexos............................................................................................. 105

16.1 Histrico de Venda dos Produtos Piloto .............................................................. 105 16.2 Memorial de clculos das etapas de inicializao e validao ............................ 107 16.3 Clculo do valor econmico ................................................................................ 112

Lista de Tabelas
Tabela 1: Classificao de Pegels. Tabela 2: Porcentagem de participao dos produtos Tabela 3: Produtos escolhidos Tabela 4: Nova nomenclatura para os produtos escolhidos Tabela 5: Distribuio das Vendas ms a ms Pesticida A Tabela 6: Distribuio das Vendas ms a ms Pesticida B Tabela 7: Distribuio das Vendas ms a ms Herbicida A Tabela 8: Distribuio das Vendas ms a ms Herbicida B Tabela 9: Distribuio das Vendas ms a ms Fungicida A Tabela 10: Distribuio das Vendas ms a ms Fungicida B Tabela 11: Anlise do modelo suavizao exponencial Tabela 12: Anlise do modelo Holt-Winter Tabela 13: Anlise do modelo Box-Jenkins Tabela 14: An lise do modelo de regresso Linear Tabela 15: Inicializao e Validao do modelo (pesticida A) Tabela 16: Previses Pesticida A Tabela 17: Previses Pesticida B Tabela 18: Previses Herbicida A Tabela 19: Previses Herbicida B Tabela 20: Previses Fungicida A Tabela 21: Previses Fungicida B Tabela 22: Redues do erro de previso Tabela 23: Clculo do Ganho econmico Pesticida A Tabela 24: Ganho Anual dos Produtos Piloto

Lista de Figuras

Figura 1: Organograma da Estrutura Comercial Figura 2: Distribuio e rea total das culturas no Brasil Figura 3: Agrupamento das grandes regies Figura 4: Efeito da variabilidade inerente e do eventos Figura 5: Fluxograma do processo atual de gerao da previso

Lista de Grficos

Grfico 1: Proporo de vendas Pesticidas 2005 Grfico 2: Proporo de vendas Herbicidas 2005 Grfico 3: Proporo de vendas Fungicidas 2005 Grfico 4: Volume de Vendas - Pesticida A Grfico 5: Correlograma Pesticida A Grfico 6: Volume de Vendas - Pesticida B Grfico 7: Correlograma Pesticida B Grfico 8: Volume de Vendas - Herbicida A Grfico 9: Correlograma Herbicida A Grfico 10: Volume de Vendas - Herbicida B Grfico 11: Correlograma Herbicida B Grfico 12: Volume de Vendas - Fungicida A Grfico 13: Correlograma Fungicida A Grfico 14: Volume de Vendas Fungicida B Grfico 15: Correlograma Fungicida B Grfico 16: Previses X Vendas Pesticida A Grfico 17: Previses X Vendas Pesticida B Grfico 18: Previses X Vendas Herbicida A Grfico 19: Previses X Vendas Herbicida B Grfico 20: Previses X Vendas Fungicida A Grfico 21: Previses X Vendas Fungicida B

Listas de Siglas e Abreviaturas

IA Ingrediente Ativo APO - advanced planner and optimizer PIB Produto interno bruto ME Mean Error - Erro Mdio MAE Mean Absolute Error - Erro Absoluto Mdio MSE Mean Squared Error - Erro Quadrtico Mdio PE Percentage Error - Erro Percentual MPE Mean Percentage Error - Erro Percentual Mdio MAPE Mean Absolute Percentage Error - Erro Percentual Absoluto Mdio ARIMA Auto Regressive Integrated Moving Averages Kg Quilogramas L Litros

14

1 Introduo
1.1 Descrio da Empresa A empresa onde ser desenvolvido este trabalho a primeira empresa global focada exclusivamente no mercado de agrobusiness, empresa de origem Sua, s comeou suas operaes no Brasil em fevereiro de 2001 com a unio de duas outras empresas. Com forte presena mundial, apresenta forte atuao na Europa, Amrica do Norte, Amrica do Sul e sia, empregando mais de 19 mil pessoas em mais de 90 pases. No Brasil a empresa possui mais de 900 funcionrios e lder no mercado de defensivos agrcola e ocupa a terceira posio no mercado de sementes. A empresa possui apenas uma fbrica no Brasil que se localiza em Paulnea (SP). Essa fbrica responsvel pelo suprimento de produtos para todo o Brasil e a maioria da Amrica Latina, que possui apenas uma outra fbrica de menor porte em Cartagena (Colmbia).

1.2 Portiflio de Produtos Os produtos vendidos pela empresa no Brasil podem ser divididos em trs grandes grupos:

Proteo de Cultivos: Estes produtos so direcionados diretamente para a proteo de cultivos, existindo produtos especializados para um nico tipo de cultivo, ou sendo genrico para mais de uma cultura. Dentro desse grupo os produtos so classificados dentro das seguintes classes: Herbicidas, Fungicidas e Pesticidas.

Herbicida: Composto ativo de agrotxico usado para eliminar das lavouras espcies no desejadas, especialmente plantas daninhas ou plantas invasoras, e que apresenta certa toxicidade s plantas cultivadas. (Definio retirada do glossrio de biotecnologia, edio de 2005)

Fungicida: Agente txico a fungos. (Definio retirada do glossrio de biotecnologia, edio de 2005)

15

Pesticida: Substncia que mata organism os indesejados de modo seletivo. (Definio retirada do glossrio de biotecnologia, edio de 2005)

Sementes: Esse grupo dirigido diretamente venda de sementes para serem plantadas. A empresa comercializa sementes para as mais diversas culturas, sendo as principais: Soja, milho, algodo, caf, vegetais, frutas, ctricos, cana-de-acar, tabaco, trigo, entre outros.

Produtos Profissionais (Sade Pblica): Esse grupo se dedica produo de produtos para o mercado de sade pblica, sendo os principais deles raticidas, inseticidas, alm de produtos veterinrios.

1.3 Estrutura da rea de Comercial O trabalho ser realizado apenas na rea de proteo de cultivos, que a rea que representa a maior parte do faturamento da empresa. Logo a descrio da estrutura comercial apresentar apenas os componentes referentes venda de produtos que integram esse grupo.

A rea comercial, que ser a maior beneficiada pela realizao deste projeto, tem como sua central a rea administrativa em So Paulo. Abaixo existem 4 filiais (Uberlndia, Campinas, Cuiab e Londrina). Cada filial formada por diversas regionais que compem um total de 25 regionais no Brasil. Cada regional possui seus vendedores que so os responsveis diretos pela venda de produtos no Brasil. Atualmente a empresa possui aproximadamente 220 vendedores espalhados pelas regionais brasileiras.

Os canais de distribuio que a empresa usa so: vendas diretas, que ocorrem para grandes agricultores que possuem uma grande rea plantada e alto poder de barganha; Cooperativas, que geralmente so formadas por agricultores de mdio porte e se unem para aumentar seu poder de barganha; Revendedores, que so responsveis por distribuir os produtos para os pequenos agricultores.

16

Um organograma da estrutura comercial no Brasil pode ser visto abaixo:

So Paulo

UBERLNDIA

LONDRINA

BANDEI RANTES

UBERLN DIA

CAF

GOINIA

UBERABA

BARREIRAS

ALIAN A

LONDRINA

CAMPO MOURO

PONTA GROSSA

PASSO FUNDO

PORTO ALEGRE

CAMPINAS

CUIAB

CAMPINAS

RECIFE

CANA E CITRUS

FRUTAS E VEGETAIS

CAREAIS

FIAGRIL

RONDO NOPOLIS

CUIAB

REGIONAL REGIONAL REGIONAL REGIONAL SUL NORTE SUL 2 NORTE 2

Figura 1: Organograma da Estrutura Comercial Fonte: Empresa

No organograma acima pode-se observar que as regionais so classificadas de diversas maneiras. A regional pode representar a regio em torno de uma determinada cidade, como por exemplo, Goinia. Outra forma uma regional representar uma cultura, como por exemplo, a regional caf na filial de Uberlndia. Uma regional pode ainda representar apenas um produto, como por exemplo, a regio nal Fiagril da filial Cuiab. E por ltimo uma regional pode representar toda uma parte de uma filial, como por exemplo, a regional sul ou norte da filial de Cuiab.

17

2 Problema
O problema identificado na empresa em questo a no existncia de um mode lo matemtico de previso de demanda. O modelo atual que ser descrito mais a frente baseado na previso direta dos vendedores do campo e ajustada de acordo com o bom senso dos funcionrios envolvidos no processo. Atualmente no existe um processo formal que considera o passado de vendas a empresa. O processo atual de previso de demanda ser descrito mais frente neste trabalho.

Muitos fatores podem influenciar a venda de um produto, e no modelo atual fica muito difcil identificar se esses fatores f ram considerados, e se foram, quando foram considerados. Pois o fundamental que o setor comercial que responsvel por fazer os ajustes finais saiba o que foi considerado na formao do nmero.

Os vendedores da empresa na sua grande maioria no possuem qualificao suficiente para fazerem previses de demanda, logo usam de sua experincia e conhecimento de seus clientes para gerarem o nmero, mas muitas vezes isso no basta para gerar um nmero confivel.

Outro problema a ser considerado a formao de vrias previses independentes que so somadas pelo departamento comercial em So Paulo antes de comearem os ajustes. Por isso podem existir vrios erros de diversos vendedores, que podem gerar previses baseadas nos prprios interesses, ou realmente cometerem erros de previso involuntrios.

18

3 Objetivo
O objetivo desse trabalho desenvolver um modelo de previso de demanda baseado no histrico de vendas da empresa, e tambm no estudo de fatores que influenciam a demanda deste mercado. Hoje fundamental que toda empresa que deseja ser bem sucedida e crescer de forma sustentvel, tenha um modelo de previso de demanda que seja eficiente e adequado ao mercado o qual est inserido.

O modelo ser desenvolvido a partir do passado de venda da empresa, levando ainda em considerao fatores fundamentais para a variao da demanda. O estudo ser baseado nos principais produtos da empresa, classificados em grupos de acordo com o seu comportamento. Os dados usados neste trabalho sero os reais, porm ser usado um coeficiente para respeitar a confidencialidade dos dados, por se tratarem de dados estratgicos para a empresa.

Com um modelo de previso de demanda matemtico, o nmero gerado ser um nmero mais confivel, porm mesmo com esse modelo o conhecimento de negcio dos funcionrios ainda ser aproveitado, porm agora baseados em nmeros muito mais confiveis, alm de possurem total visibilidade do processo de gerao da previso.

Com a implementao do modelo matemtico mais adequado esperado que a empresa consiga aumentar o nvel de atendimento, diminuindo o nmero de pedidos perdidos ou atrasados. Porm esse benefcio no vir acompanhado de um aumento de estoques, e sim uma reduo dos nveis de produtos estocados, alm de reduzir estoques de matria-prima e de matrias usados em embalagens. Alm disso, com esse modelo o vendedor do campo no ter a necessidade de gerar uma previso, podendo assim dedicar todo seu tempo para vender os produtos da empresa.

19

4 Metodologia
Ser apresentada a metodologia a ser utilizada para o desenvolvimento deste projeto. At agora a empresa foi apresentada e descrita, assim como o problema e os objetivos deste trabalho. Podemos agora comear o solucionar o problema.

Este projeto pode ser dividido nas seguintes partes:

4.1 Descrio do mercado

Este captulo tem como principal objetivo apresentar o mercado no qual a empresa est inserido, para que seja possvel determinar os fatores mais importantes que compem a demanda. Este captulo apresentar e deixar clara a diferena entre variabilidade inerente ao negcio e eventos que causam flutuaes aleatrias, pois ambos so fatores decisivos para se realizar uma previso de demanda acurada.

4.2 Apresentao do modelo atual de previso Este captulo tem como principal finalidade a apresentao e detalhamento do modelo usado atualmente na empresa para se realizar a previso de demanda. Alm disso, sero apresentados os pontos fortes e pontos fracos do modelo atual, para que estes sirvam de base para o desenvolvimento do novo modelo.

4.3 Reviso bibliogrfica Neste captulo sero estudados diversos modelos de previses, para que o autor tenha conhecimento e base suficientes para fazer a determinao do modelo a ser adotado para a empresa. Sero estudados modelos quantitativos que se encaixam no objetivo deste trabalho, para que aps a anlise dos dados seja possvel determinar o modelos que mais se identifica com o comportamento da demanda deste empresa.

20

4.4 Dados Disponveis/Seleo dos produtos piloto Neste captulo comea a tarefa de se trabalhar com os dados da empresa. Por a empresa possuir muitos tipos de produtos devem-se escolher quais produtos sero estudados. fundamental que a escolha seja criteriosa, pois estes sero a base para se descobrir a aplicabilidade do modelo na empresa. Uma escolha equivocada nesta etapa pode comprometer todo o trabalho, chagando a um resultado que no represente a realidade da empresa e de todos os produtos. O principal objetivo encontrar produtos que representem de maneira satisfatria a maioria dos produtos da empresa, alm de serem produtos importantes e com base de dados confiveis.

4.5 Anlise dos produtos piloto Esta etapa do projeto tambm fundamental, pois aqui que toda a base para a escolha do modelo de previso ser desenvolvida. Atravs do estudo do comportamento dos produtos piloto. Por se tratar de uma srie temporal, todos os componentes desta srie devem ser estudados e descobertos, para evitar surpresas nas etapas seguintes, e para garantir a aderncia do modelo escolhido aos produtos piloto, e ao resto da empresa.

4.6 Escolha do modelo a ser utilizado Nesta etapa o autor j possui conhecimento a respeito dos modelos de previso existentes, alm de saber como os produtos desta empresa se comportam, logo chega o momento onde ser determinado qual ser o modelo definitivo a ser implementado nesta empresa.

4.7 Aplicao do modelo Nesta etapa o modelo selecionado ser aplicado aos produtos escolhidos, e os resultados sero comparados com os resultados obtidos pelo modelo atual. Para termos uma real noo sobre a aderncia do modelo proposto, e se realmente o modelo proposto superior ao modelo atual, trazendo benefcios para a empresa no caso de implementao do mesmo.

21

4.8 Anlise Econmica da Soluo Com os resultados em mos ser a vez de se estimar qual seria o ganho da empresa em termos qualitativos e quantitativos com a adoo do modelo proposto por este trabalho. Podendo nesta etapa serem estimados ganhos com reduo de estoque ou aumento de vendas devido a maior disponibilidade de produtos.

22

5 Descrio do estgio
O aluno ingressou em uma consultoria onde realizou diversos projetos, entre eles foi desenvolvido um projeto com a durao de 6 meses na empresa onde este trabalho est sendo desenvolvido. O objetivo do projeto era a implementao global da ferramenta SAP APO (advanced planner and optimizer), que uma ferramenta focada na cadeia de suprimentos. Para isso o aluno teve grande visibilidade da cadeia de suprimentos da empresa como um todo, tendo a oportunidade de identificar pontos de melhoria que poderiam ser implementadas. Deve ficar claro que o projeto tinha como objetivo implementar novos processos para a ferramenta APO nos 4 continentes e no em remodelar a previso de demanda da empresa. As principais atividades desenvolvidas pelo aluno foram suportar toda a equipe, que era composta de consultores e por funcionrios da empresa cliente. Com isso o aluno participou do desenho de diversos processos que seriam modificados para a implementao da ferramenta, tanto do processo como era feito e tambm da soluo proposta, aps a implementao. O aluno teve a oportunidade de conhecer o modelo de previso de demanda da empresa, pois os nmeros de previso que eram colocados em um sistema legado da empresa, passariam a ser colocados e reportados para as diversas reas envolvidas pela nova ferramenta (APO). Alm do modelo de previso, o aluno conheceu o processo de produo e planejamento da produo da fbrica e tambm a rede de distribuio dos produtos pela Amrica Latina.

23

6 Descrio do Mercado
A empresa onde o projeto ser desenvolvido atua no mercado de defensivos agrcolas, por isso ser apresentado agora uma descrio do mercado agrcola, com a finalidade de entender fatores como tamanho, distribuio no Brasil, taxas de crescimento e tambm as principais culturas agrcolas cultivadas no Brasil. Alm disso neste captulo sero apresentados dois conceitos fundamentais para a previso de demanda nesta empresa, o conceito de variabilidade inerente e o conceito de eventos. Nestes conceitos esto diferenciadas as possveis causas de flutuao de demanda, ajudando assim a sua possvel previso.

6.1 O Mercado Moderno, eficiente e competitivo, o agro-negcio brasileiro uma atividade prspera, segura e rentvel. Com um clima diversificado, chuvas regulares, energia solar abundante e quase 13% de toda a gua doce disponvel no planeta, o Brasil tem 388 milhes de hectares de terras frteis e de alta produtividade, dos quais 90 milhes ainda no foram explorados. Esses fatores fazem do pas um lugar de vocao natural para a agricultura e todos os negcios relacionados suas cadeias produtivas.

O agro- negcio responsvel por 33% do Produto Interno Bruto (PIB), 42% das exportaes totais e 37% dos empregos brasileiros. O PIB do setor chegou a US$ 180,2 bilhes em 2004, contra US$ 165,5 bilhes alcanados no ano de 2003. Entre 1998 e 2003, a taxa de crescimento do PIB agropecurio foi de 4,67% ao ano.

O Brasil um dos lderes mundiais na produo e exportao de vrios produtos agropecurios. o primeiro produtor e exportador de caf, acar, lcool e sucos de frutas. Alm disso, lidera o ranking das vendas externas de soja, tabaco. As projees indicam que o pas tambm ser, em pouco tempo, o principal plo mundial de produo de algodo e biocombustveis, feitos a partir de cana-de-acar e leos vegetais. Milho, arroz, frutas frescas, cacau, castanhas, nozes, so

24

destaques no agro-negcio brasileiro, que emprega atualmente 17,7 milhes de trabalhadores somente no campo.

6.2 Safra e Entre-safra O principal ponto a ser destacado neste mercado a sazonalidade causada pelos perodos de safra e entre-safra, pois todas as culturas agrcolas apresentam seu ciclo produtivo. O perodo da safra e entre-safra varia de cultura para cultura, e tambm est fortemente relacionada ao clima da regio do plantio. O nmero de safras por ano tambm pode variar de cultura para cultura e o perodo da safra de uma mesma cultura pode variar de ano para ano. Isso causado principalmente por variaes climticas e presso de mercado para se adiantar ou se atrasar a safra.

Para o mercado de defensivos agrcolas, sua demanda est fortemente relacionado a essa sazonalidade, porm a sua previso no facilitada pois no existem perodos certos para a aplicao de herbicidas, pesticidas e fungicidas. Estes podem ser aplicados em diferentes perodos do ciclo produtivo, dificultando a sua previso. Alm disso como um mesmo defensivo pode ser usado em diferentes culturas agrcolas, a variao da demanda varia de acordo com mais de um perodo de safra.

6.3 Distribuio Agrcola no Brasil O Brasil um pas que apresenta grande diversidade natural, o que causa a existncia de muitos tipos de culturas diferentes, e gera grande diferenciao das caractersticas dos produtores. Entre as principais culturas existentes no Brasil pode-se destacar a soja, que apresenta a maior quantidade de rea plantada do pas, com mais de 22 milhes de hectares na safra 2005/2006. Alm da soja podemos destacar os cultivos de cana-de-acar, milho, caf, arroz, feijo, trigo, alm de frutas e vegetais em gerais.

A seguir apresentado um mapa com a distribuio e com a rea total plantada das principais culturas no Brasil.

25

Soja Milho Gros Secos Algodo Caf

TROPICAL

21,0 M ha 13 M ha 4,0 M ha 1,0 M ha 2,4 M ha 0,2 M ha 0,4 M ha 0,7 M ha 0,4 M ha 2,4 M ha

Vegetais Frutas Ctricos Tabaco Trigo

Cana de acar 5,8 M ha

Figura 2: Distribuio e rea total das culturas no Brasil Fonte: Empresa

Podemos assim classificar o pas em 3 grandes regies que apresentam algumas caractersticas em comum:

TEMPERAD
regio 1

regio 2

regio 3

Figura 3: Agrupamento das grandes regies Fonte: Empresa

26

A regio 1 apresenta as seguintes caractersticas: Aproximadamente 25.000 fazendas; 70% da rea plantada de algodo do Brasil; 54% da rea plantada de soja do Brasil; Grandes produtores; 30% dos produtores de soja tem plantaes com mais de 5.000 hectares; 70 Milhes de hectares cultivveis disponveis; Investimentos em infra-estrutura ; Mercado = U$ 1,55 bilho.

A regio 2 apresenta as seguintes caractersticas: Aproximadamente 150.000 fazendas; 44% da rea plantada de milho do Brasil; 41% da rea plantada de soja do Brasil; Produes de multi-culturas; Pequenos produtores; 95% dos produtores de soja com menos de 200 hectares; Produes tradicionais; Espao de terra limitado; Mercado = U$ 0,9 bilho. A regio 3 apresenta as seguintes caractersticas:

Aproximadamente 250.000 fazendas; Safras de alto valor, concentrao de safras constantes; Multi-culturas; Pequenos e mdios produtores em geral; Combinao de produes convencionais e orientadas para negcio;

27

Projetos de irrigao (NE); Industrias de exportao de frutas; Mercado = U$ 0,7 bilho.

6.5 Variabilidade Inerente e Eventos Para o negcio da empresa existem dois tipos de fatores que fazem com que a demanda seja alterada. O primeiro o conceito de variabilidade inerente, que so efeitos causados por fatores conhecidos e que podem ser previstos. Alguns exemplos de fatores que geram variabilidade inerente ao negcio so o incio e o fim das estaes, os impactos causados pelos efeitos meteorolgicos, ou tambm perodos de safra e entre-safra. Em todos esses caso possvel saber qual o efeito baseado na histria da empresa, por isso so fatores inerentes ao negcio. A variabilidade inerente pode causar tanto aumento quanta diminuio da demanda esperada.

O segundo tipo de fator ser chamado de eventos, eventos so fatos aleatrios, que no se repetem periodicamente, por isso so mais difceis de serem previstos. Geralmente quando se descobre a possibilidade de ocorrncia de um evento, no existe grande certeza quanto a sua probabilidade de ocorrncia, alm de no saber tambm qual o efeito real desse evento para a demanda. Quando a probabilidade de ocorrncia destes eventos entra em nveis aceitveis, muitas vezes a ocorrncia eminente no sendo possvel reagir para o atendimento do mesmo. Um evento pode causar efeitos de alto ou de baixa na demanda, ou seja, ele pode aumentar as vendas da empresa, ou pode diminuir a quantidade de produtos vendidos.

Alguns exemplos de eventos para a empresa podem ser: introduo de novos produtos no mercado por concorrentes; Pendncia de registros para a introduo de produtos da prpria empresa; Iniciativas do marketing no planejadas, ou reativas; Impacto na introduo de genricos (concorrentes ou da prpria empresa); Casos excepcionais de doenas ou resistncia produtos da empresa; Negcio impactado por fatores macro poltico econmicos.

28

Com isso fundamental que seja desenvolvido alm do modelo de previso de demanda, um processo para que a ocorrncia de eventos seja tratada, para que o efeito desses eventos seja minimizado da melhor e mais eficiente maneira possvel. Deve-se criar uma maneira de se prever e medir os efeitos dos eventos, para que a empresa seja capaz de reagir a tempo de no sofrer perdas. Para tratar a variabilidade inerente no ser necessrio a criao de nenhum processo paralelo, pois por serem efeitos de fatores previsve is, estes j sero previstos pelo modelo matemtico de previso a ser proposto.

Segue abaixo um grfico que demonstra os efeitos da variabilidade inerente e dos eventos, tanto de alta quanto de baixa.

Volume Variabilidade inerente

Evento de alta

Previso

Variabilidade inerente

Evento de Baixa

Figura 4: Efeito da variabilidade inerente e do eventos Fonte: Empresa

Tempo

29

7 Descrio do Modelo atual de previso

Para o desenvolvimento de um modelo de previso de demanda, devemos entender e analisar como este processo vem sendo feito atualmente. Para isso ser apresentado o fluxograma do processo atual, junto com uma explicao detalhada de cada atividade desse processo. Com essa anlise fica mais fcil identificar quais as mudanas que sero implementadas neste processo. Pois como o objetivo deste trabalho desenvolver um modelo matemtico para a previso, no ser substitudo todo o processo de desenvolvimento do nmero final. Mesmo baseado em estatsticas, para que se obtenha o melhor resultado possvel, deve-se tambm utilizar a experincia dos funcionrios da empresa, por isso no iremos substituir todo o processo de previso, e sim, aprimor- lo para que se torne mais confivel e eficaz.

Abaixo est o fluxograma do processo atual:

Vendedor Vendedor reporta consumo de seus clientes

Vendedor Elaborao da previso de consumo pelo vendedor

Regional Elaborao da previso de consumo da Regional

Gerente Filial Elaborao da previso de consumo da Filial (3 meses)

Gerente de Produto Elaborao da previso de vendas por produto - Brasil (12 a 24 meses)

Gerente Vendas Elaborao da previso de vendas Brasil (meses 1 a 12)

Figura 5: Fluxograma do processo atual de gerao da previso Fonte: Autor

Como no existe uma ferramenta de previso de demanda estatstica, todos os nmeros durante esse processo so armazenados em um programa em base Access, para que todos tenham maior acesso e agilidade ao trabalharem com esses nmeros.

A primeira etapa desse processo realizada pelo vendedor, que diretamente com seus clientes, faz o levantamento do inventrio final de cada um, para que ele saiba qual foi o consumo no ms. Esse consumo ir ser a base que o vendedor realize a previso de vendas para o prximo ms.

30

Com o consumo calculado o vendedor comea a fazer a previso de consumo para os prximos meses, nesta etapa o vendedor realiza a sua previso para os prximos quatro meses, levando em considerao o consumo de seu cliente e tambm a sua meta anual, mesmo que isso implique muitas vezes em aumentar o estoque no canal de distribuio. Assim que esses nmeros esto fechados o vendedor encaminha esses dados para o gerente de sua filial.

A terceira etapa do processo acontece na filial, onde o gerente responsvel consolida a previso de todos os seus vendedores, gerando a previso de consumo de sua filial. Mas uma vez esse nmero sofre alteraes baseadas no conhecimento do gerente sobre o comportamento dos clientes e das tendncias de seus vendedores. Essa previso tambm para os prximos quatro meses. nesta etapa que o nmero entra na base Access para que possa ser acessada por So Paulo, onde fica o escritrio central.

A quarta etapa do processo muito parecida com a terceira, a diferena o nvel em que ocorre a consolidao, pois agora o gerente da filial, consolida os nmeros que recebe dos gerentes da regionais. Esse nmero pode sofrer novamente alteraes baseadas no conhecimento dos funcionrios responsveis pela filial. Nesta etapa gerada uma previso de trs meses. Ao se finalizar esta etapa, o nmero ser apenas tratado pelos funcionrios do escritrio central de So Paulo.

A quinta etapa ocorre no escritrio de So Paulo, os gerentes de produto, que so responsveis por determinados produtos, consolidam a previso das filiais, para que pela primeira vez seja criado um nmero de previso para o Brasil. Nesta etapa a adequao do nmero ocorre baseado em mais fatores, entre eles podemos destacar o conhecimento do negcio, a meta de crescimento do produto, planos de marketing, pois a primeira vez no processo, que a pessoa que faz a previso tem visibilidade das aes de outras reas da empresa que podem afetar de alguma maneira a venda.

Com o encerramento da etapa anterior, o nmero deixa de ser responsabilidade de apenas um rea da empresa, passando agora por reunies onde participam outras reas. A sexta etapa

31

envolve uma reunio entre trs reas, a rea comercial, marketing e a rea de supply. Nesta reunio soa discutidos os nmeros e os valores para cada produto, ms a ms para o Brasil. Com isso as trs reas acordam um nmero final. Esse nmero leva em considerao fatores relativos ao marketing, que podem ser as iniciativas para aumento de venda, ou entrada de novos produtos no mercado. Fatores de supply, que consideram a disponibilidade de ingrediente ativo, que o principal componente do produto, esta matria-prima importado e por isso possui maior tempo de aquisio. Esta etapa realiza a previso para o ano todo, gerando doze meses de previso.

32

8 Reviso Bibliogrfica
8.1 Importncia da Previso O processo de previso de demanda pode ser considerado uma das atividades mais importantes de uma empresa. Assim, constitui a base do processo de planejamento. De acordo com Arnold (1999), o processo em questo configura-se no preldio do planejamento.

De acordo com Makridakis; Wheelwright; Hyndman (1998), freqentemente existe um intervalo (lead-time) entre o momento em que um evento se torna conhecido e a realizao do mesmo. Esse lead-time a principal razo para se planejar e prever. Se esse lead-time for muito pequeno ou zero, no existe a necessidade de se realizar uma previso. Se o lead-time longo, o planejamento e a previso tem um papel muito importante, pois em tais situaes a previso poder determinar quando o evento ir ocorrer, assim as medidas apropriadas podero ser tomadas a tempo.

Podemos caracterizar o lead-time citado por Makridakis; Wheelwright; Hyndman (1998), em trs grupos principais: Curto prazo, Mdia prazo e Longo prazo. Previses de curto prazo podem ser exemplificadas por decises de produo, para evitar diminuio no nvel de servio, sabendo o que produzir e quando produzir. O mdio prazo pode se caracterizar como decises que envolvam importao ou exportao, por um modal de transporte que tenha um lead-time de entrega elevado, como por exemplo o martimo. Ento compras de produtos importados ou vendas necessrias para suprir um mercado externo podem ser considerados previses de mdio prazo. J previses de longo prazo podem ser caracterizadas como investimentos em ampliao ou entrada em novas reas de negcio.

Deve ficar claro que quanto maior o horizonte de previso, maior a sua dificuldade, diminuindo a sua preciso, aumento o erro. A seguir sero explicados alguns modelos de erros de previso.

Segundo Makridakis; Wheelwright; Hyndman (1998), Existem cinco passos bsicos em qualquer processo de previso onde dados quantitativos estejam disponveis.

33

Passo 1: Definio do Problema - Esta muitas vezes pode ser a tarefa mais difcil do processo, pois necessita de entendimentos sobre como a previso ser usada, quem necessita da previso e como esse processo ir se integrar organizao.

Passo 2: Coleta de Informao Existem dois tipos de informao disponvel; dados estatsticos que so geralmente numricos e conhecimento e expertise dos funcionrios chave para o processo.

Passo 3: Analise Preliminar Nesta etapa verificamos os dados para interpret- los de uma maneira correta, encontrando comportamentos e padres dos dados.

Passo 4: Escolhendo o Modelo Ideal Com a analise preliminar limitamos as opes de modelos que so viveis para o nosso problema, assim nesta etpa definimos o modelo que melhor se encaixa ao problema.

Passo 5: Usar e Avaliar o Modelo Escolhido Com o modelo escolhido as previses sero feitas e os usurios dessa previso podero avaliar os prs e contras do modelo em questo. O modelo s pode ser avaliado apropriadamente aps que o dado do perodo previsto esteja disponvel.

8.2 Maneiras de medir o erro da previso Agora comearemos a tratar um conceito fundamental para a previso, que seria medir a preciso de um modelo de previso para uma srie de dados. A preciso pode ser definida por quo preciso o modelo de previso pode reproduzir os dados j conhecidos. Baseado nos erros pode-se descobrir e sanar anormalidades no processo, alm de ser de grande importncia para a escolha do mtodo a ser implementado. Seguindo essa definio podemos considerar o erro da previso como sendo:

(8.1)

34

Onde Y o dado observado e F o resultado da previso, ambos dados para um perodo t. Dessa maneira pode-se calcular o erro para cada perodo, agora apresentarei modos de calcular o erro mdio de mais de um perodo.

Erro Mdio - Mean Error (ME)

O erro mdio calculado pela mdia aritmtica dos erros dos perodos, este erro tende a ser pequeno, uma vez que os erros positivos acabam compensando os erros positivos, o que pode distrocer o resultado. Porm esse mtodo pode mostrar se existe erro de vis no modelo de previso. A frmula do erro mdio apresentada abaixo:

(8.2)

Erro Absoluto Mdio Mean Absolute Error (MAE)

Esse erro usa o valor absoluto dos erros para se calcular a mdia, evitando assim o problema apresentado no erro mdio. A frmula apresentada abaixo:

(8.3)

Erro Quadrtico Mdio Mean Squared Error (MSE)

Neste modelo o problema de cancelamento de valores superado calculando-se o quadrado de todos os valores dos erros. A frmula apresentada abaixo:

35

(8.4)

Erro Percentual Percentage Error (PE)

Ao calcularmos o erro de maneira absoluta, no podemos fazer muitas comparaes, se no soubermos qual o volume total que est sendo previsto. Pois um erro de 10 relativamente pequeno se estamos tratando um volume de 1000, porm seria elevado para um volume de 50. Por isso calculamos o erro percentual, para evitar problemas de interpretao. Uma dificuldade que pode ocorrer neste modelo seria caso a srie de dados contenha valores nulos, pois no possvel realizar o calculo percentual. A frmula do erro percentual apresentada abaixo:

(8.5)

Erro Percentual Mdio Mean Percentage Error (MPE)

a mdia aritmtica dos erros percentuais, mais uma vez valores positivos e negativos podem se anular, ditrocendo o resultado. A frmula apresentada a seguir:

(8.6)

Erro Percentual Absoluto Mdio Mean Absolute Percentage Error (MAPE) a mdia aritmtica do mdulo dos erros percentuais:

(8.7)

36

Erro de Vis

Um tipo de erro que pode ocorrer em previses o erro de vis, que caracterizado por ser um erro sistemtico ou sempre positivo, ou sempre negativo. Para identificar se existe esse erro, e qual a sua magnitude, pode ser usado a estatstica de Durbin-Watson. O teste de Durbin-Watson para de descobrir se existe correlao serial (vis) entre os erros, baseada no mtodo dos mnimos quadrticos ordinrios e apresentada pela seguinte frmula:

(8.8)

A interpretao dos resultados feita pelo valor de DW, para valores maiores que 2 o vis negativo, j para valores menores que 2 o vis no caso positivo e caso os valores fiquem muito prximo de 2, pode-se considerar que no existe vis.

8.3 Mtodos Qualitativos de Previso de Demanda Primeiramente sero apresentados os mtodos qualitativos de previso de demanda, nestes modelos no so usados dados numricos como referncia e sim o conhecimento e experincia das pessoas envolvidas no processo.

Esses mtodos so mais utilizados para realizarem previses de horizonte mais acentuado, como por exemplo, os investimentos que uma empresa ir realizar no futuro. Por isso eles so mais utilizados juntamente com outros mtodos, com uma funo principalmente de suporte decises. Um ponto fraco dos modelos qualitativos a difcil mensurao de sua eficincia.

Os principais mtodos qualitativos so:

37

Pesquisa de Mercado Mtodo Delphi Painel de Especialistas Analogia Histrica

Pesquisa de Mercado: O levantamento de dados feito atravs de questionrios e entrevistas. Os fatores mais relevantes para os clientes so levantados, as pesquisas so individuais, e a anlise feita agrupando-se todas as respostas obtidas. Pode ser mais eficiente para empresas que possuem poucos clientes. Este mtodo apresenta menor confiabilidade, pois est suscetvel a erros de interpretao e orientao. Por causa da estrutura necessria para se realizar um pesquisa confivel, esse modelo pode apresentar custo elevado e longo perodo de execuo.

Mtodo Delphi: Esse mtodo usado para se obter o consenso dentro de um comit. Por esse mtodo, os executivos respondem anonimamente a uma srie de perguntas em turnos sucessivos. Cada resposta repassada a todos os participantes em cada turno, e o processo ento repetido. At seis turnos podem ser necessrios antes que se atinja o consenso sobre a previso. Esse mtodo pode resultar em previses com as quais a maioria dos participantes concordou apesar de ter ocorrido uma discordncia inicial. Com este mtodo o resultado mais preciso, no apresentando vis. Porm mais uma vez o tempo de execuo pode ser longo, baseado nos nmeros de iteraes necessrias.

Painel de Especialistas: Este mtodo segue a linha do mtodo delphi, onde formado um comit, porm desta vez existe interao entre os membros deste comit. Geralmente esse comit formado por executivos de diferentes reas da corporao, para que existem diferentes vises e percepes do mesmo assunto, e para que todas as conseqncias sejam consideradas. Esse mtodo consideravelmente mais rpido que os anteriores, porm o resultado pode sofrer forte influencia das caractersticas pessoas dos participantes, como o poder de persuaso, prestgio e liderana.

38

Analogia Histrica: Esse mtodo une a estimativa de vendas futuras de um produto ao conhecimento das vendas de um produto similar. O conhecimento das vendas de um produto durante vrias etapas de seu ciclo de vida aplicado estimativa de vendas de um produto similar. Esse mtodo pode ser especialmente til na previso de vendas de novos produtos, alm de apresentar um custo relativamente baixo.

39

8.4 Mtodos Quantitativos Os mtodos quantitativos so mtodos que se baseiam em dados numricos para realizarem a previso.

Podemos classificar os mtodos quantitativos em dois grupos: Mtodos de sries temporais e Mtodos Causais.

Mtodos de sries temporais: Nestes mtodos os objetivo ajustar um modelo matemtico a uma srie temporal. Uma das premissas bsicas destes modelos que o comportamento da demanda no futuro seguir os mesmos padres das do passado. So chamados de modelos univariados, pois so levam em considerao para a previso uma varivel, o tempo. Sendo assim esses modelos so adequados para previses de curto prazo.

Mtodos Causais (correlao): Nestes mtodos analisado o efeito de uma ou mais variveis independentes no comportamento da varivel que se deseja prever (dependente). A premissa bsica a ser considerada que a relao entre essas variveis sero as mesmas no futuro. Estes mtodos so mais adequados para previses de longo prazo.

Sries Temporais Segundo Makridakis; Wheelwright; Hyndman (1998), podemos decompor a demanda em quatro componentes distintos, que so de importncia essencial para a escolha do modelo mais adequado:

Tendncia: Consiste em um movimento gradual de longo prazo, direcionando os dados de maneira crescente ou decrescente.

Ciclicidade: Demonstra oscilaes ou movimentos para cima e para baixo ao longo da srie, porm se perodo de tempo definido.

40

Sazonalidade: A sazonalidade refere-se a mudanas ou variaes cclicas de curto prazo, se repetindo de maneira regular. Makridakis (1998), afirma ainda que um padro sazonal existe quando a srie temporal influenciada por um fator sazonal.

Irregularidade: so alteraes na demanda passada resultantes de fatores excepcionais, que no podem ser previstos e, portanto, includos no modelo.

8.4.1 Mtodo da Mdia Mvel Simples Esse mtodo consiste em calcular a mdia das ltimas N observaes, sendo o valor encontrado considerado a previso para o prximo perodo. O mtodo em questo gera previses mdias com menor variabilidade que os dados originais. Isso ocorre devido ao processo de combinao entre as observaes com valores altos e com valores baixos.

Segundo Makridakis (1998), o termo mve l vem da possibilidade de a cada nova previso feita, o dado mais antigo descartado e o mais novo considerado. Alm disso, Makridakis sugere que deve ser utilizado um maior nmero de amostras quando a maioria dos dados for aleatrio e no caso de existncia de tendncia ou sazonalidade deve-se descartar os dados mais antigos, se trabalhando apenas com os dados mais recentes. Para casos de sazonalidade ainda existe a opo de se trabalhar com perodos de tempo que equivalem ao perodo de sazonalidade.

A expreso matemtica que representa este modelo :

(8.9)

41

Nesta frmula, k seria o nmero de perodos a serem considerados na mdia. Esta formula confere pesos iguais para todos os perodos. O valor Y o valor da observao em um dado perodo, e o valor F o valor da previso para o perodo t+1.

Para Makridakis (1998), a acurcia deste modelo geralmente baixa, alm disso o nmero de dados a serem armazenados pode ser alto, variando de acordo com o nmero de sries a serem previstas e do nmero de perodos necessrios para se calcular a mdia por srie.

8.4.2 Mtodo da Suavizao Exponencial Simples A suavizao exponencial pode ser considerada uma extenso do mtodo da mdia mvel. A diferena fundamental, que a suavizao leva em considerao ponderaes diferentes para os dados utilizados. Os dados mais recentes recebem maior ponderao, enquanto os mais antigos menores ponderaes. Isso deriva da premissa de que os dados mais recentes fornecem informaes mais precisas sobre o padro de comportamento futuro. Este mtodo pode ser representado pela seguinte equao:

(8.10) O valor da constante de suavizamento a varia entre 0 e 1.

Segundo Makridakis (1998), a nova previso pode ser vista como a soma da antiga previso com um ajuste para o erro que ocorreu na previso passada. Quando a ficar perto de 1, a nova previso ter um ajuste substancial para o erro ocorrido na previso passada, logo se o valor ficar perto de 0, esse ajuste ser muito pequeno.

Uma outra maneira de se expressar essa equao :

(8.11)

42

Onde Y o valor real verificado no perodo t, e a varivel F a previso para os perodos t e t+1.

Este mtodo possui este nome, pois os pesos atribudos so calculados baseados em uma tendncia exponencial. Assim o dado mais recente recebe um peso a, a prxima recebe um peso a(1-a), a seguinte recebe o peso a(1-a), seguindo a lgica a prxima seria a(1-a) e assim por diante.

Para Makridakis (1998), este mtodo soluciona o problema do armazenamento de dados, uma vez que s necessrio armazenar o valor de algumas previses passadas, a observao recente e tambm o valor de a.

8.4.3 Mtodo da Suavizao Exponencial Simples com Taxa de Resposta Adaptativa Um problema para a suavizao exponencial a definio da constante a, logo um mtodo que no necessite dessa definio teria uma vantagem. No modelo com taxa de resposta adaptativa o valor da constante a varia a cada nova observao, essa mudana ocorre quando existe alguma alterao no comportamento dos dados. Essa caracterstica se mostra atrativa quando necessria a previso de centenas de itens. Este mtodo pode ser representado pela seguinte equao:

(8.12)

A equao bsica deste mtodo similar ao do mtodo da suavizao exponencial, porm:

(8.13)

sendo, (Erro suavizado) (8.14)

43

(Erro suavizado absoluto) (Erro da previso)

(8.15) (8.16)

Nesta equao um parmetro de valor entre 0 e 1. Pode-se notar pelas equaes que a previso para o prximo perodo nada mais do que uma combinao linear entre a observao e a previso do perodo anterior.

8.4.4 Mtodo da Suavizao Exponencial Linear com um Parmetro Mtodo de Brown Quando evidente a presena de uma tendncia linear na srie temporal, os mtodos de mdia mvel so menos eficientes. Uma maneira de solucionar este problema seria estender a tcnica de suavizao exponencial simples para uma suavizao exponencial dupla. O mtodo de Brown utilizado para sries temporais que apresentam tendncia linear. O func ionamento lgico do mtodo o seguinte: Como os resultados obtidos pela suavizao linear simples e dupla so diferentes do real quando existe uma tendncia, a diferena entre eles poder ser adicionada ao valor da suavizao simples, para que esta seja ajustada de acordo com a tendncia.

A srie exponencial simples dada por: (8.17) J a srie exponencial dupla dada por: (8.18)

E novamente a a constante de suavizao que pode assumir valores entre 0 e 1. Os valores usados para o ajuste do modelo so calculados por (8.19)

44

(8.20)

Finalmente: (8.21)

O valor da varivel m referente ao nmero de perodos a frente a ser previsto. Com isso na equao final (8.21) podemos observar que o valor previsto composto de dois componentes, a que o valor do ajuste e b que representa a tendncia presente na srie temporal.

8.4.5 Mtodo Linear de Holt O mtodo de Holt o mtodo da suavizao exponencial linear com dois parmetros. Tambm usado para sries temporais que apresentam tendncia. A diferena deste mtodo para o mtodo de Brown que o mtodo de Holt suaviza os valores da tendncia diretamente, sem a necessidade de uma segunda srie exponencial. Essa suavizao feita diretamente com o auxilio de duas constantes de suavizao e trs equaes:

(8.22) Segundo Makridakis (1998), O valor de Lt a estimativa do nvel da srie no perodo t. Ento este valor ajustado somando o ult imo valor suavizado com Lt-1 com a tendncia passada bt-1.

(8.23) A segunda equao possui a constante que elimina uma possvel aleatoriedade. Essa equao representa a estimativa da tendncia, por meio da diferena entre os dois ltimos valores que foram suavizados.

45

Por fim temos o valor da previso que dado por,

(8.24)

8.4.6 Mtodo Linear de Winters O mtodo de Winters o mtodo da suavizao exponencial linear com trs parmetros. Esse mtodo pode ser usado para sries temporais que apresentam tanto tendncia como comportamento sazonal. Assim Winters estendeu o mtodo de Holt acrescentado mais um parmetro, para que seja possvel estimar o componente sazonalidade da srie temporal.

Segundo Makridakis (1998), existem dois mtodos de diferentes de Winters, dependendo de como a sazonalidade modelada, podendo ser multiplicativa ou aditiva. Sendo que a nica diferena destes modelos a atuao dos ndices sazonais. As equaes do mtodo multiplicativo so apresentadas a seguir:

Nvel: Tendncia: Sazonalidade: Previso:

(8.25) (8.26) (8.27) (8.28)

Onde, s o intervalo de sazonalidade; Lt Representa o nvel da srie temporal; Bt Estimativa da Tendncia ; St o componente sazonal; Ft+m Previso para m perodos futuros;

46

a, e ? Constantes de suavizao, com valor entre 0 e 1.

De acordo com Makridakis (1998), a equao (8.27) pondera o mais recente fator sazonal. A equao (8.26), ao seu tempo, igual a equao (8.23) do mtodo linear de Holt. Por fim, a equao (8.25) difere-se da equao (8.22) do mtodo linear de Holt pelo fato do primeiro termo ser dividido pelo nmero sazonal St-s. Esse procedimento acontece para eliminar flutuaes sazonais de Yt.

J as Equaes do mtodo aditivo so:

Nvel: Tendncia: Sazonalidade Previso:

(8.29) (8.30) (8.31) (8.32)

Podemos perceber que a nica diferena entre os dois mtodos est relacionada aos ndices sazonais, no mtodos aditivo, estes so somados e divididos, enquanto que no multiplicativo os mesmos so multiplicados e divididos. 8.4.7 Classificao de Pegels Segundo Makridakis (1998), quando se utiliza mtodos exponenciais que trabalham com tendncia e sazonalidade, torna-se importante determinar se os mesmos devem ser aditivos (lineares) ou multiplicativos (no-lineares). Para tanto, a classificao de Pegels fornece uma estrutura com o intuito de discutir e solucionar esta questo.

47

Atravs da classificao de Pegels pode-se apresentar as nove equaes referentes aos mtodos exponenciais. Para Makridakis (1998), as mesmas podem ser descritas mediante o uso das seguintes equaes:

Nvel: Tendncia: Sazonalidade

(8.33) (8.34) (8.35)

Onde, s o intervalo de sazonalidade; Lt Representa o nvel da srie temporal; Bt Estimativa da Tendncia ; St o componente sazonal; a, e ? Constantes de suavizao, com valor entre 0 e 1.

Nas equaes acima, os valores apropriados de P, Q, R e T, bem como as previses para m perodos frente, so demonstrados no tabela abaixo:

48

Tabela 1: Classificao de Pegels. Fonte:MAKRIDAKIS, S.; WHEELWRIGHT, S. C. & HYNDMAN, R.J. Forecasting: methods and applications. 3 ed. John Wiley & Sons, 1998.

49

8.4.8 Mtodo de Box-Jenkins 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 omportamento realizar previses futuras. Se essa estrutura de correlao for bem modelada, fornecer boas previses. os modelos ARIMA resultam da combinao de trs componentes denominados filtros: o componente auto-regressivo (AR), o filtro de integrao (I) e o componente de mdias mveis (MA). Uma srie pode ser modelada pelos trs filtros ou penas um subconjunto deles, resultando em vrios modelos como:

Modelos estacionrios: Modelos estacionrios so aqueles que assumem que o processo est m equilbrio. Um processo considerado fracamente estacionrio se suas mdia e varincia se mantm constantes ao longo do tempo e a funo de autocovarincia depende apenas da defasagem entre os instantes de tempo. Um processo fortemente estacionrio se todos os momentos conjuntos so invariantes a translaes no tempo.

Modelos no-estacionarios: Quando uma srie temporal apresenta mdia e varincia dependentes do tempo, porque ela no estacionria. A no-estacionariedade de uma srie implica que: a) h inclinao nos dados e eles no permanecem ao redor de uma linha horizontal ao longo do tempo e/ou b) a variao dos dados no permanece essencialmente constante sobre o tempo, isto , as flutuaes.

Modelos Sazonais: Os modelos ARIMA exploram a autocorrelao entre os valores da srie em instantes sucessivos, mas quando os dados so observados em perodos inferiores a um ano, a srie tambm pode apresentar autocorrelao para uma estao de sazonalidade s. Os modelos que contemplam as sries que apresentam autocorrelao sazonal so conhecidos como SARIMA.

Etapas da Metodologia Box-Jenkins

50

A construo dos modelos Box-Jenkins baseada em um ciclo iterativo, no qual a escolha do modelo feita com base nos prprios dados. So trs as tapas para construo do modelo:

Identificao: consiste em descobrir qual dentre as vrias verses dos modelos de Box-Jenkins, sejam eles sazonais ou no, descreve o comportamento da srie. A identificao do modelo a ser estimado ocorre pelo comportamento das funes de autocorrelaes e das funes de autocorrelaes parciais. Outros detalhes referentes obteno dessas funes e a quais comportamentos representam os modelos anteriormente abordados podem ser pesquisados em Makridakis

Estimao: consiste em estimar os parmetros do componente auto-regressivo, do componente de mdias mveis e da varincia.

Verificao: consiste em avaliar se o modelo estimado adequado para descrever o comportamento dos dados. Caso o modelo no seja adequado, o ciclo repetido, voltando-se fase de identificao. Um procedime nto muito utilizado identificar no s um nico modelo, mas alguns modelos que sero ento estimados e verificados. Quando se obtm um modelo satisfatrio, passa-se para a ltima etapa da metodologia de Box-Jenkins, que constitui o objetivo principal da metodologia que realizar previses.

51

Modelos causais

Diferentemente dos modelos de sries temporais, os modelos causais tem como premissa que a varivel a ser prevista apresenta uma relao de causa e efeito com uma ou mais variveis independente.

Com isso podemos esses modelos estabelecem um relacionamento entre as variveis para que se possa prever o comportamento desejado, alm disso deve-se considerar que a relao entre variveis vai se manter constante ao longo do tempo, para que o modelo seja usado de maneira eficiente.

8.4.9 Regresso Linear Simples Como o prprio nome diz esse modelo faz a correlao entre duas variveis (simples), tentando relacion-las de forma a expressar uma reta (linear). Ou seja, expressar a varivel dependente Y em funo de uma varivel independente X, a equao pode ser vista abaixo:

(8.36)

Os coeficientes a e b que esto contidos na expresso acima, sero definidos pelo mtodo dos mnimos quadrados. O objetivo desse mtodo expressar a reta que melhor defina a correlao entre as variveis envolvidas, com isso os valores de a e b sero tais que minimizem a somatria do quadrado da distancia vertical entre os pontos e seu respectivo correspondente na reta formada. Expresso que pode ser vista abaixo:

(8.37)

52

onde, Yt Valor real de Y para o perodo t ? t Valor estimado pela equao no perodo t O mtodo quadrtico usado para que distancias positivas e negativas no se anulem, pois sem esse recurso poderamos chegar a uma concluso de que a somatria das distancias mnima, mas na verdade os pontos s estariam distribudos de maneira igualitria para cima e para baixo da reta. Assim o resultado no distorcido.

Para se calcular o valor dos parmetros de regresso a e b, podemos usar as formulas abaixo.

(8.38)

A expresso do parmetro b mostrado primeiro pois este parmetro necessrio para o calculo de a.

(8.39)

O modelo de regresso baseado na correlao entre duas variveis. Portanto importante medir o coeficiente de correlao entre as duas variveis. Esse coeficiente assume valores que variam entre -1 e 1. Valores prximos de 0 indicam pouca ou nenhuma correlao. J valores prximos de -1 ou 1 indicam forte correlao, para valores positivos dizemos que as variveis esto positivamente relacionadas, o que significa que com o aumento de uma ocorre o aumento da outra. Portanto valores negativos indicam que existe o relacionamento negativo, que acontece quando ao aumentar uma varivel existe diminuio da outra.

53

Segundo Makridakis (1998), deve-se tomar cuidado, pois para amostras com poucas observaes o valor do coeficiente de correlao se torna instvel, alm disso caso exista na amostra uma observao que esteja muito distante das outras (outlier), seria suficiente para prejudicar a medio do coeficiente.

O coeficiente de correlao pode ser calculado pela seguinte frmula.

(8.40)

Elevando-se r ao quadrado obtemos o coeficiente de determinao, segundo Makridakis (1998), esse coeficiente o quadrado da correlao entre a varivel a ser prevista e o valor previsto, e a razo para ser apresentada elevada ao quadrado que este coeficiente tambm pode ser interpretado como sendo a proporo da variao em Y que pode ser explicada por X. Assim esse coeficiente pode ser expresso por:

(8.41)

54

8.4.10 Regresso Linear Mltipla Podemos entendera regresso simples, apresentada anteriormente como uma variao da regresso mltipla, onde existe apenas uma varivel independente. Na regresso mltipla podem existir mais de uma variveis independentes. Sendo assim podemos representar este modelo pela equao:

(8.42)

Nesta equao os valores de X1,i , X2,i ,..., Xk,i so a i-sima observao das variveis independentes.

Os valores dos coeficientes so calculados usando a mesma lgica do modelo simples, onde se busca minimizar a soma dos erros quadrticos. Vale lembrar que este tambm um modelo linear, ou seja tenta relacionar as variveis de forma a expressar uma reta.

Neste modelo o clculo de ndice de correlao mais extenso pois deve-se calcular este ndice para cada par de variveis possvel. Com isso ser montada uma matriz de correlao. Nesta matriz sero apresentados todos os ndices de correlao tanto para variveis dependentes e independentes. Analisando esta matriz, fica possvel determinar se existe relao da varivel Y com as variveis X e tambm entre as variveis X. O modo de se calcular o ndice o mesmo do modelo passado, usando exatamente a mesma equao. muito importante analisar a relao das variveis independentes entre si, pois pode ocorrer a multicolinearidade, que acontece quando estas variveis esto fortemente relacionadas. A existncia de multicolinearidade faz com que os valores encontrados para os coeficientes de regresso no sejam confiveis, prejudicando o resultado da previso. Duas solues so propostas, a primeira seria a excluso de uma das variveis do modelo, pois ambas explicam a varivel dependente da mesma maneira. A segunda soluo seria a criao de uma nova varivel independente a partir das duas variveis independentes.

55

9 Dados Disponveis e Seleo dos produtos piloto.

9.1 Dados Disponveis Os dados disponveis para a realizao deste trabalho, so dados confidenciais, fundamentais para a estratgia da empresa em questo. Por essa razo iremos usar alguns artifcios para camuflar os dados, de uma maneira que no distora o resultado alcanado e ao mesmo tempo mantenha a confidencialidade dos mesmos. Assim um fator multiplicativo ser aplicado a todos os dados para que a proporo seja mantida. Esse critrio foi adotado, pois o que importa para a anlise a proporo, sendo assim os dados no perdero sua validade. Outro ponto importante para se manter a confidencialidade envolve o nome dos produtos, estes sero chamados por nomes genricos, no utilizando em momento algum seus nomes comercias.

Para a realizao deste trabalho temos o histrico de vendas de todos os produtos da empresa comercializados no Brasil desde 2002. Os dados mais recentes, para o ano de 2006, no foram cedidos por motivo de confidencialidade. Por isso o intervalo de dados disponveis vai de janeiro de 2002 at fevereiro de 2006. Sendo sem dvida uma amostra suficientemente grande para o desenvolvimento de um modelo confive l.

O nmero de produtos disponveis para a anlise em torno de 220 aproximadamente, sendo dos mais variados tipos de produtos. Iremos focar o trabalho nos tipos herbicidas, fungicidas e pesticidas. Porm nem todos os produtos apresentam histrico completo, desde 2002, muitos deles so produtos novos, que foram criados em 2003, 2004 e 2005, sendo assim teremos uma amostra menor de produtos que apresentam vendas desde 2002. Este ponto ser analisado mais frente.

Isso faz com que a escolha do modelo a ser aplicado seja baseada em sries temporais, excluindo os modelos causais de previso de demanda. Pois no temos variveis suficientes para determinarmos possveis correlaes. Alm do histrico de venda, foram disponibilizados dados confidenciais, como custo, preo e margem dos produtos. Estes dados so mdias referentes ao ano passado e sero fundamentais

56

para a escolha dos produtos pilotos, que sero a base para a escolha e teste do modelo. Pois os produtos modelo devem ser produtos importantes para a empresa, tanto em volume como em faturamento, e ao mesmo tempo devem ser representar bem a maioria dos produtos.

Alm destes dados foram cedidas as previses feitas para os anos de 2004 e 2005 pela empresa, sabemos assim qual foi a margem de erro, sendo possvel uma futura comparao entre o modelo desenvolvido e o atual. Pois para o ano de 2005, podemos simular o novo modelo com os dados dos anos passados e comparar com o modelo atual, e como sabemos quais foram as vendas para este ano, saberemos quais as vantagens trazidas pelo modelo a ser desenvolvido. Este fato muito importante, pois em algum momento do trabalho ser fundamental prever valores de venda para 2005 com o modelo desenvolvido, por isso importante que os produtos escolhidos tenham histr ico de venda completo, desde 2002.

9.2 Metodologia para escolha dos produtos piloto Comearemos a classificar os 220 produtos disponveis, para que possamos escolher os produtos que sero a base para os testes do modelo a ser implementado. importante ressaltar que dentre os 220 produtos, existem produtos com a mesma composio qumica, mas que so vendidos em embalagens diferentes, com volumes diferentes. Essa uma estratgia adotada pela empresa, que faz a previso separadamente de dois produtos iguais, mas que apresentam mais de uma embalagem. Como o objetivo deste trabalho desenvolver um modelo de previso que se adapte a realidade da empresa, iremos adotar o mesmo sistema, considerando estes produtos como diferentes.

Como foi dito anteriormente, nem todos os produtos apresentam a mesma quantidade de meses de histrico, pois muitos produtos foram lanados nos ltimos anos. Assim a primeira etapa da seleo do produto seria eliminar aqueles que no apresentam histrico de vendas desde 2002, ou seja, foram criados em 2003, 2004 ou 2005. Como usaremos um modelo de srie temporal a ser determinado, fundamental que tenhamos o maior nmero de informao possvel. Com esta eliminao chegamos ao nmero de 95 produtos. Dentre estes esto os mais importantes produtos

57

da empresa, pois por serem mais antigos, j esto consolidado no mercado e so reconhecidos como produtos lderes.

Iremos agora classificar estes produtos por seu tipo (herbicida, fungicida e pesticida) para termos a certeza que eles apresentam comportamento semelhante. Classificando os 95 produtos por seus grupos ficamos com 20 tipos de fungicidas, 24 tipos de herbicidas e 16 tipos de pesticidas. O objetivo desta seleo escolher dentre estes produtos, 2 de cada grupo, para termos uma amos tra de 6 produtos totais. Os outros 35 produtos no selecionados pertencem a outras categorias, que no so o foco deste projeto, pois so reas menos importantes para a empresa.

Antes de estudarmos o comportamento dos produtos iremos selecionar os 10 mais importantes de cada categoria. Para esta seleo usaremos os dados referentes a preo mdio praticado no ano de 2005. Assim escolheremos os produtos que so responsveis por maiores participaes no faturamento total da empresa. Para evitarmos uma anlise muito longa, no iremos comparar todos os produtos novamente, somente os pr-selecionados at aqui, que so: 20 tipos de fungicidas, 24 tipos de herbicidas e 16 tipos de pesticidas.

Com estes produtos foi gerada a tabela abaixo, j ordenada por ordem de importncia:
Produtos Herbicida 23 Herbicida 4 Pesticida 9 Herbicida 6 Pesticida 1 Herbicida 24 Herbicida 5 Pesticida 8 Fungicida 13 Fungicida 3 Herbicida 13 Pesticida 5 Herbicida 21 Pesticida 7 Pesticida 4 Herbicida 11 Fungicida 11 Fungicida 1 Herbicida 19 Pesticida 16 Herbicida 14 Fungicida 12 Volume 2005 5513240 1774775 805633 1314885 296974 2242240 755165 1081815 1060627 393767 2005115 579326 1609870 614199 896535 1149705 300754 267022 1379640 167055 271495 192415 Preo (R$/Kg ou L) 4.4 12.8 25.8 12.2 37.3 4.6 13.1 8.9 8.7 21.9 4.2 12.3 4.3 9.7 6.5 4.7 16.9 16.7 2.9 23.2 14.2 20.0 Vendas (R$) 24122757 22712040 20812834 16035430 11062618 10351851 9900974 9659563 9226628 8630929 8409306 7127031 7002264 5949985 5797200 5457858 5095244 4462799 4038578 3881287 3867494 3845013 % total 8.78% 8.27% 7.58% 5.84% 4.03% 3.77% 3.60% 3.52% 3.36% 3.14% 3.06% 2.59% 2.55% 2.17% 2.11% 1.99% 1.85% 1.62% 1.47% 1.41% 1.41% 1.40%

58

Herbicida 20 Herbicida 7 Fungicida 16 Fungicida 9 Pesticida 14 Herbicida 16 Herbicida 17 Fungicida 6 Herbicida 15 Herbicida 8 Herbicida 1 Fungicida 20 Fungicida 15 Herbicida 18 Pesticida 11 Herbicida 22 Herbicida 12 Fungicida 2 Herbicida 9 Herbicida 3 Pesticida 2 Fungicida 19 Herbicida 2 Fungicida 17 Herbicida 10 Fungicida 7 Fungicida 5 Pesticida 15 Pesticida 3 Pesticida 6 Fungicida 8 Fungicida 4 Fungicida 18 Fungicida 14 Pesticida 12 Fungicida 10 Pesticida 13 Pesticida 10 Total

1155765 889500 306172 80430 127312 990250 637120 274787 9530 00 962500 483220 200257 87276 483560 260484 75780 380290 27833 585800 135654 37165 99600 268560 85350 227660 23315 199415 32030 85910 49944 30615 1769 18495 13704 3608 74538 5334 6504 35297498

3.0 3.9 11.1 40.2 24.8 3.1 4.8 10.6 3.0 2.9 5.8 11.7 26.7 4.6 7.5 24.6 4.9 65.9 3.1 13.3 47.4 16.9 5.9 17.6 5.3 49.7 5.4 28.6 7.2 11.1 15.4 250.2 21.9 27.5 92.8 4.4 49.0 36.6

3468157 3452262 3397940 3231982 3155714 3094971 3035235 2909104 2869982 2824929 2809591 2346055 2328988 2248478 1959425 1867537 1862062 1832909 1821656 1809619 1761292 1687153 1586831 1498802 1214289 1158877 1079704 915601 621988 553963 470552 442533 404788 376278 334839 331139 261127 238127 274714158

1.26% 1.26% 1.24% 1.18% 1.15% 1.13% 1.10% 1.06% 1.04% 1.03% 1.02% 0.85% 0.85% 0.82% 0.71% 0.68% 0.68% 0.67% 0.66% 0.66% 0.64% 0.61% 0.58% 0.55% 0.44% 0.42% 0.39% 0.33% 0.23% 0.20% 0.17% 0.16% 0.15% 0.14% 0.12% 0.12% 0.10% 0.09% 100.00%

Tabela 2: Porcentagem de participao dos produtos

A unidade de medida para os pesticidas o Kg, j para Herbicidas alguns so Kg outros so Litros e Fungicidas o Litro. Assim a unidade de preo para pesticidas R$/Kg, para fungicidas R$/L e para herbicidas depende do produto, podendo ser ambos.

Com esta tabela gerada, iremos selecionar os 10 produtos mais importantes de cada categoria. Com estes produtos ser gerado um grfico por categoria para a anlise do padro de comportamento, esta anlise fundamental para assegurarmos que os produtos piloto representem bem a amostra total, pois a escolha de um piloto que no apresente comportamento

59

semelhante ao dos outros produtos pode comprometer o resultado final do trabalho, fazendo com que o modelo escolhido no seja factvel para o resto dos produtos.

Abaixo apresentado o grfico com a porcentagem de vendas dos pesticidas ms a ms, referente ao ano de 2005.
Proporo de Vendas - Pesticida

40%

35%

Pesticida 1
30%

Pesticida 2 Pesticida 4

25%

Pesticida 5 Pesticida 7 Pesticida 8

20%

15%

Pesticida 9 Pesticida 11

10%

Pesticida 14 Pesticida 16

5%

0% Jan-05 Feb-05 Mar-05 Apr-05 May-05 Jun-05 Jul-05 Aug-05 Sep-05 Oct-05 Nov-05 Dec-05

Grfico 1: Proporo de vendas Pesticidas 2005 Analisando o grfico chegamos concluso que a grande maioria dos produtos apresentam comportamento semelhante, com vendas menores no comeo do ano, e um aumento das vendas no segundo semestre. Podemos tambm notar um padro de altos e baixos na grande maioria dos produtos, com pouca presena de crescimento ou decrescimento constante.

Abaixo apresentado o grfico com a porcentagem de vendas dos herbicidas ms a ms, referente ao ano de 2005.

60

Proporo de Vendas - Herbicidas

35% 30% 25% 20% 15% 10% 5% 0%

m ar/ 05 m ai/ 05 jun /05 jan /05 jul/ 05 ou t/0 5 no v/0 5 de z/0 5 ab r/0 5 ag o/0 5 fev /05 se t/0 5

Herbicida 4 Herbicida 5 Herbicida 6 Herbicida 11 Herbicida 13 Herbicida 14 Herbicida 19 Herbicida 21 Herbicida 23 Herbicida 24

Grfico 2: Proporo de vendas Herbicidas 2005 A anlise deste grfico nos mostra que o padro dos pesticidas se repete, onde as vendas so menores no primeiro semestre, com altas vendas no segundo semestre, para a grande maioria dos produtos. Nesta categoria o padro de altos e baixos menos acentuado, com e presena de decrescimento constante no primeiro semestre e crescimento constante no segundo para alguns produtos, e a presena de altos e baixos menos acentuados para outros.

Abaixo apresentado o grfico com a porcentagem de vendas dos fungicidas ms a ms, referente ao ano de 2005.

61

Proporo de Vendas - Fungicidas

40,00% 35,00% 30,00% 25,00% 20,00% 15,00% 10,00% 5,00% 0,00%

m ar /05 m ai/ 05 jan /05 fe v/0 5 jun /05 jul/ 05 no v/0 5 de z/0 5 ag o/0 5 ab r/0 5 ou t/0 5 se t/0 5

Fungicida 1 Fungicida 3 Fungicida 6 Fungicida 9 Fungicida 11 Fungicida 12 Fungicida 13 Fungicida 15 Fungicida 16 Fungicida 20

Grfico 3: proporo de vendas Fungic idas 2005 Analisando este grfico, observamos uma menor tendncia crescimento de vendas no segundo semestre, porm o padro de altos e baixos observados nos ltimos dois grupos aparece novamente para a maioria dos produtos.

Uma anlise geral dos 3 grficos, mostra que o comportamento por tipo de produto semelhante, sendo que as principais caractersticas observadas so o crescimento de vendas no segundo semestre para pesticidas e herbicidas, caracterstica menos predominante para os fungicidas. A caracterstica mais marcante e presente nos 3 grupos foi a existncia de altos e baixos nas vendas, caracterstica menos presente nos herbicidas, no apresentando venda constante durante o ano, o que diferencia estes picos so as propores e perodos de pico, fato que pode ser ligado a perodos de safra e entressafra das culturas nas quais os produtos so aplicados. Geralmente as maiores propores se concentram no segundo semestre.

62

Com esta anlise feita, podemos escolher dentre os produtos com comportamento semelhante os pilotos, evitando escolher um produto que no represente a amostra como um todo, ou seja, que tenha um comportamento mpar dentro do grupo de produtos ao qual pertence.

Assim usando novamente a tabela 2 como parmetro de deciso os produtos escolhidos para serem os pilotos foram:

Produtos

Volume 2005

Preo (R$/Kg ou L) 4.4 12.8 25.8 37.3 8.7 21.9

Vendas (R$) 24297773 22712040 20183075 11062618 9226628 8630929

% total 8.78% 8.27% 7.58% 4.03% 3.36% 3.14%

Herbicida 23 5513240 Kg Herbicida 4 1774775 L Pesticida 9 805633 Kg Pesticida 1 296974 Kg Fungicida 13 1060627 L Fungicida 3 393767 L Tabela 3: Produtos escolhidos

Estes produtos foram escolhidos, pois so os dois produtos de cada categoria que apresentaram maior participao no faturamento, ou seja, que geraram maiores vendas para a empresa no ano de 2005.

Para facilitar a nomenclatura utilizada para o nome dos produtos escolhidos, eles sero chamados de:

Produtos

Novo Nome

Herbicida 4 Herbicida A Herbicida 23 Herbicida B Pesticida 9 Pesticida A Pesticida 1 Pesticida B Fungicida 13 Fungicida A Fungicida 3 Fungicida B Tabela 4: Nova nomenclatura para os produtos escolhidos

63

10 Anlise dos produtos Piloto

Com a seleo dos produtos realizada, comea a tarefa de anlise dos mesmos. Isto importante para descobrirmos como a srie temporal de cada produto se comporta, encontrando fatores como tendncia, ciclicidade, sazonalidade ou irregularidade. Ser apresentada de forma grfica a srie temporal de cada um dos 6 produtos escolhidos, alm de uma tabela que demonstre a proporo de vendas ms a ms.

Como uma anlise visual do grfico da srie temporal no suficiente para definirmos os padres de comportamento, vamos usar a funo da autocorrelao para uma anlise mais aprofundada a fim de descobrir as propriedades estatsticas da srie.

O coeficiente de autocorrelao pode ser calculado pela seguinte frmula, sendo que os valores podem variar entre -1 e 1:
n k 1

r k=

(Y

Y )(Yt 1 Y t 1 )
n 1

(Y

(10.1)
Y)
2

onde, k perodos de defasagem; n tamanho da amostra; Y Valor medido para o perodo.

A funo autocorrelao mede o grau de correlao entre os dados de uma mesma srie temporal. Por exemplo, r1 indica como valores sucessivos de uma mesma srie esto relacionados, j r2 indica como valores com dois perodos de diferena de uma mesma srie esto relacionados, e assim por diante. Os valores do coeficiente tendem a diminuir com op aumento dos perodos de defasagem, entende-se por perodos de defasagem a diferena dos perodos analisados, por

64

exemplo, r2 est defasado em dois perodos. O correlograma o grfico onde so apresentados os valores para os coeficientes calculados. Segundo Makridakis (1998) uma srie temporal com dados aleatrios deveria produzir coeficientes com valor nulo, pois no existe relao entre as observaes, porm isto no acontece na prtica, mas podemos reconhecer uma srie aleatria quando os valores dos coeficientes se aproximam de zero, ficando dentre de um intervalo de confiana de -1/vn e 1/ vn , onde n o tamanho da amostra da srie analisada. Ainda segundo o autor, se uma srie temporal for estacionria, ou seja, no existe crescimento ou decrescimento nos dados, os valores iniciais dos coeficientes sero altos porm iro decair rapidamente em direo a zero com o aumento da defasagem. J para dados no-estacionrios os valores dos primeiros coeficientes tambm sero altos, diminuindo lentamente com o aumento da defasagem, se aproximando de zero.

Para identificar sazonalidade em uma srie temporal esperado que quando a defasagem seja a mesma que o perodo de sazonalidade, exista grande autocorrelao entre os dados. Assim para sries sazonais existir um valor significativamente alto de coeficiente que ir ocorrer a cada k perodos, sendo que k representa o perodo de sazonalidade. Ainda segundo o autor mais fcil identificar sazonalidade quando a srie for estacionria, com isso para sries no-estacionrias sugerido transformar est para estacionria usando o mtodo das diferenas, neste mtodo uma nova srie criada baseado nas diferenas de perodos consecutivos da srie antiga. Assim analisando-se a srie nova a identificao de sazonalidade mais fcil.

10.1 Anlise do Pesticida A O grfico com o volume de vendas deste produto durante o perodo de 2002 a 2005 apresentado abaixo:

65

Pesticida A Linear 200,000 KG

Vendas - Pesticida A

180,000 KG 160,000 KG

140,000 KG

120,000 KG 100,000 KG

80,000 KG 60,000 KG

40,000 KG

20,000 KG 0 KG

Grfico 4: Volume de Vendas - Pesticida A

Alm deste grfico apresentada a tabela com a distribuio das vendas deste produto de 2002 a 2005, seguido pelo montante total vendido.

Ano 2002 2003 2004 2005

jan
0.6% 0.4% 11.1% 12.2%

Jan-02 Feb-02 Mar-02 Apr-02 May-02 Jun-02 Jul-02 Aug-02 Sep-02 Oct-02 Nov-02 Dec-02 Jan-03 Feb-03 Mar-03 Apr-03 May-03 Jun-03 Jul-03 Aug-03 Sep-03 Oct-03 Nov-03 Dec-03 Jan-04 Feb-04 Mar-04 Apr-04 May-04 Jun-04 Jul-04 Aug-04 Sep-04 Oct-04 Nov-04 Dec-04 Jan-05 Feb-05 Mar-05 Apr-05 May-05 Jun-05 Jul-05 Aug-05 Sep-05 Oct-05 Nov-05 Dec-05

fev
2.2% 1.8% 11.5% 9.9%

mar
0.8% 4.9% 14.7% 10.3%

abr
2.4% 3.1% 2.2% 1.6%

mai
0.7% 0.9% 0.1% 0.1%

jun
2.5% 0.6% 0.3% 0.1%

jul
2.8% 1.3% 0.4% 0.2%

ago
5.1% 9.1% 4.7% 3.5%

set
16.0% 12.3% 8.3% 7.4%

out
23.7% 9.0% 12.5% 14.5%

nov
26.7% 18.1% 15.6% 17.9%

dez
16.5% 38.4% 18.7% 22.3%

Volume Total

401,671 473,881 878,785 805,633

KG KG KG KG

Tabela 5: Distribuio das Vendas ms a ms Pesticida A

Analisando visualmente este grfico e a tabela, torna-se claro a concentrao de vendas em perodo de 4 a 5 meses por ano, que geralmente se inicia no final do ano. Normalmente o perodo de alta deste produto comea em Outubro, porm em 2003 o perodo de alta teve incio entre Novembro e Dezembro, o que causou um prolongamento de altas vendas at Maro de 2004, ms que normalmente apresentava baixas vendas. Isto ocorreu devido ao atraso da safra de culturas que usam este pesticida, por razes meteorolgicas, fazendo com que o consumo de pesticida

66

fosse atrasado tambm. Assim podemos perceber que o segundo pico no grfico est um pouco deslocado para a direita em relao aos outros picos. J de 2004 para 2005, o mesmo comportamento pode ser percebido, onde as altas comearam em Outubro e se estenderam at Maro de 2005. Outra anlise que podemos observar o crescimento da demanda ano aps ano, conforme a linha de tendncia apresentada no grfico. Em 2004 as vendas foram ligeiramente maiores que 2005, por causa do atraso da safra de 2003, concentrando boa parte das vendas deste ano (2003) no ano seguinte, porm se a safra deste ano tivesse ocorrido no perodo esperado as vendas de 2004 seriam relativamente menores que as de 2005. Podemos concluir que houve crescimento do mercado (demanda) e no apenas crescimento da participao da empresa, pois neste perodo o crescimento de vendas foi maior que o crescimento da participao da empresa, ou seja, o mercado se expandiu neste perodo. O aumento das vendas foi de 18% em 2003, 85% em 2004 e sofreu queda de 8% em 2005.

Como foi dito anteriormente a anlise visual no suficiente para determinar os padres de comportamento da srie, por isso apresentado o correlograma para o Pesticida A.

Correlograma - Pesticida A

0.9

0.7

Coeficiente de Autocorrelao

0.5

0.3

0.1

-0.1

-0.3

-0.5

Grfico 5: Correlograma Pesticida A

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47

Perodos de Defasagem

67

Analisando o correlograma chegamos a clara concluso de que a srie apresenta comportamento sazonal, sendo que esta sazonalidade ocorre anualmente. Isto pode ser percebido por causa dos altos valores dos coeficientes defasados de 12, 24 e 36 perodos. Como foi explicado anteriormente, os valores tendem a cair com o aumento da defasagem, o que faz com que os valores se aproximem de zero. Os altos valores para r1, r11 e r13 podem ser explicados pela no concentrao das altas vendas em apenas um ms, e sim em perodos de 4 a 5 meses, o que gera alta correlao para estas defasagens.

10.2 Anlise do Pesticida B O grfico com o volume de vendas deste produto de 2002 a 2005 apresentado abaixo:

Vendas - Pesticida B
Pesticida B 100,000 KG 90,000 KG Linear

80,000 KG

70,000 KG

60,000 KG 50,000 KG

40,000 KG

30,000 KG 20,000 KG

10,000 KG

Grfico 6: Volume de Vendas - Pesticida B

A tabela com a distribuio das vendas deste produto de 2002 a 2005, seguido pelo montante total vendido.

Jan-02 Feb-02 Mar-02 Apr-02 May-02 Jun-02 Jul-02 Aug-02 Sep-02 Oct-02 Nov-02 Dec-02 Jan-03 Feb-03 Mar-03 Apr-03 May-03 Jun-03 Jul-03 Aug-03 Sep-03 Oct-03 Nov-03 Dec-03 Jan-04 Feb-04 Mar-04 Apr-04 May-04 Jun-04 Jul-04 Aug-04 Sep-04 Oct-04 Nov-04 Dec-04 Jan-05 Feb-05 Mar-05 Apr-05 May-05 Jun-05 Jul-05 Aug-05 Sep-05 Oct-05 Nov-05 Dec-05

0 KG

68

Ano 2002 2003 2004 2005

jan
1.8% 1.4% 4.6% 4.7%

fev
2.2% 4.9% 2.5% 2.9%

mar
3.5% 1.6% 7.1% 5.2%

abr
2.0% 5.0% 4.4% 1.6%

mai
1.0% 2.4% 1.8% 0.9%

jun
3.7% 1.9% 0.8% 0.7%

jul
2.7% 0.5% 0.7% 1.1%

ago
4.7% 2.7% 3.9% 4.9%

set
13.9% 13.3% 7.2% 11.9%

out
25.2% 28.5% 22.8% 22.4%

nov
22.8% 18.5% 31.8% 30.5%

dez
16.6% 19.3% 12.4% 13.1%

Volume Total

68,751 152,060 256,251 296,974

KG KG KG KG

Tabela 6: Distribuio das Vendas ms a ms Pesticida B

Analisando os dados, pode-se perceber que as vendas tambm apresentam grandes altas no final do ano. As altas normalmente se iniciam em setembro, durando at dezembro. As vendas deste produto se comportou de maneira constante nesses quatro anos, no sofrendo a ao de atrasos ou adiantamento de safras. Mais uma vez a linha de tendncia tem inclinao positiva, indicando tendncia de crescimento ao longo da srie. Pode-se constatar tambm que a demanda do mercado est aumentando, pois novamente o aumento das vendas foi maior que o aumento da participao da empresa. O aumento das vendas foi de 121% em 2003, 69% em 2004 e de 16% em 2005.

O correlograma do pesticida B apresentado a seguir:

Correlograma - Pesticida B
0.7

0.6

0.5

Coeficiente de Autocorrelao

0.4

0.3

0.2

0.1

-0.1

-0.2

-0.3

Grfico 7: Correlograma Pesticida B

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47

Perodos de Defasagem

69

As mesmas concluses podem ser tiradas para os pesticidas A e B a respeito do correlograma. A srie apresenta comportamento sazonal, sendo que esta sazonalidade ocorre anualmente. Justificado pelos altos valores dos coeficientes defasados de 12, 24 e 36 perodos. Novamente os valores decaem com o aumento da defasagem e altos valores so encontrados para perodos defasados de 1, 11, 13 por causa de um perodo de alta de mais de um ms.

10.3 Anlise do Herbicida A O grfico com o volume de vendas deste produto de 2002 a 2005 apresentado abaixo:

Herbicida A 400,000 L Linear

Vendas - Herbicida A

350,000 L

300,000 L

250,000 L

200,000 L

150,000 L

100,000 L

50,000 L

Grfico 8: Volum de Vendas Herbicida A e

A tabela com a distribuio das vendas deste produto de 2002 a 2005, seguido pelo montante total vendido.

Jan-02 Feb-02 Mar-02 Apr-02 May-02 Jun-02 Jul-02 Aug-02 Sep-02 Oct-02 Nov-02 Dec-02 Jan-03 Feb-03 Mar-03 Apr-03 May-03 Jun-03 Jul-03 Aug-03 Sep-03 Oct-03 Nov-03 Dec-03 Jan-04 Feb-04 Mar-04 Apr-04 May-04 Jun-04 Jul-04 Aug-04 Sep-04 Oct-04 Nov-04 Dec-04 Jan-05 Feb-05 Mar-05 Apr-05 May-05 Jun-05 Jul-05 Aug-05 Sep-05 Oct-05 Nov-05 Dec-05

0L

70

Ano 2002 2003 2004 2005

jan
1.5% 1.9% 5.3% 3.3%

fev
0.9% 1.8% 1.8% 1.2%

mar
3.1% 0.3% 0.8% 1.0%

abr
0.2% 0.3% 0.2% 0.2%

mai
0.7% 0.6% 0.4% 0.5%

jun
6.1% 2.0% 6.3% 3.5%

jul
14.3% 14.6% 7.8% 5.0%

ago
10.9% 17.6% 14.9% 18.4%

set
19.6% 13.5% 15.1% 17.4%

out
28.3% 13.3% 15.7% 19.4%

nov
7.1% 21.0% 22.4% 21.3%

dez
7.2% 13.0% 9.4% 8.7%

Volume Total

1,191,153 1,359,752 1,615,905 1,774,775

L L L L

Tabela 7: Distribuio das Vendas ms a ms Herbicida A

Analisando este produto, vemos que a alta das vendas ocorre no segundo semestre. O perodo de alta deste produto maior que para os pesticidas, apresentando perodos de at seis meses, se concentrando de julho a dezembro. Porm esse perodo no se mantm constante, em 2003 o perodo de alta se estendeu at janeiro de 2004. Em 2004 a alta comeou em junho, porm de maneira menos acentuada em junho e julho. J em 2005 o perodo de alta comeou apenas em agosto. Tambm observada uma tendncia de crescimento de demanda para este produto, o que pode ser comprovado pelo aumento das vendas, que foi proporcionalmente maior que o aumento na participao. O aumento das vendas foi de 14% em 2003, 19% em 2004 e de 10% em 2005.

O correlograma do Herbicida A apresentado a seguir:

Correlograma - Herbicida A
0.8

0.6

Coeficiente de Autocorrelao

0.4

0.2

-0.2

-0.4

-0.6

Grfico 9: Correlograma Herbicida A

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47

Perodos de Defasagem

71

A partir do correlograma concludo que existe sazonalidade anual, por causa dos altos valores dos coeficientes com defasagem de 12, 24 e 36. Neste correlograma podemos observar mais coeficientes positivos, isto justificado por causa do maior perodo de alt as, que para este produto pode chagar a at 6 meses, gerando alta correlao para perodos de defasagem ao redor de 12, 24 e 26, alm das defasagens de 1 e 2 perodos.

10.4 Anlise do Herbicida B O grfico com o volume de vendas deste produto de 2002 a 2005 apresentado abaixo:

Herbicida B 1,600,000 KG Linear

Vendas - Herbicida B

1,400,000 KG

1,200,000 KG

1,000,000 KG

800,000 KG

600,000 KG

400,000 KG

200,000 KG

Grfico 10: Volume de Vendas Herbicida B

A tabela com a distribuio das vendas deste produto de 2002 a 2005, seguido pelo montante total vendido.

Jan-02 Feb-02 Mar-02 Apr-02 May-02 Jun-02 Jul-02 Aug-02 Sep-02 Oct-02 Nov-02 Dec-02 Jan-03 Feb-03 Mar-03 Apr-03 May-03 Jun-03 Jul-03 Aug-03 Sep-03 Oct-03 Nov-03 Dec-03 Jan-04 Feb-04 Mar-04 Apr-04 May-04 Jun-04 Jul-04 Aug-04 Sep-04 Oct-04 Nov-04 Dec-04 Jan-05 Feb-05 Mar-05 Apr-05 May-05 Jun-05 Jul-05 Aug-05 Sep-05 Oct-05 Nov-05 Dec-05

0 KG

72

Ano 2002 2003 2004 2005

jan
4.7% 2.2% 2.4% 1.9%

fev
9.0% 2.6% 1.3% 1.2%

mar
3.1% 1.6% 1.7% 1.8%

abr
1.0% 2.0% 2.9% 2.6%

mai
1.5% 1.7% 3.3% 3.0%

jun
9.8% 7.4% 4.0% 3.7%

jul
13.3% 7.3% 2.0% 3.4%

ago
15.7% 14.2% 21.8% 19.4%

set
12.9% 22.4% 25.7% 24.6%

out
5.3% 16.0% 15.3% 16.9%

nov
10.0% 11.0% 15.2% 15.0%

dez
13.7% 11.4% 4.3% 6.6%

Volume Total

1,393,000 2,512,400 3,618,660 5,513,240

KG KG KG KG

Tabela 8: Distribuio das Vendas ms a ms Herbicida B

Analisando o grfico possvel observar que o ano de 2002 apresenta uma distribuio nica, pois apresenta dois picos de vendas. A partir de 2003 o produto se comporta de maneira similar, com perodo de alta que se inicia em agosto e dura at novembro, podendo se estender at dezembro, fato ocorrido em 2003. Tambm observado um crescimento de demanda para este produto, o que pode ser comprovado pelo aumento das vendas, que foi proporcionalmente maior que o aumento na participao. O aumento de vendas foi de 80% em 2003, 44% em 2004 e 52% em 2005.

O correlograma do Herbicida B apresentado a seguir:

Correlograma - Herbicida B
0.8 0.7 0.6

Coeficiente de Autocorrelao

0.5 0.4 0.3

0.2 0.1 0 -0.1

-0.2 -0.3

Grfico 11: Correlograma Herbicida B

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47

Perodos de Defasagem

73

Este correlograma nos leva as mesmas concluses referentes ao Herbicida A, o produto apresenta comportamento sazonal, com sazonalidade anual. Isto comprovado pelo alto valor dos coeficientes com 12, 24 e 36 perodos de defasagem. Alm disso, por causa do perodo de 4 a 5 meses de alta, outros valores positivos so apresentados para defasagens prximas de 12,24 e 36. O coeficiente com defasagem de um perodo apresenta alto valor pelo mesmo motivo dos produtos anteriores.

10.5 Anlise do Fungicida A O grfico com o volume de vendas deste produto de 2002 a 2005 apresentado abaixo:

Fungicida A 450,000 L

Vendas - Fungicida A

400,000 L

350,000 L

300,000 L

250,000 L

200,000 L

150,000 L

100,000 L

50,000 L

Grfico 12: Volume de Vendas Fungicida A

A tabela com a distribuio das vendas deste produto de 2002 a 2005, seguido pelo montante total vendido.

Jan-02 Feb-02 Mar-02 Apr-02 May-02 Jun-02 Jul-02 Aug-02 Sep-02 Oct-02 Nov-02 Dec-02 Jan-03 Feb-03 Mar-03 Apr-03 May-03 Jun-03 Jul-03 Aug-03 Sep-03 Oct-03 Nov-03 Dec-03 Jan-04 Feb-04 Mar-04 Apr-04 May-04 Jun-04 Jul-04 Aug-04 Sep-04 Oct-04 Nov-04 Dec-04 Jan-05 Feb-05 Mar-05 Apr-05 May-05 Jun-05 Jul-05 Aug-05 Sep-05 Oct-05 Nov-05 Dec-05

0L

74

Ano 2002 2003 2004 2005

jan
0.0% 0.0% 0.2% 0.3%

fev
0.0% 5.5% 0.1% 0.4%

mar
36.6% 21.2% 37.2% 40.4%

abr
23.2% 18.6% 15.6% 12.1%

mai
21.9% 33.0% 23.4% 22.7%

jun
12.0% 15.2% 12.4% 11.9%

jul
2.8% 3.5% 8.2% 7.8%

ago
1.3% 1.2% 1.6% 2.6%

set
0.8% 0.3% 0.9% 1.2%

out
0.7% 0.6% 0.1% 0.2%

nov
0.6% 0.7% 0.2% 0.2%

dez
0.1% 0.2% 0.2% 0.2%

Volume Total

725,324 895,104 975,275 1,060,627

L L L L

Tabela 9: Distribuio das Vendas ms a ms Fungicida A

Analisando o grfico e a tabela pode-se concluir que existe uma grande diferena entre este produto e os outros analisados at agora, o perodo de alta das vendas se concentra no comeo do ano, comeando normalmente em maro, podendo se estender at junho ou julho. A nica semelhana o crescimento das vendas, fator constante desde 2002. Novamente podemos concluir que ouve um aumento da demanda, pois o crescimento das vendas foi maior que o aumento da participao da empresa. O aumento das vendas foi de 23% em 2003, 9% em 2004 e de 10% em 2005. Para este produto a linha de tendncia praticamente constante ao longo dos anos.

O correlograma da Fungicida A apresentado a seguir:

Correlograma - Fungicida A
0.7

0.5

Coeficiente de Autocorrelao

0.3

0.1

-0.1

-0.3

-0.5

Grfico 13: Correlograma Fungicida A

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47

Perodos de Defasagem

75

Pela anlise do correlograma, possvel concluir eu o produto apresenta comportamento sazonal, com sazonalidade anual. Isto comprovado pelo alto valor dos coeficientes com 12, 24 e 36 perodos de defasagem. Novamente alguns coeficientes de defasagem prxima a 12, 24 e 36 apresentam valores positivos, o que novamente explicado pelo perodo de altas que no se restringe a apenas um ms.

10.6 Anlise do Fungicida B O grfico com o volume de vendas deste produto de 2002 a 2005 apresentado abaixo:
Fungicida B 120,000 L Linear

Vendas - Fungicida B

100,000 L

80,000 L

60,000 L

40,000 L

20,000 L

Grfico 14: Volume de Vendas Fungicida B

A tabela com a distribuio das vendas deste produto de 2002 a 2005, seguido pelo montante total vendido.

Ano 2002 2003 2004 2005

Jan-02 Feb-02 Mar-02 Apr-02 May-02 Jun-02 Jul-02 Aug-02 Sep-02 Oct-02 Nov-02 Dec-02 Jan-03 Feb-03 Mar-03 Apr-03 May-03 Jun-03 Jul-03 Aug-03 Sep-03 Oct-03 Nov-03 Dec-03 Jan-04 Feb-04 Mar-04 Apr-04 May-04 Jun-04 Jul-04 Aug-04 Sep-04 Oct-04 Nov-04 Dec-04 Jan-05 Feb-05 Mar-05 Apr-05 May-05 Jun-05 Jul-05 Aug-05 Sep-05 Oct-05 Nov-05 Dec-05

0L

jan
0.3% 1.7% 2.5% 4.0%

fev
0.7% 2.4% 4.1% 4.5%

mar
7.4% 7.9% 14.7% 15.6%

abr
26.5% 23.0% 18.3% 17.4%

mai
12.3% 19.2% 24.6% 22.2%

jun
31.5% 26.7% 16.8% 19.0%

jul
10.3% 3.9% 7.4% 7.5%

ago
4.7% 4.6% 4.1% 3.7%

set
2.4% 3.9% 3.5% 2.4%

out
0.9% 0.7% 0.7% 0.4%

nov
0.6% 1.1% 1.0% 1.1%

dez
2.3% 4.9% 2.2% 2.2%

Volume Total

156,763 123,209 283,547 393,767

L L L L

Tabela 10: Distribuio das Vendas ms a ms Fungicida B

76

Com a analise deste grfico possvel determinar uma semelhana no comportamento dos fungicidas, que difere dos outros produtos, eles apresentam alta das vendas no comeo do ano. O Fungicida B tem o inicio da sua alta entre Maro e Abril, este perodo pode se estender at julho. O aumento das vendas s ocorreu em 2004, pois em 2003 o produto sofreu diminuio de 21%, porm no houve reduo do mercado, e sim perda na participao deste produto com seus concorrentes. J em 2004 houve aumento de 130% e em 2005 aumento de 39%. Novamente nesses anos o mercado est em expanso.

O correlograma da Fungicida B apresentado a seguir:

Correlograma - Fungicida B
0.8

0.6

Coeficiente de Autocorrelao

0.4

0.2

-0.2

-0.4

Grfico 15: Correlograma Fungicida B

Pela anlise do correlograma, possvel concluir eu o produto apresenta comportamento sazonal, com sazonalidade anual. Isto comprovado pelo alto valor dos coeficientes com 12, 24 e 36 perodos de defasagem. Novamente alguns coeficientes de defasagem prxima a 12, 24 e 36

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47

Perodos de Defasagem

77

apresentam valores positivos, o que novamente explicado pelo perodo de altas que no se restringe a apenas um ms.

10.7 Anlise Global dos Produtos Aps apresentao dos grficos de vendas e dos correlogramas, foram feitas analises individuais dos produtos, porm o modelo buscado ser implementado para todos os produtos. Assim fundamental tirar concluses completas, com as semelhanas que estes produtos apresentaram. A primeira concluso a ser levada em considerao o comportamento sazonal de todos os produtos, alm disso ambos apresentam sazonalidade anual, ou seja, o padro se repete todo ano. Um comportamento que tambm se repete para os produtos um perodo maior ou igual a quatro meses para a alta das vendas, nunca apresentando apenas um ms de altas venda. Uma diferena apresentada entre os produtos o perodo do ano em que ocorre a alta das vendas, para quatro produtos (pesticidas e herbicidas) esta alta ocorre no segundo semestre, enquanto que para os fungicidas ela ocorre no primeiro semestre. Isto ocorre por causa da safra dos produtos que utilizam estes produtos, porm esta diferena no interfere no processo de escolha do modelo e de aplicao do mesmo.

Alm da sazonalidade, outro padro que apareceu para todos os produtos foi a tendncia a crescimento das vendas com o passar dos anos, logicamente este crescimento aconteceu de maneira diferenciado para os produtos testados, alm disso para o mesmo produto muitas vezes o percentual de crescimento diferenciado de ano para ano. Alm do crescimento das vendas tambm houve expanso do mercado, conciliado a um crescimento da participao dos produtos em detrimento aos seus concorrentes.

78

11 Seleo do Modelo de Previso

Chega uma etapa fundamental do trabalho, a escolha do modelo a ser testado e implementado. Esta etapa tambm fundamental para o sucesso deste trabalho, pois uma escolha equivocada pode trazer resultados ruins, a ponto de inviabilizar o sucesso deste projeto. Portanto uma metodologia coesa deve ser desenvolvida nesta etapa, alm de contar com a solidez dos dados dos captulos passados, como a reviso bibliogrfica e a anlise do comportamento dos produtos piloto. A reviso fundamental para que seja apresentado cada mtodo, mostrando seus pontos fortes e fracos, evitando a no compreenso dos modelos apresentados. J a anlise dos dados mostra como so os produtos, facilitando a classificao dos modelos apresentados e a escolha final.

Para essa escolha apresentaremos os pontos fortes e fracos de quatro mtodos estudados: Suavizao exponencial, Mtodo de Winters, Box Jenkins e o Mtodo da Regresso Linear. As anlises sero baseadas em critrios definidos como fundamentais por ODonovan (1983). Os critrios a serem utilizados na escolha do mtodo sero:

Horizonte de Previso: o tempo futuro no qual a previso necessria, para este trabalho o horizonte necessrio de trs a quatro meses. Este perodo pode ser considerado elevado, porm a principal matria-prima dos defensivas agrcolas o ingrediente ativo, e na maioria dos casos este insumo importado o que aumenta o lead-time de recebimento. Aumento assim o lead-time de produo.

Comportamento dos Dados: Os principais tipos de comportamento j foram explicados anteriormente. Esses so: a tendncia, sazonalidade e ciclicidade. Para nosso trabalho importante que o modelo esteja apto a trabalhar com dados que apresentem sazonalidade e tendncia. Estes dois comportamentos foram detectados no captulo de anlise de dados.

79

Necessidade de Dados: este critrio est relacionado quantidade de dados que cada mtodo necessita para que seja aplicado. Para o nosso trabalho temos o histrico de vendas de quatro anos. Por isso modelos que necessitem de mais histrico podem ficar comprometidos.

Facilidade de Entendimento: este critrio est mais relacionado utilizao modelo, pois fundamental que todos os funcionrios da empresa que tem contato com a previso de vendas entenda o modelo que est sendo utilizado. Alm disso, um modelo de mais fcil compreenso tem maiores chances de ser implementado. Um modelo muito complexo, mas que apresente resultados excelentes, pode muitas vezes no passar confiana aos seus usurios, dados que eles no entendam o que est sendo feito.

Custos: Todos os custos para a implementao do modelo devem ser considerados, como por exemplo, os custos de desenvolvimento, coleta e armazenamento de dados, treinamento e tambm custos relacionados a aquisio de softwares.

Acurcia: este critrio est relacionado ao quo prximo do real sero as previses realizadas pelo modelo. As notas sero referentes a acurcia geral do modelo e no caso este fosse aplicado aos produtos deste trabalho.

A seguir os modelos sero analisados um a um de acordo com os critrios apresentados. Sua vizao Exponencial Critrio Horizonte de Previso Comportamento dos dados Necessidade de dados Facilidade de entendimento Custos Acurcia Anlise Modelo apto a prever no horizonte necessrio O modelo no apresenta bom desempenho com sries temporais que possuem sazonalidade O histrico disponvel suficiente para utilizar o modelo O modelo de fcil entendimento Os custos agregados a implementao so baixos O modelo no apresenta grande acurcia para sries temporais com sazonalidade

Tabela 11 : anlise do modelo suavizao exponencial

80

Mtodo Holt-Winter Critrio Horizonte de Previso Comportamento dos dados Necessidade de dados Facilidade de entendimento Custos Acurcia Anlise Modelo apto a prever no horizonte necessrio O modelo apresenta um parmetro especifico para sazonalidade, sendo apto a fazer previses de sries sazonais O histrico disponvel suficiente para utilizar o modelo O modelo de fcil entendimento Os custos agregados a implementao so baixos Apresenta grande acurcia, pois capaz de prever sries temporais com comportamento sazonal

Tabela 12 : anlise do modelo Holt-Winter

Mtodo de Box-Jenkins Critrio Horizonte de Previso Comportamento dos dados Necessidade de dados Facilidade de entendimento Custos Acurcia Anlise Modelo apto a prever no horizonte necessrio O modelo pode prever sries temporais que apresentam qualquer comportamento Os dados disponveis no so suficientes para se garantir bom funcionamento do modelo O modelo mais complexo do que os outros modelos, dificultando um pouco seu entendimento Os custos agregados a implementao so relativamente maiores, porm no inviabilizam o modelo Apresenta grande acurcia, pois capaz de prever sries temporais com comportamento sazonal

Tabela 13: anlise do modelo Box-Jenkins

81

Regresso Linear Critrio Horizonte de Previso Comportamento dos dados Necessidade de dados Facilidade de entendimento Custos Acurcia Anlise Modelo apto a prever no horizonte necessrio O modelo pode prever sries temporais que apresentam qualquer comportamento Para a utilizao deste modelo necessrio a utilizao de mais uma varivel, o que inviabiliza sua aplicao neste trabalho por s possuir a varivel relativa a histrico de vendas O modelo de fcil entendimento Os custos agregados a implementao so baixos, porm maiores que os dois primeiros modelos Apresenta grande acurcia, pois capaz de prever sries temporais com comportamento sazonal

Tabela 14: anlise do modelo de regresso Linear

A partir da anlise feita acima podemos concluir por eliminao que o modelo que no apresenta nenhuma restrio o modelo de Holt-Winter. Pois capaz de prever para sries temporais com comportamento sazonal, no necessita de mais histrico de dados para que o modelo seja iniciado e aplicado, e tambm no precisa de nenhuma outra varivel. Assim por eliminao o modelo a ser utilizado na prxima etapa deste trabalho o modelo de Holt-Winter.

82

12 Aplicao do Modelo
Chega a etapa crucial do trabalho, onde o mo delo selecionado ser aplicado para se testar a real aderncia aos produtos da empresa. O mtodo selecionado foi o Holt-Winter. Este modelo usa a suavizao exponencial de trs parmetros, ser utilizado o modelo multiplicativo, por se adequar melhor ao comportamento sazonal dos produtos analisados, pois o componente sazonal tratado como multiplicativo neste modelo. Seus algoritmos j foram apresentados no captulo da reviso bibliogrfica, porm para facilitar sua explicao, eles sero apresentados novamente.

Nvel: Tendncia: Sazonalidade: Previso:

Onde, s o intervalo de sazonalidade; Lt Representa o nvel da srie temporal; bt Estimativa da Tendncia ; St o componente sazonal; Ft+m Previso para m perodos futuros; a, e ? Constantes de suavizao, com valor entre 0 e 1.

No captulo de anlise do comportamento dos produtos foi percebido que o intervalo de sazonalidade anual, como temos dados mensais das vendas, o valor de s para a aplicao do modelo ser de 12.

A aplicao do modelo ser dividida em trs etapas: inicializao, validao e testes. A etapa de inicializao usar os dados de 2002 para que sejam gerados os valores iniciais de Lt, bt e de St.

83

Para se fazer a inicializao deve usar um perodo comp leto de sazonalidade, no caso deste trabalho 12 meses. As equaes utilizadas na fase de inicializao sero:

Nvel: LS =

1 (Y1 + Y2 + ... + YS ) S
Y YS 1 YS +1 Y1 YS +2 Y2 [ + + ... + S + S S S S S

Tendncia: bS =

Sazonalidade: S1 =

Y1 Y Y ; S 2 = 2 ; ... ; S S = S LS LS LS

Na etapa de validao que usar o histrico de vendas de 2003 e 2004, sero encontrados os valores para os coeficientes a, e ?, de modo a minimizar o MAPE (Erro percentual mdio absoluto). Esta etapa no ser usada para testes, pois a previso de cada ms tem como input a venda real do mesmo ms, logo este sistema no seria aplicvel em uma empresa, pois no faz sentido prever para um ms o qual j sabemos como se comportaram as vendas.

Para se testar o modelo, ser gerada a previso de vendas para todos os meses de 2005 (12 meses frente) se baseando apenas no histrico at 2004. Como as vendas de 2005 j so conhecidas ser testada a aderncia do modelo caso o mesmo fosse utilizado em 2004 pela empresa. Alm disso, a previso que a empresa gerou para o ano de 2005 tambm conhecida, permitindo comparar as duas previso, descobrindo qual a que apresenta menor desvio. Como a previso da empresa foi gerada no final de 2004, a comparao ser entre duas previses geradas no mesmo perodo. Baseado nesta comparao ser estimado os benefcios quantitativos do modelo implementado.

Anteriormente foi definido que o horizonte de previso seria de trs a quatro meses, porm para efeito de testes usaremos um horizonte de doze meses. Esta escolha foi feita para que sejam comparadas duas previses geradas no mesmo perodo, evitando favorecimento de algum dos

84

dois sistemas. Como a empresa no possui um modelo formal de previso, muito difcil definir quando foram feitas revises do nmeros previstos. Por isso usaremos a previso feita no comeo do ano chamada de best view.

Para a gerao das previses foi utilizado o software Microsoft Excel, pois com ele foi possvel otimizar os valores dos coeficientes a, e ?, de modo a minimizar o erro gerado.

Para o primeiro produto testado (pesticida A) todo o memorial de clculo das fases de inicializao e validao sero apresentados no corpo do trabalho, porm para os 5 outros produtos piloto estes clculos sero apresentados somente no anexo, mostrando apenas os dados mais importantes para o trabalho.

85

12.1 Aplicao do Modelo Pesticida A Primeiramente ser apresentada o memorial de clculos das etapas de inicializao e validao.

Pesticida A Ano Ms jan fev mar abr mai jun jul ago set out nov dez jan fev mar abr mai jun jul ago set out nov dez jan fev mar abr mai jun jul ago set out nov dez Venda Real (Kg) 2534 8885 3121 9490 2965 9910 11420 20500 64325 95005 107046 66470 1945 8595 23400 14640 4205 3073 6354 42985 58320 42830 85694 181840 97480 100960 128745 19155 730 2770 3305 40985 73015 110165 137215 164260 Fase Perodo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

Alfa 0.18 Nvel (L)

Beta 0.00 Tendncia (b)

Gama 1.00 Sazonalidade (S) 0.08 0.27 0.09 0.28 0.09 0.30 0.34 0.61 1.92 2.84 3.20 1.99 0.06 0.26 0.32 0.21 0.06 0.05 0.13 0.80 1.16 0.97 2.06 3.57 0.29 0.30 0.37 0.06 0.00 0.01 0.02 0.25 0.51 0.79 1.08 1.46 Previso (F)

MAPE Validao (%) 0.65 Desvio Absoluto Desvio Absoluto (%)

2002

Inicializao

2003

2004

33473 32502 32893 72070 68850 65462 56083 49836 53866 50098 44287 41590 50887 331819 341928 352046 305891 253947 218203 184435 161191 144099 139145 126661 112729

501 501 501 501 501 501 501 501 501 501 501 501 501 501 501 501 501 501 501 501 501 501 501 501 501

1975 8726 23563 14747 4237 3101 6418 43385 58904 43315 86727 183632 97627 101108 128928 19186 731 2776 3314 41113 73269 110562 137758 164991

30 131 163 107 32 27 64 400 584 485 1033 1792 147 148 183 31 1 6 9 128 254 397 543 731

1.54 1.52 0.70 0.73 0.77 0.89 1.01 0.93 1.00 1.13 1.21 0.99 0.15 0.15 0.14 0.16 0.20 0.23 0.27 0.31 0.35 0.36 0.40 0.44

Tabela 15: Inicializao e Validao do modelo (pesticida A)

Para o pesticida A, os valores dos coeficientes que geraram o menos erro foram:
Alfa 0.18 Beta 0.00 Gama 1.00

Estes coeficientes geraram um MAPE (erro percentual mdio absoluto) de 0,65%. Este erro muito baixo, mostrando que os coeficientes esto otimizados. O que garante mais acuracidade do modelo, para que a etapa de testes seja iniciada. Analisando os coeficientes observado que o coeficiente Beta apresenta valor nulo, ou seja, a tendncia no apresenta muita importncia para a gerao da previso. Enquanto o coeficiente

Validao

86

Gama apresenta valor 1 (mximo), que mostra a importncia do fator sazonal na gerao desta previso.

Abaixo sero apresentadas as previses geradas pelo modelo e pela empresa. Vale ressaltar que como a previso da empresa foi gerada no final de 2004, s foram usados os dados histricos at 2004 para a gerao da previso do modelo.

Mtodo Holt-Winter Ano Ms jan fev mar abr mai jun jul ago set out nov dez Venda Real (Kg) 98205 79810 82638 12930 905 1035 1863 28510 59325 116500 143867 180045 Fase Perodo Previso (F) 37 38 39 40 41 42 43 44 45 46 47 48 73264 87581 102776 7185 331 1469 2083 29683 59406 93220 128098 173028 Desvio Relativo -24941 7771 20138 -5745 -574 434 220 1173 81 -23280 -15769 -7017 MAPE ANO (%) MAPE ALTA (%)

2005

Previso da Empresa Desvio Previso Empresa Desvio Relativo Absoluto (%) 25.40 120000 21795 9.74 90000 10190 24.37 135000 52362 44.43 40000 27070 63.40 2000 1095 41.96 4000 2965 11.81 5000 3137 4.11 50000 21490 0.14 90000 30675 19.98 200000 83500 10.96 236000 92133 3.90 172000 -8045 21.68 MAPE ANO (%) 12.32 MAPE ALTA (%)

Desvio Absoluto (%) 22.19 12.77 63.36 209.36 120.99 286.47 168.38 75.38 51.71 71.67 64.04 4.47 95.90 45.70

Tabela 16: Previses Pesticida A

O grfico comparativo das previses com as vendas reais para 2005 apresentado abaixo:

Teste

87

Previses X Vendas - Pesticida A

250000 Real Previso modelo Previso Real 200000

Volume (KG)

150000

100000

50000

0 jan fev mar abr mai jun 2005 jul ago set out nov dez

Grfico 16: Previses X Vendas Pesticida A

Primeiramente para a anlise do erro foi calculado o MAPE para o ano todo, porm este valor era muito alto. Analisando os desvios percentuais absolutos pode ser percebido que os meses de baixa apresentavam desvios muito elevados, o que acabava distorcendo o valor para o ano todo. Por isso foi adotada outra medio de erro, que considera a mdia dos desvios absolutos apenas dos meses que apresentam altas vendas. Para este produto foram desconsiderados os meses de Abril at Julho. Os meses escolhidos representam aproximadamente 95% das vendas de 2005.

Pode-se observar que para a maioria dos meses a previso do modelo foi mais prxima das vendas reais, fato que pode ser provado pelo MAPE adotado. O modelo Holt-Winter gerou uma previso com MAPE de 12,32% enquanto a previso da empresa gerou MAPE de 45,70%. Observando o grfico percebido que as maiores diferenas foram nos meses de Outubro e Novembro, onde a previso da empresa ficaram muito acima das vendas reais.

88

12.2 Aplicao do Modelo Pesticida B O memorial de clculos para as fases de inicializao e validao do modelo Holt-Winter ser apresentado em anexo.

A fase de validao gerou os seguintes valores dos coeficientes:

Alfa 0.30 Beta 0.00 Gama 1.00

Esses foram os valores encontrados que minimizaram o MAPE das previses geradas nesta fase, que foi de 3,19%. Novamente foi encontrado um valor muito baixo para o MAPE o que mostra a aderncia do modelo aos dados tratados.

Os valores dos coeficientes encontrados so muito parecidos aos encontrados para o pesticida A. Novamente o valor de Gama 1 o que mostra a forte importncia do fator sazonalidade do produto.

A tabela que apresenta as previses do modelo e a da empresa, assim como o grfico comparativo das previses so apresentados abaixo.

Mtodo Holt-Winter Ano Ms jan fev mar abr mai jun jul ago set out nov dez Venda Real (Kg) 14020 8654 15430 4842 2760 2030 3395 14690 35358 66422 90432 38941 Fase Perodo Previso (F) 37 38 39 40 41 42 43 44 45 46 47 48 13327 8443 11724 8100 3664 2030 1729 9256 21300 74670 89419 40740 Desvio Relativo -693 -211 -3706 3258 904 0 -1666 -5434 -14058 8248 -1013 1799 MAPE ANO (%) MAPE ALTA (%)

2005

Previso da Empresa Desvio Previso Empresa Desvio Relativo absoluto (%) 4.94 30000 15980 2.44 15000 6346 24.02 20000 4570 67.28 10000 5158 32.74 5000 2240 0.00 2000 -30 49.06 15000 11605 36.99 30000 15310 39.76 40000 4642 12.42 69000 2578 1.12 60000 -30432 4.62 24000 -14941 22.95 MAPE ANO (%) 14.48 MAPE ALTA (%)

Desvio absoluto (%) 113.98 73.33 29.62 106.53 81.16 1.48 341.83 104.22 13.13 3.88 33.65 38.37 78.43 22.26

Tabela 17: Previses Pesticida B

Teste

89

Previses X Vendas - Pesticida B

100000 Real 90000 Previso Modelo Previso Real 80000

70000

Volume (KG)

60000

50000 40000

30000

20000

10000 0 jan fev mar abr mai jun 2005 jul ago set out nov dez

Grfico 17: Previses X Vendas Pesticida B

Analisando a tabela e o grfico, foi encontrado um valor alto do MAPE baseado no ano todo para a pre viso feita pela empresa, novamente os valores que causam distoro eram os meses que apresentavam baixas vendas. Assim foi novamente calculada uma medida de erro somente para os meses de alta. Para este produto foram considerados apenas os meses de Setembro a Dezembro. Consideramos apenas estes 4 meses pois juntos representam aproximadamente 78% das vendas de 2005.

Assim, mais uma vez a previso gerada pelo modelo Holt-Winter apresentou menor erro do que a previso gerada pela empresa. O MAPE gerado pela previso do modelo foi de 14,48% enquanto o MAPE gerado pela previso da empresa foi de 22,26%. As maiores diferenas encontradas nestas previses foram, nos meses de Novembro e dezembro onde a previso da empresa ficou muito abaixo das vendas reais.

90

12.3 Aplicao do Modelo Herbicida A O memorial de clculos para as fases de inicializao e validao do modelo Holt-Winter ser apresentado em anexo.

A fase de validao gerou os seguintes valores dos coeficientes:

Alfa 0.30 Beta 0.00 Gama 1.00

Esses foram os valores encontrados que minimizaram o MAPE das previses geradas nesta fase, que foi de 0,80%. Novamente foi encontrado um valor muito baixo para o MAPE o que mostra a aderncia do modelo aos dados tratados. Os valores dos coeficientes encontrados so idnticos aos encontrados para o pesticida B. Novamente o valor de Gama um o que mostra a forte importncia do fator sazonalidade do produto. Alm disso o valor de Beta zero que mostra pouca importncia do fator tendncia.

A tabela que apresenta as previses do modelo e a da empresa, assim como o grfico comparativo das previses so apresentados abaixo.

Mtodo Holt-Winter Ano Ms jan fev mar abr mai jun jul ago set out nov dez Venda Real (L) 58695 21635 17470 4425 8980 62940 88145 327125 308180 344800 378860 153520 Fase Perodo Previso (F) 37 38 39 40 41 42 43 44 45 46 47 48 60962 22293 8475 2891 6811 76777 122482 256798 269235 295220 379036 164167 Desvio Relativo 2267 658 -8995 -1534 -2169 13837 34337 -70327 -38945 -49580 176 10647 MAPE ANO (%) MAPE ALTA (%)

2005

Previso da Empresa Desvio Previso Empresa Desvio Relativo Absoluto (%) 3.86 90000 31305 3.04 60000 38365 51.49 40000 22530 34.66 8000 3575 24.15 15000 6020 21.98 80000 17060 38.96 200000 111855 21.50 420000 92875 12.64 370000 61820 14.38 220000 -124800 0.05 300000 -78860 6.93 56500 -97020 19.47 MAPE ANO (%) 11.10 MAPE ALTA (%)

Desvio Absoluto (%) 53.34 177.33 128.96 80.79 67.04 27.11 126.90 28.39 20.06 36.19 20.82 63.20 69.18 33.73

Tabela 18: Previses Herbicida A

Teste

91

Previses X Vendas - Herbicida A

450000 Real 400000 Previso Modelo Previso Real 350000

300000 Volume (Litros)

250000

200000

150000

100000

50000

0 jan fev mar abr mai jun 2005 jul ago set out nov dez

Grfico 18: Previses X Vendas Herbicida A

Analisando a tabela e o grfico, foi encontrado um valo r alto do MAPE baseado no ano todo para a previso feita pela empresa, novamente os valores que causam distoro eram os meses que apresentavam baixas vendas. Assim foi novamente calculada uma medida de erro somente para os meses de alta. Para este produto foram considerados apenas os meses de Agosto at Dezembro. Consideramos apenas estes cinco meses pois juntos representam aproximadamente 86% das vendas de 2005.

Assim, mais uma vez a previso gerada pelo modelo Holt-Winter apresentou menor erro do que a previso gerada pela empresa. O MAPE gerado pela previso do modelo foi de 11,10% enquanto o MAPE gerado pela previso da empresa foi de 33,73%. As maiores diferenas encontradas nestas previses foram, nos meses de Agosto onde a previso da empresa foi super-estimada e para os meses de Outubro at Dezembro onde a previso ficou muito abaixo das vendas reais.

92

12.4 Aplicao do Modelo Herbicida B O memorial de clculos para as fases de inicializao e validao do modelo Holt-Winter ser apresentado em anexo.

A fase de validao gerou os seguintes valores dos coeficientes:

Alfa 0.26 Beta 0.12 Gama 1.00

Esses foram os valores encontrados que minimizaram o MAPE das previses geradas nesta fase, que foi de 4,11%. Novamente foi encontrado um valor muito baixo para o MAPE o que mostra a aderncia do modelo aos dados tratados. Este foi o primeiro produto que no apresentou valor nulo para Beta, o que demonstra uma importncia um pouco maior do fator tendncia, mas ainda uma importncia relativamente pequena. Novamente o valor de Gama um o que mostra a forte importncia do fator sazonalidade do produto.

A tabela que apresenta as previses do modelo e a da empresa, assim como o grfico comparativo das previses so apresentados abaixo.

Mtodo Holt-Winter Ano Ms jan fev mar abr mai jun jul ago set out nov dez Venda Real (Kg) 104300 65220 96560 141280 164340 201900 186910 1068770 1355400 934340 828620 365600 Fase Perodo Previso (F) 37 38 39 40 41 42 43 44 45 46 47 48 127928 87181 124100 182716 160014 222313 138821 1310100 1434252 770177 637678 215191 Desvio Relativo 23628 21961 27540 41436 -4326 20413 -48089 241330 78852 -164163 -190942 -150409 MAPE ANO (%) MAPE ALTA (%)

2005

Previso da Empresa Desvio Previso Empresa Desvio Relativo Absoluto (%) 22.65 150000 45700 33.67 100000 34780 28.52 100000 3440 29.33 185000 43720 2.63 102000 -62340 10.11 300000 98100 25.73 400000 213090 22.58 960000 -108770 5.82 800000 -555400 17.57 420000 -514340 23.04 500000 -328620 41.14 150000 -215600 21.90 MAPE ANO (%) 22.03 MAPE ALTA (%)

Desvio Absoluto (%) 43.82 53.33 3.56 30.95 37.93 48.59 114.01 10.18 40.98 55.05 39.66 58.97 44.75 40.97

Tabela 19: Previses Herbicida B

Teste

93

Previses X Vendas - Herbicida B

1600000 Real 1400000 Previso Modelo Previso Real 1200000

1000000 Volume (KG)

800000

600000

400000

200000

0 jan fev mar abr mai jun 2005 jul ago set out nov dez

Grfico 19: Previses X Vendas Herbicida B

Analisando a tabela e o grfico, foi encontrado um valor alto do MAPE baseado no ano todo para a previso feita pela empresa, porm ao se calcular o MAPE baseado nos meses de alta (Agosto at Dezembro), os valores encontrados no so muito diferentes dos encontrados anteriormente. Porm para se manter um padro neste trabalho estas medidas de erro sero usadas para efeito de comparao. Os meses de alta considerados nesta ponderao r presentam aproximadamente e 83% das vendas de 2005.

Assim, mais uma vez a previso gerada pelo modelo Holt-Winter apresentou menor erro do que a previso gerada pela empresa. O MAPE gerado pela previso do modelo foi de 22,03% enquanto o MAPE gerado pela previso da empresa foi de 40,97%. Um padro percebido nas previses feita pela empresa, que durante o perodo de altas a previso foi sempre menor que as vendas reais. J a previso gerada pelo modelo ficou dois meses acima e trs abaixo durante as altas, porm em propores menores que a previso da empresa.

94

12.5 Aplicao do Modelo Fungicida A O memorial de clculos para as fases de inicializao e validao do modelo Holt-Winter ser apresentado em anexo.

A fase de validao gerou os seguintes valores dos coeficientes:

Alfa 0.15 Beta 0 Gama 1.00

Esses foram os valores encontrados que minimizaram o MAPE das previses geradas nesta fase, que foi de 0,15%. Novamente foi encontrado um valor muito baixo para o MAPE o que mostra a aderncia do modelo aos dados tratados. O valor de Beta novamente volta a ser nulo, demonstrando pouca importncia para o fator tendncia. Mais uma vez o valor de Gama um o que mostra a forte importncia do fator sazonalidade do produto.

A tabela que apresenta as previses do modelo e a da empresa, assim como o grfico comparativo das previses so apresentados abaixo.

Mtodo Holt-Winter Ano Ms jan fev mar abr mai jun jul ago set out nov dez Venda Real (L) 3216 3843 428436 128440 240932 126220 83008 27484 13180 2134 2076 1658 Fase Perodo Previso (F) 37 38 39 40 41 42 43 44 45 46 47 48 4320 3225 399227 151340 223972 117548 72961 20286 6215 985 1356 1499 Desvio Relativo 1104 -618 -29209 22900 -16960 -8672 -10047 -7198 -6965 -1149 -720 -159 MAPE ANO (%) MAPE ALTA (%)

2005

Previso da Empresa Desvio Previso Empresa Desvio Relativo Absoluto (%) 34.34 1500 -1716 16.09 1000 -2843 6.82 500000 71564 17.83 200000 71560 7.04 250000 9068 6.87 100000 -26220 12.10 50000 -33008 26.19 20000 -7484 52.84 6000 -7180 53.84 5000 2866 34.66 1000 -1076 9.61 3000 1342 23.19 MAPE ANO (%) 10.13 MAPE ALTA (%)

Desvio Absoluto (%) 53.36 73.98 16.70 55.71 3.76 20.77 39.76 27.23 54.48 134.30 51.83 80.94 51.07 27.34

Tabela 20: Previses Fungicida A

Teste

95

Previses X Vendas - Fungicida A

600000 Real Previso Modelo 500000 Previso Real

400000 Volume (litos)

300000

200000

100000

0 jan fev mar abr mai jun 2005 jul ago set out nov dez

Grfico 20: Previses X Vendas Fungicida A

Analisando a tabela e o grfico, foi encontrado um valor alto do MAPE baseado no ano todo para a previso feita pela empresa, novamente os valores que causam distoro eram os meses que apresentavam baixas vendas. Assim foi adotada a medida de erro somente para os meses de alta. Para este produto foram considerados apenas os meses de Maro at Julho. Consideramos apenas estes cinco meses pois juntos representam aproximadamente 95% das vendas de 2005.

Assim, mais uma vez a previso gerada pelo modelo Holt-Winter apresentou menor erro do que a previso gerada pela empresa. O MAPE gerado pela previso do modelo foi de 10,13% enquanto o MAPE gerado pela previso da empresa foi de 27,34%. As maiores diferenas encontradas nestas previses foram nos meses de Maro e Abril onde a previso da empresa foi relativamente alta as vendas, fato que no ocorre para as previses do modelo.

96

12.6 Aplicao do Modelo Fungicida B O memorial de clculos para as fases de inicializao e validao do modelo Holt-Winter ser apresentado em anexo.

A fase de validao gerou os seguintes valores dos coeficientes:

Alfa 0.06 Beta 0.01 Gama 1.00

Esses foram os valores encontrados que minimizaram o MAPE das previses geradas nesta fase, que foi de 0,98%. Novamente foi encontrado um valor muito baixo para o MAPE o que mostra a aderncia do modelo aos dados tratados. Este produto apresenta o menor valor de alfa encontrado at aqui, fazendo com que o fator de nvel sofra pouca alterao em relao ao valor encontrado na fase de inicializao. O valor de gama praticamente nulo, mostrando pouca importncia do fator de tendncia. Mais uma vez o valor de Gama um o que mostra a forte importncia do fator sazonalidade do produto.

A tabela que apresenta as previses do modelo e a da empresa, assim como o grfico comparativo das previses so apresentados abaixo.

Mtodo Holt-Winter Ano Ms jan fev mar abr mai jun jul ago set out nov dez Venda Real (L) 15589 17676 61528 68426 87388 74993 29500 14544 9496 1636 4235 8756 Fase Perodo Previso (F) 37 38 39 40 41 42 43 44 45 46 47 48 10871 15385 47819 58544 73811 50606 20317 11206 9496 1762 2655 6057 Desvio Relativo -4718 -2291 -13709 -9882 -13577 -24387 -9183 -3338 0 126 -1580 -2699 MAPE ANO (%) MAPE ALTA (%)

2005

Previso da Empresa Desvio Previso Empresa Desvio Relativo Absoluto (%) 30.27 25000 9411 12.96 20000 2324 22.28 35500 -26028 14.44 37000 -31426 15.54 100000 12612 32.52 50000 -24993 31.13 23000 -6500 22.95 30000 15456 0.00 15000 5504 7.71 5000 3364 37.31 7000 2765 30.83 12000 3244 21.49 MAPE ANO (%) 23.18 MAPE ALTA (%)

Desvio Absoluto (%) 60.37 13.15 42.30 45.93 14.43 33.33 22.03 106.27 57.96 205.62 65.29 37.05 58.64 31.60

Tabela 21: Previses Fungicida B

Teste

97

Previses X Vendas - Fungicida B

120000 Real Previso Modelo Previso Real 100000

80000 Volume (litros)

60000

40000

20000

0 jan fev mar abr mai jun 2005 jul ago set out nov dez

Grfico 21: Previses X Vendas Fungicida B

Analisando a tabela e o grfico, foi encontrado um valor alto do MAPE baseado no ano todo para a previso feita pela empresa, porm ao se calcular o MAPE baseado nos meses de alta (Maro at Julho), o valor encontrado para a previso da empresa muito menor, enquanto que para a previso do modelo o valor praticamente o mesmo, piorando aproximadamente 2%. Assim, para se manter um padro neste trabalho estas medidas de erro sero usadas para efeito de comparao. Os meses de alta considerados nesta ponderao representam aproximadamente 82% das vendas de 2005.

Assim, mais uma vez a previso gerada pelo modelo Holt-Winter apresentou menor erro do que a previso gerada pela empresa. O MAPE gerado pela previso do modelo foi de 23,18% enquanto o MAPE gerado pela previso da empresa foi de 31,60%. Um padro percebido no perodo de altas que na maioria dos meses ambas previses ficaram abaixo das vendas, porm em propores diferentes, sendo que a previso da empresa apresenta maior desvio.

98

13 Anlise Econmica da Soluo

Aps aplicar o mtodo de Holt-Winters aos produtos piloto, foi gerada uma reduo considervel do erro de previso em relao previso feita pela empresa. Agora ser realizada uma mensurao econmica dessa reduo para que seja explicitado qual o ganho que esta implementao traria em relao a os produtos piloto. Lembrando que esses produtos foram responsveis em 2005 por cerca de 30% do faturamento da diviso de proteo de cultivos, que responsvel por 86% do faturamento da empresa no Brasil.

Para estimar o ganho com cada produto piloto ser usada a seguinte metodologia de mensurao: Primeiro ser calculado a reduo do erro que o modelo gera em relao ao erro da previso da empresa; Segundo, para cada produto os desvios relativos do modelo de previso da empresa sero valorizados. Esses desvios sero classificados em dois grupos para que sejam valorizados de maneira diferenciada. Os desvios positivos sero classificados como custos de manuteno de estoques, que formado por dois custos: o custo de capital e o custo de armazenagem. O custo de capital o custo de se ter o capital preso em forma de produtos, perdendo juros caso estivesse investido, ou seja, um custo de oportunidade. J o custo de armazenagem quanto custa para a empresa manter o estoque parado em seus armazns, ele inclui custos de transportes, perdas, obsolescncias, taxas de seguro e custo da rea fsica. Para o calculo do custo de capital ser usada a taxa mdia de juros de 2005 multiplicado pelo custo total de produo dos produtos excedentes, esse calculo sendo realizado ms a ms. J o clculo de armazenagem ser feito a partir de um nmero estimado pelo setor de produo da empresa, sendo considerado o mesmo para produtos vendidos em quilos ou em litros.

Os desvios negativos sero valorizados de acordo com o a margem de cada produto. Ou seja, a perda de lucro por incapacidade de suprir a demanda. No sero considerados custos como multas e encargos por no cumprimento do prazo de entrega ou perda de clientes por no atender aos pedidos. Este custo ser calculado com a multiplicao da margem de cada produto pelo total previsto a menos.

99

O desvio negativo no representa que a empresa deixou de vender por causa do erro de previso, pois parte ou toda a demanda foi suprida de alguma maneira, mesmo com a previso subestimada. Este suprimento pode ter ocorrido atravs o estoque de segurana, ou atravs de uma produo emergencial ou at transferncia da outra planta da empresa na Amrica Latina. Assim a empresa no teve essa perda de lucro calculada, porm este seria o benefcio que o modelo causaria para a empresa, pois no possvel calcular neste momento qual foi o custo despendido para suprir este erro de previso.

Assim durante o ano teremos um fluxo de caixa, que seriam as redues ms a ms. Com isso traremos todos os valores para janeiro de 2005, considerando a taxa mdia de juros de 2005. Estimando assim o valor presente (janeiro de 2005) que a implementao do modelo traria para a empresa, por produto piloto. Com isso feito, basta somarmos esse ganho para todos os produtos piloto. Tendo assim o ganho econmico estimado que este modelo traria para a diviso de proteo de cultivo da empresa pelos produtos piloto.

As redues no erro alcanadas pelo mtodo foram:

MAPE Empresa (%) Pesticida A Pesticida B Herbicida A Herbicida B Fungicida A Fungicida B 45.70 22.26 33.73 40.97 27.34 31.60

MAPE Modelo (%) 12.32 14.48 11.10 22.03 10.13 23.18

Reduo do Erro 73% 35% 67% 46% 63% 27%

Tabela 22: Redues do erro de previso

Com a reduo do erro de cada produto calculada, usaremos uma taxa mdia de juros de 1,46% ao ms. Apenas ser apresentado o calculo completo para o pesticida A, o memorial de clculo dos outros produtos se encontra no anexo. Apresentaremos ento o resultado obtido para os produtos piloto.

100

Pesticida A:

Reduo: 73% Custo de Produo: R$ 18,07 Preo do Produto: R$ 25,83 Taxa de Juros (mensal): 1,4689% Custo de armazenagem mensal (tonelada): R$ 45,00

Ms jan fev mar abr mai jun jul ago set out nov dez Total

Venda Real (Kg) 98,205 79,810 82,638 12,930 905 1,035 1,863 28,510 59,325 116,500 143,867 180,045

Previso Desvio Relativo Custo Capital Reduo (Kg) Empresa (Kg) (Kg) (R$) 120,000 90,000 135,000 40,000 2,000 4,000 5,000 50,000 90,000 200,000 236,000 172,000 21,795 10,190 52,362 27,070 1,095 2,965 3,137 21,490 30,675 83,500 92,133 -8,045 15,910 7,439 38,224 19,761 799 2,164 2,290 15,688 22,393 60,955 67,257 -5,873 4,223 1,975 10,147 5,246 212 575 608 4,164 5,944 16,181 17,854

Custo Armazenagem (R$) 981 459 2,356 1,218 49 133 141 967 1,380 3,758 4,146

Custo perda de SOMA (R$) lucro (R$) 5,204 2,433 12,503 6,464 261 708 749 5,131 7,325 19,938 22,000 45,588

Valor Presente (R$) 5,204 2,398 12,144 6,187 247 658 686 4,633 6,518 17,486 19,015 38,832 R$ 114,008.17

45,588

Tabela 23: Clculo do Ganho econmico Pesticida A

Vale ressaltar que o custo de capital e de armazenagem s calculado par desvios positivos, ou seja, quando a previso foi superestimada, j o custo de perda de lucro calculado para desvios negativos, ou seja, quando a previso subestimada.

A coluna desvio relativo o erro da previso em volume, assim a coluna reduo representa o ganho em volume com o modelo sugerido neste trabalho, que calculado pela multiplicao do desvio relativo pela reduo, que neste caso de 73%. O custo de capital calculado pelo produto da reduo pela taxa de juros. O custo de armazenagem calculado com pela multiplicao entre o custo mensal em toneladas pelo volume que seria reduzido na coluna reduo. Custo da perda de lucro o produto entre as redues negativas e a diferena entre preo e custo do produto.

101

Assim aplicando o mesmo procedimento para os seis produtos piloto, o seguinte resultado obtido:

Produto Pesticida A Pesticida B Herbicida A Herbicida B Fungicida A Fungicida B Total

R$ R$ R$ R$ R$ R$ R$

Ganho anual 114,008 213,525 579,543 511,501 168,690 205,935 1,793,202

Tabela 24: Ganho Anual dos Produtos Piloto

Vale lembrar que o clculo detalhado dos outros produtos piloto se encontra em anexo.

Podemos observar que os produtos que geraram maior ganho foram os herbicidas, isto ocorre, pois estes produtos apresentam vendas altssimas em volume e a previso para eles apresentaram grandes desvios negativos, ou seja, a previso foi menor do que as vendas, fazendo com que o custo de perda de lucro fosse elevado.

Assim o ganho estimado que a empresa teria caso implementasse o modelo para estes produtos em 2005 seria de R$ 1.793.202,00 o que representa cerca de 0,162% do faturamento total da empresa ou aproximadamente 0,19% do faturamento dos defensivos agrcolas.

Estes ganhos foram estimados baseando-se nas previses feitas no comeo do ano, ou seja, no nmero em que a empresa se baseia para estimar o oramento. possvel observar que os erros da previso feita pela empresa so grandes, fazendo com que a reduo do erro gerado pelo modelo tambm fosse grande, o que resultou no elevado ganho estimado acima.

102

14 Concluso
Com o desenvolvimento deste trabalho pode-se observar e entender os benefcios que um bom modelo de previso de demanda pode trazer para a empresa. Com os resultados obtidos pudemos observar que existe um grande espao para o aprimoramento do processo de previso atual. Este processo muito engessado, com muitas reunies, porm seu ponto mais fraco o fato de que o nmero inicial gerado pelos vendedores. Isto porque os vendedores no esto capacitados para realizarem tal tarefa. Uma vez que o vendedor reporta um nmero impreciso, por melhor que sejam os executivos responsveis pelo afinamento, sempre existir um erro agregado que ir permanecer por toda a cadeia decisria.

Uma soluo aplicvel a estrutura e a cultura da empresa seria usar o modelo estatstico como imput para as reunies. Assim no existiria a necessidade de ser gerada uma previso por vendedor, todo o processo de previso estaria concentrado. Isto traria benefcios tanto para as reas responsveis por fechar o nmero final quanto para os vendedores. Primeiramente os vendedores ficariam responsveis apenas por vender, voltando inteiramente o seu esforo para o que eles fazem de melhor. J o processo de previso ficaria mais flexvel e gil, pois no dependeria de uma consolidao prvia de todas as estimativas de vendedores, diminuindo tambm o tempo que os executivos perderiam com reunies para a definio de previses. Alm disso, seria mais precisa, o que pode ser observado nos testes realizados neste trabalho. A sugesto no acabar com o modelo atual de previso, e sim aprimor- lo de forma a aumentar a preciso.

Os resultados obtidos foram extremamente encorajadores. A anlise do comportamento dos produtos mostrou que eles apresentam comportamento bem definido, com pouca aleatoriedade, o que facilita o processo de aplicao de modelos de previso de demanda. Alm disso, na etapa de testes pode-se observar que mesmo para uma previso com um ano de antecedncia, o modelo gerou resultados muito melhores do que os atuais. Aliado a estimativa com a ganho na reduo do erro de previso, possvel concluir que existe viabilidade econmica para o desenvolvimento de um projeto para a implementao do modelo de previso de demanda testado.

103

Para uma previso com horizonte de trs a quatro meses, esperado que o modelo gere dados com maior preciso. Porm a concluso que se chega a respeito do ganho econmico que este seria menor para as previses com menor horizonte. Isto porque o modelo atual de previso gerou erros extremamente altos para a previso com um ano de horizonte, tendendo a gerar maior reduo no erro com a diminuio do horizonte.

Um problema que pode ser observado na empresa foi que por causa do alto aquecimento do mercado agrcola brasileiro, que vem sofrendo grande expanso nos ltimos anos, a empresa muitas vezes no percebe quo custosos so os erros de previso, pois de uma forma ou de outra ela consegue se livrar dos altos nveis de estoque, porm caso o mercado sofra um desaquecimento, estes erros podem se tornar mais evidentes virando assim um problema a ser resolvido com urgncia.

Pode-se entender que um modelo de previso de demanda no precisa ser sempre o mais sofisticado para funcionar, muitos critrios devem ser considerados para que seja escolhido um modelo. fundamental definir qual o objetivo do modelo, para que esta escolha seja feita visando o maior custo / benefcio possvel.

Este trabalho agregou muito para o desenvolvimento acadmico e profissional do aluno. fundamental se deparar com um problema real, onde foi visto que nem sempre toda a teoria aprendida funciona da melhor maneira possvel. necessrio criatividade, para adaptar toda a teoria estudada as limitaes do seu problema, encontrando assim solues que sejam adequadas e se mostrem eficientes. Pelo lado profissional, este trabalho possibilitou ao aluno interagir com diferentes reas e diferentes processos, ampliando a viso pr-existente a respeito da estrutura da empresa e da cadeia decisria.

Assim, com os resultados obtidos e com o entendimento das necessidades da empresa, pode-se esperar que a implementao de um modelo estatstico de previso de demanda seja um dos prximos passos a serem dados, para que cada vez mais a empresa melhore sua forma de atuao, buscando sempre a excelncia.

104

15 Bibliografia
MAKRIDAKIS, Spyros; WHEELWRIGHT, Steven; HYNDMAN, Rob. Forecasting: Methods ans Applications . 3rd edition. New York , John Wiley & Sons, 1998 JARRETT, Jeffrey. Business Forecasting Methods . 1st edition. Oxford, Basil Blackwell Ltd, 1987. ODONOVAN, Thomas M. Short Term Forecasting An Introduction to the BoxJenkins Approach. 1st edition. New York, John Wiley & Sons, 1983. ALVIM, Andr Chang. Previso de Denabda no Varejo. Trabalho de Formatura. So Paulo, EPUSP, 2003. KIYUZATO, Leandro. Aplicao de Modelos de Previso de Demanda em Empresa com Vendas Sazonais . Trabalho de Formatura. So Paulo, EPUSP, 2001. FERRARI, Adriana. Previso de V endas para um Bem de Consumo. Trabalho de Formatura. So Paulo, EPUSP, 1996.

105

16 Anexos
16.1 Histrico de Venda dos Produtos Piloto Pesticida A
Ano 2002 2003 2004 2005 janeiro 2,534 KG 1,945 KG 97,480 KG 98,205 KG fevereiro 8,885 KG 8,595 KG 100,960 KG 79,810 KG maro 3,121 KG 23,400 KG 128,745 KG 82,638 KG abril 9,490 KG 14,640 KG 19,155 KG 12,930 KG maio 2,965 KG 4,205 KG 730 KG 905 KG junho 9,910 KG 3,073 KG 2,770 KG 1,035 KG julho 11,420 KG 6,354 KG 3,305 KG 1,863 KG agosto setembro 20,500 KG 64,325 KG 42,985 KG 58,320 KG 40,985 KG 73,015 KG 28,510 KG 59,325 KG outubro 95,005 KG 42,830 KG 110,165 KG 116,500 KG novembro 107,046 KG 85,694 KG 137,215 KG 143,867 KG dezembro 66,470 KG 181,840 KG 164,260 KG 180,045 KG

Pesticida B
Ano 2002 2003 2004 2005 janeiro 1,219 KG 2,140 KG 11,719 KG 14,020 KG fevereiro maro 1,490 KG 2,393 KG 7,438 KG 2,440 KG 6,400 KG 18,220 KG 8,654 KG 15,430 KG abril 1,364 KG 7,630 KG 11,159 KG 4,842 KG maio 660 KG 3,645 KG 4,672 KG 2,760 KG junho 2,555 KG 2,821 KG 2,095 KG 2,030 KG julho 1,853 KG 720 KG 1,908 KG 3,395 KG agosto 3,240 KG 4,170 KG 9,882 KG 14,690 KG setembro 9,581 KG 20,182 KG 18,331 KG 35,358 KG outubro 17,325 KG 43,357 KG 58,472 KG 66,422 KG novembro 15,681 KG 28,194 KG 81,543 KG 90,432 KG dezembro 11,390 KG 29,322 KG 31,850 KG 38,941 KG

Herbicida A
Ano 2002 2003 2004 2005 janeiro 18,040 L 26,400 L 85,900 L 58,695 L fevereiro maro 10,520 L 37,346 L 25,040 L 4,160 L 28,800 L 12,620 L 21,635 L 17,470 L abril 2,634 L 3,630 L 3,600 L 4,425 L maio 7,923 L 8,342 L 7,080 L 8,980 L junho julho 72,105 L 170,265 L 27,365 L 199,000 L 101,220 L 126,120 L 62,940 L 88,145 L agosto 130,225 L 238,840 L 240,160 L 327,125 L setembro 233,875 L 183,780 L 243,960 L 308,180 L outubro 337,345 L 181,420 L 253,155 L 344,800 L novembro 85,095 L 285,190 L 361,825 L 378,860 L dezembro 85,780 L 176,585 L 151,465 L 153,520 L

Herbicida B
Ano 2002 2003 2004 2005 janeiro 65,700 KG 55,700 KG 86,640 KG 104,300 KG fevereiro maro abril maio junho julho 125,060 KG 43,640 KG 14,320 KG 20,300 KG 136,000 KG 185,500 KG 64,320 KG 40,460 KG 50,520 KG 43,840 KG 186,660 KG 183,940 KG 47,800 KG 61,300 KG 106,180 KG 120,340 KG 145,000 KG 72,560 KG 65,220 KG 96,560 KG 141,280 KG 164,340 KG 201,900 KG 186,910 KG agosto 218,500 KG 357,920 KG 790,420 KG 1,068,770 KG setembro 180,200 KG 563,620 KG 928,680 KG 1,355,400 KG outubro 73,300 KG 403,100 KG 553,740 KG 934,340 KG novembro 139,480 KG 275,640 KG 548,880 KG 828,620 KG dezembro 191,000 KG 286,680 KG 157,120 KG 365,600 KG

106

Fungicida A
Ano 2002 2003 2004 2005 janeiro fevereiro maro abril 250 L 120 L 265,402 L 168,120 L 300 L 49,008 L 189,756 L 166,692 L 1,928 L 1,248 L 362,520 L 151,788 L 3,216 L 3,843 L 428,436 L 128,440 L maio 158,832 L 295,164 L 228,039 L 240,932 L junho 87,312 L 136,212 L 120,744 L 126,220 L julho 20,304 L 31,776 L 80,016 L 83,008 L agosto 9,120 L 10,428 L 15,728 L 27,484 L setembro 5,712 L 2,784 L 9,068 L 13,180 L outubro novembro dezembro 5,220 L 4,284 L 648 L 4,944 L 6,576 L 1,464 L 1,240 L 1,470 L 1,486 L 2,134 L 2,076 L 1,658 L

Fungicida B
Ano 2002 2003 2004 2005 janeiro 420 L 2,040 L 7,008 L 15,589 L fevereiro 1,140 L 3,012 L 11,616 L 17,676 L maro 11,544 L 9,788 L 41,700 L 61,528 L abril 41,614 L 28,372 L 52,013 L 68,426 L maio 19,208 L 23,654 L 69,736 L 87,388 L junho 49,448 L 32,928 L 47,650 L 74,993 L julho 16,090 L 4,788 L 21,037 L 29,500 L agosto 7,350 L 5,628 L 11,712 L 14,544 L setembro 3,835 L 4,758 L 10,021 L 9,496 L outubro novembro dezembro 1,465 L 974 L 3,675 L 856 L 1,385 L 6,000 L 1,877 L 2,844 L 6,333 L 1,636 L 4,235 L 8,756 L

107

16.2 Memorial de clculos das etapas de inicializao e validao Pesticida B

Pesticida B Ano Ms jan fev mar abr mai jun jul ago set out nov dez jan fev mar abr mai jun jul ago set out nov dez jan fev mar abr mai jun jul ago set out nov dez Venda Real (Kg) 1219 1490 2393 1364 660 2555 1853 3240 9581 17325 15681 11390 2140 7438 2440 7630 3645 2821 720 4170 20182 43357 28194 29322 11719 6400 18220 11159 4672 2095 1908 9882 18331 58472 81543 31850 Fase Perodo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

Alfa 0.30 Nvel (L)

Beta 0.00 Tendncia (b)

Gama 1.00 Sazonalidade (S) 0.21 0.26 0.42 0.24 0.12 0.45 0.32 0.57 1.67 3.02 2.74 1.99 0.29 0.52 0.20 0.41 0.16 0.15 0.05 0.34 1.60 3.20 2.17 2.11 0.52 0.32 0.44 0.30 0.13 0.07 0.06 0.31 0.71 2.44 2.86 1.28 Previso (F)

MAPE Validao (%) 3.19 Desvio Absoluto Desvio Absoluto (%)

2002

Inicializao

2003

2004

5729.25 7435 14202 12093 18496 22852 18289 13865 12319 12648 13561 12986 13920 22379 19730 41349 37456 35406 29251 31908 31495 25886 24007 28484 24872

578.53 579 579 579 579 579 579 579 579 579 579 579 579 579 579 579 579 579 579 579 579 579 579 579 579

2307 7741 2557 7869 3737 2910 750 4366 21105 45207 29450 30541 12022 6588 18475 11332 4748 2136 1943 10064 18741 59881 83199 32591

167 303 117 239 92 89 30 196 923 1850 1256 1219 303 188 255 172 76 41 35 182 410 1409 1656 741

7.78 4.07 4.78 3.13 2.53 3.16 4.17 4.70 4.57 4.27 4.46 4.16 2.59 2.93 1.40 1.54 1.63 1.98 1.81 1.84 2.23 2.41 2.03 2.33

Validao

108

Herbicida A

Herbicida A Ano Ms jan fev mar abr mai jun jul ago set out nov dez jan fev mar abr mai jun jul ago set out nov dez jan fev mar abr mai jun jul ago set out nov dez Venda Real (L) 18040 10520 37346 2634 7923 72105 170265 130225 233875 337345 85095 85780 26400 25040 4160 3630 8342 27365 199000 238840 183780 181420 285190 176585 85900 28800 12620 3600 7080 101220 126120 240160 243960 253155 361825 151465 Fase Perodo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

Alfa 0.30 Nvel (L)

Beta 0.00

Gama 1.00 Previso (F)

MAPE Validao (%) 0.80 Desvio Absoluto Desvio Absoluto (%)

Tendncia (b) Sazonalidade (S) 0.18 0.11 0.38 0.03 0.08 0.73 1.72 1.31 2.36 3.40 0.86 0.86 0.23 0.17 0.04 0.03 0.07 0.29 1.98 1.90 1.64 1.90 1.70 0.98 0.36 0.13 0.05 0.02 0.04 0.44 0.70 1.45 1.51 1.65 2.10 0.90

2002

Inicializao

2003

2004

99262.75 113909 151508 110108 118950 115429 92875 100649 125938 112347 95442 167570 179442 237731 219471 254725 214436 180245 230147 180960 165449 161364 153711 172231 167544

1170.83 1171 1171 1171 1171 1171 1171 1171 1171 1171 1171 1171 1171 1171 1171 1171 1171 1171 1171 1171 1171 1171 1171 1171 1171

26671 25234 4204 3666 8427 27710 201315 241060 185695 183646 287183 177737 86323 28954 12678 3620 7126 101735 126936 241860 245730 255083 364285 152523

271 194 44 36 85 345 2315 2220 1915 2226 1993 1152 423 154 58 20 46 515 816 1700 1770 1928 2460 1058

1.03 0.77 1.06 0.98 1.01 1.26 1.16 0.93 1.04 1.23 0.70 0.65 0.49 0.53 0.46 0.55 0.65 0.51 0.65 0.71 0.73 0.76 0.68 0.70

Validao

109

Herbicida B

Herbicida B Ano Ms jan fev mar abr mai jun jul ago set out nov dez jan fev mar abr mai jun jul ago set out nov dez jan fev mar abr mai jun jul ago set out nov dez Venda Real (Kg) 65700 125060 43640 14320 20300 136000 185500 218500 180200 73300 139480 191000 55700 64320 40460 50520 43840 186660 183940 357920 563620 403100 275640 286680 86640 47800 61300 106180 120340 145000 72560 790420 928680 553740 548880 157120 Fase Perodo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

Alfa 0.26 Nvel (L)

Beta 0.12

Gama 1.00 Previso (F)

MAPE Validao (%) 4.11 Desvio Absoluto Desvio Absoluto (%)

Tendncia (b) Sazonalidade (S) 0.57 1.08 0.38 0.12 0.17 1.17 1.60 1.88 1.55 0.63 1.20 1.65 0.48 0.60 0.36 0.26 0.20 0.87 0.93 1.76 2.24 1.11 0.79 0.91 0.30 0.20 0.27 0.39 0.33 0.45 0.27 2.51 2.68 1.41 1.14 0.38

2002

Inicializao

2003

2004

116083.33 117181 107242 110988 192866 218402 214280 197906 202914 251580 363225 346926 316727 292074 243517 225755 273079 363096 323306 265825 314612 345990 393448 482120 418375

7773.61 6972 4943 4800 14049 15427 13081 9547 9002 13762 25508 20491 14408 9721 2728 269 5915 16008 9312 1297 6996 9921 14426 23335 12886

59014 67285 42210 54200 46937 198055 192813 373799 594451 431408 291921 299721 89524 48335 61373 108480 125645 149176 72914 807995 955310 574043 575447 161959

3314 2965 1750 3680 3097 11395 8873 15879 30831 28308 16280 13041 2884 535 73 2300 5305 4176 354 17575 26630 20303 26567 4839

5.95 4.61 4.32 7.28 7.06 6.10 4.82 4.44 5.47 7.02 5.91 4.55 3.33 1.12 0.12 2.17 4.41 2.88 0.49 2.22 2.87 3.67 4.84 3.08

Validao

110

Fungicida A

Fungicida A Ano Ms jan fev mar abr mai jun jul ago set out nov dez jan fev mar abr mai jun jul ago set out nov dez jan fev mar abr mai jun jul ago set out nov dez Venda Real (L) 250 120 265402 168120 158832 87312 20304 9120 5712 5220 4284 648 300 49008 189756 166692 295164 136212 31776 10428 2784 4944 6576 1464 1928 1248 362520 151788 228039 120744 80016 15728 9068 1240 1470 1486 Fase Perodo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

Alfa 0.15 Nvel (L)

Beta 0.00

Gama 1.00 Previso (F)

MAPE Validao (%) 0.15 Desvio Absoluto Desvio Absoluto (%)

Tendncia (b) Sazonalidade (S) 0.00 0.00 4.39 2.78 2.63 1.44 0.34 0.15 0.09 0.09 0.07 0.01 0.005 0.01 0.06 0.06 0.12 0.07 0.02 0.01 0.002 0.005 0.01 0.002 0.003 0.002 0.24 0.09 0.13 0.07 0.04 0.01 0.004 0.001 0.001 0.001

2002

Inicializao

2003

2004

60443.67 63303 3855986 3269830 2776514 2367236 2018208 1722976 1469284 1248554 1066094 917205 797985 738746 641100 1505365 1663886 1690293 1706495 2112838 2129729 2429024 2097137 1806757 1654253

1179.03 1179 1179 1179 1179 1179 1179 1179 1179 1179 1179 1179 1179 1179 1179 1179 1179 1179 1179 1179 1179 1179 1179 1179 1179

306 49023 189824 166763 295311 136292 31798 10436 2787 4949 6584 1466 1931 1250 362804 151896 228198 120827 80061 15737 9072 1241 1471 1487

6 15 68 71 147 80 22 8 3 5 8 2 3 2 284 108 159 83 45 9 4 1 1 1

1.86 0.03 0.04 0.04 0.05 0.06 0.07 0.08 0.09 0.11 0.13 0.15 0.16 0.18 0.08 0.07 0.07 0.07 0.06 0.06 0.05 0.06 0.07 0.07

Validao

111

Fungicida B

Fungicida B Ano Ms jan fev mar abr mai jun jul ago set out nov dez jan fev mar abr mai jun jul ago set out nov dez jan fev mar abr mai jun jul ago set out nov dez Venda Real (L) 420 1140 11544 41614 19208 49448 16090 7350 3835 1465 974 3675 2040 3012 9788 28372 23654 32928 4788 5628 4758 856 1385 6000 7008 11616 41700 52013 69736 47650 21037 11712 10021 1877 2844 6333 Fase Perodo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

Alfa 0.06 Nvel (L)

Beta 0.01

Gama 1.00

MAPE Validao (%) 0.98 Desvio Absoluto Desvio Absoluto (%)

Tendncia (b) Sazonalidade (S) Previso (F) 0.03 0.09 0.88 3.19 1.47 3.79 1.23 0.56 0.29 0.11 0.07 0.28 0.13 0.18 0.61 1.83 1.54 2.23 0.34 0.42 0.35 0.07 0.11 0.45 0.45 0.64 2.01 2.47 3.13 2.15 0.87 0.48 0.41 0.08 0.11 0.26

2002

Inicializao

2003

2004

13063.58 15704 16578 16083 15489 15333 14767 13957 13534 13485 12954 13072 13342 15452 18031 20749 21062 22315 22157 24275 24412 24556 24694 24738 24056

-233.01 -205 -194 -197 -201 -201 -204 -210 -212 -211 -214 -211 -206 -183 -156 -128 -124 -111 -111 -89 -87 -85 -83 -82 -87

2013 2977 9668 28003 23344 32472 4716 5540 4684 842 1363 5907 6925 11515 41442 51706 69390 47411 20959 11670 9986 1871 2835 6310

-27 -35 -120 -369 -310 -456 -72 -88 -74 -14 -22 -93 -83 -101 -258 -307 -346 -239 -78 -42 -35 -6 -9 -23

1.31 1.17 1.23 1.30 1.31 1.38 1.51 1.57 1.56 1.65 1.61 1.54 1.19 0.87 0.62 0.59 0.50 0.50 0.37 0.36 0.35 0.34 0.33 0.36

Validao

112

16.3 Clculo do valor econmico Pesticida B

Reduo: 35% Custo de Produo: R$ 22,25 Preo do Produto: R$ 37,25 Taxa de Juros (mensal): 1,4689% Custo de armazenagem mensal (tonelada): R$ 45,00
Venda Real (Kg) 14020 8654 15430 4842 2760 2030 3395 14690 35358 66422 90432 38941 Previso Desvio Relativo Custo Capital Reduo (Kg) Empresa (Kg) (Kg) (R$) 30000 15000 20000 10000 5000 2000 15000 30000 40000 69000 60000 24000 15,980 6,346 4,570 5,158 2,240 -30 11,605 15,310 4,642 2,578 -30,432 -14,941 5,593 2,221 1,599 1,805 784 -11 4,062 5,359 1,625 902 -10,651 -5,229 1,828 726 523 590 256 1,327 1,751 531 295 Custo Armazenagem (R$) 252 100 72 81 35 183 241 73 41 159,824 78,467 Custo perda de SOMA (R$) lucro (R$) 2,079 826 595 671 291 158 1,510 1,992 604 335 159,824 78,467 Valor Presente (R$) 2,079 814 578 642 275 146 1,384 1,799 538 294 138,137 66,839 R$ 213,524.51

Ms jan fev mar abr mai jun jul ago set out nov dez Total

158

Herbicida A

Reduo: 67% Custo de Produo: R$ 9,73 Preo do Produto: R$ 12,80 Taxa de Juros (mensal): 1,4689% Custo de armazenagem mensal (tonelada): R$ 45,00

113

Ms Venda Real (L) jan fev mar abr mai jun jul ago set out nov dez Total 58695 21635 17470 4425 8980 62940 88145 327125 308180 344800 378860 153520

Previso Desvio Relativo Custo Capital Reduo (L) Empresa (L) (L) (R$) 90000 60000 40000 8000 15000 80000 200000 420000 370000 220000 300000 56500 31,305 38,365 22,530 3,575 6,020 17,060 111,855 92,875 61,820 -124,800 -78,860 -97,020 20,974 25,705 15,095 2,395 4,033 11,430 74,943 62,226 41,419 -83,616 -52,836 -65,003 2,998 3,674 2,158 342 577 1,634 10,713 8,895 5,921

Custo Armazenagem (R$) 944 1,157 679 108 182 514 3,372 2,800 1,864

Custo perda de SOMA (R$) lucro (R$) 3,942 4,831 2,837 450 758 2,148 14,085 11,695 7,785 256,335 161,976 199,276

Valor Presente (R$) 3,942 4,761 2,756 431 715 1,997 12,905 10,560 6,927 224,807 139,997 169,743 R$ 579,542.72

256,335 161,976 199,276

Herbicida B

Reduo: 46% Custo de Produo: R$ 3,69 Preo do Produto: R$ 4,38 Taxa de Juros (mensal): 1,4689% Custo de armazenagem mensal (tonelada): R$ 45,00
Custo Armazenagem (R$) 946 720 71 905 2,031 4,411 34,134 174,297 161,411 103,128 67,660

Ms jan fev mar abr mai jun jul ago set out nov dez Total

Venda Real (Kg) 104300 65220 96560 141280 164340 201900 186910 1068770 1355400 934340 828620 365600

Previso Desvio Relativo Custo Capital Reduo (Kg) Empresa (Kg) (Kg) (R$) 150000 100000 100000 185000 102000 300000 400000 960000 800000 420000 500000 150000 45,700 34,780 3,440 43,720 -62,340 98,100 213,090 -108,770 -555,400 -514,340 -328,620 -215,600 21,022 15,999 1,582 20,111 -28,676 45,126 98,021 -50,034 -255,484 -236,596 -151,165 -99,176 1,140 868 86 1,091 2,448 5,318

Custo perda de SOMA (R$) Valor Presente (R$) lucro (R$) 2,086 1,588 157 1,996 19,564 4,479 9,729 34,134 174,297 161,411 103,128 67,660 2,086 1,565 153 1,911 18,455 4,164 8,914 30,822 155,105 141,559 89,135 57,633 R$ 511,501.41

19,564

Fungicida A

Reduo: 63%

114

Custo de Produo: R$ 5,29 Preo do Produto: R$ 8,70 Taxa de Juros (mensal): 1,4689% Custo de armazenagem mensal (tonelada): R$ 45,00

Ms Venda Real (L) jan fev mar abr mai jun jul ago set out nov dez Total 3216 3843 428436 128440 240932 126220 83008 27484 13180 2134 2076 1658

Previso Desvio Relativo Custo Capital Reduo (L) Empresa (L) (L) (R$) 1500 1000 500000 200000 250000 100000 50000 20000 6000 5000 1000 3000 -1,716 -2,843 71,564 71,560 9,068 -26,220 -33,008 -7,484 -7,180 2,866 -1,076 1,342 -1,081 -1,791 45,085 45,083 5,713 -16,519 -20,795 -4,715 -4,523 1,806 -678 845

Custo Armazenagem (R$)

Custo perda de SOMA (R$) lucro (R$) 3,681 6,099 3,681 6,099 5,535 5,534 701 56,252 70,815 16,056 15,404 222 2,308 104

Valor Presente (R$) 3,681 6,011 5,376 5,298 662 52,297 64,883 14,498 13,708 194 1,995 88 R$ 168,690.30

3,506 3,506 444

2,029 2,029 257 56,252 70,815 16,056 15,404

140 66

81 2,308 38

Fungicida B

Reduo: 27% Custo de Produo: R$ 13,04 Preo do Produto: R$ 21,92 Taxa de Juros (mensal): 1,4689% Custo de armazenagem mensal (tonelada): R$ 45,00

115

Ms Venda Real (L) jan fev mar abr mai jun jul ago set out nov dez Total 15589 17676 61528 68426 87388 74993 29500 14544 9496 1636 4235 8756

Previso Desvio Relativo Custo Capital Reduo (L) Empresa (L) (L) (R$) 25000 20000 35500 37000 100000 50000 23000 30000 15000 5000 7000 12000 9,411 2,324 -26,028 -31,426 12,612 -24,993 -6,500 15,456 5,504 3,364 2,765 3,244 2,541 627 -7,028 -8,485 3,405 -6,748 -1,755 4,173 1,486 908 747 876 487 120 0 0 652 0 0 799 285 174 143 168

Custo Custo perda de Armazenagem SOMA (R$) lucro (R$) (R$) 114 601 28 148 0 62,400 62,400 0 75,341 75,341 153 805 0 59,918 59,918 0 15,584 15,584 188 987 67 352 41 215 34 177 39 207

Valor Presente (R$) 601 146 60,606 72,116 760 55,705 14,278 891 313 188 153 176 R$ 205,934.74