Posts

Planejamento da demanda colaborativo em época de coronavírus

“As fabricantes de papel higiênico devem estar felizes”, diz um amigo meu. “A procura por notebooks deve ter aumentado muito com o número de empresas adotando home office”, diz a minha mãe. Já o meu pai está preocupado com os impactos nas redes de telefonia e internet, que estão sobrecarregadas. Um fato é indiscutível, a pandemia do coronavírus alterou a demanda de tudo o que é comercializado, em alguns casos para mais, em outros para menos. E como é que as empresas estão fazendo para adequar os seus números e alinhar a produção e a distribuição aos novos hábitos de consumo da população?

Planejamento da demanda coronavírus - ILOS Insights

Planejar é importante em momentos de crise
Fonte: Campaign Creators no Unsplash

Neste momento é, mais do que nunca, extremamente importante que as empresas dos ramos alimentício, farmacêutico, limpeza e tecnologia trabalhem para que não haja falta de seus produtos. Da mesma forma, é valioso para outras indústrias, como vestuário, automobilístico e móveis, compreender quais serão os impactos nas suas vendas. No entanto, os modelos preditivos não conseguem colaborar para entregar números precisos, pois os padrões de demanda mudaram de forma abrupta, tornando praticamente impossível trabalhar com baixa margem de erro.

Em um post que escrevi no ano passado, falei sobre três formas de elevar a acuracidade das previsões: o uso de melhores técnicas, a adoção de tecnologias mais avançadas e a integração entre os elos da cadeia. Neste momento, em que a reação para os efeitos da pandemia tem que ser em velocidade extremamente rápida, os dois primeiros possuem menor aplicabilidade. O que quero dizer é que, no curto prazo, a melhor solução para entender as variações na demanda dos seus produtos é a transparência entre os players da sua cadeia logística.

O planejamento colaborativo trabalhado da maneira mais profunda permite que todas as camadas tenham visibilidade do que está acontecendo em todos os elos, tornando a cadeia mais proativa, essencial para trabalhar numa situação de crise como a ocasionada pelo coronavírus. Imagine o quanto favorece um fornecedor primário saber de forma concreta a demanda final pelos produtos, podendo assim ter dados mais concisos para decidir se irá investir no aumento de sua produção ou se irá reduzir os turnos de sua fábrica. Da mesma forma, é importante para os elos na ponta da cadeia ter conhecimento da capacidade produtiva de seus fornecedores, podendo desta maneira compreender se ele é capaz de atender as novas demandas e não ser pego de surpresa por um atraso na reposição.

A visibilidade não é o único benefício de aprofundar a colaboração na cadeia logística. Agora, em que as demandas estão variando de forma consideravelmente imprevisíveis, é importante alinhar com os outros elos as estratégias de reação. É preciso estabelecer conjuntamente formas de enfrentar a falta de matéria-prima, o fechamento de pontos de venda, o aumento ou a queda da demanda. Todos os cenários precisam ser considerados e, quanto mais orquestrada estiver a cadeia, mais rápida e efetiva será a ação para qualquer mudança que o mercado venha a sofrer.

A contaminação do coronavírus pelo mundo, especialmente pelo Brasil, segue de forma imprevista. Da mesma maneira, são seus impactos na economia e no consumo, que mudam de semana a semana – é o caso da esquisita grande demanda por papel higiênico na chegada da pandemia a cada país, que tende a diminuir à medida que as pessoas vão se conscientizando das suas reais necessidades em isolamento. O planejamento colaborativo, por meio da comunicação e do alinhamento das ações, permite que as indústrias estejam preparadas para atender às mudanças, tornando as cadeias mais fluídas e, principalmente, diminuindo os casos de falta, assim como os de excesso. Além disso, melhora a gestão de estoques, corta custos e aumenta o nível do serviço oferecido aos clientes.

Pessoalmente, eu vejo este momento que estamos vivendo como uma oportunidade para as empresas verem na prática as reais vantagens deste modelo e entendo que o aumento na adoção desta forma de gerenciamento da cadeia é uma das possíveis consequências positivas da pandemia. Trata-se de uma questão de sobrevivência e a minha aposta é de que as cadeias cujos objetivos, motivações e limitações são compartilhados, apresentarão uma maior capacidade de enfrentar os desafios que já estamos presenciando, assim como próximos que ainda virão.

Fontes:

Coronavirus and the antifragile supply chain
SpendMatters – Afternoon Coffee: Coronavirus, China and supply chain delays, Tesla batteries…
Three strategies to help your supply chain survive coronavirus

COMO DETECTAR PROBLEMAS NO PLANEJAMENTO COLABORATIVO DA DEMANDA COM MÉTRICAS SIMPLES

Por que planejar? Para que tentar antever o futuro, se o mercado é tão volúvel e imprevisível? Por que não apenas atender aos pedidos à medida que aparecem em nosso sistema? Se nem os clientes sabem o que vão pedir, como nós vamos saber? Deparamo-nos constantemente com perguntas como estas ao implantar processos de planejamento, principalmente das áreas comerciais. E não poderia ser diferente – tempo é um recurso escasso, e é de se esperar questionamento quando pedimos algumas horas por mês para ajudar a equipe de planejamento integrado (ou S&OP, IBP, POVE, etc.) a montar um plano de demanda.

A resposta curta é: planejar é importante porque reduz a incerteza. Incerteza gera tempo de espera na cadeia de suprimentos, e tempo de espera gera custos. Para citar apenas alguns: um produto esperando para ser vendido (estoque) tem custo de oportunidade do capital investido e risco de obsolescência/perecibilidade; uma máquina aguardando uma ordem de produção tem custo de ociosidade; um cliente desistindo de esperar por um produto e comprando o da concorrência tem o custo da margem perdida.

Figura 1. Pizza da Incerteza

Figura 1. Pizza da Incerteza

Um bom processo de planejamento integrado tenta, entre outras coisas, reduzir a incerteza e balancear os custos associados, equilibrando serviço ao cliente, nível de estoque, e produtividade da cadeia de suprimentos. E como todo processo precisa de boas métricas para guia-lo na direção da melhoria contínua, vamos explorar neste artigo algumas formas de medir o processo de planejamento da demanda (vamos deixar de fora métricas de nível de serviço e planejamento operacional), associando-as a problemas comuns enfrentados pela equipe de planejamento.

O PROCESSO

Em processos de planejamento integrado de operações e vendas (S&OP), o planejamento da demanda é o primeiro e mais importante input. A divisão das diversas etapas do processo e seus nomes variam de autor para autor. Para este artigo, adotaremos os nomes da figura abaixo.

Figura 2. Etapas do Planejamento Integrado

Figura 2. Etapas do Planejamento Integrado

Adotamos um processo que divide a etapa da Demanda em quatro fases: Estatística, Plano do Analista, Colaborações e Demanda Irrestrita. Existem outras formas igualmente válidas de organizar o processo, como a previsão base zero e bottom-up dos vendedores até os gerentes regionais, mas, em nossa experiência, estas quatro etapas trazem um bom balanço entre precisão, esforço investido e utilidade do plano.

Estatística

Nesta etapa, modelos matemáticos são aplicados para tentar detectar padrões do passado e extrapolá-los para o futuro. Existem diversos modelos possíveis para diferentes casos, e esta etapa é facilmente agilizada através de mecanismos de seleção automática de modelos. Este primeiro número gera a base sobre a qual as próximas etapas serão discutidas.

Plano do Analista

Nem tudo é explicável por um modelo matemático. O papel do analista de demanda[1] é fundamental para enriquecer o plano com informações externas à série histórica de demanda – como um lançamento de novo produto ou a falta do produto concorrente no mercado – e para fazer ajustes na própria série, como é o caso com vendas fora do normal. Ele deve investir seu tempo com parcimônia, analisando os principais produtos e regiões e deixando a cargo da Estatística as demandas mais estáveis e menos importantes.

Colaborações

Coletar todas as informações relevantes ao plano de demanda dos próximos meses não é um trabalho simples, e dificilmente o analista conseguirá tê-las todas à mão para incluir no plano do analista. A colaboração das áreas mais próximas ao mercado é fundamental para garantir a inclusão de todas as premissas de planejamento, e para gerar comprometimento com o número. O analista monta o melhor plano que consegue com as informações que tem à mão, e sugere este plano aos colaboradores, que podem acatá-lo ou fazer ajustes de acordo com suas impressões do mercado.

Demanda Irrestrita

Com todas as colaborações em mãos, é necessário chegar a um consenso, um único número que será usado para o planejamento de todas as funções da operação e do financeiro. Este consenso é frequentemente alcançado em uma reunião, onde as principais divergências entre os planos são discutidas e um número final é alcançado.

Cada uma destas etapas traz um valor distinto ao processo, e enfrentam problemas distintos de implantação e manutenção, que podem ser detectados e prevenidos com as métricas certas.

MÉTRICAS BÁSICAS

Existem diversas métricas para medir a aderência de planos à realidade. Escolhemos três métricas básicas que, em nossa experiência, atendem perfeitamente às necessidades da esmagadora maioria das empresas. São relativamente fáceis de entender e implantar, livres de escala (o que quer dizer que podemos comparar um produto que vende mil unidades por mês com outro que vende cem mil) e facilmente agregáveis para níveis gerenciais.

A primeira é o MAPE – Mean Absolute Percentage Error, ou Erro Percentual Absoluto Médio. Ele nos diz quanto, em média, estamos errando no nível de agregação de cálculo[2], sem compensar erros negativos com erros positivos. Ou seja, se vendermos mil unidades acima do plano do produto A no Rio de Janeiro, e mil unidades abaixo do mesmo produto em Manaus, estes erros não são compensados. Afinal, uma falta de produtos no centro de distribuição do Rio de Janeiro dificilmente seria compensada por um excesso de estoque em Manaus. Como erramos duas vezes (pelo excesso de estoque em Manaus, e pela possível ruptura de estoque no Rio de Janeiro), temos que contabilizar os dois erros.

Produto Localidade Planejado Real Erro Absoluto MAPE
A RJ 9 10 10% 35%
B RJ 5.000 2.500 100%
C RJ 22 20 10%
A SP 3.000 4.500 33%
B SP 0 0
C SP 400 500 20%

 

A segunda é o WAPE, ou WMAPE – Weighted Mean Absolute Percentage Error, ou Erro Percentual Absoluto Médio Ponderado. Este nos diz algo parecido com o MAPE, porém leva em consideração a importância relativa de cada produto/local no cálculo. Esta importância (ou “peso”) pode ser o volume de vendas, a receita, a margem total de contribuição, ou até mesmo notas de 1 a 10. Isto ajuda a evitar, por exemplo, que produtos de baixo volume distorçam o indicador para cima ou para baixo. Um produto que tenha a venda planejada de 5 unidades e venda 10 unidades tem erro de 100%, mas o impacto operacional e financeiro deste erro é muito menor do que um erro de 20% em um produto que venda 5.000 unidades.

Produto Localidade Planejado Real Erro Absoluto Peso WMAPE
A RJ 9 10 10% 10 54%
B RJ 5.000 2.500 100% 2.500
C RJ 22 20 10% 20
A SP 3.000 4.500 33% 4.500
B SP 0 0
C SP 400 500 20% 500

Figura 4. Exemplo de Cálculo do WMAPE, usando a demanda real como peso

 

A terceira e última métrica deste artigo é o MPE – Mean Percentage Error, ou Erro Percentual Médio. Diferentemente dos dois anteriores, o MPE considera erros negativos e positivos, indicando se o plano tem um viés mais pessimista ou otimista. No exemplo abaixo, o MPE negativo indica que, em média, estamos sendo otimistas com nosso plano.

Produto Localidade Planejado Real Erro Perentual MPE
A RJ 9 10 10% -9%
B RJ 5.000 2.500 -100%
C RJ 22 20 -10%
A SP 3.000 4.500 33%
B SP 0 0
C SP 400 500 20%

Figura 5. Exemplo de Cálculo do MPE

 

Todas as análises que vamos mostrar se utilizam destes três indicadores simples, com pequenas variações de cálculo.

PROBLEMAS DE PROCESSO

Com estas três métricas simples implantadas, a empresa pode então medir a precisão de seu plano de demanda e saber se está acertando no mix de produtos, no balanceamento entre as regionais, se o erro está concentrado em produtos de grande importância, e se existe um viés geral de otimismo ou pessimismo. Mas o que fazer se o erro estiver muito alto, ou em tendência de crescimento? Obviamente, existe uma componente de aleatoriedade no erro que é impossível de controlar e inerente ao mercado em que a empresa opera, mas pode haver componentes do erro trazidas por falhas no próprio processo de planejamento.

Compilamos abaixo alguns dos principais problemas que já encontramos em processos que implantamos e acompanhamos. Estes exemplos podem ser encontrados em processos de planejamento com níveis de maturidade diversos, e em empresas de todos os portes.

Tempo de análise mal investido

Frequentemente, é inviável percorrer e analisar o plano para cada produto, local e mês do horizonte de planejamento. Por isso, é fundamental que o analista de demanda saiba priorizar seu caminho de análise e alocar seu tempo nos pontos mais frágeis do plano. Este problema normalmente tem duas facetas: ou o analista não prioriza e tenta abarcar todo o plano, o que o leva a análises rasas, ou prioriza pelos vetores errados, e acaba deixando de lado pontos críticos.

A primeira pergunta a se fazer é se o tempo do analista está sendo de fato investido para melhorar a Estatística, ou se estamos acabando com um Plano do Analista de precisão pior aos números gerados automaticamente pelos modelos. A resposta vem da simples comparação dos MAPEs e WAPEs destes dois planos contra a demanda nos últimos meses.

Figura 6. Análise Comparativa entre Estatística e Plano do Analista

Figura 6. Análise Comparativa entre Estatística e Plano do Analista

A segunda pergunta é se este problema é localizado, ou generalizado. A análise do MAPE por família e por regionais ajuda na busca da causa raiz do problema. Outra análise útil para este propósito é o gráfico de Pareto do erro absoluto do Plano do Analista comparado à demanda real, o que pode indicar uma concentração do erro em um produto ou local. Podemos encontrar grande concentração de erros em previsões baseada em premissas de ações de marketing que não se realizaram, ou não tiveram a performance esperada.

Finalmente, podemos comparar o WAPE com o MAPE para avaliar se o analista está acertando mais (e logo, provavelmente, investindo mais tempo de análise) nos produtos e regionais mais importantes para a empresa.

Falta de comprometimento com o plano

Como dissemos na introdução, conseguir o comprometimento das áreas comerciais com o processo de planejamento não costuma ser uma tarefa fácil. Raramente o erro de previsão figura entre as metas destas áreas, e quando está lá, é com um percentual pouco significativo. Os colaboradores normalmente investem pouco tempo na análise do plano, o que reflete diretamente na qualidade do mesmo.

Guardar os planos de cada colaborador separadamente e comparar seus MAPEs de alguns meses com os do Plano do Analista é uma excelente maneira de encontrar sintomas de baixo comprometimento. Com a análise em mãos, o analista de demanda pode conversar com os colaboradores individualmente, e tentar sensibilizá-los quanto à importância de um bom plano. Conectar o erro de planejamento com casos de baixo nível de serviço ao cliente é sempre um ótimo argumento. Em último caso, as análises podem também ser levadas para a reunião executiva para ganhar apoio político junto à diretoria.

Colaboradores otimistas ou pessimistas

Metas agressivas existem para desafiar e motivar a equipe comercial, e são uma ferramenta válida e eficaz para aumentar o volume de vendas. Entretanto, geralmente trazem um efeito colateral negativo no planejamento: é difícil separar o número que gostaríamos de vender do número que achamos que provavelmente vamos vender. Nenhum vendedor quer apresentar um plano abaixo do orçamento para sua diretoria, a tendência geral é que estes números venham praticamente iguais. Existe ainda o efeito contrário, quando as metas de vendas são derivadas do próprio plano, o que cria um incentivo para subestimar o plano.

A análise do MPE dos últimos meses dos planos dos colaboradores pode mostrar estes vieses.

Figura 8. Viés da Colaboração de Vendas que utiliza sua Meta como Plano

Obviamente, não estamos dizendo que o orçamento e as metas não devem ser perseguidos. Mas quando sabemos que o cenário mais provável é o não atingimento e aumentamos o plano mesmo assim, só estamos inflando os estoques e piorando o ciclo financeiro da companhia. Cabe à equipe de S&OP negociar os cenários de atendimento da meta com o comercial e a operação, para que os riscos sejam balanceados com os custos associados.

 

Influência hierárquica no processo

A equipe de planejamento integrado, incluindo o analista de demanda, frequentemente tem de cobrar prazos e planos de ação de pessoas com nível hierárquico acima dos deles próprios. Isto é mais evidente em empresas de médio porte, que raramente investem em uma vaga de gerente sênior ou diretor para a função de planejamento, mas acontece igualmente em empresas maiores. Muitas vezes vemos bons analistas de demanda simplesmente acatarem, sem questionamento, os planos de colaboradores na etapa de consenso (Demanda Irrestrita), por sentirem-se constrangidos em questionar os números de gerentes regionais de vendas e gerentes de canal, mesmo sabendo que a precisão destes planos não é boa.

O principal sintoma de que isto pode estar acontecendo é um WAPE da demanda irrestrita constantemente maior que o do plano do analista. Caso isto esteja ocorrendo, recomendamos duas análises. A primeira é a análise do MAPE comparativo entre todos os planos, que pode mostrar se o plano dos colaboradores de fato é menos preciso que o do Analista. Podemos usar o MAPE da Estatística como baliza de referência, e mostrar o MAPE relativo dos outros planos mês a mês no período de análise.

Figura 9. Análise de Influência e Comprometimento com o Processo

A segunda é a análise de influência da colaboração sobre a Demanda Irrestrita, ou seja, sobre o consenso final do processo. Para usar as mesmas métricas, podemos calcular o MAPE entre o plano dos colaboradores e a demanda irrestrita no lugar da demanda real. Um MAPE baixo indica que os dois planos estão bem próximos. Podemos ainda comparar este com o MAPE entre o plano do analista e a demanda irrestrita, comparando as influências.

Figura 10. MAPE Comparativo para Análise de Influência Hierárquica no Planejamento Colaborativo de Demanda

Figura 10. MAPE Comparativo para Análise de Influência Hierárquica no Planejamento Colaborativo de Demanda

CONCLUSÃO

Processos de planejamento integrado geralmente representam mudanças culturais significativas, e são consequentemente muito frágeis e suscetíveis ao fracasso. São muitas vezes vistos como apenas mais um conjunto de reuniões improdutivas, e um desperdício de tempo. Saber quais são os problemas mais comuns e como detectá-los rapidamente é fundamental para reagir antes que o processo perca credibilidade, e caia por terra.

Como a aleatoriedade do erro é, na média, igual para todos os planejadores, podemos descobrir muitas falhas de processo comparando os planos entre si. Para isto, manter as etapas de planejamento bem definidas e separadas é fundamental.

Finalmente, na busca pela melhoria do processo é importante evitar criar um clima de acusações. A mensagem principal deve ser sempre a da colaboração por um objetivo maior.

[1] Estamos usando o termo “analista de demanda” para designar a função de planejamento de demanda. Esta função pode ser exercida por mais pessoas, de diferentes níveis hierárquicos, dependendo da escala da empresa.

[2] O nível de agregação do cálculo é função do nível de detalhe que a operação precisa. Em nossas tabelas de exemplo, caso não fizesse diferença estocar/vender/produzir em SP ou no RJ, deveríamos ter calculado os erros de previsão para os produtos como se houvessem sido planejados para o mesmo local. Deve-se medir apenas no nível que impacta de forma significativa a operação da empresa. Lembre-se do trade-off Utilidade x Esforço x Recursos.

Autores:
Diego de Souza, sócio diretor da Plannera
Daniel Silveira, Especialista em Planejamento da Plannera

O PAPEL DA TECNOLOGIA NO S&OP

O S&OP¹ é um processo de tomada de decisão conjunta, que visa balancear demanda e suprimento integrando planos de vendas, operações e financeiro, e alinhando-os com os objetivos estratégicos da companhia. É dito por alguns autores e teóricos do assunto que o S&OP é 80% processo e pessoas, e 20% tecnologia. Concordamos com a proporção, mas ela, muitas vezes, pode passar a impressão de que a TI seria apenas o último passo, aquele empurrão final em direção a um S&OP “perfeito”. Na verdade, ferramentas certas e bem utilizadas são um componente essencial de toda a trajetória de evolução, desde a confusão dos planejamentos isolados e conflitantes, até uma cultura de planejamento orquestrado e alinhado com um único número e um único objetivo: o da empresa.

Leia mais

ESTRATÉGIAS DE ABASTECIMENTO NO VAREJO DE MODA

Grandes companhias de varejo de moda vêm impulsionando seu crescimento em vendas nos últimos anos através da ampliação de sua rede de lojas. A análise dos dados divulgados pelas maiores varejistas de capital aberto no País revela grandes ambições em termos de expansão do número de lojas para os próximos cinco anos. À parte dos seus objetivos de aumento de vendas nos mesmos estabelecimentos comerciais (Same Store Sales), a expansão da rede parece ser um imperativo para possibilitar o crescimento de longo prazo no varejo de moda. Nos grandes centros urbanos, é preciso aumentar a presença junto ao consumidor, seguindo a dinâmica de evolução das cidades. Renda e consumo no País se desconcentram, rumo ao Norte, Nordeste e Centro-Oeste, e se interiorizam, criando novas oportunidades de posicionamento de lojas.

2012_04_imagem_01

Figura 1 – Crescimento projetado em número de lojas – varejo de moda
Fonte: Sites de RI de cada empresa

 

Diferenças regionais, culturais e de clima, dificuldades de acesso e transporte para regiões mais distantes das grandes metrópoles, mobilidade social e crescimento da nova classe média, trazendo um novo contingente de consumidores com gostos e desejos ainda não mapeados, tudo isso aumenta a imprevisibilidade da demanda e coloca grande pressão sobre as áreas de planejamento, suprimento e abastecimento das empresas.

Para garantir um crescimento economicamente saudável, mantendo ou ampliando margens, as empresas devem estar atentas a dois principais indicadores: a quantidade e o tempo em que subsistem “furos” na grade de produtos nos pontos de venda, falta de tamanhos, cores ou modelos (Ruptura); ou a necessidade de reduções de preço ou liquidações para fazer girar o estoque de produtos super abastecidos (Markdown).

Enquanto o primeiro impacta o resultado potencial pela não-venda, pela perda da oportunidade (e da margem) do produto que poderia ser vendido, o segundo corrói a margem planejada para produtos que estão em estoque, reduzindo o resultado efetivo. Dada a complexidade das linhas de produtos, estilos e marcas do sortimento típico de uma grande rede de varejo de moda, é comum que as empresas apresentem ruptura e markdown ao mesmo tempo em sua rede, e inclusive em cada loja.

Mesmo considerando que parte da dificuldade em realizar o abastecimento reside nas incertezas quanto à aceitação ou identificação dos consumidores com elementos de estilo presentes nos produtos, e que quanto maior o conteúdo de moda nos produtos, maior o risco de não identificação, o planejamento do abastecimento pode ser um fator decisivo para a mitigação, ou a ampliação dos impactos da ruptura ou markdown.

Este artigo tem como objetivo abordar estratégias de abastecimento de produtos, fatores relevantes para a definição dessas estratégias, e mostrar como o alinhamento de diferentes estratégias com características específicas de clusters de produtos podem trazer benefícios para o varejo de moda.

SUPPLY CHAIN PARA O VAREJO DE MODA

O setor têxtil e de confecções no Brasil viveu diversas fases ao longo dos últimos 30 anos: de um mercado protegido até o início dos anos 1990, quando se iniciou um processo de desregulamentação, abertura comercial e ganhos de produtividade nos portos brasileiros, até o setor se abrir à competição internacional. Após a abertura, fatores como a competitividade de grandes produtores asiáticos (China, Coreia do Sul, Índia e Taiwan) e flutuações das taxas de câmbio passaram a impactar na balança comercial do segmento.

Com relevante competitividade em custos de pessoal, em uma indústria ainda intensiva em mão de obra, a migração de boa parte da produção têxtil e de confecções para a Ásia foi um movimento não só brasileiro, mas global. O impacto disso foi um aumento no tempo do desenho à loja, o necessário aumento de lotes para ganhos de escala em transportes, e o crescimento do impacto de erros na previsão de vendas para as grandes redes de varejo de moda. Lead-times típicos dessa operação variavam de oito a 14 meses entre a concepção e o design da coleção, confecção e aprovação de protótipos, compra dos tecidos, produção, inspeção de qualidade e transporte do produtor até o centro de distribuição do varejo, para daí os produtos chegarem até as lojas.

2012_04_imagem_02

Figura 2 – Exemplo de ciclo de vida de uma coleção

 

Em meados dos anos 1990, a espanhola Zara (Inditex), uma das maiores empresas de varejo de moda do mundo, inovou sua cadeia de suprimentos optando por produção local, integração vertical e um sistema de mapeamento de vendas nas lojas que permitia corrigir o mix ou entrar com novas coleções em aproximadamente duas semanas. Denominado de “Fast Fashion”, o modelo teve grande impacto no setor, levando a concorrência a esforços para encurtar o lead-time de introdução de novas coleções.

Tipicamente, os produtos de moda são abastecidos em ondas (coleções) que possuem unidade temática. Como coleções se sucedem, cada produto tem um tempo de exposição limitado. Toda a coleção deve chegar de forma sincronizada nas lojas, dado que existe uma harmonização entre as várias peças, que remete a uma idealização de estilo, por sua vez ligada a características estéticas, de estações climáticas, etc. Assim, a sincronia na cadeia de abastecimento é crucial para o sucesso da coleção, e quanto maior o conteúdo de moda, maior o grau de obsolescência do produto.

Em contrapartida, o conteúdo de moda existente nos produtos ajuda a reforçar a diferenciação e exclusividade não apenas dos itens, como também das próprias cadeias de varejo. Em uma escala que vai do básico (uma clássica camiseta de malha branca, por exemplo) ao “fashion” (um produto com estilo específico, que procura diferenciação), as peças apresentam comportamentos de demanda e características bastante diferenciadas.

Em seu artigo na Harvard Business Review, Fisher (1997) observa que empresas mais bem sucedidas são aquelas que melhor adaptam seu supply chain às características de seus produtos. O autor propõe duas principais categorias de produtos – Funcionais e Inovadores – de acordo com a previsibilidade do comportamento da demanda dos mesmos. A partir da correta caracterização destas categorias de produtos, poderia ser inferida a estrutura adequada do supply chain e um conjunto específico de estratégias de abastecimento para cada empresa, que podem ser sumarizadas da seguinte forma: empresas que atuam no mercado através de produtos funcionais deveriam adotar estratégias de eficiência em processos e custos, enquanto categorias inovadoras requereriam estratégias de resposta rápida ao mercado.

2012_04_imagem_03

Figura 3 – Características de clusters de produtos

 

Ao analisarmos uma rede de varejo de moda, podemos encontrar itens que apresentam características tanto de produtos Funcionais quanto de Inovadores. Em realidade, se fosse possível compor uma escala que em uma extremidade tivesse um produto tipicamente Funcional e em outra um tipicamente Inovador, poderíamos posicionar o sortimento das lojas ao longo de toda a faixa dessa escala. Entretanto, um conjunto de fatores tem levado as empresas a adotar erroneamente uma estratégia única de abastecimento de seus produtos. Wanke (2001) registra a pressão por estoques baixos, em função do custo de obsolescência pela manutenção de estoques elevados, e, por outro lado, a pressão por aumento da disponibilidade de um mix de produtos cada vez mais diversificado para possibilitar a customização em massa, como os principais fatores para o desenho do supply chain das empresas.

Fisher (1997) explica que é comum e esperado que gestores das empresas busquem um supply chain eficiente e enxuto. Mesmo quando algumas categorias de produtos ultrapassam a fronteira do Funcional para o Inovador, demandando estratégias diferenciadas, poucas adaptam suas estratégias para as necessidades desses produtos.

No caso específico do varejo de moda, o supply chain é estruturado para proporcionar uma experiência de serviço perfeita, em que a disponibilidade e variedade de produtos são parte da comunicação do componente de design e moda da coleção, ou seja, parte relevante dessa experiência de serviço. Exemplificando, um gerente de Estilo determina não somente as características da peça em si, mas a forma como as diferentes peças de uma coleção (calças, saias, blusas, acessórios) se articulam para comunicar o estilo e atingir um determinado perfil de cliente.

Assim, como as peças da coleção “combinam”, há uma comunicação a partir da coleção de como se vestir, e isso aumenta o potencial de compras por cliente (se gostou da calça, pode comprar a blusa e o acessório que combinam). Para garantir disponibilidade, variedade e sincronismo do supply chain, empresas optam por empurrar as coleções para as lojas da forma mais ágil possível, eliminando estoques intermediários e gerenciando a demanda através de Markdown e Ruptura.

No entanto, o impacto de um planejamento falho do abastecimento de uma linha de produtos pode ser significativo em termos dos resultados financeiros de uma coleção. Para Fisher, o efeito da inadequação das estratégias de abastecimento às características dos produtos será o aumento de custos logísticos (maiores estoques, movimentações desnecessárias e Markdown), convivendo com baixo nível de serviço (Ruptura).

MATRIZ PRODUTO-ESTRATÉGIA

Wanke (2001 – 2002) propõe uma tipologia para classificação dos fluxos de produtos em três dimensões principais: coordenação, alocação no espaço e base para acionamento no tempo. A partir delas, seria possível derivar as principais decisões relacionadas ao fluxo de produtos: empurrar/puxar, centralizar/descentralizar o estoque e produzir para estoques ou contra pedido.

A coordenação do fluxo de produtos estaria ligada ao grau de visibilidade da demanda real dentro da cadeia de suprimento e ao tempo do ciclo de ressuprimento. Um fluxo de produtos puxado seria consequência do alto grau de visibilidade da demanda ou um ciclo curto de ressuprimento, implicando na viabilidade de acionar o ressuprimento a partir de uma informação mais próxima da demanda real. Por outro lado, baixa visibilidade da demanda ou um ciclo longo de ressuprimento implicariam em um fluxo empurrado de produtos, a partir de projeções de vendas do produto como fator de acionamento.

No caso do varejo de moda, as informações de demanda real estão amplamente disponíveis para a empresa, visto que a venda para o consumidor final acontece na rede de lojas próprias. No entanto, como visto anteriormente, o ciclo de ressuprimento do produto tem prazos muito longos, implicando em uma decisão por um fluxo de produtos empurrado. A exceção seria o modelo Zara que, através de processos de identificação rápida de tendências de moda, visibilidade de vendas reais e integração vertical no supply chain, permite uma resposta mais rápida e um fluxo de produtos puxado.

Da mesma forma, um fluxo de produtos empurrado estaria ligado a itens cujo comportamento da demanda tem maior grau de imprevisibilidade, como, por exemplo, produtos com apostas maiores em conteúdos diferenciados de estilo. Isso levaria à adoção de métodos mais qualitativos de previsão de vendas. No caso contrário, produtos mais básicos se beneficiariam de um fluxo puxado de técnicas estatísticas de previsão mais robustas.

Decisões de alocação no espaço estão relacionadas ao posicionamento do estoque na cadeia de suprimento, centralização ou descentralização dos estoques. A descentralização dos estoques corresponde a uma antecipação da decisão de alocação daquele estoque no espaço, enquanto a centralização seria a postergação desta decisão, mantendo o estoque em um número limitado de pontos na cadeia. De forma simplificada, produtos com custo ou valor elevado e alto grau de obsolescência (dado pela duração do seu ciclo de vida) ou grau de perecibilidade (dado pelo prazo de validade), onde o risco de uma decisão antecipada de alocação do estoque às lojas seria mais elevado, implicariam em uma decisão de centralização dos estoques. No entanto, com a decisão pelo fluxo de produtos empurrado para as lojas pelo varejo de moda, a decisão de posicionamento de estoques está tomada, restando os instrumentos como o Markdown para resolver eventuais variações de demanda.

A base para acionamento no tempo correlaciona fatores como custo de produto vendido (CPV), grau de obsolescência e grau de perecibilidade, a estrutura de custos fixos/variáveis do processo produtivo e o grau de flexibilidade do processo de fabricação, para a decisão de produção para estoques ou contra pedido.

O esquema da Figura 4 registra macro-etapas para o desenvolvimento de uma Matriz Produto-Estratégia adequando o desenho do supply chain para clusters específicos de produtos dentro do sortimento de uma empresa de varejo de moda.

2012_04_imagem_04

Figura 4 – Macro-etapas para elaboração de Matriz Estratégia-Produto

 

O desenho das estratégias de abastecimento consiste na especificação das medidas táticas e operacionais a serem tomadas em conjunto, visando maximizar o desempenho dos produtos (impacto nos indicadores estratégicos da empresa) a ela associados.

Em termos operacionais, essas decisões podem se traduzir de diversas formas. A decisão sobre a característica do fluxo de produtos pode variar de um fluxo totalmente empurrado, um totalmente puxado, ou um fluxo misto, onde um lote inicial de abastecimento é enviado para as lojas, e lotes posteriores aguardam no fornecedor ou em um centro de distribuição para ser movimentado para as lojas de acordo com a demanda.

A empresa pode querer assumir os custos de realocação de certos estoques de produtos entre lojas de acordo com o valor do item e custos de transportes. Clusters de produtos podem ser armazenados em um CD, com parâmetros de segurança de estoques para abastecimento contínuo das lojas conforme a demanda. Em outros casos, um produto de preço premium poderia ser mantido em um centro de distribuição ou em um conjunto pequeno de lojas com maior demanda, e contar com um esquema de resposta rápida (transporte premium) para reabastecimento das demais lojas.

Uma vez que as estratégias foram desenhadas, o passo seguinte consiste em avaliar eventuais restrições à implantação das mesmas e necessidades de adequação em processos internos.

  • Impactos em fornecedores: novas formas de trabalho podem ser exigidas dos fornecedores, como, por exemplo, alterações na frequência de colocação de pedidos, diferentes tamanhos de lote de compra ou redução do lead-time de ressuprimento. Algumas dessas medidas geram aumento da complexidade operacional para os fornecedores, podendo ter impacto em custos ou necessidade de desenvolvimento de novos fornecedores.
  • Impacto em necessidade de área e layout de centros de distribuição: a adoção de estratégias com fluxos de produtos puxados ou mistos faz com que haja necessidade de adequação do tamanho dos CDs para absorver um maior volume de estoque centralizado.
  • Impacto em sistemas: necessidade de adequação de sistemas transacionais para os novos requisitos operacionais e automatização do cálculo de parâmetros da Matriz Produto-Estratégia.
  • Planejamento de demanda e estoques: novos métodos de previsão de vendas e planejamento podem implicar em gaps de sistemas e de capacitação da equipe responsável por este planejamento, bem como em parametrização de sistemas para a adequada gestão do ciclo dos produtos.
  • Novos processos operacionais: estratégias específicas de abastecimento e novos fluxos de produto (como, por exemplo, realocação de estoque entre lojas ou entrega expressa com transporte premium) podem levar à necessidade de novos processos, com impacto fiscal, em sistemas e provedores de serviços logísticos.O ponto de partida para o levantamento e tratamento de dados deve ser a hierarquia de produtos da empresa. Usualmente, esta é uma decisão mercadológica que auxilia a área de Compras/Comercial na sua estruturação interna, de acordo com o perfil dos consumidores. Entretanto, ainda que haja uma classificação qualitativa prévia dos produtos (fashion, básico, etc.), esta não deve ser considerada para fins de alocação às estratégias, uma vez que a mensuração quantitativa das características dos produtos pode indicar que os mesmos têm comportamento de demanda diferente do considerado pela empresa.

Outro ponto de atenção é o nível de agregação dos dados (veja, por exemplo, uma hierarquia de produto e seus diversos níveis de agregação na Figura 5): empresas de varejo de moda tendem a acumular um número bastante elevado e detalhado de dados sobre vendas de seus produtos, e analisá-los no nível máximo de detalhe levaria a um número de clusters impraticável para avaliação, com classificações não perenes. É desejável que os produtos sejam agrupados em um nível que, por um lado, facilite a tarefa operacional de análise (que terá de ser replicada de tempos em tempos, pois o portfólio de produtos é mutante), e ao mesmo tempo produza classificação e diferenciação relevante entre os clusters de produtos.

2012_04_imagem_05

Figura 5 – Hierarquia de produto de uma rede de varejo

 

De posse dos dados, o passo seguinte consiste em analisar e mensurar as características dos produtos. É objeto de discussão desta etapa a definição das fórmulas de cálculo de cada característica, identificando campos das bases de dados que deverão ser utilizados.

Dentre estas, destacam-se os parâmetros descritos na Figura 6.

2012_04_imagem_06

Figura 6 – Matriz de parâmetros para decisões

 

Calculados os parâmetros em cada característica, os produtos devem ser segmentados em dois conjuntos a partir da definição de um ponto de fronteira dentre os valores encontrados, gerando a classificação qualitativa que os itens devem assumir naquelas características. Por exemplo, volume classe A ou B, amplitude baixa ou alta, margem alta ou baixa, ciclo de vida curto ou longo.

2012_04_imagem_07

Figura 7 – Exemplo de Matriz Produto-Estratégia

 

Outras características podem ainda ser incorporadas na análise, de acordo com particularidades de cada empresa. Entretanto, recomenda-se que se mantenha limitado o número de drivers de análise, para facilitar a alocação dos produtos às estratégias e, posteriormente, a implementação e o entendimento das estratégias por parte das equipes operacionais. Cada driver de análise deve ser testado para avaliar se gera diferenciação significativa em relação àquelas já analisadas.

A elaboração de uma Matriz Produto-Estratégia deve buscar a simplificação, a partir de um esforço no sentido de condensar em poucas estratégias os clusters que não apresentem relevância em termos de quantidade de produtos, vendas ou margem. Uma matriz que apresente elevado número de estratégias alternativas pode aumentar significativamente o custo de planejamento e controle operacional.

Além da relevância do cluster, restrições operacionais podem concorrer para a inviabilidade de uma determinada estratégia. Por exemplo, a determinação de centralização do estoque de um cluster de produtos em fornecedores pode esbarrar na sua falta de capacidade de armazenagem. Da mesma forma, a inexistência de um serviço de transporte premium que entregue um corte significativo de lead-time de transporte para um fluxo de abastecimento pode implicar em revisão de determinada estratégia.

2012_04_imagem_08

Figura 8 – Descrição das estratégias

 

O agrupamento de estratégias em macro-estratégias pode também ser utilizado para redução de riscos no processo de implantação. Uma estratégia para um cluster pequeno pode ser implantada em um segundo momento, com maior nível de maturidade do processo, de forma a reduzir riscos inerentes à curva de aprendizado.

A validação da Matriz Produto-Estratégia também passa pela elaboração de Business Cases que detalhem os impactos das principais estratégias nos principais indicadores da empresa, o potencial de aumento de vendas pela redução da Ruptura nas lojas, ou a redução de vendas em liquidação (Markdown). Estes resultados devem ser analisados também como medida de relevância para a adoção de estratégias diferenciadas para clusters pequenos de produtos.

Após a validação da Matriz Produto-Estratégia, deve ser realizado o redesenho e avaliação de processos e parâmetros operacionais, com foco na análise de potenciais restrições e riscos. O produto final deveria ser um Roadmap para a Implantação das Estratégias de Abastecimento.

CONCLUSÃO

Partindo da premissa de que o grande sortimento de produtos presente em redes de varejo de moda pode ser agrupado em clusters que apresentam diferentes características e comportamento da demanda, o artigo sugere uma metodologia para desenvolver e implantar um conjunto de diferentes estratégias de abastecimento, mais alinhadas com as características de cada cluster de produtos. As estratégias respondem, basicamente, a questões sobre características dos fluxos de produto, técnicas de previsão de vendas, posição dos estoques na cadeia de suprimentos e produção para estoque ou para pedido.

O processo apoia as empresas na ampliação do nível de conhecimento sobre seus produtos e estabelece um Framework para decisões estratégicas em supply chain, em um momento de expansão da rede de lojas que tende a aumentar a complexidade da cadeia de suprimentos.

REFERÊNCIAS BIBLIOGRÁFICAS

FISHER, M. L. What is the Right Supply Chain for Your Product? Harvard Business Review. March-April 1997.

WANKE, P. O Impacto das Características do Produto, da Operação e da Demanda Sobre o Tipo de Organização do Fluxo de Produtos: Pesquisa de Campo em Seis Setores do Ranking Exame Melhores e Maiores. Instituto ILOS, 2002. Disponível em:
https://www.ilos.com.br/web/index.php?option=com_content&task=view&id=1164&Itemid=74&lang=pt

WANKE, P. Estratégia de Posicionamento Logístico: Conceitos, Implicações e Análise da Realidade Brasileira. Instituto ILOS, 2001. Disponível em:
https://www.ilos.com.br/web/index.php?option=com_content&task=view&id=992&Itemid=74&lang=pt

Autores: Luiz Filipe Veiga e Rodolfo Crystello

ANÁLISE DO PROCESSO DE PLANEJAMENTO DA DEMANDA E S&OP EM EMPRESAS BRASILEIRAS – PARTE 2

Na primeira parte da apresentação dos resultados da pesquisa sobre o Planejamento da Demanda e S&OP1 em Empresas Brasileiras, foi feita uma breve descrição da situação atual e dos desafios que as empresas enfrentam no atendimento de um consumidor cada vez mais exigente. As informações coletadas mostram que, apesar do aumento da complexidade do mercado brasileiro com a diversificação de produtos e acirramento da competição, muitas empresas ainda utilizam os mesmos mecanismos de planejamento do passado, ou seja, as mudanças do mercado não foram acompanhadas no mesmo ritmo pela busca de novas soluções e mecanismos de planejamento.

Merece destaque também o fato de que, apesar de confirmada a multidisciplinaridade deste importante processo, ainda existe uma forte orientação comercial nas decisões relacionadas com o atendimento da demanda, que muitas vezes não levam em consideração as capacidades de suprimento, produção e distribuição para fazê-lo. Assim, o planejamento da demanda pode representar uma grande oportunidade para integrar as diferentes áreas funcionais de uma empresa. Esse ponto será o foco deste artigo, que apresentará os resultados da pesquisa sobre as iniciativas de S&OP nas empresas brasileiras.

 

PROCESSO DE SALES & OPERATIONS PLANNING (S&OP) NO BRASIL

O processo de S&OP trata de como estruturar um planejamento único e integrado com o alinhamento dos planos comercial e de capacidade, com reuniões mensais de consenso e validação entre as áreas, e não é nenhuma novidade do ponto de vista conceitual, aparecendo em artigos e livros da área de planejamento e controle da produção há mais de duas décadas.

ilos.indd

 

ilos.indd

No entanto, apenas nos últimos cinco anos vimos o termo S&OP ser disseminado e seus princípios serem colocados em prática por um número expressivo de empresas no Brasil. Esta constatação foi corroborada em nossa pesquisa quando perguntamos diretamente sobre o uso de S&OP e quando este processo havia sido implementado pela empresa, conforme os Gráficos 1 e 2.

Como podemos observar, mais de 75% das empresas utilizam, estão implantando ou pretendem implantar o processo de S&OP, o que reforça a importância que o planejamento da demanda ganhou nos últimos anos, uma vez que o sucesso do processo passa obrigatoriamente pelo envolvimento da alta direção da empresa.

Abrindo os dados de utilização do processo de S&OP por setor da economia, conforme o Gráfico 3, podemos perceber que aqueles setores que tiveram grande crescimento nos últimos anos são os que mais fazem uso dessa iniciativa como mecanismo de planejamento. Assim, podemos supor que a necessidade de utilizar da melhor forma possível a capacidade disponível, num cenário de crescimento, foi um dos grandes impulsionadores do S&OP em nosso país.

ilos.indd

 

A parceria do Instituto ILOS com o AMR Research, um dos mais importantes institutos de pesquisa do mundo na área de operações, permitiu que replicássemos algumas perguntas de uma pesquisa semelhante conduzida em 2007 nos Estados Unidos sobre os principais desafios do processo de S&OP nas empresas. Comparando os resultados das duas pesquisas, percebemos que os desafi os listados são citados de forma mais intensa no Brasil. Além disso, conforme o Gráfico 5, vemos que, enquanto nos EUA os maiores desafios do S&OP nas empresas são lidar com equipes globais e chegar a um acordo entre as áreas, no Brasil os desafios são aumentar a rentabilidade com as decisões de S&OP e ter dados de qualidade disponíveis para a tomada de decisão.

Estes resultados são indícios da diferença de maturidade no processo, que foi adotado quase uma década antes nas empresas americanas, e do número de empresas multinacionais com sede em cada um dos países. Apesar dos enormes desafios que ainda temos pela frente para a melhoria do S&OP nas empresas brasileiras, os resultados alcançados até agora, e apresentados no Gráfico 6, são muito significativos e bastante encorajadores.

ilos.indd

ilos.indd

 

Repare-se que, além dos objetivos mais imediatos do S&OP, que são a melhoria da previsão de vendas e a redução dos estoques, a otimização do uso de ativos, melhoria do “pedido perfeito”, melhoria no lançamento de novos itens e aumento da receita foram citados como resultados alcançados por mais de 50% das empresas. A melhoria da acurácia da previsão de vendas foi, em média, de 41%, enquanto a redução média dos estoques foi de 23%.

 

CONCLUSÃO

Podemos concluir, pois, que, apesar das muitas melhorias a serem realizadas, o processo de S&OP é uma realidade como instrumento de planejamento de curto prazo nas empresas brasileiras e já apresenta resultados animadores. Infelizmente, a extensão da pesquisa foi tal que não temos como publicá-la em sua íntegra nestes dois artigos. Assim, para os interessados pela área de planejamento da demanda, a área de Inteligência de Mercado do Instituto ILOS lançou um Panorama ILOS com os resultados detalhados da pesquisa e informações adicionais, que permitem aos executivos melhorar seus processos e utilizar indicadores de desempenho que suportem o crescimento de suas empresas.

BIBLIOGRAFIA

WANKE, P.; JULIANELLI, L. Previsão de Vendas: Processos Organizacionais & Métodos Qualitativos e Quantitativos, Editora Atlas: Rio de Janeiro.

PANORAMA ILOS – Instituto de Logística e Supply Chain. Pesquisa: Análise do Processo de Planejamento da Demanda e S&OP em Empresas Brasileiras, 2010.
1Sigla em inglês para Sales and Operations Planning ou Planejamento Integrado de Vendas e Operações, em tradução livre para o português.

ANÁLISE DO PROCESSO DE PLANEJAMENTO DA DEMANDA E S&OP EM EMPRESAS BRASILEIRAS – PARTE 1

A abertura de mercado e a estabilização econômica produziram profundas transformações no mercado consumidor brasileiro nas duas últimas décadas e, consequentemente, trouxeram novos desafios para o planejamento da demanda das empresas. A proliferação de produtos e o aumento da concorrência advindos dessas mudanças fi zeram com que a complexidade do processo de atendimento da demanda aumentasse muito em nosso país, exigindo a utilização de mecanismos mais sofisticados para a previsão de vendas, planejamento de estoques, programação da produção e organização das atividades de suprimentos e distribuição.

Para avaliar o grau de maturidade do processo de planejamento da demanda em grandes empresas no Brasil, a equipe de Inteligência de Mercado do ILOS conduziu uma pesquisa entre março e maio de 2009 com 94 empresas, dentre as mil maiores listadas no ranking de faturamento da Revista Exame, buscando entender os métodos de previsão de vendas utilizados, a organização do processo, as áreas envolvidas, os principais indicadores e as ferramentas de apoio à decisão. Além disso, aproveitamos para avaliar o uso de S&OP (sigla em inglês para Sales and Operations Planning, ou Planejamento Integrado de Vendas e Operações), seus desafi os e principais benefícios.

Deste modo, neste primeiro artigo daremos foco nas análises descritivas do processo de planejamento da demanda das empresas, destacando os principais resultados encontrados. Na sequência, outro artigo abordará o processo de S&OP, desenhando um mapa de sua utilização nas grandes empresas brasileiras.

Considerações sobre a coleta de dados e amostra Em grande parte das pesquisas, as maiores dificuldades residem na estruturação do questionário, convencimento dos potenciais respondentes a participarem do estudo e análise dos dados. Nesta pesquisa sobre o planejamento da demanda, no entanto, deparamo-nos com uma dificuldade adicional: identificar o profissional da empresa mais apto a responder o questionário.

Quando fazemos uma investigação sobre transportes, o gerente de transportes é, em geral, a pessoa mais indicada para responder. Se a pesquisa for sobre custos logísticos, o gerente executivo ou diretor de Logística são os mais indicados. Nesta, entretanto, grande parte das empresas contatadas não soube direcionar o questionário internamente, o que resultou num esforço adicional de nossa equipe para compreender o processo de planejamento das empresas investigadas.

Grande parte desta dificuldade não é resultado exclusivamente do caráter multidisciplinar do planejamento, que envolve várias áreas funcionais, mas também do fato de muitas empresas terem o processo pouco estruturado, sem responsáveis claros. A consequência disso é que várias áreas cuidam de forma independente de uma parte do processo de planejamento, o que muitas vezes acarreta problemas de atendimento da demanda pelo desbalanceamento dos recursos.

No final de três meses, foram realizadas 94 entrevistas com grandes empresas de mais de 20 setores. O Gráfico 1 apresenta a distribuição das empresas pelos diferentes setores da economia analisados, destacando os segmentos com mais de três respostas.

ilos2.indd

“Cada regional tem um setor de informação de vendas e em cada setor uma pessoa fica responsável por planejar a demanda.” Estas afirmações refletem, em parte, os indicadores comerciais que levam à crença de que quanto maior o volume de vendas, melhor o resultado financeiro da empresa. Esta hipótese, no entanto, só é válida em uma empresa sem restrições de atendimento ou com capacidade ociosa.

Quando existem restrições de recursos de suprimento, produção ou distribuição, o atendimento de volumes adicionais de vendas pode significar custos adicionais que destroem valor e reduzem o resultado final da empresa.

Este viés comercial do processo de planejamento da demanda foi ratificado pela pergunta sobre quais áreas funcionais participam do processo de planejamento da demanda, cujas respostas estão apresentadas no Gráfico 2.

Se por um lado este gráfico confirma a multidisciplinaridade do processo de planejamento da demanda, por outro indica que as áreas comercial e de marketing são ainda as principais responsáveis por essa atividade nas empresas.

PROCESSO DE PLANEJAMENTO DA DEMANDA

ilos2.indd

Antes de entrar na análise das respostas da pesquisa, é fundamental lembrar que o planejamento da demanda é o processo de alinhamento entre a demanda do mercado e as capacidades de suprimento, produção e distribuição da empresa em um determinado período de tempo, o que explica a multidisciplinaridade do processo e a necessidade de envolvimento de várias áreas funcionais. Em outras palavras, significa dizer que é um processo muito mais amplo do que simplesmente fazer uma previsão estatística com base no histórico de vendas.

No entanto, alguns comentários dos entrevistados sugeriram uma visão mais comercial do processo, na qual a empresa deve tentar se ajustar à demanda do mercado sem quantificar os custos envolvidos para isso. Seguem abaixo alguns destes depoimentos:

“A empresa se ajusta de acordo com a demanda externa de pedidos, ou seja, sem pedidos não há fluxo. Sua visibilidade se baseia em uma observação do mercado sem quantificar os cenários.”

“O departamento de Marketing pega os dados de mercado, avalia o tamanho e passa para a área de Vendas.”

ilos2.indd
 ilos2.indd

 

Para verificar se as empresas que utilizam técnicas estatísticas sofisticadas de previsão de vendas conseguem obter melhores resultados, calculamos e comparamos a média do erro percentual absoluto (MAPE1) das empresas que utilizam modelos mais e menos complexos. A conclusão, apresentada no Gráfico 4, mostra que o erro da previsão de vendas chega a ser 32% menor nas empresas que utilizam modelos mais sofisticados.

Assim, parece ainda existir espaço para o uso mais intensivo de técnicas estatísticas para melhorar o desempenho da previsão de vendas, o que pode significar redução de custos de reprogramação e atendimento do cliente.

PREVISÃO DE VENDAS

Em geral, a primeira etapa do processo de alinhamento da demanda com as capacidades internas consiste na realização de uma previsão das vendas futuras, que pode ser feita com base em modelos estatísticos e/ ou no conhecimento tácito dos planejadores. Muitas vezes, sobretudo em empresas com uma orientação mais comercial, a atividade de previsão de vendas acaba se confundindo com o próprio processo de planejamento da demanda, uma vez que o número previsto serve apenas como um balizamento e as áreas de capacidade devem se adaptar aos pedidos conforme estes são colocados pelas áreas de vendas.

Assim, em um ambiente cada vez mais complexo e com o direcionamento comercial de parte das empresas, esperava-se encontrar o uso de ferramentas e modelos estatísticos sofisticados para a realização da previsão de vendas.

No entanto, o que se verificou, como pode ser observado no Gráfico 3, é que cerca de 80% das empresas utilizam apenas a experiência do planejador ou modelos quantitativos simples, como médias históricas, para realizar a previsão de vendas.

 ilos2.indd

 

INDICADORES DE DESEMPENHO

Os indicadores de desempenho utilizados para mensurar o processo de planejamento da demanda confirmam o viés comercial e a pouca estruturação da previsão de vendas, como descrito anteriormente.

O Gráfico 5 apresenta o percentual de utilização dos principais indicadores listados pelas empresas.

Pode-se perceber que os indicadores de volume de vendas e nível de estoques, medidas tipicamente comerciais e associadas ao market-share e disponibilidade, são os mais amplamente utilizados pelas empresas, com 90% e 85% de adoção respectivamente. Depois, utilizados por cerca da metade das empresas entrevistadas, aparecem indicadores financeiros, como o Ebitda construção e farmacêutico, mais da metade das empresas pesquisadas já utiliza indicadores de precisão em seus processos de planejamento da demanda.
Além disso, foi possível calcular a média do erro nos setores de bebidas (14,2%), farmacêutico/ higiene/cosméticos (23,3%) e alimentos (21%), onde se obteve um número significativo de respostas.

CONCLUSÃO

Nesta primeira parte das análises da pesquisa foram apresentados alguns resultados descritivos do processo de planejamento da demanda nas empresas brasileiras.

As informações colhidas indicam que, apesar do aumento da complexidade do mercado brasileiro, com e de processo. Por fim, com menos de 33% de adoção pelas empresas, aparecem os indicadores de acurácia da previsão de vendas, como MAPE, MPE e assertividade, e de nível de serviço logístico, como OTIF e percentual de rupturas.

Realizando uma análise setorial, percebemos que os segmentos com maior complexidade de planejamento, principalmente aqueles com grande número de produtos e competição intensa, utilizam com mais frequência indicadores para medir o nível de assertividade de seu planejamento.

O Gráfico 6 apresenta o percentual de empresas por setor que utilizam o MAPE, MPE ou outro indicador de acurácia/assertividade.

 ilos2.indd

Nos setores de bebidas, autopeças, material de a diversificação de produtos e acirramento da competição, muitas empresas ainda utilizam os mesmos mecanismos de planejamento do passado, ou seja, as mudanças do mercado não foram acompanhadas no mesmo ritmo pela busca de novas soluções e mecanismos de planejamento.

Outro ponto importante a ser destacado é que, apesar de confirmada a multidisciplinaridade deste importante processo, ainda existe uma orientação comercial muito forte no mercado quando se fala em planejamento da demanda, isto é, as áreas Comercial e de Marketing são as principais envolvidas nesta atividade, o que muitas vezes resulta em problemas de atendimento pelo não alinhamento com os planos de suprimento, produção e distribuição. Assim, o planejamento da demanda começa ser visto como uma oportunidade para integrar as diferentes áreas funcionais, mas ainda existe um longo caminho pela frente.

Esse ponto será foco do próximo artigo, que apresentará os resultados da pesquisa sobre as iniciativas de S&OP nas empresas brasileiras.
REFERÊNCIAS BIBLIOGRÁFICAS

Wanke, P.; Julianelli, L.. Previsão de Vendas: Processos Organizacionais & Métodos Qualitativos e Quantitativos, Editora Atlas: Rio de Janeiro.

ILOS – Instituto de Logística e Supply Chain. Pesquisa: Análise do Processo de Planejamento da Demanda e S&OP em Empresas Brasileiras, 2009.

SUPPLY CHAIN MANAGEMENT – OPORTUNIDADES NA GESTÃO DOS FLUXOS FINANCEIROS E DE INFORMAÇÕES

A dúvida com relação aos limites dos conceitos de Logística Integrada e Supply Chain Management tem gerado uma série de interpretações equivocadas por parte de algumas empresas e profissionais da área de operações. É usual encontrarmos o termo “supply chain management” sendo utilizado para designar atividades logísticas internas, como gestão de estoques, armazenagem e controle da frota de veículos.

É muito comum, também, profissionais procurarem cursos sobre supply chain management, muitas vezes porque esta é a nomenclatura da área na qual estão alocados, quando estão buscando na verdade soluções para problemas operacionais internos. Também nas áreas de Consultoria e Inteligência de Mercado são comuns as confusões com o uso dos termos e demandam, vez por outra, correção no escopo de projetos e revisões em questionários de pesquisa. Antes de ser um mero problema de terminologia ou estrangeirismo1, esta confusão pode levar a equívocos no estabelecimento de metas e prioridades gerenciais.

No entanto, este texto não tratará de questões semânticas ou interpretativas. Seu objetivo é analisar algumas das principais oportunidades e iniciativas que estão na pauta das empresas neste momento. O amadurecimento da área de operações em nosso país tem levado à discussão de temas complexos como Collaborative Planning, Forecasting and Replanishment (CPFR) e Coordenação de Fluxos Financeiros, entre outros, que envolvem a coordenação de múltiplos agentes da cadeia e serão aqui tratados de forma exploratória.
Considerações iniciais

Já se passaram 12 anos desde que os professores Paulo Fernando Fleury e César Lavalle publicaram o resultado de uma pesquisa sobre “O Estágio de Desenvolvimento da Organização Logística em Grandes Empresas Brasileiras”. Naquele momento, as empresas começavam a utilizar o termo “Logística Integrada” para designar suas operações de transporte e armazenagem, mas, como mostrado pelo resultado das análises, havia um longo caminho a ser percorrido até o amadurecimento do modelo proposto pelo professor Bowersox, que foi utilizado como direcionador do estudo.

Sem dúvida alguma, nesta última década as empresas brasileiras avançaram bastante na estruturação de suas atividades logísticas. Os últimos Panoramas Logísticos, publicados por nossa área de Inteligência de Mercado, mostram que, apesar de ainda existirem muitas oportunidades na área de logística em nosso país, o amadurecimento de algumas empresas, o aumento da competição e da complexidade do mercado e o imperativo de buscar eficiência operacional e redução de custos levam à discussão de iniciativas em outra fronteira na gestão empresarial: o Supply Chain Management.

Enquanto a Logística é encarada como uma função empresarial, assim como Marketing, Produção e Suprimentos, o conceito de SCM está relacionado com a integração funcional cruzada dos processos que envolvem diferentes áreas de várias empresas, abrindo um novo leque de oportunidades e desafios. Assim, compreendendo o supply chain (cadeia de suprimento) como o conjunto de fluxos financeiros, de informação e produtos entre diferentes empresas, o desafio atual dos executivos é estruturar o processo de management (gestão destes fluxos e capturar os benefícios ocultos nas interfaces.

Como iniciativas de gestão colaborativa dos fluxos de produto já foram recentemente exploradas por nossa equipe em artigos como “Transporte Colaborativo: conceituação, benefícios e práticas”, de Renata Figueiredo e Juliana Eiras, serão apresentadas a seguir algumas outras iniciativas de gestão dos fluxos de informação e financeiro que têm sido utilizadas por empresas de classe mundial.
Fluxo de Informação: planejamento colaborativo da demanda entre empresas

O fluxo de informações pode ser caracterizado pela demanda de bens e consumo que acontece entre as diferentes empresas de uma cadeia de suprimentos, sendo fundamental para o dimensionamento de recursos, pois determina a necessidade de compra de insumos, níveis de produção e políticas de distribuição. Como a demanda, além de fatores como sazonalidade e tendência, é suscetível a eventos incertos, cada empresa dimensiona um estoque de segurança para se precaver contra possíveis oscilações.

No entanto, todas as demandas de bens e serviços que acontecem entre os agentes da cadeia são originadas da demanda do consumidor final e, portanto, bastaria apenas um estoque de segurança na ponta da cadeia (em geral, o varejo) para proteger todas as demais empresas das flutuações que ocorrem no mercado. Para isso, bastaria que os agentes mais próximos dos consumidores finais repassassem as informações de demanda real para seus parceiros comerciais, resultando em reduções significativas dos níveis de estoque na cadeia.

Na prática, entretanto, existem algumas dificuldades para colocar esta idéia simples em funcionamento. Em primeiro lugar, geralmente as empresas que estão mais próximas dos consumidores finais, sobretudo o varejo, têm nos custos variáveis (aquisição de mercadorias) a principal parcela de sua estrutura de custos. Além disso, trabalham com margens apertadas, o que potencializa a necessidade de giro dos estoques para a obtenção de lucro. Assim, não é fácil convencer o varejo a ter capital na forma de estoques, quando o maior requisito para obtenção de seu lucro é o capital de giro.

Outro aspecto que dificulta o aumento da eficiência nas cadeias a partir da gestão do fluxo de informações diz respeito ao formato de relacionamento entre os parceiros comerciais. Como todas as empresas tentam maximizar seus resultados individualmente, ocorrem diversos atritos na relação entre fornecedores e clientes, que buscam no processo de negociação garantir o maior resultado possível para seus acionistas. O problema é que, ao fazer isto, as empresas colocam-se como adversárias de seus parceiros comerciais e criam barreiras para o compartilhamento das informações de demanda, que são utilizadas para aumentar o poder de barganha no processo de negociação.

Apesar das dificuldades existentes, as empresas perceberam as múltiplas oportunidades de uma gestão mais eficiente da demanda e começam a buscar alternativas para colocar em prática processos de planejamento integrado que garantam benefícios mútuos. A principal delas é o Collaborative Planning, Forecasting and Replenishment (CPFR – Planejamento, Previsão e Ressuprimento Colaborativos), que surgiu em 1995, numa iniciativa entre Wal-Mart e Warner Lambert. Atualmente, segundo o Voluntary Interindustry Commerce Solutions (VICS), cerca de 300 empresas nos EUA possuem iniciativas de CPFR, o que mostra que ainda há um longo caminho até a disseminação deste tipo de iniciativa.

O CPFR, conforme descrito por Rodrigo Arozo em seu artigo “CPFR – Planejamento Colaborativo: em busca da redução de custos e aumento do nível de serviço nas cadeias de suprimento”, é um processo estruturado de planejamento colaborativo que prevê não apenas a troca de informações da demanda, mas também a alocação conjunta de recursos para atendimento da mesma. Podemos, de forma simplificada, separar o funcionamento do CPFR em quatro partes:

  • Colaboração: base fundamental do processo que trata do estabelecimento de um contrato entre os parceiros comerciais, definindo os objetivos, métricas e indicadores de desempenho, informações compartilhadas, recursos utilizados de cada empresa envolvida e uma política de governança para solucionar possíveis divergências no decorrer do processo. Em geral, os contratos são de longo prazo, com revisões anuais;
  • Planejamento: consiste na análise temporal de eventos que possam influenciar o atendimento do mercado, tais como lançamento de novos produtos, retirada de linha, calendário de promoções, janelas de decisão e principais mudanças no processo. O horizonte de tempo considerado costuma ser o período orçamentário (um ano) e as reuniões de revisão acontecem trimestralmente;
  • Previsão: consideração e análise estatística dos históricos de vendas, calendário de promoções detalhado, ações da concorrência e precificação. Calculado para os próximos 12 meses, com foco nos três meses seguintes e revisão mensal.
  • Ressuprimento: com base nas previsões, dimensiona-se a necessidade de recursos e são geradas as ordens de ressuprimento para as próximas 12 semanas (três meses), com foco nas ordens para as primeiras quatro semanas. Nesta etapa, ocorre o acompanhamento dos indicadores de desempenho e são registrados ocorrências e eventos de exceção.
 2008_10_imagem 01
Quadro 1 – Resumo dos componentes do CPFR

Para vencer os obstáculos à troca de informações e planejamento conjunto entre empresas é preciso observar alguns pontos destacados por executivos de empresas que utilizam há algum tempo o CPFR. O primeiro deles é a necessidade de uma reestruturação organizacional para suportar o processo de colaboração e troca de informações. No processo tradicional, a comunicação formal entre as empresas é feita pela área comercial do fornecedor com a área de compras do cliente, que em geral possuem métricas de avaliação antagônicas, pois ambos devem procurar, no processo de negociação, garantir a maior margem possível para suas empresas. Isto cria atritos pessoais entre os envolvidos, que dificilmente atuarão como parceiros e colaboradores. Relacionamentos não se criam repentinamente com a assinatura de um contrato, mas com o convívio e objetivos comuns.

Para isso, as empresas envolvidas devem criar uma estrutura “pareada”, na qual áreas com interesse e métricas semelhantes possam conviver e criar laços de confiança, como, por exemplo, aproximar a área de operações do fornecedor com a área de operações do cliente, que provavelmente têm indicadores parecidos e podem facilmente encontrar sinergias em suas atividades. Em alguns casos, quando existe escala, é possível criar estruturas organizacionais dedicadas a um cliente/fornecedor específico.

Outro ponto que deve ser observado é a implantação “faseada”, isto é, como a construção de um processo colaborativo precisa de tempo para que os relacionamentos sejam construídos, a abertura de informações deve ser escalonada ao longo do tempo. No início, abrem-se informações consolidadas e são estabelecidos objetivos pouco ambiciosos de curto/médio prazos. Com isso, os primeiros benefícios são logo reconhecidos pelos participantes e são estabelecidas as primeiras relações de confiança. O segundo passo pode então ser dado, com o detalhamento da informação e o estabelecimento de novos objetivos mais ambiciosos. Após a apuração dos novos resultados, consolidação dos benefícios mútuos e aumento da confiança entre os participantes, as empresas podem fazer uma abertura ampla de informações e compartilhamento de ativos. Neste estágio, segundo a VICS, a redução de estoque chega a cerca de 30% nas empresas envolvidas e o aumento das vendas pode chegar a 20%.

Fluxo Financeiro: oportunidades na alocação de recursos na cadeia de suprimentos

Nas relações comerciais entre empresas de uma cadeia de suprimentos, os fluxos de informação e de produtos são acompanhados por fluxos financeiros, que acontecem na captação de recursos no mercado para viabilizar a produção e as operações, pagamento de juros ou no processo de compra e venda de mercadorias e serviços entre os diferentes participantes da cadeia. Como as empresas podem apresentar estruturas de custo muito diferentes, muitas vezes estes fluxos financeiros acabam subotimizados, ocultando oportunidades de ganhos na interface entre as empresas.

Para ilustrar os benefícios da gestão eficiente dos fluxos financeiros, pode-se tomar um caso bastante comum no agronegócio brasileiro: o acordo de venda da produção de frangos entre um granjeiro e uma grande indústria de alimentos2. O granjeiro consegue produzir cem mil frangos ao custo médio de R$ 3 por unidade e vendê-los ao preço médio de R$ 3,30, obtendo uma remuneração de 10% sobre o capital investido nesta produção. A indústria, por sua vez, compra os cem mil frangos pelo preço médio de R$ 3,30 e tem um custo adicional de processamento, embalagem e distribuição de R$ 2,70, totalizando um custo médio total de R$ 6 por frango. Ela consegue vender este lote ao varejo pelo preço de R$ 7,20 por unidade, o que resulta em uma remuneração de 20% sobre o capital investido.

 2008_10_imagem 02
Tabela 1 – Fluxo financeiro tradicional

Nesta relação tradicional, em que facilmente encontramos os elementos presentes na maioria das transações comerciais de outros segmentos, podem estar ocultas oportunidades significativas. Para ilustrá-las, tomemos uma relação hipotética na qual o granjeiro passa o frango a preço de custo (R$ 3) para a indústria. Se acreditarmos que R$ 7,20 é o preço justo3 unitário, a margem final unitária é R$ 1,50 (= R$ 7,20 – R$ 3,00 – R$ 2,70). Se formos remunerar os acionistas segundo as taxas exigidas anteriormente, teríamos que pagar R$ 0,30 para o granjeiro (10%) e R$ 1,14 para a indústria (20% de R$ 5,70). Repare que sobrará R$ 0,06 (= R$ 1,50 – R$ 0,30 – R$ 1,14), que é a margem da indústria (20%) sobre a margem do granjeiro (10% = R$ 0,30). Apesar de existir em todas as relações comerciais, esta margem dupla não remunera o capital dos parceiros comerciais envolvidos no processo. Como, então, as empresas podem capturar uma parte deste valor e aumentar seu lucro?

Algumas atividades na interface do relacionamento entre as empresas, como manutenção de um sistema de informação ou a distribuição física dos produtos, representam custos para o granjeiro e poderiam ser assumidas, sem diminuição na eficiência ou aumento de custos, pela indústria. Isso resultaria em diminuição da margem dupla e, consequentemente, aumento de resultado para a indústria.

Imagine que a indústria assuma a responsabilidade pela movimentação de insumos, que corresponde a um custo de R$ 0,20/unidade vendida. O custo unitário do granjeiro diminuiria para R$ 2,80 e o preço de venda com a margem de 10% esperada ficaria em R$ 3,08. A indústria, por sua vez, compraria a unidade de frango por R$ 3,08, teria um custo adicional de R$ 2,90 (= R$ 2,70 + R$ 0,20) e venderia o frango pelo preço justo de R$ 7,20. Com isso, conseguiria uma margem de 20,4%, maior, portanto, do que a margem de 20% no relacionamento tradicional descrito anteriormente.

 2008_10_imagem 03
Tabela 2 – A indústria assume parte dos custos do produtor, reduzindo a
margem dupla e aumentando seu retorno

Além disso, na maioria dos casos, existem diferenças significativas quanto ao custo de obtenção de crédito por cada agente da cadeia. Em geral, empresas maiores conseguem taxas de juros menores e, com isso, conseguem ter custos mais baixos em suas operações do que seus parceiros comerciais de menor porte. Isto, por si só, representa uma grande oportunidade de otimização dos fluxos financeiros na cadeia de suprimento.

Parte do custo de R$ 3 do granjeiro é referente aos juros pagos pelo empréstimo para compra de insumos de produção, tais como ração, água e medicamentos. Este custo é integralmente repassado para a indústria de alimentos no preço de venda do frango. Considerando R$ 0,20 como o custo dos juros pagos pelo granjeiro para a produção de cada frango, pode-se concluir que a indústria está pagando R$ 0,22 de juros por frango comprado (R$ 0,20 + 10% da remuneração do granjeiro). No entanto, a taxa de juros paga pela grande indústria para aquisição de insumos é metade da obtida pelo granjeiro, o que poderia significar uma economia de aproximadamente R$ 0,11/unidade ou R$ 11.000 (aumento de 10% no resultado da indústria).

 2008_10_imagem 04
Tabela 3 – A indústria consegue crédito para o produtor pela metade da
taxa de juros, diminuindo o custo total da cadeia e aumentando em 10% seu resultado

Para se apropriar destes benefícios, a indústria deve mudar o relacionamento com seu fornecedor, estabelecendo uma parceria de longo prazo e financiando suas atividades produtivas. Este exemplo foi utilizado porque no agronegócio, onde a diferença de tamanho entre os parceiros comerciais costuma ser muito grande, já são utilizados mecanismos para gerenciar de forma adequada os fluxos financeiros em suas cadeias de suprimentos, capitalizando parte dos ganhos descritos acima.

No Brasil, em geral, as grandes empresas de alimentos financiam seus pequenos parceiros comerciais, fornecendo todos os insumos necessários para a produção, uma vez que conseguem crédito a taxas de juros mais baixas. Depois, fazem contratos fechados para a compra de toda a produção por preços baixos, minimizando o risco de inadimplência, que faz com que os bancos cobrem taxas mais altas, e diminuindo a margem dupla da operação. Obviamente, os ganhos apresentados no exemplo acima e destacados nas tabelas 2 e 3 poderiam ser divididos com o produtor, resultando em benefícios mútuos. A divisão dos ganhos, no entanto, costuma ser proporcional ao poder de barganha dos parceiros comerciais.

Mecanismos de financiamento e contratos de longo prazo são instrumentos úteis para a gestão dos fluxos financeiros na cadeia de suprimentos, possibilitando a obtenção de ganhos substanciais. Mesmo em setores em que os parceiros comerciais são grandes empresas, existem diversas oportunidades no uso destes instrumentos para aumentar o lucro e construir relacionamentos com ganhos compartilhados.

CONCLUSÃO

Da mesma forma que, no início da década de 1990, as empresas iniciavam uma intensa busca pelo melhor desempenho de suas operações, perseguindo os benefícios propostos pelo modelo de Logística Integrada, hoje vislumbram as inúmeras possibilidades de ganhos com uma gestão integrada de processos junto com seus parceiros comerciais, que caracteriza o conceito de Supply Chain Management.

Existem inúmeras oportunidades ainda não exploradas na gestão dos fluxos de informação, de produtos e financeiros entre empresas de uma cadeia de suprimentos. As iniciativas de integração e melhoria destes fluxos representam importante passo na direção de um modelo mais amplo de Supply Chain Management. Buscou-se, através dos exemplos de práticas de gestão integrada utilizadas por grandes empresas, apresentar algumas dessas oportunidades ocultas e justificar o crescente interesse pelo tema.

BIBLIOGRAFIA

AROZO, RODRIGO. “CPFR – planejamento colaborativo: em busca da redução de custos e aumento do nível de serviço nas cadeias de suprimentos”. Revista Tecnologística, São Paulo, pp.60-66, Nov/2000.

BALLOU, R. H.. “Gerenciamento da Cadeia de Suprimentos: Planejamento, Organização e Logística Empresarial”, Editora Bookman, Porto Alegre, 2006.

BOWERSOX, D. J.; DAUGHERTY, P. J.; DRÖGE, C. L.; ROGERS, D. S.; WARDLOW, D. L.. “Logistical Excellence: it’s not business as usual”, Burlinton, MA, Digital Equipment Press, 1992.

CHOPRA, S.; MEINDL, P.. “Supply Chain Management: Strategy, Planning and Operation”, Prentice Hall, USA, 2000.

FIGUEIREDO, K. F.; ARKADER, R.. “Da distribuição física ao Supply Chain Management: o pensamento, o ensino e as necessidades de capacitação logística”. Revista Tecnologística, São Paulo, 1998.

FIGUEIREDO, R.; EIRAS, J.. “Transporte Colaborativo: conceituação, benefícios e práticas”. Revista Tecnologística, São Paulo, 2007.

FLEURY, P. F.. “Supply Chain Management: conceitos, oportunidades e desafios da implementação”. Revista Tecnologística, São Paulo, pp.24-32, Fev/1999.

FLEURY, P. F.; WANKE, P.; FIGUEIREDO, K.. F. “Logística Empresarial: A Perspectiva Brasileira”. Coleção Coppead de Administração, Editora Atlas, São Paulo, 2000.

LAMBERT, D. M.. “Supply Chain Management: Processes, Partnership, Performance”, Supply Chain Management Institute, 2001.

LAVALLE, C. R.. “O Estágio de Desenvolvimento da Organização Logística em Empresas Brasileiras: Estudo de Casos”. Orientador: Professor Paulo Fernando FLEURY, Ph.D.. Tese (Mestrado em Ciências) – Instituto Coppead de Administração – UFRJ, Rio de Janeiro, 1995.

www.cscmp.org

www.ilos.com.br

www.vics.org

1 – Estrangeirismo: uso de termos de outras línguas por conveniência, ausência de significado similar ou padronização de termos
2 – Os valores apresentados são fictícios e servem para ilustrar conceitualmente o problema
3 – O preço justo é encontrado no equilíbrio das curvas de oferta e demanda

PROBLEMAS DE JULGAMENTO E TOMADA DE DECISÃO NO ATENDIMENTO DA DEMANDA

As atividades de planejamento da demanda podem ser divididas em duas etapas: análise estatística dos dados históricos e interpretação gerencial das informações de mercado. Na primeira etapa, as informações quantitativas, sobretudo os dados históricos de vendas, são analisadas para identificação dos componentes quantificáveis da série, isto é, o nível da demanda, tendência de longo prazo, oscilações cíclicas e efeitos sazonais. No entanto, algumas informações relevantes no atendimento da demanda não são diretamente quantificáveis – promoções, lançamento de novos produtos, ações da concorrência, etc. – e, portanto, devem ser interpretadas para a correta alocação de recursos para o atendimento da demanda.

De forma geral, um especialista da área comercial, marketing ou operações é responsável por esta interpretação e pela incorporação destas informações na previsão de vendas. O sucesso desta segunda etapa do processo de planejamento da demanda tem como premissas básicas que este especialista detém amplos conhecimentos do mercado e que utilizará toda a sua racionalidade ou “bom senso” para realizar esta interpretação.

Entretanto, restrições orçamentárias e de tempo nas empresas comprometem, em parte, esse processo, pois não permitem que todas as informações necessárias sejam coletadas e analisadas para aperfeiçoar o processo decisório. Para contornar estas restrições, os planejadores utilizam inconscientemente algumas regras que simplificam o processo de interpretação das informações de mercado. Estas regras são conhecidas como heurísticas de decisão.

Apesar de sua importância prática, agilizando o processo decisório, as heurísticas levam a erros sistemáticos, previsíveis e de difícil eliminação. Quanto mais complexo for o ambiente, mais difícil é o processo de interpretação das informações e mais propenso estará o planejador a utilizar inconscientemente essas heurísticas. Ver-se-á a seguir as três principais heurísticas do julgamento probabilístico – Representatividade, Disponibilidade e Âncora e Ajustamento – e seus impactos no planejamento da demanda.

Representatividade

A heurística da representatividade é caracterizada pela busca de aspectos peculiares de um evento probabilístico que correspondam a um estereótipo. Por exemplo, planejadores prevêem a demanda de um novo produto com base na similaridade (representatividade) desse produto com outros lançados anteriormente, conforme o sucesso destes lançamentos. Em alguns casos, a utilização desta heurística pode ser um instrumento bastante útil para uma primeira aproximação. Em outros, no entanto, pode levar a erros de pré-julgamento.

Para tentar esclarecer de que forma a heurística da representatividade funciona no cérebro humano, tomem-se as seguintes seqüências de caras (K) e coroas (C) de uma moeda não-viciada:

CCCKKK
KCKCCK

Foi perguntado a grupos de alunos de programas de MBA e Aperfeiçoamento na área de Operações e Logística qual das duas seqüências é a mais provável de ocorrer e a maioria (80%) respondeu que é a segunda. A resposta correta, neste caso, é que a probabilidade de qualquer uma das seqüências ocorrer é igual. Para entender por que a maioria dos executivos respondeu que seria a segunda, é necessário analisar o processo de formação de uma seqüência de caras e coroas.

A primeira regra de formação em uma moeda não-viciada é que se espera aproximadamente 50% de caras e 50% de coroas. Quando os executivos analisaram inconscientemente esta regra, verificaram que ambas as seqüências atendem a este requisito. No entanto, a segunda regra de formação é que a ordem de caras e coroas é aleatória, o que não é reconhecido pelo cérebro na primeira seqüência e, por isso, os executivos indicaram a segunda como a mais provável de ocorrer.

Este problema de julgamento probabilístico ocorre também nos jogos de loteria. Apesar de qualquer seqüência de seis números sorteados ter a mesma probabilidade de ocorrer, poucas pessoas apostam dinheiro em seis números consecutivos, pois o cérebro humano tem dificuldades para reconhecer este tipo de seqüência como aleatória. Por estes exemplos, parece trivial identificar a falha na identificação da componente aleatória. No entanto, em uma série de vendas nem sempre é fácil identificar esta componente entre o nível da demanda, tendência de longo prazo, efeitos sazonais e oscilações cíclicas. Muitas vezes, estes elementos se confundem e dificultam a interpretação do comportamento da demanda.

As falhas na heurística da representatividade ocorrem, principalmente, por problemas com a noção intuitiva da aleatoriedade e insensibilidade ao tamanho da amostra. No planejamento da demanda, esses vieses podem ocasionar falhas na extrapolação e acompanhamento da demanda, bem como fazer com que o planejador “enxergue” tendências nas séries de vendas.

Para exemplificar essas falhas, foi proposto um exercício para um grupo de executivos da área de operações. Nele, foi apresentada uma seqüência com seis números de vendas, sem informações sobre o produto ou o mercado, referentes aos meses de maio de 2002 até outubro de 2002, conforme a Tabela 1.

2007_06_imagem 01

Solicitou-se, então, que os executivos projetassem o volume de vendas para o mês seguinte (novembro/2002) e dissessem qual era o percentual de confiança que tinham sobre aquela previsão (0% nenhuma certeza e 100% certeza absoluta). Não foi surpresa que todos os executivos tivessem colocado um número maior que o valor de outubro para as vendas de novembro, pois com os dados disponíveis podia-se imaginar uma seqüência de valores crescentes. No entanto, o fato de cerca de 80% dos executivos terem colocado mais de 50% como percentual de confiança para uma previsão feita sem conhecimento do produto ou do mercado, e com apenas seis valores, indica um excesso de confiança em uma amostra muito pequena, onde o efeito aleatório se sobrepuja aos efeitos de uma possível tendência de longo prazo.

2007_06_imagem 02

O Gráfico 1 mostra que o próximo valor da seqüência apresentada é um “vale” de demanda de óleo diesel no Paraná, que foi a seqüência utilizada no exercício. A falha na avaliação dos executivos decorre da dificuldade em reconhecer que uma série com seis números crescentes pode ser uma seqüência aleatória. É fundamental que o planejador tenha noção de que, no curto prazo, o efeito aleatório é preponderante na avaliação da variação das vendas e que efeitos de tendência somente devem ser considerados no longo prazo.

Disponibilidade

A heurística da disponibilidade caracteriza-se pela avaliação de probabilidade de um determinado evento ocorrer pela freqüência com que exemplos ou ocorrências deste evento estiverem disponíveis na memória. Um evento com forte carga emocional, vívido, tangível e/ou específico estará mais disponível na memória do que um evento subjetivo, brando e/ou de caráter não-emocional.

Por exemplo, estudos com pessoas que sofreram algum tipo de violência, como seqüestro ou assalto, indicam que, no período pós-traumático, estas pessoas passam a desenvolver mecanismos exagerados de proteção, como checar várias vezes se não estão sendo seguidas, desconfiar de todas as pessoas à sua volta e, em alguns casos, não querer sair de casa. Esta fase dura cerca de um mês (este tipo de comportamento por períodos mais longos pode caracterizar o desenvolvimento do transtorno de estresse pós-traumático). No entanto, o fato de ter sido seqüestrado ou assaltado não tem qualquer influência na possibilidade de ocorrência de um novo evento desta natureza. O fato de este tipo de evento ser intenso e emocional faz com que o cérebro superestime a probabilidade de uma nova ocorrência.

Assim, pode-se perceber que os vieses causados pela utilização da heurística da disponibilidade estão relacionados a problemas de informações vívidas e recentes, pois um fato que torna um evento mais “disponível” na memória não o torna obrigatoriamente mais provável. Nem sempre é fácil fazer a distinção do que realmente impacta a probabilidade de um evento ocorrer. O entendimento da heurística da disponibilidade é fundamental em situações de exceção no planejamento da demanda, como promoções e eventos esporádicos.

A realização de uma promoção de vendas altera, em geral, o padrão da demanda no período em que é realizada. Como se trata de um evento específico, a promoção possui um efeito intenso nas decisões de planejamento da demanda para os períodos seguintes e, principalmente, sobre promoções futuras. Uma promoção bem-sucedida, isto é, quando as vendas aumentam significativamente e os estoques são eliminados (algumas vezes ocasionando falta de produto), resulta em aumento nos níveis de estoques nos períodos subseqüentes, conforme o Gráfico 2.

 

 2007_06_imagem 03

 

Observa-se que a ruptura de estoque constitui um evento vívido para o planejador, que aumenta o nível de estoque nos períodos subseqüentes para se proteger contra possíveis faltas de produtos. Por outro lado, quando a promoção não é bem-sucedida, isto é, as vendas não atingem os patamares planejados, os estoques tendem a diminuir nos períodos seguintes, como apresentado no Gráfico 3.

 

2007_06_imagem 04

 

Assim, a informação referente a um período não-regular de vendas tem impacto significativo nas decisões de atendimento da demanda nos períodos regulares subseqüentes, bem como em futuras promoções. No primeiro caso, a falta de produtos fez com que o planejador superestimasse a probabilidade de uma ruptura nos estoques. Por outro lado, a expectativa de vendas não confirmada fez com que as decisões de ressuprimento fossem reavaliadas. É de grande importância que o planejador tenha consciência que a intensidade de um evento altera a sua percepção da real probabilidade de uma nova ocorrência do evento.

Âncora e ajustamento

Na heurística da âncora e ajustamento, o planejador faz a avaliação de um evento a partir de um valor inicial, ajustando-o com as informações disponíveis até obter uma decisão final. O valor inicial, conhecido como “âncora”, pode ser obtido por dados históricos, pela forma como o problema é apresentado ou por informações aleatórias. O problema desta heurística é que, em situações dúbias, uma informação pouco relevante pode causar um grande efeito na decisão final, caso ela venha a ser utilizada como âncora para ajustes posteriores.

Em negociações, é muito comum que o negociador experiente procure “plantar uma âncora”, isto é, um valor inicial a partir do qual se discutem os detalhes (“ajustes”) para chegar ao valor final. Isto acontece porque esses negociadores sabem que, uma vez colocada a âncora, dificilmente os ajustes de valor são suficientes. Esta técnica é muito utilizada em negociações empresariais complexas, mas também funciona bem na compra/venda de imóveis e automóveis.

Um exemplo da utilização desta heurística para julgamento probabilístico foi apresentado por Bazerman (2004), com base em estudos realizados pela Universidade de Harvard com auditores fiscais das principais empresas de auditoria dos Estados Unidos, que foram divididos em dois grupos.

Para o primeiro grupo foi perguntado: “você acredita que mais de 200 empresas dentre as mil maiores empresas americanas fraudam seus balanços?” E, em seguida, “qual a sua melhor estimativa do número de empresas, dentre as mil maiores empresas americanas, que fraudam seus balanços?” Já para o segundo grupo, as perguntas foram: “você acredita que mais de dez empresas, dentre as mil maiores empresas americanas, fraudam seus balanços?” E “qual a sua melhor estimativa do número de empresas, dentre as mil maiores empresas americanas, que fraudam seus balanços?” Pode-se observar que as perguntas são praticamente idênticas, mudando apenas o número de empresas fraudadoras (âncora) na primeira pergunta. Os resultados obtidos para a segunda pergunta estão apresentados no Quadro 1.

 

2007_06_imagem 05

 

A resposta da primeira pergunta era irrelevante para o estudo, pois o objetivo era apenas “plantar a âncora” para a segunda pergunta, na qual os auditores deveriam estimar um valor para o número de empresas fraudadoras. Apesar das premissas de que a capacidade de avaliação e o conhecimento do mercado não devem ser muito diferentes entre os dois grupos de auditores, a média das respostas para a segunda questão foi completamente diferente em cada grupo. Este resultado mostra a influência da âncora no processo de avaliação da probabilidade de um evento ocorrer.

Os vieses causados pelo uso da heurística da âncora e ajustamento são oriundos da utilização inadequada da âncora e/ou ajuste insuficiente deste valor. Quando não possuem registro das informações ou desconhecem os métodos adequados para realizar a previsão de vendas, alguns planejadores da demanda utilizam o artifício de decidir o valor futuro das vendas ajustando, com base no conhecimento tácito do mercado, o valor das vendas no mesmo período do ano ou mês anterior (âncora). Este tipo de abordagem pode ocasionar erros significativos no planejamento da demanda, uma vez que o valor passado pode ter pouca representatividade para a situação atual das vendas, como, por exemplos, em séries com tendência acentuada.

Outros vieses

Além dos vieses de análise ocasionados pelas três principais heurísticas apresentadas anteriormente, existem outros dois vieses que causam impactos significativos na etapa de interpretação das informações de mercado no processo de planejamento da demanda: a “armadilha da confirmação” e a “previsão retrospectiva”.

A “armadilha da confirmação” está relacionada com os pesos assimétricos atribuídos a evidências disponíveis para os “testes de hipóteses” que são conduzidos no processo de planejamento. Evidências que confirmam as crenças do planejador recebem, em geral, pesos maiores do que as informações que contradizem as expectativas iniciais. Isto faz com que opiniões uma vez formadas sejam extremamente resistentes a mudanças. No processo de planejamento da demanda, é fundamental, pois, buscar evidências contraditórias, ao invés de evidências confirmatórias, o que trará mais benefícios para o processo de análise.

Por sua vez, a “previsão retrospectiva”, também conhecida como hindsight, refere-se à famosa frase: “Eu já sabia”. Após a ocorrência de um evento, o planejador tende a superestimar sua capacidade preditiva, isto é, após conhecer as vendas reais de um período, o planejador passa a ver relação direta entre os diferentes eventos que levaram àquele volume de vendas e estima equivocadamente a assertividade da previsão que havia feito. Este viés reduz a capacidade do planejador aprender com o erro, fator determinante para o aprimoramento da previsão de vendas. Além disso, em processos de planejamento colaborativo, onde a opinião de todos os envolvidos é fundamental para a efetividade do processo, este viés pode gerar críticas à capacidade preditiva de alguns dos envolvidos.

Como evitar os vieses?

A eliminação completa dos vieses no planejamento da demanda é muito difícil de ser alcançada, mas é possível reduzir bastante seus efeitos. O primeiro passo é a conscientização da existência das heurísticas de julgamento e o reconhecimento de seus impactos no processo de planejamento. Bazerman (2004) sugere ainda uma série de estratégias para melhorar o processo decisório, tais como adquirir experiência e conhecimento técnico de previsão de vendas e usar modelos lineares com base no julgamento de especialistas.

Além disso, pode-se utilizar uma abordagem normativa, realizando inicialmente as análises estatísticas, incorporando as informações de mercado disponíveis e combinando, enfim, estas duas informações conforme o grau de precisão que pode ser associado a cada tipo de informação. É muito comum construir um intervalo de confiança para as análises quantitativas, mas raramente utiliza-se um intervalo para as interpretações feitas pelos planejadores. A proposta é justamente provocar uma nova reflexão na interpretação das informações de mercado.

CONCLUSÃO

Apesar de ser parte fundamental das funções gerenciais, as atividades de julgamento e tomada de decisão são, de forma geral, pouco exploradas na formação de gestores. Especificamente em planejamento da demanda, em que a interpretação das informações de mercado é fator determinante para o sucesso do processo, o conhecimento das heurísticas de julgamento probabilístico possibilita ao planejador refletir sobre as premissas para sua decisão e, com isso, minimizar o erro da previsão de demanda.

Assim, buscou-se apresentar as principais heurísticas e seus impactos no planejamento da demanda, destacando que, em maior ou menor grau, elas são utilizadas corriqueiramente para simplificar a tomada de decisão em ambientes cada vez mais complexos e com restrições orçamentárias e de tempo cada vez maiores.

BIBLIOGRAFIA

Bazerman, Max H.. Processo Decisório: para cursos de administração e economia. Elsevier Editora, Rio de Janeiro/2004, 5ª ed., 348 páginas.

Bukszar, Ed.. Does overconfidence lead to poor decisions? A Comparison of Decision Making and Judgment Under Uncertainty. Journal of Business and Management, Winter 2003, 9 (1), pp.33-43.

Gomes, Luiz Flavio A. M.; Gomes, Carlos Francisco S. e Almeida, Adiel T.. Tomada de Decisão Gerencial: Enfoque Multicritério. Editora Atlas, São Paulo/2002, 348 páginas.

Goodwin, Paul e Fildes, Robert. Judgmental Forecasts of Time Series Affected by Special Events: Does Providing a Statistical Forecast Improve Accuracy? Journal of Behavioral Decision Making, Mar. 1999, 12 (1), pp.37-53.

Heller, Robert. Os Tomadores de Decisão. Makron, McGraw Hill, São Paulo/1991, 348 páginas.

Jones, Harry e Twiss, Brian C. Previsão Tecnológica para Decisões de Planejamento. Zahar Editores, Rio de Janeiro/1986, 1ª ed., 348 páginas.

APLICAÇÃO DE SIMULAÇÃO COMO FERRAMENTA DE APOIO À ELABORAÇÃO DE UM PLANEJAMENTO ESTRATÉGICO DE CAPACIDADE

Capacidade é “o volume de saída que um sistema é capaz de atingir em um período específico de tempo” (Yang, 2001). Ao se falar de capacidade, provavelmente a primeira coisa em que se pensa seja capacidade produtiva. No entanto, capacidade é um termo muito mais amplo e abrangente. Neste artigo, abordaremos o tema com o foco em decisões de capacidade em aplicações logísticas: Quantas rampas de conferência devem ser construídas na ampliação de um centro de distribuição? Que tamanho devem ter os tanques de estocagem de produtos acabados de uma petroquímica para suportar a operação em cinco anos? Que impacto as novas tecnologias podem ter na operação futura? Essas são algumas perguntas que devem ser respondidas para a elaboração de um planejamento estratégico de capacidade.

É importante ressaltar que, muitas vezes, não é dada a devida importância para a questão de capacidade nas empresas. Assim, executivos podem se ver em situações nas quais percebem que investimentos já deveriam ter sido feitos e que não poderão atender à demanda por falta de capacidade.

A criticidade de um planejamento de capacidade aumenta em função do tempo necessário para implementar uma expansão. Se a capacidade de uma operação pode ser ampliada em poucos dias, um plano para os próximos cinco anos pode parecer desnecessário. Porém, caso os projetos exijam meses ou anos para ser executados, um planejamento estratégico de capacidade é indispensável.

Ao decidir o nível de capacidade que deve manter ao longo do tempo, uma organização deve avaliar o trade-off entre a sua falta e o seu excesso. Em um cenário de falta de capacidade, a empresa não atende por completo à demanda, podendo perder clientes pelo nível de serviço deficiente, abrindo espaço para o avanço dos concorrentes. Por outro lado, o excesso de capacidade leva à ociosidade dos recursos, incorrendo em custo de oportunidade, ou a estratégias forçadas para o aumento da demanda, como, por exemplo, a redução de preços.

Dessa forma, encontra-se um problema muito semelhante ao problema da definição de estoques de segurança de produtos. A literatura fornece algumas metodologias para a definição dos chamados colchões de capacidade, que, semelhantemente aos estoques de segurança, têm como objetivo garantir um determinado nível de atendimento, dadas as variabilidades existentes. Hayes e Wheelwright (1984), por exemplo, discorrem sobre uma metodologia para a definição desse colchão de capacidade, que deve refletir a magnitude da relação:

 2007_01_imagem 01

Na fórmula, Cs representa o custo da falta (short) e Cx representa o custo do excesso (excess). No entanto, essa abordagem apresenta algumas fragilidades. Definir esses parâmetros de forma acurada é algo de extrema dificuldade, se observarmos que custo do excesso pode, por exemplo, variar em função da quantidade de capacidade a ser instalada; e o custo de falta pode incluir componentes de difícil quantificação como, por exemplo, a margem perdida de vendas futuras por perda de clientes e os danos na imagem e reputação da organização.

Apesar disso, é importante ressaltar que a relação captura o tipo de trade-off existente, podendo ajudar no direcionamento da decisão, mesmo que o valor em si não seja utilizado matematicamente para a definição do colchão. Dependendo deste trade-off, o plano de expansão de capacidade pode ser direcionado por uma das políticas descritas a seguir.

Política A: Evitar falta

Caso o custo da falta seja superior ao custo de excesso, a organização deve tender para uma política de manter um colchão de capacidade relativamente grande e, assim, garantir uma baixa probabilidade de não atendimento da demanda. Nestes casos, deve-se, no extremo, optar pelo comportamento de expansão ilustrado no Gráfico 1.

2007_01_imagem 02

A falta de capacidade de armazenagem em um processo de produção contínua, como no setor petroquímico, pode levar à parada da planta. Neste caso, o custo da falta de capacidade é representado pela margem cessante causada pela parada, sendo claramente maior que o custo do excesso.

Política B: Seguir a previsão

Caso o custo de falta seja semelhante ao custo de excesso, o plano de expansão deve garantir que a probabilidade de ocorrência de falta de capacidade seja parecida com a de ocorrência de excesso. Assim, esta política sugere que a organização tente adequar a capacidade produtiva à previsão de demanda. O Gráfico 2 representa o comportamento da capacidade frente à demanda ao longo do tempo.

 2007_01_imagem 03

Política C: Evitar excesso

Caso o custo do excesso seja superior ao custo da falta de capacidade, a empresa deve manter um colchão “negativo”, de modo a garantir que a probabilidade de ocorrência de falta seja maior que a probabilidade do excesso. Essa política leva a uma alta taxa de utilização dos recursos, gerando, por conseqüência, um maior retorno sobre investimentos que as outras duas já apresentadas. No entanto, deve-se atentar para o fato de que a sua adoção também pode levar a uma deterioração da imagem e do posicionamento da organização no mercado. O comportamento de expansão de capacidade referente a esta política está ilustrado no gráfico 3.

 2007_01_imagem 04

No entanto, é importante frisar que o planejamento estratégico de capacidade deve estar alinhado com a estratégia de negócio da organização. Sendo extremamente difícil calcular exatamente qual o tamanho ideal do colchão de capacidade, a organização deve atentar para outros fatores estratégicos que geram e sofrem conseqüências advindas das decisões de capacidade – quando expandir, quanto expandir – ao definir o planejamento estratégico.

Uma expansão de capacidade pode ser utilizada como ativadora de demanda, fazendo com que esta cresça mais rapidamente quando comparada a um cenário sem expansão, ou como ferramenta para intimidar a concorrência, principalmente os players de menor porte. Por exemplo, um aumento nos recursos de uma empresa, de modo que esta consiga estar presente e levar seus produtos a uma certa região com um preço menor, pode estimular a demanda, o que não aconteceria se tal decisão não tivesse sido tomada.

No entanto, a capacidade de um sistema está diretamente relacionada com a quantidade e características dos recursos disponibilizados. E dificilmente a capacidade total de um sistema pode ser definida apenas por um recurso. Normalmente, é necessário um conjunto de diferentes recursos para compor a capacidade de um sistema. Assim sendo, o Planejamento Estratégico de Capacidade deve definir a quantidade de cada um dos recursos necessários ao longo do tempo a partir das suposições e previsões futuras.

Para isso, o tomador de decisão precisa entender como os recursos estão relacionados, como cada um deles pode impactar nos demais, como a quantidade e eficiência de cada um deles podem alterar a capacidade total e como o sistema reage sob certas condições que não existem hoje, mas podem se tornar realidade no futuro. Ter este embasamento para a tomada de decisão não é nada simples, uma vez que uma estratégia de capacidade é baseada em uma série de suposições e previsões de longo prazo sobre o mercado (demanda), a tecnologia e o comportamento competitivo, sendo as principais:

  1. A previsão de crescimento e estimativa da variabilidade da demanda;
  2. Eficiência, disponibilidade e custos de construção e operação dos recursos;
  3. O comportamento dos demais players e fornecedores.

Obviamente, todas essas previsões e suposições são estritamente necessárias, e por definição trazem consigo um elevado grau de incerteza que precisa ser adequadamente considerado.

AS INCERTEZAS

Lidar com incertezas de uma forma consistente em uma organização não é uma tarefa trivial. Trabalhar com valores únicos e médios neste tipo de ambiente geralmente leva a interpretações falhas e, conseqüentemente, a decisões gerenciais equivocadas. Ao mesmo tempo, considerar essas incertezas em análises e avaliações por meio de estatísticas como percentis, desvio padrão ou covariância também não é algo muito simples. No caso do Planejamento de Capacidade não é diferente. Além da demanda futura, que consiste em um dos principais dados de entrada para um estudo de capacidade, as incertezas também estão presentes em outros parâmetros, como, por exemplo, os tipos de recursos disponíveis, a eficiência desses recursos ou a disponibilidade dos mesmos.

O grau de incerteza presente é diretamente proporcional ao horizonte do planejamento, ou seja, para análises de capacidade de longo prazo, a incerteza contida nas estimativas de demanda futura é maior quando comparada à incerteza referente a previsões de demanda realizadas para alimentar análises de capacidade de curto prazo. Além disso, estimar outros fatores como o comportamento da concorrência e dos fornecedores no longo prazo é uma tarefa de extrema dificuldade.

Incorporar as incertezas presentes, ou pelo menos as principais delas, é muito importante para o planejamento de capacidade de longo prazo, uma vez que pode mudar significativamente a decisão tomada e, conseqüentemente, os investimentos necessários para a implantação do plano de expansão.

Existem alguns métodos que podem ser utilizados em um estudo de análise de capacidade, como modelagem analítica, programação estocástica e simulação. No entanto, a complexidade gerada pelas incertezas presentes em diversas variáveis interdependentes geralmente dificulta seriamente a adoção de uma metodologia analítica ou de programação para a resolução do problema. Assim, será detalhado como a simulação pode ser aplicada em um estudo de análise de capacidade.

INTRODUÇÃO À SIMULAÇÃO E APLICAÇÃO PRÁTICA

Segundo Saliby (1999), “…simulação consiste no processo de construção de um modelo que replica o funcionamento de um sistema real ou idealizado (ainda a ser construído) e na condução de experimentos computacionais com este modelo, com o objetivo de melhor entender o problema em estudo, testar diferentes alternativas para sua operação e assim propor melhores formas de operá-lo.” Essa definição deixa claro como a simulação pode ser utilizada como ferramenta para um estudo de análise de capacidade. O modelo deve representar o sistema ou sub-sistema logístico a ser estudado, considerando os relacionamentos existentes entre recursos e atividades, ficando próximo o suficiente da operação real, de modo a garantir resultados robustos e confiáveis.

Para atingir esse objetivo, é altamente recomendável seguir a metodologia diagramada na Figura 1.

2007_01_imagem 05

Etapa 1: Levantamento de informações

Nesta etapa, o analista de simulação deve obter todas as informações necessárias para o entendimento claro do sistema a ser modelado e dos objetivos que devem ser alcançados. É importante definir claramente o escopo e ter em mente quais perguntas precisam ser respondidas pelo modelo.

Etapa 2: Modelagem conceitual e de dados

Na modelagem de dados, após a coleta, estes precisam ser tratados de modo a identificar possíveis falhas e inconsistências que podem ter impacto na qualidade do resultado final – vale a máxima garbage in, garbage out. Após o tratamento, os dados devem ser utilizados de forma a definir as distribuições de probabilidade que representarão as incertezas e outros fenômenos aleatórios no modelo.

Além disso, nesta etapa também é realizada a modelagem conceitual, que consiste na definição da lógica do modelo e na sua representação para que todas as pessoas envolvidas no processo possam entendê-lo. É nesta etapa que, por exemplo, definem-se prioridades de atendimento, fluxo de materiais, recursos envolvidos e seus relacionamentos com as atividades, entre outros. Pode-se dizer que se trata da etapa mais importante do desenvolvimento de um modelo de simulação.

Etapa 3: Modelagem matemática

Nela, o modelo conceitual é convertido em um modelo computacional por meio da utilização de alguma linguagem de programação ou de algum software de simulação. É importante ressaltar que os softwares de simulação atuais permitem um alto nível de customização, utilizando interface gráfica e levando à redução do tempo de implementação do modelo. Dessa forma, dificilmente um analista de simulação precisará recorrer a uma linguagem específica de programação.

Etapa 4: Validação do modelo

Após a construção do modelo matemático computacional, este precisa ser comparado ao modelo conceitual de modo a avaliar se a lógica definida anteriormente foi fielmente implementada. Em seguida, deve-se rodar o modelo e gerar alguns resultados com o objetivo de verificar se este consiste numa representação precisa da realidade. Geralmente, isso é feito inserindo dados históricos de um determinado período e comparando o resultado do modelo com o que realmente aconteceu na operação neste período.

É importante comentar que, dependendo dos resultados obtidos, pode-se identificar a necessidade de retornar a etapas anteriores. Isso porque o modelo pode retornar resultados equivocados devido a problemas de entendimento do sistema, na modelagem conceitual, nos dados de entrada ou na implementação computacional.

Etapa 5: Análise dos resultados

Somente depois de validado pode-se utilizar o modelo para a realização dos experimentos. Nesta etapa, são realizadas diversas rodadas em função dos cenários e variações que se deseja avaliar. É importante ressaltar que a simulação por si só não responde qual seria a melhor alternativa, e sim como um sistema se comporta dada uma certa configuração. Pode-se dizer que a simulação é uma técnica what-if?, ou seja, “o que acontece se…” e não uma técnica que retorna um resultado ótimo, como a otimização. Assim, o plano de experimentos de um modelo de análise de capacidade deve ser elaborado para estudar diversos cenários de demanda, avaliar o impacto de mudanças na concorrência ou nos fornecedores, e, principalmente, verificar diferentes configurações de recursos.

Depois de construído, um modelo de simulação deve apresentar a seguinte estrutura:

  • Parâmetros de entrada
  • Lógica matemática
  • Dados de saída

Tomemos como exemplo o modelo desenvolvido pela Braskem – UNIB em conjunto com o CEL – Centro de Estudos em Logística, e apresentado no XII Fórum Internacional de Logística (2006) para apoiar a elaboração de seu Planejamento Estratégico de Capacidade. Tal modelo abrange vários subsistemas de diversos produtos acabados, o subsistema de matéria-prima e a relação desses subsistemas com portos. A Figura 2 ilustra esses subsistemas e seus relacionamentos.

 2007_01_imagem 06

Dada a complexidade do modelo completo, tomemos apenas um subsistema, o do Produto Z, representado pela Figura 3.

 2007_01_imagem 07

O subsistema ilustrado apresenta quatro grupos de entidades. O primeiro é composto pelos clientes do mercado interno que são atendidos diretamente da planta através de dutos. O segundo grupo consiste na planta da Braskem, responsável pela produção e estocagem do produto acabado. O terceiro representa o porto de Aratu, que é ligado à planta por dutovia e é utilizado para atracação e carregamento dos navios que abastecem o mercado externo e outros clientes do mercado interno via cabotagem.

A operação neste subsistema depende de um certo conjunto de recursos. Na planta existem dois tanques de armazenagem, necessários porque, naturalmente, não há sincronismo entre a produção contínua e a demanda. Os dutos são recursos de grande importância, por definirem qual a capacidade de abastecimento dos clientes 1, 2, 3 e 4 e de transferência para o porto de Aratu. O tanque do porto tem o papel de estocar o produto enquanto os navios são aguardados. Por último, os berços do porto restringem o número máximo de navios que podem ser atracados e carregados ao mesmo tempo.

Todos os recursos necessitam ser parametrizados no modelo. Os dutos devem ter suas capacidades inseridas. Os tanques da planta e do porto também devem ter suas capacidades de armazenagem definidas. Certamente, o número de berços também deve ser acrescentado. Além destes, outros parâmetros de entradas são necessários: a demanda de cada um dos clientes atendidos por dutovia; a taxa de produção da planta; a freqüência de chegada das embarcações e a taxa de carregamento das mesmas.

Alguns destes parâmetros foram modelados de forma determinística (valores únicos), como as capacidades de bombeio nos dutos, as capacidades de armazenagem nos tanques, a taxa de produção e o número de berços. Outros, por apresentarem variabilidades e incertezas, foram modelados utilizando distribuições de probabilidades, como a chegada de navios e a demanda dos clientes atendidos por dutovia.

A lógica matemática do modelo deve representar a lógica de fluxos e decisões da operação real. Essa lógica está representada pelo diagrama da Figura 4.

 2007_01_imagem 08

Conforme o diagrama sugere, pode-se considerar dois fluxos: o de navios e o de produtos. O fluxo de navios se inicia com a chegada das embarcações e o seu encaminhamento para a fila de atracação. A atracação se dá sob duas condições: disponibilidade de berço e de produto no tanque do porto. Atracado, o navio então é carregado e segue para o seu destino.

O fluxo de produto tem início na produção. Caso haja solicitação de envio para os clientes atendidos por dutovia, o bombeio é ativado e o produto é transferido para os tanques dos clientes. Caso contrário, verifica-se se há espaço para armazenagem no tanque da planta. Caso positivo, o produto é bombeado para este tanque. Se o tanque já estiver com sua capacidade 100% tomada, ocorre a parada da planta. O tanque do porto é ressuprido sempre que tenha capacidade e haja produto no tanque da planta.

Os principais dados de saída do modelo de análise de capacidade são aqueles referentes à utilização dos recursos e ao nível de serviço. No modelo exemplificado, para avaliar a utilização dos recursos foram utilizadas três estatísticas: utilização média, percentil 90 da utilização e percentual do tempo que a utilização ficou acima de 90%. A análise conjunta destas estatísticas permite concluir se um determinado recurso está sub ou super dimensionado.

Conforme mencionado anteriormente, a simulação não retorna um resultado ótimo e sim como o sistema se comporta dadas determinadas condições. Concluir que um recurso está mal dimensionado leva a uma próxima rodada do modelo, alterando os parâmetros deste recurso e analisando novamente os dados de saída. O Quadro 1 mostra alguns resultados de uma rodada do modelo.

 2007_01_imagem 09

Pode-se constatar, por exemplo, que o Tanque 1 da planta parece estar sub-dimensionado, pois, apesar de apresentar uma utilização média de 72%, o percentil 90 chega a 96% e em um quinto do tempo o nível do tanque está acima de 90% da capacidade. Nesta operação, tanques sub-dimensionados podem levar à necessidade de parada da planta e, conseqüentemente, a custos proibitivos. Esta situação ilustra bem o caso no qual o custo de falta de capacidade é maior que o custo de excesso de capacidade. Para avaliar qual será a capacidade adequada do tanque, deve-se rodar novamente o modelo algumas vezes, com diferentes valores de capacidade do tanque 1, maiores que o primeiro valor.

Além dos dados de utilização dos recursos como tanques e dutos, o estudo da utilização dos berços do porto também era de extrema importância. A disponibilidade de berços impacta diretamente na fila de embarcações no porto. Maiores filas levam a maiores tempos de atendimento e a maiores custos de demurrage (multa por atraso na atracação e liberação do navio). Assim, o modelo também foi elaborado para retornar como dados referentes à utilização do porto e à fila de navios.

Construído considerando as principais incertezas, variabilidades e interdependências da operação atual e futura, o modelo desenvolvido pela Braskem-UNIB em conjunto com o CEL permitiu o estudo de diversos cenários e o dimensionamento dos principais recursos logísticos envolvidos. Dessa forma, o Planejamento Estratégico de Capacidade foi elaborado para um horizonte de dez anos, definindo as ações a serem tomadas no tempo, assim como os investimentos necessários.

CONCLUSÃO

O processo de elaboração de um Planejamento Estratégico de Capacidade traz diversos desafios para as organizações. Um dos maiores consiste em como tratar as incertezas originadas pelas previsões e estimativas necessárias para o planejamento. O tratamento adequado destas incertezas é de extrema relevância para garantir a qualidade das decisões tomadas.

Este artigo mostra como a simulação computacional pode ser utilizada como ferramenta em um estudo de análise de capacidade. Um modelo de simulação permite que determinadas ações possam ser testadas e seus efeitos analisados sem que realmente sejam tomadas na realidade.

Apesar de o processo de construção de um modelo matemático não ser uma tarefa simples, necessitando profissionais capacitados e envolvimento de várias pessoas dentro da organização, certamente se paga pela riqueza das análises que podem ser realizadas e pelo embasamento e segurança das conclusões que alimentarão o planejamento estratégico de capacidade da empresa.

BIBLIOGRAFIA

HAYES, ROBERT H.; WHEELWRIGHT, STEVEN C. Restoring Our Competitive Edge – Competing Through Manufacturing. John Wiley & Sons, 1984.

CHWIF, LEONARDO; MEDINA, AFONSO C. Modelagem e Simulação de Eventos Discretos. Bravarte, 2006.

MIEGHEM, JAN A. VAN. Capacity Management, Investment and Hedging: Review and recent Developments. Manufacturing & Service Operations Management, Fall, 2003.

MIRHASSANI, S.A.; LUCAS, C.; MITRA G.; MESSINA, E.; POOJARI, C.A. Computational Solution of Capacity Planning Models Under Uncertainty. Parallel Computing, 2006.

YANG, Y. HELIO; HADDAD, KAMAL; CHOW, CHEE W. Capacity Planning Using Monte Carlo Simulation: An Illustrative Application of Commonly Available PC Software. Managerial Finance, 2001.

COTIAS, ALMIR; NAZARIO, PAULO. Planejamento Estratégico de Capacidade: Braskem UN Insumos Básicos. XII Fórum Internacional de Logística, Agosto 2006.

IMPACTOS DAS ABORDAGENS TOP-DOWN E BOTTOM-UP NA VARIÂNCIA DO ERRO DE PREVISÃO COM AMORTECIMENTO EXPONENCIAL SIMPLES

Este artigo tem por objetivo mensurar o impacto das abordagens Top-Down e Bottom-up na variância do erro de previsão de vendas com o método do amortecimento exponencial simples, relacionando a variância do erro às características mais comuns de uma série de vendas: coeficiente de correlação, variância das vendas e participação nas vendas agregadas.

Para isso, foram demonstradas analiticamente as expressões referentes à variância do erro de previsão para essas duas abordagens, sob diferentes condições do tempo de reposta: unitário, constante e variável. Os resultados das variâncias dos erros de previsão para as abordagens Top-Down e Bottom-up foram comparados para duas situações distintas com relação à constante de amortecimento alfa: igual e diferente entre essas abordagens.

Foi identificado que, considerando-se ou não a constante de amortecimento (alfa) entre as abordagens, são verificados dois tipos de efeitos principais que explicam o comportamento da variância dos erros de previsão de vendas em função das características mais comuns da série de vendas: Efeito Portifólio (constantes iguais) e Efeito Ancoragem (constantes diferentes). Até o presente momento esses efeitos são considerados antagônicos pela literatura de previsão de vendas.

O restante do artigo está estruturado em mais seis seções. A seção 2 é dedicada à revisão de literatura. Na seção 3 são demonstradas analiticamente as variâncias dos erros de previsão de vendas nessas duas abordagens de previsão de vendas para diferentes condições do tempo de resposta. Já nas seções 4 e 5 são analisados e discutidos os resultados encontrados, ou seja, a adequação dessas abordagens às características mais comuns de uma série de vendas. Finalmente, na seção 6 são apresentadas as conclusões e na seção 7, as referências bibliográficas.

  1. REVISÃO DE LITERATURA

A primeira parte dessa seção é dedicada à revisão das abordagens Top-Down e Bottom-Up em previsões de vendas bem como sua adequação a diferentes características das séries de vendas dos produtos ou itens; a segunda, ao método do Amortecimento Exponencial Simples e às recentes pesquisas desenvolvidas nessa área e a terceira, à determinação da variância dos erros de previsão de vendas com esse método e a necessidade de se considerar o tempo de resposta.

2.1 Abordagens Top-Down e Bottom-up

Existe grande consenso entre os autores sobre a conceituação e a operacionalização das abordagens Top-Down (TD) e Bottom-up (BU) na previsão de vendas. Por exemplo, segundo Lapide (1998), na abordagem TD a previsão de vendas é feita para a soma de todos os itens, sendo então desagregada item-a-item, geralmente com base no percentual histórico do item no total. Nesse sentido, Schwarzkopf et al. (1988) apontam que na abordagem TD primeiramente é previsto o total agregado e posteriormente é feito o rateio em itens, famílias ou regiões com base em suas proporções históricas.

Já na abordagem BU, cada um dos itens é previsto separadamente e as previsões são somadas caso seja necessária uma previsão agregada para o grupo (Lapide, 1998). Em outras palavras, na abordagem BU, o previsor primeiro prepara as previsões para cada SKU (stock keeping unit) agregando-as em seguida no nível de interesse da análise (Jain, 1995).

Apesar do consenso relacionado à conceituação e operacionalização das abordagens TD e BU, existe grande conflito entre os autores sobre sua adequação ou utilização no sentido de minimizar os erros de previsão de vendas e sua variância. Essa discussão é particularmente importante quando se observa a pesquisa desenvolvida por Mentzer e Cox (1984) em 160 empresas norte-americanas para determinar os principais fatores envolvidos na precisão da previsão de vendas. Além de fatores como treinamento formal, tipo de indústria e volume de vendas, o nível no qual as previsões de vendas são elaboradas (nível corporativo e maior agregação dos dados ou nível de produtos e maior desagregação) também interfere significativamente na precisão da previsão de vendas. De acordo com os autores, uma maior precisão na previsão de vendas está associada a um maior nível de agregação dos dados.

Diversos autores têm tentado relacionar a adequação das abordagens TD e BU a diferentes características das séries de vendas dos itens como, por exemplo, ao coeficiente de correlação das vendas entre o item em estudo e todos os itens restantes agrupados (r), à fração ou proporção do item em estudo nas vendas totais agregadas (f) e à razão entre as variâncias do item em estudo e a dos demais itens agrupados (k2).

Ainda que existam controvérsias com relação à adequação das abordagens TD e BU, uma premissa implícita em alguns dos artigos pesquisados está relacionada ao Efeito Portifólio, conceito definido inicialmente por Zinn, Levy e Bowersox (1989) – e expandido posteriormente para o tempo de resposta por Tallon (1993) e Evers (1998) – para avaliar o impacto da centralização dos estoques na variância das vendas agregadas de diferentes mercados.

De acordo com o Efeito Portifólio, a centralização dos estoques, ou seja, a agregação das vendas, minimiza a variância total quando o coeficiente de correlação das vendas entre os mercados é -1 e a variância das vendas relativa entre os mercados é 1. Em linhas gerais, o racional para a redução da variância, segundo os autores, é a compensação das flutuações das vendas entre dois mercados: quando as vendas de um mercado crescem, as vendas do outro mercado diminuem da mesma quantidade.

Um exemplo nesse sentido é o artigo de Kahn (1998), segundo o qual, na abordagem TD, os picos e vales característicos de cada item são cancelados pela agregação, constituindo uma representação artificial da verdadeira natureza do negócio. A correlação negativa entre os itens reduziria a variância das vendas agregadas. Também corroborando as principais conclusões do Efeito Portifólio, Schwarzkopf et al. (1988) apontaram que estimativas baseadas em dados agregados são mais precisas que estimativas baseadas em previsões individuais, quando os itens possuem padrões de vendas independentes (correlação nula).

No entanto, Lapide (1998) afirma que, como regra geral, a abordagem TD só faz sentido se, e somente se, os padrões de vendas de cada item são os mesmos. Em outras palavras, se todos os itens estão crescendo, decrescendo ou permanecendo estáveis, o que caracteriza correlação positiva entre as vendas dos diferentes itens. O autor prossegue afirmando que, freqüentemente, uma família de produtos é composta por itens que potencialmente se canibalizam, como no caso de uma família com produtos novos e antigos. Para esses itens, o padrão de demanda é bastante diferente, já que alguns itens crescem às custas de outros (correlação negativa), o que tornaria preferível a abordagem BU.

Gordon, Morris e Dangerfield (1998) e Gelly (1999) discorrem sobre a adequação das abordagens TD e BU a outras características das séries de vendas dos itens além do coeficiente de correlação.

Mais especificamente, Gordon, Morris e Dangerfield (1998) estudaram mais de 15.000 séries de vendas, de modo agregado e desagregado, gerando previsões a partir do método do Amortecimento Exponencial Triplo. A abordagem BU resultou em previsões mais precisas em 75% das séries, sendo os maiores ganhos de precisão obtidos para itens com forte correlação positiva e quando o mesmo representava uma grande fração da série agregada de vendas. Em contraste, quando os dados são negativamente correlacionados, a abordagem TD mostrou-se mais precisa, independentemente da participação do item na série agregada de vendas.

Finalmente, no estudo de caso apresentado por Gelly (1999), a abordagem TD mostrou-se mais adequada para item que possuem um padrão de vendas previsível ao longo do tempo, ou seja, um baixo coeficiente de variação nas vendas que poderia ser resultado de uma grande participação do item na série agregada de vendas e de uma pequena razão entre a variância da demanda do item e a dos demais itens agrupados.

Na Tabela 1 são resumidos os impactos relativos às abordagens TD e BU identificados nessa seção.

2006_07.2_imagem 01

2.2 Amortecimento Exponencial Simples

Segundo Gijbels, Pope e Wand (1999), o Amortecimento Exponencial Simples (AES) é o modelo mais comumente utilizado na previsão de séries temporais. Suas principais vantagens são relacionadas ao fato de ser um modelo não-paramétrico – ou seja, não associado a uma determinada distribuição de probabilidade – baseado em uma fórmula algébrica simples, que permite rapidamente a atualização da estimativa de nível local da série temporal através das recorrências em sua equação. O AES e suas extensões foram desenvolvidos a partir do final dos anos 50 por Brown, Winters e Holt, dentre outros autores (Chatfield, Koehler e Snyder, 2001). Dentre suas principais premissas ou limitações, cabe destacar que no AES não são consideradas eventuais tendências de crescimento ou decrescimento, flutuações sazonais e variações cíclicas.

Nos últimos vinte anos, algumas pesquisas foram empreendidas para melhor compreender e descrever o AES e suas extensões do ponto de vista estatístico. Por exemplo, Chatfield, Koehler e Snyder (2001) comparam uma variedade de potenciais modelos de Amortecimento Exponencial derivados de médias móveis auto-regressivas, modelos estruturais e espaços dinâmicos não-lineares e concluem por que o AES e suas extensões são robustos mesmo diante de mudanças na variância das séries temporais. Blackburn, Orduna e Sola (1995) mostram que o AES pode introduzir autocorrelações espúrias em series cujo componente de tendência tenha sido removido e que essas autocorrelações dependem da idade média dos dados e do valor da constante de amortecimento. Finalmente, Gibels, Pope e Wand (1999) comparam o AES com a Regressão Kernel (não-paramétrica) permitindo um melhor entendimento da equivalência e da adequação entre as duas abordagens.

Sejam Ft1 a previsão de vendas pelo AES para o item 1 no tempo t, a a constante de amortecimento, Dt1 a venda real do item 1 no tempo t, Dt a venda real agregada de todos os itens no tempo t, e f a fração ou percentual das vendas do item 1 nas vendas totais (suposta constante ao longo do tempo), então as previsões pelo AES para o item 1 nas abordagens TD e BU são dadas a seguir.

 2006_07.2_imagem 02

2.3 Variância dos Erros de Previsão e Tempo de Resposta

Diversos modelos de previsão de vendas não utilizam todos os dados históricos disponíveis. As médias móveis, por exemplo, só utilizam os n últimos dados e o AES atribui pesos declinantes nos dados passados (Silver e Peterson, 1985). Nestas circunstâncias amostrais, não são exatamente claras as estimativas mais corretas para a média e para a variância das vendas. A melhor estimativa da média de vendas é simplesmente a previsão de vendas para o próximo período. Já para estimar a variância das vendas, deve ser utilizada a variância do erro de previsão.

Segundo Silver e Peterson (1985) e Greene (1997), a variância do erro de previsão e a variância das vendas não são iguais. De acordo com esses autores, o racional associado à maior adequação da variância do erro de previsão está relacionado à utilização da previsão para estimação das vendas. O estoque de segurança, por exemplo, deveria ser dimensionado para proteger contra variações nos erros de previsão de vendas. De modo geral, a variância do erro de previsão tende a ser maior que a variância das vendas (Silver, Pyke e Peterson, 2002). Isto se deve ao erro de amostragem adicional introduzido pelos modelos de previsão ao só utilizar parte dos dados históricos disponíveis.Outra situação que deve ser considerada, conforme apontado por Harrison (1967) e Johnston e Harrison (1986) é se a previsão de vendas é congelada durante o tempo de resposta do ressuprimento (TR). Nesse caso, deve ser estimada variância do erro de previsão durante esse tempo de resposta. De acordo com Silver e Peterson (1985), a relação exata entre a variância do erro de previsão e a variância do erro de previsão no tempo de resposta depende de complicadas relações entre o padrão da demanda em questão, o procedimento para revisão das previsões e o valor de n utilizado na média móvel, ou da constante de amortecimento (veja-se, por exemplo, Harrison, 1967). Segundo os autores, uma das razões para tal complexidade é que o procedimento de recorrência no amortecimento introduz um certo grau de dependência entre os erros de previsão de períodos separados pelo tempo de resposta.

Silver e Peterson (1985) apontam que a seguinte relação empírica pode ser utilizada para estimar a variância dos erros de previsão no tempo de resposta do ressuprimento:

2006_07.2_imagem 03

onde c é um coeficiente que deve ser estimado empiricamente e V(E) é a variância do erro de previsão. Sejam Et1 o erro de previsão de vendas do item 1 no tempo t (definido como a diferença entre as vendas reais e a previsão de vendas),  F1tTR a previsão de vendas pelo AES para o item 1 atualizada no início do tempo de resposta em t – TR e SFTR1t a previsão de vendas acumulada para o item 1 no tempo de resposta TR terminado em t, então o erro de previsão de vendas do item 1 no tempo de resposta nas abordagens BU e TD (ETR1) é dado por:

2006_07.2_imagem 04
  1. VARIÂNCIA DOS ERROS DE PREVISÃO

Nesta seção são calculadas as variâncias dos erros de previsão de vendas pelo AES nas abordagens TD e BU em três circunstâncias particulares: tempo de resposta unitário, tempo de resposta constante e tempo de resposta variável (pela determinação da soma aleatória das vendas reais do item 1 no tempo de resposta e do produto da previsão de vendas do item 1 pelo AES no tempo de resposta).

3.1 Tempo de Resposta Unitário

Sejam V(Dt1) = s12 a variância das vendas reais do item 1, V(Dt) = s2 a variância das vendas agregadas de todos os itens, V(Ft1) a variância da previsão de vendas do item 1 pelo AES, então as variâncias dos erros de previsão pelo AES para o item 1 nas abordagens TD e BU, V(Et1) são dadas a seguir.

 

2006_07.2_imagem 05

sendo nas equações (12) e (16) resolvida a soma dos infinitos termos da progressão geométrica das equações (11) e (15), respectivamente, e nas equações (13) e (17) somadas as variâncias das vendas reais e da previsão de vendas pelo AES para o item 1, provadas independentes, conforme é demonstrado a seguir.

Coeficiente de Correlação entre Demanda e Previsão

Sejam rDXF o coeficiente de correlação entre a previsão de vendas pelo AES para o item 1 e as vendas reais do item 1, o valor esperado das vendas reais do item 1 e   o valor esperado da previsão de vendas pelo AES para o item 1. Então, o coeficiente de correlação entre vendas e previsão nas abordagens TD e BU é dado por:

 2006_07.2_imagem 06

3.2 Tempo de Resposta Constante

 

2006_07.2_imagem 07

 

3.3 Tempo de Resposta Variável

Foram utilizadas diferentes modelagens para a determinação da variância das vendas reais do item 1 no tempo de resposta (V(DTRt1)) e da variância da previsão de vendas do item 1 congelada no tempo de resposta (V(FTRt1)).

No primeiro caso, foi calculada a variância da soma aleatória das vendas reais no tempo de resposta, através de função geradora de momento fatorial (Zwillinger e Kokosa, 2000), supondo-se as vendas reais e o tempo de resposta independentes e com distribuição discreta. Foi corroborado o resultado apresentado anteriormente por Mentzer e Krishnan (1988), obtido para vendas reais com distribuição contínua, tempo de resposta com distribuição discreta e independência entre vendas reais e tempo de resposta. Os autores utilizaram função geradora de momento para demonstrar a conhecida relação na literatura de logística

 2006_07.2_imagem 08

representa a variância do tempo de resposta. Em sua demonstração foram necessárias transformações geométricas e de Laplace. Apesar desse resultado ser válido para qualquer combinação de distribuições de probabilidade, a demonstração que segue objetiva ilustrar a menor complexidade envolvida na demonstração por função geradora de momento fatorial.

No segundo caso, foi calculada a variância do produto das variáveis aleatórias previsão de vendas do item 1 e tempo de resposta, resultado idêntico aos apresentados por Brown (1982) e Wanke e Saliby (2005). O resultado

 2006_07.2_imagem 09

equivale a calcular a variância da previsão de vendas congelada no tempo de resposta.

Variância das Vendas Reais no Tempo de Resposta

Sejam Pd(t) e Pn(t), respectivamente, as funções geradoras de momento fatorial das variáveis aleatórias discretas demanda (D) e tempo de resposta (TR). P(t) representa a função geradora de momento fatorial da soma aleatória da demanda no tempo de resposta. Em particular, a variância da demanda no tempo de resposta (equação 28) é obtida avaliando-se a seguinte expressão para t =1: P”(t) + P’(t) – (P’(t))2 onde P’(t) e P”(t) são as derivadas primeira e Segunda de P(t) (equação 27).

2006_07.2_imagem 10

 

Coeficiente de Correlação entre Demanda e Previsão no Tempo de Resposta

Sejam rDTRxFTR o coeficiente de correlação entre a previsão de vendas para o item 1 e as vendas reais do item 1 no tempo de resposta,   o valor esperado das vendas reais do item 1 no tempo de resposta e  o valor esperado da previsão de vendas no tempo de resposta para o item 1. Então, o coeficiente de correlação entre vendas e a previsão no tempo de resposta nas abordagens TD e BU é dado por:

 

2006_07.2_imagem 11
  1. ANÁLISE DOS RESULTADOS

Nesta seção são apresentados e analisados os resultados que igualam as variâncias das abordagens TD e BU quando as constantes de amortecimento são iguais (mesmo alfa) e diferentes (possibilidade de adotar diferentes valores de alfa em cada uma das abordagens).

4.1 Constantes de Amortecimento e Iguais

Considerando k2 a razão entre a variância das vendas do item 1 e a variância das vendas de todos os demais itens agregados, ou seja,  considerando também que s2 = s12 +s22 +2ρs1s2 e igualando as equações (14) e (18), no caso do tempo de resposta unitário, (23) e (24), no caso do tempo de resposta constante e (37) e (38), no caso do tempo de resposta variável, obtém-se o valor de k que torna indiferentes as variâncias dos erros de previsão nas abordagens TD e BU.

2006_07.2_imagem 12

De acordo com os resultados, para a = 0, a variância do erro de previsão é a mesma para as abordagens TD e BU e é igual a TRs12, ou seja, não depende de a, f e k e sTR2. Para a > 0 e a £ 1 o valor de k (kcrítico) que iguala a variâncias dos erros de previsão nas abordagens TD e BU depende de f e ρ.

4.2 Constantes de Amortecimento Diferentes

Também considerando

2006_07.2_imagem 13

supondo valores diferentes da constante de amortecimento para as abordagens TD (atd) e BU (abu), igualando as equações (14) e (18), no caso do tempo de resposta unitário, (23) e (24), no caso do tempo de resposta constante e (37) e (38), no caso do tempo de resposta variável, obtém-se o valor de atd, em função de abu, f, k e ρ que torna indiferentes as variâncias dos erros de previsão nessas duas abordagens.

2006_07.2_imagem 14

 

De acordo com os resultados apresentados em (39) e (40), a escolha da abordagem de previsão de vendas independe de TR e sTR2.

  1. DISCUSSÃO DOS RESULTADOS

Nessa seção serão discutidos com maior profundidade os resultados gerados nas seções anteriores, sobretudo as equações (39) e (40). Especificamente foram geradas diferentes combinações aleatórias de f e ρ para se avaliar a resposta em termos dos valores de k na equação (39) e diferentes combinações aleatórias de abu, f, k e ρ para se avaliar a resposta em termos dos valores de atd na equação (40). Isso é necessário na medida que a não linearidade dos termos dessas equações torna difícil avaliar diretamente seu impacto marginal nas variáveis em evidência.

5.1 Constantes de Amortecimento Iguais

No Gráfico 1, construído a partir da equação (39), são apresentadas as linhas de indiferença entre as abordagens TD e BU para diferentes valores de f, k e ρ. Em essência, se k > kcrítico deve ser escolhida a abordagem TD, caso contrário, a abordagem BU. Em outras palavras, dado um par (f, ρ), se o valor de k for superior ao respectivo valor de kcrítico (dado pela equação 39) associado a esse par, deve ser escolhida a abordagem TD no amortecimento exponencial simples em detrimento da abordagem BU.

2006_07.2_imagem 15

Percebe-se pelo Gráfico 1 que, menores os valores de ρ e f, maiores as chances (área do gráfico acima da linha de indiferença) da abordagens TD minimizar a variância do erro de previsão no AES. O que explica esse resultado é o Efeito Portifólio no item 1: correlação negativa com os demais itens agregados e pequena participação percentual nas vendas totais. No entanto, para maiores valores de f e ρ, a abordagem TD ainda assim pode apresentar menor variância no erro de previsão se o valor de k for suficientemente grande. Ou seja, mesmo para itens com elevada participação no total e correlação positiva com os demais itens agregados é possível que a abordagem TD seja a melhor escolha, desde que a razão entre a variância das vendas do item em estudo e a dos demais produtos seja suficientemente grande. Parece haver um efeito compensatório ou trade-off entre valores do par (f, ρ).

Apesar da relação entre f, ρ e k poder ter sido explorada bidimensionalmente no Gráfico 1, foram geradas diferentes combinações aleatórias de f e ρ, com base em Distribuições Uniformes de Probabilidade para se avaliar a resposta em termos dos valores de k na equação (39). Para a geração dos valores de f foram observados os limites do intervalo compreendido entre 0 e 1e para os valores de ρ, entre –1 e + 1.

Os resultados das 10.000 interações foram analisados através de Regressão Logística Binomial: se para cada par (f, ρ) gerado aleatoriamente o valor de k estivesse situado entre 0 e 1, foi arbitrado que a abordagem TD seria VIÁVEL, caso contrário, INVIÁVEL; ou seja, correspondendo à situação concreta que seria um evento raro encontrar um único item com variância das vendas superior à variância das vendas agregadas dos demais itens.

Na Tabela 2 são apresentados os resultados da Regressão Logística Binomial. Dos 10.000 pares de (f, ρ) gerados aleatoriamente, 74,64% implicaram valores de k entre 0 e 1 (VIÁVEIS) e o restante, valores maiores que 1. Os sinais positivos de f e ρ denotam que maior a participação do item no agregado de vendas e maior a correlação positiva, maior a probabilidade da abordagem TD NÃO minimizar a variância do erro de previsão, sendo preferível a abordagem BU.

2006_07.2_imagem 16

 

Esses resultados, de acordo com a Tabela 3, corroboram as visões de Kahn (1998) e Gordon, Morris e Dangerfield (1998) sobre a adequação das abordagens TD e BU.

2006_07.2_imagem 17

 

5.2 Constantes de Amortecimento Diferentes

Foram geradas diferentes combinações aleatórias de f, r, abu e k com base em Distribuições Uniformes de Probabilidade para se avaliar a resposta em termos dos valores de atd na equação (40). Para a geração dos valores de f foram observados os limites do intervalo compreendido entre 0 e 1; para os valores de r, entre –1 e +1; para os valores de abu, entre 0 e 1 e para os valores de k, entre 0 e 5.

Também foram realizadas 10.000 interações, sendo seus resultados analisados através de Regressão Logística Multinomial. Se para cada conjunto de valores de f, r, abu e k o valor de atd estivesse situado entre 0 e 1, considerou-se que a abordagem TD seria VIÁVEL, caso contrário, INVIÁVEL. Na Tabela 4 são apresentados os resultados dessa análise de regressão.

2006_07.2_imagem 18

 

Dos 10.000 conjuntos de valores de f, r, abu e k gerados aleatoriamente, apenas 30,1% implicaram valores de atd entre 0 e 1 (VIÁVEIS) e o restante, valores maiores que 1. Os sinais positivos de abu e k e os sinais negativos de f e r denotam que, maiores a constante de amortecimento na abordagem BU e a razão entre a variância do item e a variância dos demais itens agrupados e menores a participação do item nas vendas agregadas e o coeficiente de correlação da série do item com a série dos demais itens agregados, maior a probabilidade da abordagem TD não minimizar a variância do erro de previsão, sendo preferível adotar a abordagem BU.

Por outro lado, quanto maiores o coeficiente de correlação e a fração do item em estudo na demanda total, e menores a razão entre as variâncias e o valor de alfa na abordagem BU, maiores as chances da abordagem TD minimizar a variância do erro de previsão. Esse resultado poderia ser conceituado como o Efeito Ancoragem, de modo análogo ao Efeito Portifólio na seção anterior. No Efeito Ancoragem, o item em questão apresenta uma grande participação na família, uma pequena incerteza e padrão de demanda semelhante, fazendo com a que a incerteza dos demais itens seja diluída ao serem agregados os dados na abordagem TD. Mais uma vez, tanto o tempo de resposta quanto o desvio-padrão do tempo de resposta não afetam a determinação da melhor abordagem.

Esses resultados, de acordo com a Tabela 5, corroboram as visões de Lapide (1998) e Gelly (1999) sobre a determinação da abordagem de previsão de vendas mais adequada.

 2006_07.2_imagem 19

 

  1. CONCLUSÃO

Ainda que não haja discordância na literatura sobre o significado e a operacionalização de previsões de vendas Top-Down e Bottom-up, existe considerável discordância quanto à adequação dessas abordagens a diferentes características de um determinado item e sua respectiva série de vendas: coeficiente de correlação com os demais itens agregados, variância relativa e participação percentual nas vendas totais.

Neste artigo demonstrou-se analiticamente a adequação das abordagens Top-Down e Bottom-up em previsões de vendas tendo como base o método do Amortecimento Exponencial Simples, um dos mais difundidos nos meios acadêmicos e empresarial. Considerou-se como critério de adequação a minimização da variância do erro de previsão de vendas e foram considerados diferentes cenários para o tempo de resposta: unitário, constante e variável.

Os resultados apontam que a média e a variância do tempo de resposta não são relevantes para determinar a abordagem de previsão de vendas mais adequada. Além disso, a possibilidade de variar a constante de amortecimento alfa entre as duas abordagens de previsão desempenha um papel fundamental para a compreensão e interpretação dos resultados gerados.

Quando se considera uma mesma constante de amortecimento e são analisadas as linhas de indiferença entre essas abordagens de previsão, verifica-se o clássico Efeito Portifólio: a abordagem Top-Down torna-se mais adequada para itens com correlação negativa, pequena participação nas vendas agregadas e elevada incerteza. Por outro lado, ao se variar a constante de amortecimento entre as abordagens, verifica-se o Efeito Ancoragem, sendo a abordagem Top-Down mais adequada para itens com correlação positiva, grande participação nas vendas agregadas e baixa incerteza. No primeiro caso (Efeito Portifólio), a variância do item em estudo é compensada pela variância agregada dos demais itens e pela correlação negativa. No segundo caso (Efeito Ancoragem), o item em estudo, por ser dominante dentro da série agregada de vendas, contribui para a diluição da variância combinada dos demais itens, gerando também um padrão mais estável de vendas.

Em resumo, os resultados encontrados conciliam as aparentemente antagônicas visões da literatura sobre a adequação das abordagens Top-Down e Bottom-up, pelo menos para o método do Amortecimento Exponencial Simples, ao identificar a possibilidade de variar a constante de amortecimento entre essas duas abordagens como seu elemento de ligação e entendimento do que acontece com as séries agregadas de vendas.

Gerentes também podem se beneficiar dos resultados já que a flexibilidade freqüentemente buscada no processo de previsão de vendas é assegurada. Os resultados apresentados nesse artigo são úteis na determinação da melhor abordagem de previsão (Top-Down ou Bottom-up) com muito menos esforço computacional envolvido.

Finalmente, os resultados apresentados são particularmente relevantes para as empresas que buscam segmentar seu processo de previsão (cf. Tabela 6).

2006_07.2_imagem 20

 

Por exemplo, itens C tipicamente apresentam menores vendas e maiores coeficientes de variação da vendas. Como regra geral, se eles são negativamente correlacionados aos itens A – maiores vendas e menores coeficiente de variação das vendas – e diferentes constantes de amortecimento são empregadas, a abordagem Bottom-up pode ser a mais adequada. Se a mesma constante de amortecimento for usada, os itens C devem observar a abordagem Top-Down.

Por outro lado, os itens A devem ser previstos individualmente (abordagem Bottom-up) se eles são positivamente correlacionados com as vendas agregadas dos itens restantes e a mesma constante de amortecimento é utilizada. Quando diferentes constantes de amortecimento são empregadas, os itens A deveriam observar a abordagem Top-Down.

  1. BIBLIOGRAFIA

BLACKBURN, K.; ORDUNA, F.; SOLA, M. Exponential smoothing and spurious correlation: a note. Applied Economic Letters, n. 2, pp. 76-79, 1995.

BROWN, R.G. Advanced service parts inventory control. Vermont: Materials Management Systems Inc., 1982.

CHATFIELD, C.; KOEHLER, A.B.; SNYDER, R.D. A new look at models for exponential smoothing. The Statistician, v. 50, n. 2, pp. 147-159, 2001.

EVERS, P.T., BEIER, F.J. Operational aspects of inventory consolidation decision making. Journal of Business Logistics, v. 19, n.1 , pp.173-189, 1998.

LAPIDE, L. A simple view of top-down versus bottom-up forecasting. The Journal of Business Forecasting, Summer, pp. 28-29, 1998.

GELLY, P. Managing bottom-up and top-down approaches: ocean spray’s experiences. The Journal of Business Forecasting, Winter, pp. 3-6, 1999.

GIJBELS, I.; POPE, A.; WAND, M.P. Understanding exponential smoothing via kernel regression. Journal of the Royal Statistician Society, v. 61, n. 1, pp. 39-50, 1999.

GORDON, T.P.; MORRIS, J.S.; DANGERFIELD, B.J. Top-down or bottom-up: which is the best approach to forecasting? The Journal of Business Forecasting, Fall, pp.13-16, 1997.

GREENE, J.H. Production and Inventory Control Handbook. 3rd Edition. New York: McGrawHill, 1997.

HARRISON, P.J. Exponential smoothing and shot-term sales forecasting. Management Science, v. 13, n. 1, pp. 821-842, 1967.

JAIN, C. How to determine the approach to forecasting. The Journal of Business Forecasting, Summer, p. 2, 1995.

JOHNSTON, F.R.; HARRISON, P.J. The variance of lead-time demand. Journal of the Operational Research Society, v.31, n. 8, pp. 303-308, 1986.

KAHN, K.B. Revisiting top-down versus bottom-up forecasting. The Journal of Business Forecasting, Summer, pp. 14-19, 1998.

MENTZER, J.T.; COX, J.E. A model of the determinants of achieved forecast accuracy. Journal of Business Logistics, v. 5, n. 2, pp. 143-155, 1984.

MENTZER, J.T.; KRISHNAN, R. The effect of the assumption of normality on inventory control/customer Service. Journal of Business Logistics, v. 6, n. 1, p. 101-120, 1988.

SCHWARZKOPF, A.B.; TERSINE, R.J.; MORRIS, J.S. Top-down versus bottom-up forecasting strategies. International Journal of Production Research, v. 26, n. 11, pp. 1833-1843, 1988.

SILVER, E.A., PETERSON, R. Decision Systems for Inventory Management and Production Planning. 2 ed, New York: Wiley&Sons, 1985.

SILVER, E., PYKE, D.; PETERSON, R. Decision Systems for Inventory Management and Production Planning and Scheduling. New York: Wiley&Sons, 2002.

TALLON, W. The impact of inventory centralization on aggregate safety stock: the variable supply lead time case, Journal of Business Logistics, v. 14, n. 1, pp.185-196, 1993.

WANKE, P., SALIBY, E. Proposta para a gestão de estoques de novos produtos: solução do modelo (q,r) para a distribuição uniforme da demanda e do lead-time de suprimento. Revista Gestão & Produção, v. 12, n. 1, pp. 1-20, 2005.

ZINN, W.; LEVY, M.; BOWERSOX, D.J. Measuring the effect of inventory centralization/decentralization. Journal of Business Logistics, v. 10, n. 1, 1989.

ZWILLINGER, D., KOKOSA, S. Standard Probability and Statistics Tables and Formulae. New York: Chapman&Hall, 2000.