PREVISÃO DE EMPLACAMENTO DE VEÍCULOS DE UMA EMPRESA

PREVISÃO DE EMPLACAMENTO DE

VEÍCULOS DE UMA EMPRESA

AUTOMOBILÍSTICA BRASILEIRA POR

MEIO DE REDES NEURAIS

ARTIFICIAIS

Isadora Andrelise Álvaro Bonfim Soares Cosme Damiã

[email protected]

Paulo Fernandes Sanches Junior

[email protected]

FELIPE DIAS PAIVA

[email protected]

Luciano dos Santos Diniz

[email protected]

O tema desse trabalho é a previsão de demanda por meio de métodos

lineares e não lineares. Assim, o principal objetivo consistiu em

realizar uma previsão de demanda da quantidade de veículos que

seriam emplacados (vendidos para o cliente final e devidamente

registrado pelos DETRANs) de uma empresa do setor automobilístico

brasileiro, no período de janeiro a agosto de 2017, através da

aplicação do método de redes neurais artificiais (RNA) e do método de

Regressão Linear Múltipla (RLM). Buscou-se utilizar das RNAs e da

RLM para comparar os resultados dos modelos com (1) a previsão

realizada pela empresa automobilística e (2) com as quantidades reais

de veículos emplacados no período, visando identificar qual método

obteve menor erro de previsão. Nessa perspectiva, o trabalho teve

como fundamentação teórica a previsão de demanda e o

gerenciamento das previsões, sucedido do modelo de regressão linear

múltipla e o modelo de redes neurais artificiais. A pesquisa foi

desenvolvida de forma descritiva e quantitativa, não-probabilística,

utilizando dados de janeiro de 2012 a dezembro de 2016, para o grupo

in-sample. Já para o grupo out-of-sample foram coletados dados de

janeiro a agosto 2017. A técnica utilizada para a coleta de dados foi

ex-post-facto, por se referir a fatos conclusos. Como técnica de análise

dos dados utilizou-se uma rede neural com arquitetura MLP

(Multilayer Perceptron) implementada a partir do algoritmo back-

propagation e, também foi empregada a regressão linear múltipla. o

método de RNAs, Concluiu-se que o método de RNA, além de

apresentar melhor resultado quando comparado com a RLM, também

mostrou-se mais preciso quando comprado com a previsão realizada

pela Empresa X. A variação total do erro absoluto das RNAs é inferior

ao erro absoluto da previsão realizada pela empresa.

XXXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “Os desafios da engenharia de produção para uma gestão inovadora da Logística e Operações”

Santos, São Paulo, Brasil, 15 a 18 de outubro de 2019.

XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”

Maceió, AL, Brasil, 16 a 19 de outubro de 2018.

2

Palavras-chave: Redes Neurais, Regressão Linear Múltipla, Previsão

de Demanda

XXXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

“Os desafios da engenharia de produção para uma gestão inovadora da Logística e Operações” Santos, São Paulo, Brasil, 15 a 18 de outubro de 2019.

1

1. Introdução

O tema desse trabalho é a previsão de demanda por meio de métodos lineares e não lineares.

Assim, o principal objetivo consistiu em realizar uma previsão de demanda da quantidade de

veículos que seriam emplacados (vendidos para o cliente final e devidamente registrado pelos

DETRANs) de uma empresa do setor automobilístico brasileiro, no período de janeiro a agosto

de 2017, através da aplicação do método de redes neurais artificiais (RNA) e do método de

Regressão Linear Múltipla (RLM). Buscou-se utilizar das RNAs e da RLM para comparar os

resultados dos modelos com (1) a previsão realizada pela empresa automobilística e (2) com as

quantidades reais de veículos emplacados no período, visando identificar qual método obteve

menor erro de previsão.

Nessa perspectiva, o trabalho teve como fundamentação teórica a previsão de demanda e o

gerenciamento das previsões, sucedido do modelo de regressão linear múltipla e o modelo de

redes neurais artificiais. A pesquisa foi desenvolvida de forma descritiva e quantitativa, não-

probabilística, utilizando dados de janeiro de 2012 a dezembro de 2016, para o grupo in-sample.

Já para o grupo out-of-sample foram coletados dados de janeiro a agosto 2017. A técnica

utilizada para a coleta de dados foi ex-post-facto, por se referir a fatos conclusos. Como técnica

de análise dos dados utilizou-se uma rede neural com arquitetura MLP (Multilayer Perceptron)

implementada a partir do algoritmo back-propagation e, também foi empregada a regressão

linear múltipla.

2. Previsão de demanda

A previsão de demanda consiste no ato de prever a quantidade de produtos ou serviços a serem

vendidos por uma organização, em um determinado período de tempo. De acordo com Ritzman

e Krajewski (2008), a previsão é a análise de eventos futuros, com objetivo de planejamento.

Ela se torna necessária, a partir do momento em que auxilia na determinação, programação e

aquisição dos recursos necessários a serem utilizados. Nesse sentido, Tubino (2000), acrescenta

que a função da previsão de demanda é fornecer subsídios para o planejamento estratégico da

organização. O autor ainda afirma que atividades como: planos de capacidade, vendas, fluxo de

caixa, estoques, mão-de-obra e compras são todos baseados na previsão de demanda. De uma

maneira mais simples Bowersox e Closs (2001) afirma que “as previsões são projeções de

valores ou quantidades que provavelmente serão produzidas, vendidas e expedidas.”.

A estimativa de vendas futuras é essencial para as empresas diante um cenário econômico cada

vez mais competitivo e incerto. O autor Lin (2000) comenta que esse processo é um dos pontos

mais importantes, uma vez que minimiza os custos da empresa e auxilia na satisfação dos



2

clientes, ajudando na redução dos riscos e na tomada de decisão. Cavalheiro (2003) afirma que

“estas informações são vitais para qualquer empresa que se preocupa com o planejamento de

suas operações”. Dessa maneira Bowersox e Closs (2001) relata que “a programação e o

controle da produção e o planejamento das capacidades das instalações exigem previsões

precisas.”

Ragsdale (2009) afirma que analisar qual a melhor ferramenta a ser aplicada é imprescindível

para se conseguir melhores resultados. Existem vários tipos de classificação para a previsão de

demanda. O autor Tubino (2000) classifica em dois tipos os conjuntos de métodos: métodos

qualitativos e quantitativos. Os métodos qualitativos são os que privilegiam dados subjetivos,

os quais são difíceis de representar numericamente. Já os métodos quantitativos envolvem

análise numérica de dados já ocorridos, desconsiderando opiniões pessoais. Dentre esses

últimos, os métodos mais difundidos de previsão de demanda quantitativos de séries temporais,

modelos causais e de inteligência computacional são: Média móvel, Suavização exponencial,

Box-Jenkins, Regressão linear, Métodos econométricos, Redes neurais artificiais e Métodos

baseados em Lógica Fuzzy.

2.1. Gerenciamento das previsões

No desenvolvimento do processo de previsão de demanda é essencial que ocorra sinergia entre

os departamentos, onde cada unidade organizacional deve trabalhar em conjunto para alcançar

um objetivo maior, independente das diferenças pessoais. Segundo Bowersox e Closs (2001)

“o gerenciamento de previsões inclui aspectos organizacionais, motivacionais, pessoais, de

procedimentos e também a integração desses aspectos com outras funções da empresa”. Nesse

sentido, Corrêa e Corrêa (2011) comentam que a “previsão, principalmente de demanda, é, em

geral um dos assuntos mais controversos dentro das organizações e um dos que mais suscitam

polêmica entre setores”. Se as relações ou dependências entre as variáveis do sistema de

previsão são lineares, tem-se que, a análise destas através de medidas de relações lineares, como

critérios de informação ou coeficiente de correlação serão suficientes (Sharma, 2000). Porém,

se o sistema envolve relações não-lineares, como acontece na maioria dos problemas reais, uma

aproximação linear pode fornecer como resultado um modelo pouco eficiente e por isso, faz-se

necessário a utilização de medidas que considerem estas características na escolha das

variáveis, para definir os estados associados, ou pelo menos, a maior parte destes.

2.2. Regressão Linear Múltipla

A regressão linear múltipla é o estudo da relação entre diversas variáveis. Segundo Devore

(2011, p.433) “A análise de regressão é a parte da estatística que investiga a relação entre duas



3

ou mais variáveis de maneira não-determinística”. Os autores Bryman e Cramer (2003) afirmam

que o processo de regressão linear consiste em um poderoso instrumento para fazer previsões

acerca dos valores da variável independente.

“Temos uma regressão linear múltipla quando admitimos que o valor da variável dependente

seja a função linear de duas ou mais variáveis explanatórias” (HOFFMANN, 2006, p.120). De

acordo com Devore (2011, p.511) o objetivo da regressão linear múltipla é “elaborar um modelo

probabilístico que relacione uma variável dependente Y a mais de uma variável independente

ou de previsão.” Nesse sentido Devore (2011), define o modelo como:

A equação do modelo de regressão linear múltipla aditivo geral é Y=〖β_0 + β〗_1+

β_1 x_1+ β_2 x_2+⋯+β_k x_k+ϵ. Onde E (ϵ) = 0 e V(ϵ) = σ^2. Além disso, para

testar hipóteses e calcular ICs ou IPs, supõe-se que ϵ seja normalmente distribuído.

Sejam, x_1^*,x_2^*,…,x_k^* os valores particulares de x_1, …, x_k.

μ_y.x_1^*,…,x_k^*= β_0+ β_1 x_1^*+ …+β_k x_k^* . Logo, assim como β_0+β_1

x descreve o valor de Y médio como uma função de X na regressão linear simples, a

função de regressão real (ou populacional) β_0+ β_1 x_1+⋯+β_k x_k fornece o valor

de Y como uma função de x_1,…,x_k. Os β_1 S são os coeficientes de regressão reais

(ou populacionais). O coeficiente de regressão β é interpretado como uma mudança

esperada de Y associada com um aumento de uma unidade em x_1, enquanto

x_2,…,x_k são mantidos fixos. Interpretações análogas valem para β_2,…,β_k.

(DEVORE, 2011, p.511)

O método de regressão linear múltipla pode ser aplicado em diversas áreas. Isso pode ser visto

quando Abbad e Torres (2002) comentam que as pesquisas na área de psicologia organizacional

vêm trabalhando com o modelo para analisar relações complexas nas organizações. Embora, a

principal aplicação do método seja “produzir valores para a variável dependente quando se têm

as variáveis independentes (cálculo dos valores preditos)” (SASSI et al., 2011).

2.3. Redes Neurais

Os métodos de Redes Neurais Artificiais (RNAs) são modelos que assemelham-se à mesma

forma de aprendizado de um cérebro humano. “As redes neurais artificiais ou simplesmente

redes neurais, são modelos que vêm sendo desenvolvidos nos últimos anos, e que têm como

metáfora o funcionamento do cérebro humano com suas redes neurais biológicas.”

(VALENÇA, 2009). As Redes Neurais Artificiais são sistemas computacionais que imitam as

habilidades do sistema nervoso biológico, usando um grande número de neurônios artificiais

interconectados.

2.3.1. Aprendizado

Uma das principais características das RNAs é a capacidade de aprendizado. O conhecimento

aqui é adquirido através de ajustes de intensidade das conexões entre os neurônios. Valença

(2009) explica essa forma de aprendizado em:

Dentre as importantes características de similaridade destas redes com o cérebro

humano, está à capacidade de aprender. Portanto, essas redes neurais artificiais



4

possuem alguma forma de regra de aprendizagem que são responsáveis pela

modificação dos pesos sinápticos, em função dos exemplos de entrada que são

repetidamente apresentados. (VALENÇA, 2009)

O processo de aprendizado está diretamente relacionado com a melhoria do desempenho da

rede segundo algum critério estabelecido. Segundo Braga, Carvalho e Ludemir (2016) “Há

vários algoritmos diferentes para treinamento de redes neurais, podendo o mesmo ser agrupado

em dois paradigmas principais: aprendizado supervisionado e aprendizado não

supervisionado.” Nessa situação, Valença (2009) define o aprendizado supervisionado como

aprendizado: “[...] feito com o conhecimento prévio do resultado desejado, ou seja, são

fornecidos para a rede, o conjunto de exemplos de entradas e respectivas respostas. Já o

aprendizado não-supervisionado: a rede aprende com os próprios dados de entrada. ”

2.3.2. Perceptron

O perceptron segundo Valença (2009) é “o modelo mais simples de Rede Neural, no qual várias

unidades de processamento estão conectadas unicamente a uma unidade de saída, através dos

pesos sinápticos”. Nesse sentido, Braga, Carvalho e Ludemir (2016) lembram que o modelo

linear, corresponde ao modelo clássico de MCP (McCulloch e Pitts), conhecido como modelo

linear ou perceptron simples de RNAs, tem capacidade computacional limitada a função

linearmente separáveis. Esse, possui n terminais de entrada (dendritos) que recebe os valores

x1,x2,x3...,xn (que representam ativações dos neurônios anteriores) e apenas um terminal de

saída y (representando o axônio). Para representar o comportamento das sinapses, os terminais

de entrada do neurônio tem pesos acoplados w1,w2,...,wn, cujos valores podem ser positivos

ou negativos, dependendo das sinapses correspondentes serem inibitórias ou excitatórias. Uma

descrição do modelo está representada na Figura. 1.

FIGURA 1 – Neurônio de McCulloch e Pitts, representação de um neurônio artificial.

Fonte: BRAGA; CARVALHO e LUDEMIR, 2016, p.8



5

2.3.3. O algoritimo de aprendizado do percpetron

O perceptron assim como os demais modelos de RNAs, necessitam de uma regra de

aprendizado. “Uma RNA é composta por um conjunto de neurônios, com capacidade de

processamento local, uma topologia que define a forma como estes neurônios estão conectados

e uma regra de aprendizado”. (BRAGA; CARVALHO; LUDEMIR, 2016). De uma forma

geral, esse modelo de RNA possui uma regra de aprendizado, que permite a adaptação dos seus

pesos de forma que a rede execute uma determinada tarefa, Valença (2009) explica tal fato em:

Treinar uma RNA consiste em ajustar os pesos através de uma regra de aprendizagem

até que esta forneça respostas satisfatórios ao problema analisado. Para realizar o

treinamento do perceptron faz-se necessário um conjunto de exemplos com os valores

das entradas e suas respectivas saídas (valores desejados). Logo, o aprendizado do

perceptron é dito supervisionado também chamado de aprendizado com o professor,

pois são apresentados à rede os exemplos de entrada e suas respectivas saídas. O

treinamento supervisionado é aquele que utiliza um conjunto de exemplos, de tal

maneira que para cada exemplo de entrada é fornecido um exemplo de saída desejado.

Esse processo é continuamente repetido para todo o conjunto de exemplo, até que o

erro esteja dentro de um valor considerado satisfatório. (VALENÇA, 2009)

O algoritmo de treinamento do perceptron sempre chega, em um tempo finito, a uma solução

para o problema de separação e duas classes linearmente separáveis. A expressão para a regra

de atualização dos pesos, pode ser escrita como a equação geral para atualização dos pesos de

um neurônio de um perceptron simples, que se dá por w (n+1) = w(n)+ἠex (n). (BRAGA;

CARVALHO; LUDEMIR, 2016)

2.3.4. Redes Perceptron de múltiplas camadas

O perceptron de múltiplas camadas é composta por neurônios com funções de ativação

sigmoidais nas camadas intermediárias. (BRAGA; CARVALHO; LUDEMIR, 2016). Segundo

Valença (2009) “o perceptron de múltiplas camadas (MLP) é uma generalização da rede

perceptron simples pela adição de pelo menos uma camada intermediária (também conhecida

como camada escondida)”. “As múltiplas camadas têm a função de transformar o ”problema”

(como calcular ou estimar o erro das camadas intermediárias), em uma representação tratável

para a camada de saída de rede.” (BRAGA, CARVALHO; LUDEMIR, 2016).



6

FIGURA 2 - Arquitetura de uma rede MLP com duas camadas ocultas

Fonte: ALMEIDA, 2014, p. 25

Segundo Valença (2009) as redes MLP tradicionais apresentam as seguintes características

principais:

Uma camada de entrada (onde cada neurônio representa uma variável considerada

como entrada para o problema). Ao menos uma camada intermediaria. É a camada

responsável pela não linearidade da rede e que permite que as redes MLP sejam

capazes de resolver problemas reais (funções não linearmente separáveis). Os

neurônios desta camada possuem em geral uma função de ativação sigmoidal que

pode ser a logística ou a tangente hiperbólica. Uma camada de saída. Esta camada é

responsável pela resposta da rede e representa a variável desejada (em geral a variável

que se quer prever ou classificar). Os neurônios também possuem uma função de

ativação normalmente sigmoidal (logística, tangente hiperbólica) ou uma simples

função linear. (VALENÇA, 2009).

Nesse sentido, Braga, Carvalho e Ludemir (2016) afirmam que “o algoritmo de treinamento de

redes MLP mais popular é o back-propagation que, por ser supervisionado, utiliza pares de

entrada e saída (x,y_d) para, por meio de um mecanismo de correção de erros ajustar o peso

da rede.

3. Resultados da Aplicação da Regressão Linear Múltipla

A priori as variáveis utilizadas no primeiro modelo de previsão foram triadas por meio do

coeficiente de correlação entre elas, com o intuito de evitar o efeito de multicolinearidade.

Nessa etapa, foram descartadas variáveis que apresentavam coeficientes com o valor de módulo

de |0.7|. Além disso, para evitar qualquer possibilidade do efeito, também calculou-se por meio

do software SPSS, as estatísticas de colinearidade, como podemos ver abaixo:



7

TABELA 01 - Análise de Multicolinearidade

Modelo Estatísticas de colinearidade

Tolerância

Comerciais Leves 0,539

Taxa de Crescimento do PIB 0,385

Inflação – IPCA 0,66

Nível de confiança dos empresários 0,271

Preço da gasolina comum 0,306

Vendas no varejo 0,739

Produção manufatura 0,367

Produção industrial 0,436

Variação de estoque 0,696

Gastos públicos 0,393

Crescimento dos empréstimos 0,456

Fonte: Elaborado pela autora (2017)

Mais uma vez, a possibilidade de ocorrer o efeito de multicolinearidade é descartada, pois todos

os índices de tolerância são maiores que 0.1. É importante ressaltar que nesse modelo as

defasagens utilizadas anteriormente, também foram consideradas.

Com o intuito de confirmar a normalidade dos resíduos e consequentemente a relevância da

regressão, elaborou-se um histograma, no programa estatístico SPSS, apurando então que os

resíduos das variáveis consideradas, apesar de não se caracterizarem como uma distribuição

perfeita, obedecem uma distribuição normal Gáfico.01.

Gráfico 01 – Regressão resíduos padronizada


Ainda com o objetivo de averiguar a relevância da regressão, foram realizados mais dois testes.

O primeiro, de Durbin-Watson, obtendo-se 1.625, confirmando a presença de independência



8

nos resíduos da regressão e sua relevância. E o segundo, o teste de homocedasticidade,

verificando-se que não se trata de uma relação linear (Gáfico.02).

Gráfico 02 – Regressão valor predito padronizado


Para a previsão referente ao período de janeiro/2017 a agosto/2017, foram utilizadas as

seguintes variáveis: comerciais leves; taxa de crescimento do PIB; inflação - IPCA; nível de

confiança dos empresários; preço da gasolina comum; vendas no varejo; produção manufatura;

produção industrial; variação de estoque; gastos públicos; crescimento dos empréstimos.

Nesse processo, obteve-se um R-quadrado ajustado de 0,805, com a seguinte intercessão e seus

coeficientes da reta:

Tabela 02 - Coeficientes RLM

Variáveis Coeficientes

Interseção 131809,2969

Comerciais leves 0,029714675

Taxa de crescimento do PIB 2214,248619

Inflação – IPCA -118,0130839

Nível de confiança dos empresar. 256,8595379

Preço da gasolina comum -30372,64277

Vendas no varejo 590,7647858

Produção manufatura -157,1989432

Produção industrial -259,5082358

Variação de estoque 0,010882202

Gastos públicos -0,163832202

Crescimento dos empréstimos 720,5521632


Na tabela abaixo é possível visualizar o resultado da simulação referente ao período descrito: Tabela 03 - Previsão RLM

JANEIRO FEVEREIRO MARÇO ABRIL MAIO JUNHO JULHO AGOSTO

17.560 10.485 16.586 20.810 20.763 24.245 20.369 20.043


-3

-2

-1

0

1

2

3

4

-2,5 -2 -1,5 -1 -0,5 0 0,5 1 1,5 2

Reg

ress

ão R

esíd

uo

s

pad

roniz

ado

s

Regressão Valor predito padronizado



9

3.1. Previsão da Regressão Linear Múltipla x Realizado x Previsão Empresa X

Ao analisar a previsão por RLM juntamente com o “realizado” e a “previsão da empresa X”,

nota-se rapidamente a grande variação que a RLM possui diante as demais. No início, a previsão

apontava erro médio de variação de aproximadamente 5.550 automóveis, mantendo-se esse

mesmo valor até março, deste mês em diante a média do erro teve crescimento constante,

chegando ao mês de agosto com média em torno de 31.995 automóveis. No gráfico abaixo,

visualiza-se melhor tal situação:

Gráfico 04 – RLM x Realizado x Empresa X


É perceptível as deficiências do método de regressão linear múltipla, para descrever a relação

indireta existente entre as variáveis. Identifica-se que as variações da variável dependente não

são explicadas pelas variações das variáveis independentes.

4. Redes neurais artificiais – RNAs

Ao todo foram realizadas 110 mil simulações. Para melhor descrever essas tentativas, é

apresentado abaixo uma estatística descritiva do erro absoluto dos dados, referente ao período

de previsão, janeiro/2017 até agosto/2017.

Os parâmetros para as 110 mil simulações foram:

• alpha = 0.001;

• hidden_layer_sizes = gera uma variável randômica por meio de sorteio, para definir a

quantidade de neurônios na primeira camada oculta, podendo variar de 10 a 59. Em

seguida, é gerado uma nova variável randômica, para segunda camada oculta,

condicionada a ser menor do que a anterior;

17.560

28.044

44.630

65.440

86.203

110.448

130.817

150.860

11.511

22.630 36.340

47.354

62.968

80.20595.116

113.415

12.752

25.907

40.136

53.322

69.079

85.804

103.847

124.314

0

20.000

40.000

60.000

80.000

100.000

120.000

140.000

160.000

JAN FEV MAR ABR MAI JUN JUL AGO

PREVISÃO

REALIZADO

EMPRESA X



10

• solver= 'adam';

• max_iter = 5000;

• activation = gera uma variável randômica por meio de sorteio, para definir qual será a

função de ativação da camada oculta. Podendo ser identity, logistic, tanh ou relu;

• verbose = 'True';

• learning_rate = gera uma variável randômica por meio de sorteio, para definir qual será

a taxa de aprendizado para atualizações de peso. Podendo ser constant, invscaling ou

adaptive.

Dentre essas simulações de todo o grupo, “out-of-sample”, destaca-se a de número 18.457 a

qual teve uma das menores taxas de erro absoluto: 9.494 automóveis, referente ao período de

janeiro a agosto de 2017. As variáveis de entrada utilizadas nessa simulação em especifico são:

crédito ao setor privado, vendas no varejo, licenciamento total de automóveis, produção de

veículos comerciais leves, vendas de veículos do tipo comerciais leves (até 1.0), capacidade de

utilização, número de emplacamentos comerciais leves, data, vendas de veículos comerciais

leves (acima de 2.0), gastos públicos, venda de automóveis (até 1.0) e taxa de empréstimo

bancário.

Quanto as configurações processadas pela interação 18.457 vale esclarecer os seguintes

parâmetros: primeiro o “activation” utilizou-se a função “tanh” para ativação da camada oculta;

segundo “learning_rate” empregou-se a função “invscaling”, como taxa de aprendizado para

atualização dos pesos; terceiro “hidden_layer_sizes” usou-se para a primeira camada 20

neurônios e para a segunda camada 18 neurônios e, por fim os demais parâmetros

permaneceram constantes.

Na tabela abaixo é possível visualizar o resultado da simulação referente ao período descrito:

Tabela 05 - Previsão RNA

JANEIRO FEVEREIRO MARÇO ABRIL MAIO JUNHO JULHO AGOSTO

13.123 11.391 13.753 14.422 12.846 17.146 15.862 17.950


4,1. Previsão Redes Neurais x Realizado x Previsão Empresa X

Na tabela abaixo, observa-se as mesmas operações aritméticas descritas anteriormente, mas

agora comparando o realizado com o previsto pela empresa X.



11

Tabela 06 - Previsão “Empresa X” x Realizado

MÊS EMPRESA X REALIZADO ERRO ERRO ABS ERRO (%) ERRO ABS

(%)

JAN 12.752 11.511 1.241 1241 0,113864 0,104085

FEV 13.155 11.119 2.036 2036 0,186806 0,170762

MAR 14.229 13.710 519 519 0,047619 0,043529

ABR 13.186 11.014 2.172 2172 0,199284 0,182169

MAI 15.757 15.614 143 143 0,01312 0,011994

JUN 16.725 17.237 -512 512 -0,04698 0,042942

JUL 18.043 14.911 3.132 3132 0,287366 0,262686

AGO 20.467 18.299 2.168 2168 0,198917 0,181833

TOTAL 124.314 113.415 10.899 11.923 1 1


A primeiro momento, observa-se um erro absoluto de 10.899 automóveis emplacados em

relação ao realizado. Comparado com o erro obtido pelo método anterior, este se caracteriza

como maior, com uma variação de 1.405 automóveis em relação ao erro acumulado da previsão

por RNAs.

Gráfico 06 – RNAs x Realizado x Empresa X


Ao comparar os três valores (previsão por RNAs, previsão empresa X e realizado) percebe-se

que o método de previsão por RNAs ainda apresenta-se como o mais eficiente, por possuir o

valor acumulado total que mais se aproxima do valor acumulado total do realizado.

8. Considerações finais

Ao longo do presente estudo, constatou-se a importância de minimizar os erros de previsão para

que as empresas possam planejar seus estoques, sua produção e seu fluxo de caixa, em um

mercado que é cada vez mais competitivo. Para tanto, é primordial que o método de previsão

adotado acompanhe as oscilações do mercado.

Nesse trabalho foram apresentados dois métodos de previsão de demanda para auxiliarem na

tomada de decisão dos gestores. O primeiro, regressão linear múltipla, caracterizado como um

13.123

24.514

38.26752.689

65.536

82.681

98.543

116.494

11.511

22.630

36.340

47.354

62.968

80.205

95.116113.415

12.752

25.907

40.136

53.322

69.079

85.804

103.847

124.314

0

20.000

40.000

60.000

80.000

100.000

120.000

140.000


RNA

REALIZADO

EMPRESA X



12

método tradicional de previsão e ensinado na maioria dos cursos de graduação do país, indicou

resultados insatisfatórios para o objetivo proposto com um erro de previsão de 38.714 unidades

(automóveis). Já o segundo, redes neurais artificiais, apontou melhor desempenho, uma vez que

o método acompanha as oscilações do mercado e apresentou um erro de previsão de 9.494

veículos quando confrontado com a quantidade efetiva de emplacamento realizado naquele

período. Outro dado importante a ser levado em consideração, é a desigualdade de 29.220

unidades entre ambos os erros, constatando novamente a insensibilidade e as limitações do

primeiro método.

Gráfico 07 – RNAs x Realizado x RLM x Empresa X


Deve-se salientar ainda que a RLM deixou lacunas logo na fase inicial. Como já foi dito, esse

método não conseguiu explicar a relação entre as variáveis independentes com a variável

dependente. Todavia, ele não foi descartado em detrimento do segundo método (RNAs), pois

era necessário para fins comparativos.

Tabela 08 - Previsão “Realizado” x “RLM” x “RNA” x “Empresa X”

Data Realizado RLM Erro (Abs) RNA Erro (Abs) Emp. X Erro (Abs)

JAN 11.511 17.560 6.049 13.123 1.612 12.752 1.241

FEV 11.119 10.485 634 11.391 272 13.155 2.036

MAR 13.710 16.586 2.876 13.753 43 14.229 519

ABR 11.014 20.810 9.796 14.422 3.408 13.186 2.172

MAI 15.614 20.763 5.149 12.846 2.768 15.757 143

JUN 17.237 24.245 7.008 17.146 91 16.725 512

JUL 14.911 20.369 5.458 15.862 951 18.043 3.132

AGO 18.299 20.043 1.744 17.950 349 20.467 2.168

TOTAL 113.415 150.861 38.714 116.494 9.494 124.314 11.923


0

20.000

40.000

60.000

80.000

100.000

120.000

140.000

160.000


REALIZADO

RLM

RNA

EMPRESA X



13

Por fim, o método de RNAs, além de apresentar melhores resultados quando comparado com a

RLM, também mostrou-se mais preciso quando comprado com a previsão realizada pela

Empresa X. A variação total do erro absoluto das RNAs é inferior ao erro absoluto da previsão

realizada pela empresa, ou seja, quando a empresa opta por utilizar um método diferente do

proposto assume um erro absoluto de 2.429 veículos, resultando na redução de seus lucros.

REFERÊNCIAS

ABBAD, G.; TORRES, C. V. Regressão múltipla stepwise e hierárquica em psicologia organizacional:

aplicações, problemas e soluções. Instituto de Psicologia da Universidade de Brasília. Brasília, DF, 2002.

BOWERSOX. D. J.; CLOSS, D. J. Logística empresarial: o processo de integração da cadeia de suprimentos.

São Paulo: Atlas, 2001.

BRAGA, A. de Pádua; CARVALHO, André P. de Leon F.; LUDEMIR, T. B. Redes neurais artificias: teoria e

aplicação. 2. ed. Rio de Janeiro: LTC, 2016.

CAVALHEIRO, Darlene. Método de previsão de demanda aplicada ao planejamento da produção de

indústrias de alimentos. 2003. 137 f. Dissertação (Mestrado) - Curso de Engenharia Mecânica, Departamento de

Programa de Pós - graduação em Engenharia Mecânica, Universidade Federal de Santa Catarina, Florianópolis.

CORRÊA, L. H.; CORRÊA, A. C. Administração de produção e operações: manufatura e serviços: uma

abordagem estratégica. 2. ed. São Paulo: Atlas, 2011.

LIN, Tamy Ymei; JR, José B. C. Estudo de modelos de previsão de demanda. Fundação Getúlio Vargas. São

Paulo, 2000.

RAGSDALE, C. T. Modelagem e análise de decisão. São Paulo: Cengage Learning, 2009.

RITZMAN, Larry P; KRAJEWSKI, Lee J. Administração da produção e operações. São Paulo: Pearson

Prentice Hall, 2008.

SASSI, Cecília P.; PEREZ, Felipe G.; MYAZATO, Letícia ; YE , Xiao, FRANCISCO, Paulo H. Ferreira-Silva .

Modelos de regressão linear múltipla utilizando os softwares e estatística: uma aplicação a dados de

conservação de frutas. 2011. ICMC – USP – CP668 São Carlos/SP.

SHARMA, A. Seasonal to internannual rainfall probabilistic forecasts for improvedwater supply

management: Part 1 – A strategy for system predictor identification, Journal of Hydrology 239, 2000.

TUBINO, D. Ferrari. Manual de planejamento e controle da produção. 2. ed. São Paulo: Atlas, 2000.

VALENÇA, Mêuser. Fundamentos das redes neurais: exemplo em Java. 2. ed. Olinda, PE: Livro Rápido, 2009.

Documents

PREVISÃO DE EMPLACAMENTO DE VEÍCULOS DE UMA EMPRESA