ANÁLISE DA EFICÁCIA DO MÉTODO DE DECOMPOSIÇÃO CLÁSSICA

PARA PREVISÃO MENSAL DE VENDAS DE UM AUTOMÓVEL DE UMA

GRANDE MONTADORA AMERICANA PRODUZIDO NO BRASIL

Nathan Nunes de Oliveira

nathannunesdeoliveira@gmail.com
Isaac Michael Dalmarco
isaac_dalmarco@hotmail.com
Dezembro - 2017
Resumo
Este artigo tem o objetivo de analisar a eficácia do método de previsão de
demanda de Decomposição Clássica no setor automobilístico, com variáveis
como sazonalidade e tendência baseadas em histórico, para as vendas do
automóvel Onix do grupo norte-americano General Motors - Chevrolet,
produzido no Brasil e atualmente (Dezembro de 2017) o carro mais vendido do
país. Para analisar a eficácia do método serão comparados os valores dos
emplacamentos obtidos na previsão com os valores reais de emplacamento
dos 11 primeiros meses de 2017.

Palavras-chave: previsão - decomposição clássica - setor automobilístico;

1. INTRODUÇÂO

As empresas do mundo todo, no geral, estão sofrendo cada vez mais

para permanecerem fortes no mercado. Essa dificuldade crescente de se
aumentar a participação em vendas se deve principalmente à competitividade
com outras empresas. Nos dias de hoje, com a globalização, a concorrência
não é apenas do "vizinho", mas também de outras Organizações do mundo
todo, praticamente eliminando-se as fronteiras.
Visto esse cenário, as empresas devem se esforçar ao máximo para
serem competitivas, eliminando perdas e desperdícios e investindo em
operações e ideias que agreguem valor ao produto/serviço e à própria
Organização.
 Um grande desafio no dia a dia de todas as empresas é a previsão da
demanda. Uma previsão pode tanto agregar valor sendo bem realizada e
proporcionando um bom fluxo de produção e/ou vendas como também pode
acabar prejudicando muito a empresa com perda de clientes pelo não
atendimento dos mesmos ou então desperdício de recursos por produzir em
excesso no caso de ser mal realizada. É um "fator-chave" na área de
planejamento e controle da produção de uma empresa, e que tem papel
fundamental para a capacidade da mesma de se manter competitiva.
Segundo Hill (1994), o fato de existir um processo de previsão de
demanda possibilita que as estratégias de produção sejam satisfatoriamente
operacionalizadas. Uma boa previsão consegue reduzir os efeitos turbulentos
do mercado fornecendo um horizonte mais seguro para tomada de decisão.
Entretanto, o que ainda se vê muito hoje em dia são empresas que não
possuem um método estruturado e organizado para realizar previsão. Um dos
principais fatores que contribui para essa dificuldade de se prever
adequadamente a demanda é o pouco conhecimento de métodos de previsão
eficazes, podendo com isso, serem obtidos resultados precipitados.
Este artigo tem o objetivo de analisar a eficácia do método de previsão
de demanda de Decomposição Clássica, com variáveis como sazonalidade e
tendência baseadas em histórico, para as vendas do automóvel Onix do grupo
norte-americano General Motors - Chevrolet, produzido no Brasil e atualmente
(Dezembro de 2017) o carro mais vendido do país.

2. PREVISÂO DE DEMANDA NA INDÚSTRIA AUTOMOBILÍSTICA

Como sabemos, a indústria automobilística é uma das que mais cresce

no mundo, sempre inovando em tecnologias e uma competitividade
estratosférica entre as montadoras. Após a grande crise do mercado imobiliário
de 2008 que levou a perdas incalculáveis em todos os setores da indústria e
consequentes falências de algumas montadoras de automóveis, parece que
quase dez anos depois o cenário demonstra sinais de melhorias e crescimento,
levando otimismo à todos os envolvidos.
No Brasil, o mês de setembro de 2017 teve uma aumento de mais de
7% na venda de carros em comparação com Janeiro do mesmo ano. Nesse
curto espaço de tempo podemos observar o claro crescimento do mercado,
levando as montadoras a ficarem mais atentas com as previsões de demanda
para cada modelo, e assim proporcionar um bom fluxo de produção e
informação que busque o equilíbrio ideal entre a capacidade de produção, os
recursos necessários e a demanda propriamente dita.
Os automóveis são itens relativamente caros, e a maioria das famílias no
Brasil têm apenas um modelo para todos os integrantes usarem. Sendo assim,
a escolha de um modelo ou marca por parte do consumidor é de grande
importância em sua vida, pois podem ficar anos com o mesmo automóvel.
Devido à importância do item e da aquisição, se faz mais importante ainda a
organização da Montadora para conseguir atender com excelência à todos os
consumidores em potencial, sabendo que caso isso não aconteça, pode
significar a perda desse cliente para sempre. E é aí que entra a previsão de
demanda bem realizada, com os métodos e variáveis corretos, proporcionando
às empresas a capacidade de atender aos clientes de forma eficiente.

3. MÉTODO DE PREVISÃO DE DEMANDA - DECOMPOSIÇÃO CLÁSSICA

O método de previsão de Decomposição Clássica é baseado em séries

de tempo, que são seqüências de observações históricas sobre uma variável
de interesse. Para prever séries temporais é necessário representar o
comportamento do processo por um modelo matemático que pode ser
extrapolado para o futuro.
A análise de séries temporais assume que os dados históricos da
demanda possuem componentes. Esses componentes são:
 Tendência: visão a longo prazo da série, ou seja, a direção que a série
apontaria a partir dos dados já obtidos. Nessa análise também são
incluídas quantidades constantes de demanda.
 Variação sazonal: são flutuações regulares que se repetem em
períodos quase sempre coincidindo com o calendário anual, mensal ou
semanal. A sazonalidade é resultado de causas naturais, econômicas,
sociais e institucionais.Uma característica da sazonalidade é se ela é
aditiva ou multiplicativa. No caso aditivo, a série mostra uma flutuação
sazonal estável, sem levar em consideração o nível médio da série; no
 caso multiplicativo, o tamanho da flutuação sazonal varia, dependendo
do nível médio da série.
 Variação cíclica: mais fácil identificação em séries temporais longas.
Um ciclo pode ser definido como uma oscilação de longo-prazo, e que
como o nome já diz, deve demonstrar comportamento cíclico.
 Variação aleatória: as variações aleatórias não têm causas nem
padrões específicos, portanto são tratados como erros aleatórios.

Segundo G. Souza, Samohyl e Meurer (2004), a decomposição clássica

é uma ferramenta muito útil, pois, além de permitir previsões, auxilia na tomada
de decisão acerca do método de previsão mais adequado às características
dos dados disponíveis.
A Decomposição Clássica é um modelo univariado que utiliza
formulações matemáticas simples para separar a série nos quatro
componentes principais descritos anteriormente. A partir destes, são feitas as
previsões.

4. ESTUDO DE CASO

Para o estudo sobre previsão de demanda em questão, foi escolhido

analisar a demanda do automóvel Chevrolet Onix, por ser o mais vendido
atualmente no Brasil. O Onix começou a ser fabricado no Brasil em 2013 e
chegou ao topo do ranking de vendas em agosto de 2015, não perdendo a
liderança desde então. A partir disso, percebe-se a importância de uma boa
previsão da demanda levando em consideração os fatores de tendência e
sazonalidade para a Chevrolet conseguir atender aos clientes de forma eficaz.
 Figura 1 - Chevrolet Onix 2017

4.1 Coleta de dados

Foi realizado um estudo de caso para prever a demanda de vendas do

automóvel Onix no ano de 2017 através do método da Decomposição Clássica
e comparação dos valores obtidos com a quantidade de emplacamentos reais
do ano de 2017. Para isso, foram coletados os dados de emplacamentos de
Janeiro de 2015 à Novembro de 2017 através da página "Carros na Web",
baseada nos dados da Fenabrave - Federação Nacional da Distribuição de
Veículos Automotores.
Por meio das figuras 2 e 3 podem ser observadas tendência crescente
no número de emplacamentos e oscilações durante os meses do ano, esta
segunda podendo ser justificada pela maior demanda de veículos nos últimos
meses do ano e em Janeiro. Tais padrões podem ser utilizados para
desenvolvimento de um modelo para previsão de demanda para o ano de
2017.
 20000
18000
16000

Emplacamentos 14000
12000
10000 2015
2016
8000
6000
4000
2000
0
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez

Figura 2 - Comparação entre o nº de emplacamentos de 2015 e 2016

20000
18000
16000
14000
12000
Emplacamentos

10000
8000
6000
4000
2000
0
1 5 1 5 1 5 1 5 1 5 15 1 6 1 6 1 6 1 6 1 6 1 6
an/ ar/ ay/ Jul/ ep/ ov/ an/ ar/ ay/ Jul/ ep/ ov/
J M M S N J M M S N

Figura 3 - Tendência de aumento de vendas e variações sazonais em 2015 e 2016

Para esta situação, a decomposição da série permitirá identificar quais

componentes estão atuando no conjunto de meses, além de possibilitar obter
índices e equações para realizar previsões para períodos futuros da série.

4.2 Média móvel

As médias móveis são uma forma alternativa de obtenção da tendência

ou nível de uma série temporal. Primeiramente calcula-se a média dos
primeiros "n períodos" da série, colocando o resultado do período exatamente
no centro deles. Logo depois, é acrescentado um período seguinte e
desprezando o primeiro da média imediatamente anterior, e calculando novas
médias, que vão se movendo até o fim da série. O número de períodos é
chamado de ordem da série.
Para o estudo deste artigo, foi calculado inicialmente uma média móvel
de ordem quatro, seguida de uma média móvel de ordem dois para as
quantidades de emplacamentos dos meses dos anos de 2015 e 2016. Estes
dados podem ser observados na tabela 2.
Em seguida, foi encontrado um fator sazonal dividindo a demanda pela
média móvel obtida. Os valores dos fatores sazonais para cada mês estão
expostos na tabela 1. Calculou-se a média desses valores e depois de um
ajuste para os doze meses do ano foi encontrado um índice de sazonalidade
utilizando a seguinte equação:

I . S .= ( SomaFator=12
das médias )
x Médiamensal

Média I.S.
1 1,03 1,027 1,026
2 0,85 0,855 0,854
3 1,06 1,08 1,071 1,070
4 1,02 0,95 0,985 0,984
5 0,912368 0,96891 0,941 0,940
6 0,941233 1,016594 0,979 0,978
7 1,0778 0,979321 1,029 1,028
8 1,049002 1,004986 1,027 1,026
9 0,934748 0,954907 0,945 0,944
10 0,960045 0,974778 0,967 0,966
11 0,963307 1,032708 0,998 0,997
12 1,189026 1,189 1,188
12,012
Tabela 1 - Obtenção do Índice de Sazonalidade

O índice de sazonalidade foi posicionado na tabela 2 para todos os

meses desde o ano de 2015 até o ano de 2017, e os valores mensais foram
dessazonalizados por meio da divisão da demanda por este índice para excluir
os efeitos das variações sazonais.
4.3 Obtenção de tendência por meio da Regressão Linear

A regressão linear é uma equação para se estimar o valor da variável

dependente através dos valores de variáveis independentes. Para tanto,
utilizando o Excel, foram obtidos valores da inclinação da reta e da intercepção
do eixo Y e obteve-se a seguinte equação:
Y =8868+217,3 X
Foram aplicados os números dos 36 meses na equação e foi obtida a
coluna com os valores de tendência de cada mês.
Por fim, foi feita a multiplicação dos valores dos índices sazonais pelos
valores das tendências mensais o chegou-se ao valor da tendência sazonal
que é a demanda prevista através do método da decomposição clássica. E,
para critério de avaliação, foi calculado o erro absoluto entre a tendência
sazonal e o valor real da demanda. Os valores foram expostos na tabela 2.
 Mês Dem MV(4) MVC(2) F.S I.S Dessazo Tend. TS e
1 1 13472 1,026 13135,49 9086 9318 4153,64
2 2 6914 0,854 8096,14 9303 7945 1030,53
3 3 9548 9679,25 9021,75 1,06 1,070 8927,08 9520 10182 634,29
4 4 8783 8364,25 8608,88 1,02 0,984 8923,73 9737 9584 800,82
5 5 8212 8853,50 9000,75 0,91 0,940 8738,64 9955 9355 1142,72
6 6 8871 9148,00 9424,88 0,94 0,978 9070,82 10172 9948 1076,84
2015
7 7 10726 9701,75 9951,75 1,08 1,028 10438,21 10389 10676 50,39
8 8 10998 10201,75 10484,25 1,05 1,026 10719,24 10606 10882 115,74
9 9 10212 10766,75 10924,88 0,93 0,944 10818,74 10824 10217 4,69
10 10 11131 11083,00 11594,25 0,96 0,966 11517,05 11041 10671 460,13
11 11 11991 12105,50 12447,75 0,96 0,997 12026,52 11258 11225 766,02
12 12 15088 12790,00 12689,38 1,19 1,188 12701,60 11475 13632 1456,47
13 1 12950 12588,75 12614,38 1,03 1,026 12626,52 11693 11992 957,69
14 2 10326 12640,00 12079,88 0,85 0,854 12091,51 11910 10171 154,99
15 3 12196 11519,75 11263,00 1,08 1,070 11402,88 12127 12971 774,78
16 4 10607 11006,25 11163,75 0,95 0,984 10776,96 12345 12150 1542,86
17 5 10896 11321,25 11245,63 0,97 0,940 11594,77 12562 11805 908,76
18 6 11586 11170,00 11396,88 1,02 0,978 11846,97 12779 12498 911,57
2016
19 7 11591 11623,75 11835,75 0,98 1,028 11280,00 12996 13355 1763,65
20 8 12422 12047,75 12360,38 1,00 1,026 12107,15 13214 13557 1135,22
21 9 12592 12673,00 13186,63 0,95 0,944 13340,14 13431 12678 85,63
22 10 14087 13700,25 14451,50 0,97 0,966 14575,57 13648 13191 896,36
23 11 15700 15202,75 15202,75 1,03 0,997 15746,50 13865 13824 1875,56
24 12 18432 1,188 15516,69 14083 16729 1703,48
25 1 1,026 14300 14666
26 2 0,854 14517 12397
27 3 1,070 14734 15759
28 4 0,984 14952 14716
29 5 0,940 15169 14255
30 6 0,978 15386 15047
2017
31 7 1,028 15603 16034
32 8 1,026 15821 16232
33 9 0,944 16038 15139
34 10 0,966 16255 15710
35 11 0,997 16473 16424
36 12 1,188 16690 19826

Tabela 2 - Cálculo da tendência sazonal e da previsão de vendas para 2017

4.4 Análise dos resultados

Os dados obtidos foram comparados com os valores reais de

emplacamentos do ano de 2017 e expostos na tabela 3. Pode-se observar que
o maior erro percentual foi de 15,97% e ocorreu no mês de Abril, porém o erro
percentual anual médio foi de apenas 2,79%. Portanto, o método de
Decomposição Clássica foi utilizado com muito sucesso na previsão da
demanda, considerando o baixo erro relativo do mesmo.

Mês Previsão Emplacamentos Erro Erro Percentual

1 14666 13900 766,2551 5,51%
2 12397 11980 417,4863 3,48%
3 15759 14745 1014,279 6,88%
4 14716 12689 2026,904 15,97%
5 14255 15007 752,2079 5,01%
6 15047 14923 124,2917 0,83%
7 16034 15234 799,6931 5,25%
8 16232 18513 2280,819 12,32%
9 15139 17236 2097,427 12,17%
10 15710 18322 2611,592 14,25%
11 16424 18611 2187,103 11,75%
Total 166380 171160 4780,241 2,79%
Tabela 3 - Comparação entre os emplacamentos previstos e os reais de 2017

5. CONCLUSÃO

Por meio deste trabalho foi possível demonstrar na prática a eficácia do

método de Decomposição Clássica para previsão da demanda. Foram
analisados os dados do total de emplacamentos mensais do automóvel
Chevrolet Onix nos anos de 2015 e 2016 no Brasil, e a partir deles foi realizado
o método completo de Decomposição Clássica para obter as previsões de
demandas mensais para o ano de 2017. Estas demandas previstas foram
comparadas com as demandas reais dos primeiros 11 meses de 2017, até o
momento presente.
Com essa comparação, pode-se perceber que o método de
Decomposição Clássica da série de tempo teve pouco erro em comparação
com a demanda real no período, apenas 2,79%. Considerando todas as
variáveis envolvidas, como tendência, sazonalidade, variação cíclica e
aleatória, chega-se a conclusão de que tal método é muito eficaz para a
previsão da demanda no setor automobilístico, que sofre muito com esses
fatores descritos anteriormente.
Considerando a importância do setor automobilístico para o Brasil e o
mundo, tanto em termos econômicos como também sociais e culturais,
entende-se que uma previsão correta de demanda por parte das montadoras
representa a sua sobrevivência e competência no setor, e todos sabemos que,
em meio ao cenário atual de intensa competitividade, se a empresa não for
competente nesse sentido pode acabar perdendo um número incontável de
potenciais clientes, além do mal uso de recursos.

6. REFERÊNCIAS

BOUZADA, Marco Aurélio Carino. Aprendendo Decomposição Clássica:

Tutorial para um Método de Análise de Séries Temporais. Disponível em:
<http://www.anpad.org.br/periodicos/arq_pdf/a_1320.pdf>. Acesso em: 3 dez.
2017.

CAPITAL E VALOR. Indicador de Média Móvel. disponível em:

<http://capitalevalor.com.br/artigo.php?id=42>. Acesso em: 5 dez. 2017.

FENABRAVE. Relatório de emplacamentos novembro 2017. Disponível em:

<http://www3.fenabrave.org.br:8082/plus/modulos/listas/index.php?tac=indices-
e-numeros&idtipo=1&id=722&layout=indices-e-numeros>. Acesso em: 3 dez.
2017

GAZETA ONLINE. Indústria automobilística confirma retomada. Disponível

em: <https://www.gazetaonline.com.br/noticias/economia/2017/09/industria-
automobilistica-confirma-retomada-1014100240.html>. Acesso em: 2 dez.
2017.

HILL, T. Manufacturing strategy: text and cases, 2ª ed., Irwin, Boston, MA,
1994.

SOUZA, G., SAMOHYL, R., & MEURER, R. (2004, novembro). Previsão do

consumo de energia elétrica do setor industrial em Santa Catarina – um
estudo comparativo entre diferentes métodos de previsão através de suas
discrepâncias. Anais do Simpósio Brasileiro de Pesquisa Operacional, São
João Del Rey, MG, Brasil, 36.