UNIVERSIDADE FEDERAL DE SANTA CATARINA - CAMPUS JOINVILLE

CENTRO TECNOLÓGICO JOINVILLE

LOGÍSTICA 2

RELATÓRIO DE PLANEJAMENTO DE CONTROLE DE PRODUÇÃO

Francielly Hedler Staudt

Beatriz Murakami Chow

Bruna Rocha Raupp

Felipe Goi Rocker

Uriel Chagas

Outubro/2020
1. INTRODUÇÃO

Em contextos de incertezas no âmbito mercadológico, realizar a previsão de

demanda pode auxiliar os gestores a tomar decisões acerca de questões que
envolvem suas vendas. Uma delas é a programação da produção, que diz respeito
à compra de insumos, escala de funcionários, otimização do tempo de produção e
de aplicação dos recursos da organização.

Através do planejamento e controle da produção (PCP) é possível prever e

adotar estratégias para aumentar eficiência e evitar gargalos usando a
administração da produção. O PCP possibilita também melhorar o fluxo de matérias
primas na linha de produção e otimizar a produtividade dos colaboradores.

Tendo em vista estes conceitos, este trabalho tem como objetivo prever a
demanda e programar a produção da companhia têxtil UBBF, uma empresa fictícia
criada dentro do ​LSSP_PCP1​, um jogo educacional que simula o processo
produtivo de três famílias de malhas, que neste caso são a Colmeia, Piquet e
Maxim. Além disso, a UBBF é caracterizada por ser uma empresa de porte médio,
com alta demanda.

2.​ ​DESENVOLVIMENTO

2.1. Previsão de demanda

A previsão de demanda é muito importante nas organizações, têm um papel

fundamental no planejamento da produção e é parte do processo de tomada de
decisões (FOGLIATTO et al., 2005; MAKRIDAKIS et al., 1998).

Logo no início da simulação é apresentada a demanda dos últimos 12 meses

para as três famílias têxteis, e são nesses valores que a previsão das vendas será
baseada (figura 1).
 Figura 1 - gráficos da demanda dos doze períodos anteriores para cada família de produtos.

Fonte: autores.

Realizando a análise e tendências das demandas da série histórica é

perceptível a diferença para cada família textil. A Colméia apresenta uma demanda
que começa crescente, porém após o sétimo período ocorre um decrescimento e
uma certa variação nos valores demonstrando uma demanda crescente, mas
sazonal. A demanda da família Piquet e Maxim apresentam um comportamento
mais equilibrado, não demonstrando a sazonalidade ou um crescimento elevado
como observado anteriormente na Colméia.

Além das observações sobre a sazonalidade ou não das demandas, é

importante destacar que, para todas as análises, a série histórica é composta
apenas por 12 períodos. Com isso é possível eliminar alguns métodos de previsão
por necessitarem de um período maior para a sua análise.

Previsões de demanda não são isentas de erros. Quanto mais distantes no

tempo, menor será a semelhança da previsão com a demanda real. Por este motivo
é necessário ter cuidado, não só na coleta das informações, mas também na
escolha da técnica, estabelecendo uma prática racional para identificar, dentre os
métodos propostos de previsão, o mais adequado ao caso (BALLOU, 2006).

Dentre os métodos de previsão disponíveis, foram utilizados 8 métodos para

os cálculos, assim como os erros da série histórica para cada previsão. Os erros
são utilizados como fator determinante de escolha do método, pois proporcionam ao
analista a possibilidade de uma escolha com maior acurácia pelo menor erro.

Para todas as famílias têxteis o método da regressão linear foi o mais

acurado para a demanda histórica. Porém para o caso da Colméia, ao analisar os
dados obtidos após as primeiras simulações, ficou perceptível que o método de
Holtz, utilizando de coeficientes de correção sendo 0,3753 e 0,001, para alpha e
beta respectivamente, demonstrou um resultado melhor que o da regressão. Isso
ocorre devido ao “jogo” possuir uma base estatística para gerar os resultados da
demanda real, assim os valores podem não seguir um determinado padrão para a
previsão de demanda, motivo este da geração de erros de previsão.

Analisando a previsão feita para a Colméia é possível ter a percepção de que

para métodos que não são recomendados para cálculos de de séries temporais
sazonais os erros são elevados, sendo piores até mesmo que a própria previsão
ingênua. As previsões que deram melhores resultados, como dito anteriormente,
foram a regressão linear, previsão ingênua simples e o método de Holtz (Tabela 1).

Tabela 1 - Erros de previsão da família Colméia

Erros de previsão da família Colméia
Erro Erro absoluto médio
Erro médio absoluto Erro quadrado médio % U de Theil
Prev Ingênua - 3.350,36 4.935,45 38.432.376,55 15% 1
Média
- 13.771,56 13.771,56 221.820.295,64 35% 2,070238582
simples
MM3 - 5.902,30 7.601,33 86.147.487,31 33% 1,261625292
MM6 - 10.166,56 10.166,56 141.676.029,82 25% 1,261625292
Suav
- 5.305,89 7.590,62 95.445.678,05 19% 1,456536332
Exponencial
Brown 3.080,65 7.455,09 74.326.297,31 20% 1,224768903
0,939845727
Holt 302,49 5.626,94 39.915.482,37 15%
2
Regressão 0,728374340
112,12 4.092,94 22.892.724,63 13%
linear 2

Fonte: Autores.

Passando a analisar agora a previsão da família Maxim temos os erros

presentes na (tabela 2). Como é possível ver, a demanda prevista pelo método da
regressão linear para os dados históricos possui o menor erro, até pela forma com
que os dados são distribuídos, não fugindo muito da sua média e seguindo uma
certa tendência, não possuindo discrepâncias consideráveis.
 Tabela 2 - Erros de previsão da família Maxim.
Erros de previsão da família Maxim
Erro médio Erro absoluto Erro quadrado médio Erro absoluto médio % U de Theil
Prev Ingênua 1295,545455 3023,909091 12426474 11% 1
Média
4432,198325 4432,198325 24672288 18% 1,559006515
simples
MM3 2152,814815 2240,592593 7691271 9% 0,8327555938
MM6 3800,166667 3800,166667 17301784 15% 1,188775253
Suav
3227,373764 3227,373764 14489632 13% 1,071316961
Exponencial
Brown 5925,655542 6772,012432 56491643 28% 2,569819795
Holt 17330,28105 17330,28105 312550148 45% 6,134614391
Regressão
163,4909091 1574,872727 3032274 6% 0,5034253006
linear

Fonte: Autores.

Por último a família Piquet, assim como a família Maxim, possui o menor erro
de sua previsão histórica pelo método da regressão linear por conta exatamente dos
mesmos motivos envolvidos na família passada (Tabela 3).

Tabela 3 - Erros de previsão da família Piquet.

Erro de previsão da família Piquet
Erro
Erro médio absoluto Erro quadrado médio Erro absoluto médio % U de Theil
Prev Ingênua 553,5454545 1314,272727 2939544 7% 1
Média 1,6833498
1659,046052 1776,538116 4996888 9%
simples 59
1,4214198
MM3 1233,481481 2221,62963 6335310 11%
96
1,1723513
MM6 699,8888889 1390,444444 2820121 7%
56
Suav 1,2325358
1107,485293 1343,543981 3207409 7%
Exponencial 65
3,9052900
Brown 5337,250155 5337,250155 37326895 27%
86
11,267635
Holt 15884,69441 15884,69441 294287123 40%
66
Regressão 0,9963614
15,85181818 1420,23 2644531 7%
linear 937

Fonte: Autores.
 Como apresentado na figura 3, as previsões seguem uma certa tendência
linear e por meio dessa linha é possível realizar a previsão para os próximos
períodos apresentados nos tópicos a seguir.

2.2. Plano de compras e produção

Inicialmente, a estratégia utilizada nas linhas de produção foi manter a compra

de insumos e a capacidade de produção o mais próximo possível da demanda
prevista. Portanto, a produção do período foi ajustada para ser exatamente igual à
previsão da demanda, e a tecelagem e a tinturaria, assim como os turnos de
funcionamento, foram escolhidos de modo que fosse produzido apenas o
necessário para se chegar à produção da demanda prevista. Os estoques também
foram escolhidos de modo a suprir apenas a falta ou excesso do período anterior.
Podemos ver um exemplo da estratégia através da figura 3, que mostra o plano de
produção Colmeia.

Figura 2 - planejamento da produção da malha Colmeia.

Fonte: autores.
 3. ANÁLISE DOS RESULTADOS

Após feitos estes ajustes, a simulação foi iniciada e o jogo apresentou quais
seriam as reais demandas dos períodos estimados. Através dos novos dados, é
possível ter uma noção do quão próximo ou não a previsão se apresentou em
relação a demanda real, como é possível observar na figura 3.

As demandas planejadas encontradas das famílias Colmeia e Piquet

possuem um erro grande, devido em parte à falta de dados, mas também pela
flutuação da demanda em alguns períodos. No caso da Colmeia, no mês 22, houve
uma diferença de mais de 20.000 itens a mais na previsão, havendo alguns picos de
demanda, que existiam no período anterior, mas em menor intensidade. No caso da
família Piquet, a diferença foi de cerca de 10.000 itens negativamente.

Pela análise gráfica, a previsão da família Colmeia seguiu a tendência de

crescimento da demanda, mas sem atender, ou compreender, as flutuações de
demanda. No caso da família Piquet, o erro foi grotesco e a previsão simplesmente
não funcionaria, tanto pela diferença em relação à previsão das variações de
demanda, quanto pela previsão em si, que nos períodos 13 a 24 manteve-se
praticamente constante durante todo o período, diferente da previsão, que mostrou
uma redução constante durante os 24 períodos. A única família onde houve uma
previsão com uma maior precisão foi a Maxim, onde o erro total foi pequeno, e
facilmente absorvível pelo estoque.
 Figura 3 - Diferença entre demanda real e prevista.

Fonte: autores.

No anexo A é apresentado o relatório financeiro com base na produção e nas

vendas realizadas no período doze a vinte e quatro. Neste relatório, percebemos
que a receita operacional é cada vez mais negativa, indicando crescente prejuízo da
empresa. Ao final do período vinte e quatro, a receita acumulada é de R$
-2.134.158,03. Grande parte deste prejuízo vem do Custo de Venda Perdida, pois a
falta de estoques de segurança acarreta no não suprimento da demanda do
período, e fábrica precisa de compras de emergência, pois houve falta de matéria
prima e a produção não deve ser interrompida.

Os demais custos são decorrentes do Investimento de Capital, que envolve os

equipamentos necessários para a produção (Custos de Terceiros) e os Custos de
Estoque (capital investido em matérias primas). Estes últimos tiveram um valor no
décimo quarto período equivalente a R$ 47.226,30, e podem ser diminuídos através
de uma gestão eficiente de estoques. Outros custos, como Custo de Compras e
Custos Fixos, são intrínsecos à produção, e por isso variam conforme o
planejamento da produção. Como as vendas não conseguiram ultrapassar o valor
do custo em nenhum período, o acúmulo de prejuízo foi grande.
 A figura 5 esquematiza os custos desta simulação do período treze a vinte e
quatro. Já a figura 6 apresenta a receita por período e a receita operacional
(receitas menos custo) acumulada.

Figura 4 e 5 - custos e receitas da UBBF do período treze a vinte e quatro.

Fonte: autores.

Portanto, uma nova simulação foi proposta, visando alterar as entradas do

modelo para diminuir os custos e aumentar a receita. Nesta simulação, a demanda
dos períodos anteriores continuou a mesma, de modo que a previsão continua a
mesma, porém os valores da demanda real se alteraram. A figura 6 traz uma
comparação da demanda real e prevista para as três famílias.

Figura 6 - diferença entre demanda real e prevista na segunda simulação

Fonte: autores.

Existe uma grande diferença em relação à demanda prevista e a produção

planejada, tendo em vista que a previsão de demanda não atenderia as famílias
Colmeia e Piquet, com uma sobra de estoque excedente da produção ao final do
período 24 da família Maxim.

Na Colmeia, foi necessário aumentar-se a produção no período 13 para

60.000 itens, pois houve um pico neste período e o estoque não atenderia, além de
realizar uma pequena redução nos períodos 14 e 15. Somente essas alterações foi
suficiente para atender a demanda real por todo o período analisado, como é
possível observar na figura 7.

Na Piquet, houve um problema maior. Praticamente todos os períodos foram

alterados. Seguiu-se a premissa de se manter um estoque maior, afinal, era sabido
que a demanda prevista estava abaixo da demanda real, e que haviam mais picos
de demanda ao longo dos períodos 13 a 24. O que se fez, então, foi distribuir 50%
da demanda prevista original de um certo mês por dois ou três meses, e durante
boa parte dos períodos remanescentes, adicionar no mesmo período 50% da
demanda. No último período, a produção planejada e a demanda prevista seriam
iguais, atuando como um “mês de limpeza” para eliminar parte do estoque
excedente. Isto é visível na figura 8.

Portanto, as produções planejadas, para Piquet, dos meses 13, 14 e 15

recebeu o incremento da distribuição de 50% da demanda prevista do mês 14. Os
meses 16 e 17 receberam o incremento da distribuição de 50% da demanda do mês
17, e os meses 18 a 23 receberam 50% a mais da previsão dos seus períodos
respectivos, notado na figura 8.

Por fim, para a família Maxim, houveram pequenas reduções, a fim de reduzir
o estoque, pois a previsão têm uma boa precisão, e pelo motivo de que a demanda
segue uma tendência de queda, justificando a redução de estoque.

Essas alterações foram suficientes para englobar variações da demanda real,

e também a produção real, visto que ocorrem pequenas flutuações para mais e
menos nesta última

Figura 7 - plano da produção Colmeia.

Fonte: autores

Figura 8 - plano da produção Piquet.

 Fonte: autores

Figura 9 - plano da produção Maxim.

Fonte: autores

Já para o plano de compras de matérias primas, não houve propriamente

uma estratégia, visto que o jogo automaticamente altera o consumo previsto
baseado na demanda prevista. Decidiu-se não modificar este plano, o que se
mostrou desvantajoso no que se refere à “Compras Fio 1”, onde foi necessário
realizar compras emergenciais nos períodos 21 e 22. Também se mostrou
desvantajoso porque, em alguns períodos, o estoque ficou perigosamente baixo,
como no período 15. O mesmo aconteceu para “Compras Corante” nos períodos 19
e 23. No entanto, para “Compras Fio 2”, ocorreu o processo inverso em alguns
períodos, ou seja, o estoque aumentou, nos períodos 13 e 16, por exemplo, mas em
nenhum período permaneceu com um estoque perigosamente baixo.

O gráfico abaixo representa a diferença do consumo previsto (azul) com o

consumo real (laranja), onde é possível perceber as diferenças citadas. Além disso,
o gráfico do estoque final (cinza) mostra o que foi citado a respeito de “Compras Fio
1”.

Figura 10 - Gráfico Consumo “Compras Fio 1”

Fonte: autores

Em relação à estratégia de montagem dos recursos de produção, a estratégia

foi reduzir ao máximo a capacidade de recursos de produção. Mesmo assim, ainda
permaneceu uma margem de produção em todos os períodos, e em todos os
recursos de produção. No entanto, foi necessário se utilizar da terceirização nos
primeiros períodos de previsão, pois existe um déficit de produção que não poderia
ser atendido com as ampliações, visto que há um ​lead time​ de realização destas.

Para a Tecelagem, precisou-se de uma capacidade terceirizada de 9.240 no

período 13, e de 7.980 no período 14, ampliando-se o número de teares em 21 no
período 13, 1 nos períodos 15, 16, 19 e 21, e com uma redução no período 22.

Já para a Purga/Tinturaria, necessitou-se de uma capacidade terceirizada de

89.600 no período 13, e de 78.400 nos períodos 14 e 15. Para as ampliações,
optou-se por aumentar o número de jets de 480kg em 2 unidades no período 13, e
os jets de 120kg em 1 unidade no período 15 e 20, e reduzir 1 unidade no período
22.

Por fim, a Fixação/ Acabamento necessitou-se uma capacidade terceirizada

de 350 no período 13, e de 280 nos períodos 14 e 15. Em relação às ampliações,
apenas necessitou-se comprar 1 rama no período 13.

Figura 11 - Gráfico comparativo capacidades Tecelagem

Fonte: autores

As estratégias escolhidas dos resultados financeiros são bastante simples:

reduzir o estoque, atender à demanda e a flutuações da demanda. Iniciou-se com a
simulação-base, utilizando as previsões de demanda, e fazendo os ajustes em
“Planejamento Produção”, em “Planejamento Compra” e em relação às máquinas
para rodar a simulação.

Esta simulação, naturalmente, rendeu um Resultado Operacional

significativamente negativo, em torno de R$2 milhões negativos. Percebeu-se, como
já foi dito, que a previsão não estava atendendo a demanda e, então, havia uma
grande perda de vendas, resultando em um balanço negativo.

Já para a segunda, resolveu-se utilizar a metodologia explicada

anteriormente para se tentar solucionar o problema do balanço negativo, e atender
as estratégias escolhidas. Essa metodologia resultou em um ótimo balanço positivo,
de pouco mais de R$1 milhão, e sem vendas perdidas.

No anexo B é apresentado os resultados financeiros da segunda simulação.

Se compararmos a figura 5 (primeira simulação) com a figura 12 que mostra um
gráfico dos custos da segunda simulação, veremos que esta última foi assertiva em
reduzir custos, atendendendo a premissa do retrabalho da simulação. Ao final dos
doze períodos, tem-se uma receita de R$ 1.110.597,22, uma diferença de R$
3.244.755,25 em relação à receita do período anterior. O que mais contribuiu para o
aumento da receita foi o custo de venda perdida, que foi igual a zero em todos os
períodos. O custo de estoque também se manteve constante, porém sem valores
muito elevados, de modo que ao final do período vinte e quatro este custo foi de R$
13.703,16. Os primeiros cinco períodos possuem receita negativa, como podemos
observar na figura 13, porém isso se deve ao investimento feito nos equipamentos
para que a produção pudesse aumentar, de modo que a partir do quinto período o
investimento se paga.

Figuras 12 e 13 - custos e receitas da UBBF do período treze a vinte e quatro.

Fonte: autores.
4. CONCLUSÃO

Assim, ao final a empresa obteve um lucro considerável e bem maior do que

na primeira simulação, o que indica a eficiência da implementação do PCP. A
distribuição dos recursos foi otimizada e a compra dos equipamentos foi antecipada,
assim como o controle do estoque, para não faltar e nem sobrar produtos.

Através do PCP foi possível tomar decisões que potencializaram o lucro e a

produtividade da empresa, essa metodologia possibilita uma vantagem nas
decisões por fornecer informações importantes sobre a produção. O ganho
considerável se deu principalmente pela antecipação e uso dos dados corretos nas
previsões, o que auxilia na compra de materiais, recursos disponíveis e planejar um
estoque de segurança.

O jogo se mostrou eficiente e didático, uma vez que as simulações são feitas
por períodos e todos os dados necessários são mostrados de forma simples. O
manual também auxilia bastante e direciona bem o aprendizado, principalmente
para execução das simulações e entendimento correto das relatórios finais.

Um pequeno ajuste para desfazer uma passo feito ou então opção de salvar
por etapas facilitaria o processo de aprendizagem, pois se simulado de forma
equivocada, o erro nao pode ser desfeito e os dados devem ser preenchidos
novamente para executar uma nova simulação. Porém o jogo educacional se
mostrou eficiente e alcançou o objetivo de exemplificar na prática o funcionamento
do PCP.

5. REFERÊNCIAS

FOGLIATTO, F. S.; RIBEIRO, J. L.; WERNER, L.; LEMOS, R. O.; BRUM, M.

P. Previsão de Demanda por Energia Elétrica: Método e Aplicação. In: XXV
ENEGEP –Encontro Nacional de Engenharia de Produção, 2005, Porto
Alegre.

BALLOU, R. H. Gerenciamento da cadeia de suprimentos - Logística

empresarial. -5ª ed -São Paulo: Bookman, 2006
 Anexo A
Cia Têxtil UBBF LSSP_PCP1
Relatório do Plano
Período ROp Acumulado Res.Oper. R. Vendas C.Total C.Fixos C.Compras C.Estoque C.Terceir. C.V.Perd. C. Capital

13 -49.569,11 -49.569,11 571.030,50 620.599,61 66.233,33 147.757,00 7.833,93 358.400,00 26.075,00 14.300,36

14 -240.462,69 -190.893,57 525.273,00 716.166,57 66.233,33 150.661,50 5.566,71 358.400,00 122.365,00 12.940,03

15 -473.944,89 -233.482,21 468.109,50 701.591,71 111.566,67 145.546,00 5.947,53 198.800,00 220.563,00 19.168,52

16 -563.008,78 -89.063,89 443.580,50 532.644,39 203.366,67 148.320,50 8.201,39 0,00 143.235,00 29.520,83

17 -1.322.378,35 -759.369,57 513.641,00 1.273.010,57 205.633,33 765.799,50 25.284,21 0,00 236.223,00 40.070,53

18 -1.396.327,31 -73.948,95 535.212,50 609.161,45 211.533,33 147.018,00 40.668,20 0,00 158.841,00 51.100,92

19 -1.399.298,56 -2.971,25 623.243,50 626.214,75 211.533,33 162.658,00 39.087,76 0,00 162.783,00 50.152,66

20 -1.538.329,95 -139.031,39 553.725,00 692.756,39 211.533,33 153.495,00 37.330,66 0,00 241.299,00 49.098,40

21 -1.578.534,63 -40.204,68 516.387,00 556.591,68 213.800,00 167.205,00 38.242,30 0,00 87.399,00 49.945,38

22 -1.866.246,73 -287.712,10 471.721,00 759.433,10 213.800,00 155.799,50 41.652,25 0,00 296.190,00 51.991,35

23 -2.003.679,45 -137.432,72 521.789,50 659.222,22 219.700,00 178.951,00 45.463,26 0,00 159.030,00 56.077,96

24 -2.134.158,03 -130.478,58 587.106,50 717.585,08 213.800,00 166.188,00 47.226,30 0,00 235.035,00 55.335,78

quinta-feira, 29 de outubro de 2020 Página 1 de 1

Grupo: Bruna Rocha Beatriz Mura Felipe Goi Uriel Chagas
 Anexo B
Cia Têxtil UBBF LSSP_PCP1
Relatório do Plano
Período ROp Acumulado Res.Oper. R. Vendas C.Total C.Fixos C.Compras C.Estoque C.Terceir. C.V.Perd. C. Capital

13 -119.479,69 -119.479,69 552.997,50 672.477,19 66.233,33 164.130,50 10.008,35 416.500,00 0,00 15.605,01

14 -198.585,85 -79.106,15 516.561,00 595.667,15 66.233,33 145.378,50 10.034,58 358.400,00 0,00 15.620,75

15 -151.371,22 47.214,63 537.153,50 489.938,87 113.833,33 146.601,00 9.252,84 198.800,00 0,00 21.451,70

16 -121.402,77 29.968,45 442.800,00 412.831,55 205.633,33 164.665,50 11.020,45 0,00 0,00 31.512,27

17 -29.977,53 91.425,24 504.182,50 412.757,26 207.900,00 156.574,50 14.426,73 0,00 0,00 33.856,04

18 124.711,19 154.688,72 577.347,00 422.658,28 213.800,00 157.416,00 15.276,43 0,00 0,00 36.165,86

19 384.001,63 259.290,44 682.873,00 423.582,56 213.800,00 162.828,50 12.471,29 0,00 0,00 34.482,77

20 569.816,09 185.814,46 609.009,00 423.194,54 213.800,00 167.858,50 9.085,03 0,00 0,00 32.451,02

21 717.603,72 147.787,63 578.926,50 431.138,87 216.066,67 173.800,00 8.732,63 0,00 0,00 32.539,58

22 764.797,31 47.193,59 486.566,00 439.372,41 216.066,67 177.099,50 11.816,40 0,00 0,00 34.389,84

23 890.658,95 125.861,63 574.944,50 449.082,87 221.966,67 173.990,50 15.016,06 0,00 0,00 38.109,64

24 1.110.597,22 219.938,27 650.312,50 430.374,23 216.066,67 165.082,50 13.703,16 0,00 0,00 35.521,90

quinta-feira, 29 de outubro de 2020 Página 1 de 1

Grupo: Bruna Rocha Beatriz Mura Felipe Goi Uriel Chagas