GiriĢimci Olma Nedenleri ve Mesleki ÇeĢitlilikleri

5.2.1 Previsões num centro de distribuição

O pessoal de assessoria ao nível tático e estratégico realiza as previsões de vendas. Dados históricos de vendas de itens individuais, de famílias agregadas e do agregado mensal, abrangem os 36 meses mais antigos e são modelados juntamente com variáveis explicativas de vendas do mesmo período, gerando previsões através de regressão linear múltipla. Os mesmos dados históricos de vendas de itens individuais, de famílias agregadas e do agregado mensal, são também modelados segundo o método de suavização exponencial tripla, que não envolve variáveis

explicativas. O mês mais antigo do histórico de vendas é descartado e o mês mais recente é incluso, repetindo a tarefa de previsão acima descrita, prevendo 1 mês a cada rodada, encerrando com a quarta previsão (4.º mês).

Outra tarefa realizada por este nível é calcular a representatividade (mix de item) real de vendas, mês a mês, dos itens individuais em relação a sua respectiva família, e das famílias em relação às vendas mensais. Uma série histórica é tabulada para cada item individual e família. Os 36 meses mais antigos de representatividade são modelados tanto por suavização exponencial tripla como por média móvel (não envolvendo variáveis explicativas), prevendo valores percentuais para o mês seguinte. O horizonte aqui também é um mês, como no caso da previsão de vendas em si.

Tanto os valores previstos de vendas como de representatividade de vendas são lançados num banco de dados, completando 4 meses de previsões. A figura 22 ilustra todo o processo.

Figura 22 – Previsão de vendas e de representatividade (mix de itens) com horizonte mensal, por item, família e agregado mensal, usando diferentes modelos individuais para geração de cenários.

É importante lembrar que todos os valores reais de vendas e representatividade já são conhecidos e foram previamente lançados neste banco de dados para cálculo dos erros de previsão. O banco de dados alimenta um sistema de suporte à decisão que mostra diferentes cenários de previsão, tanto de agregação (abordagem bottom- up) como de desagregação (abordagem top-down). Todos os níveis hierárquicos podem visualizar todos os cenários de previsões e os erros de cada cenário com diferentes níveis de agregação. A diretoria pode, ainda, testar diferentes valores de previsão agregada mensal de acordo com sua intuição, embutindo otimismo ou pessimismo em alguns cenários de previsão.

Conhecendo tanto o tempo gasto na geração de previsões como a precisão dos cenários (expressa em erro percentual absoluto), a diretoria tem a oportunidade de verificar, por exemplo, que um determinado cenário é o melhor na maior parte do tempo e, ainda, escolher qual cenário adotar para o horizonte rolante que penetra no futuro desconhecido, formalizando valores de previsão de vendas que serão obedecidos em todos os níveis hierárquicos.

5.2.2 Tratamento de Dados e Testes Modulares

A) Coleta e Limpeza de Dados

Os dados históricos de vendas (valor em moeda corrente) de aproximadamente 5000 itens distribuídos na Grande São Paulo foram coletados em planilhas eletrônicas. Esse histórico abrange o período de agosto de 2002 a novembro de 2005 por englobar o maior período confiável para extração de dados no sistema de gestão de estoques (Warehouse Management System - WMS) vigente na distribuidora em questão. O número de meses coletados não é suficiente para utilização de alguns métodos de previsão mais sofisticados e levando-se em consideração que os métodos de previsão usaram 36 meses móveis, a modelagem dificultou agregação temporal, como semestres, o que foi limitação do trabalho. Agregações espaciais como cidades, estados, etc poderiam ser feitas se houvesse dados de outras filiais.

A seleção e limpeza de dados foram feitas por filtros em planilha eletrônica, eliminando:

ƒ itens que não foram comercializados de forma contínua ao longo dos meses abrangidos pelo histórico;

ƒ itens com valores de vendas nulos ou negativos;

ƒ itens cujos estoques, ao longo do período de abrangência, comprometeram as vendas de alguma forma.

Desta forma, somente 90 itens foram considerados adequados para análise e foram divididos em 7 famílias farmacêuticas das mais conhecidas popularmente. Também foram coletadas em planilhas eletrônicas, a partir de sítios oficiais na Internet, variáveis explicativas que sejam úteis numa possível modelagem causal:

1) os dados mensais de temperaturas;

2) índices sócio-econômicos, como Preço Máximo ao Consumidor (PMC) de cada medicamento, renda real trimestral, Índice de Preço ao Consumidor Amplo acumulado em 12 meses (IPCA) e Porcentagem de Desemprego;

3) dias de internação e número de consultas ao médico.

Estas variáveis são apresentadas em séries históricas mensais, referem-se à região da Grande São Paulo e abrangem o período de 2002 a novembro de 2005.

B) Análise de Dados

Paralelamente aos testes modulares descritos a seguir, foi feita a análise de dados com o intuito de descartar alguns itens farmacêuticos por eventuais dificuldades de modelagem, por apresentar valores de teste incompatíveis com pressupostos estatísticos e outros motivos. Esta etapa também teve o intuito de verificar a necessidade de coleta de novas variáveis explicativas.

C) Teste Modular do Pacote Estatístico

O método de regressão stepwise (passo a passo) foi usado para descobrir quais variáveis são mais significativas, ou seja, as variáveis que mais influenciam as vendas de cada item farmacêutico, tanto individualmente como famílias de itens. Baseadas na descoberta das variáveis mais significativas foram testadas várias equações de regressão possíveis, a fim de obter uma equação de regressão que, ao mesmo tempo, tenha o melhor ajuste possível e atenda o máximo de pressupostos

estatísticos. No caso da modelagem causal, foram escolhidos os modelos lineares por questões de simplicidade e serem aptos para indicar a tendência da previsão. D) Teste Modular das Planilhas Eletrônicas

O método de suavização exponencial tripla ou Holt-Winters foi implantado por meio de equações em planilha eletrônica e ferramenta de otimização de parâmetros disponível no próprio aplicativo de planilhas em questão.

As planilhas eletrônicas também servem de interface com o pacote estatístico e com o data warehouse. Assim, as funcionalidades de importação e exportação de dados são pontos de especial atenção.

As próprias planilhas eletrônicas fizeram o papel de um repositório de dados simples e também, o papel de ferramentas OLAP, transformando dados em cubos multidimensionais que foram observados por diferentes perspectivas.

E) Criação do Sistema de Apoio à Decisão e Validação de Cenários

O repositório de dados recebeu valores de vendas reais e previstos item a item e os converteu (por agregação) em previsão por família e por mês. Também recebeu valores reais e previstos de representatividade de vendas (mix) de itens em relação às famílias e ao valor mensal agregado. Assim, tanto as expectativas da diretoria quanto as previsões mensais agregadas foram desagregadas e diversos cenários foram criados.