Documente Academic
Documente Profesional
Documente Cultură
Resumo
O aumento da economia global, a concorrência e a tecnologia exigem cada vez mais agilidade e flexibilidade das
organizações. Na siderurgia isso não é diferente, apesar de seus processos requererem grandes escalas e con-
seqüente elevação dos tempos de lead time. A manutenção de estoques, nesse contexto, se torna imprescindível.
Este trabalho apresenta uma contribuição para o processo de tomada de decisão para quantificação de esto-
ques em uma empresa de trefilação de arames. Um modelo matemático foi elaborado para auxiliar as políticas
de aquisição e manutenção de estoques de cada item. A empresa forneceu informações chave para o modelo:
vendas agregadas de produtos acabados; demanda histórica de insumos; histórico de suprimentos; desempenho
de fornecedores e estratégia de compra para o período. Como o sistema envolve variáveis estocásticas, fez-se
necessário a determinação dos níveis de estoque de segurança para evitar rupturas na produção e no fornecimento
de produto aos clientes.
Palavras-chave
Estoque, previsão de vendas, simulação, estoque de segurança, siderurgia.
Key words
Inventory, forecast sales, simulation, safety stock, metallurgy.
de quase quatro mil itens de produtos acabados que a em- poderiam determinar, com boa precisão, o planejamento de
presa oferece ao mercado. Esses números já dão uma idéia compra de insumos. O desafio apresentado era que, utili-
da complexidade do Planejamento e Controle da Produção – zando os dados disponíveis de comportamento histórico da
PCP dessa empresa. previsão de vendas agregadas de produtos acabados (GV) e
Para simplificar e viabilizar análises e verificar tendên- o respectivo mix de insumos (FMItem), adicionados a pa-
cias, a empresa utiliza o monitoramento agregado de di- râmetros e restrições de produção, poder-se-ia determinar o
versas variáveis do processo. Por agregação entende-se o planejamento de compra de cada item de fio-máquina para
agrupamento de diversos itens relacionados em grupos que o mês seguinte ao planejamento.
passam então a representar um determina-
do conjunto de itens.
ecisões estratégicas, tais como aquelas
Assim, a área comercial faz seu plane-
jamento avaliando setores de negócio ou
grupos de produtos. Os chamados Grupos
de Venda – GV tornam-se assim a base do
D que tratam de capacidade, nível de
serviço e rede de distribuição, são complexas
planejamento de demanda (previsão de
vendas) da empresa. Atualmente a em- e envolvem o comprometimento de recursos
presa possui aproximadamente 120 GVs,
cada qual constituído de diversos tipos de ao longo de vários anos.
FM, aqui chamados FMItem. A demanda
dos GVs e suas composições em termos
de FMItem são variáveis aleatórias, cujos comportamentos Para viabilizar o registro dos pedidos dos diversos
históricos são conhecidos. FMItem com a antecedência requerida, foi elaborado um
O desafio do presente trabalho foi definir corretamente as modelo de avaliação dos dados históricos de desempenho
variáveis e parâmetros do processo decisório para retratá-lo desse processo para testar seu comportamento e distribuição.
num modelo matemático, baseado em conceitos de simula- Também foram incluídas algumas informações relevantes a
ção de processos, que apóie a tomada de decisão de pedido essa tomada de decisão.
de compra mensal do insumo FM. Para as variáveis aleatórias desse processo foram as-
O fornecedor do insumo FM é uma empresa do grupo que, sociadas curvas de distribuição de probabilidade que, in-
visando planejar-se melhor e otimizar seus resultados, pas- teragindo entre si, possibilitarão a definição do pedido de
sou a exigir que os pedidos de FMItem fossem registrados compra para cada FMItem através da utilização de técnicas
no mês anterior a sua previsão de entrega. de simulação.
Com base no estudo e tratamento dos dados coletados
BASES METODOLÓGICAS DO TRABALHO (histórico da movimentação de materiais entre a empresa
e seus fornecedores do insumo FM) foi elaborado e imple-
A metodologia de pesquisa utilizada durante o desenvol- mentado computacionalmente um modelo matemático. Esta
vimento deste trabalho foi a de pesquisa-ação. A idéia central ferramenta tem como objetivo gerar e avaliar cenários rela-
é usar uma abordagem científica para estudar a resolução cionados ao processo de compra e estocagem de FMItem.
de importantes matérias organizacionais juntamente com Na definição de uma política de estoques, normalmente
aqueles que vivenciam estas matérias diretamente (COU- usa-se o critério de minimização do custo total. No entanto,
GHLAN; COGHLAN, 2002). para Hillier e Lieberman (2005), outro critério a ser consi-
Na pesquisa-ação, membros do sistema que está sendo derado, embora não quantitativo, é que a política de estoque
objeto de estudo participam ativamente, ao contrário da resultante seja simples. Por “simples” devemos entender a
pesquisa tradicional, em que os membros do sistema são existência de uma regra clara para indicar quando e quanto
objetos do estudo. Ela também é simultânea com a ação. A encomendar.
meta é fazer uma ação efetiva enquanto simultaneamente Para Santos e Rodrigues (2005), algumas mudanças no
se constrói um conhecimento científico. Todo o trabalho foi mercado, como o crescimento do nível de personalização
desenvolvido pelos autores com grande participação dos dos produtos, as fusões e aquisições no mercado industrial,
membros do corpo técnico da empresa. Este trabalho é uma geraram uma demanda extremamente irregular. Esse tipo
síntese do trabalho de Peixoto (2006), cuja hipótese era que de demanda é caracterizado por alto nível de variabilidade
o comportamento histórico das previsões de venda de pro- medido pelo coeficiente de variação (CV). Além disso, nesse
dutos acabados e o respectivo mix de produtos necessários à tipo de demanda, há picos de consumo seguidos de vários
produção, adicionados a parâmetros e restrições de produção períodos de consumo nulo ou baixo.
O coeficiente de variação (CV) mede a concentração, a necessidade de simplificações do modelo real, mas ainda
polarização ou amontoamento da demanda de um item assim elas são ferramentas de aplicação computacional com-
(JACOBS e WHYBARK, 1992). A partir dele enxerga-se plexa, o que dificulta o seu uso prático.
se a demanda do item é contínua ou intermitente. Porém, a É comum encontrar empresas que necessitam desenvol-
definição do valor que caracteriza um CV como alto, médio ver políticas de estoques para centenas de itens. Clientes
ou baixo varia de um autor para outro. Ele é freqüentemen- cada vez mais exigentes por diferentes produtos fazem com
te estimado como o resultado do desvio padrão da amostra que o número de itens em estoque aumente consideravel-
dividido pela sua média. Pang et al. (2003) afirmam que mente. Isso fez com que o planejamento e o controle do
mesmo para uma distribuição Normal, a exata distribuição estoque se tornassem uma atividade complexa, criando a
do CV é difícil de ser obtida. necessidade de classificar os itens com multicritérios. Para
Segundo Petrovic e Petrovic (2001), os estoques ope- Ramanathan (2004), esses critérios podem ser vários, tais
ram em presença de eventos aleatórios. Portanto, diante de como: custo de estoque, importância do item, tempo de
tantas variáveis que afetam o gerenciamento dos estoques, produção, existência de atributos comuns, obsolescência,
a definição da política de ressuprimento adequada é um facilidade de substituição, número de reposições por ano,
problema desafiador. escassez, durabilidade, tamanho de lote de reposição, esto-
cagem, distribuição de demanda e custo
de penalidade por falta.
oda política de controle de estoques deve
T administrar o difícil dilema entre minimizar
custos de manutenção de estoques e
Segundo Partovi e Anandarajan (2002),
quando há centenas de itens de estoque
para controle, é comum se perder de vista
o gerenciamento efetivo e adequado para
cada tipo de material. Uma solução pos-
satisfazer a demanda do cliente. sível é a separação e a classificação dos
itens em subgrupos, permitindo a adoção
da melhor política para cada um desses.
Uma informação importante para apoiar o gestor de esto- Assim a companhia opta por não despender grande esforço
ques durante sua tomada de decisão diz respeito à probabi- para determinar uma política ótima de estoque para cada
lidade de ruptura do estoque, ou seja, probabilidade de falta item.
do produto no estoque para atender a demanda. De acordo Para realização de um bom planejamento da produção é
com Yeh et al. (1997), a determinação da probabilidade de essencial que as empresas trabalhem com uma boa base nas
ruptura só pode ser feita após a determinação da distribuição suas previsões de venda. Previsões ruins vão levar a empresa
de probabilidade que rege a amostragem da demanda. a tomar decisões ruins, o que compromete a sua competiti-
Bartezzghi et al. (1999) propuseram um estudo, através vidade (CORRÊA, 2001).
do uso de simulação, para verificar quais os impactos das di- No entanto, muito embora a previsão de demanda possa
ferentes formas das distribuição de demanda nos estoques. ser uma ferramenta importante no processo de planejamento
Podem-se encontrar na literatura diversos exemplos de para os gerentes, é difícil conseguir uma previsão totalmen-
políticas de gestão de estoques que, traduzidas matematica- te correta. Ao contrário, na maioria dos casos são atingidos
mente, foram posteriormente derivadas para que fosse pos- resultados muito distantes destes. Quanto maior for o hori-
sível determinar o ponto de ressuprimento, o lote econômico zonte de previsão, maiores serão os erros. Deve-se destacar
de aquisição, etc. Deve-se destacar, no entanto, que para che- ainda que a demanda possui algumas características que
gar a equações matemáticas “tratáveis”, as simplificações do podem influenciar a previsão e as técnicas utilizadas para o
modelo real são quase que uma imposição. seu cálculo (ARNOLD, 1999).
Platt et al. (1997) exemplificam essa prática afirmando A palavra simulação tem diferentes significados depen-
que, na literatura, é muito comum observar a adoção da dendo do contexto em que está sendo aplicada. Nesse tra-
distribuição de demanda durante o lead time como normal- balho, simulação deve ser entendida como o processo de
mente distribuída. Em seu trabalho, eles utilizam essa sim- desenvolvimento de um modelo de um sistema real para
plificação. Ainda assim, a aplicação de métodos de solução condução de experimentos com o propósito de entender o
exatos pode comprometer a aplicação prática dessa iniciati- funcionamento do sistema ou de avaliar estratégias de ope-
va. Custos elevados de desenvolvimento de modelos, dados ração desse sistema (SHANNON, 1975).
variáveis e simplificações fora da realidade dos tomadores A simulação não otimiza a solução do problema, mas
de decisão fazem com que os métodos aproximados domi- permite escolher a melhor opção dentre as alternativas ava-
nem esse campo do conhecimento. As heurísticas reduzem liadas. Uma de suas vantagens é a relativa simplicidade de
construção de modelos se comparada à modelagem matemá- mento. No modelo desenvolvido, o estoque de segurança
tica tradicional (modelos de otimização). Outra vantagem é protege a produção das variações e incertezas do prazo de
a possibilidade de utilização de variáveis probabilísticas ao ressuprimento (lead time de entrega do fornecedor de fio
longo de um período determinado. máquina) e do histórico de consumo (oscilações no volume
A simulação pode ser utilizada fornecendo informações de demanda). Adicionalmente, permite gerar uma proteção
para dar suporte à tomada de decisão ou pode realmente maior com base no conceito de estoque de demanda média
fornecer uma solução (PRITSKER, 1992). num “prazo de cobertura”. Nesse último caso, o sistema atri-
bui um valor adicional ao tradicional estoque de segurança
DESCRIÇÃO DO MODELO para proteger a produção num prazo equivalente aos dias
especificados. Isso é especialmente válido no caso de itens
Foi elaborado um modelo matemático representativo do que têm cronograma de laminação muito espaçado.
sistema real, que foi implementado computacionalmente Para indicar a confiabilidade dos estoques sugeridos,
em Borland Delphi usando base de dados em Microsoft foram criados dois coeficientes de segurança para serem
Access. aplicados ao histórico: o de segurança na demanda (volu-
As premissas do modelo são: me histórico) e o de segurança no tempo de ressuprimento
• periodicidade e revisão mensal do planejamento; (lead time do fornecedor). O processo é representado na
• restrições de volume de compra impostas pela “cota” Figura 1.
(limite de volume) de suprimento do fornecedor de FM; Vale ressaltar que na determinação dos históricos de de-
• aleatoriedade do erro cometido na previsão de vendas por manda e atendimento, para garantir a representatividade dos
GV e aleatoriedade na composição de cada GV (partici- dados, não se pode estender muito o horizonte analisado em
pação de cada FMItem na composição do GV). função das mudanças do mercado e do processo.
Após alguns testes, avaliou-se que 12 meses é um hori-
Os cenários a serem avaliados pelo tomador de decisão zonte reduzido, porém adequado nessa situação (amostra
são construídos a partir da variação dos parâmetros do nível de dados reduzida compromete a determinação das curvas
de serviço e cotas de FMItem. de distribuição de probabilidade que regem as variações /
Na obtenção dos resultados a partir dos cenários construí- incertezas do processo de decisão). Os cálculos para a de-
dos, o algoritmo do sistema opera da seguinte forma: terminação do estoque de segurança são mostrados a seguir
e, apesar das simplificações adotadas, mostraram-se bastante
1o Passo: Determinação do estoque de segurança adequados para o problema em estudo.
O estoque de segurança ameniza variações e/ou incer- Para cada fio máquina, calcula-se um valor para o lead
tezas de curto prazo, tanto de demanda quanto de ressupri- time com base em dados históricos de atendimento dos pedi-
Estoque de
Segurança
de FMItem G
Parâmetro
Entrada
Saída
Freqüência: Mensal
dos de FMItem e obtém-se um conjunto de dados de prazos O estoque de segurança é calculado da seguinte forma:
de atendimento para todos os FM.
ESi = ECi + VDi
LTi = LTMi + DPLi . SLi
ECi = Di . DCi / 30
onde: VDi = LTi . Di / 30
LTi = lead time previsto para o FMi (dias);
LTMi = lead time histórico médio para o FMi (dias); onde:
DPLi = desvio padrão do lead time histórico para o FMi ESi = estoque de segurança para o FMi;
(dias); ECi = estoque de cobertura para o FMi;
SLi = fator de segurança para o lead time do FMi (valores VDi = valor esperado da demanda durante o período do
de SLi no Quadro 1A). lead time para o FMi;
DCi = número de dias desejáveis para cobertura da de-
A partir dos dados históricos de distribuição da demanda manda do FMi.
mensal de FM calcula-se a demanda de cada FMItem (Di):
2o Passo: Determinação do estoque inicial previsto
Di = DMi + DPDi . SDi Para a determinação dos pedidos de FMItem faz-se neces-
sário calcular o estoque no início do período. Com base no
onde: estoque real (Estoque FMItem no dia 20 do mês corrente),
Di = demanda mensal prevista para o FMi (t); no saldo de pedidos confirmados a receber do fornecedor
DMi = demanda mensal histórica média para o FMi (t); de FM, na antecipação de atendimento de pedidos do mês
DPDi = desvio padrão da demanda mensal histórica para posterior (podem ter sido parcialmente registrados para re-
o FMi (t); servar capacidade) e no saldo de pedidos de produto acabado
SDi = fator de segurança para a demanda do FMi (valores do mês corrente a programar, obtém-se o estoque inicial a
de SDi no Quadro 1A). partir do qual os cenários simulados serão construídos. Este
processo é mostrado na Figura 2.
Para os cálculos de Di só foram considerados FMItem
que aparecem no mínimo um determinado número de vezes 3o Passo: Simulação do pedido prévio mensal
(aqui chamado de repetitividade mínima) nos dados históri- Nessa fase, utilizando as distribuições de probabilidade
cos e cujas demandas médias estejam acima de 25% do valor de acerto da previsão de vendas – PV (distribuição empíri-
de seu desvio padrão. Este procedimento visa à eliminação ca) e distribuição do mix de FMItem (distribuição empírica)
de dados pontuais atípicos. dentro do grupo de vendas, o sistema retorna o pedido ideal
Estoque
inicial E=A+B-C-D
Previsto de
FMItem E
Parâmetro
Freqüência: Mensal
para cada FMItem avaliando os parâmetros de estoque ini- dor de decisão na escolha do tamanho do pedido de cada
cial e de segurança calculados anteriormente. O resultado FMItem. A Figura 4 apresenta o diagrama representativo
da simulação é obtido tendo como base diversas observa- do processo.
ções do sistema, cada uma delas
usando amostragens das variá-
modelo, apesar de simplificado em relação
veis aleatórias consideradas. Para
cada observação realizada é gera-
do aleatoriamente um erro para a
previsão das quantidades estabe-
O ao sistema estudado, apresentou resultados
que retratam a realidade com boa qualidade.
lecidas para cada GV, de forma a
simular os erros de previsão com
base nos erros históricos cometidos. De forma análoga, é PARÂMETROS DO SISTEMA
feita uma geração aleatória da composição de cada GV,
baseada nas composições históricas de cada GV. Adicionalmente, foram definidos os demais parâmetros
O pedido sugerido nessa etapa, ainda não contempla res- do sistema. Eles interferem nos resultados apresentados pelo
trições de fornecimento (cota) e ajustes de níveis de priori- modelo e são as variáveis disponíveis para que se possam
dade de atendimento desejados. Isso será obtido na próxima construir cenários. Nos Quadros 1A e 1B destaca-se cada um
fase de processamento das informações pelo sistema. A deles com algumas recomendações a serem seguidas pelo
Figura 3 representa o processo. tomador de decisões.
Tendo em vista a grande variabilidade de demanda
4o Passo: Simulação do pedido final apresentada por alguns FMItem durante a análise e tra-
Aqui é corrigido o pedido calculado na fase anterior com tamento dos dados, fez-se necessário estabelecer alguns
referência a cotas de fornecimento de FMItem, níveis de limites de aplicabilidade do modelo, caso contrário os
prioridade para alocação dessa cota e restrições de capacida- resultados poderiam diferir substancialmente da reali-
de (nível máximo e mínimo – produção para estoque). dade. Escolheu-se a repetitividade e a variabilidade no
Como resultados são obtidos dados de pedido, estoque e histórico da demanda como condições limites. A primeira
nível de serviço no atendimento (médio, mínimo e máximo) restrição, repetitividade, é um parâmetro de entrada do
do cenário desejado. Essas informações apoiarão o toma- sistema. Para a restrição de variabilidade foi elaborado
PV Corrigida
por GV
Parâmetro
Estoque PV por Estoque de Atraso
inicial FMItem F Segurança médio da
Previsto de Parâmetro
de FMItem G entrega
FMItem E mensal H
Parâmetro
Parâmetro Parâmetro
Pedido
Prévio
I=F-E+G+H
Mensal de
FMItem I
Parâmetro Freqüência: Mensal
um teste (TDP – teste do desvio padrão) que é apresen- • Níveis de Estoque de FM, de cada FMItem, no final do
tado juntamente com os dados do resultado da simula- mês;
ção para apoiar e orientar o tomador de decisão sobre a • Lead time histórico dos pedidos de FM (pedidos coloca-
adequação do modelo àquele histórico. Quanto maior a dos x atendimento realizado);
variabilidade, menor a adequação do modelo construído • Nível de Serviço desejado para o estoque de FMItem.
para aquele FMItem.
O sistema fornece as informações geradas pela simulação ANÁLISE E TRATAMENTO DOS DADOS
do processo que servirão de apoio para o tomador de decisão
definir o pedido de FM ao fornecedor. Após consolidação dos dados coletados e tratamento para
O Quadro 2 apresenta as informações fornecidas para adequação aos procedimentos exigidos durante a construção
cada cenário simulado. do modelo, foi desenvolvido um banco de dados composto
Ressalta-se que as informações contidas nesse relatório por tabelas que devem ser continuamente alimentadas para
devem ser utilizadas para apoiar a decisão e que informações possibilitar o processo de simulação que acontecerá perio-
e avaliações complementares devem ser efetuadas. Por isso dicamente (a cada mês). O Quadro 3 apresenta as principais
as informações das quatro últimas linhas do Quadro 2 foram tabelas da base de dados.
adicionadas aos resultados do processo de simulação para
formar um relatório gerencial integrado. Essas informações VERIFICAÇÃO E VALIDAÇÃO DO MODELO
são dados de entrada e foram simplesmente adicionadas aos
respectivos resultados da simulação do processo de compra O modelo foi verificado utilizando-se apenas um grupo
de cada FMItem. de vendas e com uma distribuição empírica de freqüência
que produzia resultados previsíveis, o que possibilitou a
COLETA DE DADOS contraprova manual atestando a confiabilidade dos cálculos
realizados.
Nessa fase foram especificados e coletados os dados que O modelo foi validado através de testes para verificação
apóiam o processo de tomada de decisão de compra e esto- de seu grau de aderência ao processo real com base nos me-
que do insumo FM. Foram eles: ses de outubro, novembro e dezembro de 2004 e janeiro de
• Demanda dos itens de FM (FMItem); 2005. O período foi escolhido por ter todos os dados histó-
• Previsão de vendas (Por GV); ricos disponíveis para alimentação do modelo e comparação
• Mix de FMItem por GV; com o desempenho real da demanda de FM.
Pedido Operador
Mensal de constrói
FMItem J cenários
Parâmetro
Estoque no Nível de
Pedido
Serviço e
K=E+J-F Final do mês Mensal Final
Estoque por
de FMItem K FMItem
FMItem
Parâmetro Parâmetro
Parâmetro
Freqüência : Mensal
especificados, foram mantidos fixos em todos os expe- Em janeiro, houve ruptura de estoque acentuada (em
rimentos; volume) em dois FMItem que juntos representaram 68%
• Informações obtidas utilizando a recomendação de pedi- do volume faltante no mês. Nesses casos, a situação foi
do médio indicado pela simulação do processo; analisada e o crescimento exagerado das vendas em relação
• Dados multiplicados por uma constante para preservar o ao histórico de dados gerou o problema. Neles, a base de
sigilo das informações da empresa. dados histórica não representou bem a realidade e, por isso,
o estoque de segurança não foi capaz de proteger a produ-
A Tabela 1, traz os resultados do processo de validação ção e ocorreu assim falta de FM para atender aos pedidos
do modelo de simulação. O significado de cada item é des- registrados (ruptura).
crito a seguir. O estoque real de fio máquina no final do mês ficou, em
média, 14% acima do volume de estoque previsto, indicando
RESULTADOS que houve variação para baixo das vendas de alguns itens
de grande demanda em relação ao histórico de vendas. Os
O modelo utilizou técnicas de modelagem matemática FMItem que apresentaram estoques elevados em relação ao
que levam em consideração parâmetros estabelecidos por estoque projetado foram analisados e, nesses casos, a redu-
especialistas visando obter um resultado melhor do que se ção drástica nos volumes de venda comprometeu a previsão
poderia obter utilizando apenas estimativas e/ou métodos do modelo.
muito simplificados que não retratam a dinâmica do pro- Perfil de demanda dos FMItem segundo o Teste do Desvio
cesso estudado. Padrão – TDP:
A seguir é apresentado o detalhamento dos resultados TDP = 1,00 (56% dos itens);
obtidos no período em que o modelo foi validado: meses de TDP = 0,75 (16% dos itens);
outubro, novembro e dezembro de 2004 e janeiro de 2005. TDP = 0,50 (19% dos itens);
Média de FMItem simulados por mês: 46%. TDP = 0,25 (7% dos itens).
Em 93% dos itens a política de aquisição sugerida pelo
pedido médio do sistema satisfez a demanda real. A empresa permanece utilizando a ferramenta para apoiar
O volume médio de vendas não atendido por falta de FM seu processo de tomada de decisão de aquisição do insumo
foi de 1,9% das vendas (itens que apresentaram ruptura). FM.
Dentre os FMItem que apresentaram ruptura, um número Especialistas continuam envolvidos no processo e vali-
bastante reduzido representou 45% das rupturas e devem dam a ferramenta.
ter seus históricos de demanda analisados com maior pro- O modelo, apesar de simplificado em relação ao sistema
fundidade para entender os fatores que interferiram nesse estudado, apresentou resultados que retratam a realidade
processo. com boa qualidade.
2004 10 228 93 90 247 187 152 242 389 189 156 23 10% 4,54% 9
2004 11 223 92 123 210 190 148 236 388 161 173 12 5% 0,56% 1
2004 12 216 80 101 194 166 136 209 336 145 155 9 4% 2,91% 4
2005 1 198 79 97 164 164 112 177 296 164 123 18 9% 15,32% 25
Legenda:
Itens Número de FMItem simulados;
Eseg Estoque de segurança total indicado para os itens;
Eini Estoque no início do mês;
Pmed Pedido médio sugerido pelo sistema;
Eproj Estoque projetado para o final do mês;
PVMin Previsão de vendas mínima simulada;
PVMed Previsão de vendas média simulada;
PVMax Previsão de vendas máxima simulada;
Venda Vendas reais apuradas no mês;
ERealMed Estoque real apurado para os itens no final do mês considerando colocação do Pedido Médio;
Rmed Número de rupturas de estoque dentre os FMItem simulados considerando a sugestão de Pmed;
PRup Percentual de rupturas de estoque dentre os FMItem simulados;
MedPRupMed Percentual médio do volume vendido que faltou para ser atendido;
TRMed Tonelagem total não atendida.
n Referências Bibliográficas
ARNOLD, J. R. T. Administração de HILLIER, F.; LIEBERMAN, G. Introduction coefficient of variation for the three- PRITSKER, A. A. B. Simulation: The
Materiais: uma introdução. São Paulo: to Operations Research. 8. ed. New York: parameter Weibull, Lognormal and Premier Technique of Industrial
Atlas, 521 p., 1999. McGraw Hill, 1061 p., 2005. Gamma distribution: a simulation-based Engineering. Industrial Engineering. v.
approach. European Journal of Operational 24, n. 7, p. 25-26, 1992.
Research, v. 164, n. 2, p. 367-377, 2003.
BALLOU, R. H. Gerenciamento da Cadeia de JACOBS, F. R.; WHYBARK, D. C. A com-
Suprimentos: planejamento, organização e parison of Reorder Point and Material
logística empresarial. 4. ed. Porto Alegre: Requirements Planning Inventory Control RAMANATHAN, R. ABC inventory clas-
PARTOVI, F. Y.; ANANDARAJAN, M.
Bookman, 532 p., 2001. Logic. Decision Sciences, v. 23, n. 2, p. 332- sification with multiple-criteria using
343, 1992. Classifying inventory using an artificial
neural network approach. Computers weighted linear optimization. Computers
& Industrial Engineering, v. 41, p. 389- & Operations Research, v. 33, n. 3, p. 695-
BARTEZZGHI, E.; VERGANTI, R.; ZOTTERI,
KREVER, M.; WUNDERINK, S.; DEKKER, 404, 2002. 700, 2004.
G. Measuring the impact of asymme-
tric demand distributions on invento- R.; SCHORR, B. Inventory control based
ries. International Journal of Production on advanced probability theory, an ap-
Economics, v. 60-61, p. 395-404, 1999. plication. European Journal of Operational PEIXOTO, E. C. Planejamento de pedidos
Research, v. 162, n. 2, p. 342-358, 2003. SANTOS, A. M.; RODRIGUES, I. A.
de compra e estoques de insumos a partir
Desenvolvimento de um sistema de
da previsão agregada de vendas e histó-
CORRÊA, H. L.; GIANESI, I. G. N.; CAON, controle de estoques para apoio à
KRUPP, J. A. G. Safety stock management. rico de demanda utilizando simulação.
M. Planejamento, Programação e Controle tomada de decisão num ambiente de
Production and Inventory Management Dissertação de Mestrado. Departamento
da Produção com MRPII / ERP: Conceitos, materiais com diferentes padrões de
Journal, v. 38, n. 3, p. 11-18, 1997. de Engenharia de Produção, Universidade
Uso e Implantação. 4. ed. São Paulo: Atlas, demanda. In: XXV Encontro Nacional de
Federal de Minas Gerais, 70 p., 2006.
452 p., 2001. Engenharia de Produção – ENEGEP. Anais,
KRUPP, J. A. G. Integrating Kanban and Porto Alegre, 2005.
MRP to reduce lead time. Production PETROVIC, R.; PETROVIC, D. Multicriteria
COUGHL AN P.; COGHL AN D. Action and Inventory Management Journal, v. 43, ranking of inventory replenishment
research for operations management. p. 78-92, 2002. policies in the presence of uncertainty SHANNON, R. E. Systems Simulation: The
International Journal of Operations &
Production Management, v. 22, n. 2, in customer demand. International Art and the Science. New Jersey: Prentice-
p. 220-240, 2002. LENARD, J. D.; ROY, B. Multi-Item Journal of Production Economics, v. 71, p. Hall, 387 p., 1975.
Inventory Control: A Multicriteria View. 439-446, 2001.
European Journal of Operational Research,
HAUTANIEMI, P.; PIRTTILÄ, T. The choice v. 87, p. 685-692, 1995.
of replenishment policies in an MRP PLATT, D.; ROBINSON, L. W.; FREUND, R. YEH, Q. J.; CHANG, T. P.; CHANG, H. C. An
environment. International Journal of B. Tractable (Q, R) Heuristic Models for inventory control model with Gamma dis-
Production Economics, v. 59, p. 85-92, PANG, W. K.; LEUNG, P. K.; HUANG, W. Constrained Service Levels. Management tribution. Microelectronics and Reliability,
1999. K.; LIU, W. On interval estimation of the Science, v. 43, n. 7, p. 951, 1997. v. 37, n. 8, p. 1197-1201, 1997.
n Sobre os autores