Análise de métodos de previsão de demanda para empresa fabricante de produtos de transmissão e distribuição de energia

Atualmente, a previsão de demanda é uma atividade crítica e, ao mesmo tempo, essencial no contexto instável em que as empresas atuam. Sendo assim, uma previsão eficaz é sinônimo de decisões mais assertivas e seguras para seus tomadores de decisão. O presente trabalho tem por finalidade realizar uma análise comparativa e identificar, entre dois métodos quantitativos selecionados, aquele que gera o menor erro de previsão de demanda para os produtos de transmissão e distribuição de energia da empresa em questão. Com o intuito de selecionar um modelo sistemático prático, simples e, acima de tudo, mais assertivo, ou seja, um possível substituto para o modelo subjetivo atualmente empregado pela empresa, optou-se por contrapor as previsões obtidas por meio dos métodos de decomposição clássica e redes neurais artificiais. A amostra utilizada na modelagem contempla 72 observações mensais do resultado de vendas, combinada com duas variáveis independentes selecionadas após investigação, as quais são aplicadas somente no modelo de inteligência artificial. Os resultados obtidos pela aplicação da técnica de redes neurais artificiais mostraram uma precisão superior à técnica de decomposição clássica, o que sinaliza que tal método pode servir como uma boa ferramenta para a geração de previsões e auxílio no planejamento e tomada de decisões da empresa.Nowadays, demand forecast is a critical issue, whereas it is also essential information on the unstable context organizations do business. Therefore, an efficient forecast means more accurate and safer decisions to be made. This study aims at comparing and identifying, between two quantitative methods, the one that leads to minor forecasting errors for transmission and distribution equipment. It also aims to select a practical, simple, and, above all, more accurate systematic model, in other words, a tool that is going to likely replace the subjective method of forecasting currently used by the company, thus it has been decided to confront classical decomposition and artificial neural networks methods. The sample used contains 72 monthly observations of sales, combined with carefully selected numeric independent variables, which in this case are only applicable to the artificial intelligence method. Artificial neural networks resulted to be more accurate than classical decomposition, which means that this method can be used as a good predictive tool, supporting company planners and decision makers