ARTIGO ORIGINAL
MENDES, Nadielly Gomes [1], SILVA, Thiago Feitosa da [2], RODRIGUES, Arthur Rocha [3], COSTA, Karen Soares da [4], ESTELLER, Luchiana Fernandes Silva [5], NETO, Roberto Carlos Santiago [6], OLIVEIRA, Welder Lopes de [7]
MENDES, Nadielly Gomes. Et al. Estudos dos casos de neoplasias como princípio de seleção da previsão de demanda. Revista Científica Multidisciplinar Núcleo do Conhecimento. Ano 04, Ed. 09, Vol. 06, pp. 121-160. Setembro de 2019. ISSN: 2448-0959, Link de acesso: https://www.nucleodoconhecimento.com.br/engenharia-quimica/casos-de-neoplasias
RESUMO
Prever a demanda é um dos fatores mais importantes para desenvolvimento e planejamento estratégico das organizações, elevando sua capacidade competitiva. As previsões se fundamentam em obter dados de um determinado período de tempo específico, realizando uma análise quantitativa ou qualitativa. A presente pesquisa tem como objetivo fazer a predição da incidência de neoplasias com os métodos de previsão de demanda de Holt, Winters e Suavização Exponencial simples, aplicando os dados reais do número de neoplasias que ocorreram entre os meses de julho de 2017 a junho de 2018 nos modelos, com o intuito de e realizar a predição de sua ocorrência no mês de julho de 2018 e demonstrar qual destes proporcionará o índice mais elevado de confiabilidade, justificando-se pela importância de sua contribuição em auxiliar os gestores a tomarem qualquer decisão, contribuindo para que o planejamento nacional de saúde seja feito de forma estratégica e eficiente. Realizou-se uma comparação entre os resultados dos modelos concluindo que o método de Suavização Exponencial de Winters é o melhor método a ser utilizado, mostrando que o modelo é valido pela proximidade com os dados reais, podendo ser utilizado no processo decisório.
Palavras-chave: Previsão de demanda, métodos de previsão, neoplasias.
1. INTRODUÇÃO
Atualmente, as informações que são adquiridas pelas empresas são armazenadas e utilizadas para desenvolver medidas que as auxiliem no processo de tomada de decisão para planejamento a médio e longo prazo. Essa previsão observa dados que foram coletados no passado, fazendo um comparativo com os do presente, utilizando técnicas estatísticas para simular o sistema, com isso podendo realizar a previsão de eventos futuros, obedecendo às margens de erro.
A previsão de demanda é primordial para o desempenho de uma organização, pois auxilia na tomada de decisão para distribuição de recursos que são necessários, na programação dos recursos existentes e também nos recursos adicionais, proporcionando aos gestores de utilizarem a capacidade da empresa de forma produtiva, diminuindo o nível de estoque, sem prejudicar o nível de serviço. (RITZMAN E KRAJEWSKI, 2004).
Os estoques são recursos que têm valor econômico destinado a desenvolver as atividades da empresa, porém eles consomem capital de giro; mas empregados de forma correta, podem otimizar os investimentos e serem utilizados para suprir as necessidades de outros setores da empresa.
Monks (1987) cita alguns motivos para a realização da manutenção dos estoques:
a) consegue atender os clientes com demandas de curto e longo prazo;
b) gerencia os estoques para que não haja excesso ou falta de suprimentos;
c) auxilia na padronização dos níveis de produção, melhorando a relação de trabalho.
Assim, fica evidente a importância da análise correta da previsão de demanda dentro das organizações, pois é estreita a relação entre a disposição de recursos e a necessidade de redução de custos, tornando-se parte integrante do planejamento estratégico como uma ferramenta de auxílio para os setores de suprimentos e compras.
Existem vários métodos para previsão de demanda, entre eles, o método de Holt que utiliza a média móvel, transformada de simples em exponencial, onde visa representar melhor a tendência e a sazonalidade dos dados e, geralmente, produz previsões melhores do que as realizadas com médias móveis simples, como a decomposição clássica (SAMOHYL et al., 2008).
Esses modelos de previsão, aplicam-se a uma infinidade de situações, especialmente, em casos onde os elementos da população medida, tendem a ter distribuição de probabilidade normalmente realizada, como por exemplo, no surgimento de novos casos de doenças na área da saúde.
Com as necessidades de demandas de medicamentos, equipamentos e a descoberta de novas doenças, entre outros motivos, o setor de saúde pode ser caracterizado como uma área complexa. Cada vez mais, tornam-se insuficientes os recursos que são repassados à área da saúde, portanto, a previsão pode ser uma alternativa para prever e gerir melhor os recursos que são distribuídos nesse setor, especialmente, no que concerne aos recursos direcionados para o tratamento de neoplasias, doença que foi responsável por mais de 8,2 milhões de mortes no mundo, e 223,4 mil delas somente no Brasil em 2015, segundo dados do Instituto Nacional de Câncer José Alencar Gomes da Silva (INCA, 2016).
Conforme Alonso (1999, p. 87), “o conhecimento dos custos dos serviços públicos é fundamental para se atingir uma alocação eficiente de recursos. O desconhecimento dos custos é o maior indicador de ineficiência no provimento dos serviços públicos”.
Portanto, problematiza-se, qual o melhor método de previsão de demanda para antever as incidências de neoplasias?
O presente trabalho tem como objetivo principal prever o número provável da incidência de neoplasias que irão ocorrer no mês de julho de 2018, através dos dados históricos coletados do site do INCA. Especificamente, pretende-se: i) coletar os dados do número real de incidências no período de julho de 2017 a junho de 2018; ii) Analisar os dados coletados; iii) obter as previsões através de diversas técnicas distintas e identificar aquela que trouxer o melhor resultado.
Este estudo justifica-se pela importância da previsão em antever a incidência de neoplasias para realizar a distribuição correta de recursos, contribuindo para planejamento nacional de saúde, visto que os recursos econômicos repassados para essa área tornam-se cada vez mais escassos à medida que a expectativa de vida da população aumenta, fazendo com que se tenha uma desigualdade entre a capacidade de atendimento e o tratamento adequado nos serviços prestados.
A gestão e o planejamento na área de saúde, por meio da utilização de técnicas de previsão, mostram-se relevantes já que acrescentam importância não só econômica, em função da necessidade de redução de custos, mas também social, trazendo mais qualidade a partir da utilização de parte do capital imobilizado para outras finalidades, como na gestão da compra de medicamentos, equipamentos, contratação de profissionais e campanha de conscientização destinada à prevenção e ao tratamento dessa doença.
A viabilidade da pesquisa foi determinada pela adequação dos modelos de previsão à série histórica em estudo. Prever a quantidade de novos casos da doença é primordial para que possam ser discutidas as estratégias de planejamento, diagnóstico precoce, acompanhamento e atenção paliativa das neoplasias.
2. REFERENCIAL TEÓRICO
2.1 MINISTÉRIO DA SAÚDE
A constituição de 1988 ressalta que “Saúde é direito de todos e dever do Estado” e criou o Sistema Único de Saúde (SUS), envolvendo desde o atendimento para avaliação da pressão arterial até o transplante de órgãos, assegurando atendimento integral, universal e gratuito para a população brasileira.
O Ministério da Saúde é o órgão do Poder Executivo Federal responsável pela organização e elaboração de planos e políticas públicas voltados para a promoção, prevenção e assistência à saúde dos brasileiros. (MINISTÉRIO DA SAÚDE, 2013)
Desenvolvida no Brasil, a Lei Orgânica da Saúde – n° 8.080, de 19 de setembro de 1990 “quando determina quais são as competência e responsabilidades em todas as esferas de governo, expõe na Seção I, art. 15, inciso V, a necessidade de “elaboração de normas técnicas e estabelecimento de padrões de qualidade e parâmetros de custos que caracterizam a assistência à saúde”. (LEI DO SUS, 2012)
Complementando, o SUS em sua Carta dos Direitos dos Usuários da Saúde, no seu segundo princípio, apresenta que é direito do cidadão obter atendimento resolutivo com qualidade, todas as vezes quando for necessário, tendo garantido, assim as informações a respeito do seu estado de saúde, contendo nestas, os dados sobre quais os custos dos procedimentos pelo qual se beneficiou. (BRASIL, 2007).
Segundo o Ministério da saúde, o SUS é um dos maiores sistemas públicos de saúde do mundo, ele é o único que garante assistência absoluta e inteiramente gratuita para a toda população, até mesmo aos pacientes portadores do HIV, sintomáticos ou não, aos pacientes renais crônicos e aos pacientes com câncer. (MINISTÉRIO DA SAÚDE, 2013).
2.2 NEOPLASIA
Neoplasia, mais conhecido como tumor, significa desenvolvimento de forma anormal e desordenada das células do corpo humano, elas podem se caracterizar como benignas ou malignas. Porém, câncer é o termo usado para os tumores malignos, segundo dados do Instituto Nacional de Câncer José Alencar Gomes da Silva (INCA, 2016).
O Ministério da Saúde aponta que está acontecendo várias mudanças nos motivos pelos quais ocorrem a mortalidade e morbidade no Brasil, esse fenômeno é chamado de transição epidemiológica ou mudança do perfil epidemiológico. Com a diminuição da mortalidade e natalidade, há um aumento na expectativa de vida e envelhecimento da população, tendo como consequência a elevação nos índices de doenças crônico-degenerativas e câncer. (INCA, 2011)
No Brasil, são as neoplasias a segunda maior causa de mortes no país – com tendência de aumento nos próximos anos. Esta doença é responsável pela mudança do perfil de adoecimento da população brasileira e uma das principais causas de morte em todo o mundo. A cada ano, cerca de 8,2 milhões de pessoas morrem devido a essa enfermidade. (INCA, 2011).
A prevenção e o controle da doença são prioridades na agenda do Ministério da Saúde. A neoplasia é uma questão de saúde pública, um dos problemas de mais complexos que o sistema de saúde brasileiro enfrenta, principalmente, pela sua possibilidade de prevenção: cerca de um terço dos casos novos de câncer no mundo poderiam ser evitados. (INCA, 2011).
A Gráfico 1 mostra os índices de neoplasias que ocorrem a nível mundial onde quanto mais escuro for o tom de azul maior é a incidência
Gráfico 1 – Índice de casos de neoplasias a nível mundial
No ano de 2012, foram registrados 14,1 milhões de casos de neoplasias e 8,2 milhões de mortes no mundo. Os casos foram maiores na incidência (53%) e na mortalidade (57%) para o sexo masculino, os maiores índices da doença foram registrados nos países desenvolvidos (América do Norte, Europa Ocidental, Japão, Coreia do Sul, Austrália e Nova Zelândia). Percentuais medianos estão na América do Sul e Central, no Leste Europeu e em grande parte do Sudeste Asiático (incluindo a China). As menores porcentagens foram em grande parte da África e no Sul e Oeste da Ásia (incluindo a Índia). Enquanto, nos países desenvolvidos, predominam os tipos de neoplasias associados à urbanização e ao desenvolvimento (pulmão, próstata, mama feminina, cólon e reto), nos países de baixo e médio desenvolvimentos, ainda é alta a ocorrência de tipos de câncer associados a infecções (colo do útero, estômago, esôfago, fígado). Além disso, apesar da baixa incidência, a mortalidade representa quase 80% dos óbitos de câncer no mundo. (FERLAY et al., 2013).
Os tipos de neoplasias que mais se desenvolveram mundialmente foram pulmão (1,8 milhão), mama (1,7 milhão), intestino (1,4 milhão) e próstata (1,1 milhão), conforme pode ser observado no gráfico abaixo:
Gráfico 2- 10 tipos de neoplasias mais comuns, diagnosticadas no mundo
Nos homens, os mais corriqueiros foram pulmão (16,7%), próstata (15,0%), intestino (10,0%), estômago (8,5%) e fígado (7,5%). Em mulheres, as maiores frequências foram encontradas na mama (25,2%), intestino (9,2%), pulmão (8,7%), colo do útero (7,9%) e estômago (4,8%) (FERLAY et al., 2013).
A estimativa para o Brasil em 2018-2019, levando em consideração os dados do INCA é 600 mil novos casos de neoplasias, a cada ano. O cálculo global corrigido para o sub-registro, aponta a ocorrência de 640 mil casos novos. Isso mostra o aspecto de um país que tem os cânceres de próstata, pulmão, mama feminina, cólon e reto entre os que mais ocorrem, e ainda revela elevadas taxas para os cânceres do colo do útero, estômago e esôfago, conforme descritos na Tabela 1.
Tabela 1- Estimativa de novos casos de neoplasias para o Brasil 2018-2019
Os cânceres de próstata (68 mil) em homens e mama (60 mil) em mulheres serão os mais frequentes. Com exceção do câncer de pele não melanoma; em homens, serão próstata (31,7%), pulmão (8,7%), intestino (8,1%), estômago (6,3%) e cavidade oral (5,2%) os tipos mais incidentes. Nas mulheres, os cânceres de mama (29,5%), intestino (9,4%), colo do útero (8,1%), pulmão (6,2%) e tireoide (4,0%) estarão entre os principais.
Por idade, mostra que, tanto para homens (217,27) quanto para mulheres (191,78), são avaliados iguais com os apresentados para países em desenvolvimento.
A classificação de casos por região geográfica aponta que as regiões Sul e Sudeste reúnem 70% de casos novos; sendo que, na Região Sudeste, localiza quase a metade dessa incidência. Há uma alta mudança na magnitude e nos tipos de neoplasias entre as diferentes regiões do Brasil. Nas regiões Sul e Sudeste, dominam os cânceres de próstata e de mama feminina, assim como os cânceres de pulmão e de intestino. Na região Centro-Oeste, os cânceres do colo do útero e de estômago estão entre os que mais ocorrem. No Norte e Nordeste, apesar de também exibirem os cânceres de próstata e mama feminina entre os principais, os casos dos cânceres do colo do útero e estômago têm impacto importante nessa população. A região Norte como pode ser visto na Tabela 2, é a única do país onde as taxas dos cânceres de mama e do colo do útero se equivalem entre as mulheres.
Tabela 2- Estimativa de novos casos de neoplasias por região geográfica.
São dados alarmantes que precedem um cenário, onde provavelmente haverá um desconforto devido aos grandes impactos causados no orçamento da saúde pública.
2.3 CUSTOS DA NEOPLASIA E OS GASTOS COM SAÚDE
É de suma importância para administradores, gestores e tomadores de decisão, avaliar e manter um equilíbrio plausível entre os valores dos custos e os benefícios das intervenções para tratamento de neoplasias. É aceitável considerar outras opções para novas intervenções e garantir uma melhora nos resultados, porém estas necessitam ter um valor aceitável que compense o rendimento produzido.
Os tratamentos realizados para os casos de neoplasias denominados antineoplásicos, representam elevado custo para os sistemas de saúde como o SUS (Sistema Único de Saúde) e também para o Sistema de Saúde Suplementar. (SOUZA et al, 2009).
A demanda de tratamento e os gastos com câncer no Brasil se elevam gradativamente, mas mesmo com todo investimento, eles ainda estão aquém do atender das necessidades.
No período entre 1999 a 2015, saltaram de R$ 470 milhões para R$ 3,3 bilhões de reais, houve um aumento sete vezes maior, num período de 16 anos, isso contabilizado somente os gastos com tratamento, mas esses dados não envolvem as despesas com promoção e prevenção, dois terços destes gastos estão relacionados, exclusivamente, à quimioterapia. (MEDICI, 2018).
No Brasil, a maior parte dos casos são detectados nos estágios mais avançados e são muito baixos os níveis de estratégias de prevenção para essa doença e, em contrapartida, o número de pessoas que carecem de medicamentos e tratamentos é muito alto. Deste modo, a demanda por tratamento consegue ser sempre maior do que se tem disponível para atender todos os casos.
Os estágios da neoplasia são determinados a partir da gravidade e progressão da doença. De modo geral, os valores diretos que são gastos vão crescendo conforme sua gravidade, exigindo maior intensidade no tratamento e, portanto, custos mais elevados. Em geral, estes estágios podem ser resumidos como:
- Estágio 0: Carcinoma em situ, ou seja, restrito a área inicial onde aparece;
- Estágio 1: início de tumor na área inicial mas sem comprometimento linfático;
- Estágio 2: Espalhando-se no tecido inicial, ou em mais de um tecido, com comprometimento do sistema linfático;
- Estágio 3: Localmente avançado, espalhado por mais de um tecido e causando comprometimento linfático;
- Estágio 4: Metástase à distância, ou seja, espalhando para outros órgãos ou todo o corpo,
- Estágio 5: Fase terminal. (INSTITUTO ONCOGUIA, 2016).
Boa parte do aumento dos gastos se justifica pelos custos associados ao tratamento em estágios mais avançados da doença.
Estudos realizados sobre os tipos de câncer, utilizando informações do DATASUS, mostraram diferenças substanciais nas despesas com o tratamento dos estágios para diferentes tipos de câncer no Brasil, conforme pode ser observado nos gráficos a seguir, onde foram analisados quais foram os gastos em diferentes estágios da doença, como os cânceres de reto, cólon, mama pré-menopausa e mama pós-menopausa.
Gráfico 3- Custos por caso – neoplasia no reto 2016 no SUS (em R$)
Gráfico 4- Custo por caso – neoplasia no cólon 2016 no SUS (em R$)
Gráfico 5- Custos por caso – neoplasia de Mama pré-menopausa no SUS (Em R$)
Gráfico 6- Custos por caso – neoplasia na mama pós-menopausa no SUS (em R$)
Fazendo uma comparação entre os gráficos 1, 2, 3, 4 os gastos do SUS destinados ao tratamento nos estágios 2 e 3 são maiores do que no 1º estágio, podendo chegar a uma proporção de ser seis vezes maior em comparação ao estágio 1.
Os tratamentos antineoplásicos representam alto custo para os sistemas de saúde brasileiros, tanto para o Sistema Único de Saúde como para o Sistema de Saúde Suplementar. (SOUZA et al, 2009).
A exigência do governo e da sociedade pela diminuição dos gastos e despesas, aumento e melhoria na produtividade e qualidade dos atendimentos nos serviços de saúde no Brasil, caminha pela busca de um modelo de Gerenciamento Sustentável destas instituições. (SILVA, et al 2003)
A principal premissa é que os recursos destinados são limitados e torna-se imprescindível aproveitá-los de maneira coerente, levando em consideração quais são os objetivos almejados. Devido a isso, é substancial a inclusão de informações e métodos que auxiliem os gestores na discussão do financiamento do sistema de saúde, para garantir a alocação eficiente dos recursos disponíveis, na regulação do mercado de produtos e serviços e na escolha de técnicas de custo mais efetivas (BRASIL, 2012).
2.4 PREVISÃO DE DEMANDA
No contexto atual, onde as organizações se encontram inseridas, é de suma importância o planejamento e o domínio de seus recursos como um todo, para que possam alcançar o desejo de seus clientes, obtendo lucros maiores e redução de prováveis perdas. Desta forma, cada vez mais, é necessário prever as atividades a serem executadas.
Essas necessidades incluem a oferta de produtos com mais qualidade e entrega eficiente. Porém, muitas vezes as empresas não dispõem dessa habilidade exigida devido aos clientes com necessidades diferentes (KRAJEWSKI e RITZMAN, 1994).
Tal processo envolve modelos estatísticos, matemáticos ou econométricos, ou ainda, modelos mais subjetivos. É importante que a empresa escolha o método que melhor se adapte a sua realidade. (MARTINS e LAUGENI 1998).
A Previsão de Demanda é um processo lógico que visa buscar informação sobre vendas futuras e seus valores, sendo de um só item ou um conjunto deles. Na realização desta atividade, devem constar informações sobre qualidade e localizações futuras de produtos ou serviços. (MOREIRA, 2009)
Buscando reduzir ao máximo o espaço entre oferta e demanda, evitando assim a insatisfação dos clientes; as indústrias estão recorrendo ao uso de ferramentas que permitem uma melhor tomada de decisão a respeito da programação de sua produção.
Segundo Gaither e Frazier (2001), a previsão da demanda são estimativas futuras de um produto ou serviço. Escolher um modelo que desenvolve melhor essas estimativas contribui expressivamente para que uma organização não tenha gastos desnecessários. Em outras palavras, Samohyl et al. (2008) cita que as previsões de demanda, onde não tem muita precisão, faz com que a empresa tenha custos.
Gaither e Frazier, 2001 citam que as estimativas da demanda futura geralmente são denominadas de previsões de vendas, elas são o ponto inicial para todas as outras previsões na gestão da produção e operações.
A importância das previsões é devido às necessidades que uma empresa tem em conhecer quais serão os recursos essenciais para planejar suas atividades ao longo do tempo (RITZMAN E KRAJEWSKI, 2004).
Esse planejamento e controle devem ocorrer em diversos segmentos para que a previsão de demanda auxilie para alguns problemas como necessidade de matéria-prima, mão de obra, compra de equipamentos e medicamentos. Porém, para prover de novas capacidades e o momento em que as mesmas serão utilizadas, deve-se olhar em longo prazo. (BUFFA,1997).
A deficiência nas informações gerenciais básicas e de qualidade tem sido fator crítico para fundamentar medidas que possibilitem ajustar fragilidades encontradas pelo sistema de saúde brasileiro, dentre outros:
• a pouca autonomia e as atribuições dos gestores dos hospitais públicos;
• o sistema de financiamento passivo, diluído e desarticulado com a qualidade dos serviços prestados;
• possíveis diferenças entre os custos pagos por procedimentos e os seus preços legítimos, o que pode acarretar na oferta exagerada de serviços de alta complexidade e oferta abaixo do indispensável para serviços de baixa e média complexidade e de longa permanência, que hoje é um gargalo no cuidado à saúde no País;
• aquisições desenvolvidas de maneira desarticulada, onde não são considerados os ganhos de escala, a coerência do auxílio em rede, da resolutividade regional, em que se tenha a possibilidades dos problemas de saúde dos indivíduos serem resolvidos próximos a sua residência, sem, no entanto, existir duplicidade ou justaposição de oferta. (MARTINS et al, 2009).
Os métodos de previsão de demanda são utilizados para desenvolver estimativas da quantidade de produtos que serão demandados pelo mercado em um período de tempo específico (KRAJEWSKI E RITZMAN, 1994).
2.4.1 CUSTOS DA PREVISÃO
O parâmetro considerado ótimo de previsão é aquele onde o custo do desenvolvimento de algum método dê para prever a demanda e compense o custo de sua operação, conforme pode ser exemplificado na Gráfico 7. Quanto maior forem as atividades voltadas para a previsão de demanda, maior será a disposição de recursos para análise desses dados, mas em contrapartida, previsões com maior qualidade resultam em redução de custos que não foram previstos e aumento do capital de giro.
Gráfico 7- Custos de Previsão
2.4.2 TIPOS DE PREVISÃO
Para se obter uma previsão, existem vários métodos disponíveis, onde cada um pode ser aplicado em quaisquer circunstâncias, tendo como principais: os dados que se tem disponível e o intervalo de tempo, considerando se os dados são de longo ou curto prazo, assim podendo adaptar o método mais adequado para cada situação.
É possível qualificar esses métodos usando esses critérios e a classificação mais simplória, possivelmente, é a que considera o modo de abordagem utilizada. Em outras palavras, essa será a base da previsão.
Esses métodos podem ser divididos em (MOREIRA,1998):
2.4.2.1 MÉTODOS QUALITATIVOS
São métodos que levam em consideração o julgamento das pessoas que tenham capacidade de opinar sobre a demanda futura, ou quando não tem um histórico de dados para serem utilizados.
2.4.2.2 MÉTODOS QUANTITATIVOS
São métodos que utilizam modelos matemáticos para chegar aos valores desejados, eles permitem calcular os erros que possam existir, por isso exigem a utilização de dados passados.
Segundo Richardson (1999), a pesquisa quantitativa é qualificada pela utilização da quantificação nas modalidades de coleta de informações e no tratamento delas por meio de técnicas estatísticas. Dentre esses métodos, está o de Holt.
2.4.3 HOLT
O método de Holt utiliza o suavizamento exponencial, visando representar melhor a tendência e a sazonalidade dos dados. Devido a isso, na maioria das vezes, produz previsões melhores do que as realizadas com médias móveis simples, como é o caso da decomposição clássica (SAMOHYL et al., 2008).
O modelo de Holt pode ser utilizado, de maneira satisfatória, em séries temporais com tendência linear. Este modelo emprega duas constantes de suavização, α e β, sendo representado por três equações sendo elas:
Onde:
é o componente do cálculo relativo ao nível de série
α, β são os pesos e coeficientes das expressões.
As equações (1) e (2) fazem uma estimação do nível e da inclinação da série temporal, respectivamente, e a equação (3), calcula a previsão da demanda para os próximos k períodos. Mesmo na suavização exponencial simples, o método de Holt requer valores iniciais, neste caso Lo e To. Igualar Lo ao último valor observado na série temporal e calcular uma média da declividade nas últimas observações para To, seria outra maneira de fazer estes cálculos iniciais. (Armstrong, 1999)
2.4.4 WINTERS
Os modelos de Winters descrevem os dados da demanda onde pode ser verificado algum evento que tenha uma tendência linear, além da sazonalidade, eles se dividem em dois grupos: aditivo e multiplicativo.
No modelo aditivo, a amplitude da variação sazonal é constante ao longo do tempo; ou seja, a diferença entre o maior e menor valor de demanda dentro das estações permanece, relativamente, constante no tempo. No modelo multiplicativo, a amplitude da variação sazonal aumenta ou diminui em função do tempo.
O modelo multiplicativo de Winters é utilizado na modelagem de dados sazonais, onde a amplitude do ciclo sazonal varia com o passar do tempo. Sua representação matemática vem dada por (FULLER, 1996):
Onde s é uma estação completa da sazonalidade L” T, e S, representam o nível, a tendência e a sazonalidade da série, respectivamente; Zt+k é a previsão para k períodos e y é a constante de suavização que controla o peso relativo a sazonalidade, variando entre O e 1. A equação (4) difere da equação que trata do nível da série no modelo de Holt, já que o primeiro termo é dividido por um componente sazonal, eliminando assim a flutuação sazonal de z.
A equação (5) é exatamente igual à equação da tendência no método de Holt. Já a equação (6), faz um ajuste sazonal nas observações Z. Como todos os métodos de suavização exponencial, os modelos de Winters necessitam valores iniciais de componentes (neste caso, nível, tendência e sazonalidade) para dar início aos cálculos. Para a estimativa do componente sazonal, necessita-se de no mínimo uma estação completa de observações, ou seja, s períodos.
As estimativas iniciais do nível e da tendência são feitas, então, no período s definido para o componente sazonal. Estimadores dos componentes nas equações (4) a (7) podem ser encontrados em Winters (1960),
O modelo aditivo de Winters é utilizado na modelagem de dados sazonais onde a amplitude do ciclo sazonal permanece constante com o passar do tempo. Suas equações matemáticas são (Makridakis et aI, 1998):
2.4.5 SUAVIZAÇÃO EXPONENCIAL SIMPLES
Os métodos de suavização exponencial decompõem a série em componentes e suaviza seus valores passados, entre outras palavras, a suavização exponencial dá pesos distintos cujos valores decaem exponencialmente para zero, quanto mais antigo (SAMOHYL et al. (2008)
Segundo Morettin e Toloi (1987), esse modelo tem métodos que são baseados em três equações com constantes de alisamento diferentes e que são associadas a cada uma das componentes do padrão da série: nível, tendência e sazonalidade.
O método de suavização exponencial é constantemente aplicado para previsão de demanda devido ser mais simples, fácil de adequação e boa exatidão. Se a série temporal permanece constante, uma suavização exponencial simples pode ser utilizada para a prever valores futuros dela.
A representação matemática é composta por (Elsayed & Boucher, 1994):
Onde Zt+l é a previsão da demanda para o tempo t + 1, feita no período atual t; a é a constante de suavização, assumindo valores entre O e 1; z, é o valor avaliado na série temporal para o tempo t; e, Zt é o valor da previsão feita para o tempo t. Outra maneira de mensurar a precisão da previsão é calcular o erro por ela gerado que é dado pela formula:
O valor da constante de suavização a é arbitrário; a determinação de seu melhor valor pode ser feita iterativamente, utilizando alguma forma de comparação.
Pacotes computacionais determinam automaticamente o melhor valor de a. A magnitude desta constante determina a velocidade de resposta do modelo, frente às mudanças na demanda (Montgomery et al. 1990). Os modelos de suavização exponencial simples requerem uma estimativa inicial para Zt.
Quando dados históricos estão disponíveis, pode-se usar uma média simples das N observações mais recentes como Zt; caso contrário, pode-se utilizar a última observação, ou fazer uma estimativa subjetiva.
2.4.6 ERRO DE PREVISÃO
Ballou (2006), menciona que, pelo fato do que vai acontecer no futuro não seja necessariamente refletido pelo passado, prever a demanda futura possivelmente poderá conter erros em algum nível. O erro de previsão é definido como a diferença entre a demanda real e a demanda prevista, expresso estatisticamente como desvio-padrão, variância ou desvio médio absoluto.
Realizar as medições dos erros estatísticos exerce um papel importante na precisão dos resultados das previsões, pela identificação e controle das exceções, podendo monitorar a efetividade dos resultados.
O erro de previsão é a diferença entre o valor atual do período e o valor previsto para o mesmo período. É dado pela equação:
Onde:
- Et é erro do período;
- Yt é a observação atual do período;
- Ft é a previsão para o mesmo período.
A precisão da previsão refere-se ao quão perto as previsões chegam dos dados reais. Os números são utilizados para verificar medidas de desempenho do nível de precisão que o modelo de previsão possui. As previsões que estão bem próximas aos dados reais expressam erros de precisão baixos, portanto são mais aceitas. Quando os erros de precisão são maiores significa que o modelo de previsão deve ser alterado ou ajustado.
2.4.6.1 ERRO MÉDIO – (ME)
O erro médio posse ser calculado através da média de todos os erros encontrados durante o período considerado e seu valor ideal seria igual à zero, ou seja, o erro médio tende a ser pequeno na medida em que os erros negativos e positivos se compensem.
2.4.6.2 ERRO PERCENTUAL MÉDIO – (MPE)
O MPE analisa se os modelos de previsão têm tendência ou não, ou seja, se os valores obtidos estão superior ou inferior à previsão.
As medidas de erros anteriores dependem da escala utilizada nos dados. Seguindo esse pressuposto, elas podem gerar problemas ou resultados irrelevantes quando utilizados como parâmetro em diferentes intervalos de séries temporais. Assim, para se ter medidas diferentes, faz-se necessário a utilização de medidas percentuais do erro, que é determinado pela equação:
2.4.6.3 ERRO PERCENTUAL ABSOLUTO MÉDIO – (MAPE)
Como o próprio nome sugere, o erro percentual absoluto médio é a média de todos os erros absolutos dados de forma percentual. Ele indica o tamanho médio do erro expresso em porcentagem para o valor que está sendo observado, independente se o valor é positivo ou negativo. O erro percentual absoluto médio pode ser mensurado mediante a utilização da equação:
Onde são os dados históricos obtidos, zt são os valores que foram previstos para o período e é a quantidade de períodos que foram observados.
Quando se tem poucos dados históricos, o MAPE não deve ser utilizado, pois ele irá admitir valores extremos se houver um nível baixo de demanda para determinado item. Tornando-o ineficiente, como uma medida de erro caso tenha um volume de dados baixo.
Quando os valores são baixos, significa que MAPE está sendo calculado com precisão, de modo que: quanto menor for o valor de MAPE, melhor será o ajuste.
2.4.6.4 DESVIO PADRÃO ABSOLUTO DA MÉDIA – (MAD)
O MAD mede o erro em unidades, é uma boa alternativa para ser empregada para analisar o erro para um único item. Porém quando se quer analisar múltiplos itens, deve-se ficar atento ao elevado número de dados de alguns produtos que podem corromper o resultado final.
Essa ferramenta é utilizada para calcular o desvio padrão absoluto da média, a partir das previsões e dados históricos passados. Tal desvio é a diferença do valor do dado histórico com a previsão, logo, calcula-se:
onde são os nossos dados históricos passados, são os valores que foram previstos para o período e é a quantidade de desvio padrões absolutos que foram observados.
O MAD representa o desvio padrão do ajuste em relação à média nas mesmas unidades dos dados, ou seja, se ajustar a série temporal em certo período e o resultado do MAD for de 80, quer dizer que o ajuste tem um desvio padrão da média de 80 dias. (Portal Action ,2018)
Se o resultado de MAD for pequeno, os dados reais seguem estreitamente as previsões da variável dependente e o modelo de previsão fornece previsões acuradas.
2.4.6.5 DESVIO PADRÃO QUADRÁTICO DA MÉDIA – (MSD)
A MSD vem para ajustar as séries temporais. Segundo o site Portal Action (2018), quando aparece um valor atípico no conjunto de dados analisados, essa medida é mais afetada do que se este mesmo valor aparecer em MAD. Sendo assim, caso obtenha um MAD com resultado baixo e um MSD com resultado alto considera-se que há um valor atípico no conjunto de dados. Para tanto, calcula-se:
onde são os dados históricos passados, são os valores que foram previstos para o período e é a quantidade de períodos que foram observados. Quanto menor for o valor de MSD, melhor será o ajuste.
O MAPE, MAD e MSD são modelos estatísticas onde seus resultados possuem informações importantes para que se tenha a capacidade de comparar cada modelo de suavização e decidir se estes representam um bom ajuste aos dados obtidos.
2.4.7 ESTACIONARIEDADE
Uma série pode ser considerada estacionária quando se desenvolve aleatoriamente, em torno de uma média constante, como forma de constante com o passar do tempo. A maior parte das séries encontradas, na prática, apresenta algum tipo de tendência, isto significa que ela indica um padrão de comportamento de uma série que cresce, decresce ou permanece estável, ela pode se manter constante, linear ou exponencial, conforme exemplificada nas Figuras 8 e 9.
Figura 8 – Representação de uma série estacionária
Figura 9 – Representação de uma série não estacionária
Segundo o site Portal Action (2018), a maioria dos procedimentos de análise estatística de séries temporais sejam estacionárias, portanto, será necessário transformar os dados originais se caso estes não formam uma série estacionária. A transformação mais comum consiste em tomar diferenças sucessivas da série original até se obter uma série estacionária. Para que uma série se torne estacionária, normalmente será suficiente tomar uma ou duas diferenças. A primeira diferença Z(t) é definida por:
3. TRABALHOS CORRELATOS
Existem vários trabalhos que apresentam a utilização de algum método de previsão, eles demonstram que a previsão de demanda é uma ferramenta que contribui acentuadamente para o desenvolvimento e planejamento daquilo que é proposto, propiciando melhorias em vários aspectos, independentemente do ramo de sua aplicação.
Para melhorar o planejamento da realização das atividades de uma empresa de Autoclaves Modelo Vitale Plus 12 produzidas pela Cristófoli Equipamentos de Biossegurança Ltda. Ferreira et al. (2009). Realiza um estudo de caso onde a partir de um modelo matemático intitulado simulação de Monte Carlo e com o auxílio do Software Microsoft Excel consiste em avaliar números probabilísticos através de uma amostragem aleatória.
Foi realizada uma pesquisa bibliográfica assim como coletados dados históricos da previsão de demanda num período de 10 dias, e com isso construído e validado um modelo matemático representativo do problema, de modo que fosse gerada previsões confiáveis para que elas forneçam suporte à tomada de decisão.
Simulações foram obtidas através do software Explorer APO, um complemento que pode ser instalado no Microsoft Excel, foram escolhidas técnicas distintas de previsão de demanda pra cada produto, os dados recolhidos na empresa num período de 36 meses foram colocados no software que fez as simulações necessárias verificando a confiabilidade dos dados.
Silva e Oliveira (2012), utilizando também os métodos de previsão de demanda suavização exponencial, Winters e Holt para comparar em relação ao atual método de média aritmética simples e verificar qual seria o mais apropriado para fazer a previsão de demanda para fios cirúrgicos utilizados em um hospital escola, consideração os custos envolvidos e a qualidade de entrega do produto desde a saída na origem até o seu destino final.
Para isso, foi realizado uma análise dos documentos históricos das demandas dos fios cirúrgicos que foram coletados na seção de suprimento de um hospital considerando os relatórios de consumo de fios cirúrgicos de 36 meses, compreendidos entre abril de 2008 a março de 2011. Aplicados os métodos e com os resultados dos cálculos identificou-se o mais adequado do ponto de vista financeiro e qualitativo para a administração pública em comparação aos métodos que não consideram o componente sazonal.
Na pesquisa de Werner e Ribeiro (2006), mostra que a previsão de demanda apoia em determinar quais são, e como os recursos vão ser utilizados numa empresa de assistência técnica de computadores pessoais, onde a mesma possui uma variedade de clientes e cada um deles possui suas particularidades, prevendo os números de atendimentos para cada tipo.
A previsão foi definida através de métodos quantitativos, os dados históricos de atendimentos em determinado período foram segmentados por cliente, logo após os resultados foram aplicados na metodologia de Box-jenkis, apoiada a testes estatísticos autorregressivos como AR, ARIMA e SARIMA definindo qual era o melhor modelo considerando o comportamento de cada um.
Com esse estudo, obtiveram resultados, dentre eles que a empresa mencionada possui pouca influência temporal, já que seu número de contratos não varia muito ao longo do ano, porém devem ficar atentos com as alterações do mercado em determinadas épocas do ano, pois isso influencia nos negócios da empresa.
Em Zanella et al. (2005), um estudo de caso analisou a previsão de demanda que já existia numa empresa agroindustrial de carnes para longo e curto prazo através de métodos qualitativos, onde sua produção é empurrada, ou seja, eles produzem primeiro para depois vender, portanto não tem garantia de venda.
Para concretizar esse estudo utilizando métodos qualitativos, eles fizeram entrevistas com as pessoas que tinham alguma base de conhecimento como os gerentes e analistas em que eles eram responsáveis pelas previsões já existentes. As previsões de demanda eram realizadas por um departamento específico para isso, onde utilizavam métodos qualitativos e quantitativos, combinando a opinião de especialistas, as tendências do mercado e os históricos de vendas aplicados no modelo de média móvel simples. Uma nova previsão foi realizada com os modelos de suavização exponencial de Holt e Holt –Winters e comparando os resultados, constatou-se que a utilização de técnicas combinadas de previsão gera melhores resultados em termos de acurácia.
Para reforçar, observou-se o estudo de Cavalheiro (2003), no qual ele propõe um método para a previsão de demanda no ramo de alimentos, assim como avalia as adversidades e a importância da previsão de demanda, devido ao aumento da competitividade e a dificuldade das instituições em se manterem no mercado.
O método utilizado consiste na aplicação em séries temporais, mantendo o foco na questão da sazonalidade, levando em consideração as mudanças que o setor alimentício tem durante alguns períodos. Para a aplicação do modelo, foram utilizados os dados reais de três empresas que tinham o mesmo ramo de atividade. Foi feita uma análise comparativa entre os resultados com modelos matemáticos de Holt-Winters, sendo que o uso do método desenvolvido apresentou resultados semelhantes.
Tema parecido foi elaborado por Werner E Ribeiro (2006). Nesse trabalho, abordou-se duas formas de integração de previsões – Combinação de previsões e ajuste baseado no julgamento, tendo como base os dados históricos que aconteceram e a opinião de pessoas especializadas. Essa combinação teve como objetivo usar os métodos quantitativos e qualitativos; mostrando que com essa junção pode reduzir os erros de previsão unindo informações distintas de diversas previsões em uma só, a fim de aperfeiçoá-las.
Para o caso de medicamentos, em Silveira e Gusberti (2007), é abordada a adaptação de um modelo de previsão de demanda de produtos farmacêuticos em pequenas e médias empresas, onde se constatou que quase não são utilizados métodos de previsão para esse setor.
O método de suavização exponencial, aplicado através de pesquisas quantitativas, observando as séries históricas de medicamentos para o gerenciamento de estoques de uma farmácia hospitalar, em Juiz de Fora; foi analisado por, Afonso (2010), a partir de um banco de dados criados com as informações coletadas os valores de previsões foram testados, usando diferentes modelos com o auxílio de um Forecast Pro, comparando cada resultado a fim de descobrir qual a viabilidade do uso de cada um.
Novaes et al. (2008), usou para auxiliar no processo de gestão dos estoques no setor de imunizações um modelo quantitativo, usando técnicas estatísticas simples de previsão para tais insumos: o Método de Suavização Exponencial. Para isso, foram coletados os dados da série histórica do uso de vacina, concluiu-se que este método é indicado como um dos melhores entre os concorrentes de sua classe, pois tiverem resultados considerados como satisfatórios para previsão de demandas.
Observou-se que escolher um pacote computacional que abrange a maior variedade de modelos estatísticos, poderia diminuir os erros pertinentes na adaptação de dados. Apesar que, para determinados casos, o efeito adquirido chegou próximo do valor real, sendo mais satisfatório comparado ao resultado apresentado pela empresa. Isto demonstra que só empregar um software avançado não garante previsões de demanda corretas e assertivas; mais do que isso, é imprescindível uma metodologia que englobe todas as prováveis ocasiões que possam ser descobertas durante a execução.
Dentre os cálculos dos erros de previsão, observou-se que o método de ARIMA foi o que teve maior acurácia, levando em consideração que uma análise dos dados antes de realizar a previsão foi de suma importância, pois ela orientou na escolha de qual seria o melhor método a ser utilizado e poupou um tempo razoável que seria gasto com previsões duvidosas e impossíveis de se praticar.
De acordo com Junior et al. (2011), uma boa previsão de demanda pode auxiliar no planejamento dos serviços oferecidos, com a finalidade de reduzir os custos na aquisição de produtos e aperfeiçoar a qualidade de atendimento aos clientes em uma microempresa do setor de Pets, podendo assim, esquematizar de forma mais eficiente seus serviços.
Para isso, fez-se uma pesquisa de campo levantando os dados quantitativos históricos dos serviços realizados nos últimos meses, para prever a demanda dos próximos três meses subsequentes; de modo que aplicaram técnicas de previsão de demanda, como regressão linear simples e suavização exponencial simples, com o auxílio da ferramenta de análise de dados do Excel. Por intermédio da somatória total dos erros de previsão de cada método adotado, optou-se por aquele que proporcionava o menor valor e, a partir disso, sugeriu-se propostas de melhoria, como a implementação.
Para planejar e prever a produção numa indústria de alimentos Queiroz (2003) aplica os métodos matemáticos de Winters e de Decomposição Clássica, utilizando os dados reais de três empresas e coletando-os para verificar a sazonalidade. A sazonalidade é uma característica frequente no ramo de alimentos devido a diversos fatores que influenciam o ritmo das vendas, como por exemplo as datas comemorativas por isso é necessário fazer uma análise de variância justificando o comportamento da demanda. O modelo foi validado teoricamente através de dados bibliográficos e fazendo umas comparação com os modelos clássicos obtendo ótimos resultados.
Forno (2013) avalia os resultados que mostra como está o processo de previsão de uma survey de grandes empresas do Brasil. Para isso o método de coleta de dados utilizado foi um questionário contendo 23 questões que foi encaminhado paras as pessoas responsáveis pelas previsões de demanda de 23 empresas. As questões continham perguntas sobre o sistema, os erros de previsão e seu desempenho, com o intuito de fazer um comparação da pontuação final e mostrar o nível em que cada uma se encontra em relação a aplicação das práticas de gestão de demanda.
4. METODOLOGIA
Neste capítulo será apresentado de que maneira foi realizada a pesquisa e as ferramentas que foram adotadas dentro do objetivo proposto, detalhando quais foram os passos para sua realização, os instrumentos utilizados para coletar os dados, o cenário e os sujeitos que participaram da investigação.
4.1 METODOLOGIA DE TRABALHO
Prever a quantidade de casos de neoplasias que irão ocorrer no Brasil foi o tema escolhido para realização desta pesquisa. Foram identificadas as características dos dados avaliados para a escolha dos métodos a serem adotados.
O presente trabalho aborda uma pesquisa quantitativa pois explica em números os dados coletados para que possa analisá-los, utilizando-se de técnicas estatísticas (GIL, 2008).
Nesse tipo de pesquisa, determinar a composição e o tamanho da amostra é um processo no qual a estatística tornou-se o caminho principal. Na pesquisa quantitativa, as respostas de alguns problemas podem ser entendidas no processo de modo geral, portanto, a amostra deve ser bem definitiva, para que não haja problemas ao utilizar o recurso como um todo (MALHOTRA, 2001).
Os dados sobre a quantidade de casos de neoplasias que ocorreram no Brasil, nos últimos anos, divididos por região, faixa etária e sexo, foram coletados diretamente do site do Instituto Nacional do Câncer (INCA).
Nessa análise, foram utilizados métodos estatísticos, como o de Holt, Winters e Suavização Exponencial para obter os resultados, através de conceitos na literatura e em artigos para explicar os procedimentos de utilização e as características de cada técnica. Tais ações permitiram entender mais sobre o assunto abordado, as medidas de acurácia para análise e descrição dos fatos apresentados e os fatores para escolha do melhor método de previsão.
O melhor método será escolhido a partir da observação das estatísticas de ajuste (MAD, MAPE E MSD) e, em seguida, utilizado para realizar as previsões. Foram coletados dados de janeiro a junho de 2018 e as previsões serão feitas para os meses de julho a dezembro 2018.
A metodologia aplicada para realização desta pesquisa seguiu as seguintes etapas:
a) coleta dos dados para estudo no período analisado;
b) análise dos dados obtidos;
c) escolha do método mais eficaz e a realização das previsões de demanda de casos de neoplasia no Brasil, com o método escolhido;
d) análise e comparação dos resultados obtidos, através da aplicação dos métodos mais apropriados.
5. RESULTADOS E DISCUSSÕES
O presente artigo tem como objetivo identificar qual o melhor método para prever os novos casos de neoplasias no Brasil no mês de Julho, utilizando os métodos quantitativos de previsão. Para que os cálculos fossem realizados e a identificação fosse então possível, foram coletadas do site DATASUS as quantidades de casos de neoplasias que ocorreram entre os meses de julho de 2017 a junho de 2018.
Considerando a quantidade de casos nos últimos doze meses, é possível prever a do mês posterior. A seguir, serão apresentados os erros de previsão MAD, de cada um dos métodos quantitativos: Suavização Exponencial Simples, Holt e Winters; a fim de comparar e identificar a melhor previsão conforme a que apontar os menores erros.
Para que fosse realizada a aplicação e análise das previsões por Suavização Exponencial Simples, Suavização Exponencial de Holt e Suavização Exponencial de Winters multiplicativo, foram utilizados os dados das incidências de câncer dos meses de julho/2017 a junho/2018 para prever as incidências de câncer do mês de julho do ano seguinte. Para escolha do melhor método, foi observado o MAD e, o que trouxe o menor valor, culminou na melhor previsão.
Inicialmente, a série foi analisada graficamente para identificação da estacionariedade, onde está representada no Gráfico 10, que apresentou o resultado positivo para com o que se procurava.
Gráfico 10 – Identificação de Estacionariedade da Série.
É possível identificar que os dados variam no Gráfico 5 em torno de uma média, sendo esta no valor de 67616, calculada a partir da fórmula:
5.1 ANÁLISE DE INCIDÊNCIAS DE CÂNCER A PARTIR DA SUAVIZAÇÃO EXPONENCIAL SIMPLES
A partir das restrições utilizadas no solver, considerando o coeficiente de ponderação alfa maior ou igual a zero e menor ou igual a um, obteve-se o valor de MAD= 6222,4, conforme mostra a tabela 3.
Tabela 3- Previsão de demanda método Suavização Exponencial Simples
5.2 A ANÁLISE DE INCIDÊNCIAS DE CÂNCER A PARTIR DA SUAVIZAÇÃO EXPONENCIAL DE HOLT
Na Tabela 4, é apresentado o valor da previsão, utilizando a suavização exponencial de
Holt; partindo da observação das retas de nível e tendência. Com auxílio do solver, os coeficientes de ponderação alfa e beta foram suavizados, adotando os valores de 0,948588768 e 0,498582991, respectivamente. Ressalta-se que o Solver define o melhor valor para os coeficientes a fim de definir a sensibilidade do modelo.
Tabela 4 – Suavização Exponencial de Holt – Incidências de Câncer
5.3 ANÁLISE DE INCIDÊNCIAS DE CÂNCER A PARTIR DA SUAVIZAÇÃO EXPONENCIAL DE WINTERS-MULTIPLICATIVO
Na tabela 5, é apresentado o valor da previsão, utilizando a suavização exponencial de Winters-Multiplicativo, partindo da observação das retas de nível, tendência e sazonalidade. Com auxílio do solver, os coeficientes de ponderação alfa, beta e gama foram suavizados, adotando os valores de 0,1. Ressalta-se que o Solver define o melhor valor para os coeficientes a fim de definir a sensibilidade do modelo.
Tabela 5 – Suavização Exponencial de Winters-Multiplicativo – Incidências de Câncer
Na coluna da tendência os itens são zerados devido à multiplicação. O cálculo de tendência é multiplicado pelo valor de beta, neste caso, o solver definiu que o melhor valor para sensibilidade do modelo é zero.
5.4 DEMONSTRATIVO DAS PREVISÕES COM OS MÉTODOS UTILIZADOS
Na tabela 6 podemos analisar os resultados dos cálculos das previsões de demanda para os mês de julho. No método de Suavização Exponencial Simples foi previsto um total de 67489 incidências de casos, já para o método de Suavização Exponencial de Holt foram 67480 novos casos e pelo método de Suavização Exponencial Winters Multiplicativo o número foi de 67625.
Tabela 6- Demanda prevista utilizando os métodos propostos.
No gráfico 10 pode-se obter uma melhor visualização da comparação dos resultados utilizando os métodos que foi proposto neste trabalho.
Gráfico 10 – Demonstrativo da previsão real e calculada
Para identificarmos qual o melhor método dentre os propostos deve-se analisar os resultados do MAD para cada um, onde o método que resultar no menor valor é considerado o melhor a ser utilizado.
5.5 COMPARATIVO DOS MODELOS DE PREVISÃO DE DEMANDA
Na Tabela 7 são apresentados os resultados do MAD de cada modelo de previsão e, em uma análise simples, é possível identificar que o melhor método de previsão de demanda para os valores observados é o de Suavização Exponencial de Winters-Multiplicativo, uma vez que quanto menor o resultado de MAD, melhor a acurácia da previsão.
Tabela 7 – Resultados de MAD para cada modelos Proposto.
Considerando o método de Suavização Exponencial de Winters Multiplicativo o melhor, onde o MAD teve como resultado o valor de 1617,4203 a previsão do mês de julho comparada a demanda real do mês de junho, podemos observar na tabela 8 um aumento na incidência de 136 casos, passando de 67489 para 67625,06.
Tabela 8- Comparação entre demanda real e demanda prevista com método escolhido
Sabendo qual é o melhor método e comparados os resultados das previsões já existentes com a previsão realizada, pode-se verificar que há uma relevância entre os dados, mostrando que a utilização de informações precisas e integradas podem auxiliar o governo a planejar seu dia, semanas, meses e até os anos; além de ajudar os gestores para a tomada de decisões mais eficientes.
Conhecendo qual será a demanda, o controle das compras de medicamentos, equipamentos, assim como os gastos; permitirá um fluxo de caixa mais alinhado e saudável. De acordo com a demanda de atendimento mensal, as previsões serão mais assertivas quanto à reposição, admitindo um estoque de segurança, além de sustentar suas projeções de lucratividade, fazendo com que se alcance melhores índices de desempenho.
Prever a demanda de neoplasias é particularmente importante, pois é a base sobre a qual todos os planos da empresa são construídos em termos de mercado e receita que possibilita que o governo organize toda a sua estrutura para suportar a demanda a ser suprida, pois quanto maior for as informação obtidas sobre a quantidade demandada maior será a probabilidade de exatidão nos projetos a serem desenvolvidos, isso ajuda ainda mais uma organização na contratação de recursos humanos de acordo com a exigência.
6. CONCLUSÕES
A realização do presente trabalho permitiu a formulação de algumas conclusões referente à previsão de demanda dos novos casos de neoplasias. Os resultados obtidos através da aplicabilidade do melhor método de previsão de demanda podem ser considerados satisfatórios, a aproximação do número de casos que irão ocorrer servirá de base para o planejamento na compra de medicamentos, equipamento e realização de exames; contribuindo também, para um melhor trabalho de conscientização e prevenção da doença.
Foi demonstrado que, com a implantação da técnica, ela poderá ser utilizada tanto para uso interno como também, para uma melhor comunicação entre os fornecedores; pois conhecendo qual será a demanda, é possível obter a informação do momento e da quantidade em que os produtos deverão estar disponíveis.
Analisar a previsão de demanda é um trabalho indispensável como um todo, mas principalmente na administração de estoques e nas compras realizadas; de modo que esse processo possa resguardar a empresa/instituição da falta de produtos e evitar com que sejam armazenados em excesso, fazendo com que se ganhe com a redução de custos e economia nas possíveis despesas extras, causadas por alguma situação de urgência.
Tendo em vista que custo para implantação de novas tecnologias tende a ser menor nos estágios iniciais da doença do que nos avançados; indubitavelmente, tais métodos minimizarão o impacto financeiro, trazendo melhores resultados. Portanto, muita economia poderá ser feita, tendo em vista uma previsão de demanda assertiva com os diagnósticos realizados nos estágios iniciais de tratamento, de modo que, sejam voltados maiores esforços para prevenção de fatores de risco da neoplasia e, consequentemente, dos diversos tipos de câncer.
REFERÊNCIAS
AFONSO, M. Análise dos modelos de previsão de demanda aplicados no controle de estoque de uma farmácia hospitalar. Juiz de Fora, 2010
ALONSO, M. Custos no serviço público. Revista do serviço público, Brasília, ano 50, n. 1, p. 37-63, jan./mar. 1999
ARMSTRONG, J. S. (1999). Princípios de previsão. Kluwer, Philadelphia.
BALLOU, R. H. Gerenciamento da cadeia de suprimentos/logística empresarial. 5 ª ed. Porto Alegre: Bookman, 2006.
BELGE, consultoria. Avaliando e aprimorando previsões com base nos erros. Disponível em: < http://belge.com.br/blog/2012/02/01/avaliando-e-aprimorando-previsoes-com-base-nos-erros>. Acesso em: 02 de Maio de 2018.
BUFFA, ELWOOD S. Gestão da produção moderna. New York: John Wiley, Inc, 1977
CAVALHEIRO, D. Método de previsão de demanda aplicada ao planejamento da produção de indústrias de alimentos. 125 f. Dissertação (Mestrado em Engenharia Mecânica) – Universidade Federal de Santa Catarina. Florianópolis, 2003.
ELSAYED, E. A. E BOUCHER, T. O. (1994). Análise e controle de sistemas de previsão, 2ª ed., Prentice Hall, New Jersey.
FERREIRA, S.T. et al. Previsão de demanda utilizando simulação de monte carlo: estudo de caso na empresa cristófoli biossegurança. ln: encontro de engenharia de produção agroindustrial, 3., Campo Mourão, 2009.
FERLAY J, et al. Eur J Cancer. 2013. Incidência do câncer e padrões de mortalidade na Europa: estimativa para 40 países em 2012.
FOGLIATO, S. A. et al. Previsão de demanda por energia elétrica – Método e aplicação. IN: XXV encontro nacional de engenharia de produção, Porto Alegre, 2005.
FORNO, Ana Julia Dal. et al. Previsão de Demanda nas Organizações: resultados de 23 empresas do Brasil. Gestão e tecnologia para a competitividade, 2013.
FULLER, W. A. (1996). Introdução estatística de séries temporais, 2ª ed., John Wiley, New York.
GAITHER, N.; FRAIZER, G. Administração da Produção e Operações. 8. ed. São Paulo: Pioneira, 2001.
GIL, Antônio Carlos. Como elaborar projetos de pesquisa. 4. ed. São Paulo: Atlas, 2008.
IBGE. Censo Demográfico, 2016. Disponível em:< https://www.ibge.gov.br.> . Acesso em: 20/08/2018.
INSTITUTO NACIONAL DO CÂNCER– INCA. A situação do câncer no Brasil. 2011<https://www. Inca.gov.br/notícias. Acesso em: 14/04/2018
INSTITUTO NACIONAL DO CÂNCER – INCA. Incidência de câncer no Brasil. 2012 <https://www. Inca.gov.br/notícias. Acesso em: 14/04/2018
INSTITUTO NACIONAL DO CÂNCER – INCA. Estimativa/2018-Incidência de câncer no Brasil. 2012 <https://www. Inca.gov.br/notícias. Acesso em: 14/04/2018
MALHOTRA, N. Pesquisa de marketing. 3.ed. Porto Alegre: Bookman, 2001.
MARTINS, P. G.; LAUGENI, F. P. Administração da produção. 2. ed. São Paulo: Saraiva, 2005.
MAKRIDAKIS, S., WHEELWRIGHT, S. C. E HYNDMAN, R. J. Forecasting – methods and applications, 3ª ed., John Wiley, New York, (1998).
MARTINS, A. C. B.; CHAVES, J. G.; ALEMÃO, M. M. Implantação do sistema de custos na FHEMIG. RAHIS. Revista de Administração Hospitalar e Inovação em Saúde, [S.l.], v. 4, p. 50-61, 2010.
MEDICI, André C. Custos do Tratamento do Câncer no Brasil: Como Melhorar o Foco. 2018 <https://portalhospitaisbrasil.com.br/artigo-custos-do-tratamento-do-cancer-no-brasil-como-melhorar-o-foco/. Acesso em: 14/05/2018
MINISTÉRIO DA SAÚDE. Incidência de câncer no Brasil. 2012<https://www. ministeriodasaude.gov.br/notícias. Acesso em: 14/04/2018
MINISTÉRIO DA SAÚDE. Carta dos direitos dos usuários da saúde. Brasília, DF: Ministério da Saúde, 2007.
MINISTÉRIO DA SAÚDE. SECRETARIA-EXECUTIVA. DEPARTAMENTO DE ECONOMIA DA SAÚDE, INVESTIMENTOS E DESENVOLVIMENTO. Núcleos de economia da saúde: orientações para implantação. Brasília: Ministério da Saúde, 2012
MONKS, Joseph G. Administração da produção. São Paulo: McGraw-Hill, 1987.
MOREIRA, Daniel A. Administração da produção e Operações. São Paulo 2009.
MOREIRA, Daniel A. Administração da produção e Operações. São Paulo: Pioneira, 1998.
MORETTIN, P. A; TOLOI, C. M. C. Previsão de séries temporais. 2. Ed. São Paulo: Atual editora, 1987.
MONTGOMERY, D. C., JOHSON, L., A. E GARDINER, J. S. (1990). Previsão e análise de séries temporais, 2ª ed., Mcgraw-Hill, Inc., New York.
NOVAES, O. M. et al. Impactos da utilização de um modelo de previsão de demandas no setor de imunizações. In: XXXII ENCONTRO DA ANDAP, 2008. Rio de Janeiro.
OLIVEIRA, I. H. et al. Aplicação de métodos de previsão de demanda para redução de custos na gestão do estoque. ln: XII SEGET SIMPOSIO E EXELENCIA EM GESTAO E TECNOLOGIA, 2015. Guarulhos.
PELLEGRINI, F. R.; FOGLIATTO, F. S. Passos para a implantação de um sistema de previsão da demanda. Revista Produção. v. n. 11, nov., 2001.
PORTAL action. Medidas de acurácia. Disponível em: <http://www.portalaction.com.br/se
ries-temporais/35-medidas-de-acuracia>. Acesso em: 02 de Maio de 2018.
QUEIROZ, Abelardo Alves. Método de previsão de demanda e detecção de sazonalidade para o planejamento da produção de indústrias de alimentos. XXIII Encontro Nacional de Engenharia de Produção – Ouro Preto – MG, 2003.
RICHARDSON, R. J. Pesquisa social: métodos e técnicas. 3. ed. São Paulo: Atlas, 1999.
RITZMAN, L; KRAJEWSKI, L. J. Administração da produção e operações. São Paulo. 2004.
SAMOHYL, R. W.; SOUZA, G.; MIRANDA, R. Métodos Simplificados de Previsão Empresarial, Editora Ciência Moderna do Rio de Janeiro, 2008.
SILVA, A.; OLIVEIRA, A. Comparação entre métodos de previsão de demanda aplicados a fios cirúrgicos utilizados em um hospital escola do município de botucatu. Botucatu. 2012.
SILVA E.P.; COSTA, O.S.; TIBÉRIO, C.S.B. Gestão estratégica de custos: estudo de caso aplicado a hospitais universitários. In: Anais do VIII Congresso Internacional de Custos; 2003; Uruguai.
SILVEIRA, P. & GUSBERTI, T. D. H. Modelo de definição de demanda de produtos farmacêuticos no contexto de pequenas e médias empresas. Anais do XXVII ENEGEP, Foz do Iguaçu (2007).
SOUZA, R.J.S.P.; REZENDE, M. L.; CORRÊA, M. P.; DUARTE, E. M. Estimativa do custo do tratamento de câncer de pele tipo melanoma no Estado de São Paulo–Brasil. An Bras Dermatol 84.3 (2009): 237-43
WERNER, L.; RIBEIRO, J. L. D. Modelo composto para prever demanda através da integração de previsões. Produção, v. 16, n. 3, 2006.
WERNER, L.; RIBEIRO, J. L. D. Previsão de demanda: uma aplicação dos modelos Box-Jenkins na área de assistência técnica de computadores pessoais. Revista Gestão & Produção, v. 10, n. 1, p. 47-67, 2003.
[1] Graduada em Engenharia de Produção pelo Instituto Luterano de Ensino Superior de Itumbiara.
[2] Graduado em Administração de Empresas pela Universidade Norte do Paraná – UNOPAR.
[3] Graduando em Engenharia de Produção.
[4] Graduando em Engenharia de Produção.
[5] Graduando em Engenharia de Produção.
[6] Graduando em Engenharia de Produção.
[7] Graduando em Engenharia de Produção.
Enviado: Setembro, 2019.
Aprovado: Setembro, 2019.
