Análise e otimização do processo de predição de demanda de peças de reposição com ênfase na demanda intermitente

Abstract

O planejamento tem sido um fator de sucesso em muitos segmentos de negócios e está cada vez mais sendo aprimorado e assumindo maior importância nas organizações. Não é diferente no setor de manutenção cuja necessidade de implementação se torna ainda mais evidente, já que requer recursos significativos das empresas. No caso do recurso "peças de reposição", o planejamento envolve principalmente a predição de demanda, usualmente procurando um prognóstico de evento que ocorrerá no futuro com base em dados passados. Quando executado adequadamente, o planejamento pode otimizar o estoque, obtendo o nível de serviço necessário e minimizando a falta ou excesso de peças. Para um grande número de itens, nos quais o monitoramento preditivo de todas as partes é impraticável, um processo usado é a análise de séries temporais históricas com técnicas econométricas e estatísticas. No entanto, uma questão recorrente é que, devido à característica de muitos itens de reposição, sua demanda é intermitente, com muitos intervalos sem consumo intercalados com a demanda real. Essa característica aumenta a incerteza da predição, juntamente com outras incertezas, como a obsolescência de peças e mudanças nos cenários interno e externo das empresas. Para propor melhorias nesse processo, este livro procurou analisar a demanda por peças de reposição, principalmente intermitente, de uma empresa do setor de manutenção de usinas de mineração. Foram aplicados métodos de predição descritos na literatura, tanto os convencionais quanto os mais recentes, e os recursos de otimização de parâmetros presentes no algoritmo de uma rotina computacional específica disponível na plataforma R-Studio. De acordo com os métodos de estimação e otimização utilizados, foram encontradas indicações do benefício dessas técnicas, conforme as medidas de erro utilizadas. Para pesquisas futuras, sugere-se uma associação com o aprendizado de máquina, que é uma área dedicada ao desenvolvimento de algoritmos que aprendem com os dados e contribui para o processo de modelagem e predição.