Periodicity.: Special Edition IFLOG-2018, August - 2019
e-ISSN......: 2236-269X
Cover Image

Sales forecasting in a mechanical component manufacturer: comparison between monte carlo simulation and time series analysis

Kevin William Matos Paixão, Adriano Maniçoba da Silva

Abstract


Organizations today are required to be prepared for future situations. This preparation can generate a significant competitive advantage. In order to maximize benefits, several companies are investing more in techniques that simulate a future scenario and enable more precise and assertive decision making. Among these techniques are the sales forecasting methods. The comparison between the known techniques is an important factor to increase the assertiveness of the forecast. The objective of this study was to compare the sales forecast results of a mechanical components manufacturing company obtained through five different techniques, divided into two groups, the first one, which uses the fundamentals of the time series, and the second one is the Monte Carlo simulation. The following prediction methods were compared: moving average, weighted moving average, least squares, holt winter and Monte Carlo simulation. The results indicated that the methods that obtained the best performance were the moving average and the weighted moving average attaining 94% accuracy.

Keywords


sales forecast; Monte Carlo simulation; mechanical components

Full Text:

PDF HTML

References


ARENALES, M.; et al. (2015) Pesquisa operacional para cursos de engenharia. 2ª Ed. Rio de Janeiro: Elsevier.

ARMSTRONG, J. S. (Ed.). (2001) Principles of forecasting: a handbook for researchers and practitioners. 1st Ed. New York. Springer Science & Business Media.

CHOPRA, S.; MEINDL, P. (2003) Gerenciamento da Cadeia de Suprimentos: Estratégia, Planejamento, e Operação. São Paulo: Cengage Learning.

DAVIS, M. M.; CHASE, R. B.; AQUILANO, N. J. (2001) Fundamentos da administração da produção. 3ª Ed. São Paulo: Bookman.

DONATELLI, G. D.; KONRATH, A. C. (2005) Simulação de Monte Carlo na avaliação de incertezas de medição. Revista de Ciência e Tecnologia, v. 13, n. 5.

FERNANDES, CAB de A. (2005) Gerenciamento de riscos em projetos: como usar o Microsoft Excel para realizar a simulação Monte Carlo. Fundação Getúlio Vargas.

GARCIA, S.; LUSTOSA, P. R. B.; BARROS, N. R. (2010) Aplicabilidade do método de simulação de Monte Carlo na previsão dos custos de produção de companhias industriais: o caso da Companhia Vale do Rio Doce, Revista de Contabilidade e Organizações, v. 4, n. 10, p. 152-173.

HAACK, V. O.; RODRIGUES, J. T. M. C. (2018) Previsão de demanda. ENPEX-Salão de Ensino, Pesquisa e Extensão do IFRS Campus Canoas, v. 1, n. 7.

HAIR, J. F.; et al. (2009) Multivariate data analysis with readings. Macmillan Publishing Company.1st Ed New York.

HARREL, C.; GHOSH, B. K.; BOWDEN, R. O. (2004) Simulation using Promodel. 2th Ed. MacGrawhill.

HEIZER, J.; RENDER, B. (2004) Operations management. 7ª ed. Upper Saddle River, NJ: Pearson Education.

HELENE, O. (2006) Métodos dos Mínimos Quadrados. 1ª Ed. São Paulo. Editora Livraria da Física.

LEMOS, F. O. (2006) Metodologia para seleção de métodos de previsão de demanda. Dissertação de M.Sc., UFRGS, Porto Alegre, RS.

MAKRIDAKIS, S. (1989) Why combining works? International Journal of Forecasting, v. 5, p. 601-603.

MATIAS JR., R. (2006) Análise quantitativa de risco baseada no método de Monte Carlo: abordagem PMBOK. In: I Congresso Brasileiro de Gerenciamento de Projetos–Florianópolis.

MCKENNA, R. (2005) Marketing de relacionamento. Rio de Janeiro: Elsevier.

MENDES, A. S.; SILVA, A. M.; KAWAMOTO JUNIOR, L. T. (2016) Balance capacity with variability caused by human factor: An application in a line with monte carlo simulation. Independent Journal of Management & Production, v. 7, p. 627-642.

MOREIRA, D. M. (2001) Administração da produção e operações. 1ª Ed. Curitiba. Pioneira Thomson Learning.

MORETTIN, P. A; TOLOI, C. M. C. (1987) Previsão de séries temporais. 2ª ed. São Paulo: Atual editora.

PELLEGRINI, F. R.; FOGLIATTO, F. S. (2001) Passos para implantação de sistemas de previsão de demanda: técnicas e estudo de caso. Production, v. 11, n. 1, p. 43-64.

SEVERINO, A. J. (2017) Metodologia do trabalho científico. 24ª Ed. São Paulo Cortez editora.

TUBINO, D. F. (2009) Planejamento e controle da produção: teoria e prática. 2ª Ed. São Paulo. Atlas.

WERNER, L.; RIBEIRO, J. L. D. (2006) Modelo composto para prever demanda através da integração de previsões. Production, v. 16, n. 3, p. 493-509, 2006.




DOI: http://dx.doi.org/10.14807/ijmp.v10i4.998

Article Metrics

Metrics Loading ...

Metrics powered by PLOS ALM

Refbacks

  • There are currently no refbacks.


Copyright (c) 2019 Kevin William Matos Paixão, Adriano Maniçoba da Silva

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

LIBRARIES BY

Logo Gaudeamus

Logo INDIANA

Logo CHENG KUNG

Logo UTEP

Logo MOBIUS

Logo UNIVEM

Logo Kennedy

Logo Columbia

Logo UCS

Logo MSG/UFF

Logo OPT

Logo Biblioteca Professor Milton Cabral Moreira

Logo UFL

Logo ULRICHSWEB

Logo UNISA