O objetivo deste trabalho é comparar o desempenho de modelos de estoque em uma grande diversidade de situações de demanda e custos. Os modelos de estoque comparados são os tradicionais Reposição do Máximo, Reposição da Base e Lote Fixo, com políticas de revisões periódicas e contínuas, e um modelo derivado da lógica dos sistemas Material Requirements Planning (MRP), aqui denominado Cálculo de Necessidades, que utiliza previsões de demanda para o dimensionamento dos pedidos de reposição de estoque. As séries temporais de demanda, por seu lado, são geradas a partir de tendências e sazonalidades definidas, sobre as quais se acrescenta o componente irregular aleatório. Numa primeira etapa, simulação e busca em vizinhança são utilizadas na seleção do melhor modelo de previsão de demanda, a cada série temporal, para gerar as previsões do modelo Cálculo de Necessidades. Suavização Exponencial Simples, o Método Linear de Holt, Suavização Exponencial Simples com Sazonalidade e o Método de Tendência e Sazonalidade de Holt-Winters são os modelos de previsão utilizados nesta seleção. Numa segunda etapa, simulação e busca em vizinhança são também utilizadas para a otimização dos parâmetros dos sete modelos de estoque para cada série temporal. A soma dos custos médios de Pedido, de Armazenagem e de Falta é utilizada como variável de medição do desempenho dos modelos. Os resultados mostram um desempenho superior do modelo de Cálculo de Necessidades, em quase todos os ambientes testados, secundado pelo modelo contínuo de Reposição do Máximo. Mostram, ainda, um desempenho fraco do modelo contínuo de Reposição da Base, fundamento do conhecido modelo kanban, o que contraria sua forte recomendação como modelo robusto. Este trabalho tem como principal contribuição a evidência da superioridade do modelo de Cálculo de Necessidades sobre os modelos tradicionais nas condições da pesquisa efetuada. / The objective of this study is to compare the performance of inventory models in a large range of costs and demand environments. The compared models are the traditional periodic and continuous Up to Maximum Inventory Level, Base Stock and Fixed Lot Size, and another model, based on the Material Requirements Planning (MRP) logic and here referred to as Requirements Planning, which uses demand forecast to quantify the acquisition decisions. In the first step, simulation and neighborhood search are used to select the best of 4 forecasting models, which generates the forecasts to the Requirements Planning model. Single Exponential Smoothing, Holt\'s linear method, Single Exponential Smoothing with seasonality, and Holt-Winters\' trend & seasonality method are these 4 models. In the second step, simulation and neighborhood search are used again to optimize the inventory models parameters. The items\' demand time series are based on trends and seasonality defined arbitrarily plus the addition of a irregular random component. The period average Purchase, holding, shortage and total costs are calculated and the models are ranked, based on the total cost criterion. The results show the superior performance of the Requirements Planning model in practically all tested conditions, with the continuous Up to Maximum Inventory Level in a secondary position. The results show, too, the poor performance of the continuous Base Stock model, base of the Kanban system, in opposition to its actual hard recommendation as robust model. This study has, as major contribution, the evidence of the Requirements Planning model superior performance compared with the traditional inventory models.
| Identifer | oai:union.ndltd.org:usp.br/oai:teses.usp.br:tde-27072007-181506 |
| Date | 13 April 2007 |
| Creators | Freire, Gilberto |
| Contributors | Santoro, Miguel Cezar |
| Publisher | Biblioteca Digitais de Teses e Dissertações da USP |
| Source Sets | Universidade de São Paulo |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | Dissertação de Mestrado |
| Format | application/pdf |
| Rights | Liberar o conteúdo para acesso público. |
Page generated in 0.003 seconds