Resumo Executivo

Danielle Laryssa Da Silva; Eder Cassettari

Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

O objetivo deste estudo foi estimar o impacto financeiro do estoque de baixa rotatividade em uma usina siderúrgica e avaliar a aplicação de modelos preditivos para antecipar o comportamento de vendas de aços trefilados. A pesquisa buscou quantificar o capital imobilizado em produtos com mais de 120 dias em estoque, calcular o custo de oportunidade associado e desenvolver um framework analítico que combina aprendizado não supervisionado para segmentação de risco e modelos supervisionados para previsão de demanda. A abordagem proposta visa traduzir métricas estatísticas em indicadores financeiros tangíveis, oferecendo suporte para a tomada de decisão gerencial e a otimização do controle de inventário.

A competitividade global e a aceleração tecnológica exigem que as empresas se mantenham ágeis para responder a novas tecnologias e concorrentes (Campos, 2005). Nesse contexto, a indústria do aço se destaca por sua relevância estratégica. No Brasil, o setor siderúrgico produziu 32 milhões de toneladas de aço em 2023, operando com 31 usinas em dez estados (Instituto do Aço Brasil, 2024). Para sustentar esse crescimento, a indústria precisa adotar modelos de gestão inovadores, especialmente na cadeia de suprimentos.

A gestão de estoques é um dos maiores desafios logísticos da siderurgia, setor com elevados investimentos em capital de giro e sensível a flutuações de mercado. A complexidade reside em equilibrar custos operacionais e eficiência. Níveis excessivos de estoque resultam em altos custos de armazenagem e obsolescência, enquanto níveis insuficientes podem comprometer a produção e o atendimento à demanda (Chopra & Meindl, 2016). O estoque, embora não agregue valor direto, garante a disponibilidade de itens e abastece o fluxo produtivo, influenciando os ativos e a competitividade (Accioly, 2008). Ballou (2006) argumenta que a manutenção de estoques se justifica pela capacidade de superar as expectativas de atendimento, podendo aumentar vendas e a satisfação do cliente.

Para o segmento de aços trefilados, a gestão de estoques é ainda mais crítica devido a fatores de qualidade. O armazenamento prolongado pode causar oxidação e encruamento, comprometendo as propriedades mecânicas do produto. A oxidação, um processo de corrosão, é intensificada em ambientes industriais agressivos (Sacchelli, 2023) e em climas tropicais úmidos, conforme estudos sobre corrosão atmosférica (Campos, 2021). A implementação de uma gestão de estoques eficiente, com práticas como o método Primeiro a Entrar, Primeiro a Sair (PEPS), é essencial para minimizar o tempo de permanência dos produtos e reduzir perdas (Cogo Sila, 2020).

Diante desses desafios, técnicas analíticas avançadas são uma necessidade estratégica. Uma gestão eficaz deve considerar a quantidade ideal de estoque com base na demanda prevista e o momento correto para ressuprimento (Paoleschi, 2018). Abordagens estatísticas e algoritmos de previsão permitem identificar padrões de consumo e modelar tendências (Bertaglia, 2016; Moreira, 2014). Métodos de machine learning, como redes neurais, têm demonstrado alta capacidade na otimização de processos logísticos e previsão de demanda (Gomes & Ribeiro, 2004). A falha na gestão de estoques acarreta perdas financeiras e insatisfação de clientes, impactando a reputação da empresa (Silva Galvão & Oliveira, 2018). Este estudo propõe uma abordagem integrada para quantificar o impacto financeiro e utilizar modelos preditivos para aprimorar a gestão de estoques de aços trefilados.

A metodologia adotada é uma pesquisa descritiva, focada na descrição de características de um grupo e na busca por associações entre variáveis (Gil, 2002). O estudo foi estruturado para transformar dados brutos em conhecimento estratégico para a tomada de decisão (Favero, 2024). A pesquisa baseou-se na análise de dados secundários internos, que permitem análises mais rápidas e eficientes (Malhotra, 2004). O ambiente computacional foi o Anaconda Navigator com Spyder, utilizando Python (versão 3.11) e bibliotecas como pandas, scikit-learn, matplotlib, seaborn, prophet, itertools e tensorflow. keras (Pedregosa et al., 2011). O estudo de caso foi conduzido em uma trefilaria na região metropolitana de Belo Horizonte, com capacidade de 240 mil toneladas anuais e mais de 300 colaboradores.

A coleta de dados envolveu dois arquivos: “Faturamento. xlsx”, com o histórico de faturamento mensal de 1.749 produtos (janeiro/2020 a agosto/2025), e “Estoque_Parado. xlsx”, com 250 produtos em estoque por mais de 120 dias, detalhando variáveis qualitativas (Bitola, Aço, Segmento, Produto exclusivo) e quantitativas (volume, valor, dias em estoque, faturamento). Os dados foram pré-processados com técnicas de ETL para corrigir inconsistências, tratar valores ausentes e padronizar formatos. A análise exploratória revelou que o estoque parado representava 14% do portfólio, com valor estimado de R$ 5,4 milhões. A base de dados apresentou alta esparsidade, com 84% dos registros de vendas nulos, dificultando a modelagem.

A modelagem não supervisionada iniciou com a Análise de Correspondência Múltipla (MCA) para variáveis categóricas e a Análise de Componentes Principais (PCA) para as quantitativas, visando reduzir a dimensionalidade. Os fatores resultantes foram utilizados como entrada para o algoritmo de clusterização K-means. Antes da clusterização, outliers foram detectados pelo Z-score (valores absolutos > 3) e tratados separadamente. O número ótimo de clusters foi determinado pelo método do cotovelo. Essa abordagem segmentou os materiais em grupos homogêneos com base em suas características de estoque, financeiras e comerciais, fornecendo uma base para a etapa preditiva.

Na etapa de aprendizado supervisionado, foram testados três modelos para prever o comportamento de vendas: Prophet, Redes Neurais Convolucionais (CNN) e Long Short-Term Memory (LSTM). O Prophet foi escolhido por sua robustez a dados ausentes e capacidade de decompor séries temporais. As CNN foram aplicadas para capturar padrões locais de variação, e as LSTM para modelar dependências temporais de longo prazo. Para otimizar o desempenho, foi empregado um Grid Search, testando milhares de combinações de hiperparâmetros para cada cluster. A avaliação e seleção do melhor modelo foram baseadas na Raiz do Erro Quadrático Médio (RMSE) e no Coeficiente de Determinação (R²). Por fim, a análise de impacto financeiro mediu o valor imobilizado e o custo de oportunidade, calculado com base na taxa CDI mensal.

A Análise de Correspondência Múltipla (MCA) revelou associações significativas entre as variáveis categóricas, exceto “Bitola”, que foi descartada. O mapa perceptual mostrou dois agrupamentos principais. De um lado, uma forte correlação entre o segmento Automotivo, o aço de Carbono Médio e a característica de produto exclusivo. No polo oposto, uma associação forte entre o segmento de Exportação e o aço tipo HK. A primeira dimensão explicou 24,57% da inércia. A segunda dimensão (11,41% da inércia) posicionou o segmento Industrial e o aço de Ligas Cr/Mn de forma isolada. Esses padrões refletem as especificidades técnicas e de mercado de cada segmento.

A Análise de Componentes Principais (PCA) reduziu a dimensionalidade das variáveis numéricas. Os quatro primeiros fatores explicaram 78,72% da variância total. O primeiro fator (28,96% da variância) concentrou variáveis de magnitude física e valor unitário (estoque em toneladas, valor por tonelada). O segundo (19,29%) agrupou o valor total do estoque e a média de dias, representando uma dimensão temporal-financeira. O terceiro (17,74%) foi associado ao histórico comercial (faturamento acumulado, frequência de vendas). O quarto (12,73%) isolou as variáveis da MCA. Essa decomposição demonstrou que o problema do estoque parado é um fenômeno complexo, influenciado por fatores de volume, valor, tempo e características comerciais.

Com base nos fatores da PCA, o algoritmo K-means segmentou os materiais em três clusters ótimos, conforme o método do cotovelo. O Cluster 1 agrupou materiais de maior volume e valor imobilizado, representando o maior risco financeiro direto. O Cluster 2 foi composto por itens de porte intermediário, relevantes em seu volume agregado. O Cluster 3 reuniu produtos de baixo impacto unitário, mas com permanência prolongada em estoque. Um grupo de outliers foi identificado pelo Z-score e tratado separadamente para não distorcer a segmentação. Essa clusterização forneceu uma visão estruturada dos diferentes perfis de risco.

A fase preditiva iniciou com resultados insatisfatórios, com modelos padrão apresentando R² negativos, reflexo da alta esparsidade e variabilidade dos dados. Contudo, após a otimização de hiperparâmetros via Grid Search, que testou cerca de dez mil combinações por modelo, a acurácia das previsões melhorou significativamente. Esse ajuste criterioso foi fundamental, transformando modelos ineficientes em ferramentas com capacidade explicativa consistente para certos grupos, validando a abordagem de segmentação.

A análise das previsões por cluster revelou perfis de risco distintos. O Cluster 1, com o maior valor imobilizado, apresentou tendência de continuidade no estoque parado, exigindo estratégias de desmobilização prioritárias. O Cluster 2, de menor valor, mostrou um perfil intermediário com vendas ocasionais, necessitando de acompanhamento seletivo para evitar obsolescência. O Cluster 3, com o segundo maior montante imobilizado, foi caracterizado por forte estagnação e giro nulo, configurando alto risco de obsolescência e sinalizando a necessidade de revisão estratégica de portfólio.

Uma descoberta relevante veio da análise dos outliers. Este grupo continha um material que, apesar do histórico de alta rotatividade, foi classificado como estoque parado. As previsões sugeriram que a causa da imobilização não era a falta de demanda, mas prováveis falhas operacionais na gestão de estoque, como erros na aplicação do método FIFO. Este achado evidencia que parte das perdas financeiras decorre de ineficiências nos processos internos de controle de inventário, um problema corrigível com melhorias operacionais.

A comparação do desempenho dos modelos preditivos mostrou a superioridade da Rede Neural Convolucional (CNN). A CNN apresentou consistentemente os maiores valores de R² em todos os clusters: 0,92 no Cluster 1, 0,49 no Cluster 2, 0,39 no Cluster 3 e 0,72 no grupo de outliers. Os modelos LSTM e Prophet tiveram desempenho inferior, com R² frequentemente próximos de zero. A maior aderência da CNN aos padrões de dados, especialmente em um cenário de vendas intermitentes, justificou sua escolha como modelo de referência.

Com base nas previsões da CNN, o impacto financeiro foi detalhado. O estoque parado somou aproximadamente R$ 5,4 milhões, com um custo de oportunidade anual superior a R$ 1 milhão. O Cluster 3 foi responsável pelo maior valor imobilizado, com R$ 2,06 milhões (custo de oportunidade de R$ 419 mil), seguido pelo Cluster 1, com R$ 1,97 milhão (custo de oportunidade de R$ 416 mil). O grupo de outliers totalizou R$ 1,25 milhão em estoque parado (custo de oportunidade de R$ 145 mil), reforçando o impacto de falhas de gestão. O Cluster 2 representou o menor montante, com R$ 205,9 mil imobilizados. Essa análise permitiu quantificar a perda total e identificar suas fontes, subsidiando a priorização de ações corretivas.

O estudo demonstrou que a baixa rotatividade de estoques na usina acarreta perdas financeiras expressivas, superando R$ 5 milhões em capital imobilizado. A abordagem integrada, combinando aprendizado não supervisionado para segmentação e modelos supervisionados para previsão, provou ser eficaz para estruturar o problema e gerar insights. A segmentação em clusters identificou perfis distintos de risco, enquanto a análise de outliers revelou a importância de corrigir ineficiências operacionais. A calibração de hiperparâmetros foi crucial para o sucesso dos modelos, com a CNN emergindo como a arquitetura mais adequada para dados de vendas intermitentes.

A principal contribuição deste trabalho é a criação de um framework analítico que traduz métricas estatísticas em impactos financeiros concretos, oferecendo suporte para a tomada de decisão na gestão de estoques. As limitações incluem a não incorporação de variáveis externas, como indicadores macroeconômicos. Pesquisas futuras poderiam explorar a integração dessas variáveis e o desenvolvimento de modelos em tempo real. Conclui-se que o objetivo foi atingido: demonstrou-se que a aplicação integrada de métodos estatísticos e preditivos permite quantificar as perdas financeiras associadas à baixa rotatividade de estoques e identificar grupos de produtos com maior risco de obsolescência, fornecendo subsídios para uma gestão mais eficiente.

Referências:
ACCIOLY, Felipe; AYRES Antonio de Pádua Salmeron; Sucupira Cezar. Gestão de Estoques. São Paulo, 2008. 160 p.
BALLOU, H. Ronald. Gerenciamento da Cadeia de Suprimentos: Logística Empresarial. 5. ed. Porto Alegre: Bookman, 2006. 616 p.
BERTAGLIA, P. R. Logística e Gerenciamento da Cadeia de Abastecimento. 3. ed. São Paulo: Saraiva, 2016.
CAMPOS, M. F. Corrosão atmosférica em arames de aço. São Paulo: Edgard Blücher, 2021.
CAMPOS, VICENTE FALCONI. Gerenciamento pelas diretrizes. Belo Horizonte: Indg Tecnologia e Serviços Ltda, 5 ed, 2005. 331 p. ISBN 8598254150.
CHOPRA, S.; MEINDL, P. Supply chain management: strategy, planning, and operation. New Jersey: Prentice Hall, 2003.
COGO SILVA, J. L. A importância da gestão de estoques em um minimercado em Santana do Livramento-RS. Trabalho de Conclusão de Curso (Graduação em Administração), Universidade Federal do Pampa, Santana do Livramento, 2020.
Favero, L. P.; Belfiore, P. 2024. Manual de Análise de Dados: estatística e Machine Learning com EXCEL®, SPSS®, STATA®, R® e Python®. 2ed. LTC, Rio de Janeiro, RJ, Brasil.
GIL, Antônio Carlos. Como elaborar projetos de pesquisa. 4 ed. São Paulo: Atlas S. A, 2002. 175 p. ISBN 85-224-3169-8.
GOMES, C. F. S.; RIBEIRO, P. C. C. Gestão da Cadeia de Suprimentos integrada à tecnologia da informação. São Paulo: Thomson, 2004.
INSTITUTO ACO BRASIL, Dados consolidados do setor. Rio de Janeiro, RJ, 2024. Disponível em: < https://www. acobrasil. org. br>. Acesso em: 30 mar. 2025.
Malhotra, N. K. 2004. Pesquisa de Marketing: uma aplicação orientada. Bookman, Porto Alegre, RS, Brasil.
MOREIRA, D. A. Administração da Produção e Operações. 2. ed. São Paulo: Cengage Learning, 2014.
PAOLESCHI, B. Almoxarifado e Gestão de Estoques-Do recebimento, guarda e expedição à distribuição do estoque. [S. l.]: Editora Saraiva, 2018.
PEDREGOSA, f. et al. Scikit-learn: machine learning in Python. Journal of Machine Learning Research. [S. l.], v. 12. Disponível em: https://scikit-learn. org. Acesso em: 10 jul. 2025.
SACCHELLI. Corrosão, oxidação e ferrugem: qual é a diferença e como eles impactam no aço? 2023. Disponível em: <https://sacchelli. com. br/corrosao-oxidacao-e-ferrugem-qual-e-a-diferenca-e-como-eles-impactam-no-aco/>. Acesso em: 17 jun. 2025.
SILVA GALVÃO, I. M.; OLIVEIRA, S. R. DE. Gestão de estoque: monitoramento do fluxo de cimento a granel e ensacados em uma indústria da mesorregião nordeste paraense. Monografia (Graduação em Administração) – Universidade Federal Rural da Amazônia, Capanema, 2018.

Resumo executivo oriundo de Trabalho de Conclusão de Curso de Especialização em Data Science e Analytics do MBA USP/Esalq

_{Saiba mais sobre o curso; clique aqui:}