Atualmente a previsão de demanda se tornou um desafio para os gestores de estoque devido à necessidade em equilibrar o serviço da cadeia de suprimentos através do gerenciamento da disponibilidade do material e investimento em estoque. Este estudo propõe um método alternativo para a previsão de demanda de ferroligas utilizada na produção de aços planos da Companhia Siderúrgica Nacional, através de um código computacional baseado em Redes Neurais Artificiais (RNA). A metodologia consiste em destacar os principais fatores que modelam as redes neurais como: seleção das variáveis, quantidade das variáveis, arquitetura da rede, treinamento e previsão de saída. O modelo apresentado foi desenvolvido a partir da arquitetura Multi Layer Perceptron (MLP), utilizando um conjunto de dados tais como: consumo específico, lead time, produção mensal e anual da aciaria, estoque de segurança, no período de 2014 a 2016. Os resultados obtidos com a utilização das RNAs foram comparados com os valores medidos no período em questão e também com um modelo previamente desenvolvido baseado em regressão multilinear. Os resultados encontrados através das RNAs apresentaram um grau elevado de exatidão comparado com o método de regressão multilinear.

Nowadays, the demand forecasting has become a challenge to stock managers due to the need to balance the service from the supply chain through the administration of the availability of the materials and investment in stock. This study suggests an alternative method to the demand forecasting of the ferroalloy used in the production of flat steel in Companhia Siderúrgica Nacional (CSN) through a computer code based on Artificial Neural Networks (ANN). The methodology consists in implementing the main elements that model the neural networks, such as: selection of variables, number of variables, network architecture, training and outflow forecasting. The model was developed using the Multi-Layer Perceptron (MLP) concept, with a data set such as: specific intake, lead time, monthly and annual production of steel mills, safety stock, from 2014 to 2016. The obtained results with the use of the ANNs were compared to the values measured during the period above and also to a previously developed model based on multiple linear regression. The results obtained through the ANNs showed a higher of predictability compared to the method of multiple linear regression.