Em diversos setores, em especial no automotivo, uma boa gestão dos estoques de peças de reposição tem impacto significativo na satisfação dos clientes e em sua fidelidade aos fabricantes. Neste trabalho foram estudadas diferentes políticas de gestão dos estoques de peças de reposição, para comparar seu desempenho e elaborar recomendações para seu uso. Foram comparados 17 conjuntos de políticas que envolvem diferentes abordagens no registro das demandas (dados individuais de cada pedido versus dados agregados em janelas de tempo semanais e mensais), modelos de previsão (média móvel, Croston modificado SBA) e diferentes formas de modelar a distribuição da demanda durante o Lead-time de ressuprimento (Normal, Gama, Binomial Negativa, composta Poisson-Normal, composta Poisson-Gama). Cada um desses 17 conjuntos de políticas foi simulado sob duas dinâmicas de reparametrização (mensal e semestral) e para quatro objetivos diferentes do nível de serviço (TFR: Target Fill Rate), totalizando 136 simulações para cada item do estoque (SKU). Foram considerados 10.032 SKU's de uma montadora de automóveis instalada no Brasil, com um histórico de seis anos de movimentação. Diferentes recomendações foram elaboradas conforme categorização dos itens já existente na literatura. Os resultados apontaram recomendações distintas para cada TFR, incluindo combinações de todas as alternativas estudadas, descartando apenas o uso das distribuições Normal, composta Poisson-Normal e composta Poisson-Gama. Sugere-se que as recomendações sirvam como guia para o uso desses modelos pelos praticantes.

In many areas, including automotive, a good spare parts inventory management can substantially affect customer satisfaction and their loyalty to the brands. Different spare parts inventory control policies were evaluated in this study, aiming to compare their performance and write recommendations for their usage. Seventeen policy sets were compared, including different approaches in recording demand data (individual orders data against time bucket records weekly and monthly), different demand forecasting methods (simple moving average, Syntetos-Boylan-approximation SBA) and different models for demand distribution during lead-time (Normal, Gama, Negative Binomial, compound Poisson-Normal, compound Poisson-Gama). Each policy set was simulated under two revision frequencies (monthly and semi-annually) and four different Target-Fill-Rates (TFR), totalizing 136 simulation runs for each SKU. Database included movement of 10.032 SKU´s during last 6 years from an automaker installed in Brazil. Results pointed different recommendations for existing classification schemes and under each TFR. Recommendations included all studied alternatives, discarding only the usage of Normal, compound Poisson-Normal and compound Poisson-Gama for demand distribution during lead-time. Practitioners are stimulated to use these recommendations as a guideline.