Documente Academic
Documente Profesional
Documente Cultură
RESUMO
O artigo tem como objetivo propor um mtodo de previso de demanda integrado que
contemple tanto sries temporais quanto fatores contextuais. Para tal, so utilizados os
modelos de suavizao exponencial, ARIMA e mdia mvel. As previses geradas pelo
mtodo quantitativo sero refinadas pelo mtodo da anlise hierrquica, AHP, incorporando
a opinio de especialistas no processo. Tais especialistas so selecionados utilizando um
indicador de consistncia proposto por Ledauphin et al. (2006). O mtodo gerou resultados
robustos quando aplicado em dados de uma concessionria de veculos.
ABSTRACT
This paper proposes a forecasting framework integrating quantitative forecasting models and
contextual factors. For that matter, we first estimate quantitative forecasting by testing the
exponential smoothing, ARIMA and moving average forecasting models. Results are refined
by the analytic hierarchy process, AHP, which incorporates experts opinions into the
analysis. Experts are selected based on the consistency index developed by Ledauphin et al.
(2006). The proposed method perfomed remarkably when applied to data from an automotive
company.
1.
Introduo
1
Este artigo prope um mtodo de previso de demanda integrado que busca inserir fatores
contextuais em uma previso obtida atravs de anlise quantitativa. Para isso, o histrico de
vendas da empresa coletado e analisado atravs de mtodos quantitativos de previso de
demanda. O melhor modelo selecionado com base em critrios de aderncia aos dados. Para
minimizar a chance de discrepncias das informaes oriundas dos especialistas, utiliza-se o
coeficiente , proposto por Ledauphin et al. (2006), que mede o grau de concordncia de um
especialista em relao a um grupo. Uma vez definidos os especialistas mais consistentes, a
anlise qualitativa viabilizada pela ferramenta AHP (Analytic Hierarchy Process).
O artigo est dividido em cinco sees, incluindo a presente introduo. Na seo 2,
apresentado um breve referencial terico, definindo os conceitos abordados no decorrer do
artigo. A metodologia desenvolvida na seo 3, enquanto que o estudo de caso
apresentado na seo 4. A ltima seo traz as concluses.
2.
Referencial Terico
2.1.
Previso de demanda
A previso dos nveis de demanda vital para qualquer empresa, visto que proporciona
subsdios para o planejamento e controle de todas as reas (BALLOU, 2006). Gerentes
necessitam de previses de longo e curto prazo tanto para tomar decises estratgicas quanto
para responder s questes mais imediatas da empresa (GAITHER & FRAIZER, 2005).
Martins et al. (2005) definem previso de demanda como um processo metodolgico para a
determinao de dados futuros baseado em modelos estatsticos, matemticos ou
economtricos ou ainda em modelos subjetivos apoiados em uma metodologia de trabalho
clara e previamente estabelecida.
Os mtodos de previso dividem-se basicamente em mtodos quantitativos e qualitativos.
Mtodos quantitativos (ou objetivos) so mtodos estruturados que podem ser reaplicados por
outros analistas, sendo que as previses obtidas pela rplica so idnticas s originais
(ARMSTRONG apud LEMOS, 2006). Tais modelos usualmente apiam-se em modelagens
matemticas. Os mtodos qualitativos de previso, tambm chamados de intuitivos ou
subjetivos, dependem da experincia acumulada pelos especialistas (LEMOS, 2006). Tais
grupos de mtodos so descritos na sequncia.
2.2.
Mtodos quantitativos utilizam dados histricos para prever a demanda em perodos futuros.
A previso da demanda futura requer a construo de modelos matemticos a partir dos dados
que descrevem a variao da demanda ao longo do tempo. Este grupo de dados denominado
srie temporal (PELLEGRINI, 2000).
O emprego de cada modelo depende basicamente do comportamento da srie temporal que se
deseja analisar. Segundo Makridakis et al. (1998), as sries temporais podem ser
representadas por quatro padres: mdia, sazonalidade, ciclo e tendncia. O padro de mdia
existe quando os valores da srie flutuam em torno de uma mdia constante. A srie possui
padro sazonal quando padres cclicos de variao se repetem em intervalos relativamente
constantes de tempo. O padro cclico existe quando a srie exibe variaes ascendentes e
descendentes, porm em intervalos no regulares de tempo. Finalmente, o padro de
tendncia ocorre quando a srie apresenta comportamento ascendente ou descendente por um
longo perodo de tempo (PELLEGRINI & FOGLIATTO, 2001). Os mtodos quantitativos
mais abordados so a mdia mvel, a suavizao exponencial e o mtodo de Box-Jenkins.
2.2.1. Mdia mvel
O mtodo da mdia mvel amplamente utilizado pela sua facilidade de implementao e
pela necessidade de poucos dados histricos para sua aplicao (LEMOS, 2006). O mtodo
calcula a mdia dos dados de alguns perodos recentes, a qual se torna a previso para o
perodo seguinte. Makridakis et al. (1998) afirmam que este mtodo apropriado apenas para
previses de curto prazo, onde a srie temporal no apresenta tendncia nem sazonalidade.
Uma alternativa para esse tipo de carncia do mtodo a mdia ponderada, onde se aplica
pesos desiguais aos dados histricos. Essa simples modificao permite que a importncia
relativa de cada perodo passado seja considerada na construo da previso (GAITHER &
FRAIZER, 2005).
2.2.2. Suavizao exponencial
Miranda (2009) afirma que os modelos de suavizao exponencial se caracterizam por
decompor uma srie temporal em componentes, suavizar seus valores passados (dar pesos
diferenciados que decaem exponencialmente com o tempo) e depois recompor as
componentes para fazer as previses. As trs componentes na suavizao exponencial so:
nvel, tendncia e sazonalidade. O nvel o valor mdio da observao no perodo (valor
(1)
Onde F t+1 a previso para o perodo t+1, F t a previso do perodo anterior, Y t a demanda
no perodo anterior e a constante de amortecimento.
A suavizao exponencial de Holt, por sua vez, pode ser utilizada de maneira satisfatria em
sries temporais com tendncia linear (PELLEGRINI, 2000). A incorporao de um
componente de tendncia em previses exponencialmente amortecidas chamada de
exponencial mvel dupla, pois tanto as estimativas de mdia como de tendncia so
amortecidas (GAITHER & FRAIZER, 2005). A representao matemtica do modelo
expressa pelas equaes (2), (3) e (4) (MAKRIDAKIS et al., 1998).
Ft + k = Lt + kTt
(2)
Lt = Yt + (1 )( Lt 1 + Tt 1 )
(3)
Tt = ( Lt Lt 1 ) + (1 )Tt 1
(4)
Y
Lt = t
St s
+ (1 )( Lt 1 + Tt 1 )
Tt = ( Lt Lt 1 ) + (1 )Tt 1
Y
S t = t + (1 ) S t s
Lt
(5)
(6)
(7)
(8)
(9)
Lt = (Yt S t s ) + (1 )( Lt 1 + Tt 1 )
(10)
Tt = ( Lt Lt 1 ) + (1 )Tt 1
(11)
S t = (Yt Lt ) + (1 ) S t s
(12)
Mtodos Qualitativos
Toda forma de previso de demanda possui um certo grau de subjetividade. Mesmo previses
oriundas de um sofisticado mtodo estatstico dependem de julgamento humano para ajustes
no mtodo, forma e no conjunto das variveis (GOODWIN, 2002). Entretanto, pesquisas
apontam que o julgamento humano freqentemente utilizado de forma direta para a
realizao da previso de demanda e muitas vezes no possue um rigor to grande quanto os
mtodos quantitativos (SANDERS & MANRODT, 1994).
A utilizao de mtodos estruturados no processo de previso subjetiva melhora
significamente a acurcia das previses (ARMSTRONG apud LEMOS, 2006). Neste artigo
7
chegue a uma priorizao dos seus indicadores, aproximando-se de uma melhor resposta
(SAATY, 1991). Segundo Saaty (1994), o benefcio do mtodo que, como os valores dos
julgamentos das comparaes pareadas so baseados em experincia, intuio e tambm em
dados fsicos, o AHP pode lidar com aspectos qualitativos e quantitativos de um problema de
deciso.
De acordo com Saaty (1991), o AHP se sustenta em trs passos principais: (i) a construo da
hierarquia, (ii) a anlise das prioridades e (iii) a verificao da consistncia. Primeiramente, a
hierarquia construda de forma que o objetivo principal esteja no nvel primrio, critrios no
nvel intermedirio e alternativas no nvel inferior. Ento so definidas as prioridades
relativas dos elementos de cada nvel de hierarquia, utilizando os pares de comparao. Isto
pode ser efetuado usando o mtodo de autovetor principal na matriz de comparao pareada.
A proposta do AHP fornecer um vetor de pesos para expressar a importncia relativa dos
diversos elementos. O primeiro passo medir o grau de importncia do elemento de um
determinado nvel sobre aqueles de um nvel inferior pelo processo de comparao pareada
(SCHMIDT, 1995). A quantificao dos julgamentos realizada utilizando-se a escala de
valores mostrada na Tabela 1.
Tabela 1: Classificao nmerica associada s comparaes pareadas (Fonte: SAATY et al., 2003)
Pontuao
Intensidade
Igual importncia
Importncia moderada
Importncia forte
Importncia extrema
2, 4, 6, 8
Valores Intermedirios
Forma de Avaliao
As duas atividades contribuem
igualmente para o objetivo.
A experincia favorece uma atividade em
relao outra.
A experincia favorece fortemente uma
atividade em relao outra
Uma atividade muito fortemente
favorecida em relao outra.
A experincia favorece uma atividade em
relao outra, no mais alto grau.
Quando se procura uma condio de
compromisso entre duas definies.
Saaty et al. (2003) apontam que os resultados obtidos com os julgamentos devem ser
colocados numa matriz A quadrada n x n. O nmero de julgamentos necessrios para a
construo da matriz n(n-1)/2, onde n o nmero de elementos da matriz A. Cada entrada
da matriz de comparao, a ij , deve ser considerada como uma estimativa da razo entre os
elementos da linha de ordem i e os elementos da coluna de ordem j, isto , a ij = w i /w j . A
9
multiplicao da matriz A pelo vetor de pesos w [ver equao (13)] tem como resultado nw.
Em teoria matricial, esta frmula expressa o fato de que w um autovetor de A, com
autovalores de n.
a11
a
Aw = 21
a n1
a12
a 22
an2
a1n w1 w1 w1
a 2 n w2 w2 w1
=
a nn wn wn w1
w1 w2 w1 wn w1 nw1
w1
w
w2 w2 w2 wn w2 nw2
=
= n 2
wn w2 wn wn wn nwn
wn (13)
onde a ij > 0, a ij = 1, para todo i = j, a ji = 1/a ij e w o vetor que representa os pesos numricos
que refletiro os julgamentos registrados.
Autovalores e autovetores podem ser definidos da seguinte forma:
Se A uma matriz n x n, ento um vetor no nulo w em Rn chamado autovetor de A se Aw
um mltiplo escalar de w, ou seja Aw = w, para algum escalar . O escalar chamado
autovalor de A e dizemos que w um autovetor associado a . (ANTON, H.; RORRES, C.
lgebra linear com aplicaes, Bookman, 2001, p.240).
IC
IR
(14)
(max n )
(n 1)
(15)
O ndice de consistncia randmico vale-se da Tabela 1. Para cada ordem de matriz, constrise uma amostra de tamanho 100 e suas entradas so preenchidas randomicamente. A seguir,
10
Tamanho (n)
IR
0,00
0,00
0,58
0,90
1,12
1,24
1,32
1,41
1,45
Por fim, convm destacar as aplicaes do AHP em cenrios de previso de demanda: Flores
et al. (1990) utilizaram o mtodo para previso de ganhos, enquanto que Korpela &
Tuominen (1996) aplicaram o AHP como ferramenta de deciso multicriterial para previso
de venda de produtos. Outras reas de aplicaes de sucesso podem ser encontradas em
Vaidya & Kumar (2006).
2.5.
Coeficiente alfa
Embora julgamentos diretos sejam muito utilizados em previso de demanda, eles possuem
inmeras desvantagens quando comparados aos mtodos estatsticos (GOODWIN, 2002). A
mente humana tem uma capacidade de processamento de informaes limitada, e a viso
predominante que as pessoas utilizam estratgias mentais simplificadas, chamadas
heursticas, para lidar com a complexidade envolvida no processo de previso de demanda
(BOLGER & HARVEY, 1996).
Desta forma, sempre que o julgamento humano utilizado como ferramenta de deciso,
necessrio garantir a confiabilidade das opinies. Ledauphin et al. (2006) propem um
coeficiente () que quantifica quo bem as opinies de um especialista se relacionam com as
opinies de um grupo. Este coeficiente varia entre -1 e 1, sendo que -1 significa que o
especialista em questo est em total desacordo com o grupo, e 1 significa que o especialista
est em plena concordncia com o grupo. O coeficiente obtido atravs de operaes
matriciais e a utilizao do conceito de autovetor, sendo apresentado pela equao (16).
( )
trao(C C )
T
trao Y i C
T
(16)
11
Procedimentos Metodolgicos
analisados
Esta etapa consiste em verificar a disponibilidade dos dados para modelagem. Para a anlise
quantitativa so necessrios dados histricos da demanda. Para a obteno das informaes
pertinentes anlise qualitativa, necessrio verificar a disponibilidade e nvel de
conhecimento de especialistas na rea de previso de demanda. Nesta etapa tambm
realizada a escolha dos produtos a serem modelados, com base na opinio de especialistas da
rea. Devem ser priorizados produtos considerados representativos ou com maiores
dificuldades quanto reposio.
3.2.
Aqui so coletados os dados histricos de venda mensais dos itens escolhidos na seo 3.2.
Os dados histricos podem ser analisados graficamente, auxiliando na identificao de
padres, tendncias, e sazonalidades na srie temporal. Estes grficos tambm podem auxiliar
12
Ajuste Qualitativo
13
w=
( 1 w1 ) + ( 2 w2 ) + + ( n wn )
1 + 2 + + n
(17)
Esta etapa consiste em calcular o ndice consolidado Y com vistas ao ajuste da previso de
demanda obtida pelo mtodo quantitativo, atravs da Eq. (18).
) (
Y = w1 I1 + w2 I 2 + + wn I n
(18)
14
Por fim, o ndice consolidado utilizado para ajustar a previso obtida pelo mtodo
quantitativo. Na operacionalizao, multiplicam-se os valores da previso quantitativa pelo
ndice Y, conforme a Eq. (19):
P final = Pquantitativa (1 + Y )
(19)
4. Estudo de caso
O estudo de caso foi desenvolvido em uma concessionria de veculos do Estado do Rio
Grande do Sul, que implementou um software de gerenciamento de estoques e previso de
demanda h seis meses. Este software utiliza apenas o mtodo de mdia mvel e, de acordo
com a opinio dos envolvidos no processo de compras, alguns itens apresentam dificuldades
sistemticas no momento da previso (e, por consequncia, na sugesto de compra
apresentada). O resultado da previso quantitativa gerado pelo software avaliado por um
analista. No caso da opinio do analista e a previso do software divergirem, a opinio do
analista prevalece. consenso entre os envolvidos que as previses de peas com vendas
baixas ou espordicas so as que apresentam maiores deficincias.
Devido ao nmero reduzido de profissionais na concessionria analisada e ao cenrio em que
a empresa atua, a correta utilizao de informaes contextuais uma tarefa essencial para o
processo de compras. Questes macroeconmicas e ndices de acidentes nacionais so fatores
to importantes quanto a demanda da pea no momento da realizao de pedidos de compra.
Outra caracterstica marcante da empresa a comercializao de uma grande variedade de
itens com caractersticas diversas. Tais aspectos devem ser considerados no momento de
realizar a previso de demanda.
4.1.
analisados
Para efetivar o estudo, foram entrevistados cinco funcionrios da empresa que trabalham
diretamente com atividades relacionadas reposio e estocagem de peas automotivas.
Destes cinco funcionrios, trs esto ligados ao setor de compras e dois atuam no
gerenciamento do estoque fsico. A escolha deste grupo de entrevistados foi determinada pelo
grau de envolvimento e familiaridade com a atividade de previso de demanda e os possveis
fatores que atuam na sua variabilidade. As opinies coletadas so utilizadas na definio dos
itens analisados e na anlise qualitativa da previso.
15
4.2.
A srie temporal com as 32 observaes foi ajustada a sete mtodos distintos: as mdias
mveis de trs (M-3), seis (M-6) e doze meses (M-12); as suavizaes exponenciais simples
(SES), de Holt e Holt-Winters (H-W); e o modelo ARIMA.
Uma vez ajustados os modelos utilizando o NCSS 2007, comparou-se o MAPE (mdia dos
erros percentuais absolutos) de cada um dos sete modelos testados. O MAPE uma das
medidas de aderncia utilizadas para avaliao dos mtodos de previso, e baseia-se na
diferena entre o valor da srie e a previso para o mesmo perodo. Quanto menor o MAPE,
melhor a qualidade da modelagem. Na Tabela 3, apresentado o MAPE para cada um dos
mtodos aplicados.
Tabela 3: MAPE da modelagem da srie temporal
MAPE
M-3
M-6
M-12
SES
Holt
H-W
ARIMA
51,12%
36,54%
24,16%
34,42%
38,71%
23,44%
39,65%
16
Verifica-se que o mtodo de Holt-Winters apresenta o menor valor dentre todas as tcnicas de
modelagem, sendo escolhido para modelar a srie temporal. A srie temporal e as previses
(em valores absolutos) fornecidas pelo mtodo so apresentadas na Figura 2.
4.3.
Ajuste Qualitativo
A partir desta etapa o conhecimento dos especialistas utilizado para introduzir fatores
qualitativos na previso quantitativa previamente selecionada.
4.3.1. Definio e classificao de fatores qualitativos que influenciam a demanda
Os cinco especialistas entrevistados apontaram 20 fatores qualitativos com potencial impacto
na demanda. Carvalho (1995) e Johnson et al. (1993), entre outros, defendem a necessidade
de se limitar o nmero de indicadores analisados, argumentando que o gerenciamento de
elevado volume de informaes prejudicial ao processo de controle.
Seguindo este raciocnio foram selecionados oito fatores a serem analisados na etapa seguinte
do mtodo, valendo-se de brainstorming: (i) indicadores socioeconmicos; (ii) ndice de
acidentes de trnsito do trimestre; (iii) confiabilidade da marca; (iv) aes de marketing; (v)
poltica de preos; (vi) demanda de veculos novos; (vii) incentivos fiscais; e (viii)
lanamento de novo modelo de veculo. Estes fatores foram selecionados por contemplar
informaes diversas do ambiente da empresa. Outra caracterstica importante que os
fatores trabalham tanto com variveis que podem ser controladas pela empresa (aes de
marketing e poltica de preos) quanto variveis aleatrias (ndices de acidentes e indicadores
socioeconmicos), que escapam do controle da instituio. O levantamento das informaes
17
dos quatro primeiros fatores obtido atravs de anlises repassadas pela montadora. O
restante das informaes so levantadas pela prpria concessionria.
Em um segundo momento, atravs de entrevista individual, cada avaliador (AV) classificou
os fatores de acordo com sua importncia para a variao da demanda. Para isso, foi utilizada
a escala apresentada na seo 3.4.1. O resultado da classificao realizada por cada um dos
avaliadores pode ser conferido na Tabela 4.
Tabela 4: Classificao da importncia do fator para a variao da demanda
AV1
5
8
10
5
6
8
2
5
Indicadores socioeconmicos
ndices de acidentes de trnsito do trimestre
Poltica de preos (prpria concorrente)
Confiabilidade da marca
Aes de marketing
Demanda de veculos novos
Incentivos fiscais (reduo de IPI)
Lanamento de novo modelo de veculo
AV2
5
7
8
7
7
7
8
7
AV3
6
8
9
8
7
5
2
5
AV4
8
10
10
9
6
7
9
8
AV5
8
10
9
10
6
7
8
9
Esta primeira classificao fornece subsdios para definir quais avaliadores esto melhor
preparados para tomar parte do processo de ajuste da previso de demanda. A finalidade
deste passo garantir consistncia ao mtodo proposto.
4.3.2. Seleo dos avaliadores mais consistentes
Utilizando os dados apresentados na Tabela 4 como entradas para a realizao do clculo do
coeficiente proposto por Ledauphin et al. (2006), obtm-se os valores da Tabela 5.
Tabela 5: Coeficiente relacionado com avaliadores
Coeficiente
AV1
AV2
AV3
AV4
AV5
0,9159
0,3584
0,7260
0,2846
0,7539
Foram selecionados os avaliadores que possuem um superior 0.7, fazendo com que os
avaliadores 1, 3 e 5 tenham suas avaliaes mantidas para as prximas etapas do mtodo.
4.3.3. Definio da importncia relativa dos fatores atravs do AHP
18
Para que os fatores possam efetivamente ajustar a demanda, se faz necessrio que sejam
definidos seus pesos relativos de atuao. O mtodo de anlise hierrquica, AHP, capaz de
formalizar uma hierarquia dos fatores mais relevantes ao contexto da empresa.
Os especialistas selecionados na etapa anterior preenchem a matriz de comparao pareada
definida pela metodologia AHP. Informaes como o histrico de vendas e caractersticas
especiais do item so fornecidas a todos os avaliadores. Com base nestes dados e utilizando a
escala proposta por Saaty (2003), cada avaliador preencheu a sua respectiva matriz de
comparao. Uma vez definidas as matrizes, a operacionalizao do mtodo da anlise
hierrquica e os clculos necessrios para a obteno dos vetores de prioridades w so obtidos
atravs software Expert Choice verso 11.5.
Os valores do grau de inconsistncia (RC) de cada matriz retornados pelo software esto
dentro da faixa recomendada por Saaty (1991). O RC da matriz AV1 foi 0,09, a matriz AV3
recebeu 0,08 e a matriz AV5 obteve RC igual a 0.07, conforme apresentado no Apndice A.
A sada destas matrizes so vetores de priorizao (w) contendo a importncia relativa de
cada fator para a flutuao da demanda.
A seguir, os vetores de prioridades individuais w i so ponderados pelos respectivos
coeficientes i , conforme a equao (17). Este vetor ponderado w o vetor utilizado para
descrever a importnica relativa de cada fator para a flutuao da demanda. A Tabela 6 traz
os vetores de prioridades individuais e o vetor ponderado mdio de prioridades (w).
Tabela 6: Vetores relativos cada matriz e o vetor mdio ponderado w
Indicadores socioeconmicos
ndices de acidentes de trnsito do trimestre
Poltica de preos (prpria concorrente)
Confiabilidade da marca
Aes de marketing
Demanda de veculos novos
Incentivos fiscais (reduo de IPI)
Lanamento de novo modelo de veculo
AV1
0,032
0,253
0,407
0,036
0,088
0,118
0,020
0,045
AV3
0,064
0,312
0,224
0,148
0,025
0,036
0,105
0,087
AV5
0,058
0,316
0,139
0,243
0,018
0,030
0,071
0,125
w
0,050
0,291
0,267
0,135
0,047
0,065
0,062
0,083
19
Indicadores socioeconmicos
ndices de acidentes de trnsito do trimestre
Poltica de preos (prpria concorrente)
Confiabilidade da marca
Aes de marketing
Demanda de veculos novos
Incentivos fiscais (reduo de IPI)
Lanamento de novo modelo de veculo
I1
5%
30%
50%
0%
2%
5%
-10%
0%
I3
10%
20%
10%
0%
0%
-10%
-10%
-5%
I5
20%
15%
5%
0%
10%
-20%
-10%
20%
I
11,67%
21,67%
21,67%
0%
4%
-8,33%
-10%
5%
Esta quantificao tem como objetivo definir quanto e como os respectivos fatores esto
contribuindo para a variabilidade da demanda. Por exemplo, o fator ndice de acidentes ir
atuar de forma a aumentar a demanda em 21,67% no prximo perodo. J o fator de
incentivos fiscais, segundo a opinio dos avaliadores, ir diminuir a demanda em 10%. Vale
20
ressaltar que, neste estudo, todos os avaliadores entendem que o fator Confiabilidade da
marca no influencia na demanda para o prximo perodo.
4.4.
Nesta etapa define-se Y, que representa o ajuste qualitativo. Para isso so utilizados o vetor
mdio ponderado de priorizao e o vetor de intensidade mdia obtidos anteriormente. A
operacionalizao dada pela multiplicao dos componentes dos respectivos vetores. A
Tabela 8 mostra os valores do ndice de ajuste.
Tabela 8: Operacionalizao do vetor de ajuste
Indicadores socioeconmicos
ndices de acidentes de trnsito do trimestre
Poltica de preos (prpria concorrente)
Confiabilidade da marca
Aes de marketing
Demanda de veculos novos
Incentivos fiscais (reduo de IPI)
Lanamento de novo modelo de veculo
w
0,050
0,291
0,267
0,135
0,047
0,065
0,062
0,083
I
11,67%
21,67%
21,67%
0%
4%
-8,33%
-10%
5%
(w I )
0,58%
6,30%
5,79%
0%
0,19%
-0,55%
-0,62%
0,41%
21
Sep-10
Oct-10
Nov-10
Dec-10
Jan-11
Feb-11
Mar-11
Apr-11
May-11
Jun-11
Jul-11
Aug-11
Holt-Winters
13.383
17.167
19.285
13.794
32.285
16.638
13.537
11.384
12.743
14.288
20.305
10.609
Mtodo proposto
15.004
19.246
21.620
15.465
36.195
18.653
15.176
12.762
14.287
16.019
22.764
11.894
5. Concluso
A previso de demanda se tornou uma etapa essencial para o planejamento das empresas,
fornecendo informaes importantes para a tomada de deciso. A partir da previso de
demanda a instituio pode estabelecer uma base slida para nortear suas decises e tratar
eventuais problemas.
22
Neste artigo apresentou-se uma metodologia para obteno de previses de demanda atravs
de fatores quantitativos e qualitativos. O mtodo foi desenvolvido motivado pela necessidade
de fazer bom uso de todas as informaes disponveis s empresas. Baseando-se em uma
metodologia de cinco etapas, as sries temporais foram modeladas atravs de mtodos
quantitativos reconhecidos pela literatura. A definio do modelo quantitativo baseou-se na
mdia dos erros percentuais absolutos (MAPE).
Na parte qualitativa do mtodo proposto foram utilizados o coeficiente para selecionar os
especialistas mais consistentes e garantir confiabilidade s informaes utilizadas. Por fim,
utilizou-se a metodologia AHP para relacionar os fatores qualitativos. Com a utilizao do
AHP, foi possvel estabelecer prioridades que levaram identificao da importncia relativa
dos fatores qualitativos e por conseqncia, o ndice consolidado de ajuste. Uma das
vantagens obtidas com a utilizao do mtodo a possibilidade de personalizar o ajuste da
previso de demanda de um item, famlia ou classe de itens, atravs de fatores diferentes para
cada caso ou pesos diferenciados para os fatores.
Com base nos resultados deste trabalho, percebe-se que o mtodo proposto de previso de
demanda traz vantagens na compreenso da composio das previses pontuais, pois so
baseadas na previso quantitativa e na classificao fatores qualitativos. Como proposta para
estudos futuros, este artigo indica a verificao da atuao do chamado efeito chicote na
seleo dos fatores qualitativos utilizados no mtodo da anlise hierrquica.
23
REFERNCIAS
ANFAVEA Associao Nacional dos Fabricantes de Veculos Automotores. Anurio
Estatstico. Disponvel em: <http://www.anfavea.com.br>. Acesso em: 26 mar. 10.
ANTON, H.; RORRES, C. lgebra linear com aplicaes 8 ed Porto Alegre: Bookman,
2001.
BOLGER, F.; HARVEY, N. Context-sensitive heuristics in statistical reasoning. Quarterly
Journal of Experimental Psychology, v. 46A, pp. 779-811, 1996.
BALLOU, R. H. Gerenciamento da cadeia de suprimentos - Logstica empresarial - 5 ed So Paulo: Bookman, 2006.
BORNIA, A. C. Anlise Gerencial de Custos: Aplicao em Empresas Modernas 2 ed
So Paulo: Atlas, 2009.
BOX, G. E. P.; JENKINS, G. M.; REINSELL, G. C. Time series analysys: forecasting and
control. Prentice Hall. New Jersey, 1994.
CARVALHO, L. Indicadores de desempenho gerencial. Apostila (projeto Gesto
Empresarial e Qualidade), Porto Alegre: SENAI / FIERGS, 1995.
COELHO, L. C. Utilizao de modelos de suavizao exponencial para previso de
demanda com grficos de controle combinados Shewhart-CUSUM. Dissertao (mestrado)
Universidade Federal de Santa Catarina, Programa de Ps-Graduao em Engenharia de
Produo, 2008.
FLORES B. E.; OLSON D. L.; WOLFE C. Judgmental adjustment of forecasts: a
comparison of methods. International Journal of Forecasting, v. 7, n. 4, pp. 421-433, 1992.
GAITHER, N.; FRAIZER, G. Administrao da Produo e Operaes 8 ed So Paulo:
Pioneira Thomson Learning, 2005.
GOODWIN, P. Integrating management judgment and statistical methods to improve shortterm forecasts. Omega, v. 30, issue 2, pp. 127-135, 2002.
LEDAUPHIN, S.; HANAFI, M.; QANNARI, E. M. Assessment of the agreement among
subjects in fixed vocabulary profiling. Food Quality and Preference, v. 17, pp. 277-280, 2006.
24
25
SAATY, T. L.; VARGAS L. G.; DELLMANN K. The allocation of intangible resources: the
analytic hierarchy process and linear programming. Socio-Economic Planning Sciences, v.
37, n. 3, pp. 169-184, 2003.
SANDERS N.R., MANRODT K.B. Forecasting practices in US Corporations: survey
results. Interfaces, n. 24, pp. 92100, 1994.
SLACK, N.; CHAMBER, S.; HARLAND, C. HARRISON, A.; JOHNSTON, R.
Administrao da Produo. 2 ed. - So Paulo: Atlas, 2007.
SCHMIDT, A. M. A. Processo de apoio tomada de deciso abordagens: AHP e Macbeth.
Dissertao (mestrado) Universidade Federal de Santa Catarina, Programa de PsGraduao em Engenharia de Produo, 1995.
VAIDYA, O. S.; KUMAR S. Analytic hierarchy process: an overview of applications.
European Journal of Operational Research, v. 169, n. 1, pp. 1-29, 2006.
WERNER, L.; RIBEIRO, J. L. D. Previso de demanda: uma aplicao dos modelos BoxJenkins na rea de assistncia tcnica de computadores pessoais. Revista Gesto &
Produo, v. 10, n. 1, p. 47-67, 2003.
WERNER, L.; RIBEIRO, J. L. D. Modelo composto para prever demanda atravs da
integrao de previses. Produo, v. 16, n. 3, 2006.
WRIGHT, J. T. C. A tcnica Delphi: Uma ferramenta til para o planejamento do Brasil?
Anais, So Paulo: SPE Sociedade Brasileira de Planejamento Empresarial, pp. 199-207,
1986.
YAO, Y.; LIAN, Z.; LIU S.; HOU, Z. Hourly cooling load prediction by a combined
forecasting model based on analytic hierarchy process. International Journal of Thermal
Science, n. 43, pp. 1107-1118, 2004.
26
APNDICE A
(2)
(3)
(4)
(5)
(6)
(7)
(8)
(1)
1/7
1
1/9
1/5
1
1
7
7
1
1/3
5
5
1/3
1
1/5
5
5
1/5
1
1
2
9
7
3
5
7
1
1
5
5
1
3
5
5
1
(2)
(3)
(4)
(5)
(6)
(7)
(8)
(1)
1/5
1
1/4
1
1
1/6
4
3
1
5
7
6
4
1
3
7
5
4
1/2
1
1/3
4
3
1
1/5
1/3
1
1
5
1
3
1/4
1/2
1
1
(2)
(3)
(4)
(5)
(6)
(7)
(8)
(1)
1/5
1
1/3
5
1
1/5
1
1/3
1
5
9
7
9
1
3
7
5
7
1/3
1
1
3
5
5
1/5
1/3
1
1/3
5
1
1
1/7
1/5
1
1
27