Seleção de Métodos de Previsão de Demanda

Como deve-se selecionar o melhor método de previsão de demanda para produzir uma previsão mais acurada? Em uma pesquisa apresentada por Chambers, Mullick e Smith (1971) os autores apresentaram um quadro relacionando critérios para seleção do melhor método de previsão de demanda. Durante os 17 anos seguintes, a Harvard Business Review vendeu mais de 210 mil reimpressões do artigo, tornando-se uma de suas reproduções mais populares. No ano de 1974 os autores expandiram o artigo em um livro. Desde então, muito tem sido estudado e aprendido sobre a seleção de métodos de previsão de demanda.

Dentre os diversos trabalhos apresentados até então, sobre os critérios para seleção do método de previsão de demanda, pode-se destacar aqui os trabalhos de: Chambers, Mullick e Smith (1971); Naylor (1981); Montgomery, Johnson e Gardiner (1990); Fildes e Hastings (1994); Yokum e Armstrong (1995); Winklhofer, Diamantopoulos e Witt (1996); Makridakis, Wheelwright e Hyndman (1998); Armstrong e Fildes (2006); e Küsters, Mccullough e Bell (2006).

A partir desses trabalhos, foi possível identificar os critérios que podem influenciar na escolha dos métodos de previsão de demanda. Esses critérios auxiliam os tomadores de decisões no processo de seleção de métodos de previsão de demanda visando selecionar os melhores métodos para a determinada situação. No Quadro 3, apresenta-se as descrições dos critérios.

CRITÉRIOS (𝐾) DESCRIÇÃO (𝑘1) grau de

acurácia da previsão

De acordo com Yokum e Armstrong (1995), pesquisas de previsão de demanda tem comumente assumido que o grau de acurácia da previsão é o principal critério na escolha entre os métodos. Para Ritzman e Krajewski (2008) o grau de acurácia é excelente para previsões de curto prazo, boa para previsões de médio prazo e apenas razoável para as previsões de curto prazo.

(𝑘2) horizonte de

planejamento

Para Ritzman e Krajewski (2008), um fator que deve ser levado em consideração no momento da escolha do método de previsão de demanda é o horizonte de planejamento. Martins e Laugeni (2005) afirmam que o horizonte de planejamento das previsões costuma ser de curto prazo (até 3 meses), médio prazo (até 2 anos) e longo prazo (acima de 2 anos).

(𝑘3) custos para

implementação e manutenção do

método

Para Chambers, Mullick e Smith (1971), os custos dependem do tipo de pesquisa, aplicação e análise dos tomadores de decisões. Se os dados de entrada do método estão disponíveis, os custos são baixos. De acordo com Georgoff e Murdick (1986), quando se trata de novos produtos, os métodos de previsão do tipo qualitativo obtêm um bom grau de acurácia e os custos de implantação e manutenção destes métodos são menores se comparado aos custos dos métodos quantitativos. Conforme Makridakis, Wheelwright e Hyndman (1998), os custos de alguns métodos dependem da frequência com que são utilizados, ou seja, se estarão inseridos na rotina operacional da empresa ou se serão utilizados esporadicamente.

(𝑘4) necessidade

de dados históricos consistentes

Para Naylor (1981), os dados de entrada utilizados nas previsões de demanda geralmente são os dados históricos. Cabe destacar que as previsões desse tipo não devem se limitar a reproduzir um padrão ou tendências passadas afinal, dados passados podem não se repetir no futuro. Os dados históricos são geralmente a melhor informação para o desenvolvimento dos métodos de previsão de demanda. Quando poucos dados estão disponíveis, ou quando eles não existem, utilizam-se dados de situações análogas.

(𝑘5) necessidade

de recursos computacionais

(softwares)

Conforme apresentado por Armstrong e Fildes (2006), alguns softwares demandam tempo e recursos financeiros em grande escala. Ele destaca ainda que utilizar softwares não corresponde a previsão mais acurada pois, o efetivo controle e monitoramento do desenvolvimento e execução do método nem sempre é acompanhado. Os softwares podem ser de três tipos: planilhas eletrônicas – que possui ferramentas e algumas técnicas, mas não oferecem opções de preparação de dados, seleção de métodos ou avaliação do grau de acurácia das previsões; pacotes computacionais estatísticos de uso genérico – que oferecem ferramentas para preparação dos dados, mas não disponibilizam ferramentas para seleção e avaliação de métodos de previsão; e pacotes computacionais específicos – que oferecem facilidades na preparação de dados, seleção, implementação e avaliação de métodos.

(𝑘6) conhecimento

de recursos matemáticos e

experiência

No que diz respeito ao conhecimento de recursos matemáticos, o domínio de conhecimento depende da habilidade dos tomadores de decisões em captar o significado apropriado da informação contextual. Tomadores de decisões com experiência entendem quais informações são importantes e apresentam habilidade com os cálculos (KÜSTERS; MCCULLOUGH; BELL, 2006).

Quadro 3 – Critérios para seleção dos métodos de previsão de demanda Fonte: Elaborado pelo autor (2016)

Ainda referente a seleção de métodos de previsão de demanda, vale destacar o trabalho de Armstrong (2001b). O autor desenvolveu um fluxograma para orientar os tomadores de decisões na escolha de métodos de previsão de demanda. Em sua pesquisa foi possível observar algumas conclusões, tais como: com dados suficientes, métodos de previsão de demanda quantitativos são mais precisos que métodos de previsão de demanda qualitativos; quando grandes mudanças são esperadas, métodos quantitativos são mais precisos do

que os métodos qualitativos; métodos simples são preferíveis aos métodos complexos, eles são mais fáceis de entender, menos caros e, raramente, menos precisos; para selecionar um método de previsão de demanda qualitativo é necessário determinar se há grandes mudanças no cenário econômico; para selecionar um método de previsão de demanda quantitativo, é necessário considerar o nível de conhecimento dos tomadores de decisões, o tipo de dados, a necessidade de análises políticas, e o conhecimento e domínio do método; quando a seleção de um único método se torna inviável, combinar diferentes métodos para previsão de demanda é fundamental para o sucesso da previsão.