PREVISÃO DE DEMANDA UTILIZANDO
MÉTODOS COMBINADOS E OPINIÃO
DE ESPECIALISTAS: UMA REVISÃO DE
LITERATURA
Carolina Deina (Universidade Tecnológica Federal do Paraná )caroldeina@gmail.com Dalmarino Setti (Campus Pato Branco ) dalmarino@utfpr.edu.br FLAVIO TROJAN (Campus Ponta Grossa ) flavio.trojan@gmail.com Hugo Valadares Siqueira (UTFPR - Campus Ponta Grossa ) hugosiqueira@utfpr.edu.br Marcelo Gonçalves Trentin (Campus Pato Branco ) marcelo@utfpr.edu.br
Combinar e ajustar métodos de previsão de demanda quantitativos com o julgamento de previsores é uma ferramenta que está sendo utilizada por alguns autores na tentativa de melhorar a precisão das previsões. Este trabalho tem como objetivo apresentar uma análise sistêmica do conteúdo sobre combinações e ajustes de previsões utilizando o julgamento, em trabalhos relevantes para o tema. Para seleção do portfólio bibliográfico utilizou-se a metodologia Proknow-C. Os resultados indicaram que diferentes métodos podem ser utilizados para fazer previsões quantitativas e que métodos para estruturação de julgamentos podem ser um diferencial para aumentar a precisão das previsões de futuras pesquisas, estudos atuais também estão sendo direcionados para entender a influência do perfil dos especialistas nas previsões. A partir deste artigo de revisão de literatura, foi possível identificar oportunidades para futuros trabalhos.
Palavras-chave: previsão de demanda, combinação de previsões, ajuste de previsão, opinião de especialistas.
1. Introdução
Para lidar com as incertezas do mercado, existem diferentes ferramentas que apoiam as tomadas de decisões gerenciais, sendo uma delas, a previsão de demanda, ou seja, uma projeção do comportamento da demanda futura (GREEN; ARMSTRONG, 2012). Tais informações são essenciais para tomadas de decisões e planejamentos nos níveis estratégicos, táticos e operacionais do negócio (LEMOS, 2006).
Para a realização dessa atividade existem diferentes métodos dispostos na literatura, os quais são subdivididos em quantitativos e qualitativos (WERNER, 2004). Sua escolha, será basicamente definida pela natureza dos dados disponíveis, podendo ser numéricos ou subjetivos (SANDERS; RITZMAN, 2004).
Apesar da vasta disponibilidade de metodologias para previsão, essa atividade está se tornando mais complexa a medida que as exigências do mercado aumentam, conforme Trapero et al., (2013) uma combinação dos métodos disponíveis poderá ser uma importante ferramenta que melhore a precisão dos resultados, porém essa melhora ainda não está bem sedimentada na literatura. Entretanto, se for identificado que as combinações podem melhorar os resultados de previsão, Werner (2004) afirma que a partir desses é possível elevar o potencial de crescimento da empresa, gerando economias significativas. Em contrapartida, se os erros de previsões forem elevados, os resultados produzidos pelas previsões poderão não condizer com a realidade da empresa (ARMSTRONG, 2001).
Dessa forma, esse trabalho busca discutir as nuances a respeito do tema combinação de métodos
e ajustes de previsão através de uma revisão sistemática da literatura, buscando identificar
oportunidades de pesquisa e entender como as combinações e o ajuste de julgamento de previsão de demanda são utilizadas na literatura e se estas melhoram ou não os resultados das previsões.
O trabalho está organizado da seguinte forma: na seção “Metodologia” estão dispostos os procedimentos utilizados para seleção do portfólio bibliográfico; a seção "Resultados e Discussão" é apresentado o processo de seleção do portfólio bibliográfico em números e a análise sistêmica dos artigos selecionados, enquanto que a seção "Conclusões" procura-se tecer as considerações sobre a contribuição do estudo.
Laboratório de Metodologia Multicritério de Apoio à Decisão Construtivista (LabMCDA-C) da UFSC (ENSSLIN et al., 2010), foi utilizada para a seleção do portfólio bibliográfico. Esta ferramenta construtivista, permite que o pesquisador desenvolva uma maior compreensão e conhecimento a respeito do tema investigado (ENSSLIN, 2016). O processo de seleção do portfólio bibliográfico é detalhado na Figura 1.
Figura 1 - Fluxograma da metodologia Proknow-C para seleção do portfólio bibliográfico
Definição das Palavras-Chave (PC) Definição das Bases de dados (BD) Busca de artigos nas BD com as PC Teste de aderência das PC Eliminação de Artigos duplicados estão alinhadas com as PC dos artigos? Eliminação de Artigos pela leitura de títulos SIM NÃO Verificação do reconhecimento científico (RC) dos artigos no Google
Acadêmico Artigos com RC confirmado Artigos sem RC confirmado Leitura dos Resumos dos Artigos Alinhado com o tema da pesquisa? Leitura Integral dos Artigos Alinhado com o tema da pesquisa? Artigos recentes? ( 2 anos) Leitura dos Resumos dos Artigos Alinhado com o tema da pesquisa? Leitura Integral dos Artigos SIM SIM SIM Autor está no banco de autores? Portfólio Selecionado NÃO SIM Artigos eliminados NÃO NÃO SIM Artigos eliminados NÃO NÃO
Fonte: Autoria própria
leitura dos títulos, eliminação de artigos pela leitura de resumos; leitura completa dos artigos restantes; e por fim, seleção de artigos para compor o portfólio bibliográfico.
Tendo o portfólio selecionado, o passo seguinte foi realizar uma análise sistêmica de conteúdo dos artigos, a qual buscou identificar o comportamento e aplicações das combinações e ajustes de previsão de demanda utilizados pela literatura, apresentando os métodos de previsões quantitativos e qualitativos, e se estes trouxeram resultados superiores de previsão.
3. Resultados e discussão
3.1. Seleção do portfólio bibliográfico
Seguindo o modelo exposto na Figura 1, inicialmente definiu-se as palavras-chave (PC) de acordo com três eixos de pesquisa, sendo: eixo 1 - previsão de demanda; eixo 2 - ajuste de previsão; eixo 2 - integração/combinação de previsão.
Após a definição das PC, as bases de dados foram definidas de acordo com os seguintes critérios: alinhamento com o tema da pesquisa; bases de dados que contém resumos e textos completos; disponibilidade de ferramentas de busca com expressões booleanas; bases de dados que permitem a pesquisa de título, palavras-chave e resumo; base de dados que permitem exportar os artigos para o software de gerenciamento bibliográfico Mendeley; base de dados disponíveis no portal de periódicos da CAPES e relevantes no contexto internacional.
Após, iniciou-se a busca por artigos nas bases de dados selecionadas utilizando as palavras-chave definidas Entre os eixos de pesquisa, utilizou-se a expressão booleana AND. Ao total, 4687 artigos foram encontrados.
Na sequência, foi realizado o teste de aderência das palavras-chave e verificou-se que novas não precisaram ser incluídas na busca. O restante das etapas está exposto em números na Figura 2. Ao total, foram selecionados 18 artigos para compor o portfólio bibliográfico (WOLFE; FLORES,1990; SANDERS; RITZMAN, 1990; FLORES et al., 1992; SANDERS; RITZMAN, 1995; GOODWIN, 2000; GOODWIN, 2002; SANDERS; RITZMAN, 2004; PETROVIC et
al., 2006; YUKSEL, 2007; SYNTETOS et al., 2009; MARMIER; CHEIKHROUHOU, 2010;
CHEIKHROUHOU et al., 2011; FRANSES; LEGERSTEE, 2011; TRAPERO et al., 2013; FRANSES; LEGERSTEE, 2013; SONG et al., 2013; LIN, 2013; VALENCIA et al., 2017).
Figura 2 - Resultados da aplicação da metodologia Proknow-C para seleção do portfólio bibliográfico
4687 Artigos
Definição das Palavras-chave (PC):
EIXO 1 EIXO 2 EIXO 3 "Time series" Judgmental OR judgment combining OR combination "demand forecasting" adjustment Integrate Forecasting OR Forecast "Judgmental adjustment"
Definição das Bases de Dados (BD): Scopus; Web of Science; Wiley Online Library.
2712 Artigos
Número de Artigos Após a Eliminação de Duplicados
311 Artigos
Número de Artigos Após a Leitura de Títulos
57 Artigos
Número de Artigos Após a Leitura de Resumos
Artigos do Portfólio = 18 Número de Artigos Após a Leitura Integral
Fonte: Autoria própria
3.2. Análise sistêmica do portfólio selecionado
Dentre os 18 artigos selecionados, todos realizaram a combinação de métodos quantitativos de previsão de demanda com julgamentos qualitativos (TABELA 3). Apenas um artigo não apresentou aplicações práticas de suas combinações de previsão, sendo o trabalho produzido por Sanders e Ritzman (2004).
TABELA 3 - Características dos artigos selecionados pelo método Proknow-C
Portfólio Bibliográfico
Integração
Métodos Quantitativos Métodos Qualitativos Melhorou a previsão?
Autores
.
Cheikhrouhou et Al. (2011)
Combinação de previsões matemáticas com previsões de julgamento (estruturadas por Fuzzy) Previsões matemáticas ajustadas por previsões de julgamento (estruturadas por AHP e método centroide) Flores et Al.
(1992)
Combinação de previsões quantitativas com previsões de julgamento (estruturadas por AHP e Delphi)
Combinação de previsões quantitativas com previsões de julgamento (estruturadas por Fuzzy) Previsões quantitativas ajustadas por previsões de
julgamento (estruturadas por AHP) Previsões quantitativas ajustadas pela média das previsões de julgamento (estruturadas por Delphi)
Combinação de previsões quantitativas com previsões de julgamento (estruturadas por Delphi) Previsões quantitativas ajustadas por previsões de
julgamento
Métodos estatísticos Previsões quantitativas ajustadas por previsões de
julgamento Yuksel (2007) Petrovic et Al. (2006) Wolfe e FLores (1990) Goodwin (2002) Syntetos et Al. (2009) Song et Al. (2013) Lin (2013)
ARIMA e Holt–Winters Julgamento de 3 especialistas Sim
ARIMA Julgamento de 14 especialistas e 14
estudantes Sim
Decomposição, modelos de Suavização
Exponencial de Holt Winters, ARIMA. Julgamento de 21 especialistas Sim
Decomposição (TSAD) e modelo de movimentação automática integrada
regressiva (arma).
julgamento de um especialista e um
cliente Sim
ARIMA Julgamento de 16 especialistas Sim
Modelo Econométrico e Modelo autoregressivo de atraso distribuido
(ADLM).
Julgamento de 21 especialistas Sim
Suavização exponencial Holt winters, modelo ingênuo e modelos de séries de
tempo Box-Jenkins
Julgamento de especialistas Sim
Julgamento de 48 especialistas Suavização exponencial simples e
suavização exponencial de Holt Winters Não
Julgamento de especialistas Sim
Combinação de previsões quantitativas com previsões de julgamento
Goodwin (2000) Suavização Exponencial Simples
Portfólio Bibliográfico
Integração
Métodos Quantitativos Métodos Qualitativos Melhorou a previsão?
Autores
.
Ajuste de julgamento em previsões quantitativas; correção quantitativa nas previsões de julgamento; integração sugere que as previsões quantitativas com as previsões de julgamento; julgamento para selecionar as variáveis de entrada, especificar a estrutura do modelo e
definir o desenvolvimento da previsão quantitativa.
Ajuste da previsão estatística através de uma média simples; combinação das previsões estatísticas com os julgamentos dos especialistas; combinação das previsões
estatísticas com o julgamento dos estudantes.
Previsões quantitativas ajustadas por previsões de julgamento
Combinação de previsões quantitativas com previsões de julgamento
Previsões quantitativas ajustadas por previsões de julgamento
Combinação de previsões quantitativas com previsões de julgamento
Combinação de previsões quantitativas com previsões de julgamento
Suavização exponencial
Ajuste de julgamento das previsões quantitativas; média das previsões quantitativas com as de julgamento; método que da a opção ao especialista de
manter ou modificar a previsão quantitativa. Sanders e Ritzman (2004) Sanders e Ritzman (1995) Trapero et Al. (2013) Franses e Legerstee (2011) Sanders e Ritzman (1990) Franses e Legerstee (2013) Marmier e Cheikhrouhou (2010) Valencia et Al. (2017)
Métodos quantitativos Julgamento de especialistas Não fez aplicação dos métodos
Suavização Exponencial única, suavização exponencial de dois parâmetros de Holt e procedimento de
estimação adaptativo.
Julgamento de especialistas e
estudantes Sim
Suavização Exponencial julgamento de especialistas Não
Modelos estatísticos Julgamento de 50 especialistas Sim
Suavização exponencial adaptativa, suavização exponencial simples, regressão linear, o procedimento de estimativa adaptativa e o modelo de dois
parâmetros de Holt
Julgamento de especialistas Sim
Modelos estatísticos Julgamento de especialistas Não
Julgamento de um especialista ARIMA, suavização exponencial
dupla e Holt Winters Sim
Julgamento de 31 especialistas Sim
Segundo Sanders e Ritzman (2004) quatro métodos de integração de julgamentos em previsões quantitativas podem ser descritos, como detalha a Figura 4.
Figura 4 - Métodos de integração de julgamento propostos por Sanders e Ritzman (2004) Integração de Julgamentos em Previsões
M ét odo 4 M ét odo 3 M ét odo 1 M ét odo 2 Previsão quantitativa Ajuste de
previsão Previsão final
Método quantitativo
Correção do
julgamento Previsão final
Julgamento Julgamento Julgamento Previsão quantitativa Ajuste de
previsão Previsão final
Previsão final Método
quantitativo Julgamento
Fonte: Adaptado de Sanders e Ritzman (2004)
O primeiro método propõe a realização de um ajuste de julgamento em previsões quantitativas. O segundo realiza uma correção quantitativa nas previsões de julgamento. O terceiro sugere que as previsões quantitativas com as previsões de julgamento são construídas paralelamente e combinadas matematicamente resultando na previsão final. O quarto método utiliza o julgamento para selecionar as variáveis de entrada, especificar a estrutura do modelo e definir o desenvolvimento da previsão quantitativa.
Todos os outros artigos abordados utilizaram uma metodologia de integração semelhantes ao primeiro e terceiro casos propostos por Sanders e Ritzman (2004). Destes, 13 dos 17 artigos que realizaram aplicações práticas dos métodos tiveram seus resultados de previsão melhorados
Marmier e Cheikhrouhou (2010) apresentaram dois estudos de caso combina as previsões quantitativas com previsões de julgamentos O estudo contou com a opinião de um especialista para integrar suas previsões nas previsões estatísticas. Concluiu-se que apenas a utilização dos modelos matemáticos foi insuficiente para obter resultados de previsão precisos.
Posteriormente, Cheikhrouhou et al. (2011) realizaram um novo trabalho utilizando os mesmos estudos de caso apresentados anteriormente, mas com uma nova metodologia de previsão. Tal proposta combinou as previsões quantitativas com previsões de julgamentos, mas desta vez utilizando três especialistas e estruturando as previsões de julgamento pelo método Fuzzy. Em ambos os casos, os resultados de previsão combinada foram mais precisos que apenas as previsões matemáticas.
Comparando os trabalhos de Marmier e Cheikhrouhou (2010) e Cheikhrouhou et al. (2011), identificou-se que as previsões de ajustes estruturadas pelo método Fuzzy obteve mais precisão que ajustes sem estruturação Além disso, a utilização de mais de um previsor conduziu a resultados melhores Conforme Cheikhrouhou et al. (2011) tal comportamento tem uma explicação lógica, visto que um único previsor pode não ter uma visão completa do mercado e ter opiniões que possam não ser tão boas para cada situação.
No portfólio bibliográfico selecionado, existem outros trabalhos que também utilizaram alguns métodos para a estruturação de seus julgamentos (WOLFE; FLORES, 1990; FLORES et al., 1992; PETROVIC et al., 2006; YUKSEL, 2007; SONG et al., 2013; LIN, 2013).
Wolfe e Flores (1990) utilizavam o modelo ARIMA ajustado através de julgamentos estruturados pelo método AHP. O modelo foi aplicado em 32 empresas e as previsões qualitativas foram realizadas por 16 especialistas e 16 estudantes de administração de empresas. Como resultados, as previsões ajustadas foram mais precisas que apenas as previsões geradas pelo método ARIMA.
Logo após o trabalho de Wolfe e Flores (1990), Flores et al. (1992) realizaram um estudo com o objetivo de comparar o método de estruturação AHP com o centroide, pois segundo os autores este é mais simples de ser utilizado.
Em seus resultados, Flores et al. (1992) verificaram que os dois métodos de estruturação de julgamentos tiveram resultados semelhantesO AHP foi ligeiramente mais preciso, porém o método centroide é mais fácil e simples de ser utilizado e produziu resultados que foram pelo
Petrovic et al. (2006) que também utilizaram métodos para estruturar julgamentos fizeram primeiro uma previsão matemática que foi combinada com as previsões subjetivas. Um cliente e um perito estimaram a demanda para o próximo período de forma independente usando valores linguísticos imprecisos e previsão subjetiva foi estruturada pelo método Fuzzy. Os métodos combinados foram comparados com os modelos matemáticos de previsão Os erros gerados pelos métodos matemáticos foram maiores, de modo que os autores concluíram que a experiência de julgamento é de grande importância na obtenção de alta precisão de previsão. Outro autor que estruturou suas previsões de julgamento foi Yuksel (2007), que propôs prever a demanda de procura de um hotel de Ancara, Turquia. O autor realizou previsões estatísticas utilizando diferentes métodos e posteriormente combinou os resultados com previsões de julgamento estruturadas por um modelo AHP. A combinação dos métodos quantitativos e qualitativos melhorou os resultados da previsão (YUKSEL, 2007).
Tanto Song et al. (2013) quanto Lin (2013) realizaram estudos para prever a demanda turística de Hong Kong e estruturaram suas previsões de julgamento. Os dois estudos foram feitos pelo método Delphi e apresentaram resultados de ajustes e combinações mais precisos que os métodos quantitativos, na maioria dos casos.
Para Song et al. (2013) e Lin (2013) as vantagens de incluir julgamento nas previsões dependem de fatores como a qualidade da previsão quantitativa e a variabilidade dos dados da série temporal que está sendo prevista. Ajustes de julgamento podem ser eficazes quando aplicado em série de dados irregulares e com valores variáveis. Existem outros autores que também concordaram com esta afirmação (WOLFE; FLORES,1990; SANDERS; RITZMAN, 1990; SANDERS; RITZMAN, 1995; SYNTETOS et al., 2009; GOODWIN, 2002).
Sanders e Ritzman (1990), em seu estudo, realizaram uma previsão quantitativa e posteriormente um ajuste com as opiniões dos especialistas. Foram realizadas previsões quantitativas para um total de 22 séries de dados diários que cobriam um período de três anos. Inicialmente, os dados foram agregados em quatro categorias com base em um coeficiente de variação: baixa variabilidade (séries 1-5), variabilidade baixo-médio (séries 6-11), variabilidade média-alta (série 12-17) e alta variabilidade (séries 18-22). Segundo os autores, para as séries temporais moderadamente estáveis os resultados das previsões utilizando métodos estatísticos se mostraram bem próximos dos dados reais. A medida que a variabilidade dos dados se tornou
superassem os métodos estatístico, o coeficiente de variação deveria atingir 70%. O agrupamento dos dados permitiu com que eles identificassem que o desempenho dos ajustes está claramente relacionado a variabilidade dos dados.
Em um outro momento, Sanders e Ritzman (1995) realizaram novamente um estudo de combinação de previsão em um armazém, mas dessa vez, utilizaram dois tipos de julgadores: planejadores do armazém (que são especialistas e possuem conhecimento do ambiente estudado e do comportamento de demanda do cliente) e estudantes (que possui conhecimento das técnicas de previsão). Os resultados identificaram que as combinações de previsão estatística com previsão de julgamento dos planejadores do armazém foram superiores, pois eles tinham conhecimento aprofundado do contexto analisado e os dados da série temporal eram bastante variáveis. Outra informação importante relatada diz que quanto maior for a variabilidade dos dados, mais peso deve ser atribuído as previsões de julgamento.
Outros autores que acreditam que as variabilidades dos dados podem influenciar nas previsões são Syntetos et al. (2009). Eles realizaram seu estudo em uma empresa farmacêutica do Reino Unido, propondo um ajuste qualitativo nos resultados de previsões estatísticas da empresa. Os resultados permitiram identificar que as previsões ajustadas foram mais precisas que as previsões do quantitativas.
Goodwin (2002), que também apresentou em seus resultados comentários relacionados a influência da variabilidade dos dados nas previsões, propôs em seu estudo uma metodologia que utilizou métodos quantitativos lineares de previsão ajustadas por julgamentos. Para a validação do modelo proposto, foi simulado um problema de previsão de vendas, em que as demandas tinham padrões regulares, porém ocorriam promoções de produtos em períodos específicos gerando vendas adicionais. 48 estudantes do curso de Análise de decisões empresariais da Universidade do Oeste da Inglaterra realizaram as previsões de julgamento. Destes, apenas um produziu ajustes mais precisos que as previsões estatísticas individuais. De acordo com o autor a explicação para tais desempenhos é o uso incorreto que os previsores faziam a respeito das informações quantitativas fornecida. Mesmo quando estas levaram a resultados altamente confiáveis, os especialistas insistiam em ajustar as previsões, enquanto que uma boa estratégia seria apenas aceitar os resultados da previsão estatística. Os previsores por estar sendo solicitados a fazer o julgamento das previsões, consideraram que apenas aceitar
Existem outros estudos do portfólio selecionado que, assim como o de Goodwin (2002), apresentaram resultados insuficientes pela combinação/ajuste de métodos qualitativos e quantitativos (GOODWIN, 2000; TRAPERO et al., 2013; FRANSES; LEGERSTEE, 2013). Goodwin (2000), realizou uma experiência laboratorial e dois estudos de campo na Europa (empresa têxtil e uma empresa de engenharia), para comparar o comportamento de três métodos de integração da previsão. Para o julgamento, utilizou-se apenas a opinião de um especialista, o qual teve acesso a informações contextuais. Os resultados mostraram pouca evidência nos dois estudos de caso em que vale apena combinar previsões estatísticas com julgamento. Franses e Legerstee (2013) também não tiveram resultados positivos na combinação de previsões. Os autores estudaram a previsão de vendas de produtos de uma empresa farmacêutica e realizaram previsões estatísticas com dados quantitativos e previsões qualitativas pelo julgamento dos gestores locais e depois combinaram as previsões geradas e compararam aos números de vendas reais. As combinações não foram precisas em seus resultados e segundo os proponentes, os julgadores em alguns casos eram tendenciosos, colocando muito peso no seu próprio julgamento e prejudicando a qualidade da previsão. Eles sugerem que um sistema de apoio a previsão qualitativa poderá ser uma tática promissora para reduzir o viés do julgamento. Trapero et al. (2013), que também não apresentaram resultados precisos de combinação de previsão, realizaram um estudo com o propósito de prever demanda com períodos promocionais de uma empresa de manufatura especializada em serviços domésticos. O estudo buscou investigar se os ajustamentos de especialistas influenciavam positivamente nas previsões dos modelos estatísticos multivariados.
Os resultados apresentaram que os modelos estatísticos tiveram um melhor desempenho que os modelos ajustados. Segundo Trapero et al. (2013) esse resultado está atribuído ao otimismo que os especialistas tiveram ao realizar suas previsões. A sugestão dos autores é apresentar um sistema de apoio a previsão dos especialistas.
Assim como Trapero et al. (2013) e Franses e Legerstee (2013), existem outros autores do portfólio bibliográfico que também sugeriram sistemas de apoio a previsão de especialistas (SANDERS; RITZMAN, 1990; PETROVIC et al., 2006; VALENCIA et al., 2017).
No estudo de Valencia et al. (2017) foi realizado uma comparação de três métodos de integração de julgamento em previsões. O estudo realizou a previsão da demanda de produtos de 4
estruturar o julgamento das previsões de ajuste é um ponto interessante a ser estudado. A seleção de especialistas com experiência em cargos-chave é uma condição necessária para um bom desempenho, mas não suficiente. Apesar dos resultados indicarem que os especialistas tinham um maior controle ao realizar as previsões de julgamento quando as informações quantitativas estavam disponíveis, Valencia et al. sugeriram que uma metodologia qualitativa para estudar mais profundamente os conhecimentos adquiridos por especialistas na obtenção de informações quantitativas para fazer seus ajustes de previsões seria extremamente útil. Dentro do portfólio selecionado, outros artigos também sugeriram estudar mais afundo os previsores na realização de seus julgamentos (CHEIKHROUHOU et al., 2011; FRANSES; LEGERSTEE, 2011; TRAPERO et al., 2013).
Franses e Legerstee (2011) em seu estudo realizaram inicialmente uma previsão quantitativa de demanda de produtos farmacêuticos de 37 países, utilizando dados de 12 meses de vendas dos produtos. Posteriormente, as previsões de julgamento foram realizadas por 50 especialistas desses 37 países. Então as duas previsões foram combinadas. Em cerca de 90% dos casos, as previsões combinadas foram mais precisas que as quantitativas individuais. Outro ponto investigado foi identificar se as características dos especialistas influenciavam os resultados das previsões. Questões como gênero, idade e tempo exercendo a função foram discutidos, concluindo que os resultados das previsões combinadas estavam ligados diretamente a idade dos previsores. Os autores sugerem que para futuras pesquisas é interessante informar os especialistas que as previsões quantitativas são imparciais e que tomar posições extremas em seu julgamento não a tornam melhores. Portanto, persistir em alterar acima ou abaixo uma previsão quantitativa que apresentaram bons resultados pode não ser apropriado.
4. Conclusões
Como visto na maior parte dos estudos aplicados do portfólio selecionado, métodos de combinação e ajustes podem trazer resultados precisos de previsão.
Uma grande influência nos resultados positivos desses métodos de combinação/ajuste qualitativo de previsões quantitativas é a variabilidade dos dados Esse achado foi identificado em diversos trabalhos do portfólio bibliográfico. Os métodos quantitativos não foram muito precisos para prever demanda de série de dados com valores muito variáveis, portando integrar
Segundo Sanders e Ritzman (1990) em série de dados com valores estáveis, os métodos quantitativos podem ser a melhor escolha, pois capturam modelos de repetição, à medida que a variabilidade dos dados aumenta, o julgamento é importante para a previsão, pois captura sinais ambientais não identificados pelas técnicas quantitativas.
Alguns autores sugerem que para próximos trabalhos relacionados a esse tema, seria interessante estudar a atribuição de pesos nas previsões de julgamento durante as combinações com métodos estatísticos conforme a variabilidade dos dados aumenta.
A previsão por julgamento foi questionável em alguns casos. Conforme Syntetos et al. (2009) e Goodwin (2002), alguns previsores eram otimistas demais em suas previsões e em alguns casos consideraram que apenas aceitar as previsões estatísticas era simples e fácil demais. Dos 18 artigos do portfólio selecionado, 7 artigos utilizaram alguns métodos para estruturar seus julgamentos e tiveram resultados de previsão mais precisos que apenas a utilização de modelos quantitativos (WOLFE; FLORES, 1990; FLORES et al., 1992; PETROVIC et al., 2006; YUKSEL, 2007; CHEIKHROUHOU et al., 2011; SONG et al., 2013; LIN, 2013). No futuro, o desenvolvimento de uma ferramenta que pondere os diferentes níveis de incertezas da previsão colaborativa obtida pode ser algo interessante a ser investigado. Além disso, estudar as diferentes percepções de previsões individuais e suas contribuições para o processo de previsão colaborativa, conforme o perfil dos especialistas, é uma direção de pesquisa interessante para o futuro (CHEIKHROUHOU et al., 2011).
Outros estudos sugerem que a utilização de mais de um previsor pode conduzir a resultados melhores de previsão, além do que para alguns autores a previsão de julgamento pode ser superior em casos que os julgadores têm conhecimento do contexto a ser analisado. Outra importante direção de pesquisas futuras sugeridas por alguns autores, é a aquisição de mecanismos para estruturar o julgamento de previsões de ajuste.
5. Agradecimentos
Os autores agradecem à Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) e ao Conselho Nacional de Desenvolvimento Científico e Tecnológico, processo número 405580/2018-5 pelo apoio financeiro ao projeto de pesquisa.
CHEIKHROUHOU, N.; MARMIER, F.; AYADI, O.; WIESER, P. A collaborative demand forecasting process with event-based fuzzy judgements. Computers & Industrial Engineering. v. 61, p. 409-421, 2011.
ENSSLIN, L.; GIFFHORN, E.; ENSSLIN, S. R.; PETRI, S. M.; VIANNA, W. B. Avaliação do desempenho de empresas terceirizadas com o uso da metodologia multicritério de apoio à decisão – construtivista. Pesquisa
Operacional, v. 30, n. 1, p. 125-152, abr., 2010.
FLORES, B. E.; OLSON, D. L.; WOLFE, C. Judgmental adjustment of forecasts - a comparison of methods.
International Journal of Forecasting. v. 7, p. 421-433, 1992.
FRANSES, P. H.; LEGERSTEE, R. Combining sku-level sales forecasts from models and experts. Expert
Systems with Applications. v. 38, p. 2365-2370, 2011.
FRANSES, P. H.; LEGERSTEE, R. Do statistical forecasting models for sku-level data benefit from including past expert knowledge? International Journal of Forecasting. v. 29, p. 80-87, 2013.
GOODWIN, P. Correct or combine? Mechanically integrating judgmental forecasts with statistical methods.
International Journal Of Forecasting. v. 16, p. 261-275, 2000.
GOODWIN, P. Integrating management judgment and statistical methods to improve short-term forecasts.
OMEGA-International Journal of Management Science. v. 30, p. 127-135, 2002.
GREEN K. C.; ARMSTRONG, J S. Demand forecasting: evidence-based methods. Wharton University of Pensylvania. 2012
LEMOS, F. O. Metodologia para Seleção de Métodos de Previsão de Demanda. Dissertação (Mestrado Profissionalizante em Engenharia) – Departamento de Engenharia de Produção e Transportes. Porto Alegre - UFRGS, 2006.
LIN, V. S.; Improving forecasting accuracy by combining statistical and judgmental forecasts in tourism.
Journal of China Tourism Research. v. 9, p. 325-352, 2013.
MARMIER, F.; CHEIKHROUHOU, N. Structuring and integrating human knowledge in demand forecasting: A judgemental adjustment approach. Production Planning and Control. v. 21, p. 399-412, 2010.
SANDERS, N. R.; RITZMAN, L. P. Bringing judgment into combination forecasts. Journal of Operations
Management. v. 13, p. 311-321, 1995.
SANDERS, N. R.; RITZMAN, L. P. Integrating judgmental and quantitative forecasts: methodologies for pooling marketing and operations information. International Journal of Operations & Production
Management, v.24, p.514-529, 2004.
SONG, H.; GAO, B. Z; LIN, V. S. Combining statistical and judgmental forecasts via a web-based tourism demand forecasting system. International Journal of Forecasting, v.29, p. 295- 310, 2013.
SYNTETOS, A. A.; NIKOLOPOULOS, K.; BOYLAN, J. E.; FILDES, R.; GOODWIN, P. The effects of integrating management judgement into intermittent demand forecasts. International Journal of Production
Economics. v. 118, p. 72-81, 2009.
vaklTRAPERO, J. R.; PEDREGAL, D. J.; FILDES, R.; KOURENTZES, N. Analysis of judgmental
adjustsments in the presence of promotions. International Journal of Forecasting. v. 29, p. 234-243, 2013.
VALENCIA, J. A.; BARRERO, L. H.; ÖNKAL, D.; DENNERLEIN, J. T. Expertise, credibility of system forecasts and integration methods in judgmental demand forecasting. International Journal of Forecasting. v. 33, p. 298-313, 2017.
WERNER, L. Um modelo composto para realizar previsão de demanda através da integração da
combinação e de previsões e ajustes baseados na opinião. Tese de Doutorado. UFRGS. Porto Alegre, 2004.
WOLFE, C.; FLORES, B. E. Judgmental adjustment of earnings forecasts. Journal of Forecasting. v. 9, p. 389-405, 1990.
YUKSEL, S. An integrated forecasting approach to hotel demand. Mathematical and Computer Modelling. v. 46, p. 1063-1070, 2007.