Administrao

da Produo e Sistemas de Informao

MODELOS QUANTIT~TIVOS DE APOIO AS DECISOES - I

Pierre Jacques Ehrlich

Professor do Departamento de Informtica Mtodos Quantitativos da EAESP/FGV E-mail Ehrlich@eaesp.fgvsp.br

RESUMO: Modelagem Quantitativa para Apoio s Decises teve um grande desenvolvimento a partir da dcada de 60. Chegou-se a um processo normativo, dentro da tradio da Pesquisa Operacional. Dentro desta mesma tradio, os resultados foram cuidadosamente analisados por meio de anlises de sensibilidade que criaram as condies para as suas implementaes prticas. A evoluo natural e necessria para Decises com multicritrios tem sido substancialmente mais controvertida. O processo "teoricamente correto" se revelou de difcil implementao prtica. Surgiram "desafiantes" norte-americanos e europeus que, abandonando a estrutura normativa, procuram servir de Apoio s Decises. O presente artigo apresenta e comenta este panorama com seus contrastes. ABSTRACT: Quantitative Decision Support Modeling received most of its development during the 60's. The result was a normative procedure, fol/owing the Operations Research tradition. Fol/owing the same tradition, the results careful/y analysed by sensitivity procedures al/owed their practical implementations. The natural and required evolution towards Multicriteria Decisions has been much more controversial. The "theoretical/y correct" procedure presented difficulties for its practical implementation. North-American and European chal/engers appeared, where the normative structure was replaced by a Decision Support one. The paper presents and comments this panorama with its contrasts.

PALAVRAS-CHAVE: apoio deciso, modelo, anlise, processo.

KEY WORDS: decision suppott. model, ana/ysis, processo

RAE - Revista de Administrao de Empresas So Paulo, 36, n. 1, p. 33-41 Jan./Fev./Mar. 1996

V.

33

A abertura da economia e a estabilidade da moeda tm seus reflexos sobre a racionalidade dos processos de deciso nas empresas brasileiras. A Modelagem Quantitativa para Apoio s Decises, que j teve seu atrativo, est retomando sua devida importncia. Sob a designao Modelos Quantitativos de Apoio s Decises, possvel incluir desde simples planilhas em microcomputador at modelos de inteligncia artificial, passando por todo o tradicional ferramental da pesquisa operacional. Vamos nos limitar ao que usualmente se denomina por Anlise das Decises e por Decises Multiatributos ou Multicritrios ou com Objetivos Conflitantes. Este artigo far uma reviso das tcnicas tradicionalmente bem aceitas. No prximo nmero da RAE - Revista de Administrao de Empresas, um segundo artigo tratar de tcnicas mais controvertidas que esto abrindo novos rumos. Um processo de deciso comea pela identificao do que eu desejo, do que posso fazer (alternativas) e da informao de que disponho. Espera-se que estes elementos, ordenados numa estrutura lgica, resultem na melhor deciso possvel. Quanto ao resultado, preciso esperar que o acaso resolva as incertezas.
Boas decises so logicamente consistentes com as preferncias, alternativas e informaes Preferncias Que desejo? Alternativas Que posso fazer? Informa.o Que sei eu?
1. BECKMAN, O. R., COSTA NETO, P. L. de O. Anlise estatstlca das decises. Blcher, 1980. 2. DPL - Decson Programming t.ancuaue. da ADA Decision Systems. 3. VE (no levar) = 0,8*100 + 0,2*0 = 80; VE (levar) = 0,8*80

aspectos a considerar), envolvendo muitas alternativas e distintos objetivos, quando necessita ser compartilhada por um grupo de pessoas ou quando envolve riscos, um modelo pode servir de grande apoio. A modelagem Um modelo uma representao simplificada da realidade, mediante a qual procuramos identificar e destacar os elementos desta realidade que sejam os mais importantes para a deciso. No processo de modelagem, troca-se a riqueza e abrangncia da realidade por poder de anlise e capacidade de experimentao. Os elementos de um modelo so: variveis de controle ou de deciso sobre as quais podemos atuar para atingir nossos objetivos; variveis de estado ou da natureza sobre as quais no temos controle, mas que afetam as conseqncias ou resultados de uma deciso; estrutura do modelo - no mbito do nosso estudo, corresponde a equaes matemticas que" amarram" as relaes no modelo; parmetros - valores numricos que entram nas equaes; critrios de deciso ou preferncias; objetivos ou metas. Com o modelo, desejamos: analisar distintos cenrios (esta experimentao seria impossvel no contexto global da realidade); obter subsdios para uma tomada de deciso; verificar a estabilidade dos resultados de uma anlise, quando de uma anlise de sensibilidade. A utilizao de modelos para o apoio s decises traz muitos benefcios, como: identificar os elementos relevantes para a deciso e descartar os irrelevantes; educar a intuio; comunicar e discutir a estrutura e os parmetros; analisar situaes complexas; analisar muitas alternativas; comunicar resultados; analisar a estabilidade dos resultados.

Seleo

<!i

Deciso

Resultado

Boas decises: o melhor Que posso faier Bons resultados: o que desejo obter

+ 0,2*60

= 76.

4. Da empresa inglesa Krysalis.

No cotidiano, a maioria das decises no requer o auxlio de modelos, mas quando a deciso importante (nas possveis conseqncias), complexa (muitos

34

1996, RAE - Revista de Administrao de Empresas / EAESP / FGV, So Paulo, Brasil.

MODELOS QUANTITATIVOS DE APOIO

As DECISES

-I

Vejamos um exemplo bem simples que nos apresentar os elementos do modelo. Exemplo Vou sair de casa e hoje, mas parece que vai chover. Considerando que meu objetivo maximizar meu conforto, devo levar guarda-chuva ou no? O processo da modelagem comea pela identificao da varivel de deciso - levar guarda-chuva ou no (apenas duas alternativas) - e da varivel de estado da natureza (sobre a qual no tenho controle): chove ou no. Observo que a combinao entre as variveis de estado e de deciso produzem quatro situaes que, subjetivamente, valorizo numa pontuao de zero a cem, desta forma:
Deciso Levar No levar Chove 60 Natureza No Chove 80 100

(loteria sobre o estado da natureza) e valores (para as conseqncias). Esta estrutura representada no diagrama de influncias representado na figura 1. Utilizamos o software DPL para modelar este problema. Este mesmo modelo pode ser representado sob a forma de rvore, como na figura 2.
Figura 2
RVORE COMPACTA O PROBLEMA DO GUARDA-CHUVA

Deciso

Loteria

leva
J ( . no

Chove leva. ' Valor?4 NoCbove

Vaiar

<J

Ou seja: no levar guarda-chuva e no chover o ideal, vale 100 pontos; no levar guarda-chuva e chover a pior situao, vale zero pontos; levar guarda-chuva e no chover apenas um pouco desagradvel, vale 80 pontos; levar guarda-chuva e chover mais desagradvel, vale 60 pontos. Cada deciso me conduz a uma loteria: "chove/no chove". Assim, j identificamos os trs elementos: deciso, incerteza
Figura 1
DIAGRAMAS DE INFLUNCIAdo GuardaMChuva ~

Para continuar, necessitamos de uma informao - qual a probabilidade de chover? - e de um critrio para" trocar" a loteria da incerteza. A informao a de que, para hoje, a probabilidade de chuva de 20%. O critrio de "troca" da loteria pelo seu valor esperado VE . Resolvendo com o software, decidimos por no levar guarda-chuva, como mostra a figura 3.
Figura 3
RVORE DETALHADA O PROBLEMA DO GUARDA-CHUVA Loteria lev~ ..' ~~hove ChQVe .800--~~< [60] /.1 50 'W [80]

175].,.(2.. .2.00

Ln__o.:..lev_a __

Loteria Chove -,1.:..80"-{] .200 NoChove .800

[100] 100

OS ELEMENTOS

o Problema

p
~OTERIA VALOR

Levar ou no

!>q;p;da-chuya

Chove (

I no chove

"'-"
Ulll1dade de a a

100

Finalmente, desejamos ter uma avaliao do risco associado a esta deciso. Ele alto, pois a informao sobre a probabilidade de chuva no totalmente confivel, e, refazendo os clcu los, se esta probabilidade fosse superior a 25%, inverteramos a deciso. Apesar de muito simples, tal exemplo passou pela maioria das etapas da modelagem, que esto resumidas no quadro 1.

RAE v. 36 n. 1 Jan./Fev./Mar. 1996

35

Quadro 1
Etapas da mOdelagem 1 Formulao Definir o que se deseja decidir Estabelecer o que se deseja obter Listar as alternativas Listar as incertezas Limitar o escopo do problema e eliminar os fatores irrelevantes Construir um diagrama de influncias Construir uma tabela Construir uma rvore esquemtica 2 - Anlise determinstica Obter um modelo de valor (resultado para cada ocorrncia) monetrio, ou equivalente Se for o caso, utilidade Eliminar as alternativas dominadas Fazer uma anlise de sensibilidade Concentrar-se apenas nas variveis sensveis 3 - Anlise probabilstica Obter as informaes sobre as incertezas Identificar as sensveis Construir um modelo da rvore de deciso

grande atualidade), passou a ser mais avaliado pelos resultados das anlises de sensibilidade. Para mostrar o poderio destas ferramentas, apresenta-se mais um exemplo com alguns comentrios.
Exemplo

4 Avaliao
Determinar a poltica tima pelo valor esperado Analisar o risco pela distribuio cumulativa Repetir a anlise de sensibilidade usando o diagrama Rainbow Calcular o valor da informao De acordo com o resultado, obter informao e voltar etapa 1 5 Apresentao dos resultados e do resumo das anlises

Uma empresa acaba de desenvolver um novo produto e precisa decidir sobre o processo de distribuio: fabricar e vender ou licenciar para terceiros e s receber os direitos da licena. Na primeira opo, h custos de marketing (loteria) e de produo (loteria), e a receita dada pelo volume de vendas (loteria que depende dos custos de marketing) e do preo unitrio (fixo).Na segunda opo, recebe-se a taxa de licena pelo volume de vendas. Sem entrar nos detalhes dos valores, o diagrama de influncia aquele apresentado na figura 4, e a rvore de deciso, na figura 5. O resultado aparece na forma da figura 6. O risco pode ser visualizado pelas distribuies cumulativas superpostas (em microcomputador seria colorido, uma cor para cada alternativa), como na figura 7. Embora esta apresentao por meio de distribuies cumulativas seja excelente para a visualizao do risco, requer um pouco de treino. As linhas verticais mostram os valores esperados (VE)para as duas alternativas: 36 para "licena" e 39,6 para "ns mesmos". A alternativa "licena" conduz a apenas uma loteria com trs possibilidades, sendo os resultados: i) 40% de lucro igual
Figura 4

A ferramenta

No passado, muitos softwares foram desenvolvidos para construir Modelos de Apoio s Decises.Este campo passou pela mesma evoluo de tantos outros. Alguns softwares mantiveram a simplicidade e tornaram-se macros-suplementares (add-in) de planilhas. Outros (como o DPL ou o Supertree) tornaram-se ferramentas extremamente poderosas, que operam em ambiente Windows (h poucos para Macintosh, mas vale mencionar o Demos, da Lumina). A maioria desapareceu. Graas ao poderio dos softwares, o aspecto risco, que tradicionalmente era tratado pela teoria da utilidade (cujos conceitos continuam de

I
RAE v. 36 n. 1 Jan./Fev./Mar. 1996

36

MODELOS QUANTITATIVOS DE APOIO S DECISES - I

Figura 5
Vendas DistribuicM Ns mesmos
Baixas Receita Nominal Custos

Mkt Baixo Custos Mkt Mdio Receita Custos Mkt Alto Custos Mkt

Qy,!Q
~.

Barato Custo Produo Mdio Custo Produo \ Caro Custo Produo

<J

Altas

Receit<i

Vendas Baixas Licena Receita Nominal Receita Altas Receita

<J

a 20;li) 40% de lucro igual a 40; iii) 20% de lucro igual a 60; resultando em: VE (licena) = 0,4*20 + 0,4*40 + 0,2*60 = 36. A leitura da cumulativa da esquerda para a direita: 40% de valor 20; 80% de valor 40 ou menos; 100% de valor 60 ou menos. A alternativa "ns mesmos" foi preferida por resultar num maior VE (39,6). A leitura (aproximada) da cumulativa : 0,01% de valor -10; 0,25%de valor - 0,5 ou menos; 0,3% de valor Oou menos; ...; 75% de valor 62 ou menos; 87% de valor 65 ou menos; 100% de valor 80 ou menos. Ela mais arriscada, pois tem at uma probabilidade (de cerca de 0,3%)de resultar em lucro negativo (prejuzo). O mximo chega a cerca de 80.
Figura 7

Figura 6

Vendas
Ns mesmos Distribuio / [39.6J [396]0

Vendas Licena
[36]

A cumulativa para a alternativa "ns mesmos" isolada permite melhor visualizao (figura 8). A rvore detalhada apresentada na figura 9. O diagrama Rainbow para o preo unitrio de venda mostra que, pouco abaixo do valor 2, que o inicialmente estabele-

0.9

0.8 0.7 0.6

0.5

Distribuio: Ns mesmos

0.4

0.3
0.2
0.1

Distribuio: Licena

LL~-----r--L-r- __~L- __.-__-.

-.~

12.5

25

37.5

50

62.5

75

RAE v.36 n. 1 Jan./Fev./Mar.1996

37

Figura 8

0.875 0.750 0.625 0.500 0.375 0.250 0.125

~.:".I"'"

O+=~~---,---.~~----~--.---'----r-~~
-10

r
20
"

r
40

10

60

70

80

Figura 9
~~,-/.:oo [13.61

.....,
_, .400

!2Ol~ ~'5' " 1151

!la""

ClI\IO$ MIl

Bal<as
200

17.'1.-'

""'"

.500 .300 .i!OO

"'\:
Q<to~,-/
Sa"",
200 AOO

!~
,2$'1' 15!
.2() 'I ,

POi ~
.16 'J

l'.~

015\ -

Co"

CUstoP"""9 AlID

ri . ;:1Ai.
.2()'\

e,,,,,,,
"dio
.00

<00

rIl,~,: -211'1: ilA 15'1"

lOl
.3) "

N6smesroos

.<00

Ca, e
.MIl

l~ ()
1501 A 143; 1 32 "

,,~
139"(

r= ~

lbniM! .<00

J$ ~..,
. 'j3.32

Bai><o

""""p~J~o"'''''''
-5,\ Ot$>"t%i"l200

"r
200

.400 Caro ,,<011

~ttio

'1~:'
<00 Bar ."''\

Colro
.<00

." "
.~

~::]
11

,:,<..1
~<:.J

Cust?f~r/

124.2$

j~
AJ'"
.<00

SaCro

~~rI400

"""'~

120'1'

.300

.~,

';~400

Mdio .400

200

~<1
~v<' .32'" Jl5I

...

200

cw<'~J,;:'

.I~\";m
Co,.
.200 Baro

Caro
.400 .!:W

-ss <:.J r,:Q

{&SI
-50'-'

~<J Vi<J
~<:.J 1"'l -.
65

Uceo;a

_/.<00

l3Sl

'\!.

-.
-

\ AlIO .200

o..oP~c{:"
.2!J. .

\ C!u, {201/1

!~
':<1
.5O

r:

20 '-I'

It;l;j

d
.- ..

38

RAE v. 36

n. 1 Jan./Fev./Mar. 1996

MODELOS QUANTITATIVOS DE APOIO S DECISES - I

cido, h uma mudana de poltica e que seria melhor licenciar (figura 10). O grfico "tornado" (figura 11)permite visualizar uma anlise de sensibilidade para dois parmetros: preo de venda (entre O e 3) e taxa de licena (entre O e 2). Observamos os pontos de alterao de poltica, assim como os respectivas VE para os lucros. No h proporcionalidade de escalas para os parmetros. O grfico tornado tambm permite fazer uma anlise de sensibilidade para as loterias (incertezas).
Multicritrios e grupo

Figura 10
80

75 70 ~ 65, 60 ~ 55 50
45 40

,~
'O

>
x w

~ o.

35

1
o

r
0.5

1.5
Preo

2.5

Este tpico, extremamente rico em idias e escolas de pensamento, ser, em princpio, assunto do prximo artigo. Entretanto, para completar o mbito de anlise deste primeiro artigo, apresenta-se um material que recai no "usualmente aceito", mediante um exemplo de introduo ao software Hiview. Este tanto pode ser utilizado para problemas com multicritrios em geral (como ser discutido no prximo artigo), como para decises em grupo, que parece ser o forte das suas aplicaes. O comportamento de um grupo apresenta particularidades que exigem:
45 ,50

Figura 11

3/83.6

2/72

55

60

65

70

75

80

eventuais sacrifcios tericos para garantir a facilidade de compreenso do processo por todos os membros do grupo; facilidade de comunicao; clara explicitao das metas; clara explicitao das importncias das submetas; clara explicitao das preferncias ao longo de cada critrio; reduo das ambies do analista, ao produzir um modelo que poder ter distintos usos nas mos dos membros do grupo.
Exemplo

Figura 12

PC

Deseja-se escolher um novo microcomputador para equipar a empresa. O objetivo global o de selecionar o melhor Pc. A decomposio hierrquica do que seja melhor" pode variar de um analista para outro. No exemplo em pauta, o n-raiz PC foi caracterizado por dois critrios (que originam dois ns): costs e benefits. A decomposio hierrquica total a da figura 12.
U

CosI

PC Cost

(t

Financ:ial

Rp.np.fit

Time Delivery Speed

PC Size

Appearan Capacity

RAE v. 36 n. 1 Jan./Fev./Mar. 1996

39

l1~lJ
Tabela 1
Cost Service Delivery Time
PfJfJJ

Delta Plus 1:000 (69) 50

Mini-Data

1416
(6) 60 (O)

Regula0 (100) O

800

Donovan 1450 (O) (501 (O) 2 (100,1 25' (O) (O) 210 . (99) 4 (O)

dos principais elementos de negociao no grupo de deciso. Resultou a seguinte matriz global dos pesos atribudos: PC cost: 5 Service: 1 Financial: 9 Delivery: 1 Time: 2 Speed: 10 PC size: 2 Capacity: 8 Appearance: 3 Cost: 50

(17)
15 (O) 20 (O)

.10 (sa) .
5 (S3) 25' (O) (100) 211 (100) (60)

(100r (lOO}
14 (~3) (O)

30

Q.

15

Benefit: 50

Size

ttp8Cty
Appearance

(100) 6 (40) 120 (20)

33

25 5

(O) 5

(60) 120 (O) (100)

Aps o processo de rateio proporcional, de modo que a cada nvel correspondam 100 pontos, resultaram os pesos relativos dos oito critrios: PC cost 31,25 speed 21,74 sennce 6,25 szze 4,35 delivery 4,17 capacity 17,39 time 8,33 appearance 6,52

Agora preciso encontrar uma escala de mensurao da preferncia para cada um dos oito critrios ltimos nas pontas da decomposio. Estas escalas podem ser quantitativas (cardinais) ou qualitativas (ordinais). Hiview exige que todas as escalas acabem sendo quantitativas entre O. e 100. Para um custo PC cost de compra entre f 800 e f 1.450, preciso caracterizar a preferncia comol,nv:ersa,e o programa atribui o valor Oao pr~o mais alto (E 1.450) e o valor 100 ao preo mais baixo (E 800). Aos outros preos so automaticamente atribudos valores numa escala proporcionallinear. Vale o mesmo para tempo de entrega , ou qualquer outro critrio. Tambm seria possvel atribuir diretamente o valor na escala de Oa 100 (e neste caso os valores poderiam refletir uma preferncia no linearmente proporcional ao preo). Foram identificadas quatro alternativas (modelos de computadores): Delta Plus, Mini-Data, Regulon e Donovan. A matriz dos atributos, correspondentes aos seus respectivos critrios, para cada uma das quatro alternativas, nas medidas originais e nas medidas relativas (numa escala O- 100), exposta na tabela 1. Para cada n (nvel) so atribudos pesos relativos que caracterizam a importncia dos constituintes deste nvel. Ao nvel do n financiaI, por exemplo, foram atribudos os pesos 5 para PC cost e 1 para service. No nvel cost os pesos so 9 para [inancial, 1 para delivery e 2 para time. Evidentemente, a atribuio destes pesos um

A utilidade global de cada alternativa .obtida pela soma das oito medidas relativas, ponderadas pelos pesos acima (resposta numa escala O- 100). Ela classifica as quatro alternativas: 1 - Regulon: 53,57 2 - Delta Plus: 47,46 3 - Mini-Data: 35,91 4 - Donovan: 28,66 Hiview permite elaborar diversos tipos de anlises de sensibilidade. A agregao aditiva das medidas relativas, com a determinao dos pesos para esta agregao, particularmente simples. A finalidade garantir a compreenso do processo pelos atores, assim como a comunicao entre eles. Em particular, o processo de deciso que utiliza Hiview como apoio nos obrigou a passar por trs etapas importantes: decomposio hierrquica do objetivo em critrios (e subcritrios); estabelecimento de uma preferncia para cada critrio (ou subcritrio). No caso do Hiview, foi uma simples escala de proporo linear, mas, na medida do possvel, obrigou-nos a adotar uma mtrica para cada atributo. Geralmente, preferncias so dados objetivos (mensurveis);
RAE v. 36 n. 1 Jan./Fev.!Mar. 1996

40

MODELOS QUANTITATIVOS DE APOIO S DECISES - J

comparaes entre critrios de modo a estabelecer nveis de importncia. Freqentemente, importncias so valores subjetivos. ilustra uma forma muito comum de conduzir um processo de deciso: a decomposio hierrquica inicial dividida em custos e em benefcios. De fato, a visualizao dos resultados pela relao [benefcios/ custos] ou, s vezes, pela diferena [benefcios - custos] costuma corresponder ao modo de raciocnio dos grupos de deciso. Sempre no intuito de facilitar a compreenso e a comunicao, alguns autores recomendam este tipo de decomposio e de apresentao. Apresentam-se na tabela 2 os resultados numa forma de [custos 1 e de [benefciosJ. Para fins de consistncia, invertemos a escala dos custos associados a cada alternativa. Tambm comum apresentar estes resultados num grfico tendo os custos no eixo horizontal e os benefcios no eixo vertical, de modo a visualizar a "fronteira eficiente". A figura 13 foi produzida por Hiview, de modo que a escala de PC costs est invertida. O modelo Regulon o de menor custo. O modelo Donovan est fora da "fronteira eficiente" e pode ser eliminado sem maiores consideraes. Este exemplo apenas tocou no problema das decises com mltiplos critrios. No prximo artigo apresentaremos as trs metodologias que seguem formalismos mais elaborados: MAUT (Multi-Attribute Utility Theory), da escola Harvard-Califrnia;AHP (Analytic Hierarchy Process), da escola Wharton-Washington; e MCDA (Multi-Criteria Decision Aid), da escola europia (principalmente francfona), com seu processo de outranking (desclassificao). O

Tabela 2
Anlise benefcio/custo

o exemplo tambm

ComputadDr Custos PC cosi Service DeJivery Time

Delta Plus Pesos 81,25 6,25 4,17 8,33 50 21,74 4,35 17,39 6,52 50 6 50 100 100 4042 100

Mini-Data 69 100 33 3950 O 100 100 60 2917 0,738 -1033

Regulcn O

Donovan 100 17 100 3648 O O 99 O 412,8 0,113 -3235

33

Custo

O 83 2594 O 60 O 100 3500 1,349 906

11

. Benef. Speed Size

Appearance Benef.

Capacity

O 20 4000 0,990

4(1

Benefri:ro/Custo Benefcio - Custo

-42

Figura 13

.@;~a'Rlusl

(3)

Re'!:)ulon

Mi.ni-Dlta

@ Qoo\lan

~----~

o 1~

..-------2Q
30

4(l 50 60 PC Costs

70 80

----------------------~
41

Artigo recebido pela Redao em maro/1996, avaliado e aprovado para publicao em abri1/1996.