Anda di halaman 1dari 27

Integrao de mtodos quantitativos e qualitativos para previso de

demanda no setor de autopeas

Artigo a ser submetido ao peridico Gesto e Produo

Fabrcio Fernandes (UFRGS)


fabricio-f@ig.com.br
Michel Jos Anzanello (UFRGS)
anzanello@producao.ufrgs.br

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.

PALAVRAS-CHAVE: previso de demanda; mtodo da anlise hierrquica; peas


automotivas.

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.

KEYWORDS: forecasting, AHP, automotive parts.

1. Introduo

1
A competitividade e o aumento da instabilidade do mercado mundial exigem que o tempo de
tomada de deciso das empresas seja reduzido constantemente. Prever a demanda uma
atividade importante, pois pode revelar as tendncias de mercado e contribuir no
planejamento estratgico da empresa (WERNER & RIBEIRO, 2003). A previso de demanda
uma ferramenta essencial para tornar o processo decisrio mais veloz e seguro. Segundo
Gaither e Fraizer (2005), necessrio que as empresas sejam capazes de prever e que essa
capacidade faa parte do planejamento dos negcios.

Um dos setores em que ferramentas de previso de demanda assumem fundamental


importncia o segmento automotivo. Segundo dados da ANFAVEA, o setor automotivo
responsvel por quase um quarto do PIB industrial do pas. O Brasil o sexto maior produtor
e quinto maior mercado mundial, tendo produzido mais de trs milhes de unidades por ano
desde 2004. Ainda segundo dados da ANFAVEA, o Brasil um dos maiores conglomerados
de marcas automotivas do mundo.

As tcnicas de previso de demanda usadas na cadeia de suprimentos do setor automotivo, no


entanto, so caracterizadas pela simplicidade (mdia mvel e opinio de especialistas)
(MESQUITA; CASTRO, 2008), podendo gerar resultados conflitantes. A aplicao de
mtodos integrados de previso de demanda encontra largo respaldo na literatura. Werner e
Ribeiro (2006) colocam que necessrio fazer uso de toda e qualquer informao de que se
dispe para gerao de previses confiveis, visto que uma nica tcnica pode no ser
suficiente. Lemos (2006) acrescenta que anlises subjetivas devem ser integradas ao processo
preditivo quando os mtodos quantitativos no conseguem agregar aos modelos matemticos
mudanas internas e externas ao ambiente organizacional.

Em uma concessionria do setor automotivo, os ganhos oriundos da previso integrada de


demanda sero potencializados pela eficiente gerncia dos estoques. Uma vez que as peas
para venda e reposio tm um valor agregado significativo, Bornia (2009) destaca que o
montante de capital investido em estoques pode se tornar uma ameaa sade financeira da
empresa. Segundo Slack et al. (2007), estoques tm caractersticas ambivalentes, pois
possuem tanto aspectos negativos quanto positivos. Para um melhor dimensionamento dos
estoques atravs de previso de demanda, Lemos (2006) destaca mtodos qualitativos e
quantitativos: os mtodos qualitativos incluem a pesquisa de intenes e o mtodo Delphi; j
os quantitavos englobam a mdia mvel, suavizao exponencial e o mtodo de Box-Jenkins,
entre outros.

2
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 de previso de demanda

3
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

4
observado retirando a sazonalidade e o erro aleatrio), a tendncia a diferena seqencial de
dois nveis consecutivos e a sazonalidade um evento que se repete com uma periodicidade
constante.

A suavizao exponencial apia-se apenas nos dados da prpria srie para fazer previses,
no necessitando de nenhuma varivel independente, tais como a inflao ou a rea
disponvel para armazenar produtos. Isto traz a vantagem da rapidez, uma vez que no
necessrio buscar ou medir outras variveis (COELHO, 2008).

Os mtodos de previso de demanda que aplicam suavizao exponencial se dividem em: (i)
suavizao exponencial simples; (ii) suavizao exponencial linear de Holt; e (iii) suavizao
exponencial de Holt-Winters (MAKRIDAKIS et al., 1998). O modelo de suavizao
exponencial simples, por exemplo, s apresenta a componente de nvel; o modelo de Holt
contempla tanto nvel como tendncia; por fim, o modelo de Holt-Winters utiliza o nvel,
tendncia e sazonalidade na modelagem (MIRANDA, 2009). Tais mtodos so melhor
descritos na sequncia.

A Suavizao exponencial simples considera a previso correspondente ao perodo anterior e


faz um ajuste para obter a previso para o perodo seguinte (GAITHER & FRAIZER, 2005).
O ajuste realizado atravs da multiplicao do erro de previso do perodo anterior e uma
constante de amortecimento alfa () delimitada entre zero e um. Ainda segundo Gaither &
Fraizer (2005), quanto maior o valor de maior ser sua resposta ao impulso. A
representao matemtica do modelo expressa pela equao (1) (MAKRIDAKIS et al.,
1998).

Ft +1 = Yt + (1 ) Ft (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).

5
Ft + k = Lt + kTt (2)

Lt = Yt + (1 )( Lt 1 + Tt 1 ) (3)

Tt = ( Lt Lt 1 ) + (1 )Tt 1 (4)

Onde F t+k a previso para o perodo t+k, k o horizonte da previso, T t a estimativa da


tendncia no perodo t, L t a estimativa de nvel no perodo t, e e so constantes de
amortecimento com valores entre 0 e 1.

Por fim, a suavizao exponencial sazonal de Holt-Winters descreve apropriadamente dados


de demanda onde se verifica a ocorrncia de tendncia linear, alm de um componente de
sazonalidade (PELLEGRINI, 2000). O mtodo oferece duas abordagens distintas, as quais
dependem da forma como modelada a sazonalidade. A forma multiplicativa indicada para
sries temporais em que a amplitude da sazonalidade varia com o nvel da demanda. A forma
aditiva apropriada para sries temporais cuja amplitude da sazonalidade independente do
nvel da demanda (WINTERS apud LEMOS, 2006). As equaes bsicas do mtodo
multiplicativo so (5), (6), (7) e (8) (MAKRIDAKIS et al., 1998):

Ft + k = ( Lt + kTt ) S t s + k (5)

Y
Lt = t + (1 )( Lt 1 + Tt 1 ) (6)
St s

Tt = ( Lt Lt 1 ) + (1 )Tt 1 (7)

Y
S t = t + (1 ) S t s (8)
Lt

Onde s o nmero de perodos por ciclo sazonal, S t a estimativa do componente sazonal no


perodo t e , e so constantes de amortecimento com valores entre 0 e 1.

O mtodo aditivo menos comum que o multiplicativo. As equaes bsicas do mtodo


aditivo so (9), (10), (11) e (12) (MAKRIDAKIS et al., 1998):

Ft + k = Lt + kTt + S t s + k (9)

6
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)

Os valores das constantes de suavizao , e so arbitrrios. A determinao do melhor


valor para a constante pode ser feita iterativamente, utilizando alguma forma de comparao
(por exemplo, a mdia do quadrado dos erros, MQE) (PELLEGRINI, 2000).

2.2.3. Mtodo de Box-Jenkins

O mtodo de Box-Jenkins utiliza um algoritmo matemtico complexo, com termos auto-


regressivos e de mdia mvel, para identificar a forma do modelo matemtico mais adequado
para a srie temporal (ARCHER apud LEMOS, 2006). Os modelos de Box-Jenkins,
genericamente conhecidos por ARIMA (Auto Regressive Integrated Moving Averages), so
modelos matemticos que visam capturar o comportamento da correlao seriada ou
autocorrelao entre os valores da srie temporal, e com base nesse comportamento, realizar
previses futuras (WERNER & RIBEIRO, 2003).

Segundo Box et al. (1994), so trs as fases de construo de um modelo Box-Jenkins: (i)
identificao, consiste na seleo do modelo de Box-Jenkins que melhor descreve a srie em
questo; (ii) estimao, onde so estimados os parmetros do modelo escolhido; e (iii)
verificao, quando atravs dos resduos (diferena do valor atual da srie e o valor
apresentado pelo modelo em anlise) avalia-se se o modelo proposto adequado.

2.3. 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
os mtodos qualitativos de previso de demanda apresentados so: (i) pesquisa de intenes e
(ii) o mtodo Delphi.

2.3.1. Pesquisa de Intenes

O mtodo de pesquisa de intenes avalia planos, metas e expectativas de indivduos sobre o


futuro de uma varivel ou evento. Os entrevistados so perguntados sobre como eles se
comportariam em diversas situaes relacionadas questo (ARMSTRONG apud LEMOS,
2006).

Os resultados deste mtodo podem ser influenciados por trs tipos de erros: (i) erro de
amostragem; (ii) erro das respostas; e (iii) erro devido a falta de respostas. O erro de
amostragem ocorre quando a amostra no representativa. O erro das respostas ocorre
quando o entrevistado no compreende as perguntas da pesquisa ou no expressa as reais
intenes por outros motivos. E a falta de resposta acontece quando o entrevistado no
encontrado ou se negar a responder ao questionrio (ARMSTRONG apud LEMOS, 2006).

2.3.2. Mtodo Delphi

O mtodo Delphi envolve a aplicao sucessiva de questionrios a um grupo de especialistas


ao longo de vrias rodadas. A pesquisa visa, basicamente, a prospeco de tendncias futuras
sobre o objeto em estudo. No intervalo de cada rodada so feitas anlises estatsticas das
respostas e o resultado compilado em novos questionrios que, por sua vez, so novamente
distribudos ao grupo (KAYO & SECURATO, 1997). Os autores ainda acrescentam que o
mtodo Delphi possui outras caractersticas que o tornam atrativo: anonimato dos
participantes, procedimentos estruturados e feedback aos participantes.

Algumas das desvantagens e restries mais freqentes referem-se possibilidade de se


forar o consenso indevidamente, a dificuldade de redigir um questionrio sem ambigidades
ou tendencioso, o tempo dispendido na realizao do processo completo e os custos de
elaborao elevados (WRIGHT, 1986).

2.4. Analytic Hierarchy Process AHP

O Analytic Hierarchy Process (AHP) um mtodo que auxilia tomadores de decises em


situaes complexas. Mais do que determinar qual a deciso correta, o AHP ajuda a justificar
sua escolha. O AHP utiliza a decomposio e sntese das relaes entre os critrios at que se

8
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 Forma de Avaliao


As duas atividades contribuem
1 Igual importncia
igualmente para o objetivo.
A experincia favorece uma atividade em
3 Importncia moderada
relao outra.
A experincia favorece fortemente uma
5 Importncia forte
atividade em relao outra
Uma atividade muito fortemente
7 Importncia muito forte
favorecida em relao outra.
A experincia favorece uma atividade em
9 Importncia extrema
relao outra, no mais alto grau.
Quando se procura uma condio de
2, 4, 6, 8 Valores Intermedirios
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 a12 a1n w1 w1 w1 w1 w2 w1 wn w1 nw1 w1


a a 22 a 2 n w2 w2 w1
w2 w2 w2 wn w2 nw2 w
Aw = 21 = = = n 2


a n1 an2 a nn wn wn w1 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).

Devido sua complexidade, problemas de autovetor e autovalor so resolvidos, de forma


geral, por recursos computacionais (SCHMIDT, 1995).

Uma vez encontrado o autovetor normalizado w e o autovalor mximo max associados


matriz A, a consistncia dos julgamentos pode ser determinada pelo grau de inconsistncia ou
incomparabilidade (RC) (YAO et al., 2003). De acordo com Saaty (1994), o resultado de
(RC) deve ser menor que 0,1, caso contrrio a qualidade dos julgamentos deve ser melhorada
atravs de uma reviso das estimativas. RC apresentado na equao (14).

IC
RC = (14)
IR

onde IC chamado de ndice de consistncia e IR, ndice de consistncia randmico.

O ndice de consistncia expresso pela equao (15), sendo n o tamanho da matriz.

(max n )
IC =
(n 1) (15)

O ndice de consistncia randmico vale-se da Tabela 1. Para cada ordem de matriz, constri-
se uma amostra de tamanho 100 e suas entradas so preenchidas randomicamente. A seguir,

10
as matrizes so calculadas e a mdia do ndice de consistncia (IC) para as 100 matrizes
correspondentes a cada valor de n obtida. A Tabela 2 mostra a ordem das matrizes e os
respectivos ndices de consistncia randmico.

Tabela 2: Consistncia mdia de matrizes randmicas (Fonte: YAO et al., 2004)

Tamanho (n) 1 2 3 4 5 6 7 8 9

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).

=
( )T
trao Y i C
(16)
trao(C C )
T

11
onde Y i a matriz de opinies centralizada associada ao especialista i e C a matriz de
configurao mdia ponderada. Para maiores detalhes, consulte Ledauphin et al. (2006).

3. Procedimentos Metodolgicos

A metodologia proposta incorpora aspectos qualitativos a resultados gerados por modelos de


previso de demanda quantitativos. Esta pesquisa pode ser classificada de natureza aplicada,
com uma abordagem quantitativa e procedimentos demonstrados atravs de um estudo de
caso.

O mtodo de previso de demanda proposto neste trabalho consiste em 5 etapas, e integra


tanto fatores contextuais quanto sries temporais. Nas etapas 1 a 3 so definidos os
procedimentos relacionados ao levantamento de informaes e parte quantitativa do
mtodo. A etapa 4 trata do ajuste qualitativo onde, atravs do coeficiente , os especialistas
mais aptos e consistentes so selecionados. Os pareceres dos especialistas so ento
parametrizados atravs de um ndice para o ajuste da previso, por meio da ferramenta AHP.
Este ndice pondera fatores relevantes relacionados ao cenrio da empresa e atividade de
previso de demanda. A etapa 5 traz a integrao dos fatores quantitativos e qualitativos. A
seguir so apresentadas as etapas para a operacionalizao do mtodo.

3.1. Verificao da existncia de dados, seleo dos especialistas e definio dos itens
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. Modelagem quantitativa dos dados histricos

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
os especialistas durante o preenchimento da matriz de comparao pareada da metodologia
AHP (explicada na sequncia). Um modelo de previso ento ajustado aos dados histricos,
e sua aderncia avaliada por critrios como R e mdia dos erros quadrados. A modelagem
realizada atravs do software NCSS 2007.

3.3. Ajuste Qualitativo

O ajuste qualitativo agrega informao contextual na previso, abordando informaes que a


srie temporal no contempla (WEBBY; OCONNOR apud LEMOS, 2006). A vantagem da
integrao de mtodos quantitativos com qualitativos a incorporao do conhecimento
sobre a natureza e comportamento das variveis de interesse no processo preditivo (LEMOS,
2006). As sees que seguem trazem a sistemtica proposta para incluso de aspectos
qualitativos na modelagem da seo 3.2.

3.3.1. Definio e classificao de fatores qualitativos que influenciam a demanda

Nesta etapa o conhecimento dos especialistas da empresa empregado para fornecer fatores
relevantes e no contemplados pelo processo preditivo do item em questo. Exemplos de
fatores incluem aspectos de poltica da empresa, peculiaridades fsicas dos itens a serem
modelados e aspectos ambientais, entre outros. Uma vez definidos os fatores, os especialistas
so incentivados a classific-los em uma escala de 1 a 10, sendo que 1 significa reduzida
representatividade do fator para a variao do comportamento da demanda. Em contrapartida,
o valor 10 representa que o fator de extrema importncia para descrever a flutuao da
demanda.

3.3.2. Seleo dos avaliadores mais consistentes

Para aumentar a confiabilidade do conjunto de informaes empregado o coeficiente


sugerido em Ledauphin et al. (2006). Tal coeficiente aplicado para verificar a consistncia
da opinio dos especialista em relao opinio do grupo, utilizando a classificao dos
fatores realizadas na etapa anterior. Cada especialista ter um associado s suas opinies,
sendo o coeficiente utilizado para selecionar os especialistas mais consistentes em termos de
suas respostas. Os especialistas com acima de 0,7 preenchem a matriz de prioridades do
AHP. Este valor foi escolhido pois apresenta um grau de consistncia elevado sem grandes
possibilidades de o mtodo no selecionar nenhum especialista.

13
3.3.3. Definio da importncia relativa dos fatores atravs do AHP

Nesta etapa os especialistas selecionados hierarquizam os fatores anteriormente definidos,


valendo-se da Tabela 1 e de informaes pertinentes aos fatores relacionados com a demanda.
O objetivo estabelecer uma ordem de importncia entre os fatores avaliados. Uma vez
definidos os pesos dos fatores selecionados, gera-se o vetor de priorizao w i que est
relacionado com o preenchimento da matriz AHP realizado pelo especialista i. O vetor de
priorizao pode ser obtido atravs do software Expert Choice verso 11.5.

O vetor de prioridades w a ser utilizado no clculo do ndice consolidado Y dado pela mdia
ponderada dos vetores w i e dos coeficientes i (equao 17).

( 1 w1 ) + ( 2 w2 ) + + ( n wn )
w=
1 + 2 + + n (17)

3.3.4. Definio da intensidade de atuao do fator

Nesta etapa os entrevistados indicam sua opinio a respeito da intensidade com que o
respectivo fator atuar na demanda no prximo perodo. Por exemplo, incentivo fiscal pode
ser um fator que possua uma importncia elevada, mas poder receber um peso de atuao
baixo caso no existam indicativos de que tal fator acontecer no prximo perodo. Um vetor
de intensidade I ento preenchido com a mdia aritmtica das opinies dos entrevistados.

3.4. Obteno do ndice de ajuste consolidado

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)

onde w 1 , w 2, ... ,w n so as prioridades dos fatores obtidas atravs do vetor de priorizao


ponderado mdio e I 1 , I 2, ..., I n so os valores da intesidade mdia de atuao dos respectivos
fatores.

3.5. Ajuste qualitativo da previso de demanda

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. Verificao da existncia de dados, seleo de especialistas e definio dos itens


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
Os dados histricos de vendas de peas foram coletados do banco de dados do software de
previso de demanda da empresa. Para o estudo de caso foram selecionadas as ltimas 32
observaes, correspondendo ao perodo de janeiro de 2008 at agosto de 2010. Estes dados
so utilizados para gerar a previso quantitativa sugerida pelo mtodo.

O item escolhido para a realizao do estudo de caso um para-choque da linha popular da


montadora, pois um item com rentabilidade e giro de estoque altos. O histrico de vendas
do item (em unidades absolutas) pode ser verificado na Figura 1.

Figura 1 Grfico do histrico de venda do item selecionado

4.2. Modelagem quantitativa dos dados histricos

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

M-3 M-6 M-12 SES Holt H-W ARIMA

MAPE 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.

Figura 2 Grfico do histrico de venda e a previso quantitativa do item selecionado

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 AV2 AV3 AV4 AV5
Indicadores socioeconmicos 5 5 6 8 8
ndices de acidentes de trnsito do trimestre 8 7 8 10 10
Poltica de preos (prpria concorrente) 10 8 9 10 9
Confiabilidade da marca 5 7 8 9 10
Aes de marketing 6 7 7 6 6
Demanda de veculos novos 8 7 5 7 7
Incentivos fiscais (reduo de IPI) 2 8 2 9 8
Lanamento de novo modelo de veculo 5 7 5 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

AV1 AV2 AV3 AV4 AV5

Coeficiente 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


AV1 AV3 AV5 w
Indicadores socioeconmicos 0,032 0,064 0,058 0,050
ndices de acidentes de trnsito do trimestre 0,253 0,312 0,316 0,291
Poltica de preos (prpria concorrente) 0,407 0,224 0,139 0,267
Confiabilidade da marca 0,036 0,148 0,243 0,135
Aes de marketing 0,088 0,025 0,018 0,047
Demanda de veculos novos 0,118 0,036 0,030 0,065
Incentivos fiscais (reduo de IPI) 0,020 0,105 0,071 0,062
Lanamento de novo modelo de veculo 0,045 0,087 0,125 0,083

A Figura 3 mostra os fatores do vetor mdio ponderado classificados em ordem decrescente


de importncia.

19
Figura 3: O vetor mdio ponderado classificado em ordem decrescente de importncia

Percebe-se que os fatores ndices de acidentes de trnsito e poltica de preos da empresa se


destacam segundo a opinio dos especialistas. Levando em considerao que o item analisado
um para-choque, a priorizao parece descrever bem a realidade, pois se trata de um item
que diretamente afetado em acidentes e que possui um alto valor agregado.

4.3.4. Definio da intensidade de atuao do fator

Valendo-se tanto das anlises disponibilizadas pela montadora quanto dos levantamentos
feitos pela prpria empresa, os avaliadores agora quantificam a atuao de cada um dos
fatores de variao da demanda para o prximo perodo. A Tabela 7 mostra a opinio de cada
avaliador e a mdia aritmtica simples destas opinies.

Tabela 7: Intensidade de atuao individual e mdia


I1 I3 I5 I
Indicadores socioeconmicos 5% 10% 20% 11,67%
ndices de acidentes de trnsito do trimestre 30% 20% 15% 21,67%
Poltica de preos (prpria concorrente) 50% 10% 5% 21,67%
Confiabilidade da marca 0% 0% 0% 0%
Aes de marketing 2% 0% 10% 4%
Demanda de veculos novos 5% -10% -20% -8,33%
Incentivos fiscais (reduo de IPI) -10% -10% -10% -10%
Lanamento de novo modelo de veculo 0% -5% 20% 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. Obteno do ndice de ajuste consolidado

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


w I (w I )
Indicadores socioeconmicos 0,050 11,67% 0,58%
ndices de acidentes de trnsito do trimestre 0,291 21,67% 6,30%
Poltica de preos (prpria concorrente) 0,267 21,67% 5,79%
Confiabilidade da marca 0,135 0% 0%
Aes de marketing 0,047 4% 0,19%
Demanda de veculos novos 0,065 -8,33% -0,55%
Incentivos fiscais (reduo de IPI) 0,062 -10% -0,62%
Lanamento de novo modelo de veculo 0,083 5% 0,41%

O ndice de ajuste consolidado estimado atravs da equao (18):

Y = (0,050 0,1167 ) + (0,291 0,2167 ) + + (0,083 0,05) = 12,11%

4.5. Ajuste qualitativo da previso de demanda

Utilizando o ndice de ajuste consolidado Y para realizar o ajuste qualitativo da previso de


demanda conforme a equao (19), obtm-se a previso de demanda final. A Figura 4
compara os nveis de demanda previstos pela modelagem puramente quantitativa e ajustada
pelo mtodo proposto.

21
Figura 4: Comparao das previses

Pode-se analisar tambm a diferena levando em considerao a sugesto pontual do modelo


quantitativo para os prximos doze meses e a previso ajustada pelo ndice consolidado. A
Tabela 9 apresenta os valores obtidos pela operacionalizao do mtodo de suavizao de
Holt-Winters atravs do software NCSS 2007 e os valores ajustados pelo mtodo proposto.

Tabela 9: Comparao das previses pontuais quantitativas e ajustadas pelo mtodo proposto
Holt-Winters Mtodo proposto
Sep-10 13.383 15.004
Oct-10 17.167 19.246
Nov-10 19.285 21.620
Dec-10 13.794 15.465
Jan-11 32.285 36.195
Feb-11 16.638 18.653
Mar-11 13.537 15.176
Apr-11 11.384 12.762
May-11 12.743 14.287
Jun-11 14.288 16.019
Jul-11 20.305 22.764
Aug-11 10.609 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 short-


term 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
LEMOS, F. O. Metodologia para Seleo de Mtodos de Previso de Demanda. Dissertao
(Mestrado Profissionalizante em Engenharia) Departamento de Engenharia de Produo e
Transportes. Porto Alegre - Universidade Federal do Rio Grande do Sul, 2006.

JOHNSON, H. T.; KAPLAN, R. S. Contabilidade gerencial: a restaurao da relevncia da


contabilidade nas empresas. Rio de Janeiro: Campus, 1993.

KAYO, E. K.; SECURATO, J. R. Mtodo Delphi: fundamentos, crticas e vieses. Cadernos


de Pesquisa em Administrao, v. 1, n.4, pp. 51-61, 1997.

KORPELA J.; TUOMINEN M. Inventory forecasting with a multiple criteria decision tool.
International Journal of Production Economics, n. 45, pp. 159168, 1997.

MAKRIDAKIS, S.; WHEELWRIGHT, S. C; HYNDMAN, R. J. Forecasting Methods and


Applications. - 3 ed - New York: John Wiley & Sons, 1998.

MARTINS, P. G.; LAUGENI, F. P. Administrao da produo. 2 ed. - So Paulo:


Saraiva, 2005.

MESQUITA, M. A.; CASTRO R. L. Anlise das prticas de planejamento e controle da


produo em fornecedores da cadeia automotiva brasileira. Gest. Prod., vol.15, n.1, pp. 33-
42, 2008.

MIRANDA, R. G. Espao admissvel para os parmetros do modelo de suavizao


exponencial com dupla sazonalidade aditivo. Tese (Doutorado) - Universidade Federal de
Santa Catarina, Programa de Ps-Graduao em Engenharia de Produo, 2009.

PELLEGRINI, F. R. Metodologia para implementao de sistemas de previso de demanda.


Dissertao (Mestrado em Engenharia de Produo) - Departamento de Engenharia de
Produo e Transportes. Porto Alegre - Universidade Federal do Rio Grande do Sul, 2000.

PELLEGRINI, F. R; FOGLIATTO, F. S. Passos para implementao de sistemas de


previses de demanda: tcnicas e estudo de caso. Revista Produo, v. 11, n. 1, p. 43-64,
2001.

SAATY, T. L. Mtodo de anlise hierrquica 1 ed. - So Paulo: Makron, 1991.


SAATY, T. L. How to make a decision: the analytic hierarchy process, Interfaces, v. 24, n. 6,
pp.1943, 1994.

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 Ps-
Graduao 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 Box-
Jenkins 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

Apndice 1: Tabela de comparao pareada preenchida pelo Avaliador 1

(1)

(2)

(3)

(4)

(5)

(6)

(7)

(8)
Indicadores socioeconmicos (1) 1 1/7 1/9 1 1/3 1/5 2 1
ndices de acidentes de trnsito do trimestre (2) 1 1/5 7 5 5 9 5
Poltica de preos (prpria concorrente) (3) 1 7 5 5 7 5
Confiabilidade da marca (4) 1 1/3 1/5 3 1
Aes de marketing (5) 1 1 5 3
Demanda de veculos novos (6) 1 7 5
Incentivos fiscais (reduo de IPI) (7) 1 5
Lanamento de novo modelo de veculo (8) 1

Apndice 2: Tabela de comparao pareada preenchida pelo Avaliador 2


(1)

(2)

(3)

(4)

(5)

(6)

(7)

(8)
Indicadores socioeconmicos (1) 1 1/5 1/4 1/6 5 3 1/3 1
ndices de acidentes de trnsito do trimestre (2) 1 1 4 7 7 4 5
Poltica de preos (prpria concorrente) (3) 1 3 6 5 3 1
Confiabilidade da marca (4) 1 4 4 1 3
Aes de marketing (5) 1 1/2 1/5 1/4
Demanda de veculos novos (6) 1 1/3 1/2
Incentivos fiscais (reduo de IPI) (7) 1 1
Lanamento de novo modelo de veculo (8) 1

Apndice 3: Tabela de comparao pareada preenchida pelo Avaliador 3


(1)

(2)

(3)

(4)

(5)

(6)

(7)

(8)

Indicadores socioeconmicos (1) 1 1/5 1/3 1/5 5 3 1 1/3


ndices de acidentes de trnsito do trimestre (2) 1 5 1 9 7 3 5
Poltica de preos (prpria concorrente) (3) 1 1/3 7 5 5 1
Confiabilidade da marca (4) 1 9 7 5 1
Aes de marketing (5) 1 1/3 1/5 1/7
Demanda de veculos novos (6) 1 1/3 1/5
Incentivos fiscais (reduo de IPI) (7) 1 1
Lanamento de novo modelo de veculo (8) 1

27