Procedimento para implantar um modelo de previsão de demanda com incorporação de julgamento de especialistas
Resumo As informações do mercado, quando interpretadas pelo especialista e incorporadas na previsão quantitativa de forma adequada, aumentam a acuracidade da previsão final. Entretanto, o julgamento humano pode inserir vieses na previsão e uma forma de evitá-1os é estruturar a incorporação do julgamento. Este artigo apresenta um procedimento estruturado para que as empresas possam implantar um sistema de previsão de demanda considerando a incorporação de julgamento à saída de previsões estatísticas. A utilização do procedimento em uma pequena empresa demonstra a aplicação do método. Na análise dos resultados verificou-se que os ajustes por julgamento reduziram os erros das previsões quantitativas em média em 5%. Além disso, o melhor desempenho dos ajustes ocorreu para o produto com maior variabilidade na série histórica de dados e os maiores ajustes trouxeram os melhores resultados.
| Main Authors: | , , |
|---|---|
| Format: | Digital revista |
| Language: | Portuguese |
| Published: |
Associação Brasileira de Engenharia de Produção
2016
|
| Online Access: | http://old.scielo.br/scielo.php?script=sci_arttext&pid=S0103-65132016000200459 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Resumo As informações do mercado, quando interpretadas pelo especialista e incorporadas na previsão quantitativa de forma adequada, aumentam a acuracidade da previsão final. Entretanto, o julgamento humano pode inserir vieses na previsão e uma forma de evitá-1os é estruturar a incorporação do julgamento. Este artigo apresenta um procedimento estruturado para que as empresas possam implantar um sistema de previsão de demanda considerando a incorporação de julgamento à saída de previsões estatísticas. A utilização do procedimento em uma pequena empresa demonstra a aplicação do método. Na análise dos resultados verificou-se que os ajustes por julgamento reduziram os erros das previsões quantitativas em média em 5%. Além disso, o melhor desempenho dos ajustes ocorreu para o produto com maior variabilidade na série histórica de dados e os maiores ajustes trouxeram os melhores resultados. |
|---|