Estudo bibliométrico e sistêmico da literatura sobre a integração de métodos quantitativos e qualitativos na previsão de demanda com ajuste de especialistas.

Wílian Assmann Ferro; José Donizetti de Lima; Sandro César Bortoluzzi; Fernando José Avancini Schenatto; Marcelo Gonçalves Trentin

doi:10.5585/exactaep.v18n2.8739

Autores

Wílian Assmann Ferro
José Donizetti de Lima UTFPR - Câmpus Pato Branco
Sandro César Bortoluzzi UTFPR - Câmpus Pato Branco
Fernando José Avancini Schenatto UTFPR - Câmpus Pato Branco
Marcelo Gonçalves Trentin UTFPR - Câmpus Pato Branco

DOI:

https://doi.org/10.5585/exactaep.v18n2.8739

Palavras-chave:

Proknow-C, Previsão de demanda, Métodos quantitativos, Métodos qualitativos, Integração de previsão.

Resumo

O presente artigo visa encontrar uma possível lacuna de pesquisa dentro da temática “integração de métodos de previsão de demanda quantitativos e qualitativos com ajuste de especialistas”. Para isso, utilizou-se da análise bibliométrica e de conteúdo que foi elaborada, por meio da aplicação da metodologia Proknow-C (Knowledge Development Process – Constructivist) e análise categorial. Os principais resultados encontrados sobre a temática foram: (i) selecionou-se um portfólio bibliográfico contendo 21 artigos; (ii) o International Journal of Forecasting foi identificado como o principal periódico; (iii) os autores destaque são Armstrong Scott J.; Goodwin, Paul e Lawrence, Michael. O emprego da metodologia Proknow-C permitiu contribuir cientificamente com um processo estruturado sobre o tema integração de métodos de previsão de demanda. Já a análise de conteúdo, permitiu encontrar como oportunidade de pesquisa: a integração de métodos quantitativos e qualitativos para previsão de demanda com ajuste de especialistas via método multicritério de apoio a tomada de decisão.

Downloads

Não há dados estatísticos.

Biografia do Autor

Wílian Assmann Ferro

Possui Mestrado em Engenharia de Produção e Sistemas pela UTFPR - câmpus Pato Branco/PR (2018) com a dissertação intitulada Previsão de demanda em indústria de eletrodomésticos por meio da integração de métodos quantitativos e qualitativos. Especialização em Engenharia da Produção pela Universidade Tecnológica Federal do Paraná (2014) com monografia voltada para Analise de projetos de investimentos utilizando a metodologia SAVEPI. Graduação em Engenharia Química pela Universidade Comunitária da Região de Chapecó (2009). Tem experiência em gestão da produção, gestão da Qualidade, previsão de demanda, análise de projetos de investimentos e controle estatístico do processo.

José Donizetti de Lima, UTFPR - Câmpus Pato Branco

O Prof. Donizetti possui Licenciatura em Matemática e Habilitação em Física pela Universidade Estadual Paulista (UNESP, 1995), Mestrado em Métodos Numéricos em Engenharia pela Universidade Federal do Paraná (UFPR, 2002) e Doutorado em Engenharia de Produção pela Universidade Federal do Rio Grande do Sul (UFRGS). Atualmente é professor da Universidade Tecnológica Federal do Paraná (UTFPR - Câmpus Pato Branco), atuando em disciplinas relacionadas à área de Matemática, Probabilidade e Estatística e Engenharia de Produção nos cursos de Engenharia e Agronomia. Além disso, leciona a disciplina de Engenharia Econômica em curso de Pós-Graduação (lato e stricto sensu) na área de Engenharia de Produção, com a orientação de trabalhos, principalmente na área de custos e análise da viabilidade econômica de projetos industriais e agropecuários. Tem experiência na área de Matemática, com ênfase em Programação Matemática para problemas do planejamento da produção agropecuária. Tem realizado trabalhos de pesquisa e publicações principalmente nos seguintes temas: decisões de investimentos, indicadores de viabilidade econômica, análise econômica de projetos, métodos de custeio e gestão estratégica de custos. As principais áreas de interesse e linhas de pesquisa são: Engenharia Econômica, Sistemas de Custeio, Estatística Multivariada, Pesquisa Operacional, Análise Econômico-Financeira de Empresas, Reconhecimento de Padrões e Planejamento da Produção Agropecuária. É referee do IJEME, IJM&P, Exacta, ENEGEP/ABEPRO, SEI/UTFPR e Professor permanente do Programa de Pós-Graduação em Engenharia de Produção e Sistemas (PPGEPS) da UTFPR-Câmpus Pato Branco.

Sandro César Bortoluzzi, UTFPR - Câmpus Pato Branco

Doutor em Engenharia de Produção pela Universidade Federal de Santa Catarina (UFSC) na área de Inteligência Organizacional. Mestre em Contabilidade pela Universidade Federal de Santa Catarina (UFSC). Especialista em Administração Financeira, Contábil e Controladoria pela UNIVEL. Graduação em Ciências Contábeis pela Universidade Tecnológica Federal do Paraná. Atualmente é professor Adjunto II da Universidade Tecnológica Federal do Paraná (UTFPR). Professor de graduação no Curso de Ciências Contábeis e no Mestrado em Engenharia de Produção e Sistemas (PPGEPS) e no Mestrado Profissional em Administração Pública (PROFIAP). Atua principalmente nos seguintes temas: Avaliação de Desempenho Organizacional; Construção de Modelos de Apoio à Decisão; Métodos Multicritérios de Avaliação de Desempenho; Estruturação de problemas; PO soft; Mapas cognitivos; Contabilidade Gerencial e Avaliação de empresas. Os contextos de interesse em pesquisa são: saúde, educação, energia, sustentabilidade, gestão pública e segurança.

Fernando José Avancini Schenatto, UTFPR - Câmpus Pato Branco

Possui graduação em Engenharia Elétrica - Hab. Eletrônica pela Universidade Católica de Pelotas (1995), mestrado (2003) e doutorado (2012) em Engenharia de Produção pela Universidade Federal de Santa Catarina. Atualmente é professor efetivo da Universidade Tecnológica Federal do Paraná. Tem experiência na área de Engenharia de Produção, com ênfase em Gestão da Inovação Tecnológica, atuando principalmente nos seguintes temas: gestão de tecnologia; estratégia tecnológica; prospectiva estratégica; arranjos produtivos locais; incubadoras de empresas, parques tecnológicos e desenvolvimento regional sustentado.

Marcelo Gonçalves Trentin, UTFPR - Câmpus Pato Branco

Possui graduação em Engenharia Elétrica (1995) e mestrado em Métodos Numéricos em Engenharia pela Universidade Federal do Paraná (2002) e Doutorado em Engenharia de Produção pela Universidade Federal do Rio Grande do Sul - UFRGS (2010). Professor Titular da UTFPR, campus Pato Branco. É professor permanente e atual Coordenador do Programa de Pós-Graduação em Engenharia de Produção e Sistemas (PPGEPS). Atua no Cursos de Graduação de Engenharia Mecânica, Engenharia Elétrica e Tecnologia em Manutenção Industrial da UTFPR, Campus Pato Branco. Tem desenvolvido trabalhos de pesquisa na área da Eng. de Produção com ênfase em Simulação de Processos, Programação da Produção, Sistemas Lean, atuando principalmente com métodos quantitativos para a solução de problemas, previsão de demanda e estatística aplicada. É professor e coordenado do curso de Especialização em Engenharia de Produção da UTFPR-PB. Atua como Conselheiro junto ao Conselho de Pesquisa e Pós-graduação da UTFPR (2017-2019).

Referências

Bardin, L. (1977). Análise de conteúdo. Lisboa: Edições Setenta.

Bardin, L (2011). Análise de Conteúdo. São Paulo: 70 eds.

Bortoluzzi, S.C., Ensslin, S.R., Ensslin, L., Valmorbida. S.M.I. (2011). Avaliação de desempenho em redes de pequenas e médias empresas: Estado da arte para as delimitações postas pelo pesquisador. Estratégia & Negócios, 4, 202-222.

Carlomagno, M. C., Rocha, L. C. (2016). Como criar e classificar categorias para fazer análise de conteúdo: uma questão metodológica. Revista Eletrônica de Ciência Política, 7(1), 173-188.

Ensslin, L., Ensslin, S.R., Lacerda, R.T.O., Tasca, J.E. (2010). Proknow-C, Knowledge Development Process – Constructivist. Processo técnico com patente de registro pendente junto ao INPI. Brasil.

Ensslin, L., Ensslin, S. R., Rocha, S., Marafon, A. D., Assad, T. (2013). Modelo multicritério de apoio à decisão construtivista no processo de avaliação de fornecedores. Revista Produção, 23(2), 402-421.

Green K. C; Armstrong, J. S. Demand forecasting: evidence-based methods. Wharton University of Pensylvania. Disponível em: https://marketing.wharton.upenn.edu/index.cfm/research/research-listing/?whdmsaction=publications.list&pubFilter=all&pubYearFilter=2012. Acessado em 22/06/2016.

Graefe, A., Armstrong, S. J., Randall, J. J. Jr., Cuzán, A. G. (2014). Combining forecast: An application to elections. International Journal Forecasting, 30(4), 3-64.

Goodwin, P. (2002). Integrating management judgment and statistical methods to improve short-term forecast. Omega, 30(2), 127-135.

Google Acadêmico. Disponível em: http://scholar.google.com.br/. Acesso em: jun. 2016.

Gooijer, J. G., Hyndman, R. J. (2006). 25 years of time series forecasting. International Journal of Forecasting, 22, 443-473.

Gularte, L. C. P., Bortoluzzi, S. C., Lima, J. D., Pinto, M. A. N., Goffi, A. S. (2018).

Análise bibliométrica e sistêmica da literatura sobre viabilidade econômica-financeira, gestão e sustentabilidade da reciclagem de resíduos da construção civil. Exacta, 16(4), 45-58.

Lacerda, R. T. O., Ensslin, L., & Ensslin, S. R. (2012). Uma análise bibliométrica da literatura sobre estratégia e avaliação de desempenho. Gestão & Produção, 19 (1), 59-78.

Lawrence, M., Goodwin, P., O’connor, M., Onkal, D. (2006). Judgmental forecasting: A review of progress over the last 25 years. International Journal of forecasting, 22, 493-518.

Lizot, M., Júnior, P. P. A., Magacho, C. S., Bortoluzzi, S. C. (2015). Avaliação de Desempenho na Gestão da Produção: Análise Bibliométrica e Sistêmica da Literatura Internacional. Congresso de Contabilidade. Florianópolis - UFSC.

Mancuso, A. C. B., Werner, L. (2013). Review of combining forecasts approaches. Independent Journal of Management & Production (IJM&P), 4910.

Marafon, A. D., Ensslin, L., Lacerda, R. T. O., Ensslin, S. R. (2012). Revisão Sistêmica da Literatura Internacional sobre Avaliação de Desempenho na Gestão de P&D. Revista Gestão Industrial, 8(3), 1-43.

Makridakis, S., Wheelwright, S., Hyndman, R. J. (1998). Forecasting methods and applications. 3 ed. New York: John Wiley & Sons.

Meireles, M. R. G., Cendón, B. V. (2010). Aplicação prática dos processos de análise de conteúdo e de análise de citações em artigos relacionados às redes neurais artificiais. Inf. Inf., 15(2), 77 – 93.

Pellegrini, F. R., Fogliatto, F. S. (2001). Passos para implantação de sistemas de previsão de demanda – Técnicas e estudo de caso. Revista Produção, 11(1), 43-64.

Santos, G. Q. V., Junior, J. A. M., Bernardo, Y. N. S. (2015). Previsão de demanda: revisão bibliográfica e análise acadêmica atual. XXXV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO. Fortaleza, Brasil.

Sanders, N. R., Ritzman, L. P. (2004). Integrating judgmental and quantitative forecasts: methodologies for pooling marketing and operations information. International Journal of Operations & Production Management, 24, 514-529.

Saccani, N. (2011). Forecasting for capacity management in call centres: combining methods, organization, people and technology. Journal of Management Mathematics, 24,189-207.

Tasca, J. E., Ensslin, L., Ensslin, S. R., Alves, M. B. M. (2010). An approach for selecting a theoretical framework for the evaluation of training programs. Journal of European Industrial Training, 34, 631-65.

Urquiza, M. A., Marques, D. B. (2016). Análise de conteúdo em termos de Bardin aplicada à comunicação corporativa sob o signo de uma abordagem teórico-empírica. Entretextos, 16(1), 115-144.

Vilela, L.O. (2011). Aplicação do Proknow-C para seleção de um portfólio bibliográfico e análise bibliométrica sobre avaliação de desempenho da gestão do conhecimento. Revista Gestão Industrial, 8(1), 76-92.

Wallis, K. F. (2011). Combining forecasts – forty years later. Applied Financial Economics, 21, 33-41.

Werner, L. (2004). 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, Brasil.

Werner, L., Ribeiro, J. L. D. (2006). Modelo composto para prever demanda através da integração de previsões. Prod. [online], 16(3), 493-509.

Webby, R., O’connor, M. (1996). Judgmental and Statistical Time Series Forecasting: A review of the Literature. International Journal of Forecasting, 2(1), 91-118.