Maya Mikro GiriĢimci Destek ĠĢletmesi

Níveis hierárquicos superiores da organização conhecem os objetivos globais do negócio e enxergam problemas panorâmicos com mais facilidade, portanto, necessitam de informações agregadas, sem conhecer os detalhes operacionais e as decisões de menor horizonte tomadas nos níveis hierárquicos inferiores. Tais projeções de longo prazo envolvem maiores incertezas, que são compensadas pela agregação normalmente realizada nesses casos. Por outro lado, níveis hierárquicos inferiores utilizam séries históricas mais desagregadas e conhecem as limitações operacionais que as pessoas de níveis mais altos não conhecem. Em geral, séries históricas de vendas de itens individuais oscilam mais que séries históricas de vendas agregadas (PETERSON; SILVER, 1985; RIGGS, 1987).

Na coleta, os dados devem estar na forma mais detalhada possível, para poder usá- los na forma detalhada ou agregada. É mais eficiente do que coletar dados mais agregados e correr o risco de precisar coletar dados novamente, caso a abordagem mude.

Duas abordagens são as mais conhecidas. Na abordagem bottom-up ou acumulativa, previsões de demanda de itens individuais são combinadas (somadas, por exemplo) para produzir a previsão de demanda agregada. Na abordagem top- down ou derivada, dados de demanda agregada de produtos são usados para gerar previsões de demanda. Os dados previstos são desagregados usando uma representatividade (razão ou proporção) que o item individual possui perante o nível agregado, para produzir valores de previsão individual.

Existem diversas formas de calcular a representatividade, como a simples suposição de uma participação constante ao longo do tempo, a média de um intervalo histórico, suavização exponencial, entre outros. (DANGERFIELD; MORRIS, 1992; WANKE, 2008).

Se o objetivo for prever demanda de itens individuais mês a mês, parece natural analisar a demanda e os fatores explicativos no mesmo nível de agregação. Quanto mais heterogênea a demanda, pior é a previsão agregada. Por exemplo, diferentes lojas de uma cadeia podem reagir de forma diferente a promoções similares, tornando a variável explicativa de promoções, uma variável imprecisa dentro de um modelo de regressão, se a demanda for tratada de forma agregada para toda a cadeia de lojas. Por outro lado, prever demanda de uma única loja pode ser ineficiente, se houver pouca informação disponível para modelar tal demanda desagregada.

A demanda de um item individual pode ser menos previsível que a demanda de uma família agregada. A demanda agregada é geralmente menos volátil que a demanda de itens individuais porque a agregação reduz variabilidade. A abordagem top-down é mais simples, mas a abordagem bottom-up permite analisar diferenças nos padrões de demanda. A comparação do desempenho de ambas as abordagens é justo, visto que as empresas em geral as usam ao mesmo tempo em seus diferentes processos de tomada de decisão. (ZOTTERI; KALCHSCHMIDT; CANIATO, 2005). De acordo com um estudo (LAPIDE, 1998), a abordagem top-down faz sentido se a série histórica agregada é composta de séries individuais que possuem padrões de variação similares. Assim, o rateio dos valores agregados produz previsões individuais mais precisas. A abordagem inversa faz sentido se as séries individuais têm diferentes padrões de variação. Se, por exemplo, previsões bottom-up resultam em valores agregados mais estáveis enquanto a previsão feita no nível agregado gera valores crescentes em 10%, um fator de correção (1,10) pode ser imposto nas previsões individuais. Assim, pode ser conveniente usar ambas as abordagens e até mesmo, uma abordagem híbrida (middle-out) onde os valores previstos são lançados num ponto de agregação intermediária e sofrem tanto agregação como desagregação em sentidos contrários.

Um estudo (DANGERFIELD; MORRIS, 1992) com séries históricas usando o método de suavização exponencial tripla verificou que em 74% dos casos, a abordagem bottom-up trouxe menos erros às previsões (melhores resultados) do que a abordagem top-down. Este estudo propôs 15753 famílias (séries agregadas) usando todas as possíveis combinações de 2 itens não repetidos entre 178 itens e pesquisou a influência da correlação entre as séries destes 2 itens e da

representatividade do item nomeado “Item1” perante a família. A abordagem bottom- up foi melhor na maioria dos casos, independentemente de baixa ou alta correlação entre os 2 itens da família e independentemente de baixa ou alta representatividade do “Item1” perante a família. Esse estudo propõe uma revisão dos resultados sob a ótica de métodos causais e também um método recursivo para vencer a limitação do trabalho, a fim de estudar famílias com mais do que dois itens - quando o primeiro item é considerado um indivíduo e o segundo item é uma somatória dos itens restantes da família.

Um trabalho (ZOTTERI; KALCHSCHMIDT; CANIATO, 2005) cita autores favoráveis a cada uma das duas abordagens, além de citar aqueles que acreditam não haver melhor método a priori. Exemplos de partidários da abordagem top-down são Lapide (1998) e Schwarzkoph et al. (1988) que comentam que tal abordagem possui melhores previsões no nível mais agregado, mas previsões piores no nível desagregado, porque a agregação é uma representação artificial da verdadeira natureza do negócio, pois picos e vales de vendas de itens de uma mesma família podem ser cancelados pela agregação. Exemplos de partidários da abordagem bottom-up citados neste trabalho destacam que tal abordagem acarreta em perda de informação com a agregação. Comentam que previsões mais precisas são feitas no nível individual (que representa a natureza real do negócio), mas que as somas dos erros de previsão geram valores menos precisos ao agregar os itens.

Estes mesmos autores (ZOTTERI; KALCHSCHMIDT; CANIATO, 2005) pesquisaram séries históricas reais de 5 itens em 38 lojas usando abordagens híbridas, além das tradicionais top-down e bottom-up, considerando dois níveis de detalhamento: loja individual e cadeia de lojas, usando regressão logarítmica. Eles comentam sobre a importância de comparar as previsões em todas as abordagens e em todos os níveis de detalhamento, considerando justa tal análise.

Outro trabalho (WANKE, 2008) cita pesquisadores que analisaram questões matemáticas e estatísticas que permeiam a melhor aderência a uma ou outra abordagem. Este mesmo autor contribui com a literatura ao aprofundar estudos sobre questões matemáticas e estatísticas, incluindo a influência dos parâmetros do método de suavização exponencial e dos chamados efeito portfolio e efeito ancoragem na aderência a uma ou outra abordagem de previsão e seus desdobramentos sobre dimensionamento de estoques. Este trabalho usou séries

históricas geradas aleatoriamente com distribuição normal bivariada e assemelha-se ao trabalho de Dangerfield e Morris (1992) ao estudar as possíveis combinações de itens (chamados A e B) que aos pares, formam famílias numa estrutura de dois níveis de detalhamento.

Autor Abordagem Top-down Abordagem Bottom-up

Kahn (1998) Correlação negativa

Lapide (1998)

Correlação positiva, se as demandas apresentam mesma

tendência

Correlação negativa, se as demandas apresentam tendências

inversas

Gordon et al. (1997)

Correlação negativa e qualquer participação (representatividade)

no total

Correlação positiva e grande participação (representatividade) no

total Schwarzkopf (1988) Correlação nula

Quadro 7– Características que favorecem as abordagens. Adaptado de Wanke (2008).

O presente trabalho se aproxima do trabalho de Zotteri, Kalchschmidt e Caniato (2005) apenas por usar séries históricas reais, aproxima-se do trabalho de Dangerfield e Morris (1992) apenas por usar método de previsão por suavização exponencial tripla. O presente trabalho traz contribuição e difere de todos os demais ao propor que séries históricas reais de inúmeros itens em estruturas de detalhamento superiores a dois níveis sejam tratadas por métodos de previsão diversos (quer sejam os usados por algum destes autores ou não), sem as análises estatísticas de correlação, tendência, representatividade e efeitos portfolio e ancoragem que possam justificar uma ou outra abordagem. Esta proposta envolve gerar cenários de agregação e desagregação para que gestores escolham cenários para suas tomadas de decisão baseadas em testes de precisão, independentemente de conhecerem complexos fenômenos estatísticos. Assim, ao projetar um futuro desconhecido, o gestor pode escolher determinado cenário baseado em precisão, custo, tempo e outros fatores apresentados por este mesmo cenário em períodos passados. Esta proposta não foi encontrada na literatura estudada que abrange os autores listados neste subtópico e os trabalhos citados por estes mesmos autores. O uso de ferramentas modernas de TI, como SAD e BI deve resolver, em grande parte, a controvérsia sobre a vantagem/desvantagem da abordagem top-down e bottom-up.