A análise de decisões atinge a maioridade

No início da década de 1970, C. Jackson Grayson, ex-chefe da Comissão de Salários e Preços e também autor de um dos primeiros livros sobre análise de decisão aplicada, pediu aos analistas que “colocassem pessoas, tempo, poder, acessibilidade de dados e tempo de resposta em modelos e criassem soluções brutas e viáveis” se quisessem que pessoas ocupadas como ele as usassem.1 Na época, a análise de decisão ainda era uma técnica experimental de gerenciamento, uma aplicação bastante direta da teoria da decisão estatística.2 A escolha enfrentada por um tomador de decisão foi expressa como uma função matemática dos números de probabilidade e utilidade, que mediu as incertezas e os julgamentos de valor da pessoa. (A melhor opção foi aquela com a maior utilidade esperada.) Embora a análise de decisão estivesse bem estabelecida como uma forma de quantificar logicamente as considerações que envolvem qualquer escolha entre as opções, ela estava apenas começando a sair das escolas de negócios e a ser aplicada na prática no mundo dos negócios. Apenas algumas empresas forneceram experiência interna, e consultores especializados em análise de decisões raramente eram chamados. Agora, depois de dez anos de feedback às vezes humilhante do mundo real, os analistas aprenderam a ser mais flexíveis e modestos na forma de tornar a formulação básica da teoria da decisão útil para os gerentes. A tecnologia foi aprimorada para capturar mais considerações relevantes para a tomada de decisões acertadas, principalmente por meio de análise de utilidade de vários atributos e melhor interação com o usuário. A análise de decisão surgiu como um complemento às técnicas de tomada de decisão mais antigas, como modelagem de sistemas e pesquisa operacional. Além da teoria da decisão estatística, a nova tecnologia se baseia na psicologia, economia e ciências sociais. O que é retido e distintivo na abordagem é que os modelos quantitativos incorporam julgamentos pessoais. Para distinguir essa abordagem de outras formas de analisar decisões de uso generalizado (como aquelas que dependem apenas de entradas “objetivas”), chamamos isso de análise de decisão personalizada. Os analistas aprenderam a usar os dados e a experiência que estão imediatamente disponíveis para o tomador de decisão e a transmitir as conclusões ao gerente quase em tempo real. Em 1970, uma análise raramente era concluída em três meses. Agora, uma análise significativa de um problema pode ser gerada em uma tarde e uma sucessão de análises pode ser apresentada em intervalos de um ou dois dias. Sem perturbar muito o cronograma de reuniões ou o processo reflexivo, os gerentes agora podem responder a essas análises e fornecer informações para outras rodadas. Embora essa análise de decisão não tenha se tornado a disciplina analítica dominante que algumas pessoas esperavam, seu uso cresceu dramaticamente desde 1970. A análise de decisão personalizada tornou-se uma parte aceita dos serviços de equipe que as grandes corporações utilizam rotineiramente, assim como fazem psicologia industrial, análise de custos, pesquisa de marketing e análise econômica. E praticamente todas as principais áreas do governo adotaram a análise de decisão de uma forma ou de outra. Os estudos de caso que apresentamos neste artigo ilustram como os gerentes usam as três principais variantes da análise de decisão atualmente em uso: análise de árvore de decisão, previsão probabilística e análise de utilidade multiatributo. Análise da árvore de decisão A análise da árvore de decisão é a forma mais antiga e mais usada de análise de decisão. Os gerentes o usam na tomada de decisões de negócios em condições incertas desde o final dos anos 1950, e suas técnicas são familiares.3 Nos últimos anos, no entanto, a maneira pela qual as pessoas conduzem a análise da árvore de decisão se expandiu. O analista de hoje tem à sua disposição não apenas uma variedade de suportes de computador que possibilitam uma rápida recuperação, mas também a sabedoria acumulada dos analistas nos últimos 20 anos. O caso a seguir ilustra alguns dos componentes de uma análise bem-sucedida da árvore de decisão. Eles incluem o uso de telas simples, análise de sensibilidade para orientar os refinamentos e modelos subsidiários para garantir a integridade. Também são importantes a direção e a integração que a análise dá às contribuições de especialistas, bem como o envolvimento dos principais gerentes. A AIL deve comprar os direitos de uma nova patente? No final de 1974, foi oferecida à Divisão AIL da Cutler-Hammer, Inc. (agora uma divisão da Eaton Corporation) a oportunidade de adquirir os direitos do mercado de defesa de uma nova patente de sistema de segurança de voo. O inventor alegou ter uma forte posição de patente e superioridade técnica, mas o mercado do produto era muito incerto, principalmente por causa de ações legislativas pendentes. Como o inventor desejava fazer uma oferta a outras empresas se a AIL não estivesse interessada, ele pediu à AIL que tomasse a decisão em algumas semanas, um período de tempo claramente inadequado para resolver quaisquer incertezas de que estivesse ciente. A AIL não havia usado a análise formal de decisão antes. Os principais gerentes, no entanto, estavam familiarizados com a teoria e suas aplicações típicas por meio da literatura e estavam interessados em experimentar essas técnicas em uma decisão real para avaliar seu valor. A decisão da patente parecia ser uma boa candidata para esse teste. Uma equipe de funcionários da AIL e analistas externos passou duas semanas desenvolvendo uma análise da ideia da patente. Durante todo o tempo, a equipe manteve contato contínuo com a alta gerência. Análise da AIL Os analistas usaram técnicas padrão de árvore de decisão. O Anexo I mostra a escolha imediata de comprar uma opção de seis meses sobre os direitos de patente ou não, e as principais incertezas que afetaram a decisão. A atratividade de cada resultado, ou caminho na árvore, é representada por seus ganhos em valor presente. Isso varia de uma perda de $ 700.000 para um ganho de $ 10,5 milhões. O valor esperado em cada nó da árvore é calculado tomando uma média ponderada pela probabilidade de suas ramificações. Trabalhar esses valores fornece um valor esperado de $ 100.425. Ou seja, a AIL poderia esperar estar melhor em $ 100.425 se comprou a opção de seis meses. Anexo I Árvore de decisão da AIL A mecânica da análise — especificar a árvore, atribuir valores e calcular resultados — é simples. A utilidade da análise, no entanto, depende mais de como o processo de análise é gerenciado do que da mecânica. Cinco características que geralmente estão ausentes em tentativas malsucedidas de aplicar a análise de decisão marcaram essa implementação como um sucesso. Uma tela simples. O foco da análise foi a árvore simples mostrada no Anexo I. O erro mais comum que um iniciante em análise de decisão comete é incluir tudo o que a escolha envolve na árvore. Essa é uma maneira segura de acabar com uma bagunça, que só o analista, se é que alguém, pode entender. É improvável que essa árvore influencie a decisão de qualquer gerente. O truque é criar uma árvore simples que capture a essência do problema incluindo seus elementos mais importantes. Nesse caso, os elementos mais importantes que afetaram os lucros foram as probabilidades de exercer a opção, receber um contrato inicial e continuar com um segundo contrato. Refinando os elementos. Por meio de um programa de computador interativo, os analistas determinaram a sensibilidade dos resultados às mudanças nas entradas da árvore. A análise foi então expandida de uma forma que respondesse melhor ao que o tomador de decisão precisava saber. Uso de modelos subsidiários. Os analistas da AIL desenvolveram modelos para refinar as estimativas dos insumos mais sensíveis. Usar uma árvore simples não torna a análise grosseira ou incompleta; modelos subsidiários podem garantir qualquer nível desejado de detalhes e sofisticação. Nesse caso, os analistas usaram três modelos subsidiários. Eles usaram um para determinar os ganhos anuais e calcular os valores presentes e outro para avaliar a probabilidade de receber um contrato. O último modelo refletiu fatores importantes, como o momento e os termos de um possível mandato legislativo para o sistema, a força de possíveis sistemas competitivos e a probabilidade de um acidente ou quase queda de um avião nos próximos meses. Os analistas usaram um terceiro modelo para avaliar as distribuições de probabilidade dos lucros dos contratos que refletiam incertezas no número de unidades, no preço por unidade e na margem de lucro. Cada modelo de subsidiária era compacto e podia ser exibido em um único gráfico, usado pelos analistas para responder às perguntas dos principais gerentes sobre como os números do modelo principal haviam sido determinados. Contribuição da equipe. Na AIL, várias pessoas estavam envolvidas com cada aspecto do modelo, para que cada especialista pudesse se concentrar na área de sua especialidade. Os mais bem informados sobre as chances de ganhar o segundo contrato, por exemplo, abordaram esse aspecto do problema, mas não consideraram outros aspectos. As contribuições combinadas de todos os especialistas formaram uma imagem unificada para a alta gerência. Entre em contato com a alta gerência. O fator mais importante foi o trabalho próximo da alta gerência com a equipe de análise durante toda a análise. Essa interação garantiu que: 1. As escolhas modeladas foram, na verdade, as escolhas em consideração. (Nesse caso, como resultado da modelagem, os analistas identificaram uma nova opção: esperar e buscar uma sublicença.) 2. Todas as preocupações importantes foram abordadas. Para a AIL, os problemas incluíram o impacto que outros fatores de decisão além dos lucros diretos têm (nesse caso, retorno sobre o capital). 3. O nível de modelagem estava certo. Ou seja, alguns aspectos foram modelados formalmente, mas outros foram deixados para consideração informal. Por exemplo, os analistas exploraram a atitude da AIL em relação à tomada de riscos exibindo perfis de risco das escolhas, em vez de avaliar e usar uma função de utilidade.4 (Porque responder às perguntas hipotéticas sobre as preferências por retornos incertos, necessárias para estabelecer uma função de utilidade, parece que muitos gerentes estão relutantes em fazer isso. Nesse caso, as incertezas da decisão poderiam ser suficientemente caracterizadas em perfis de risco simples.) Exposição II mostra os perfis de risco das alternativas que a AIL enfrentou. A compra da opção forneceria um valor presente líquido esperado dos lucros de cerca de $ 100.000, 60 % chance de perder cerca de $ 700.000, um 29 % chance de perder cerca de $ 125.000 e um 11 % chance de ter um retorno positivo de uma distribuição com uma expectativa de cerca de $ 5,25 milhões. (Essa imagem corresponde a uma análise mais detalhada dos ganhos de um contrato de defesa.) Anexo II Perfis de risco da decisão de compra de patentes da AIL: distribuição de ganhos incrementais com descontos em milhões de dólares A alternativa, esperar e buscar uma sublicença, teria um 94 % chance de não produzir nenhum ganho (ou perda) e um 6 % chance de produzir uma distribuição com uma expectativa de cerca de $ 830.000 e resultaria em um valor esperado de cerca de $ 50.000. Essa exibição facilitou a decisão unânime do grupo de tomada de decisão (o presidente e seus vice-presidentes de desenvolvimento de negócios e operações) de seguir a estratégia menos arriscada, embora ela oferecesse um valor esperado um pouco menor. Experiências de outras empresas Empresas em uma ampla variedade de setores estão usando a análise da árvore de decisão para tomar uma variedade de decisões. Por exemplo: Por meio desse tipo de análise, a Ford determinou se deve produzir seus próprios pneus e se deve parar de produzir conversíveis. A divisão de sistemas de defesa da Honeywell usa a análise da árvore de decisão para avaliar a atratividade de novos programas de armas. Regularmente, os gerentes de programas e o diretor de planejamento desenvolvem modelos para ajudar a decidir quais programas seguir e como devem alocar fundos internos de pesquisa e desenvolvimento. Com a análise da árvore de decisão, a divisão de produtos de mercearia da Pillsbury avaliou as principais decisões, como trocar uma caixa por uma sacola para um determinado produto de mercearia. Nesse caso, mesmo quando os analistas usaram avaliações pessimistas expressas por um gerente que inicialmente recomendou permanecer com a caixa, a análise mostrou que a lucratividade seria maior com a sacola. A análise também mostrou que o valor de fazer um teste de mercado, conforme solicitado por alguns executivos, não poderia abordar remotamente seu custo. A sacola foi lançada e os lucros do produto aumentaram. Diante da decisão de eletrificar parte de seu sistema, o que envolveria despesas de capital de várias centenas de milhões de dólares, a Southern Railway realizou uma análise que deu aos gerentes uma melhor compreensão das interações das variáveis que influenciam a decisão. Muitas grandes empresas de petróleo e gás, como a Union Texas Petroleum, a subsidiária de petróleo e gás em Champlin da Union Pacific e a Gulf Oil, aplicam análises de decisão regularmente para escolher locais apropriados para exploração e avaliar a economia do desenvolvimento de campo. A ITT usa análise de decisão em vários níveis da empresa, especialmente para decisões de investimento de capital. Previsão probabilística A seção anterior ilustra como a análise de decisão personalizada pode capturar todo o pensamento envolvido em uma decisão específica. A técnica também tem outros usos. Os analistas podem desenvolver certos aspectos da análise de decisão em ferramentas analíticas que podem ser usadas em diversos contextos. Os analistas podem usar os aspectos de modelagem probabilística da análise de decisão para desenvolver previsões de, por exemplo, vendas e lucros futuros, que, por sua vez, podem ser usados para apoiar decisões sobre planejamento, investimento e marketing. É provável que o desenvolvimento de um único aspecto da análise de decisão personalizada para apoiar decisões em diversos contextos se torne muito popular. Como seu custo pode ser distribuído por vários usos, uma empresa pode se dar ao luxo de usar informatização e tempo de equipe suficientes para fazer esse tipo de análise adequadamente. O exemplo a seguir ilustra como a análise de decisão personalizada pode ser usada para fazer previsões. Obviamente, esse tipo de análise não é a única maneira de realizar previsões quantitativas. O que distingue a contribuição dessa abordagem para o problema é que, em vez de limitar uma previsão à extrapolação estatística do passado, ela pode combinar avaliações de julgamento com dados. Nos casos em que pouco ou nenhum histórico relevante está disponível para basear uma previsão e em que o sucesso de cada produto depende de uma combinação de eventos sobre os quais o julgamento pessoal é praticamente a única fonte de informação, essa forma de análise é particularmente útil. Como a divisão de defesa da Honeywell crescerá? No final de 1979, o gerente de planejamento da divisão de sistemas de defesa da Honeywell, Inc. enfrentou a tarefa de planejar o crescimento da divisão nos próximos dez anos. Uma parte importante do trabalho envolveu descobrir como se manter dentro do orçamento de P&D e ainda buscar novas oportunidades de produtos para aumentar as vendas e os lucros da divisão. Depois de examinar as oportunidades de novos produtos de acordo com sua adequação ao resto da divisão, o gerente precisou de previsões das vendas, lucros e requisitos de investimento dos produtos. O desenvolvimento bem-sucedido dos produtos, a força da concorrência e seu eventual sucesso no mercado eram todos incertos. Além disso, as chances de sucesso de alguns dos produtos estavam inter-relacionadas e vários produtos ofereciam a chance de negócios colaterais significativos. A abordagem adotada pelos analistas foi criar uma previsão composta para a divisão combinando análises de árvores de decisão de produtos individuais. Durante o projeto, os planejadores da Honeywell trabalharam em estreita colaboração com os consultores de análise de decisão e, quando terminaram, adquiriram as habilidades necessárias para realizar as análises internamente. Esse tipo de análise agora é uma parte regular da atividade de avaliação, planejamento e previsão de projetos da Honeywell. Os analistas desenvolveram um modelo para cada produto de acordo com linhas semelhantes às da AIL. A equipe de análise trabalhou em estreita colaboração com cada gerente de projeto e sua equipe para criar a árvore de decisão, avaliar probabilidades e valores e discutir resultados e sensibilidades. As duas análises diferiram significativamente, no entanto, de várias maneiras. Primeiro, os resultados da análise da Honeywell deveriam ser usados para fazer previsões e tomar decisões. Esse uso significava que os analistas precisariam modelar fatores adicionais e tornar a forma dos resultados adequada para a previsão. Em segundo lugar, como o sucesso de alguns produtos estava relacionado ao sucesso de outros, os analistas tiveram que incluir na análise fatores como investimentos comuns, oportunidades de negócios colaterais e interações de marketing. Em terceiro lugar, o problema da Honeywell não apresentava um critério único claro de acordo com o qual a gerência pudesse tomar uma decisão. A Honeywell considerou vários critérios financeiros, como taxa interna de retorno, valor presente líquido e fluxos anuais de lucros, investimentos e retorno sobre o investimento. Previsões da Honeywell Anexo III mostra a previsão probabilística de vendas para um grupo de produtos interrelacionados. Essa previsão é baseada em análises de árvores de decisão de três produtos principais e duas oportunidades de negócios colaterais. Os analistas primeiro desenvolveram árvores de decisão para cada produto para determinar a distribuição das vendas no caso de surgir ou não um mercado suficiente para suportar a produção total. Em seguida, eles desenvolveram um segundo nível de análise para modelar as principais interdependências entre os produtos; especificamente, a probabilidade de qualquer produto em particular estar em plena produção dependia de quais outros produtos também estavam em plena produção. Figura III Distribuição de vendas para um grupo de produtos inter-relacionados A previsão mostra que são esperadas baixas vendas dos produtos nos primeiros sete anos. Depois disso, espera-se que as vendas nos próximos seis anos sejam cerca de $ 75 milhões por ano. Esse valor não é certo, no entanto. A previsão, por exemplo, mostra um 24 % chance de as vendas ficarem abaixo $ 25 milhões em 1989. As análises de suporte da árvore de decisão foram úteis para explicar a forma da previsão de cada ano. O Anexo IV mostra que, devido à incerteza sobre quais produtos teriam mercados suficientes para suportar a produção total até 1988, a previsão de vendas é “irregular”. As razões para essas incertezas são detalhadas nas análises da árvore de decisão. Anexo IV Previsão detalhada de vendas em 1988 Essa análise ajudou a Honeywell a avaliar as chances de esses produtos atingirem as metas de vendas, as incertezas na avaliação e os motivos das incertezas. Ao detalhar a cadeia de eventos que produziria diferentes níveis de vendas, ela também identificou pontos de alavancagem — lugares onde a Honeywell poderia agir para alterar as probabilidades e melhorar as vendas. Os analistas também usaram as árvores de decisão para prever lucros anuais, fluxos de fundos, ativos, investimentos em pesquisa e desenvolvimento e as quantidades financeiras relacionadas de valor presente líquido, taxa interna de retorno e retorno anual do investimento. Suas previsões indicavam que se poderia esperar que esses produtos excedessem os requisitos em todos os fatores e que, a menos que a Honeywell fosse muito avessa ao risco, eles eram atraentes. Os gerentes da Honeywell compararam as previsões para decidir quais oportunidades de produto buscar. Essas comparações forneceram uma tela adicional, já que alguns produtos eram claramente piores do que outros em tudo fatores. Mas como a análise não mostrou a importância relativa de cada fator — alguns produtos foram projetados para ter um melhor desempenho em determinados fatores (por exemplo, taxa interna de retorno e valor presente líquido) e outros produtos foram projetados para ter um desempenho melhor em outros fatores (por exemplo, retorno sobre o investimento) — uma ordenação inequívoca dos produtos era impossível. Os gerentes da Honeywell poderiam ter recebido esse pedido se seus analistas tivessem usado algumas das técnicas mais recentes de utilidade de multiatributos. Análise de utilidade multiatributo Ao tentar determinar onde colocar sua subsidiária europeia, a alta administração de uma empresa ignorou completamente a análise da árvore de decisão que mostrava uma análise cuidadosa das implicações financeiras de possíveis localizações. Quando pressionada por uma explicação, a alta administração confidenciou que a escolha foi dominada pelo fato de que o pessoal-chave queria estar perto da Escola Internacional em Genebra. De alguma forma, essa consideração parecia muito não econômica e não racional para ser incluída na análise, mas dominou a decisão. No momento em que a decisão foi tomada, a tecnologia de análise de decisão estava mal equipada para lidar com as compensações entre efeitos financeiros e intangíveis. Uma nova técnica, a análise de utilidade multiatributo, torna essa modelagem possível especificando com precisão os fatores que afetam a escolha, fazendo concessões entre os fatores e escolhendo a alternativa que ofereça o melhor equilíbrio. A análise de utilidade multiatributo evoluiu a partir da análise de decisão que apoiou as decisões do governo, nas quais a necessidade de equilibrar vários objetivos é mais óbvia. Como mostra o caso da empresa decidir onde colocar sua fábrica, no entanto, sua utilidade para a tomada de decisões comerciais é evidente. Por exemplo, os locais das fábricas geralmente diferem em itens intangíveis, como a habilidade da força de trabalho local, a capacidade do gerenciamento local e os problemas de gerenciamento das plantas operacionais nos locais em questão. Esses são fatores importantes a serem considerados na decisão de onde localizar a planta, mas é virtualmente impossível especificar seu impacto no lucro com precisão. Muitos fatores também surgem nas decisões estratégicas. Por exemplo, Michael E. Porter argumentou que, ao considerar as decisões estratégicas de integração vertical, grande expansão de capacidade e entrada em novos negócios, os gerentes deveriam ir além das análises de custos e investimentos para considerar questões estratégicas amplas e problemas administrativos desconcertantes, que são muito difíceis de quantificar.5 A análise de utilidade multiatributo, ilustrada no caso a seguir, fornece uma maneira de quantificar e compensar esses fatores. Qual sistema de detecção de bombas a FAA deve escolher? Nos últimos anos, a Administração Federal de Aviação tem apoiado a pesquisa e o desenvolvimento de um sistema para detectar bombas na bagagem do avião. No início de 1980, o gerente do programa desse projeto teve que decidir qual dos vários sistemas candidatos continuaria financiando. Os candidatos diferiram muito em seu desempenho potencial e características técnicas. Como nenhuma era claramente superior em todos os aspectos, o gerente do programa buscou um método para pesar as várias características para chegar a uma medida do valor geral. Uma equipe de analistas externos trabalhou em estreita colaboração com o gerente do programa e outros funcionários da FAA para desenvolver um modelo abrangente do valor de cada sistema. Para determinar uma alocação eficiente dos fundos orçados, eles combinaram esses valores com avaliações das probabilidades de sucesso e dos custos de desenvolvimento. A análise da FAA O objetivo principal dos analistas era desenvolver um modelo abrangente para avaliar e comparar candidatos. Esse desenvolvimento envolveu quatro atividades: definir atributos de valor, avaliar o desempenho dos candidatos em cada atributo, determinar compensações entre atributos e calcular os valores gerais.6 Definindo atributos de preferência. Os analistas procuraram definir atributos com quatro características. Os atributos deveriam ser abrangentes o suficiente para explicar a maior parte do que é importante na avaliação dos candidatos, destacar as diferenças entre os candidatos, refletir valores separados e não sobrepostos para evitar a contagem dupla e serem independentes uns dos outros. Quando os analistas identificaram os atributos que satisfaziam esses quatro requisitos, eles então organizaram os atributos em uma hierarquia mostrando as relações lógicas entre os atributos. Isso é mostrado no Anexo V. Figura V Hierarquia de atributos na análise da FAA em pesos de preferência O primeiro atributo principal é a eficácia do dispositivo na detecção de bombas. Isso é subdividido em tipo de explosivo, tamanho da bomba e taxa de detecção e falso alarme. O segundo atributo principal, considerações de desenvolvimento, é dividido em quatro subcategorias: tempo para desenvolver um protótipo, lead time de produção, tamanho operacional (que determinaria a localização de um sistema em um aeroporto) e transportabilidade. O custo de empregar o sistema em um aeroporto, o terceiro atributo principal, é dividido em custos iniciais e custos recorrentes. Os custos iniciais refletem uma estimativa básica de custos com base em considerações técnicas e uma estimativa dos efeitos da concorrência. Os custos recorrentes incluem manutenção, pessoal operacional e material consumido durante a operação. O quarto atributo principal é a aceitabilidade do sistema para os passageiros. Avaliação do desempenho dos candidatos em cada atributo. Para avaliar a preferência, os analistas exigiram escalas para todos os atributos. Eles usaram dois tipos de medida: escalas com unidades padrão naturais (incluindo dólares para custos, meses ou horas para tempo e porcentagens para taxas de detecção) e escalas relativas. Sempre que possível, o desempenho de um candidato foi avaliado primeiro em unidades naturais. Essas avaliações foram então transformadas em escalas de 0 a 100 pontos para padronização. O candidato com melhor desempenho (o menor custo, por exemplo) recebeu uma pontuação de 100; aquele com o pior desempenho (o custo mais alto, por exemplo) recebeu uma pontuação de 0; e os demais receberam notas intermediárias. Onde não existia nenhuma medida natural (por exemplo, para “aceitação pública”), o desempenho era avaliado diretamente em uma escala de 0 a 100 pontos. Novamente, uma pontuação de 100 foi atribuída ao candidato com o melhor desempenho, 0 ao pior desempenho e assim por diante. O Anexo VI mostra, por exemplo, as pontuações dos seis candidatos em cada consideração de desenvolvimento. O candidato A foi avaliado como tendo o melhor “momento para se desenvolver”, uma vez que estava totalmente desenvolvido no momento da análise. Foi atribuído um valor de 100. O candidato C levaria mais tempo para se desenvolver — quatro anos. Ele recebeu um valor de 0. Outros candidatos levariam um tempo intermediário para se desenvolverem e, portanto, receberiam pontuações intermediárias. Anexo VI: Desempenho dos candidatos à detecção de bombas da FAA em considerações de desenvolvimento em uma escala de 0 a 100 Determinando as compensações entre atributos. Ao avaliar um conjunto de pesos para representar o julgamento do tomador de decisão sobre a importância relativa de melhorar o desempenho do pior para o melhor nível para cada atributo, os analistas poderiam determinar as compensações entre os atributos. Os analistas avaliaram os pesos referindo-se à faixa de desempenho refletida pelas escalas, em vez de noções abstratas de importância. Considere, por exemplo, os pesos das considerações de desenvolvimento mostradas no Anexo V. Para esses atributos, as faixas de possível variação no “lead time de produção” (18 meses) e no “tamanho operacional” foram consideradas as mais importantes. A variação do “tempo de desenvolvimento” (4 anos) foi avaliada como sendo metade da importância (tão importante quanto uma variação de 9 meses no “lead time de produção”). Finalmente, a variação da “transportabilidade” (32 horas) foi avaliada como sendo um décimo tão importante quanto o “tempo de desenvolvimento” (ou quase tão importante quanto 5 meses de tempo de desenvolvimento). Essas avaliações são representadas por pesos que estão na proporção de. 5:1:1: .05 para tempo de desenvolvimento, lead time de produção, tamanho operacional e transportabilidade. Pesos normalizados de 0,20:0,39:0,02 (que mantêm essas proporções) foram usados para padronização. Os analistas avaliaram os pesos tanto diretamente, como explicamos anteriormente, quanto indiretamente. Eles usaram um método indireto para avaliar o peso entre os custos iniciais e recorrentes. Este método determinou pesos que eram consistentes com um 10 % taxa de desconto e um horizonte operacional de dez anos. Cálculo dos valores gerais. A quarta atividade de modelagem foi calcular uma pontuação média ponderada para cada candidato, elaborando a hierarquia. Assim, usando os valores do Anexo VI e os pesos do Anexo V, os analistas calcularam o valor do candidato A com base em “considerações de desenvolvimento” como: Cálculos semelhantes produziram os valores para os candidatos em cada atributo principal que são mostrados no Anexo VII. Em seguida, os analistas calcularam o valor geral de cada candidato tomando uma média ponderada dessas pontuações. Por exemplo, o valor geral do candidato A é: Anexo VII Valor geral dos candidatos em uma escala de 0 a 100 O valor geral é uma medida da atratividade de cada candidato que pode ser comparada com as medidas de outros candidatos. O resultado da análise mostra que o candidato B oferece o melhor equilíbrio de características, que C e D são quase tão atraentes e que os candidatos E e F oferecem os piores equilíbrios. O valor da análise O principal uso da análise pela FAA foi quantificar o valor de cada candidato de uma forma que permitisse a comparação. Para determinar uma alocação eficiente dos fundos de P&D, os analistas combinaram essas avaliações com estimativas da probabilidade de sucesso e do custo de desenvolvimento de cada candidato. A análise da FAA também facilitou vários aspectos do processo de tomada de decisão. Primeiro, ajudou a resolver divergências. A desagregação dos elementos da decisão esclareceu a origem de uma discordância — foi sobre fatos (por exemplo, o custo de um sistema) ou sobre uma diferença de julgamento (por exemplo, a importância relativa do custo em comparação com o desempenho da detecção)? Quando as divergências ficassem claras, os gerentes poderiam lidar com elas, por exemplo, reunindo informações adicionais de apoio. Se a discordância persistisse, o modelo poderia determinar sua importância. Para cada entrada, o modelo pode mostrar se a discordância afetou significativamente a avaliação geral. Mesmo que uma discordância fosse significativa, o modelo pelo menos isolou sua causa. Esse esclarecimento permitiu que o tomador de decisão final fizesse um julgamento melhor. A desagregação também permitiu que o analista fizesse uma análise abrangente dos candidatos. A equipe poderia investigar cada atributo minuciosamente, mas manter sua contribuição para a avaliação geral em perspectiva. Esse arranjo evitou que os analistas desperdiçassem atenção em questões sem importância. Para dar uma imagem equilibrada do todo, a análise multiatributo sintetizou as várias partes da avaliação. Os analistas consideraram o impacto de todos os fatores importantes antes de apresentarem uma recomendação. Uso comercial da análise de utilitários multiatributos A análise de utilidade multiatributo tem sido amplamente usada para auxiliar os tomadores de decisão do governo. Por exemplo, ele tem sido usado para selecionar sistemas militares, definir políticas de abastecimento de água, instalar instalações nucleares, alocar recursos de inspeção nuclear, determinar as operações do corpo de bombeiros, avaliar programas de prevenção de crimes e preparar negociadores internacionais. Seu uso como auxílio na tomada de decisões de negócios não tem sido tão difundido, mas os próximos anos devem ter um aumento dramático. A análise multiatributo é útil para qualquer decisão na qual vários fatores são importantes, nenhuma alternativa é claramente a melhor em todos os fatores e alguns fatores são difíceis de quantificar. Várias decisões de negócios têm as seguintes características: Onde colocar uma planta Os sites geralmente diferem em muitos aspectos importantes. Alguns fatores, como diferenças nos custos de capital (terrenos, instalações e equipamentos) e nas receitas e despesas operacionais (acesso a mercados, alíquotas trabalhistas, benefícios fiscais, custos de envio), são facilmente reduzidos a termos financeiros. Outros fatores que podem ser cruciais para a decisão são mais difíceis de reduzir para dólares. Isso inclui a disponibilidade e a habilidade da mão de obra local, o grau de sindicalização, a dificuldade de gerenciar unidades geograficamente dispersas e as restrições legais às operações. A análise multiatributo pode destacar as fontes das diferenças e permitir que os gerentes façam compensações quantitativas entre fatores financeiros e “intangíveis”. Se deve ser integrado verticalmente A decisão de integrar ou não uma operação exige que a gerência considere uma infinidade de fatores, muitos dos quais são difíceis de quantificar com técnicas financeiras padrão: acesso a novas informações, acesso a novas tecnologias, capacidade de controlar especificações de produtos ou matérias-primas, economias de operações combinadas, dificuldade em equilibrar unidades “upstream” e “downstream” e aumento dos custos fixos de fazer negócios. Se e como entrar em um novo negócio Essa decisão pode envolver considerações que geralmente são ignoradas no orçamento de capital: A produção ou o marketing “se encaixam” entre negócios ou tecnologias novas e existentes. Habilidades ou tecnologias especiais necessárias para operar o novo negócio. “Ajuste cultural” entre negócios novos e antigos (especialmente importante se a entrada for por aquisição). Pontos fortes relativos dos concorrentes no novo negócio. Ao usar a análise de utilidade multiatributo, os gerentes podem equilibrar esses fatores com as considerações financeiras para obter uma avaliação abrangente das alternativas. O que e se negociar Muitas negociações — mão de obra, imóveis e vendas, por exemplo — podem envolver vários problemas. Uma negociação trabalhista pode incluir questões de salários, duração do contrato, procedimentos de reclamação, regras de trabalho, antiguidade, segurança no emprego, segurança sindical, férias, benefícios adicionais e contribuições para fundos de pensão. As posições iniciais de ambos os lados sobre as questões geralmente são claras, mas a forma como eles veem as compensações entre as questões não é. Usando análises multiatributos de suas próprias preferências e compensações e das do outro lado, os negociadores podem descobrir oportunidades de fazer uma pequena concessão em troca de um grande benefício.7 Como alocar orçamentos de pesquisa e desenvolvimento Os projetos de pesquisa e desenvolvimento geralmente apresentam uma variedade de características de desempenho que os gerentes podem precisar equilibrar para determinar o melhor projeto. A análise de utilidade multiatributo pode ajudá-los a fazer isso. Eles também podem combinar essa análise com uma análise de árvore de decisão para lidar com incertezas e riscos. A previsão para análise de decisão Se as tendências da última década continuarem no ritmo atual, na próxima década, certamente podemos esperar que a análise de decisão personalizada se espalhe e se estabeleça firmemente como uma função de equipe em todo o setor. Praticamente todas as empresas de qualquer substância terão equipes internas ou consultores externos para analisar decisões e relatar as descobertas à alta administração. A grande questão é, no entanto, se a análise de decisões se tornará parte integrante da tomada de decisão da gerência. Como C. Jackson Grayson argumentou persuasivamente, a integração exige que a lacuna cultural entre cientistas e gerentes da administração seja superada. Sem a ponte, a análise de decisão personalizada, como a pesquisa operacional e outras técnicas analíticas, pode nunca ser mais do que uma ajuda opcional, embora interessante. Para que a integração ocorra, os gerentes precisarão se tornar mais habilidosos no uso da análise de decisões e seus profissionais mais eficazes do que são agora. Em outras palavras, analistas e futuros gerentes precisam passar por um treinamento extensivo na integração da análise de decisão com os processos de decisão organizacionais e pessoais existentes. (Esse treinamento iria muito além do ensino de técnicas específicas, que é o que a maioria das escolas de negócios faz atualmente.) A integração também pode exigir mudanças organizacionais nas estruturas de controle e recompensa nos negócios. Atualmente, o treinamento profissional adequado não está prontamente disponível nem para o gerente nem para o analista de decisão especializado. O que é necessário é um curso de estudo (e pesquisa de apoio) que integre os aspectos lógicos, psicológicos e organizacionais da análise de decisão subjetiva aplicada. Isso provavelmente não estará disponível até que haja pelo menos um instituto de pesquisa e ensino dedicado a todos os aspectos da tecnologia de auxílio à decisão (incluindo análise personalizada) e à sua integração. Esse treinamento exigiria a superação da rigidez institucional associada à divisão de universidades em linhas departamentais tradicionais, como engenharia, psicologia, negócios e estatística. Mesmo dentro de departamentos individuais, como o de negócios, as disciplinas básicas — comportamento organizacional, matemática aplicada, finanças, política comercial e marketing — geralmente são mantidas à parte. Se elas puderem ser sintetizadas adequadamente, a ciência gerencial em geral, e a análise de decisão personalizada, em particular, podem finalmente alcançar uma assimilação completa no dia-a-dia da administração. A mesa virou Para cima! para cima! meu amigo, e largue seus livros, /Ou certamente você crescerá o dobro: /Up! para cima! meu amigo, e limpe sua aparência; /Por que todo esse trabalho e problemas? O sol, acima da cabeça da montanha, /Um brilho refrescante e maduro /Por todos os longos campos verdes se espalhou, /Sua primeira doce noite amarela. Livros! É uma luta monótona e sem fim: /Venha, ouça o linnet da floresta, /Que doce sua música! na minha vida/Há mais sabedoria nisso. E ouça! quão alegremente o acelerador canta! /Ele também quer dizer pregador: /Saia para a luz das coisas, /Deixe a natureza ser sua professora. Ela tem um mundo de riqueza imediata, /Nossas mentes e corações para abençoar— /Sabedoria espontânea respirada pela saúde, /Verdade respirada pela alegria. Um impulso de uma floresta vernal/Pode te ensinar mais sobre o homem, /Sobre o mal moral e sobre o bem, /Do que todos os sábios podem. Doce é a sabedoria que a natureza traz; /Nosso intelecto intrometido /Deforma as belas formas das coisas: — /Nós matamos para dissecar. Chega de ciência e arte! /Feche aquelas folhas estéreis; /Venha e traga com você um coração/Que vigia e recebe. William Wordsworth, 1798 Referências 1. Veja C. Jackson Grayson, Decisões sob incerteza (Boston: Divisão de Pesquisa, Escola de Pós-Graduação em Administração de Empresas da Universidade de Harvard, 1960) e “Management Science and Business Practice”, HBR de julho a agosto de 1973, p. 41. 2. Veja Rex V. Brown, “Os gerentes acham útil a teoria da decisão?” HBR maio-junho de 1970, p. 78, e Howard Raiffa e Robert O. Schlaifer, Teoria de decisão estatística aplicada (Boston: Divisão de Pesquisa, Escola de Pós-Graduação em Administração de Empresas da Universidade de Harvard, 1962). 3. Veja, por exemplo, John F. Magee, “Decision Trees for Decision Making”, HBR julho-agosto de 1964, p. 126, ou o artigo mais recente de Samuel E. Bodily, “Quando você deve ir ao tribunal?” HBR maio-junho de 1981, p. 103. 4. Veja David B. Hertz, “Risk Analysis in Capital Investment”, HBR janeiro—fevereiro de 1964, p. 95, e John S. Hammond III, “Better Decisions with Preference Theory”, HBR novembro—dezembro de 1967, p. 123, para descrições de perfis de risco e funções de utilidade, respectivamente. 5. Michael E. Porter, Estratégia competitiva (Nova York: The Free Press, 1980), pp. 299—357. 6. Um tratamento abrangente da análise de utilidade multiatributo é fornecido por Ralph L. Keeney e Howard Raiffa em Decisões com vários objetivos: preferências e compensações de valor (Nova York: Wiley, 1976). Nosso exemplo ilustra apenas as ideias básicas do método e a forma mais simples de análise, linear e aditiva. 7. A arte e a ciência da negociação, um próximo livro de Howard Raiffa (Cambridge: Belknap Press da Harvard University Press) conterá um tratamento extensivo desse assunto. A tese de doutorado de Jacob W. Ulvila, “Decisões com múltiplos objetivos na negociação integrativa” (Harvard Business School, 1979), também aborda esse tópico.

A análise de decisões atinge a maioridade

Partner Center