Resumo A customização em massa é uma estratégia para melhorar a geração de valor para os clientes, oferecendo variedade de produtos e, ao mesmo tempo, mantendo os custos e o prazo de entrega em um nível aceitável. Um problema importante para a aplicação dessa estratégia no setor de produção habitacional é a definição do espaço da solução, ou seja, a variedade de alternativas de produtos a serem oferecidos. Este artigo propõe uma adaptação da análise conjunta para identificar as preferências dos clientes em relação aos atributos customizáveis em empreendimentos habitacionais de baixa renda. A utilidade dessa adaptação é ilustrada em um estudo de caso, o qual foi realizado em uma empresa de construção que entrega empreendimentos habitacionais de baixa renda e oferece algum grau de flexibilidade do produto. Os resultados indicam que essa técnica foi eficaz para compreender as preferências dos clientes dentre diversos atributos de moradia, indicando um ranqueamento dos atributos escolhidos pelos clientes. Consequentemente, essa técnica pode dar suporte a tomada de decisões ao considerar os trade-offs entre as preferências dos clientes, a flexibilidade e os custos do produto, um fator importante a ser considerado por empresas que entregam unidades habitacionais customizadas.

Abstract Mass customization is a strategy to improve value generation for customers, by offering product variety and, at the same time, maintaining costs and delivery time to an acceptable level. A key problem for applying this strategy in the housebuilding sector is the definition of the solution space, i.e. the range of product alternatives that will be offered. This paper proposes an adaptation of conjoint analysis to identify customer preferences regarding customizable attributes in low-cost housing projects. The utility of this adaptation is illustrated by a case study, which was carried out in a construction company that had delivered low-income housing projects, and offered some degree of product flexibility. Results indicate that this technique was effective to understand customers' preferences out of a range of housing attributes, by providing a ranking of those attributes chosen by customers. Therefore, this technique can support decision-making when dealing with trade-offs between customers' preferences, product flexibility and costs, which is an important concern for companies that deliver customized housing units.

A necessidade de realizar previsões acuradas, oriunda do crescente aprimoramento tecnológico, tem estimulado a aplicação e comparação de diferentes técnicas de modelagem, assim como de métodos de combinação. Historicamente, pesquisadores consideram que combinar previsões originadas de diferentes técnicas melhora a sua acurácia, embora alguns estudos questionem se essa é realmente a melhor opção. Este trabalho procura verificar, para previsões industriais, se há diferença entre a acurácia das previsões individuais e a de suas combinações, por meio da modelagem de séries reais. Como técnicas de previsão individual, utilizam-se a metodologia Box-Jenkins e a modelagem RNA; para a combinação das previsões, utilizam-se os métodos da média aritmética e da variância mínima simplificado. A avaliação de desempenho das previsões é obtida por meio das medidas de acurácia MAPE, MSE e MAE. Como principal resultado, destaca-se a frequência predominante em que previsões obtidas pelo método da variância mínima apresentaram desempenho superior em relação às demais previsões.

Technological development has increased the necessity for more accurate predictions that stimulate the application and comparison of modeling techniques and methods of combination. Historically, researchers have believed that combining forecasts from different techniques improves the forecasts, but some studies question whether combining is really the best option. This paper aims to verify whether there is a difference between the accuracy of individual forecasts and that of their combinations by modeling real industrial prediction series. The Box-Jenkins methodology and ANN modeling were used for individual forecasting, whereas the simplified minimum variance and mean arithmetic methods were used for forecast combinations. The performance of the predictions was evaluated by MAPE (Mean Absolute Percentual Error), MSE (Mean Square Error) and MAE (Mean Absolute Error). As the main result, we highlight the predominant frequency at which the predictions obtained by the minimum variance method show superior performance compared to other forecasts.