Previsão de demanda é de extrema importância para as empresas, pois serve como insumo para o processo de vendas e planejamento de operações (SeOP), uma parte essencial da Gestão de Cadeia de Suprimentos (SCM); entretanto, considerando o envolvimento próximo de humanos em diversos momentos que compõem essa atividade, os vieses cognitivos (e.g. propensão a risco) e sua influência representam uma ameaça ao desempenho organizacional, acarretando diversos riscos potenciais às cadeias de suprimentos. Esta dissertação estabelece um novo framework para a gestão da cadeia de suprimentos baseada em dados e ciente de aspectos cognitivos. Múltiplos modelos de previsão foram avaliados utilizando o framework proposto, de forma a selecionar o modelo mais satisfatório considerando a visão estratégica da organização. Isso permite que o gerente de SCM realize ajustes subjetivos, que são avaliados por meio de um sistema automatizado de detecção de viés de busca por risco. A dissertação foi experimentalmente avaliada em cenários simulados a partir de dados reais sobre a produção de papelão ondulado entre 2017 e 2023. Os resultados evidenciaram a eficácia da proposta em abordar a complexidade e os objetivos interdependentes dos diferentes stakeholders dentro de uma cadeia de suprimentos. A definição automática de um modelo racional baseado em preferências, definidas pelo gerente da cadeia de suprimentos, possibilitou a detecção de vieses de propensão a risco utilizando diferentes níveis de ajustes baseados em experiência, mitigando assim os efeitos adversos do viés cognitivo. Em síntese, pode-se argumentar que o framework proposto representa um avanço importante na implementação do paradigma Humachine, ao integrar os elementos positivos da modelagem estatística avançada com a expertise e o contexto providos por agentes humanos.