KPIs de planejamento de demanda: quais medir e como montar o dashboard

Por que medir (e o que não medir)

Uma equipe de planejamento de demanda promete três coisas: prever razoavelmente bem, ter o estoque certo e atender o cliente. Os KPIs existem para saber se essas três promessas são cumpridas e, quando não são, onde a cadeia falha: a previsão errou? Acertou, mas compras não a seguiu? O fornecedor entregou atrasado?

A tentação é medir tudo. O resultado é um painel com quarenta indicadores que ninguém lê. A regra que usamos: cada KPI deve responder a uma pergunta que alguém faz para tomar uma decisão. Sem pergunta, sem KPI. A seguir, os que sobrevivem a essa regra, agrupados em quatro famílias.

KPIs de acurácia da previsão

Medem quão longe a previsão ficou da venda real. São calculados sempre com um lag definido (por exemplo, a previsão feita com um mês de antecedência) e sobre a demanda, não sobre as vendas se houve ruptura.

MAPE (Mean Absolute Percentage Error)

O erro percentual médio por período ou por item. É o mais conhecido e o mais problemático: fica indefinido quando o real é zero, castiga o mesmo erro absoluto muito mais em itens pequenos e, por isso, a média de MAPEs de um catálogo não diz nada útil. Use por item, com demanda contínua, e para conversar.

WAPE (Weighted Absolute Percentage Error)

A soma dos erros absolutos dividida pela soma da demanda. Pondera cada item pelo seu volume, não fica indefinido com zeros e agrega bem de item para família e para o total. É o indicador de acurácia que recomendamos para o painel. Algumas empresas o publicam como acurácia (100 % menos WAPE).

Viés (bias)

O erro com sinal. Um WAPE de 20 % com viés zero significa que se acerta na média mas com dispersão; um WAPE de 20 % com viés de +18 % significa que a previsão fica sistematicamente acima, e isso é estoque. O viés se corrige; a dispersão, nem sempre. Convenção: positivo quando a previsão supera o real (superprevisão); é preciso fixá-la e documentá-la porque cada software a define de um jeito.

Sinal de rastreamento (tracking signal)

A soma acumulada dos erros dividida pelo erro absoluto médio (MAD). Serve de alarme: quando sai da faixa ±4, o modelo deixou de funcionar para aquele item e precisa ser revisado. É útil num catálogo grande em que ninguém consegue olhar cada série.

Valor agregado da previsão (FVA)

Compara o erro de cada etapa do processo (modelo estatístico, ajuste do planejador, ajuste de vendas) com um método ingênuo, por exemplo a média dos últimos três meses. Responde à pergunta incômoda: os ajustes manuais melhoram ou pioram a previsão? Em muitas equipes, os ajustes de vendas pioram. Sem este KPI ninguém sabe.

KPIs de estoque

A cobertura deve ser calculada com a demanda prevista, não com a passada: um item com 60 dias de cobertura entrando na alta temporada está curto. E sempre por item e família, nunca só o total: a média esconde rupturas no que gira e excesso no que não gira. Como dimensionar o colchão explicamos no artigo sobre estoque de segurança.

KPIs de serviço

• Fill rate: unidades entregues ÷ unidades pedidas. Mede que parte da demanda foi atendida. Calcula-se por linha de pedido, por pedido ou por unidade; é preciso fixar qual.
• OTIF (On Time In Full): pedidos entregues completos e na data ÷ pedidos totais. É mais exigente que o fill rate porque um pedido com uma linha faltando ou um dia de atraso conta como falho.
• Pedidos pendentes (backorders): unidades ou valor comprometido sem estoque para atender. É a foto da falta neste momento.

Os KPIs de serviço fecham o círculo com os de estoque: se o fill rate cai enquanto a cobertura total sobe, o problema é o mix, não a quantidade.

KPIs do processo S&OP

• Aderência ao plano: executado ÷ aprovado, para compras e produção. Se o plano é aprovado e depois compras pede outra coisa, o S&OP é decorativo. Este KPI torna isso visível.
• Pontualidade do ciclo: etapas concluídas na data do calendário. Um processo que atrasa todo mês está morrendo.
• Estabilidade do plano: quanto o plano muda de um ciclo para o seguinte para os mesmos meses. Um plano que muda 30 % todo mês não serve para comprar nem produzir.

Níveis, lag e frequência

Um mesmo KPI dá resultados muito diferentes conforme o corte. Três decisões a tomar antes de calcular qualquer coisa:

1. Nível de agregação. O erro no nível de família é sempre menor que no nível de item, e no nível de país menor que por cliente. Defina o nível em que as decisões são tomadas (normalmente família por mês para a diretoria, item para o planejador) e meça ali.
2. Lag. A previsão feita há um mês é mais precisa que a feita há três. Meça com o lag que usa quem consome o plano: se compras trabalha com três meses de antecedência, o KPI relevante é o erro com lag 3.
3. Frequência. Os KPIs de previsão são calculados uma vez por ciclo (mensal). Os de estoque e serviço, semanal ou diariamente, porque alimentam a execução.

E uma quarta: guardar cada versão da previsão. Sem a foto de cada ciclo não há lag nem estabilidade do plano para medir. É a primeira coisa que revisamos quando uma equipe diz que não consegue calcular a acurácia: quase sempre a previsão do mês passado foi sobrescrita.

Como montar o dashboard

Um dashboard de estoque e planejamento é construído nesta ordem, seja em Power BI ou em Excel:

1. Perguntas por público. A diretoria quer saber se o plano é cumprido e quanto capital há em estoque. O planejador quer saber quais itens têm viés e quais correm risco de ruptura. Compras quer cobertura por fornecedor. Três visões, não um painel para todos.
2. Dados mínimos. Vendas (e demanda corrigida por rupturas), previsão por ciclo com sua data de geração, estoque disponível e em trânsito, pedidos de clientes, pedidos de compra e o cadastro com as hierarquias. Tudo com a mesma chave de item e o mesmo calendário.
3. Definições escritas. Uma tabela com cada KPI, sua fórmula, o nível, o lag e o dono. Vai dentro do painel. Evita a discussão mensal sobre qual número está certo.
4. Modelo de dados. Tabelas de fatos (vendas, previsão, estoque) e dimensões (item, cliente, calendário). As medidas são calculadas sobre o modelo, não em colunas pré-calculadas, para que agreguem corretamente em qualquer nível.
5. Visuais que respondam perguntas. Um indicador com sua tendência e sua meta; uma tabela de exceções (itens com viés maior que X, cobertura menor que Y); navegação de família a item. Menos gráficos, mais listas de ação.
6. Atualização automática. Conexão ao ERP ou extrações programadas. Um painel montado à mão na segunda-feira morre na primeira segunda-feira ocupada.

Se preferir que construamos com você, é exatamente o serviço de dashboards e relatórios da DataSolve.

Erros comuns

• Tirar a média de MAPEs. A média dos erros percentuais por item não é o erro do catálogo. Use WAPE ou some erros absolutos e demanda antes de dividir.
• Medir contra vendas quando houve ruptura. A previsão parece superprever quando na verdade a demanda existia e não havia produto.
• Sem lag definido. Comparar a previsão "mais recente" com o real infla a acurácia, porque essa previsão foi feita com quase toda a informação.
• Cobertura com demanda passada. Enviesa o indicador justamente quando mais importa: ao entrar ou sair da temporada.
• KPIs sem meta nem dono. Um número sem meta não gera ação; um KPI sem dono nunca melhora.
• Mudar as definições sem avisar. Quebra a série histórica e a confiança. Se uma fórmula precisa mudar, documenta-se e recalcula-se para trás.