Métodos de previsão de demanda: quantitativos, qualitativos e com machine learning

As três famílias de métodos

Os métodos de previsão de demanda se agrupam em três famílias conforme de onde tiram a informação:

• Qualitativos: do julgamento de pessoas. Úteis quando não há histórico (lançamentos, mercados novos) ou há informação que os dados não contêm.
• Quantitativos de séries temporais: do próprio histórico da série. Supõem que o padrão passado (nível, tendência, sazonalidade) continua. São a base de quase toda previsão operacional.
• Quantitativos causais e de machine learning: do histórico mais outras variáveis (preço, promoções, clima, indicadores) e, no caso do machine learning, de padrões aprendidos em muitas séries ao mesmo tempo.

Um processo maduro usa as três: a série temporal como base para a maioria dos itens, o machine learning onde agrega, e o julgamento do negócio como ajuste registrado. O que segue é uma revisão de cada método com o que é preciso saber para usá-lo: o que supõe, onde funciona e onde falha.

Métodos qualitativos

• Estimativa da força de vendas: cada vendedor estima seu território. Barata e com informação local; enviesada para cima se há cota a cumprir ou produto a garantir.
• Opinião executiva e método Delphi: um grupo de especialistas converge em rodadas anônimas. Para horizontes longos e decisões estratégicas, não para a previsão mensal por item.
• Analogia histórica: um lançamento é previsto com a curva de um produto semelhante. É o método correto para itens sem histórico, e o que os sistemas fazem ao atribuir um "perfil" aos itens novos.
• Pesquisa de mercado: enquetes e intenção de compra. Cara e útil em produtos novos de alto impacto.

A regra prática: o julgamento é aplicado como ajuste sobre uma previsão estatística, no nível em que existe a informação, e registrado à parte para medir depois se melhorou ou piorou o resultado.

Média móvel

A previsão é a média dos últimos n períodos. É o método mais usado no Excel e o mais fácil de explicar. Supõe que não há tendência nem sazonalidade, ou que n é curto o bastante para segui-las com atraso.

Funciona como linha de base e para séries estáveis. Falha com tendência (fica sempre atrás), com sazonalidade (a dilui na média) e com demanda intermitente (oscila a cada venda). Seu maior valor hoje é como método ingênuo de referência: qualquer método sério deve vencê-lo.

Suavização exponencial simples

A previsão é uma média ponderada entre a última demanda real e a última previsão. O parâmetro α (entre 0 e 1) define quanto peso se dá ao recente: α alto reage rápido e é ruidoso; α baixo é estável e lento. É escolhido por item minimizando o erro histórico.

É o cavalo de batalha para séries suaves sem tendência nem sazonalidade marcadas, e a base de toda a família que segue. Falha com tendência e sazonalidade (por isso existem Holt e Holt-Winters) e com demanda intermitente (salta após cada venda e decai; por isso existe Croston).

Holt e Holt-Winters

Holt (suavização dupla) acrescenta uma segunda equação que estima a tendência, com seu próprio parâmetro β. Serve para séries que crescem ou decrescem de forma sustentada; convém amortecer a tendência (damped) para não extrapolar um crescimento indefinido por doze meses.

Holt-Winters (suavização tripla) acrescenta uma terceira equação para a sazonalidade, com parâmetro γ, em versão aditiva (a sazonalidade soma ou subtrai uma quantidade fixa) ou multiplicativa (a sazonalidade é um percentual do nível, o habitual em vendas). Precisa de pelo menos dois ciclos sazonais completos de histórico (24 meses para sazonalidade anual). É o que faz a PREVISÃO.ETS do Excel.

A família completa é conhecida como ETS (erro, tendência, sazonalidade) e tem cerca de trinta variantes conforme a combinação dos três componentes. Um bom motor testa várias por item.

ARIMA

O ARIMA (autorregressivo integrado de médias móveis) modela a série como uma combinação dos seus próprios valores passados (parte AR) e dos erros passados (parte MA), depois de diferenciá-la para tirar a tendência (parte I). Sua versão sazonal, SARIMA, acrescenta os mesmos componentes com defasagem sazonal.

É mais flexível que o ETS e muitas vezes empata ou vence em séries longas e regulares. Exige escolher ordens (p, d, q) por item, o que os algoritmos auto-ARIMA fazem, e é mais pesado de calcular. Falha, como toda a família, com demanda intermitente e com séries curtas.

Croston e SBA

Para demanda intermitente (muitos períodos em zero), Croston separa o problema em dois: o tamanho da demanda quando ocorre e o intervalo entre demandas, suaviza cada um separadamente e prevê o quociente: a taxa de demanda por período. O SBA (Syntetos-Boylan) corrige o viés para cima do Croston multiplicando por (1 − α/2), e o TSB atualiza a probabilidade de demanda a cada período para detectar obsolescência.

São os únicos métodos que funcionam razoavelmente em um terço dos catálogos de distribuição e peças de reposição. Explicamos com exemplos em demanda intermitente.

Regressão e variáveis causais

Quando a demanda depende de algo que você conhece de antemão (preço, investimento promocional, temperatura, número de pontos de venda), a regressão estima essa relação e prevê a partir dos valores futuros dessas variáveis. É a forma de incorporar promoções e preços de maneira explícita, e a base dos modelos de elasticidade.

Sua condição: é preciso conhecer as variáveis futuras. Se prever a demanda exige antes prever o clima, trocou-se um problema por outro. Funciona bem no nível de família ou marca e com dados de promoções limpos; é frágil no nível de item com poucos eventos.

Machine learning

Os modelos de machine learning para demanda (gradient boosting como LightGBM ou XGBoost, florestas aleatórias, redes neurais em catálogos muito grandes) fazem duas coisas diferentes dos métodos anteriores: aprendem com muitas séries ao mesmo tempo (um modelo global) e admitem qualquer número de variáveis (calendário, preço, promoção, atributos do item, defasagens da própria série).

Agregam quando há milhares de itens com padrões compartilhados, variáveis externas informativas e dados suficientes para validar. Venceram a competição M5 do Walmart, com demanda intermitente no nível de loja e item. Falham, ou não agregam, com poucos itens, séries curtas ou sem validação cuidadosa: um modelo flexível com pouca informação aprende ruído. E são menos transparentes: explicar por que o modelo disse 340 unidades exige ferramentas adicionais.

O sensato é incluí-los no torneio junto com os métodos clássicos e deixar o erro decidir por item. Em catálogos típicos de distribuição, o machine learning vence numa parte das séries, não em todas.

Como escolher o método por item

1. Classifique cada série por padrão (suave, errática, intermitente, irregular) e maturidade. A classe delimita quais métodos faz sentido testar.
2. Esconda os últimos meses (seis, por exemplo) e ajuste cada candidato com o resto.
3. Preveja os meses escondidos com cada candidato e meça o erro (WAPE ou MASE, e viés) contra o que realmente aconteceu.
4. Escolha o vencedor por série, incluindo sempre o método ingênuo como referência: se ninguém o vence, a série não é previsível com esses dados e convém agregá-la.
5. Repita a cada ciclo ou pelo menos a cada trimestre: o método vencedor muda quando a demanda muda.

Esse processo é o torneio de modelos. Fazê-lo à mão no Excel para um catálogo inteiro é inviável; é o que o ForecastSolve automatiza com 23 candidatos por item, guardando as métricas de cada um.

Resumo

Método	Supõe	Funciona em	Falha em	Histórico mínimo
Média móvel	Nível estável	Séries estáveis; referência ingênua	Tendência, sazonalidade, intermitência	3 a 6 meses
Suavização simples	Nível estável	Séries suaves sem padrão	Tendência, sazonalidade, intermitência	6 a 12 meses
Holt	Tendência	Crescimento ou declínio sustentado	Sazonalidade, mudanças bruscas	12 meses
Holt-Winters / ETS	Tendência e sazonalidade	Séries regulares sazonais	Intermitência, séries curtas	24 meses
ARIMA / SARIMA	Autocorrelação	Séries longas e regulares	Intermitência, séries curtas	24 a 36 meses
Croston / SBA / TSB	Demanda intermitente	Peças de reposição, baixo giro	Demanda contínua	12 a 24 meses
Regressão	Relação com variáveis conhecidas	Promoções, preço, no nível de família	Variáveis futuras desconhecidas	Depende dos eventos
Machine learning	Padrões compartilhados e variáveis	Catálogos grandes com dados externos	Poucos dados, sem validação	Muitas séries ou 36+ meses