O que é previsão de demanda e como fazê-la passo a passo

O que é a previsão de demanda

A previsão de demanda é a estimativa de quanto os seus clientes vão comprar de cada produto em cada período futuro, feita a partir do histórico de vendas e do que o negócio sabe que vai acontecer. É um número por item e mês (ou semana), com um horizonte de vários meses à frente, e é recalculado a cada ciclo.

Três esclarecimentos que evitam mal-entendidos:

• É demanda, não vendas. Se no mês passado faltou produto, você vendeu menos do que lhe pediram. A demanda inclui o que você não conseguiu atender.
• É uma estimativa com erro, não uma promessa. Uma boa previsão não é a que acerta, é a que erra pouco, de forma conhecida e sem viés.
• É a entrada do planejamento, não o resultado. Com a previsão decide-se quanto comprar, produzir e armazenar; sem ela, essas decisões são tomadas no olho.

Para que serve (e o que acontece sem ela)

A previsão alimenta quatro decisões: compras (quanto pedir e quando), produção (o que fabricar e em que sequência), estoque (quanto estoque de segurança manter por item) e finanças (orçamento de vendas e capital de giro). Num processo de S&OP é o ponto de partida do ciclo mensal.

Sem uma previsão formal, cada área faz a sua: compras repete o pedido do mês passado, vendas promete o que quer vender e finanças orça o que precisa. O resultado é conhecido: ruptura no que gira, excesso no que não gira, e reuniões em que se discute qual número está certo.

Passo 1: os dados

Uma previsão vale o que valem os seus dados. O mínimo:

• Histórico de vendas por item, cliente (ou canal) e mês, idealmente 24 a 36 meses. Em unidades, não só em dinheiro: o dinheiro mistura preço e quantidade.
• Cadastro de itens com as hierarquias que você usa: família, categoria, marca, e as relações de substituição (qual item substituiu qual).
• Períodos com ruptura, para corrigir as vendas desses meses e não ensinar ao modelo que a demanda caiu.
• Eventos conhecidos: promoções passadas, fechamentos, desabastecimentos, meses anômalos. São marcados para que o modelo não os tome como sazonalidade.

Antes de modelar, é preciso limpar: itens duplicados, unidades inconsistentes, devoluções registradas como vendas negativas, códigos que mudaram. É o passo que ninguém quer fazer e o que mais acurácia traz.

Passo 2: o nível e o horizonte

Nível é a combinação de dimensões em que você prevê: item por cliente, item total, família por região. Quanto mais fino o nível, mais ruidosa a série e pior a previsão por série; quanto mais agregado, mais preciso, mas menos útil para decidir por item.

A prática habitual é prever no nível em que a série é estável e desdobrar para baixo com o peso histórico de cada item e cliente. Uma análise de agregação testa as combinações e diz qual dá menos erro depois de desdobrar; não é preciso adivinhar.

Horizonte é quantos períodos à frente você precisa. É definido pelo lead time mais longo da sua cadeia mais o ciclo de planejamento: se o fornecedor leva três meses e você planeja mensalmente, precisa de pelo menos quatro ou cinco meses de horizonte com acurácia razoável. Além disso, a previsão serve para orçamento, não para compras.

Passo 3: classificar a demanda

Nem todos os itens são previstos da mesma forma. Antes de escolher o método, cada série é classificada pelo seu padrão:

Padrão	Como se parece	Que método combina
Suave	Vende todo mês, quantidades parecidas, talvez com sazonalidade	Suavização exponencial, Holt-Winters, ARIMA
Errática	Vende todo mês, quantidades muito variáveis	Suavização simples, agregação à família, médias robustas
Intermitente	Muitos meses em zero, quantidades parecidas quando vende	Croston, SBA
Irregular (lumpy)	Muitos meses em zero e quantidades muito variáveis	SBA, agregação, política de estoque por serviço

A classificação é cruzada, além disso, com a maturidade: um item em lançamento não tem histórico e é previsto com perfis de itens semelhantes; um em declínio precisa de um método que perceba que está morrendo. A demanda intermitente tem artigo próprio: por que a previsão falha e o que usar.

Passo 4: escolher o método por item

Aqui está a mudança de mentalidade mais importante: não se escolhe um método para a empresa, escolhe-se um por item. A forma de fazer isso se chama torneio de modelos ou seleção por validação:

1. Separam-se os últimos meses do histórico (por exemplo, seis) e escondem-se.
2. Cada método candidato é ajustado com o resto do histórico e prevê esses seis meses.
3. Compara-se cada previsão com o que realmente aconteceu e calcula-se o erro.
4. Vence, para aquele item, o método com menor erro. Ele é reajustado com todo o histórico e usado para prever o futuro.

Os candidatos habituais são a média móvel, a suavização exponencial nas suas variantes, Holt-Winters, ARIMA, Croston e SBA para o intermitente, e modelos de machine learning quando há muitos itens ou variáveis externas. Passamos por cada um em métodos de previsão de demanda. Fazer o torneio à mão para 500 itens é inviável; é o que as ferramentas automatizam.

Passo 5: medir o erro

A previsão é medida sempre, a cada ciclo, contra a demanda real, com dois indicadores no mínimo:

• WAPE (erro percentual absoluto ponderado): soma dos erros absolutos dividida pela soma da demanda. Diz quão longe você fica, ponderando por volume.
• Viés: soma de (previsão menos real) dividida pela soma da demanda. Diz se você erra sempre para o mesmo lado. Um viés positivo persistente é estoque a mais; um negativo, rupturas.

Medem-se por item, por família e no total, e com o lag que usa quem consome o plano (a previsão feita há um mês, há três). As fórmulas e suas armadilhas estão em MAPE, MAD e viés. E algo que parece óbvio e quase ninguém faz: comparar com um método ingênuo (a média dos últimos três meses). Se a sua previsão não o vence, o esforço não está agregando.

Passo 6: ajustar com o negócio e fechar o ciclo

O modelo não sabe que no mês que vem há uma promoção, que entrou um cliente novo ou que um concorrente fechou. Esse conhecimento é trazido por vendas e marketing numa etapa de ajuste, com duas regras: ajusta-se no nível em que existe a informação (a promoção de uma família, não de cada item) e o ajuste é registrado à parte da previsão estatística, com autor e motivo.

Assim, no fechamento do ciclo, dá para medir se o ajuste melhorou ou piorou o resultado. Em muitas equipes, descobrir que os ajustes pioram a previsão é a primeira grande melhoria. Depois, o plano aprovado é congelado: é a foto daquele ciclo, e no mês seguinte compara-se com o real e recomeça-se.

Exemplo completo

Um distribuidor de produtos de ferragens com 1 200 itens e 40 clientes atacadistas quer prever os próximos seis meses.

1. Dados: 36 meses de vendas por item e cliente exportados do ERP. Corrigem-se 14 meses com ruptura em 60 itens (as vendas são substituídas pela demanda estimada) e marcam-se dois meses de fechamento para inventário físico.
2. Nível: a análise de agregação mostra que item por cliente é ruidoso demais (a maioria das séries é intermitente) e que item total, desdobrado a cliente com o peso dos últimos 12 meses, dá 30 % menos erro após o desdobramento.
3. Classificação: 640 itens suaves, 180 erráticos, 310 intermitentes, 70 irregulares. Quase um terço do catálogo precisa de métodos intermitentes.
4. Torneio: com seis meses escondidos, os suaves são vencidos por Holt-Winters e suavização exponencial; nos intermitentes vence o SBA na maioria; os irregulares são previstos por família e desdobrados.
5. Medição: WAPE de 24 % no nível de item e 11 % no nível de família, contra 38 % e 19 % do método anterior (média de três meses). Viés total de +2 %, sem tendência.
6. Ajuste e fechamento: vendas sobe 15 % a família de ferramentas elétricas por uma promoção de outubro; o ajuste fica registrado. O plano é aprovado e congelado; em novembro será medido se a promoção vendeu o previsto.

Os números do exemplo são ilustrativos, mas as proporções (um terço de intermitentes, a melhoria ao escolher o nível, a queda de erro ao passar de uma média a um torneio) são as que vemos com frequência em catálogos de distribuição.

Erros comuns

• Prever em dinheiro. Mistura preço e quantidade; um aumento de preço parece demanda.
• Usar vendas sem corrigir rupturas. O modelo aprende que a demanda caiu quando o que faltou foi produto.
• Um só método para tudo. A média móvel que funciona para o item estrela destrói o intermitente.
• Não esconder dados para validar. Um modelo que "ajusta bem" ao passado completo pode prever péssimo; só a validação com dados escondidos revela.
• Ajustes que sobrescrevem o modelo. Sem registro à parte, não se sabe quem acertou.
• Não medir, ou medir com MAPE médio. O erro é calculado a cada ciclo com WAPE e viés, contra um método ingênuo, e publicado.
• Atualizar sem fechar ciclos. Se a previsão de março se perde ao recalcular em abril, você nunca saberá quanto errou.