8 MÉTODOS PARA MELHORAR A PRECISÃO DA PREVISÃO

Por LOGILITY*, traduzido por Eduardo Banzato*

 

Entre os diversos fatores da gestão de negócios, as previsões com mais precisão têm um dos maiores impactos na capacidade de uma organização em satisfazer seus clientes e gerenciar seus recursos com eficiência. Uma previsão não é simplesmente uma projeção de negócios futuros; é uma solicitação de produtos e recursos que, em última análise, afeta quase todas as decisões de negócios da empresa (vendas, finanças, gerenciamento de produção, logística e marketing).

Normalmente, uma variedade de métodos de previsão é aplicável a qualquer tipo específico de cenário da cadeia de suprimentos. Planejadores de Supply Chain inteligentes usam vários métodos ajustados para um bom desempenho em diferentes fases do ciclo de vida do produto, escolhidos para melhor explorar os dados históricos disponíveis e o grau de conhecimento do mercado.

A chave do processo é escolher os modelos mais eficazes e flexíveis, misturar os melhores recursos e alternar entre eles, conforme necessário, para manter a precisão das previsões no nível máximo.

Neste artigo, vamos dar uma breve olhada em oito métodos de previsão que têm produzido resultados superiores para clientes da Logility em uma variedade de setores e condições de mercado ao redor de todo o mundo.

 

“Sistemas avançados de previsão empregam uma combinação flexível de técnicas qualitativas e quantitativas para gerar previsões confiáveis.”

 

TRÊS CATEGORIAS DE MODELOS DE PREVISÃO

Os modelos tradicionais de previsão pode ser classificados em três categorias:

1. Qualitativa,

2. Quantitativa e

3. Híbrida.

 

As principais diferenças entre eles incluem o tipo de dado de entrada e os métodos matemáticos e estatísticos empregados para gerar previsões.

Os modelos qualitativos são orientados pela experiência, contando com informações subjetivas de profissionais bem informados, como vendedores, gerentes de contas e afins. Essa abordagem normalmente estabelece procedimentos formais para a revisão de dados e requer um consenso para determinar o valor de várias formas de informação. O consenso entre os previsores pode ser obtido através da agregação de estimativas individuais ou por meio de métodos de votação estruturados.

Já os modelos quantitativos são estatisticamente orientados, valendo-se fortemente dos dados históricos de desempenho como entrada básica de dados. A lógica de cálculo é definida e as operações são puramente matemáticas.

Os modelos de séries temporais empregam uma sequência ordenada por tempo de observações de uma variável específica e usam apenas o histórico dessa variável para determinar valores futuros. Por exemplo, se o volume mensal de vendas de cortadores de grama vendidos no sudeste dos Estados Unidos exibir um padrão linear, um modelo de tendência linear forneceria a melhor base para a previsão.

Os modelos derivados criam novas previsões com base nas previsões existentes. Quando a previsão de um novo item é fundamentalmente igual a um item existente, as características podem ser usadas na criação da nova previsão, que pode ser fatorada para cima ou para baixo em uma porcentagem. Isso preserva a tendência geral e as características sazonais do item, fornecendo um bom ponto de partida para o novo item.

Os modelos híbridos utilizam tipicamente informações históricas de demanda como ponto de partida e, em seguida, usam dados empíricos para refinar ainda mais a previsão.

Os modelos baseados em atributos empregam atributos definidos pelo usuário para modelar lançamentos de novos produtos, produtos sazonais ou orientados a moda e desativação em fim de vida de produto com base em um perfil de demanda.

Os modelos causais usam uma relação causal entre uma variável de série temporal específica e outros fatores de série temporal para calcular a previsão. Técnicas causais são úteis na previsão de "lift" (aumento) durante campanhas promocionais, onde a demanda causada por fatores promocionais tem uma relação estabelecida com a demanda base. Fatores adicionais podem ser usados, como sazonalidade do produto, etc. Os fatores não são aditivos, mas são utilizados ​​juntos para calcular o aumento esperado de demanda.

 

OITO MÉTODOS DE PREVISÃO

Para muitos cenários de Supply Chain, normalmente é melhor empregar vários métodos para obter as previsões ideais. Idealmente, os gestores devem aproveitar vários métodos diferentes e construir a base da previsão.

 

“A melhor prática é usar a alternância de método automatizada para acomodar a seleção e a implantação do método de previsão mais apropriado para obter os melhores resultados.”

 

Para garantir uma previsão de demanda ideal, os gestores devem empregar os métodos de previsão que melhor atendem à dinâmica exclusiva de seus negócios em um momento específico.

Os sistemas avançados de planejamento e previsão de demanda automatizam muitas das funções necessárias para selecionar, modelar e gerar previsões de vários níveis, eliminando a carga de abordagens manualmente intensivas e acelerando a sensibilidade para modelar as mudanças à medida que as condições do mercado evoluem. Uma abordagem baseada nas melhores práticas também deve incluir a capacidade de incorporar conhecimento pessoal e ponderar vários fatores na geração de previsões.

Na experiência específica da Logility, trabalhando com mais de 1.200 organizações em dezenas de diferentes setores, oito métodos de previsão específicos se destacam. Suas forças únicas se combinam para fornecer resultados precisos, flexíveis e poderosos.

 

Modified Holt

O “Holt” modificado é uma técnica estatística de melhor ajuste usada quando a demanda é tendenciosa, mas não varia na época do ano. A variante Holt-Winters é utilizada quando a demanda é muitas vezes maior ou menor durante determinadas épocas do ano.

 

Moving Average

A Média Móvel é usada para produtos cujos históricos de demanda têm variações aleatórias, sem sazonalidades ou tendências ou demandas estáveis.

 

Inhibited

O “Inhibited” é um tipo de modelo derivado utilizado para produzir um “zero forecast”.

 

Modified Parent-Child

O “Parent-Child” modificado é uma técnica de modelo derivado, utilizada para prever a demanda de produtos como uma porcentagem da previsão de demanda para outro produto (demanda dependente).

 

Modified Croston

“Croston” modificado é uma técnica de demanda intermitente usada para produtos como peças de baixa movimentação que têm baixa demanda ou alguns períodos de demanda zero.

 

Demand Profile

A técnica do perfil de demanda é baseada em atributos. Ela emprega atributos definidos pelo usuário para modelar lançamentos de novos produtos e a desativação no fim de vida do produto.

 

Proportional Profiling

Perfil Proporcional é outra técnica baseada em atributos usada para desagregar previsões de nível superior em previsões de nível inferior utilizando atributos definidos pelo usuário.

 

Promotions/Events

A técnica Promoções/Eventos, baseada na modelagem causal, calcula o “lift” (aumento) das promoções além da previsão normal.

 

MODELAGEM ESTATÍSTICA DE MELHOR AJUSTE (“Best Fit”)

Para a maioria dos níveis de gestão de uma organização, o histórico de demanda agregada para a família de produtos, categoria de marca, país e/ou região de venda são bons indicadores do desempenho futuro. Esse histórico de demanda também serve como uma linha de base para prever efetivamente as Unidades Distintas Mantidas em Estoque (SKU’s). Quando há mais de quatro a seis períodos de histórico de vendas, as demandas de SKU’s podem ser efetivamente previstas com os métodos de média móvel e tendência básica. SKU’s com pelo menos um ano de histórico de vendas oferecem informações suficientes para incorporar inclusive um perfil sazonal na tendência projetada.

O modelo de decomposição de Holt-Winters modificado, com análise de melhor ajuste (“Best Fit”) pode gerar previsões com base no histórico de demanda que incorporam tendências e informações sazonais. O método “detecta” a quantidade de histórico disponível para cada série temporal ou segmento para criar um modelo básico que melhor se adapte ao histórico. Em seguida, ele usa a melhor combinação de fatores de suavização para permitir que o modelo reaja a mudanças nas condições futuras, sem reagir de forma exagerada às anomalias da demanda (como eventos sazonais não planejados, interrupções no transporte e assim por diante).

Para fatores relacionados à sazonalidade, os planejadores precisam ter a capacidade de ponderar a demanda histórica. Sob o pressuposto de que o ano anterior é o melhor indicador do que acontecerá no próximo ano, a maioria dos sistemas de previsão aplica um fator de ponderação maior à demanda do ano anterior, menos ao ano anterior e ainda menor aos anos anteriores.

Mas se o ano anterior foi incomum de maneira significativa, o planejador deve ter a capacidade de alterar os fatores históricos de ponderação (de modo que a história de dois anos tem mais impacto na previsão atual do que a do ano passado, por exemplo) e sub ou super dimensionar o forecast e seus impactos no negócio.

Os métodos sazonais podem ser eficazes com menos de 24 meses de história; o mínimo exigido é de doze meses. Uma abordagem eficaz para itens sazonais esperados com menos de doze meses de histórico é atribuir uma curva sazonal que foi capturada de um item ou grupo de itens similar.

Um poderoso método estatístico de melhor ajuste (“Best Fit”) deve incluir recursos flexíveis, como tendências, tendências sazonais, média móvel e ajuste de padrões de baixo nível, bem como modelos de tendência para produtos com demanda esporádica de baixo volume. O método deve fornecer limitação e amortecimento, bem como suavização sazonal, filtragem de demanda, testes de razoabilidade, rastreamento de sinais e testes de natureza errática que avaliem a validade de cada elemento, determinando quais são anômalos e devem ser filtrados. Esses parâmetros dão ao planejador a flexibilidade de ajustar o processo para se adequar melhor às condições em qualquer elemento da organização.

 

“Os modelos de previsão “Best Fit” mudam à medida que um produto evolui. A capacidade de alterar automaticamente os métodos de previsão - talvez começando com um modelo de perfil de demanda e evoluindo para outro à medida que o produto se torna estável, e novamente no final do ciclo de vida - é um recurso importante de uma solução abrangente de previsão.”

 

 

tabela

 

“BEST FIT” ou “Melhor ajuste” refere-se à capacidade de alterar os métodos de previsão à medida que um produto evolui. O processo pode começar como um método de perfil de demanda, evoluir para um método Holt-Winters modificado à medida que o produto se torna estável e, finalmente, passar para um método de perfil de demanda novamente quando o ciclo de vida do produto chegar ao seu fim.

 

MODELAGEM DERIVADA

Um método para gerar novas previsões de produtos é usar variações de demanda ou extensões de produtos, famílias ou marcas existentes. Consequentemente, eles se baseiam nos dados históricos de produtos ou famílias existentes. Quando combinada com efeitos causais ou substituições selecionadas pelos gestores para acomodar promoções introdutórias, a modelagem derivada pode fornecer uma previsão realista e dinâmica para novos produtos.

Usando essa abordagem, novos produtos recebem uma porcentagem do “pai”, “família” e/ou marca, permitindo herdar proporcionalmente uma previsão que contém os elementos base, tendência e sazonalidade da categoria associada.

Como a previsão para a categoria associada é ajustada para refletir as condições variáveis ​​ao longo do tempo, o mesmo ocorre com a previsão do produto derivado. Se o ponto de venda (PDV) ou os níveis de demanda do produto derivado se desviarem da previsão e excederem uma tolerância definida pelo usuário, o sistema poderá gerar um alerta de gerenciamento de desempenho para notificar os analistas sobre a previsão a fim de tomar uma ação corretiva.

Uma vez que o produto tenha acumulado um histórico de demanda suficiente, o link para o modelo de origem do modelo derivado é separado e o produto é previsto por conta própria usando vários métodos estatísticos de melhor ajuste.

 

MODELAGEM PARA A DEMANDA INTERMITENTE

As peças de movimento lento normalmente exibem demanda irregular que pode incluir períodos de demanda zero ou excessivamente granulada. O método “Croston” Modificado manipula a demanda baixa e irregular que exibe uma variação padronizada ou nenhum padrão.

O método de Variação Padronizada analisa o histórico disponível e classifica cada elemento de demanda em relação aos que o rodeiam. Ele classifica os períodos em picos, vales, planícies, planaltos, encostas e declives. Mede a duração dos planaltos e planícies, bem como a gravidade dos picos e vales. Em seguida, realiza a análise de ajuste de padrões para encontrar regularidade ao longo do tempo, tentando ajustar o padrão ao histórico e calcular a média dos pontos baixos e altos. A previsão padronizada é colocada no contexto de períodos futuros com a tendência média, e o padrão é reavaliado usando o histórico de demanda de períodos subsequentes.

Se nenhum padrão estiver presente, o método de variação não padronizado tenta utilizar os máximos e mínimos médios para criar uma previsão de mudança de etapa para demanda futura.

Ambas as técnicas permitem que a demanda zero resida no histórico e as reconhecerão na previsão de demanda futura.

Na previsão de peças de reposição, por exemplo, a demanda é frequentemente de baixo nível e irregular, contendo muitos períodos de demanda zero, intercalados com demanda de baixo nível. Essa técnica de previsão permite que padrões de demanda zero também sejam previstos no futuro.

 

“Quando combinada com efeitos causais ou substituições selecionadas pelo gestor para acomodar promoções introdutórias, a modelagem derivada pode fornecer uma previsão realista e dinâmica para novos produtos.”

 

MODELAGEM BASEADA EM ATRIBUTOS

E se a falta de dados, o ciclo de vida curta ou outros fatores atenuantes dificultarem a previsão usando séries temporais ou técnicas qualitativas?

A criação de previsões para lançamentos de novos produtos, produtos sazonais ou de vida curta e produtos em fim de vida exigem técnicas de modelagem baseadas em atributos.

O modelo baseado em atributos fornece uma ampla variedade de perfis de demanda para caracterizar o produto e pode ajustar o plano do produto dinamicamente em resposta a sinais de demanda iniciais. O método analisará dados históricos de “sell-in” e/ou “sell-through” para desenvolver uma ampla variedade de perfis sazonais e de demanda. Esses perfis são atribuídos a registros de planejamento individuais. Em seguida, à medida que as informações da demanda real são capturadas, o perfil atual é validado ou os perfis alternativos são identificados para ajustar dinamicamente o plano do produto.

A modelagem baseada em atributos consiste em quatro processos exclusivos:

Criação de Perfis de Demanda: A criação do perfil de demanda é baseada em conceitos matemáticos conhecidos como análise qui-quadrada. O planejador de demanda seleciona os produtos a serem incluídos com base em atributos como cor, tipo de tecido, região do país etc. e vários atributos podem ser utilizados ​​de uma só vez. Os planejadores podem realinhar eficientemente a história de eventos como a Páscoa, que não ocorre durante o mesmo período de cada ano.

Atribuindo Perfis de Demanda: Produtos novos, sazonais e em fim de vida útil agora podem ser atribuídos a Perfis de demanda. Os modelos avançados baseados em atributos oferecem recursos de correspondência de "atributos definidos pelo usuário", permitindo que o planejador defina critérios de como os atributos de um novo produto devem corresponder aos atributos de um perfil de demanda.

Revisão Automática da Previsão Baseada em Sinais de Demanda: A precisão da previsão deve ser monitorada continuamente usando dados como o ponto de venda (POS) para monitorar com precisão os padrões de compra do cliente. Outros sinais de demanda também são usados ​​para verificar a precisão da previsão. A modelagem de correção de ajuste (“correctness-of-fit”) corrige a previsão (“forecast”) para refletir e reagir rapidamente às mudanças do mundo real.

Avaliar a precisão do perfil de demanda com base nos sinais de demanda: Novos produtos nunca serão vendidos exatamente da mesma forma que outros produtos com atributos semelhantes. Mas, usando o ponto de venda ou outros sinais de demanda, a precisão da curva atribuída pode ser verificada em relação a outros perfis de demanda que possuem atributos semelhantes. Os cálculos do “Relative-ErrorIndex” (“REI”) mostram rapidamente aos planejadores o perfil de demanda que tem o ajuste mais preciso com base nas tendências de demanda atuais. O perfil de demanda atual pode assim ser alterado para o perfil que possui o menor e melhor “REI”.

 

“O modelo baseado em atributos fornece uma ampla variedade de perfis de demanda para caracterizar o produto e pode ajustar o plano do produto dinamicamente em resposta aos sinais de demanda iniciais.”

 

PROMOÇÕES E MODELAGEM DE EVENTOS CAUSAIS

A modelagem causal pode abordar especificamente os efeitos de elementos promocionais, como descontos de preço, cupons, publicidade e veiculações de produtos. Ele suporta a entrada de vários grupos de marketing e ajuda na identificação e reconciliação de potenciais conflitos ou sobreposições em propostas de planejamento promocional.

A modelagem causal permite que os planejadores simulem rapidamente as opções do programa de marketing e refinem as previsões. O uso de tecnologia de rede neural “pré-treinada” em modelagem baseada em causas é uma prática recomendada exclusiva que permite aos planejadores começarem a modelar rapidamente a relação de causa e efeito de diferentes elementos promocionais.

“Backcasting” é uma técnica na qual eventos promocionais passados ​​são inseridos na rede neural, que então aprende a relação de vários elementos. A rede pré-concebida assume características e comportamentos personalizados rapidamente, em vez de exigir de 12 a 18 meses para construir o histórico a partir do zero. Usando tecnologia de rede neural “pré-treinada”, os planejadores podem incorporar atividades de marketing nas previsões (“forecast”) da cadeia de suprimentos com muito mais rapidez.

 

“O uso de tecnologia de rede neural na modelagem baseada em causas é uma prática que permite que os planejadores comecem rapidamente a modelar a relação de causa e efeito de diferentes elementos promocionais.”

 

CONCLUSÃO

As organizações que fazem a gestão de Supply Chain classificam rotineiramente a imaturidade do planejamento da demanda como um grande obstáculo no cumprimento de suas metas. A precisão das previsões é a base para o crescimento lucrativo dos negócios. O planejamento e a previsão otimizados da demanda exigem recursos abrangentes de modelagem, além da flexibilidade e facilidade de uso para mudar os métodos à medida que o ciclo de vida avança e as condições do mercado mudam. Entre as soluções de tecnologia disponíveis no mercado, o Logility Voyager Demand Planning™ utiliza uma combinação de técnicas qualitativas e quantitativas para gerar previsões confiáveis.

Os métodos baseados em atributos que usam perfis de demanda geralmente são adequados para a introdução de novos produtos e gestão dos mesmos durante todo o ciclo de vida até sua desativação, em momentos que faltam dados confiáveis ​​de demanda histórica ou quando os dados disponíveis são menos relevantes.

Nos estágios mais maduros do ciclo de vida do produto, cinco modelos estatísticos de séries temporais diferentes entram em cena, incluindo “Modified Holt”, “Holt-Winters”, “Média Móvel” e “Demanda Intermitente ou Baixa”, seja “padronizada ou não padronizada”. Esses modelos são usados ​​para criar previsões retrospectivas que cobrem períodos anteriores (normalmente três anos) de demanda documentada. As previsões são então comparadas com o histórico de demanda real para determinar qual delas melhor se ajusta aos dados do mundo real. O vencedor de melhor ajuste (“aderência”) é usado para criar uma previsão com base mais objetiva.

Métodos causais são usados ​​ao longo do ciclo de vida para ajustar previsões em antecipação de eventos promocionais. Os métodos causais permitem que os planejadores prevejam como o desconto e outros fatores promocionais afetarão o volume e sobrepõem o impacto desses eventos sobre a previsão base subjacente.

Por fim, modelos derivados podem ser usados ​​para criar um relacionamento “Pai-Filho” no qual as previsões de produtos intimamente relacionados são calculadas como uma porcentagem da previsão de um produto "líder". Isso garante que, quando a previsão for modificada para o "pai", todas as previsões de "filho" sejam atualizadas.

A fim de se obter êxito em uma economia de negócios moldada pela demanda incerta e rápidas mudanças no mercado, todos esses métodos de previsão devem ser aproveitados em uma suíte de soluções prática e abrangente.

Um software avançado de gestão da demanda pode automatizar grande parte da seleção e comutação de métodos à medida que um produto evolui em seu ciclo de vida. Um sistema de previsão “best-in-class” é aquele que fornece flexibilidade para os usuários pesarem elementos e sobrepõem parâmetros-chave no cálculo da previsão com base em seu conhecimento intuitivo e experiência de mercado.

As soluções de software da Logility ajudam os planejadores a escolher o melhor método, detectar tendências e prever mudanças no sinal de demanda mais rapidamente, além de sentir o melhor momento para mudar os métodos quando uma abordagem mais apropriada é indicada.

 

 

* LOGILITY – Planning Optimized

Com mais de 1.250 clientes em todo o mundo, a Logility é fornecedora líder de soluções colaborativas de otimização de cadeia de suprimentos e planejamento de varejo avançado que ajudam pequenas, médias e grandes empresas da Fortune 500 a obter resultados substanciais em tempo recorde.

Logility Voyager Solutions™ é uma solução completa de gerenciamento de cadeia de suprimentos e otimização de varejo que apresenta uma arquitetura de monitoramento de desempenho e fornece visibilidade da cadeia de suprimentos; demanda, estoque e planejamento de reposição; planejamento de vendas e operações (S&OP); planejamento integrado de negócios (IBP); fornecimento e otimização de estoque; planejamento e agendamento de manufatura; planejamento de mercadorias de varejo, sortimento e alocação; e planejamento e gerenciamento de transporte.

www.logility.com

Eduardo Banzato

Diretor do Grupo IMAM, com especialidade em Supply Chain, Intralogística, Manufatura e Gestão Organizacional (Inovação Disruptiva).

30 anos de experiência profissional em mais de 300 projetos.

Formado em Engenharia Industrial e pós-graduado em Administração de Empresas, com especialização em TOC, LEAN, 6SIGMA e Desenvolvimento Organizacional.

Presidente do Instituto IMAM (2009-2012);

Mentor de Academias Corporativas (Supply Chain e Manufatura);

Atua como instrutor e “coach” em programas de desenvolvimento profissional e coordena visitas técnicas internacionais (mais de 15 países).

E-mail Este endereço de email está sendo protegido de spambots. Você precisa do JavaScript ativado para vê-lo.