Modelos Estatísticos para Previsão de Demanda: Métodos e Aplicações

Na área de planejamento de demanda, um dos grandes desafios é a geração da previsão de demanda. Um dos métodos utilizados é baseado em modelos estatísticos para construção dos “baselines” a partir dos históricos de venda e faturamento da empresa.

Estes “baselines estatísticos” são utilizados de forma a embasar a previsão colaborativa em uma empresa, assim como o início do processo de construção da previsão no S&OP (“sales and operation planning”).

Por Que Utilizar Modelos Estatísticos na Previsão de Demanda?

Os modelos estatísticos utilizados são geralmente as séries temporais. Muitas empresas, assim como muitos softwares de previsão de demanda, utilizam estes modelos. E por que elas os utilizam?

1. Conceito simples: gerados a partir da combinação de fatores de fácil assimilação do planejador, facilitando o entendimento de seu uso, sem necessidade de cursos avançados em estatística;
2. Bom desempenho: em comparação com metodologias mais complexas, os modelos de série temporal dão um bom resultado com baixa complexidade;
3. Baixo requisito de dados e processos: a quantidade de histórico de dados e de cálculos intermediários necessários para executar cada modelo é baixa;
4. Amplamente utilizado: presente na maioria das publicações sobre o assunto, e
   amplamente utilizado em aplicações de negócios.

Conceitos-Chave para a Aplicação de Modelos Estatísticos

A aplicação de modelos estatísticos depende de alguns conceitos chaves. A primeira é que como mencionado, os modelos são funções, sendo que possuem variáveis como “ciclicidades”, tendências, ruídos e causalidades.

Aprenda mais no Blog da IMAM:

• Como o Sistema de Estocagem Afeta a Utilização de Um Armazém?;
• Vá ao Gemba!;
• Quick Wins.

E a segunda, é saber a definição de cada comportamento chave que compõe estas funções, são elas:

Tendência

Movimento geralmente para cima ou para baixo em relação ao tempo. Deve ser observado o tempo suficiente para garantir que não seja ruído pontual, mas curto o suficiente para garantir que ele não mude significativamente. Deve ter um comportamento padrão.

Ciclicidade

Impacto periódico ascendente ou descendente consistente. Refere-se a “zonas” no tempo, não apenas dados pontuais. Deve ter um comportamento padrão. Lembrando que a sazonalidade é uma ciclicidade.

Causalidade

Alta atuação/influência com efeitos e resultados consistentes. Todas as tendências e componentes cíclicos têm uma origem causal subjacente, mas talvez desconhecida. Influências causais têm uma precisão maior e motivo conhecido, como por exemplo aumento e redução de preços.

Ruídos

Variações inexplicáveis nos dados, que não seguem padrões definidos. Embora toda variação tenha uma causa, algumas podem ser complexas demais para serem identificadas.

Principais Modelos Estatísticos para Construção da Previsão

A partir destes conhecimentos é possível avaliar alguns modelos para construção de sua previsão estatística, os mais utilizados atualmente são: 

• Média móvel ponderada
• Suavização exponencial
• Regressão Linear
• Holt
• Winter
• Fourier
• Regressão linear com sazonalidade Ad-Hoc
• Holt -Winter

Como Escolher o Melhor Modelo Estatístico?

A escolha do modelo ideal depende da avaliação dos comportamentos-chave e de seus indicadores estatísticos. Para facilitar essa tomada de decisão, é possível utilizar um ábaco estatístico, baseado em KBI (Key Behavior Indicators) – indicadores que analisam padrões de comportamento nos dados históricos.

Uma vez avaliados esses comportamentos e seus indicadores, basta selecionar o modelo mais adequado.

Embora a modelagem seja essencialmente matemática e estatística, é fundamental que o planejador tenha conhecimento dos conceitos para garantir uma escolha assertiva e uma previsão mais precisa.

Dessa forma, a previsão de demanda pode ser construída com maior aderência ao histórico da empresa e melhor alinhamento ao processo de S&OP.

Autoria Caio Kurohane, consultor da IMAM e executivo de Supply Chain Management