Modelos EstatísticosS na Previsão de Demanda
4 minutos para ler
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”).
Os modelos estatísticos utilizados são geralmente as séries temporais. Muitas empresas, assim como muitos softwares de previsão, utilizam estes modelos. E por que elas os utilizam?
- 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; - Bom desempenho: Em comparação com
metodologias mais complexas, os modelos de série temporal dão um bom resultado
com baixa complexidade; - Baixo
requisito de dados e processos: A quantidade de histórico de dados e de
cálculos intermediários necessários para executar cada modelo é baixa. - Amplamente
utilizado: Presente na maioria das publicações sobre o assunto, e
amplamente utilizado em aplicações de negócios.
A sua utilização 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:
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:
Qualquer variação inexplicável é ruído. Aquilo que não pôde ser identificado
com um padrão é ruído. Toda variação tem suas raízes em uma origem causal, mas
há muitas causas pequenas e inexplicáveis. Eles podem ser complexos demais para
serem expressos de maneira simples, ou os dados necessários não podem ser
coletados.
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
E quando deve-se utilizar cada um deles, quais suas características e diferenciações? Para ajudá-los nestas escolhas construímos um ábaco para facilitar a tomada de decisão. Este ábaco é construído a partir de KBI (key behavior indicator, ou indicadores chaves de comportamento, eles são cálculos estatísticos que buscam padrões de comportamentos), sendo que seu resumo é utilizado da seguinte forma:
Uma vez avaliado os comportamentos chaves e seus indicadores basta apenas você escolher e aplicar o melhor modelo. Obviamente que a modelagem é pura matemática e estatística, mas o planejador deve ter base no conceito para uma boa escolha e melhor aderência em sua base histórica, sendo assim capaz de gerar a melhor e mais acurada informação para iniciar seu processo de construção da previsão de demanda juntamente com o S&OP.
Autoria Caio Kurohane, consultor da IMAM e executivo de Supply Chain Management
