Modelos estatísticos na previsão de demanda: conceitos e como escolher

Sumário executivo

Modelos estatísticos na previsão de demanda em resumo: Modelos estatísticos na previsão de demanda, geralmente séries temporais, geram baselines a partir do histórico de vendas e faturamento para embasar a previsão colaborativa e o S&OP. São usados por terem conceito simples, bom desempenho e baixo requisito de dados. A escolha do modelo depende de tendência, ciclicidade, causalidade e ruído presentes no histórico.

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?

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.

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:

• 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:

1. 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.
2. 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.
3. 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.
4. 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

Os comportamentos-chave das séries temporais

Em resumo, o que o post define para cada comportamento:

Comportamento	Definição
Tendência	Movimento para cima ou para baixo em relação ao tempo, com padrão
Ciclicidade	Impacto periódico consistente; a sazonalidade é uma ciclicidade
Causalidade	Influência com motivo conhecido, como aumento ou redução de preços
Ruído	Qualquer variação inexplicável, sem padrão identificado

Conteúdos complementares recomendados

• Métodos para melhorar a precisão da previsão: Como reduzir o erro do forecast.
• Software de previsão de demanda: Ferramentas que usam esses modelos.
• Passos de execução do S&OP: Onde a previsão estatística entra.

Perguntas frequentes sobre modelos estatísticos na previsão de demanda