Previsão e Planeamento da Procura

A maioria dos sistemas de previsão de procura começa num nível demasiado alto — por categoria, por região, por semana — porque é aí que os dados são mais limpos. As decisões que beneficiam da previsão, no entanto, acontecem num nível muito mais granular: qual SKU enviar para qual loja em qual dia, quanto trabalho agendar para qual turno, quanta capacidade reservar em qual armazém no próximo mês. Construímos previsões ao nível operacional da decisão, não ao nível dos dados, e usamos reconciliação hierárquica para garantir que as previsões de nível inferior se agregam coerentemente aos níveis superiores sobre os quais o negócio reporta.

Trabalhar com SKU-loja-dia, SKU-canal-semana ou níveis granulados equivalentes traz os seus próprios desafios: procura de cauda longa, séries intermitentes e séries com histórico muito curto. Usamos métodos especializados (previsores intermitentes ao estilo Croston, agregação hierárquica, métodos de novo produto baseados em embedding) para manter a precisão aceitável na cauda longa, em vez de a abandonar.

A reconciliação hierárquica — utilizando métodos como MinT e minimização de traço — permite-nos produzir previsões que são coerentes em toda a hierarquia e quase sempre mais precisas do que previsões produzidas independentemente em qualquer nível único. A disciplina é simples e o ganho é consistente.

• SKU-loja-dia, SKU-canal-semana e granularidades similares
• Séries intermitentes e de baixa rotação
• Previsão de novos produtos e produtos com histórico curto
• Reconciliação hierárquica (MinT, top-down, bottom-up)
• Sinais de calendário, promoção, clima, macro
• Previsões probabilísticas para política de stock de segurança

A procura é moldada por muito mais do que a sua própria história. Promoções, alterações de preço, clima, feriados, calendários escolares, eventos desportivos, indicadores macroeconómicos e ações da concorrência deixam todos impressões nos padrões de procura. Incorporamos dados de drivers no modelo de previsão onde se demonstrou — por cuidadosos testes out-of-sample — que melhoram a precisão mais do que aumentam a complexidade operacional. Temos o mesmo prazer em deixar de fora os drivers quando estes não compensam; o valor está na disciplina da medição, não na inclusão em si.

Os efeitos promocionais recebem atenção particular. Os dados de promoção são notoriamente desorganizados, com mecânicas sobrepostas, qualidade de execução variável e medição pós-evento inconsistente. Trabalhamos com equipas de marketing e comércio para limpar e padronizar o histórico promocional antes de o alimentar ao modelo, e modelamos explicitamente os uplifts, efeitos de halo em produtos relacionados, canibalização de substitutos e quedas pós-promoção. Os ganhos de precisão durante os períodos promocionais são geralmente substanciais.

Os efeitos climáticos e de calendário são adicionados com cuidado semelhante, com ponderação apropriada para as categorias e locais onde são relevantes. Um retalhista de alimentos congelados num clima nórdico tem uma sensibilidade climática muito diferente de um negócio de bebidas num clima quente; o modelo capta ambos.

“Uma previsão que ignora o calendário promocional é uma previsão que maioritariamente se ajusta ao passado.”

Uma previsão de procura que vive num dashboard separado raramente altera uma decisão de planeamento. Integramos as previsões diretamente nos sistemas de planeamento onde as decisões são tomadas — Anaplan, Kinaxis, o9, SAP IBP, Blue Yonder, JDA, ferramentas de planeamento personalizadas — para que a previsão se torne o ponto de partida padrão que os planeadores refinam, e não um artefato paralelo que consultam e ignoram.

Os fluxos de trabalho de overwrite são construídos deliberadamente. Os planeadores detêm um contexto que o modelo não possui, e um sistema que não consegue aceitar a sua contribuição será rapidamente marginalizado. Projetamos os overwrites para capturar a razão juntamente com o valor, de modo que o próprio padrão de overwrite se torna um sinal de aprendizagem: que planeadores sobrescrevem o modelo em que categorias, com que justificação e com que precisão subsequente.

Também prestamos atenção ao processo de consenso. O ciclo S&OP concilia as perspetivas de procura, oferta e financeiras num único plano acordado; um modelo que lança novos números neste processo sem respeitar o seu ritmo será mais disruptivo do que útil. Projetamos a cadência do output do modelo, o nível em que entra na discussão de consenso e a comparação com o ciclo anterior, para que o modelo reforce o processo em vez de competir com ele.

A precisão da previsão é um meio; o nível de serviço e o capital de giro são os fins. As nossas implementações são explícitas sobre como uma melhoria na precisão será convertida em benefício operacional: políticas de stock de segurança mais apertadas derivadas de previsões probabilísticas, pontos de reabastecimento mais antecipados, alocação mais inteligente entre lojas, horários de produção mais fluidos. Sem essa tradução, as melhorias de precisão permanecem académicas.

A previsão probabilística é central. Ao produzir a distribuição preditiva completa em vez de um único ponto, permitimos que a política de inventário seja definida contra um nível de serviço-alvo explicitamente: um objetivo de 95% de stock disponível requer mais buffer do que um objetivo de 90%, e a previsão probabilística diz-lhe exatamente quanto. O mesmo princípio impulsiona a reserva de capacidade, os compromissos com fornecedores e o agendamento de mão-de-obra.

Emparelhamos a previsão com um programa de medição claramente definido. As linhas de base pré-implementação sobre serviço, taxa de rutura de stock, dias de cobertura e perdas são estabelecidas explicitamente; o desempenho pós-implementação é acompanhado contra as mesmas métricas, numa base comparável, por trimestre. A intenção é que o valor do sistema possa ser defendido numa revisão financeira, não apenas demonstrado num dashboard de modelo.

Os projetos decorrem normalmente em três fases. Um diagnóstico e protótipo de seis a oito semanas estabelece a linha de base, caracteriza os dados, constrói um modelo experimental e quantifica o benefício operacional esperado. Uma fase de construção de três a seis meses transforma o modelo em produto, integra-o no ambiente de planeamento e corre em paralelo com o processo existente. Uma fase de operação subsequente abrange monitorização, retreinamento, melhoria contínua e a extensão gradual a categorias ou geografias adicionais.

Estamos igualmente felizes em fornecer isto com uma equipa totalmente integrada ou em fornecer um pequeno grupo de especialistas que apoie as suas funções de planeamento e TI existentes. A forma do projeto é ditada pela maneira como deseja operar o sistema posteriormente.