Planejamento de demanda com baseline estatístico

Introdução

Dentro da área de planejamento de demanda, uma das atividades chave é a geração da previsão de demanda. Um dos métodos utilizados é a através de modelos estatísticos para construção dos “baselines” a partir dos históricos de venda e faturamento da empresa. Esses 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”).

Sobre os modelos estatísticos

Estes 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. O primeiro é que como mencionado, os modelos são funções, sendo que possuem variáveis como ciclicidades, tendências, ruídos e casualidades.

E o segundo, 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. Casualidade: 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: