Forecast Accuracy (Precisão da previsão): definição, fórmula, exemplos e práticas recomendadas

Os dois gráficos acima mostram uma previsão simples e as vendas reais de dois produtos hipotéticos.

A demanda pelo primeiro produto apresenta um padrão mensal distinto, portanto, uma previsão constante está claramente abaixo do ideal.

Para o segundo produto, foram usados os mesmos dados, mas a demanda é embaralhada ao longo do tempo. Isso significa que não há mais um padrão mensal nos dados.

Sem nenhuma informação adicional, uma previsão constante é o melhor que podemos fazer.

Todas as medidas discutidas anteriormente mostram que o desempenho dessa previsão constante para esses dois produtos é exatamente o mesmo. É claro que isso é enganoso.

Se você usar um modelo que possa detectar padrões semanais e mensais, obterá uma previsão muito melhor para o primeiro produto, como demonstra o gráfico abaixo.

Gráfico 3: Boas previsões de demanda previsível

Todos os gráficos acima mostram uma das principais desvantagens de tentar medir a precisão da previsão, ou seja, você só pode dizer que a precisão é boa quando ela é colocada no contexto correto.

É muito melhor comparar o desempenho de previsão de um modelo com outros modelos do que se concentrar nos valores das pontuações.

É nesse ponto que entram os modelos de linha de base.

Um modelo de linha de base fornece uma previsão com base em uma lógica simples. Ele pode calcular uma previsão constante com base em sua demanda média histórica.

Isso pode lhe dar um limite inferior de desempenho com o qual comparar suas previsões, além de uma ideia de quão previsível é a demanda.

A comparação da precisão das previsões de nossos modelos de previsão com as dos modelos de linha de base nos mostra o quanto estamos nos saindo melhor.

Qual modelo de forecast acuracy você deve usar?

Como já mencionamos, há armadilhas e pontos positivos em cada modelo que você pode usar para obter a precisão da previsão. Portanto, aqui está uma breve visão geral deles.

Tabela 1: Vantagens e desvantagens das medidas de precisão da previsão.

É fundamental perceber que cada modelo de precisão de previsão mede algo diferente. Portanto, a melhor previsão será diferente dependendo de sua escolha de modelo.

O gráfico abaixo mostra isso de forma mais sucinta. Mesmo para uma previsão constante, diferentes medidas de precisão de previsão não concordam sobre qual é a previsão ideal.

Então, qual medida de previsão é a melhor para você? Bem, isso depende do seu interesse.

Gráfico 4: Para diferentes medidas de precisão de previsão, diferentes previsões são ideais

Para que devo usar a precisão da previsão?

Você deve evitar analisar apenas um modelo de precisão de previsão.

Assim, é mais provável que você evite algumas das armadilhas ao prever a precisão de diferentes produtos e grupos de produtos. No entanto, as precisões de previsão, quando usadas de forma eficaz, são incrivelmente valiosas para sua empresa.

1) Forecast acuracy pode melhorar seus processos de negócios

Se feita corretamente, a avaliação da qualidade da previsão pode ser muito útil para melhorar seus processos de negócios.

Para encontrar áreas de melhoria, é preciso analisar o impacto das previsões no seu estoque e na sua empresa como um todo.

É nesse ponto que o Business Intelligence (BI) é fundamental.

Em primeiro lugar, examine todos os dados disponíveis. Usando o BI, seus dados podem ser analisados e transformados em insights acionáveis com a ajuda de ferramentas de visualização de dados.

Assim, você pode avaliar uma série de indicadores de desempenho ao mesmo tempo e ampliar o zoom em grupos muito específicos de produtos.

Além disso, nos casos em que suas previsões são menos relevantes, o BI pode revelar outras áreas de melhoria em seus processos de negócios.

Para produtos com prazos de entrega curtos e lotes grandes, a precisão da previsão não é tão relevante. Você faz um novo pedido quando o estoque está baixo e espera o tempo que for necessário para vender esses itens.

O objetivo do BI é obter insights acionáveis dos dados, para que você possa usá-los na tomada de decisões orientada por dados.

Os relatórios sobre a precisão da previsão no nível do item podem não fornecer percepções acionáveis. Boas exceções de previsão, no entanto, geram percepções acionáveis no nível do item e são gatilhos para avaliar imediatamente a previsão de itens específicos.

Há outro motivo pelo qual o monitoramento da precisão da previsão é essencial.

2) Você pode medir a incerteza

Uma previsão de alta qualidade é capaz de prever padrões em seus dados de demanda. Mas uma previsão nunca é perfeita. Sempre haverá incerteza sobre sua demanda futura.

Para um bom planejamento da cadeia de suprimentosé essencial saber quão incertas são as previsões de demanda. Assim, você pode levar em conta as incertezas e considerar o risco de falta de estoque.

Se você quiser garantir um determinado nível de serviço aos seus clientes – e quem não quer? – é necessário manter um estoque de segurança para cobrir as incertezas.

Quanto menos precisa for a previsão, mais estoque de segurança você precisará.

Observe as diferenças entre a demanda prevista e a demanda real, ou seja, o erro de previsão, para os dois produtos hipotéticos abaixo.

Se presumirmos que fomos capazes de formular bons modelos de previsão para esses produtos, ou seja, que eles capturam a parte previsível da demanda, a precisão da previsão nos fornece informações sobre as diferenças esperadas entre a previsão de demanda e a demanda real.

Gráfico 5: Para diferentes medidas de precisão de previsão, diferentes previsões são ideais

Grupo 6: Distribuição de erros para um produto com baixa incerteza esperada com o tempo de cobertura

A figura acima mostra as distribuições de erro para essas duas previsões.

O produto com maior incerteza esperada requer mais estoque de segurança para cobrir, por exemplo, 99% da demanda.

O gráfico também mostra uma distribuição de erros simétrica.

Esse pode ser o caso de boas previsões de produtos com alta demanda. Mas para produtos com demanda baixa ou irregular, a distribuição de erros não é simétrica, pois a demanda não pode ser negativa.

Para decidir sobre um nível adequado de estoque de segurança, é preciso levar em conta a forma da distribuição de erros.

Ao monitorar a distribuição dos erros de previsão, é possível ter uma boa ideia dos tipos de erro que podem ser esperados no futuro e ajustar o processo da cadeia de suprimentos de acordo.

Gráfico 7: Erro de previsão simétrico para um produto de alta rotatividade

Gráfico 8: Erro de previsão assimétrico para um produto com demanda baixa ou irregular

Considerações finais sobre a precisão da previsão

Para o planejamento da cadeia de suprimentos, é absolutamente essencial ter uma boa ideia da demanda futura e de sua volatilidade.

Portanto, é natural monitorar a precisão da previsão.

Ao analisar a precisão de sua própria previsão, tenha em mente os seguintes pontos:

1. Não é possível definir metas gerais de precisão de previsão, porque você não saberá antecipadamente quão previsível é a demanda (com os dados disponíveis).
2. Em vez disso, você precisa comparar o desempenho dos modelos de previsão com o de outros modelos (de linha de base).
3. Da mesma forma, não existe o “melhor” modelo de forecast acuracy.
4. Para uma boa avaliação do desempenho da previsão, você precisa examinar uma seleção de medidas relacionadas à sua meta.
5. Ao avaliar o desempenho da previsão, você precisa ter certeza de que está analisando todas as informações relevantes.
6. Você também deve se concentrar em outras áreas do processo da cadeia de suprimentos, especialmente quando esses são os gargalos de desempenho.
7. Boas previsões podem prever padrões em sua demanda, mas sempre haverá alguma incerteza envolvida. Porque, bem, é o futuro e ele ainda não aconteceu de fato.
8. A precisão da previsão é uma forma de medir essa incerteza ao confiar nas previsões.
9. Você deve usar essas informações para ajustar seus processos de reabastecimento e cobrir quaisquer erros de previsão esperados.