Vamos começar com uma estatística contundente: 77% das empresas estão investindo em tecnologia para criar uma melhor visibilidade da cadeia de suprimentos. Mas aqui está a parte intrigante: as empresas que já se lançaram nessa empreitada têm duas vezes mais chances de evitar problemas na cadeia de suprimentos do que as outras.
A visibilidade da supply chain é, portanto, uma das principais prioridades dos líderes da cadeia de suprimentos. Mas, em uma era em que a IA e as ferramentas baseadas em machine learning estão transformando o cenário das previsões, há um paradoxo crucial de planejamento que não podemos ignorar: nenhuma previsão está imune a erros.
Felizmente, existem ferramentas e técnicas estatísticas que podem ajudar você a fechar a lacuna entre a demanda projetada e a real.
Portanto, no artigo de hoje, vamos nos aprofundar no tópico da precisão das previsões e em como você pode usar essa poderosa técnica de análise estatística para elaborar previsões mais robustas e criar melhor visibilidade em toda a sua cadeia de suprimentos.
Vamos começar com os fundamentos.
O que é forecast accuracy (precisão de previsão)?
A forecast acuracy, ou precisão da previsão em português, é um método que pode ser usado para avaliar a qualidade de suas previsões da demanda. No contexto do planejamento da cadeia de suprimentos (supply planning), a precisão da previsão refere-se à proximidade entre a demanda prevista de produtos ou serviços e a demanda real.
O resultado dessa análise pode ajudar a garantir uma tomada de decisão mais eficaz. Mas não se engane; não se trata de uma bala de prata que você possa utilizar como solução rápida para cobrir suas deficiências de previsão.
Até mesmo estabelecer a margem de erro a ser permitida pode ser problemático. Afinal, como você pode definir o que é “preciso”?
100% de precisão seria um sonho, mas geralmente é mais uma referência idealizada do que um resultado realista. Da mesma forma, 75% parece razoável, mas é quase impossível responder se é possível alcançá-lo ou mesmo se é útil como meta.
Depende totalmente dos objetivos de sua empresa, da natureza do comportamento de compra de seus clientes e dos dados que você tem à sua disposição.
Indicadores para medir a precisão da previsão (forecast accuracy)
Embora a previsão do sucesso de vendas esperado seja valiosa, o verdadeiro insight geralmente está na avaliação da precisão dessa previsão. Para isso, é essencial estabelecer uma maneira de atribuir uma pontuação de desempenho a ela. Em muitos casos, essa pontuação oferece uma perspectiva mais significativa do que apenas a previsão.
The fundamentals of measuring forecast accuracy
Antes de continuarmos, é importante abordar os conceitos básicos.
Todas as medidas são baseadas no erro de previsão, e. Esse erro é a diferença entre a previsão, f, ou seja, a demanda prevista, e a demanda real, d, em um determinado período de tempo:
Uma previsão é boa quando a medida de erro é pequena.
Às vezes, porém, o desempenho se concentra na precisão e não no grau de erro. Nesse caso, uma previsão é boa quando a precisão está próxima de 100%.
Há vários métodos para avaliar a precisão da previsão. E cada um deles tem pontos positivos e negativos. Abaixo está um guia dos métodos mais comuns à sua disposição.
Viés ou erro médio (ME)
A primeira medida de precisão da previsão, chamada de viés ou erro médio (ME), é a média do erro de previsão:
Essa medida é fácil de entender. Para uma boa previsão, a diferença entre as previsões e a demanda real é pequena, portanto, sua tendência é próxima de zero.
Um viés positivo indica que você está prevendo muita demanda, enquanto um viés negativo significa que você a está subestimando.
Uma desvantagem desse modelo, entretanto, é que os erros positivos e negativos se cancelam mutuamente. Uma previsão com grandes erros ainda pode ter um pequeno viés.
Portanto, você nunca deve considerar apenas a tendência, mas também outras medidas de precisão da previsão.
Erro médio absoluto (MAE)
Um modelo que é uma indicação direta da magnitude dos erros é o erro absoluto médio (MAE):
A vantagem desse modelo é que ele usa erros de previsão absolutos, portanto, um MAE pequeno significa que todos os erros de previsão são próximos de zero.
Também é uma medida fácil de interpretar.
No entanto, ele não mostra o tamanho desse erro médio em comparação com a demanda real. Uma previsão com erro de cinco peças é muito ruim para um produto que vende dez em média, mas boa para um produto que atinge uma média de 1.000 vendas.
Erro percentual absoluto médio (MAPE)
O erro percentual absoluto médio (MAPE) reflete o tamanho dos erros em comparação com a demanda real.
É definida como a proporção média entre o erro de previsão e a demanda real:
Por esse motivo, também é fácil de interpretar.
O MAPE indica o quanto a previsão está errada, em média, como uma porcentagem.
No entanto, esse método de precisão de previsão também tem suas limitações. A superestimação da demanda é mais punida do que as subestimações. A previsão de 30 peças quando a demanda real era de apenas 10 peças resulta em um MAPE de 200%, mas as subestimações resultam em um MAPE máximo de apenas 100%.
Esse é um problema para produtos com pouca demanda, em que é mais difícil obter um MAPE pequeno. Mas é um problema ainda maior para períodos de tempo sem demanda, pois você estaria dividindo por zero.
Raiz média do erro quadrático (RMSE)
O último modelo de precisão de previsão a ser mencionado é a raiz do erro quadrático médio (RSME).
Como o nome sugere, essa medida se baseia na raiz quadrada dos erros de previsão:
Esse modelo é semelhante e, portanto, comparável ao MAE, mas pune muito mais os erros maiores do que os menores.
É uma boa medida para ver se as vendas previstas e reais estão sempre próximas uma da outra. Infelizmente, porém, isso torna esse modelo específico mais difícil de interpretar.
Se os dados de demanda contiverem uma venda ocasionalmente discrepante, que você não espera que uma previsão capte, use o método MAE, pois ele é muito mais robusto em relação a discrepâncias.
O erro quadrático médio (MSE) é quase o mesmo que o RMSE, mas não usa a raiz quadrada adicional. Portanto, ele expressa o erro em unidades quadradas, o que torna o MSE mais difícil de interpretar.
Há muitas outras medidas de precisão de previsão disponíveis. Qual delas você deve usar dependerá dos dados que você tem à sua disposição, e pode valer a pena conferir algumas das alternativas mais raras para ver se há uma melhor adequação.
No que consiste uma boa precisão da previsão?
A grande quantidade de modelos de precisão de previsão levanta questões como: “Qual medida de precisão de previsão devo usar?” e “Qual deve ser minha meta de precisão de previsão?”
Infelizmente, nenhuma dessas perguntas é fácil de responder.
Digamos que você gerencie a previsão de seus produtos e descubra que, em média, o MAE é de 60%.
Essa é uma pontuação boa ou ruim?
A pontuação de precisão da previsão, por si só, não é muito significativa. A demanda futura de um produto é para avaliar a qualidade de uma previsão. Você precisa ter uma ideia de quão previsível é a demanda. E isso depende de muitos fatores.
A demanda por produtos com grandes volumes geralmente é mais fácil de prever do que a de produtos de baixa rotatividade. Também é mais fácil prever a demanda de um produto em um grupo de lojas do que capturar com precisão a demanda em cada loja separadamente.
Além disso, as previsões de longo prazo são muito mais difíceis do que a previsão da demanda de curto prazo. A precisão alcançável da previsão também depende da quantidade de dados relevantes disponíveis.
Se faltarem informações importantes, seus modelos de previsão não terão um bom desempenho. Afinal de contas, você só pode fazer previsões com base no que sabe.
