Métodos Preditivos para Produção e Logística
Prever níveis de demanda para cada SKU (stock keeping unit) é fundamental para a empresa como um todo, pois fornece parâmetros básicos para o planejamento financeiro, de produção, logístico e comercial. Do ponto de vista da logística, a previsão precisa revelar dois tipos de natureza, a temporal e a espacial. Demanda temporal diz respeito à variação da demanda cada SKU no tempo, já a demanda espacial mostra a evolução da localização física da demanda. Estas informações temporal e espacial são úteis para planejar os níveis de estoques na rede logística, influenciam as decisões de localização e relacionadas ao transporte.
Agregação x Desagragação
Considerando as naturezas temporal e espacial da demanda, pode-se lidar com ela de duas formas, botton-up ou top-down. Nesta, por exemplo, é feita uma previsão geral e, em seguida é feita uma desagregação da demanda entre regionais. Naquela, a previsão acontece em cada local e é agregada para dar origem a uma previsão geral.Para realizar tanto a previsão do tipo botton-up quanto a top-down é necessário classificar adequadamente a demanda e identificar quais seriam os métodos capazes de gerar melhores resultados.
Classificações da demanda
A classificação da demanda pode ser feita quanto à regularidade e à dependência. Quanto à regularidade podemos classificar em regular ou irregular. Para as demandas regulares, série numérica que apresenta média superior a dois ou três desvios padrão, pode-se usar modelos de séries temporais e obter uma boa acurácia preditiva. Já a previsão de SKU irregulares é considerada um problema especial, para o qual será necessário buscar outras alternativas não convencionais de previsão. Quanto à dependência a demanda pode ser dependente, depende da previsão de outros itens e pode ser calculada de forma determinística, ou independente, considerada como uma variável aleatória. Por exemplo, a demanda de um modelo de carro é independente, mas a demanda de rodas é depende da demanda destes veículos.
Métodos para Previsão
Em termos de métodos preditivos pode-se usar três tipos: qualitativo, projeção histórica e causais. Os qualitativos são métodos indicados para prever o médio e longo prazo. Neste caso, normalmente dados históricos não estão disponíveis ou não são relevantes. Por exemplo, para elaborar um layout de uma indústria é preciso prever a necessidade de volume de produção de cada família de produtos para dimensionar corretamente as instalações. Já os métodos baseados em projeções históricas são adequados para o curto prazo (até 6 meses). Estes são os mais usados pela logística. A principal desvantagem é a velocidade para capturar mudanças de tendências bruscas. E por fim, os métodos causais são aqueles que consideram a demanda como fruto da variação de outros fatores conhecidos. São métodos mais complexos baseados em regressão ou em modelos econométricos. A principal dificuldade associada é identificar as variáveis que influenciam de maneira mais significativa a demanda futura de um determinado item. Infelizmente, apesar de mais complexos, em geral, a qualidade da previsão obtida não é proporcional ao aumento da complexidade. Em previsão, é preciso entender que a complexidade de um modelo não aumenta a acurácia preditiva.
O suavizamento exponencial
A seguir é apresentado o método mais simples e talvez por isso um dos mais usados e que apresenta bons resultados, o suavizamento exponencial. O modelo mais básico desse método considera a importância relativa das últimas venda. Nele a nova previsão é calculada a partir da seguinte fórmula:
![](https://solverus.com.br/wp-content/uploads/2022/02/alfa.jpg)
Para este modelo básico, α, que é um valor que varia entre 0 e 1, é uma espécie de peso que é dado para as previsões mais recentes.
Para deixar esse modelo mais realista, podemos corrigir a previsão usando a tendência. As fórmulas abaixo mostram como isso pode ser feito.
![](https://solverus.com.br/wp-content/uploads/2022/02/alfabeta.jpg)
Para este modelo, que corrige tendência, β, que também é um valor entre 0 e 1, é uma espécie de peso que é dado para uma tendência mais ou menos significativa.
Para deixar esse modelo ainda mais realista, pode-se corrigir a previsão usando um fator para corrigir a sazonalidade, conforme mostrado nas fórmulas abaixo.
![](https://solverus.com.br/wp-content/uploads/2022/02/alfabetagama.jpg)
Para este modelo, é o índice sazonal, L é o período para uma estação completa e é o fator para ponderação sazonal, semelhante aos pesos α e β.
A implementação computacional desses modelos é fundamental para obter se o máximo de benefício do método do suavizamento exponencial. Além disso, a definição dos pesos relacionados a α, β e γ, conforme descrito anteriormente, é bastante arbitrária. Para gerar modelos que sejam mais eficientes, em termos da redução dos erros de previsão, é fundamental otimizar matematicamente a escolha desses parâmetros. Neste sentido, é preciso encontrar um indicador para que o otimizador saiba se a acurácia preditiva está melhor ou pior.
Avaliação da acurácia preditiva de modelos
Pode-se considerar o erro de previsão como uma boa opção para avaliar a qualidade preditiva dos modelos. Objetivamente o erro é a diferença entre a previsão e a demanda que de fato ocorreu para cada intervalo de tempo. Como a previsão acontece para todos os pontos, mesmo os que já aconteceram, é possível observar o erro para cada um dos pontos da série história. Assim, se fizermos uma média desses erros, poderemos ter uma estimativa bastante razoável desse erro médio. No entanto, a diferença entre o valor previsto e o valor obtido pode ser positiva ou negativa, por isso será necessário elevar ao quadrado e em seguida extrair a raiz quadrada de modo a eliminar esse problema. Desse modo tem-se a equação abaixo para avaliar o erro padrão da previsão.
![](https://solverus.com.br/wp-content/uploads/2022/02/erropadraoprevisao.jpg)
Considerações finais
De modo geral, os modelos de previsão nos fornecem a estimativa da magnitude da demanda, no entanto as faixas de variação das previsões podem ser bastante significativas. Por exemplo, usar intervalos de confiança muito próximos de 99% pode sugerir aumentos significativos nos níveis de estoque, especialmente para itens com desvio-padrão razoável. Entretanto, considerando a estratégia de se obter vantagem competitiva, só precisamos ter métodos melhores que nossos concorrentes diretos.