br/blog/previsao-de-demanda-o-guia-definitivo/
Fazer previsão de demanda não é uma tarefa fácil, porém, aqueles que conseguem faze-lá
com sucesso possuem uma grande vantagem em relação aos seus concorrentes, pois, o
mundo está se transformando de uma forma dinâmica como nunca antes vista,
principalmente, através do forte desenvolvimento tecnológico, trazendo-nos diversos
benefícios e facilidades, acompanhados de diversos grandes desafios.
E quando falamos sobre os grandes desafios no Supply Chain, temos de falar sobre o
grande motivador de tudo que acontece na cadeia de suprimentos, que é a demanda.
Por isso que nós da Providentia, criamos esse post para ajudar você.
Indíce [hide]
1 O que é Previsão de Demanda?
1.1 Lidando com o Erro
1.2 Níveis de Agregação
1.3 Horizonte de Previsão
2 Porquê fazer Previsão de Demanda?
3 Quais são os métodos de Previsão de Demanda?
3.1 Métodos Qualitativos
3.1.1 Método Delphi
3.1.2 Pesquisa de Vendas
3.1.3 Júri de Executivos
3.1.4 Pesquisa de Clientes
3.1.5 Simulação
3.2 Métodos Quantitativos
3.2.1 Médias Móveis
3.2.2 Suavização exponencial
3.2.3 ARIMA
3.2.4 Regressão Simples
3.2.5 Regressão Múltipla
3.2.6 ARIMAX
4 Conclusão
1. Uma previsão é uma estimativa do futuro e por isso sempre haverá erros, então,
cabe àqueles que fazem previsões sempre se perguntarem, “quão errado podemos
estar”? e medir o seu nível de incerteza.
2. Quanto mais agregada sua previsão, mais assertiva ela será, ou seja, quando você
faz uma previsão baseado no total de um determinado segmento de produtos, ela
será mais assertiva do que você fazer uma previsão de cada produto desse
mesmo segmento.
3. Quanto menor o horizonte de futuro da previsão, mais confiável ela é, ou seja, se
você faz uma previsão para 12 meses no futuro, no primeiro mês, temos uma
previsão mais confiável do que no segundo mês e assim por diante.
Antes de saber como devemos lidar com o erro, precisamos entender o que é o erro. E de
forma bem simples, o erro nada mais é que a diferença entre o que aconteceu de fato e o
previsto, ou seja, se uma indústria têxtil previu que iria vender 110 peças e na realidade
vendeu 100 peças, o erro foi de 10 peças.
Agora que você já sabe o que é o erro e que ele faz parte das previsões, você deve
entender que o objetivo daqueles que realizam previsões é de diminui-lo ao máximo,
para que as previsões sejam cada vez mais assertivas.
Por isso, é fundamental entendermos mais sobre o erro e quais métricas devemos utilizar
para mensurar a assertividade de nossas previsões.
Níveis de Agregação
Partindo do mesmo exemplo, de uma indústria têxtil, vamos supor que essa indústria faça
5 tipos de camisas e 2 tipos de calças.
Como dito anteriormente, quanto mais agregada a sua previsão for, mais assertiva ela
será, então, nesse caso, à previsão da demanda total de camisas será mais assertiva do
que à previsão de cada uma das 7 camisas.
Isso ocorre devido à diminuição da variabilidade através do efeito de agrupamento, como
se a alta demanda de uma camisa se balanceasse com a baixa demanda de outra camisa.
Esse fato, também acontece de acordo com a frequência da série histórica (dia, mês,
trimestre, semestre, ano), vide gráficos abaixo.
Horizonte de Previsão
Pense em duas previsões para a temperatura da sua cidade, 1. Previsão para amanhã e 2.
Previsão para daqui 1 ano.
De forma intuitiva, qual você diria que tem a maior probabilidade de acerto?
Logo, quanto mais próxima a demanda prevista for da demanda real, melhor é. Portanto,
podemos dizer que previsões realizadas num horizonte menor tendem a ser mais
confiáveis.
Esse processo, é muito importante, pois a previsão de demanda determina como vai
ocorrer o processo de operação e produção, de transformar a matéria-prima em produto
final para os consumidores.
Por esse motivo, a gestão deve ficar bem atenta a esse processo, pois as empresas que
não dão muita atenção ao seu processo de previsão acabam tendo problemas como
excesso de estoque, falta de estoque, desperdício de matéria-prima, capacidade ociosa e
entre outros.
Logo abaixo, apresentamos os conceitos de cada uma dessas categorias e como fazer
para identificar cada um deles, inclusive, quais situações esses modelos de previsão são
utilizados.
Métodos Qualitativos
Método Delphi
Os vendedores são aqueles que possuem contato contínuo com os clientes e através
disso adquirem conhecimentos que podem ser valiosos para prever eventos futuros.
Júri de Executivos
Pesquisa de Clientes
É conduzida uma pesquisa com um grupo de clientes para entender vários fatores que
podem impactar a demanda do produto como renda dos clientes, preço de produtos
relacionados, preço do produto em si e etc.
E assim, através dos dados coletados sobre a demanda desse grupo de clientes é
estimado a demanda de todos os clientes através de extrapolação.
Simulação
Nesse caso, o objetivo desse método de gerar previsões através de cenários possíveis
considerando vários fatores, quais impactos eles podem causar e as relações entre fatores
e impactos.
Métodos Quantitativos
Geralmente, métodos quantitativos são mais assertivos que os métodos qualitativos, pois,
não sofrem interferência de julgamentos errados.
Médias Móveis
Um dos métodos mais utilizados é o de médias móveis, que para gerar uma previsão você
calcula a média de períodos anteriores.
Por exemplo, suponha que uma indústria qualquer teve uma demanda mensal de 100, 120
e 80 nos últimos 3 meses. Para obter uma previsão usando médias móveis, você simples
mente calcula a média desses últimos 3 meses: (100+120+80)/3 = 300/3 = 100. E então, a
previsão é 100 para o próximo mês.
Suavização exponencial
Outro método bastante utilizado é a suavização exponencial e esse método é similar ao de
médias móveis, porém, é atribuído um fator de suavização onde os pesos diminuem expo
nencialmente à medida que as observações estão mais ao passado. Ou seja, as observaç
ões mais recentes possuem mais peso do que as mais antigas.
ARIMA
Além dos anteriores, temos o método ARIMA (Autoregressive Integrated Moving Average)
em que sua construção é baseada em três componentes: AR (p), I (d), MA (q).
Já o I (d) se refere ao nível diferenciação entre os valores (caso o seu nível de diferenciaçã
o seja 1, logo, d = 1, então, os valores do exemplo anterior seriam: 100-120=-20 e 120-
80=40) e o último que é o MA (q) que apesar do nome ser moving average, não é a mesm
a coisa que médias móveis, pois, ele é calculado através da combinação linear dos erros.
Regressão Simples
Regressão Múltipla
Usando como base o exemplo da regressão simples, onde usamos apenas a renda (x1), p
oderíamos adicionar mais algumas variáveis como idade (x2), sexo (x3), formação (x4) e e
tc visando obter um modelo que conseguisse prever de forma mais assertiva o valor consu
mido (y), só que nesse caso, o modelo acaba sendo mais complexo pois o número de vari
áveis aumentou.
ARIMAX
Além do método ARIMA, temos o ARIMAX, que basicamente é o método ARIMA só que n
ele você pode adicionar algumas variáveis que podem ser úteis para você fazer a sua prev
isão.
Por exemplo, vamos supor que você tenha desenvolvido um modelo de ARIMA, porém, vo
cê verifica que ele poderia melhorar se você acrescentasse algumas variáveis como feriad
os, promoções e etc, então, você possui uma situação onde você pode utilizar o método A
RIMAX.
Conclusão
Nesse guia, você entendeu várias faces da previsão de demanda, como o que é, porquê
fazer e quais os métodos de previsão.
Podemos tentar resumir esse guia dizendo que previsão de demanda é uma tarefa
fundamental para diversas empresas e setores, pois é dela que começa todo o ciclo de
planejamento, produção e estoque.
E algumas empresas que não dão muita atenção de como é feito o seu processo de
previsão ou fazem de maneira incorreta, acabam tendo problemas como excesso de
estoque, falta de estoque, desperdícios de matéria-prima, capacidade ociosa e entre
outros.
Caso sua empresa tenha esses tipos de desafios, dê uma olhada no nosso software de
previsão de demanda, o Providentia Forecasting e faça um teste!