Previsão de demanda com machine learning: o que esperar

Toda empresa que compra, produz ou estoca já faz previsão de demanda. Às vezes numa planilha elaborada, às vezes na cabeça do comprador mais experiente, às vezes repetindo o pedido do mês anterior. A pergunta não é se prever, é se dá para prever melhor, com menos esforço e de forma que alguém confie no número.

Machine learning pode ajudar. Mas a maior parte do ganho costuma vir de coisas menos glamorosas: dado limpo, uma linha de base honesta, erro medido por item e uma previsão que chega ao processo de compra em vez de morrer num relatório. Este texto mostra o que esperar de um projeto desses, e o que não esperar.

Prever demanda é um problema de dados antes de ser de modelo

O modelo aprende com o histórico. Se o histórico está errado, o modelo aprende o erro com precisão. Antes de qualquer algoritmo, responda:

• Existe histórico suficiente por item? Para capturar sazonalidade anual, é preciso ter visto algumas temporadas.
• O cadastro é estável? Produto que mudou de código, embalagem que trocou de SKU e item substituto sem vínculo quebram a série.
• Devoluções, cancelamentos e transferências estão separados das vendas? Transferência entre filiais não é demanda.
• Promoções e mudanças de preço estão registradas? Sem isso, o pico de uma promoção vira "sazonalidade" e se repete na previsão do ano seguinte.
• Rupturas estão registradas? Esse é o ponto mais importante, e o próximo tópico.

Na maioria das empresas, esses dados estão espalhados entre ERP, e-commerce e planilhas. Consolidá-los num lugar confiável é, com frequência, a maior parte do projeto. Se a empresa ainda não tem essa base, o caminho passa por algo como um data warehouse para empresas médias.

Venda não é demanda: o efeito da ruptura no histórico

O histórico de vendas registra o que foi vendido, não o que os clientes queriam comprar. Nos dias em que o produto faltou, a venda foi zero ou baixa, e a demanda, não.

Um modelo treinado nesse histórico conclui que o produto vende menos do que vende de fato. A previsão sai baixa, a compra sai baixa, o produto falta de novo, e o ciclo se reforça. É um dos erros mais comuns e mais caros em previsão, e ele não aparece em nenhuma métrica de modelo.

Como tratar:

• Registrar a disponibilidade diária por item e local. Isso exige um controle de estoque confiável, assunto de sistema de gestão de estoque sob medida.
• Marcar os períodos de ruptura e excluí-los do treino ou estimar a demanda perdida com base em períodos comparáveis.
• Registrar pedidos não atendidos, quando o processo permite: orçamentos recusados por falta, vendas perdidas anotadas pelo vendedor, avise-me no e-commerce.

O mesmo raciocínio vale para restrições de capacidade: se a fábrica produziu no limite, a venda do período reflete a capacidade, não o mercado.

Comece com uma linha de base estatística

Antes de treinar qualquer modelo sofisticado, construa uma linha de base: métodos simples e bem conhecidos que qualquer ganho precisa superar.

• Ingênuo sazonal: a previsão para o mês é a venda do mesmo mês no ano anterior.
• Média móvel: a média das últimas semanas ou meses.
• Suavização exponencial: dá mais peso ao passado recente e, nas versões mais completas, trata tendência e sazonalidade.
• Métodos para demanda intermitente: itens que vendem pouco e de forma irregular, com muitos períodos zerados, pedem métodos específicos. Tratá-los como os itens de giro alto gera previsões sem sentido.

A linha de base tem três funções. Resolve boa parte dos itens com pouco esforço e alta explicabilidade. Estabelece a régua: se o modelo de machine learning não supera a linha de base num item, esse item fica com o método simples. E ganha a confiança do comprador, que entende de onde veio o número.

Um resultado honesto de muitos projetos é descobrir que a linha de base, bem aplicada, já melhora muito o processo em relação ao que se fazia antes. Isso não é fracasso; é o projeto funcionando.

Quando machine learning agrega: sazonalidade, promoções e eventos

Modelos de machine learning, como os baseados em árvores de decisão combinadas, ganham espaço quando a demanda depende de fatores que o histórico sozinho não explica e que você consegue informar ao modelo:

• Promoções e preço: quanto a demanda reage a um desconto, e quanto ela cai depois dele.
• Calendário: feriados móveis, datas comerciais, dias úteis no mês, início de ano letivo, safra.
• Clima: para bebidas, vestuário, construção e insumos agrícolas, temperatura e chuva podem pesar.
• Relações entre itens: canibalização entre produtos similares e lançamento de itens novos sem histórico, estimados a partir de itens parecidos.
• Muitos itens ao mesmo tempo: um modelo treinado sobre milhares de séries aprende padrões compartilhados que um modelo por item não enxerga.

Duas advertências. Primeiro, variável externa só ajuda se estiver disponível no momento da previsão. Usar a temperatura real do mês para treinar e não ter a previsão do tempo na hora de prever cria um modelo que funciona no teste e falha na prática. Segundo, mais variáveis não é sempre melhor. Cada fonte externa é uma integração a manter e um ponto de falha.

Medindo o erro por item e por horizonte

"O modelo tem boa acurácia" não significa nada sem saber de que item, com que antecedência e comparado com quê.

Por horizonte. O comprador que pede a um fornecedor com lead time longo precisa da previsão de meses à frente, não da semana que vem. Meça o erro no horizonte em que a decisão é tomada.

Por item ou grupo. Um erro agregado baixo pode esconder erros enormes nos itens que mais importam. Segmente por curva ABC, por família e por perfil de demanda.

As métricas mais úteis:

• Erro percentual ponderado: soma dos erros absolutos dividida pela soma das vendas. Evita as distorções do erro percentual comum em itens de baixo volume.
• Viés: o modelo erra sistematicamente para cima ou para baixo? Viés para baixo vira ruptura; para cima, estoque parado.
• Ganho sobre a linha de base: quanto o modelo melhora em relação ao método simples, no mesmo período e nos mesmos itens.

A validação deve simular o uso real: treinar com os dados até uma data, prever o período seguinte, comparar e repetir avançando no tempo. Misturar dados do futuro no treino produz resultados ótimos que nunca se repetem em produção.

Da previsão à sugestão de compra e produção

Uma previsão que ninguém usa não tem valor. O objetivo final é uma sugestão de compra ou de produção que entre no processo existente.

O caminho do número até a decisão:

1. Previsão por item, local e período, com um intervalo de incerteza, não só um número.
2. Estoque de segurança calculado a partir da incerteza da previsão e do lead time, e do nível de serviço que a empresa quer por grupo de item.
3. Posição atual: saldo disponível, pedidos em aberto com fornecedores, reservas.
4. Restrições: lote mínimo, múltiplo de embalagem, capacidade de armazenagem, prazo de validade.
5. Sugestão, que o comprador revisa, ajusta e aprova. Os ajustes são registrados, porque mostram onde o modelo está errando ou onde o comprador sabe algo que o modelo não sabe.

Na indústria, a previsão alimenta o plano de produção e a necessidade de materiais, como descrevemos em PCP sob medida para indústria. No comércio, a sugestão aprovada vira pedido ou cotação, integrada ao fluxo de cotação e compras.

A adoção depende de transparência. Mostre ao comprador por que o número é aquele: sazonalidade, tendência, promoção planejada. Um número de caixa-preta é ignorado na primeira vez que parecer estranho.

Operando o modelo: retreino, monitoramento e revisão

Previsão não é um projeto que termina na entrega. É um processo que roda todo dia ou toda semana.

• Pipeline automático: coleta de dados, validação, previsão e publicação sem intervenção manual.
• Validação de entrada: se a carga de vendas de ontem veio pela metade, a previsão não deve rodar como se nada tivesse acontecido.
• Retreino periódico, com comparação contra a versão anterior antes de substituí-la.
• Monitoramento do erro ao longo do tempo, com alerta quando um grupo de itens degrada.
• Revisão com o negócio: uma reunião periódica em que compras, comercial e planejamento olham os maiores desvios e as mudanças de mercado que o modelo não conhece.

Erros comuns

• Treinar com venda achando que é demanda, ignorando rupturas.
• Pular a linha de base e não saber se o modelo sofisticado ganhou de alguma coisa.
• Medir só o erro agregado.
• Usar variáveis que não existirão na hora de prever.
• Entregar um painel em vez de uma sugestão dentro do processo de compra.
• Esconder o raciocínio, perdendo a confiança de quem decide.

Checklist de prontidão

• Histórico de vendas consolidado, com devoluções e transferências separadas.
• Registro de rupturas e de promoções.
• Cadastro de itens estável, com vínculo entre substitutos.
• Horizonte de decisão definido por grupo de item.
• Linha de base implantada e medida.
• Processo de compra ou produção pronto para receber a sugestão.
• Dono do processo de revisão periódica.

Previsão que chega ao pedido de compra

A Pervian Tech constrói previsão de demanda sob medida dentro do nosso trabalho de arquitetura de software: consolidação dos dados, tratamento de rupturas, linha de base, modelos quando eles agregam e integração da sugestão ao seu processo de compra ou produção.

Tudo começa por um diagnóstico inicial gratuito dos seus dados e de como a decisão de compra é tomada hoje. Dele saem as fases do projeto e o investimento, que é sob consulta. Se o seu estoque alterna entre falta e sobra, conte como vocês planejam hoje.