Métodos de Previsão de Demanda: Como o Erro de Previsão Determina seu Estoque de Segurança

A maioria dos livros didáticos de cadeia de suprimentos trata a demanda como um dado: a demanda tem média de 100 unidades por dia, sigma = 15, pronto. Mas na prática, sigma_d não é um fato da natureza. É uma medição de o quanto seu método de previsão está errado. Melhore o método, reduza sigma_d, reduza o estoque de segurança, libere capital.

Este post cobre os quatro métodos de previsão mais práticos para ambientes de distribuição, como medir o erro de previsão com MAD e MAPE, como o suavizamento exponencial lida com tendência e sazonalidade, e como o número de erro de previsão que você produz flui diretamente para as fórmulas de estoque de segurança e ponto de pedido usadas em todos os posts anteriores desta série.

Por que a escolha do método de previsão afeta o estoque de segurança

O estoque de segurança é calculado como Z vezes sigma_dLT, o desvio padrão da demanda durante o prazo de entrega. Para o item do CD nesta série com prazo de 4 dias e suposição de prazo fixo, sigma_dLT equivale a sigma_d vezes a raiz quadrada do prazo: 15 vezes sqrt(4) igual a 30. Com variabilidade combinada do prazo, sigma_dLT sobe para 104,4 unidades. Em ambos os casos, sigma_d é a base.

Reduza sigma_d de 15 para 12 melhorando sua previsão, e sigma_dLT cai de 30 para 24 (suposição de prazo fixo). Com Z=1,65, o estoque de segurança cai de 49 para 40 unidades, uma redução de 9 unidades. A R$ 10 por unidade, isso libera R$ 90 por item em capital de giro. Em um armazém de 500 itens, isso se acumula rapidamente.

Os quatro principais métodos de previsão

Previsão ingênua (naïve). A demanda do próximo período é igual à deste período. Simples, sem cálculo, e surpreendentemente difícil de superar para demanda verdadeiramente aleatória sem tendência ou sazonalidade. Seu ponto fraco é amplificar cada pico de ruído.

Média móvel simples (MMS). A previsão do próximo período é a média das últimas N observações de demanda real. N maior suaviza o ruído mas responde lentamente a mudanças de tendência. N menor responde mais rápido mas carrega mais ruído. MMS funciona bem para itens com demanda estável e sem tendência forte.

Suavizamento exponencial (SE / SES). A previsão de suavizamento exponencial simples pondera as observações recentes mais do que as antigas usando um parâmetro de suavizamento alpha entre 0 e 1. Alpha mais alto significa mais peso em dados recentes e resposta mais rápida a mudanças, mas mais ruído. Alpha mais baixo dá uma previsão mais suave com resposta mais lenta. O SE é o método mais utilizado para inventários de distribuição: lida bem com demanda aleatória, exige apenas um parâmetro e se atualiza continuamente sem armazenar todas as observações históricas.

F(t+1) = alpha x A(t) + (1 – alpha) x F(t)

Onde F(t+1) é a previsão do próximo período, A(t) é a demanda real deste período, e F(t) é a previsão deste período. Alpha = 0,2 é um ponto de partida comum para itens estáveis.

Holt-Winters / suavizamento exponencial duplo e triplo. Estende o SE para lidar com tendência (método de Holt, suavizamento duplo) e sazonalidade (Holt-Winters, suavizamento triplo). Para itens com padrões sazonais claros, o Holt-Winters reduz substancialmente o erro de previsão frente ao SES.

Medindo o erro de previsão: MAD e MAPE

Duas métricas dominam as discussões de planejamento de inventários. O desvio médio absoluto (MAD) mede o erro absoluto médio nas mesmas unidades que a demanda. O erro percentual absoluto médio (MAPE) escala o erro para o volume de demanda, permitindo comparação entre itens de tamanhos diferentes.

MAD = (1/n) x soma de |real – previsão|

MAPE = (1/n) x soma de |real – previsão| / real x 100%

Para o item do CD com demanda real média de 100 unidades por dia: se os erros absolutos de cinco dias são 10, 8, 20, 5 e 12, então MAD = 11 unidades por dia, e MAPE = 11%.

MAD e sigma_d estão relacionados por um fator de conversão para distribuições normais: sigma_d é aproximadamente 1,25 vezes MAD. Portanto um MAD de 11 corresponde a sigma_d de aproximadamente 13,75. Para o item do CD, sigma_d = 15 implica um MAD de cerca de 12 unidades por dia, significando que o método de previsão erra por uma média de 12 unidades em um item de 100 unidades por dia, um MAPE de cerca de 12%.

Como sigma_d se conecta a esta série

O sigma_d = 15 unidades por dia usado em toda esta série corresponde a um coeficiente de variação (CV) diário da demanda de 15/100 = 15%. Esta é uma variabilidade moderada, comum para itens de distribuição industrial com demanda base estável mas algum ruído dia a dia por agrupamento de pedidos, efeitos de promoções ou padrões de chegada aleatórios.

Se o método de previsão deste item fosse melhorado de 15% MAPE (sigma_d = 15) para 10% MAPE (sigma_d = 10), e a variabilidade do prazo permanecesse a mesma, sigma_dLT cairia de 104,4 para sqrt((4 x 100) + 10.000) = sqrt(10.400) = 102,0 unidades. O estoque de segurança cairia de 172 para 168 unidades. A lição prática: para itens com alta variabilidade do prazo de entrega, a melhoria da previsão importa menos do que a confiabilidade do fornecedor.

Quando cada método funciona melhor

Use naïve ou MMS para itens classe C, itens de movimento muito lento e qualquer item onde o histórico de dados seja menor que um ciclo completo. O benefício incremental do SE não justifica a carga de manutenção de parâmetros para itens com baixo valor de uso anual.

Use suavizamento exponencial como padrão para itens classe A e B com demanda estável a moderada. Defina alpha por otimização: minimize o MAD sobre uma amostra de retenção de dados históricos. A maioria dos sistemas WMS e ERP tem isso incorporado como ajuste automático por classe ABC.

Use Holt-Winters ou decomposição sazonal para itens com sazonalidade documentada de dois ou mais períodos por ano. Os índices sazonais calculados pelo algoritmo reduzem diretamente o erro de previsão em períodos de pico e baixa.

Vinculando a precisão da previsão aos resultados do negócio

Por cada ponto percentual de redução no MAPE, sigma_d cai aproximadamente 1% da demanda diária média (0,01 x demanda média, em unidades por dia). Multiplique a redução de sigma_d por Z x sqrt(prazo) para obter a redução de estoque de segurança em unidades. Multiplique pelo custo unitário para obter o capital liberado por SKU.

Para o item do CD: 1% de redução de MAPE = 1 unidade por dia de redução em sigma_d. Redução de estoque de segurança = 1 x 1,65 x sqrt(4) = 3,3 unidades. Capital liberado = 3,3 x R$ 10 = R$ 33 por SKU. Para um armazém de 500 SKUs, uma melhoria de 3% no MAPE libera 500 x 3 x R$ 33 = R$ 49.500 em capital de giro.

Três dicas de especialistas

Rastreie a precisão da previsão por classe ABC e atualize as metas trimestralmente

Itens classe A justificam o investimento em SE com alpha otimizado e revisões trimestrais do modelo porque o impacto no inventário da redução de erros é maior. Defina metas de MAPE por classe: abaixo de 10% para A, abaixo de 15% para B, abaixo de 25% para C.

Nunca use MAPE isolado para itens com demanda intermitente

Para itens que vendem zero unidades em alguns dias, o MAPE explode ou produz números enganosos. Mude para WMAPE (MAPE ponderado, que pondera os erros pelo volume de demanda real) ou MASE (que escala os erros contra uma previsão naïve de referência).

Teste seu método de previsão contra o naïve antes de implantar

Um método de previsão que não supera o naïve em uma amostra de retenção não está agregando valor. Execute cada método candidato contra pelo menos 90 dias de dados de retenção antes de adotá-lo em produção. Métodos que parecem impressionantes dentro da amostra frequentemente perdem para o naïve fora da amostra devido ao sobreajuste.

Calculadoras gratuitas de cadeia de suprimentos

A Calculadora de Estoque de Segurança recebe sigma_d diretamente como entrada, portanto melhorar seu método de previsão e inserir o novo sigma_d mostra imediatamente a redução do estoque de segurança. A Calculadora de Ponto de Pedido propaga a melhoria para o nível de disparo. Use a Calculadora de Nível de Serviço para verificar se um sigma_d menor permite manter a mesma taxa de atendimento com menos estoque de segurança. A Calculadora de Curva ABC determina quais itens justificam o investimento em melhores métodos de previsão. Tudo no hub de Cadeia de Suprimentos.

Perguntas frequentes

¿O que é previsão de demanda na cadeia de suprimentos?

A previsão de demanda usa dados históricos e métodos estatísticos para estimar a demanda futura. Produz uma previsão média para pontos de pedido e uma distribuição de erro (sigma_d) para estoque de segurança. Melhor precisão reduz diretamente os requisitos de estoque de segurança.

¿O que é MAD em previsões?

O desvio médio absoluto (MAD) é a média das diferenças absolutas entre demanda real e prevista. Mede o erro nas mesmas unidades que a demanda. Para erros normalmente distribuídos, sigma_d é aproximadamente 1,25 vezes o MAD.

¿O que é MAPE em previsões?

O erro percentual absoluto médio (MAPE) é o MAD expresso como percentagem da demanda real média. Um MAPE de 12% em um item de 100 unidades por dia significa um erro médio de 12 unidades por dia.

¿O que é suavizamento exponencial?

O suavizamento exponencial pondera as observações recentes mais do que as antigas com parâmetro alpha. Fórmula: F(t+1) = alpha x A(t) + (1-alpha) x F(t). O método mais usado em inventários de distribuição por sua facilidade de atualização e baixo requisito de dados.

¿Como o erro de previsão afeta o estoque de segurança?

Estoque de segurança = Z x sigma_dLT, onde sigma_dLT depende de sigma_d. Para o item do CD com Z=1,65 e prazo de 4 dias fixo, cada unidade de redução em sigma_d corta 3,3 unidades de estoque de segurança.

¿Qual é o melhor método de previsão para planejamento de inventário?

Suavizamento exponencial com alpha otimizado é o melhor padrão para itens classe A e B. Holt-Winters adiciona valor para tendência e sazonalidade. Naïve ou MMS é suficiente para itens classe C.

¿Qual é a relação entre MAD e sigma?

Para erros normalmente distribuídos, sigma_d é aproximadamente 1,25 vezes o MAD. Converta o MAD do seu sistema de previsão para o sigma_d necessário na fórmula de estoque de segurança: sigma_d = 1,25 x MAD.

¿Quando devo usar a previsão Holt-Winters?

Use quando um item tem padrões de demanda sazonais claros de dois ou mais períodos por ano e pelo menos dois ciclos sazonais completos de histórico. Reduz substancialmente o erro nos picos e vales.

¿O que é viés de previsão e por que importa para o estoque de segurança?

Viés de previsão é a tendência sistemática de sobre ou subestimar. Um viés desloca a estimativa de demanda média, fazendo o ponto de pedido ser alto ou baixo demais. O estoque de segurança só corrige a variabilidade aleatória, não o viés; é preciso corrigir o método.

¿Como escolho o parâmetro alpha para o suavizamento exponencial?

Otimize o alpha minimizando o MAD sobre uma amostra de retenção. Use 0,1 a 0,3 para itens estáveis e 0,3 a 0,5 para itens com tendência mais recente. A maioria dos sistemas ERP e WMS oferece otimização automática do alpha por classe ABC.

¿Uma previsão melhor pode substituir o estoque de segurança?

Não. Mesmo uma previsão perfeita não elimina a variabilidade da demanda durante o prazo de entrega. O estoque de segurança cobre a lacuna entre demanda esperada e real durante o prazo. Uma previsão melhor reduz o estoque necessário mas não pode eliminá-lo a menos que o prazo seja zero.

¿Como se compara melhorar a previsão com reduzir o prazo de entrega?

Quando sigma_LT domina (como o item do CD com sigma_LT = 1 dia), a redução do prazo tem impacto muito maior no estoque de segurança do que a melhoria da previsão. Para itens com prazos confiáveis, a melhoria da previsão importa mais.

A previsão de demanda é o lado da entrada da equação do estoque de segurança. Cada melhoria em sigma_d reduz diretamente o requisito de estoque de segurança, em um montante quantificável a um custo quantificável por SKU. Para itens classe A e B, a seleção do método de previsão e a otimização do alpha merecem tanta atenção quanto as fórmulas de política de inventário que consomem sua saída.