O desafio da previsão de demanda na visão da Aquarela – parte 1

Previsão de demanda é uma demanda

Conhecer a previsão de demanda de forma preditiva é um grande diferencial para estratégia, principalmente se vinculada aos processos de precificação. Entretanto, provavelmente essa é a peça mais importante e difícil do quebra-cabeças do time de planejamento e gestão.

Uma forma interessante de enfrentar o desafio da previsão de demanda é apresentada pelo futurista Paulo Saffo, na Harvard Business Review. Para ele:

O objetivo da previsão de demanda não é necessariamente prever o futuro, mas dizer o que você precisa saber para executar ações significativas no presente. 

Neste artigo, abordamos o tema da previsão de demanda nas cadeias de suprimento sob a ótica das novas capacidades de Advanced Analytics e como esse resultado pode ser integrado de forma estratégica na operação de processos de negócio e precificação.

Sazonalidade, influência do clima e geografia na demanda

Apesar de existirem tendências sazonais importantes que afetam os movimentos de compra da população (Natal, Páscoa e etc), é importante notar que cada tipo de produto possui também características intrínsecas de consumo que, por sua vez, podem não flutuar nas ondas de tendência, e em alguns casos até podem apresentar correlação negativa. Por exemplo: o caso dos materiais de construção. Considerando que o clima e a geografia afetam diretamente o comportamentos das pessoas e, consequentemente, seus desejos de consumo, faremos uma demonstração a título didático utilizando uma ferramenta Google Trends. 

O Google Trends mostra a intensidade de buscas textuais executadas no Google ao longo do tempo. Ou seja, quanto as pessoas de determinado local procuram algo no Google durante os meses do ano. 

Comparativo de demandas Brasil vs Canadá

Assumindo que as pessoas apresentam um maior interesse de andar de bicicleta no verão do que no inverno, vamos fazer o seguinte teste:

Vamos buscar os resultados das buscas dos últimos anos pelo termo “bike” (bicicleta em inglês) e “snow” (neve em inglês) no Canadá.  Escolhemos o Canadá porque sabemos a priori que esse país tem um inverno bastante rigoroso. 

O resultado indica o aumento de buscas por bicicleta nos meses de verão no hemisfério norte, ao passo que no final do ano essas buscas caem quase simetricamente.

De maneira oposta, as buscas por “neve” acontecem mais nos meses de dezembro e janeiro, com alguns picos que estão relacionados a acontecimentos relativos às nevascas ocorridas no período. 

Vemos que em junho de 2020 (ano da pandemia) houve um interesse maior pelas bicicletas do que em todos os anos anteriores.

Series históricas em diferentes setores

Preparamos a seguinte aplicação com dados reais para que possamos brincar um pouco de prever demanda.

Deixamos a série “demanda por tecidos e calçados” como padrão. Nesse sentido, além de ser uma série facilmente previsível, a mesma possui dois picos sazonais que chamam atenção, natal e dias das mães. 

Essas são técnicas estatísticas usadas quando dados de vários anos para um produto ou linha de produtos estão disponíveis, e quando as tendências são claras e relativamente estáveis.

O desafio da previsão de demanda – Como é na prática?

Na prática, em projetos de Data Science, buscamos trabalhar com diversas variáveis em conjunto para transformar um caldeirão de variáveis (datasets) em valor para nossos clientes da indústria e de serviços de forma integrada na plataforma Vorteris.

Atualmente, há diversas maneiras de se fazer isso. A própria planilha do Excel já pode trazer alguns resultados, porém não recomendamos, por questões de integração de sistemas e outras limitações sistêmicas. 

Bons exemplos de ingredientes de modelos de demanda, que usuários de planilhas não costumam ter acesso, são dados espaciais.

A geoestatística teve significativos avanços nas últimas décadas, e aqui na Aquarela a utilizamos muito. Assim, fazer bom uso dessas ferramentas, com dados bem coletados, pode promover significativas vantagens em relação à concorrência (geomarketing de expansão). 

Anteriormente já escrevemos sobre algumas técnicas de visualização que também podem contribuir com análises de demanda – Da visualização a tomada de decisão.

Integração da demanda nas estratégias de estoque e vendas

Vamos considerar que conseguimos elaborar um sistema com diversas técnicas de machine learning que nos traz uma alta taxa de assertividade. Neste cenário, chegamos ao segundo nível de desejo dos gestores: a automação de comportamentos inteligentes de forma antecipada. 

“O sonho de qualquer indústria é a precificação dinâmica em tempo real, associada a uma boa previsão de demanda” .

Para quem busca mais informações sobre os processos de precificação dinâmica e inteligente, escrevemos sobre isso usando como exemplo a precificação do metrô de Londres.  

As ações necessárias para que um sistema se comporte de forma inteligente dependem de muitos fatores técnicos/metodológicos que precisam estar associados aos processos de negócio. Para ajudar nesse mapeamento, criamos e recomendamos fortemente o uso do Analytics Business Canvas

Em alguns de nossos clientes, temos cenários onde determinados tipos de produtos precisam ser vendidos de maneira mais rápida do que outros devido a perda de valor monetário em relação ao prazo de validade, levando em conta a qualidade dos estoques – Smart Stock.

O sistema deve prever oportunidades de consumo maior na cadeia de suprimento, para que este produto seja encaminhado com priorização dentro da cadeira. Logo, técnicas de precificação e descontos podem ser aplicadas automaticamente conforme as previsões da demanda, sem excluir regras e limites de preço estabelecidas pelo time de preço.

Aprendemos que há sempre a necessidade de trabalhar com abordagens mescladas de precificação para que o resultado seja adequado às expectativas. O módulo que utilizamos é o Smart Pricing.

O desafio da previsão de demanda – Conclusões e recomendações

Para prever a demanda com propriedade é necessário entender suas características, como: tendência, sazonalidade, clima, região, público, etc.

A organização da análise e alinhamento de todos os envolvidos nessas análises podem ser facilitada com o uso do Business Canvas Analytics (download Gratuito).

O trabalho de profeta sempre foi e continuará sendo difícil. O que está havendo, no entanto, é que:

a emergência dos algoritmos de machine learning e metodologias de analytics têm permitido um aprimoramento deste trabalho sem precedentes, tornando as incertezas sobre o futuro um pouco mais administráveis. 

Bons dados nas mãos de bons cientistas de dados podem gerar predições confiáveis, mas isso não torna a atividade de previsão de demanda uma tarefa fácil. 

Na Aquarela, desenvolvemos projetos integrados em uma plataforma de recomendação que busca reduzir esses pontos de gargalo, utilizando diversas abordagens de I.A para a descoberta de padrões sazonais, regionais e histórico de consumo de produtos.

Tudo deve estar alinhado dentro de uma metodologia de dados para que a solução gere recomendações personalizadas de vendas e encaminhamentos logísticos ao mesmo tempo em que ajude no controle do estoque e até colabore nas estratégias de otimização dos preços.

Acompanhe a parte 2 deste artigo, na qual abordamos os principais problemas para prever demanda.

Gostou do artigo sobre o desafio da previsão de demanda na visão da Aquarela Analytics? Então, deixe o seu comentário.

Autores