Problemas em Prever demanda – parte 2

Quais são os desafios do processo de previsão de demanda?

Prever demanda é estratégico, mas não é fácil, pois está sujeita a fatores externos à empresa, como: clima, o nível de atividade econômica, preços da concorrência, acessibilidade ao produto-serviço e até mesmo a impasses geopolíticos.  

Neste artigo, vamos compartilhar alguns dos possíveis problemas relacionados ao desafio da previsão de demanda. Sugerimos a leitura da parte 1 para entender como abordamos o desafio da previsão de demanda.

Processos não colaborativos

O Planejamento de Demanda deve ser um processo colaborativo entre diferentes áreas da companhia, e aqui citamos: suprimentos, produção, logística, marketing, vendas e T.I. 

TI?! Mas o que o setor de Tecnologia da Informação tem a ver com planejamento de demanda?

Apesar do gestor conseguir fazer o trabalho de sincronizar as agendas e alocar os responsáveis de cada área na mesma sala de reunião, é bem provável que tenha dificuldades em chegar a um acordo sobre quais dados utilizar no planejamento da demanda. É nesse momento que o departamento de TI fará sua contribuição.

A falta de colaboração entre as diferentes áreas da companhia sem dúvidas afeta suas operações internas, mas também resulta na formação de Silos de Informação (também conhecidos como Data Silos), isto é, repositórios (ou bancos) de dados isolados, que são controlados por essas diferentes áreas da companhia, e que não estão integrados e compartilhados aos demais sistemas da empresa, ferindo conceitos básicos dos 5Vs do Big Data.

Ou seja, a falta de colaboração é refletida nos dados, justamente – o principal insumo – para qualquer modelo de previsão de demanda, dos mais arcaicos feitos em planilha eletrônica até aos nossos mais complexos algoritmos de Advanced Analytics.

É por isso que em nossa visão – o cenário ideal – e que buscamos construir a quatro-mãos com nossos clientes industriais é: 

“Um ambiente onde os dados internos referentes a suprimentos, produção, vendas e distribuição estão devidamente integrados e associados a fatores externos relativos ao negócio e ao tipo de produto vendido.”

Aplicação de regras do passado no futuro para prever demanda

A aplicação de algoritmos de inteligência artificial, sejam eles quais forem, apresenta um tipo de risco metodológico importante: 

“Treinar uma máquina com dados do passado fará com que ela descubra padrões do passado. Logo, se queremos que ela gere um desempenho melhor do que o passado, precisamos saber como ensinar a máquina a esquecer alguns erros e reforçar os acertos. Isso é um desafio”.

Ciclo de vida dos produtos e produtos de características diferentes 

Em cada estágio da vida de um produto (da concepção até as vendas em escala), as decisões da gestão variam consideravelmente, e isso pode gerar, consequentemente,  reflexos importantes na capacidade de prever demanda. Assim, é recomendável tratar produtos e suas séries históricas de forma separada.  

Também, quando são colocados produtos com naturezas diferentes, haverá a mistura de padrões de comportamentos, como por exemplo, produtos frios não devem se comparados com produtos de massas e assim por diante.

Quanto mais controlado, balanceado e focado do dataset final de previsão de demanda, melhor pode ser a assertividade do modelo.

Regras de negócio preestabelecidas

Quando analisamos, às vezes bilhões de transações de venda, percebemos que começam a surgir padrões nas vendas que não são necessariamente variações da demanda e sim da oferta. Isso ocorre quando há regras preestabelecidas de negócio que são executadas em épocas específicas.

Vamos supor que uma fábrica têxtil oferte mais meias de crianças no verão do que no inverno ao longo dos últimos 5 anos, isso pode levar a ideia de que a demanda do produto é maior no verão, mas isso só seria possível verificar se a oferta gerada pela empresa for a mesma ao longo das estações.

Recomendamos entender como e onde estão as regras comerciais para, sempre que possível, fazer atenuações artificiais sobre as regras artificiais em um processo de harmonização de indicadores que, uma vez equilibrados, podem dar mais qualidade e visibilidade das variações aos algoritmos.  

Conclusões

Empresas com grande quantidade de produtos, em diversas regiões ao longo do tempo, enfrentam desafios para estabelecer um planejamento relativo à previsão de demanda, e alguns riscos devem ser mitigados, sobretudo no que tange a metodologia das análises e machine learning, além de regras comerciais preestabelecidas que geram viés nos resultados passados. 

Apesar de serem vários os empecilhos metodológicos/técnicos e organizacionais, expomos apenas alguns) que inibem um melhor planejamento da demanda. Prever demanda continua sendo possível, não para prever o futuro mas sim gerar condições favoráveis a decisões mais assertivas no presente. O que eu devo fazer agora para melhorar os resultados do futuro? 

Para ficar por dentro de esses e outros conteúdos de analytics, assine gratuitamente nossa newsletter e siga a Aquarela no Linkedin.

Autores