Como realizar previsão de vendas ou demanda?

Como realizar previsão de vendas ou demanda?

Uma solução para resolver esse “cabo de guerra” é a utilização de uma metodologia estatística para realizar a previsão da demanda. Como são utilizados dados históricos para captar o “DNA” da demanda, chamamos essa técnica de Séries Temporais, que apesar de não fazer parte do corpo de conhecimento dos cursos de 6-sigma, penso ser uma técnica extremamente importante para um Green Belt ou Black Belt.

Nos próximos blogs tentarei desmistificar essa técnica e apresentar a solução de um caso utilizando o software Minitab. Nesse primeiro post tenho o objetivo de apresentar a técnica e deixar os detalhes técnicos para as próximas conversas.

Para isso irei utilizar os dados de demanda de um produto que chamarei de PRODUTO A.

Quem quiser os dados para brincar e aprender essa técnica extremamente poderosa, basta mandar um e-mail para [email protected]. Nos projetos realizados pela EDTI Já conseguimos economizar milhões em estoque em diversas companhias, sem comprometer o nível de serviço, é claro!

Um resumo dos dados do Produto A estão na tabela abaixo. Seja X_t a informação no instante t e X_t-1 a informação um instante anterior (por exemplo X_t=demanda de fevereiro e X_t-1=demanda de janeiro). Se janeiro ajuda a prever fevereiro, deveria existir correlação entre a demanda desses dois meses. Para verificar essa hipótese, construímos um gráfico de dispersão entre a coluna X_t e a coluna X_t-1 da tabela abaixo. Como essa ferramenta bastante conhecida por Green Belts e Black Belts não entrarei em detalhes aqui, ok?

data	Demanda Xt	lag_demanda (Xt-1)
Oct-05	199	*
Nov-05	198	199
Dec-05	180	198
Jan-06	168	180
…	…	…

 

Fica claro que existe uma forte relação entre a informação passada e futura.

Se calcular a correlação, obtemos o valor de 0,765. Assim poderíamos pensar em um MODELO para descrever essa relação:

X_t+1=µ+φ_1­X_t+a_t

ou seja, a demanda do mês seguinte (X_t+1) depende de uma demanda média geral (µ), da demanda atual (Xt) multiplicada por um fator (φ₁) e de um ruído aleatório que representa outras variáveis não consideradas (como a sazonalidade, uma promoção, etc.). Os experts em 6-sigma, principalmente Black Belts reconhecerão a similaridade com o modelo de regressão. Como estamos fazendo uma regressão com o histórico passado chamamos esse modelo de autoregressivo.

Com a ajuda do Minitab (ou qualquer outro software estatístico) podemos pedir que ele estime os valores de µ e φ₁. No Minitab 17, no caminho Stat>>Time Series>>ARIMA conseguimos encontrar o procedimento que faz os cálculos necessários, conforme figura abaixo

Na opção “Series” informamos qual a coluna que contém os dados da série e na opção “Autoregressive” informamos “1”.

Não entrarei em detalhes nesse post, ok? Mas prometo que tratarei isso com detalhes nos próximos.

Com essas informações o Minitab faz os cálculos o joga o resultado no Session Folder:

Final Estimates of ParametersType        Coef  SE Coef      T      PAR   1    0.7650   0.0651  11.76  0.000Constant  47.483    3.002  15.82  0.000 Mean      202.05    12.77

Ou seja, o modelo estimado fica:

X_t+1=47.484+0.765X_t

E com ele podemos realizar previsões de demanda para os meses seguintes. Por exemplo, a demanda de dezembro/2014 foi de 296 itens. A previsão de demanda para fevereiro será:

X_t+1=47.484+0.765×296=274

Se quisermos prever qual será o consume em fevereiro, também podemos fazer com esse modelo:

X_t+1=47.484+0.765×274=257

Viram como é fácil! Com o auxílio do Minitab e os dados à disposição fica mais fácil tomar decisões baseadas nos dados. O prof. Ademir Petenate, sócio da EDTI e professor do departamento de estatística da Unicamp desde 1974, sempre diz que nossa vida hoje é muito fácil, pois o computador faz o trabalho pesado e nós temos “apenas” que aprender a interpretar os resultados.

Essa técnica que apresentei pode ser aplicada em qualquer série histórica de dados: vendas, índices econômicos, previsão de temperatura e muitas outras.