Gestão da demanda nas redes de suprimentos: tudo começa com um bom diagnóstico

A gestão da demanda ocupa uma posição central nas redes de suprimentos porque grande parte das decisões de compras, produção, estoques, capacidade e distribuição depende, direta ou indiretamente, de uma estimativa sobre o comportamento futuro dos clientes. A previsão de demanda é uma parte fundamental desse processo, mas não deve ser confundida com a própria gestão da demanda. Enquanto a previsão procura estimar o comportamento futuro da demanda, a gestão da demanda é mais ampla: envolve compreender o mercado, interpretar corretamente os dados disponíveis, gerar previsões, incorporar informações relevantes do negócio e avaliar continuamente se as intervenções realizadas ao longo do processo realmente melhoram os resultados.

Nos últimos anos, esse desafio ganhou uma nova dimensão. O aumento da capacidade computacional, a evolução dos softwares de forecasting, o avanço do machine learning e, mais recentemente, da inteligência artificial ampliaram significativamente as possibilidades disponíveis para as empresas. Apesar disso, problemas bastante conhecidos continuam presentes em muitas organizações: excesso de estoque em alguns produtos, rupturas em outros, baixa confiança nas previsões e muito tempo gasto em reuniões para discutir qual número deve orientar as decisões.

Na minha experiência acadêmica e profissional, tenho observado que o problema raramente está apenas na falta de uma tecnologia mais sofisticada. Muitas empresas querem melhorar sua gestão da demanda, mas não conhecem com clareza a qualidade do processo que possuem hoje. Por essa razão, qualquer iniciativa de melhoria deveria começar por um diagnóstico capaz de mostrar onde estão os principais problemas, quanto eles representam e quais mudanças têm maior potencial de gerar resultados.

Antes de discutir qual software utilizar, qual algoritmo testar ou como aplicar inteligência artificial, é preciso compreender como o processo funciona atualmente. Isso significa avaliar quais dados são utilizados, se a empresa está prevendo vendas ou demanda, em qual nível de agregação e horizonte as previsões são produzidas, como a precisão e o viés são medidos, de que forma a previsão inicial é construída e quais intervenções são realizadas posteriormente. Também é necessário verificar se essas intervenções efetivamente melhoram os resultados, quais informações internas e externas são incorporadas e, principalmente, quais decisões nas redes de suprimentos dependem dessas previsões. Sem esse entendimento, existe o risco de investir em uma excelente tecnologia para sofisticar um processo que ainda não foi adequadamente estruturado.

O diagnóstico começa pelos dados e pela compreensão da demanda

Uma das primeiras questões que um diagnóstico deve responder parece simples, mas tem implicações importantes: a empresa está prevendo vendas ou demanda? Os dois conceitos não são necessariamente iguais. Se um produto ficou sem estoque durante determinado período, as vendas observadas podem ter sido zero, embora vários clientes estivessem dispostos a comprá-lo. Quando o histórico de vendas é utilizado diretamente como representação da demanda, o modelo pode interpretar uma ruptura de estoque como uma queda real do mercado e, com isso, produzir uma previsão ainda menor para o período seguinte.

Esse erro pode criar um ciclo difícil de romper. Vendas menores geram previsões menores, que podem levar a estoques menores e, consequentemente, a novas rupturas. Promoções, alterações de preços, lançamentos, substituição entre produtos e canibalização também podem distorcer a leitura do histórico. Por isso, em muitos projetos, melhorar a qualidade e a interpretação dos dados pode gerar mais resultado do que simplesmente substituir um algoritmo por outro mais sofisticado.

O diagnóstico também precisa avaliar a granularidade e o horizonte da previsão, porque uma mesma previsão dificilmente atende a todas as decisões da organização. Uma previsão mensal por família de produtos pode ser adequada para determinadas decisões de capacidade, enquanto a reposição de um SKU em determinado centro de distribuição pode exigir uma previsão semanal ou até diária. Não existe, portanto, uma única granularidade correta; a previsão precisa ser construída no nível adequado à decisão que pretende apoiar.

Um bom histórico de demanda ainda não é suficiente

Mesmo quando a empresa consegue construir um histórico de demanda confiável, isso não significa que disponha de todas as informações necessárias para produzir uma boa previsão. A demanda é resultado da interação de diferentes variáveis internas e externas, e muitas delas não estão representadas diretamente na série histórica. Preço, promoções, campanhas de marketing, lançamentos, disponibilidade de produtos, abertura de canais e ações comerciais podem alterar significativamente seu comportamento, assim como clima, feriados, eventos, movimentos da concorrência, indicadores econômicos e mudanças no comportamento dos consumidores.

A série histórica mostra o que aconteceu, mas, isoladamente, nem sempre permite compreender por que aconteceu. Essa diferença é importante para a escolha dos métodos de previsão. Modelos de séries temporais podem apresentar excelentes resultados quando o comportamento futuro é explicado, em grande medida, pelos padrões existentes no próprio histórico, como nível, tendência e sazonalidade. Quando a demanda depende de múltiplas variáveis, porém, limitar a previsão exclusivamente ao histórico significa deixar de utilizar informações que podem ser relevantes para explicar seu comportamento futuro.

É nesse contexto que os modelos de machine learning ganharam espaço. Sua principal vantagem não está simplesmente no fato de serem mais modernos ou sofisticados, mas na capacidade de trabalhar simultaneamente com um grande número de variáveis, capturar relações não lineares e identificar interações complexas. Os resultados de competições internacionais de forecasting, como a M4 e a M5, ajudam a mostrar essa evolução, com destaque para abordagens híbridas e modelos de machine learning, especialmente em problemas com grande quantidade de séries e disponibilidade de informações adicionais.

Esses resultados não significam que os métodos estatísticos tradicionais tenham deixado de ser úteis, nem que exista um algoritmo universalmente superior. A conclusão mais importante é que, quanto mais complexa for a dinâmica da demanda e maior a disponibilidade de dados relevantes, maior tende a ser o potencial de modelos capazes de combinar o histórico com diferentes variáveis explicativas. Por isso, os modelos de machine learning devem fazer parte do conjunto de técnicas consideradas em muitos problemas de previsão de demanda, mas a escolha final precisa ser baseada em resultados.

O melhor modelo precisa ser testado

Outro problema frequente é a escolha do método de previsão por hábito, preferência ou simples disponibilidade da ferramenta. O comportamento da demanda varia muito entre produtos: algumas séries são relativamente estáveis, outras apresentam tendência ou sazonalidade, algumas são intermitentes e outras sofrem forte influência de promoções, preços, clima ou diferentes variáveis externas. Diante dessa diversidade, a pergunta relevante não é qual é o melhor modelo de previsão de forma geral, mas qual modelo funciona melhor para cada situação.

Hoje é possível testar diferentes métodos com relativa facilidade, incluindo modelos ingênuos, médias móveis, suavização exponencial, Holt-Winters, ARIMA e diferentes técnicas de machine learning. A disponibilidade de capacidade computacional permite comparar um conjunto amplo de alternativas, mas essa comparação precisa ser feita corretamente. O modelo não deve ser avaliado apenas com os mesmos dados utilizados para sua construção, pois isso pode gerar uma percepção excessivamente otimista de seu desempenho.

Uma avaliação mais consistente exige separar períodos de treinamento e validação, procurando reproduzir uma situação real. O princípio é utilizar apenas as informações que estariam disponíveis em determinado momento, gerar uma previsão para um período futuro e compará-la com aquilo que efetivamente aconteceu. Só assim é possível avaliar a capacidade do modelo de produzir boas previsões fora da amostra utilizada em seu desenvolvimento. A escolha do método, portanto, deve ser consequência da evidência produzida por um processo de validação adequado, e não da preferência por determinada técnica.

Precisamos rever também como medimos a qualidade da previsão

A comparação entre modelos depende diretamente das métricas utilizadas, e esse é outro ponto que merece atenção. O MAPE — Mean Absolute Percentage Error — é provavelmente uma das medidas mais difundidas nas empresas porque apresenta o erro em termos percentuais e, à primeira vista, parece fácil de interpretar e comunicar. Essa simplicidade, entretanto, pode ser enganosa, especialmente quando existem demandas muito baixas, valores iguais a zero ou portfólios formados por produtos com comportamentos e importâncias muito diferentes.

Quando a demanda é baixa, pequenos erros em unidades podem produzir percentuais muito elevados; quando a demanda é zero, o cálculo se torna problemático. Imagine, por exemplo, um produto cuja demanda real seja de 10 unidades e a previsão seja de 20: o erro absoluto é de apenas 10 unidades, mas o erro percentual é de 100%. Em outro produto, com demanda de 10.000 unidades, um erro de 500 unidades representa apenas 5%. A média simples desses percentuais pode produzir uma leitura pouco representativa do desempenho real do processo.

Além disso, os produtos não possuem a mesma importância para o negócio. Um erro em um item de baixo volume ou valor pode ter impacto muito diferente de um erro em um produto relevante para a receita, a margem ou o capital investido em estoques.

Dependendo do objetivo da análise, ponderar os erros por volume ou valor pode ser fundamental para avaliar adequadamente o desempenho de um portfólio e evitar que itens pouco relevantes distorçam a percepção sobre a qualidade global da previsão.

Por essas razões, prefiro utilizar uma medida de erro absoluto escalada pela demanda, que podemos chamar de %MAE, analisada em conjunto com o %Viés. O %MAE indica a magnitude do erro, enquanto o %Viés mostra sua direção e permite identificar se a empresa está sistematicamente superestimando ou subestimando a demanda. Dois modelos podem apresentar erros médios semelhantes e, ao mesmo tempo, gerar consequências muito diferentes: um pode alternar erros positivos e negativos, enquanto outro pode errar sistematicamente para cima, contribuindo para excesso de estoques, ou para baixo, aumentando o risco de rupturas.

Uma forma prática de incorporar as duas dimensões na comparação entre modelos é utilizar o critério %MAE + |%Viés|, em que valores menores representam um melhor equilíbrio entre a magnitude do erro e a ausência de viés. Não considero essa fórmula uma métrica universal que deva substituir todas as demais, pois diferentes empresas, produtos e decisões podem exigir indicadores distintos. Sua principal contribuição é tornar explícito que precisão e viés precisam ser avaliados conjuntamente, já que um modelo com erro médio aparentemente baixo, mas com viés sistemático, pode não ser adequado para apoiar decisões.

O modelo é o ponto de partida, não o ponto de chegada

Mesmo o melhor modelo quantitativo não conhece tudo o que está acontecendo no negócio. A área comercial pode antecipar um pedido extraordinário de um grande cliente, marketing pode conhecer uma promoção futura que ainda não aparece nos dados, a operação pode prever uma restrição de abastecimento e movimentos dos concorrentes podem alterar o comportamento do mercado. Esse conhecimento é relevante e pode melhorar a previsão, mas o simples fato de uma intervenção ser realizada por alguém com experiência no negócio não significa que ela necessariamente agregará valor.

Em algumas situações, o conhecimento das pessoas acrescenta informações que o modelo ainda não possui; em outras, os ajustes podem refletir excesso de otimismo, metas comerciais, pressões internas ou interpretações que posteriormente não se confirmam. A solução, portanto, não é escolher entre modelos quantitativos e conhecimento humano, mas combinar os dois e medir os resultados de forma objetiva.

A previsão quantitativa pode funcionar como uma baseline a partir da qual as áreas envolvidas realizam seus ajustes. O desempenho deve então ser comparado antes e depois de cada intervenção. Se os ajustes reduzem o erro e o viés de forma consistente, agregam valor; se pioram os resultados, o processo precisa ser revisto. Essa é a lógica do Forecast Value Added (FVA), que aplica ao processo de gestão da demanda a mesma disciplina utilizada para comparar modelos e permite identificar quais etapas realmente contribuem para melhorar a previsão.

Academia e prática precisam trabalhar juntas

Existe uma grande oportunidade na aproximação entre o conhecimento acadêmico e a experiência prática das empresas. A academia desenvolve métodos estatísticos, técnicas de machine learning, métricas e procedimentos de avaliação, enquanto as empresas conhecem profundamente seus clientes, mercados, produtos, restrições e particularidades operacionais. Separados, esses conhecimentos apresentam limitações; combinados, podem produzir processos de gestão da demanda muito mais consistentes.

Uma solução tecnicamente sofisticada pode fracassar quando não considera a realidade do negócio. Da mesma forma, a experiência prática, quando não é submetida a uma avaliação objetiva, pode perpetuar procedimentos que parecem funcionar, mas que nunca foram efetivamente testados. A academia pode contribuir para estruturar diagnósticos, selecionar métricas, testar modelos e avaliar resultados, enquanto a prática ajuda a interpretar os dados, compreender o contexto e transformar previsões em decisões.

Não se trata de impor soluções acadêmicas às empresas, nem de desprezar o conhecimento científico em nome da experiência. O desafio é integrar teoria e prática em um processo de aprendizado contínuo, no qual hipóteses, modelos e intervenções sejam confrontados com resultados. Essa combinação é particularmente importante em gestão da demanda, uma área em que o rigor analítico precisa conviver com a complexidade e a incerteza do ambiente empresarial.

A melhor tecnologia vem depois do diagnóstico

Com o avanço dos softwares de forecasting, do machine learning e da inteligência artificial, é compreensível que muitas discussões comecem pela tecnologia. Qual software utilizar, qual algoritmo adotar e como incorporar inteligência artificial são perguntas importantes, mas não deveriam ser as primeiras. A melhor tecnologia depende do problema que precisa ser resolvido, e esse problema só pode ser compreendido adequadamente quando o processo atual é diagnosticado.

Em uma empresa, o diagnóstico pode revelar que o principal problema está na qualidade dos dados; em outra, pode mostrar que um bom modelo quantitativo está sendo sistematicamente deteriorado pelas intervenções posteriores; em uma terceira, o maior potencial de melhoria pode estar na incorporação de variáveis internas e externas que ainda não são utilizadas. Também pode acontecer de um modelo relativamente simples superar uma técnica muito mais complexa. O importante, portanto, não é utilizar a tecnologia mais avançada, mas a tecnologia mais adequada à realidade e às necessidades do processo.

A sequência deveria ser compreender o processo atual, medir seu desempenho, identificar as principais oportunidades de melhoria, avaliar a disponibilidade e a qualidade dos dados, testar diferentes técnicas e, somente então, escolher a tecnologia.

Dessa forma, a tecnologia deixa de ser um ponto de partida baseado em expectativas e passa a ser uma consequência de um diagnóstico estruturado e de evidências sobre onde estão as maiores oportunidades de geração de valor.

Melhorar a gestão da demanda é melhorar o processo de decisão

A gestão da demanda deve ser avaliada por sua capacidade de apoiar melhores decisões nas redes de suprimentos, e não pela sofisticação do algoritmo ou pelo software utilizado. Isso exige dados adequados, incorporação de variáveis relevantes, métricas coerentes, comparação entre modelos, avaliação das intervenções humanas e aprendizado contínuo. Exige também uma integração maior entre conhecimento acadêmico e experiência empresarial, de modo que o rigor dos métodos seja combinado com a compreensão da realidade do negócio.

As tecnologias estão cada vez mais acessíveis e oferecem possibilidades que poucos anos atrás estavam restritas a organizações com grandes equipes de especialistas. Essa evolução é positiva, mas não elimina a necessidade de fazer as perguntas corretas.

Antes de escolher um software ou algoritmo, a empresa deveria procurar entender onde está errando, quanto está errando, se existe viés, quais informações relevantes ainda não estão sendo utilizadas e quais etapas do processo realmente melhoram a previsão.

Responder a essas perguntas permite identificar as principais oportunidades e orientar as escolhas seguintes. Em vez de começar pela ferramenta e procurar um problema para justificar sua utilização, a empresa passa a compreender primeiro suas necessidades e, a partir delas, selecionar os métodos, as pessoas e as tecnologias mais adequadas. Em gestão da demanda, como em muitas outras áreas da gestão, tudo começa com um bom diagnóstico.

Mauro Sampaio é professor e consultor especializado em logística, gestão de operações e supply chain. Doutor em Administração de Empresas pela Fundação Getulio Vargas (FGV EAESP), foi Visiting Scholar na Ohio State University (OSU), nos Estados Unidos, e na Chalmers University of Technology, na Suécia. É professor da Fundação Instituto de Administração (FIA) e da Fundação Dom Cabral (FDC) e sócio da Scinno Consulting. Possui mais de 25 anos de experiência acadêmica e profissional, atuando em projetos, pesquisas e programas de educação executiva nas áreas de gestão de redes de suprimentos, logística, gestão da demanda, analytics e transformação digital.