Este artigo descreve, passo a passo, como uma PME pode usar o seu histórico de vendas para prever a procura. O cenário é ilustrativo: uma pequena distribuidora de produtos de consumo, com algumas centenas de artigos, que compra a fornecedores com prazos de entrega de várias semanas e que já sentiu na pele o custo de errar nas quantidades.
O ponto de partida
Esta empresa fazia as encomendas aos fornecedores com base na experiência do responsável de compras e numa folha de cálculo com médias dos últimos meses. Funcionava razoavelmente nos artigos estáveis, mas falhava nos produtos sazonais e nas campanhas, resultando em ruturas numas épocas e excessos noutras.
O objetivo do projeto foi modesto e mensurável: melhorar a previsão mensal por família de produtos, para apoiar, e não substituir, as decisões de compra. Definiu-se também uma métrica de erro, comparando a previsão com as vendas reais, e uma referência: o método anterior.
O modelo e os dados usados
Os dados vieram do ERP: vendas por artigo e por mês ao longo de vários anos, preços, promoções e ruturas de stock. As ruturas foram um cuidado importante, porque vendas baixas por falta de stock não refletem uma procura baixa, e foram tratadas à parte para não enganar o modelo.
Optou-se por um modelo estatístico de previsão de séries temporais, que identifica tendência e sazonalidade, e ao qual se adicionaram variáveis como feriados e campanhas. Para a dimensão do problema, um modelo relativamente simples e fácil de explicar mostrou-se mais útil do que uma solução sofisticada, porque a equipa conseguia perceber de onde vinham os números.
A previsão foi apresentada num relatório mensal, com um intervalo de valores e não apenas um número, e com os artigos de maior incerteza assinalados.
Resultados e lições
Comparando com o método anterior em vários meses de teste, a previsão por família melhorou nos produtos sazonais e ficou semelhante nos estáveis. O ganho mais útil não foi o número em si, mas a discussão que gerou: a equipa passou a questionar pressupostos e a antecipar campanhas.
As lições foram claras. Dados organizados valem mais do que algoritmos complexos; o modelo precisa de acompanhamento humano, sobretudo quando surgem produtos novos ou mudanças de mercado; e é essencial medir o erro de forma contínua. Os resultados concretos variam de empresa para empresa e dependem muito da qualidade do histórico.
Para uma PME que queira repetir o exercício, o conselho é começar por uma família de produtos, validar os resultados com quem compra e só depois alargar o âmbito.
