Planejamento de demanda mais eficiente com machine learning

O planejamento da demanda é uma das tarefas mais complicadas dentro das grandes empresas. Resumidamente, ele consiste na capacidade de se planejar para que o produto esteja disponível no momento, na quantidade e no local corretos. Ou seja: é quem garante que sempre que o cliente desejar o produto, irá encontrá-lo disponível sem que, para isso, seja necessário criar um grande volume de estoque.

O planejamento de demanda mal feito gera gastos desnecessários para a empresa, seja o custo da falta (perda da venda) ou do estoque parado. Quando falamos do custo do estoque parado, podemos citar vários tipos, como o custo da manutenção, da armazenagem, do risco de estoque, do pedido e outros.

Por muitos anos, métodos simples de análises de séries temporais foram utilizados para auxiliar nos desafios do planejamento da demanda, como média móvel, alisamento exponencial, regressão simples ou múltipla e outros. Esses modelos acabam sendo preferidos pela sua simplicidade de interpretação e de implementação, uma vez que não necessitam de grandes recursos computacionais para a sua execução e podem ser facilmente implementados.

Apesar da vantagem da fácil interpretação e implementação, estes modelos possuem algumas desvantagens, como não conseguir captar componentes importantes das séries temporais como: tendências ou sazonalidades de forma nativa. Algumas dessas técnicas não conseguem nem trabalhar com variáveis e fatores externos (por exemplo: preço, temperatura, concorrência), melhorando a acurácia e adaptando os modelos à realidade do negócio. Afinal, de nada adianta ter um modelo que não consegue captar e interpretar os valiosos sinais que afetam a demanda.

Com isso, outras famílias de modelos tornaram-se peças-chave para uma boa modelagem no planejamento da demanda, trazendo resultados mais condizentes com a realidade do negócio. Os modelos da família ARIMA ou ARIMAX, também conhecidos como SARIMA, vêm sendo muito utilizados para o planejamento da demanda já que conseguem lidar de forma nativa com as principais características presentes nas séries temporais.

Sabemos que, além dos dados históricos da demanda, as empresas possuem valiosas informações de negócio como dados do ponto de vendas (PDV), preço praticado, preço planejado, histórico de promoções e planejamento futuro, preços dos concorrentes e muitas outras. São essas informações que constituem os sinais da demanda. Além disso, informações qualitativas como:greves, enchentes e pandemia também são muito úteis e devem sempre ser usadas para enriquecer os modelos.

Um dos diferenciais quando estamos trabalhando com essas variáveis explicativas citadas acima é a capacidade de transmitir para o modelo a justificativa de ocorrências passadas e simulações futuras. Imagina poder saber qual será a demanda do produto variando informações como preço futuro ou feriados planejados? Com o uso de ferramentas analíticas, isso que chamamos de construção de cenários, torna-se parte do dia a dia.

Existem diversos softwares que fornecem ferramental estatístico para suportar e auxiliar nesta modelagem com os mais avançados métodos de séries temporais. Soluções que possuem capacidade para selecionar automaticamente o melhor modelo estatístico em cada um dos níveis hierárquicos da série temporal e fornecer melhor acurácia. Realizar essa atividade de forma automatizada com a escolha do melhor modelo torna-se um diferencial, principalmente quando não é necessário codificar ou compreender de modelagem a fundo.

Ao longo dos últimos anos, vemos uma grande movimentação na utilização de modelos de Machine Learning, e a pergunta que surge é: será que podemos utilizar esses modelos para melhorar o planejamento da demanda? Será que a Inteligência Artificial pode trazer ganhos para a modelagem de séries no tempo? A resposta é “sim, com certeza!”. São observados bons resultados quando se combinam técnicas de Machine Learning como segmentação de curvas, modelos de redes neurais e modelos tradicionais de séries temporais. Existem pesquisas que mostram que muitas vezes é esta combinação de técnicas que vai otimizar os resultados, como a pesquisa realizada por Spyros Makridakis, chamada: M-Competition. (https://www.sciencedirect.com/science/article/abs/pii/S0169207018300785)

Ou seja, a utilização de modelos de Machine Learning para o planejamento da demanda pode, sim, enriquecer muito a modelagem, desde que seja usada com cautela e respeitando as características das séries analisadas. É preciso tomar cuidado com as generalizações de automatização total do processo de planejamento da demanda. Existem informações e processos, como identificação e construção de novas variáveis explicativas, que, uma vez encontradas, podem facilmente ser automatizadas, mas que jamais serão descobertas sem intervenção do entendedor do negócio. O ponto ótimo dos resultados é atingido quando exploramos as vantagens minimizando as desvantagens e encontrando sentido ao que está sendo modelado.

. Por: Mariana Fontanezi, consultora de pré-vendas no Brasil do SAS, líder mundial em analytics.

Enviar Imprimir