Qual acuracidade de forecast é considerada boa?

Depende do nível de abertura e do giro do item, por isso não existe alvo único. Previsão mensal agregada por marca costuma operar com erro de um dígito; previsão por SKU e por loja, especialmente em itens de giro baixo, convive com erro bem maior e isso não é falha do time. O critério que funciona em qualquer nível é relativo: a previsão precisa errar menos que o método mais simples disponível sobre o histórico daquele mesmo cliente.

Um modelo de inteligência artificial prevê melhor que uma planilha?

Às vezes sim, às vezes não, e isso tem de ser demonstrado cliente por cliente. Onde o histórico é longo, estável e com sazonalidade clara, um método estatístico ganha com folga. Onde a venda é intermitente, o histórico é curto ou a série é dominada por campanhas, a conta simples frequentemente ganha. A regra prática é comparar os dois sobre períodos que não participaram do ajuste e usar o que errar menos, trocando quando a resposta mudar.

Como prever venda de loja nova ou SKU recém-lançado?

Por semelhança, declarando a incerteza. Para loja nova, use a curva de lojas parecidas em porte, região e perfil, dentro do mesmo cluster, e corrija nas primeiras semanas de venda real. Para SKU novo, use a curva de entrada de um produto análogo da mesma categoria e da mesma faixa de preço. Em ambos os casos, a previsão deve ser apresentada como faixa e revisada com frequência maior que a do restante da carteira.

Forecast de vendas: o que é e como medir

Forecast de vendas: o que é

Previsão de quanto será vendido num período futuro, por produto, cliente, loja ou região.

Forecast de vendas é a estimativa de quanto será vendido num período futuro, aberta pelo nível em que a decisão será tomada: produto, cliente, loja, canal ou região. No trade marketing ele sustenta três decisões que custam dinheiro quando erram: quanto produzir e comprar de insumo, quanta verba reservar por cliente no ciclo seguinte e qual meta negociar com cada rede.

A granularidade muda completamente o problema. Previsão agregada por marca e por mês serve à fábrica e tende a ser razoavelmente precisa, porque os erros de clientes diferentes se cancelam. Previsão por cliente, por loja e por SKU serve a quem monta pedido e negocia meta, e é muito mais difícil, porque não há nada para cancelar o erro. O efeito prático é que um número excelente no total da marca pode conviver com erro grande em cada ponta, e quem vive da ponta não é atendido pelo número do total.

A honestidade de uma previsão se mede fora do período em que ela foi construída. Um cálculo ajustado sobre o próprio histórico acerta o passado por construção, então a única verificação que vale é prever um período que não participou do ajuste e conferir contra o realizado. E essa conferência precisa de um ponto de comparação: o método mais simples disponível, como repetir o mês anterior ou usar a média dos últimos três meses. Um método elaborado que não erra menos que o método simples sobre o histórico do próprio cliente não deveria substituí-lo.

Erro e viés são defeitos diferentes e exigem correções diferentes. Erro é o tamanho médio da distância entre previsto e realizado, sem olhar o sinal. Viés é a tendência de errar sempre para o mesmo lado. Uma previsão pode ter viés quase zero no acumulado do trimestre e erro alto mês a mês, porque sobras e faltas se compensaram no total, e é exatamente esse caso que mais engana: a reunião aprova o número do trimestre enquanto a operação conviveu com estoque errado em todos os meses.

No trade marketing, o que mais quebra previsões não é o cálculo, é o evento. Campanha promocional, carregamento de estoque em fim de período, calendário móvel como Páscoa e Carnaval, mudança de preço, entrada ou saída de SKU no sortimento do cliente e loja nova sem histórico. Nenhum desses casos se resolve com mais histórico, e sim com informação que só existe na cabeça de quem negocia. Por isso previsão em trade é processo de consenso com dono do número, e não um arquivo que o sistema envia na primeira semana do mês. O desenho que funciona separa as duas camadas: o cálculo entrega o número de partida por loja e por cliente, e o time ajusta por evento conhecido, registrando o ajuste e o motivo, para que no mês seguinte seja possível saber se o erro veio da conta ou da expectativa de quem negociou.

Como calcular

Erro do mês (%) = |previsto − realizado| ÷ realizado × 100; Erro médio = média dos erros dos meses; Viés (%) = (soma dos previstos − soma dos realizados) ÷ soma dos realizados × 100

Exemplo

1.Previsão de três meses para um cliente, em caixas. Dezembro fechou em 1.000 caixas, dado que o método simples usa como ponto de partida.
2.Janeiro: previsto 1.200, realizado 1.080. Erro de 120 caixas, ou 120 ÷ 1.080 = 11,11%.
3.Fevereiro: previsto 1.150, realizado 1.260. Erro de 110 caixas, ou 110 ÷ 1.260 = 8,73%.
4.Março: previsto 1.300, realizado 1.240. Erro de 60 caixas, ou 60 ÷ 1.240 = 4,84%.
5.Erro médio do método elaborado: (11,11 + 8,73 + 4,84) ÷ 3 = 8,23%.
6.Agora o método simples, que repete o mês anterior. Janeiro: 1.000 contra 1.080, erro de 7,41%. Fevereiro: 1.080 contra 1.260, erro de 14,29%. Março: 1.260 contra 1.240, erro de 1,61%.
7.Erro médio do método simples: (7,41 + 14,29 + 1,61) ÷ 3 = 7,77%.
8.Conclusão: para esse cliente, o método elaborado erra 8,23% e repetir o mês anterior erra 7,77%. O número sofisticado perde, e usá-lo seria piorar a decisão com mais trabalho.
9.Viés no acumulado: previsto 1.200 + 1.150 + 1.300 = 3.650; realizado 1.080 + 1.260 + 1.240 = 3.580. Diferença de 70 caixas, ou 70 ÷ 3.580 = 1,96%. No trimestre a previsão parece quase perfeita, com menos de 2% de desvio, enquanto cada mês errou mais de 8%.

O erro mais comum

Avaliar a previsão apenas no total do período

Medir a acuracidade só no acumulado deixa sobras e faltas se cancelarem e produz um número tranquilizador que não corresponde a nada vivido na operação. No exemplo acima, o trimestre fecha com menos de 2% de desvio enquanto cada mês individual erra mais de 8%. O custo é real: a produção foi dimensionada errada três vezes, a verba foi distribuída com base em metas erradas e ninguém procurou a causa, porque o indicador de fechamento dizia que a previsão estava boa.

Perguntas frequentes

Qual acuracidade de forecast é considerada boa?: Depende do nível de abertura e do giro do item, por isso não existe alvo único. Previsão mensal agregada por marca costuma operar com erro de um dígito; previsão por SKU e por loja, especialmente em itens de giro baixo, convive com erro bem maior e isso não é falha do time. O critério que funciona em qualquer nível é relativo: a previsão precisa errar menos que o método mais simples disponível sobre o histórico daquele mesmo cliente.
Um modelo de inteligência artificial prevê melhor que uma planilha?: Às vezes sim, às vezes não, e isso tem de ser demonstrado cliente por cliente. Onde o histórico é longo, estável e com sazonalidade clara, um método estatístico ganha com folga. Onde a venda é intermitente, o histórico é curto ou a série é dominada por campanhas, a conta simples frequentemente ganha. A regra prática é comparar os dois sobre períodos que não participaram do ajuste e usar o que errar menos, trocando quando a resposta mudar.
Como prever venda de loja nova ou SKU recém-lançado?: Por semelhança, declarando a incerteza. Para loja nova, use a curva de lojas parecidas em porte, região e perfil, dentro do mesmo cluster, e corrija nas primeiras semanas de venda real. Para SKU novo, use a curva de entrada de um produto análogo da mesma categoria e da mesma faixa de preço. Em ambos os casos, a previsão deve ser apresentada como faixa e revisada com frequência maior que a do restante da carteira.

Da definição à execução

O sistema TradeWay acompanha a execução do seu PDV loja por loja, no mesmo dia em que a visita acontece.

Pedir acesso