Da estatística à decisão
Muitas empresas ainda fazem previsão de demanda usando médias simples e regras básicas. Esses números acabam sendo usados como base para decisões importantes de estoque, produção e materiais.
O problema é que esse tipo de abordagem ignora padrões relevantes. Sazonalidade, tendência, eventos e mudanças de comportamento simplesmente não aparecem.
Quando um modelo preditivo bem aplicado entra, ele começa a capturar esses sinais e melhora a acuracidade de forma consistente.
E isso não é detalhe técnico. Acuracidade tem impacto direto no resultado.
Cada ganho incremental na previsão reduz excesso de estoque, evita ruptura e melhora o nível de serviço. Para cada 1% de melhoria na acuracidade da previsão, duas referências de mercado amplamente reconhecidas nos ajudam a dimensionar o impacto:
IBF (Institute of Business Forecasting)
0,20%
de aumento na lucratividade por cada 1% de melhoria
McKinsey & Company
0,50%
de redução no custo total de estoque por cada 1% de melhoria
Ver detalhes em: Acuracidade do Forecast e Impacto Financeiro
Mas mesmo isso não resolve o problema completo. A previsão estatística deveria ser apenas o ponto de partida. Se ela não for revisada, contextualizada e conectada com o negócio, continua sendo só um número.
É a colaboração que transforma previsão em plano.
Quando comercial, operações e financeiro participam do processo, a previsão deixa de ser uma estimativa e passa a orientar decisões reais.
Este artigo mostra como estruturar o planejamento de demanda de ponta a ponta: dos dados e modelos até a construção de um plano integrado e conectado ao resultado financeiro.
Resumo rápido
- Planejamento de demanda não é só prever: é decidir, com base em dados tratados, contexto de negócio e consenso entre áreas.
- O processo tem 5 etapas: tratamento de dados, enriquecimento, análise, modelos e colaboração.
- Não existe um único modelo que funciona sempre: teste várias abordagens e escolha pela performance em hold-out, série a série.
- Meça Forecast Value Added (FVA): compare a acurácia antes e depois dos ajustes manuais para saber onde a colaboração realmente agrega valor.
- Explicabilidade transforma previsão em decisão defendível: tendência, sazonalidade, eventos e variáveis externas decompostos.
- O valor real aparece quando a previsão vira plano consolidado entre comercial, operações e financeiro.
Como funciona o Planejamento de Demanda no NPLAN
O planejamento de demanda não é uma etapa isolada. É um processo estruturado que começa na preparação dos dados, passa por análise e modelos estatísticos, e termina na tomada de decisão colaborativa. Abaixo está a visão completa do processo.
Cada etapa abaixo será detalhada com exemplos práticos e interações reais da plataforma.
Da entrada de dados à previsão ajustada
Drivers de demanda alimentam o modelo, a rede gera a previsão com banda de incerteza, e o especialista aplica o ajuste fino.
Tratamento de Dados
O que acontece antes da previsão.
Como estruturar a hierarquia de dados no planejamento
Hierarquia é o primeiro passo do planejamento de demanda. Antes de falar de previsão, é preciso definir como os dados serão organizados.
É essa estrutura que vai permitir navegar entre visões agregadas e detalhadas, filtrar informações, colaborar entre áreas e tomar decisões em diferentes níveis. Sem uma hierarquia bem definida, o planejamento vira uma coleção de números sem contexto.
1. Dados de origem
| Empresa | Região | Canal de Vendas | Cliente | Segmento | Marca |
|---|---|---|---|---|---|
| Empresa 1 | Nordeste | Distribuidor | Cliente 1 | Farma | Marca A |
| Empresa 1 | Nordeste | Distribuidor | Cliente 2 | Farma | Marca B |
| Empresa 1 | Sul | Varejo | Cliente 3 | Construção | Marca A |
| Empresa 1 | Sul | Varejo | Cliente 4 | Construção | Marca C |
| Empresa 1 | Sudeste | E-commerce | Cliente 5 | Farma | Marca A |
| Empresa 1 | Sudeste | E-commerce | Cliente 6 | Cosméticos | Marca B |
| Empresa 1 | Sul | Distribuidor | Cliente 7 | Cosméticos | Marca C |
2. Configurar hierarquia (arraste os campos)
Campos disponíveis
Hierarquia atual
3. Árvore de navegação resultante
Esta mesma árvore vira a navegação lateral da ferramenta.
Essa estrutura define como o planejamento será navegado. É a partir dela que o usuário consegue subir para uma visão agregada, descer para análise detalhada, filtrar rapidamente qualquer recorte e organizar a colaboração entre áreas. Essa mesma hierarquia se transforma na navegação lateral da ferramenta, sendo utilizada em todas as etapas do planejamento.
A hierarquia não é só organização de dados. Ela define como o planejamento será pensado.
Toda análise, modelo e decisão que vem depois depende dessa estrutura. Por isso, antes de falar de previsão, o primeiro passo é garantir que os dados estejam organizados da forma correta.
Nulos e Outliers: corrigindo o básico
Nem todo dado zero significa ausência de demanda. Nem todo pico representa uma tendência real.
Dados históricos frequentemente carregam problemas como períodos sem venda por falta de estoque, erros de integração e vendas atípicas. Se esses pontos não forem tratados, o modelo interpreta tudo como comportamento normal.
Como tratar na prática
- Identifique zeros que não representam ausência real de demanda (produto esgotado, falha de integração). Marque esses períodos e substitua por uma estimativa baseada em semanas/meses semelhantes (interpolação ou média de períodos comparáveis sem ruptura).
- Detecte outliers com regras estatísticas simples (valores acima de 3 desvios-padrão sobre uma média móvel) ou métodos mais robustos como IQR. Para cada outlier pergunte: foi um evento real (promoção, feriado) ou um erro?
- Mantenha um audit trail dos ajustes: quem alterou, quando e por quê. Sem registro, ajustes manuais excessivos passam a piorar a qualidade do forecast em vez de melhorar.
- Sem esse tratamento, o modelo aprende ruído como se fosse sinal e gera previsões instáveis, com excesso de estoque ou faltas desnecessárias.
Simulador: nulos e outliers
Ative os tratamentos e veja o efeito sobre a série histórica.
O objetivo não é “limpar” os dados, mas torná-los representativos do comportamento real da demanda.
Simulação: tags manuais
Clique em um cenário para aplicar a tag e ver o ajuste correspondente.
Tags não mudam apenas o valor. Elas explicam o porquê.
Comparação: previsão com e sem tratamento
Sem tratamento
Com tratamento
O modelo não corrige dados ruins. Ele aprende com eles.
Com a base limpa, o histórico passa a refletir o que realmente aconteceu. Mas o histórico, sozinho, não conhece lançamentos, campanhas ou eventos do próximo trimestre — e é aí que entra o enriquecimento.
Enriquecimento de Dados
Trazendo contexto de negócio para o planejamento.
Lançamentos, substituições e descontinuações
Nem tudo que impacta a demanda está no histórico. Mudanças de portfólio, campanhas e eventos futuros precisam ser incorporados explicitamente. É isso que transforma uma previsão estatística em um plano de demanda realista.
O portfólio de produtos não é estático. Itens deixam de existir, são substituídos ou passam a fazer parte do mix. Se isso não for tratado, o modelo continua projetando demanda para itens que não deveriam existir — ou ignora produtos novos sem histórico.
Como tratar na prática
- Novos produtos (NPI): use analogia. Transfira o padrão de demanda de itens semelhantes já existentes (mesma categoria, faixa de preço, canal) e ajuste com a expectativa comercial (volume esperado nos primeiros meses).
- Descontinuações e substituições: defina uma data de corte clara. A partir dela, zere a projeção do item antigo e, se houver substituto, transfira parte da demanda histórica (por exemplo, 70% migra para o novo SKU).
- Promoções e campanhas: separe o efeito promocional do baseline. Calcule o uplift histórico (ex.: Black Friday somou 35% acima da tendência normal) e aplique apenas nos períodos promocionais futuros. Evite tratar promoções como ruído ou como padrão recorrente — são eventos pontuais que exigem ajuste consciente.
- Incorpore esse contexto explicitamente antes de rodar o modelo. Assim a previsão olha para frente em vez de só extrapolar o passado.
Ciclo de vida do produto
Escolha um cenário e veja como o planejamento reage.
A partir da data marcada, o item deixa de existir no planejamento. O sistema não projeta mais demanda para ele.
O modelo não adivinha mudanças de portfólio. Elas precisam ser informadas.
Configurar uma campanha
Defina os parâmetros e veja o efeito sobre a previsão ou sobre o histórico.
A campanha altera diretamente a previsão futura no período selecionado.
Campanhas não são ruído. Mas também não são padrão.
Sem contexto, o modelo olha para trás. Com contexto, o planejamento olha para frente.
Com dados tratados e contexto incorporado, dá para olhar a série e perguntar o que ela está dizendo: tem tendência? sazonalidade? alguma variável externa explica o comportamento?
Análise de Dados
Entendendo o comportamento da demanda.
Análise: três perguntas antes de prever
Depois de tratar e enriquecer os dados, o próximo passo é entender o comportamento da demanda. Antes de projetar o futuro, é preciso responder três perguntas simples: existe tendência? existe sazonalidade? existe alguma variável externa que explica esse comportamento?
Essa análise é o que transforma dados históricos em inteligência aplicável.
Como tratar na prática
- Decomponha a série em tendência + sazonalidade + resíduo. Métodos como STL ou regressão com variáveis dummy mensais/semanais ajudam a separar cada componente.
- Valide a sazonalidade em múltiplos anos. Se o padrão muda muito de um ano para outro, ele pode estar contaminado por eventos não-recorrentes (promoções, rupturas) e precisa ser tratado.
- Variáveis externas (IPCA, PIB, vendas do varejo, clima, índices setoriais): teste correlações com diferentes lags e só inclua as que comprovadamente melhoram a acurácia no período de validação. Forçar variáveis com correlação fraca costuma piorar o forecast.
- Não use todas as variáveis disponíveis. Use só as que adicionam valor explicativo real. Mais variáveis quase sempre significam mais ruído.
Sazonalidade Mensal
Selecione os anos para identificar padrões recorrentes (média mensal).
fev, jul, set, out
jan, mar, dez
Esse padrão é um dos principais drivers da previsão. Ignorar sazonalidade é assumir que todos os meses são iguais — o que raramente é verdade.
Análise de Tendência
Histórico real com linha de tendência por regressão linear.
Separar tendência de sazonalidade é essencial. Sem isso, o modelo pode interpretar crescimento como sazonalidade — ou o contrário.
Análise de Dados Externos
Compare a demanda com uma variável externa e ajuste a defasagem.
Macroeconômicos
Consumo / Varejo
Atividade econômica
Nem todo dado externo ajuda. Forçar correlação onde ela não existe é um dos erros mais comuns.
Prever não é só projetar números. É entender o comportamento por trás deles.
Entendido o comportamento, a escolha do modelo deixa de ser palpite. Cada padrão pede uma abordagem diferente, e é isso que define o próximo capítulo.
Modelos de Previsão
Como o sistema decide a melhor previsão.
Como o NPLAN escolhe o melhor modelo
Selecione um modelo para destacar sua previsão e ver a acurácia no período de teste.
Calculada como 100% − WMAPE nos 3 meses de teste. Quanto menor a distância entre previsão e real, maior a acurácia.
Treino
Onde os modelos aprendem o padrão histórico.
Teste
Onde os modelos competem contra dados reais. É aqui que se mede a acurácia.
Previsão
Onde o modelo vencedor é aplicado.
O modelo escolhido não é o mais sofisticado. É o que melhor performa no período de teste — mais próximo do realizado.
Como medir se a previsão é boa
Cada métrica responde a uma pergunta diferente.
Pergunta
Qual o erro ponderado por volume?
O que mede
Erro % ponderado pelo volume real. Métrica preferida em supply chain.
Como interpretar
Menor = melhor. Reflete o impacto financeiro.
Não existe uma única métrica ideal. Mas, na prática, o WMAPE costuma ser o mais relevante para decisões de negócio.
Comparando modelos na prática
Acurácia (%) por série e por modelo. Estrela marca o vencedor.
| Série | MA3 | Auto ARIMA | Seasonal Naive | Croston | Prophet | Chronos | Times FM | ADIDA | Theta |
|---|---|---|---|---|---|---|---|---|---|
| Aggregated | 17% | 15% | 19% | 24% | 20% | 23% | 36% | 38% | 23% |
| 4001-01 | — | 17% | 45% | 23% | 43% | 31% | 47% | 26% | 31% |
| 4002-01 | 20% | 43% | 4% | 25% | 20% | 21% | 35% | 52% | 28% |
| 4003-01 | 11% | 15% | — | 6% | 3% | — | 7% | 37% | 2% |
| 4004-01 | — | — | — | — | — | 5% | 16% | 40% | 1% |
| 4005-01 | — | — | — | 3% | 13% | 7% | 16% | 20% | 6% |
| 4006-01 | — | 15% | 3% | 12% | 14% | — | 14% | 44% | 11% |
| 4007-01 | 32% | 24% | 40% | 34% | 42% | 45% | 56% | 52% | 38% |
| 4008-01 | 37% | 1% | 9% | 36% | — | 30% | 49% | 46% | 35% |
| 4009-01 | 8% | — | 39% | — | 22% | 17% | 36% | 20% | 11% |
Cada série pode ter um modelo diferente como melhor opção. Isso é esperado e desejável.
Quais modelos o NPLAN utiliza
Agrupados por tipo. Mais complexo não significa melhor.
Modelos simples (baseline)
Servem como referência e funcionam bem em séries estáveis.
MA3
Média móvel dos últimos 3 períodos (parametrizável para N períodos).
Seasonal Naive
Repete o mesmo período do ano anterior.
Modelos estatísticos
Capturam tendência e sazonalidade de forma estruturada.
Auto ARIMA
Seleção automática do melhor ARIMA.
Auto ETS
Suavização exponencial automática.
Theta
Decompõe a série em linhas theta.
Dynamic Optimized Theta
Theta que ajusta o peso da tendência ao longo da série.
Prophet
Modelo aditivo do Facebook com tendência e sazonalidade.
Demanda intermitente
Para séries com muitos zeros: peças de reposição, MRO.
Croston Classic
Especializado em demanda intermitente.
ADIDA
Agregação para demanda esparsa.
Machine Learning
Captura relações não lineares. Depende de qualidade e volume de dados.
XGB Regressor
Regressão baseada em XGBoost.
LightGBM
Gradient boosting rápido e eficiente em memória.
Deep Learning (redes neurais)
Redes neurais profundas. Exigem volume e qualidade de dados.
NHITS
Decomposição neural por múltiplas escalas de frequência.
DeepAR
Modelo autoregressivo global e probabilístico da Amazon.
NBEATSx
N-BEATS com suporte a variáveis exógenas.
BiTCN
Rede convolucional temporal bidirecional.
TFT
Transformer do Google com atenção e variáveis futuras.
Foundation Models (IA)
Modelos recentes baseados em IA. Complementares aos clássicos.
Chronos
Foundation model da Amazon.
Times FM
Foundation model do Google.
Foundation Median Ensemble
Combina vários foundation models pela mediana.
O NPLAN permite combinar diferentes modelos em ensemble (combinação ponderada) e suporta inclusive modelos personalizados, desenvolvidos sob medida para a realidade de cada negócio.
Seleção automática do melhor modelo
O NPLAN executa todos os modelos ativos, compara e escolhe o melhor para cada série.
Executa todos os modelos ativos sobre o período de teste.
Compara o desempenho usando a métrica escolhida.
Aplica o vencedor à previsão. O usuário pode sobrescrever manualmente.
Isso elimina a dependência de especialistas e garante consistência no processo. Em muitos casos a solução final é um Ensemble (combinação ponderada de múltiplos modelos), e o NPLAN é flexível o suficiente para suportar inclusive modelos personalizados, desenvolvidos sob medida para a realidade de cada negócio.
Não existe um modelo único que funciona sempre
A discussão sobre “qual modelo usar” é uma das mais comuns e uma das menos relevantes.
Não existe um modelo que funciona sempre.
Cada série tem um comportamento diferente. Algumas têm tendência clara, outras são sazonais, outras são intermitentes.
A boa prática é não depender de um único modelo. Teste automaticamente diferentes abordagens — suavização exponencial, ARIMA, modelos com regressores externos, métodos para demanda intermitente — e escolha o vencedor com base em performance real em um período de validação (hold-out), série a série.
Isso muda completamente o papel do planejador: de executor técnico para decisor.
Caso especial: demanda intermitente
Algumas famílias — peças de reposição, MRO, itens de baixa rotatividade — apresentam demanda intermitente: muitas semanas ou meses com zero venda, intercalados com picos imprevisíveis. Nesses casos, modelos tradicionais (média móvel, suavização exponencial) falham porque assumem demanda contínua.
Métodos especializados como Croston (que separa probabilidade de ocorrência e tamanho do pedido), TSB ou abordagens de agregação temporal (ADIDA) costumam apresentar melhor desempenho. Teste sempre vários métodos e escolha com base na acurácia em um período de hold-out.
Não é o modelo mais sofisticado que vence. É o modelo que melhor explica o seu negócio.
Explicabilidade IA: entendendo o porquê da previsão
Gerar uma previsão não é suficiente. Em supply chain, decisões precisam ser justificadas. Quando a previsão muda, a pergunta não é apenas “quanto”, mas principalmente “por quê”.
Sem explicação, a previsão vira uma caixa preta — difícil de confiar, difícil de defender. Uma boa prática é não apenas calcular a previsão, mas mostrar como ela foi construída.
O sistema decompõe a previsão nos seus principais componentes: tendência (crescimento ou queda estrutural), sazonalidade (padrões recorrentes), eventos (campanhas, rupturas, ajustes) e dados externos (fatores de mercado). A previsão final parte de um baseline e é ajustada por cada um desses fatores.
Decompondo a previsão em fatores
Ajuste cada fator e veja como ele contribui para a previsão final.
Explicação automática por IA
"A previsão partiu de um baseline de 300 mil unidades. A tendência aumentou a previsão com intensidade moderada, e a sazonalidade aumentou o resultado de forma forte. Promoções e eventos contribuíram de forma forte (+30 mil). Fatores externos reduziu a previsão em 10 mil. Resultado final: 390 mil unidades."
Por que isso importa no dia a dia
A explicabilidade permite justificar decisões para a diretoria, alinhar áreas (comercial, operações, financeiro), identificar erros ou inconsistências e ajustar cenários com mais confiança.
O sistema também identifica situações inconsistentes — previsão alta sem tendência ou sazonalidade, impacto externo sem correlação relevante, ajustes manuais excessivos — evitando decisões baseadas em interpretações erradas.
Sem explicação, previsão é apenas um número com aparência matemática. Com explicação, ela se torna uma decisão defendível.
É isso que permite discutir o plano com confiança e não apenas aceitar ou rejeitar números.
Uma previsão explicada ainda precisa virar plano. E plano, na prática, depende de comercial, operações e financeiro olhando para o mesmo número.
Colaboração: transformando previsão em decisão
Consenso entre níveis, impacto financeiro imediato, indicadores e cenários.
Da previsão à decisão
Na maioria das empresas, o processo quebra exatamente aqui.
A previsão até é feita. Mas não é consolidada entre áreas, não se conecta com o financeiro e não chega como uma decisão clara para o negócio.
É nesse ponto que o planejamento deixa de ser técnico e passa a ser colaborativo. Comercial, operações e financeiro trabalham sobre a mesma base, com visões diferentes do mesmo plano.
Consolidação e rateio entre níveis
Ajuste a família e veja o sistema distribuir para os SKUs. Ajuste o SKU e veja o total da família consolidar para cima — sempre coerente.
Aumentar volume pode aumentar receita — mas também pode reduzir margem, dependendo de custo e mix.
Indicadores que sustentam a decisão
Os principais painéis usados em ciclos de S&OP. Selecione um para ver o objetivo de cada um.
Executive Summary
Dar contexto em poucos minutos: crescimento, acuracidade, drivers, riscos e oportunidades.
Cenários: simulando antes de executar
Compare planos completos lado a lado: otimista, conservador, com promoção e com restrição de supply.
Cada cenário gera um plano completo: previsão, financeiro e indicadores. Permite testar decisões antes de assumir risco.
Um bom plano de demanda não nasce pronto. Ele é construído em ciclos curtos, em que cada área ajusta sua visão até o número final fazer sentido para o negócio como um todo.
Como medir o valor da colaboração: Forecast Value Added (FVA)
- Compare a acurácia do baseline estatístico com a acurácia depois dos ajustes do planejador, das áreas comerciais e do consenso S&OP. A diferença, positiva ou negativa, é o FVA.
- Em muitos processos, parte significativa dos ajustes manuais piora o resultado. O FVA torna isso visível e ajuda a calibrar onde o julgamento humano realmente agrega valor.
- Use o FVA por etapa do processo (baseline → planejador → comercial → consenso) para identificar exatamente onde o ajuste agrega ou destrói valor.
Boas práticas e métricas
Como medir acurácia, valor agregado e impacto real no negócio.
Quais métricas usar e quando
Não basta medir acurácia com uma métrica única. Cada indicador responde a uma pergunta diferente, e usar a métrica errada pode esconder problemas reais — ou criar problemas que não existem.
| Métrica | O que mede | Quando usar |
|---|---|---|
| MAPE | Erro percentual absoluto médio entre previsto e realizado. | Itens de demanda contínua e volume razoável. Evite quando há valores próximos de zero. |
| WMAPE | MAPE ponderado pelo volume de cada SKU. | Portfólios mistos com SKUs de tamanhos muito diferentes. É a métrica padrão para visões agregadas. |
| Bias | Diferença média sinalizada (positiva ou negativa) entre previsto e realizado. | Detectar viés sistemático: sub-previsão crônica gera ruptura, sobre-previsão crônica gera estoque. |
| FVA | Ganho ou perda de acurácia em cada etapa do processo de ajuste. | Avaliar se o julgamento humano e o consenso S&OP estão melhorando ou piorando a previsão. |
Boas práticas que separam um bom processo de um excelente
- Hierarchical reconciliation: previsões em diferentes níveis (SKU, família, canal, região) devem se reconciliar. A soma dos SKUs precisa fechar com a previsão da família. Ferramentas de reconciliação top-down, bottom-up ou ótima (MinT) garantem essa coerência.
- NPI tracking: novos produtos exigem revisão a cada ciclo. Compare a previsão de lançamento com o realizado, ajuste a analogia usada e refine a curva de adoção.
- Forecast Value Added: meça o impacto de cada ajuste manual. Se o consenso S&OP piora o forecast em média, repense o processo: o problema pode estar no incentivo (vendas inflando para garantir produto) ou na falta de dados.
- Impacto real no negócio: acurácia é meio, não fim. Meça também o efeito no estoque (dias de cobertura, capital empatado) e no nível de serviço (fill rate, OTIF). Um forecast melhor que não reduz estoque nem melhora serviço, na prática, não está sendo usado.
- Cadência clara: defina ciclos curtos e fixos (semanal ou mensal) com responsáveis e prazos. Sem cadência, o processo vira evento esporádico e perde força como instrumento de decisão.
O que muda quando a previsão vira decisão
No fim, o ponto não é acertar um número. É entender o impacto das decisões antes de executá-las — e ajustar o plano enquanto ainda dá tempo.
Planejamento de demanda não resolve nada se parar na previsão. O valor aparece quando esse número vira decisão alinhada entre áreas e conectada com o resultado financeiro.
É esse encadeamento — dados, contexto, modelo, explicação e consenso — que estrutura um processo robusto de planejamento de demanda.
Veja isso rodando na prática
Tudo o que você viu aqui faz parte do dia a dia de empresas que já usam o NPLAN para planejar com mais precisão e velocidade.
Mais do que conceitos, o valor está em ver esse processo funcionando com seus próprios dados.
Fale com nosso time e veja como isso funciona na prática.
Quer conhecer um parceiro local especialista em Implantação de Supply Chain Planning?
Próximo na série: Política de Estoques
Com a previsão de demanda definida, o próximo passo é decidir o quanto manter em estoque para absorver a variabilidade da demanda e do lead time.
Leia mais em nplan.digital/articles/inventory-policy