Antes da previsão, como estão os dados da série?

Com o avanço da tecnologia e aumento da capacidade de processamento de dados, tornou-se possível aplicar modelos estatísticos avançados de previsão de vendas de forma rápida e prática. Modelos sofisticados que demandam análise de muitas variáveis ao mesmo tempo, otimização de parâmetros e regressões multivariadas são usados por cientistas de dados no mundo todo buscando melhorar a acuracidade das previsões.  Há uma variedade enorme de bibliotecas em linguagens de programação de uso livre (open source) voltadas para aplicar esses modelos e fazer a previsão.

Basta fazer uma procura simples sobre os modelos que surgirão milhares de referências e materiais sobre o tema. Nesse cenário, parece ser complexo definir quais os modelos devem ser utilizados e quais os parâmetros que devem ser definidos. Quando deve-se fazer um amortecimento pelo método de Winter? Será que um modelo autorregressivo faz sentido para o horizonte e granularidade dos dados que a série tem?

Entretanto, antes de chegar nessa etapa, tão importante quanto a seleção dos modelos é a preparação da base de dados.

Já ouviu a frase “você é o que você come”? Em geral, ela está relacionada a ideia de que devemos ter uma alimentação balanceada e saudável. Se não fornecemos ao nosso organismo os nutrientes necessários para seu bom funcionamento, este começará a apresentar problemas e performará abaixo do desejado. Esse conceito é exatamente o mesmo que se deve ter dentro do processo de previsão de demanda.

Se sua base de dados não tem as informações mais atualizadas, apresenta dados faltantes ou contém informações discrepantes, pode-se ter o modelo de previsão mais assertivo do mundo e com o maior poder de processamento possível, mas ele provavelmente terá um erro de previsão maior do que se gostaria (afinal, ele foi “alimentado” com uma base problemática).

A etapa de ajuste e preparação dos dados é fundamental para um processo de previsão de vendas bem-sucedido. Nessa etapa faz-se a organização da informação (nível de granularidade), o ajuste do baseline e a definição do horizonte de planejamento.

Organização da Informação

Na etapa de organização da informação deve-se definir qual o nível de granularidade da série que será analisada. A definição do nível ideal de granularidade deve ser baseada no equilíbrio do tripé acuracidade, utilidade e esforço. Nesse momento entra a discussão da abordagem top-down ou bottom-up (discutida em posts anteriores) e qual aquela que melhor trará resultados para meu processo.

Ajuste do Baseline

Na etapa de ajuste de baseline, deve-se avaliar: existência de outliers, identificar eventos únicos que ocorreram na série e as ações de negócio que impactaram as vendas. Existem várias técnicas estatísticas para identificação e tratamento de outliers (pontos muito afastados do comportamento normal da série), como boxplot e análises gráficas.

Eventos únicos como um desastre natural ou uma greve devem ser identificados e tratados como exceções, ou seja, pontos que ocorreram uma ou poucas vezes e não tornarão a se repetir. Dessa forma evita-se que o modelo “aprenda” um padrão não regular da série e tente reproduzi-lo no futuro.

As ações de negócio que podem impactar são grandes promoções, lançamentos ou campanhas de marketing que podem trazer resultados temporários e artificiais para o comportamento padrão da série. É imperativo que essas ações sejam documentadas para que a equipe de previsão faça os ajustes necessários.

Definição do Horizonte de Planejamento

Nessa etapa, não ocorre um tratamento dos dados em si mas sim define-se o horizonte que a previsão terá e qual o histórico de dados que deve-se ter para tal.  O horizonte de planejamento depende do ciclo decisório da empresa. Caso queira se fazer uma decisão de compra de matéria prima que leva 6 meses para chegar, ajustar os dados para uma previsão dos próximos 3 meses tem pouco valor. O horizonte a ser usado para a projeção da demanda deve ser definido a priori, pois este pode impactar na seleção do modelo além de estar diretamente relacionado a utilidade do processo de previsão.

A etapa de ajuste da base e preparação dos dados é essencial para que o modelo adotado receba os “nutrientes” que precisa para performar no seu melhor. Um histórico que seja fiel a realidade permitirá que seu modelo identifique os padrões corretos e faça as projeções mais assertivas possíveis. No cenário que temos hoje de grande disponibilidade da informação, a garantia da qualidade dos dados que serão usados torna-se crítica.