Previsão de Demanda de Estoque

Inventory demand forecasting

O que é uma previsão de estoque?

As previsões de estoque ajudarão você a estimar a demanda futura de seus produtos em um período de curto, médio ou longo prazo e é uma parte fundamental de qualquer operação de planejamento de estoque bem-sucedida.
Conhecer essas previsões com antecedência permitirá melhorar o atendimento ao cliente, o controle de estoque e o gerenciamento de capacidade.

Poderíamos prever os valores de custo em um modelo de controle de estoque; são previsões dos custos que serão aplicados no futuro, quando for o momento de fazer um pedido. Outra área a ser prevista é o lead time, que geralmente está ficando mais curto. O que quer que decidamos prever, lembre-se destes princípios básicos:

  • A previsão será mais precisa para o curto prazo. Quanto mais longe você for, menos preciso você será.
  • A previsão estará errada. Haverá um erro de previsão e é essencial saber essa porcentagem.
  • A previsão não substitui a demanda real.

Tipo de previsões

Existem tantas formas de previsão e coisas diferentes para prever, que nenhum método de previsão é sempre o melhor. Temos que escolher um método que atenda às nossas necessidades. Em ambos os casos, temos que escolher um com base no tempo:

  • As previsões de longo prazo apontam para vários anos
  • As previsões de médio prazo são de três meses a um ano
  • As previsões de curto prazo apontam para as próximas semanas

Existem várias maneiras de basear a previsão. Eles podem ser baseados em dados históricos ou estimativas de julgamento. O método de previsão utilizado dependerá das fontes de dados disponíveis. Se houver um histórico confiável de demanda de um produto, ele pode ser a fonte de previsão.

Técnicas de previsão

Como já disse antes, existem várias técnicas para calcular previsões. Já cobrimos a técnica de quantidade econômica de pedido em grande detalhe no passado, o que determinará quantos produtos você precisa comprar a qualquer momento. Este post irá analisar brevemente os mais usados que usam dados históricos.

Os três métodos descritos abaixo usarão os mesmos dados históricos dos últimos três meses (outubro, novembro e dezembro de 2022) para prever os próximos três em 2023.

Vamos ver o primeiro método…

Média móvel

O método de média móvel é um cálculo de média simples. Essa técnica calcula a média de um número de meses especificado pelo usuário para projetar a demanda do próximo mês.

Outubro de 2022 114
Novembro de 2022 119
dezembro de 2022 137
Janeiro de 2023 ? 114 + 119 + 137 = 370, 370 / 3 = 123
Fevereiro de 2023 ? 119 + 137 + 123 = 379, 379 / 3 = 126
março de 2023 ? 137 + 123 + 126 = 379, 386 / 3 = 129

Média móvel ponderada

A média móvel ponderada permite atribuir pesos aos dados históricos. Este método funciona melhor para previsões de curto prazo de produtos maduros.

Nota: Os pesos atribuídos devem totalizar 1,00, com os dados mais recentes recebendo o maior peso. Neste exemplo, vamos supor que os pesos sejam: 0,6, 03 e 0,1

Outubro de 2022 114
Novembro de 2022 119
dezembro de 2022 137
Janeiro de 2023 ? 137 * 0,6 + 119 * 0,3 + 114 * 0,1 = 129
Fevereiro de 2023 ? 129 * 0,6 + 137 * 0,3 + 119 * 0,1 = 131
março de 2023 ? 131 * 0,6 + 129 * 0,3 + 137 * 0,1 = 131

Suavização linear

Este método é semelhante à média móvel ponderada. No entanto, uma fórmula é usada em vez de atribuir pesos manualmente e agora os pesos diminuem linearmente. Este método funciona melhor para previsões de curto prazo de produtos maduros.

Peso para um período anterior = 3/(n^2 + n)/2 = 3/(3^2 + 3)/2 = 3/6 = 0,5
Peso para dois períodos anteriores = 2/(n^2 + n)/2 = 2/(3^2 + 3)/2 = 2/6 = 0,3
Peso para três períodos anteriores = 1/(n^2 + n)/2 = 1/(3^2 + 3)/2 = 1/6 = 0,16

Outubro de 2022 114
Novembro de 2022 119
dezembro de 2022 137
Janeiro de 2023 ? 137 * 0,5 + 119 * 0,3 + 114 * 0,16 = 127
Fevereiro de 2023 ? 127 * 0,5 + 137 * 0,3 * 119 * 0,16 = 129
março de 2023 ? 129 * 0,5 + 127 * 0,3 * 137 * 0,16 = 130

Conclusão

As previsões são baseadas em dados e modelos históricos. Eles não são perfeitos; eles conterão erros que podem ser causados por modelos, dados ou interpretação dos resultados, mas uma estimativa forte é melhor do que nenhuma estimativa.

Em postagens futuras, examinaremos mais profundamente métodos de previsão mais avançados (como suavização exponencial, regressão de mínimos quadrados e outros), analisaremos seus prós e contras e como eles podem ser gerados automaticamente usando sistemas de gerenciamento de estoque.