Previsão de Demanda de Estoque

Inventory demand forecasting

O que é uma previsão de estoque?

A previsão de estoque ajuda a estimar a demanda futura por produtos em períodos curtos, médios ou longos. É uma parte essencial de qualquer estratégia de planejamento de inventário. Prever a demanda com antecedência permite melhorar o atendimento ao cliente, o controle de estoque e a gestão da capacidade.

Também é possível prever os custos, como os que serão aplicados em futuros pedidos. Outro item importante a prever é o tempo de entrega (lead time), que geralmente está ficando mais curto. Seja o que for que você decida prever, tenha em mente estes princípios:

  • A previsão será mais precisa no curto prazo. Quanto mais distante for o período, menor a precisão.
  • A previsão terá erros. É essencial conhecer a porcentagem de erro.
  • A previsão não substitui a demanda real.

Tipos de previsão

Existem diversas formas de prever, e nenhum método é o melhor em todos os casos. A escolha depende do período de tempo e dos dados disponíveis. As previsões geralmente são classificadas por horizonte temporal:

  • Previsão de longo prazo: cobre vários anos à frente
  • Previsão de médio prazo: entre três meses e um ano
  • Previsão de curto prazo: próximas semanas

A previsão pode ser baseada em dados históricos ou estimativas subjetivas. Se houver um histórico confiável de demanda do produto, ele deve ser a base da previsão.

Técnicas de previsão

Já cobrimos anteriormente o método de lote econômico de compra (EOQ), que ajuda a determinar quanto comprar. Neste post, vamos analisar três técnicas básicas baseadas em dados históricos.

Usaremos os dados de outubro, novembro e dezembro de 2022 para prever os três primeiros meses de 2023.

Média móvel

Este método calcula a média simples de um número definido de períodos anteriores para prever o próximo.

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

Média móvel ponderada

Esse método atribui pesos diferentes aos períodos anteriores, dando mais importância aos dados mais recentes. Funciona bem para previsões de curto prazo em produtos com demanda estável.

Nota: A soma dos pesos deve ser 1,00. Neste exemplo, usaremos 0,6 (mais recente), 0,3 e 0,1

Outubro 2022 114
Novembro 2022 119
Dezembro 2022 137
Janeiro 2023 ? 137 * 0.6 + 119 * 0.3 + 114 * 0.1 = 129
Fevereiro 2023 ? 129 * 0.6 + 137 * 0.3 + 119 * 0.1 = 131
Março 2023 ? 131 * 0.6 + 129 * 0.3 + 137 * 0.1 = 130

Suavização linear

Semelhante à média móvel ponderada, mas com pesos calculados por fórmula que diminuem linearmente. Funciona melhor para previsões de curto prazo em produtos maduros.


Peso para o período mais recente = 3 / ((n² + n)/2) = 3 / 6 = 0.5
Peso para dois períodos anteriores = 2 / 6 = 0.3
Peso para três períodos anteriores = 1 / 6 ≈ 0.17

Outubro 2022 114
Novembro 2022 119
Dezembro 2022 137
Janeiro 2023 ? 137 * 0.5 + 119 * 0.3 + 114 * 0.17 = 126
Fevereiro 2023 ? 126 * 0.5 + 137 * 0.3 + 119 * 0.17 = 128
Março 2023 ? 128 * 0.5 + 126 * 0.3 + 137 * 0.17 = 129

Conclusão

As previsões são baseadas em dados históricos e modelos estatísticos. Elas não são perfeitas e podem conter erros, seja pelo modelo, pelos dados ou pela interpretação. Mesmo assim, uma boa estimativa é melhor do que nenhuma.

Nos próximos posts, vamos explorar métodos mais avançados como suavização exponencial e regressão dos mínimos quadrados, e como automatizar esses cálculos em sistemas de gestão de estoque.