Desvendando os desafios da previsão de demanda no varejo

Fonte: https://progressivegrocer.com/unraveling-demand-forecasting-challenges-retail

A otimização do estoque é fundamental para o sucesso do varejo, que se move idealmente para cima e para baixo de acordo com a demanda. O desafio é a variabilidade de fatores que influenciam o mercado, desde os mais previsíveis, como sazonalidade e promoções, até os espontâneos, como mudanças climáticas e questões globais. Embora possamos estimar as necessidades com base em médias e dados históricos, é difícil fazer previsões precisas.

Principais conclusões

Forecast ruim trava caixa ou gera ruptura.

• Use machine learning para previsões. 

• Ajuste micro clusterizado.

• Integre promoções futuras. 

• Revise dados históricos. 

• Monitoramento semanal com KPIs claros.

Quando um planejador indica que um item vende 213 unidades por dia, ele provavelmente se refere à ADU (uso médio diário), enfatizando o termo "média". Na realidade, as vendas diárias da última semana ou mês podem não ter incluído um único dia com exatamente 213 unidades vendidas; em vez disso, pode ser um intervalo como 199, 220, 233, 187, 210, 228, etc. Essa variabilidade é o motivo pelo qual usamos médias. No entanto, se fôssemos pedir exatamente a média de 213 peças, o que aconteceria? A curva de distribuição gaussiana fornece insights sobre essa questão, familiar para aqueles versados em probabilidade e estatística.

A média de 213 unidades estabelece o pico do gráfico, representando uma probabilidade de 50%. Em outras palavras, a demanda real tem a mesma probabilidade de estar abaixo ou acima desse número. Aceitar uma probabilidade de 50% de escassez é impraticável no varejo, afetando as vendas e os lucros. Por isso, a inclinação lógica é garantir mercadorias adicionais para ter certeza.

O paradoxo surge quando se busca um alto nível de disponibilidade, o que exige pedidos significativamente acima da média. Ultrapassar o limite de probabilidade de 95% requer um aumento substancial no estoque para cada porcentagem subsequente.

As complexidades de previsão no varejo decorrem do fato de as curvas de distribuição natural terem formas mais complexas do que a curva gaussiana ideal. Mesmo para mercadorias de movimentação rápida, essas curvas são assimétricas e os itens vendidos com menos frequência se desviam ainda mais da forma perfeita.

Para um item com uma média de 0,5 unidades por dia, flutuando entre zero, uma, duas ou três unidades, garantir 98% de disponibilidade exige um pedido consideravelmente maior do que a média de vendas. A busca por alta disponibilidade, no entanto, pode levar a um excesso de estoque, reduzindo potencialmente as vendas e resultando em várias repercussões econômicas.

No entanto, no âmbito do varejo, a análise das curvas de distribuição para o planejamento de estoque é uma raridade. O desafio está na individualidade dessas curvas, que variam não apenas entre as SKUs, mas também dentro da mesma SKU em diferentes locais. Por exemplo, gerenciar 1.000.000 de curvas para uma cadeia de varejo com 10.000 SKUs e 100 lojas é uma tarefa que exige muito tempo. Consequentemente, essa tarefa geralmente é realizada com o Excel, com especialistas confiando em suas fórmulas e métodos exclusivos. Mesmo que um sistema ERP (planejamento de recursos empresariais) faça os cálculos, seus algoritmos costumam ser simples. A tendência predominante é o aumento dos pedidos para evitar a perda de vendas. Como resultado, alguns varejistas podem não supervisionar meticulosamente a economia de seus estoques, muitas vezes negligenciando essa tarefa até que ela se torne um problema crítico.

Na fase inicial de crescimento de uma empresa, o departamento de vendas normalmente atua como o principal impulsionador, e o modelo de planejamento de demanda geralmente segue um padrão familiar: vendas médias mais ajustes para sazonalidade, tendências, campanhas promocionais e um buffer de segurança para garantir uma disponibilidade robusta e, consequentemente, vendas elevadas.

Embora essa estratégia possa atingir taxas de disponibilidade de 97% ou até 98%, ela geralmente resulta em excesso de estoque, o que leva a custos logísticos e operacionais elevados. Esse estoque excedente não apenas ocupa espaço valioso nas prateleiras e nos depósitos, mas também afeta negativamente as vendas em geral. Como os itens designados para venda têm precedência, os clientes podem ignorar outras mercadorias, potencialmente mais lucrativas. Embora a rotatividade possa aumentar, as margens de lucro diminuem. Além disso, os produtos correm o risco de chegar ao fim de sua vida útil, exigindo baixas e incorrendo em custos adicionais.

No caso de produtos não alimentícios, o excedente pode ser embaralhado entre lojas de varejo e armazéns e, por fim, vendido com descontos significativos ou baixado. Esse processo contribui para o aumento das despesas logísticas e diminui ainda mais o valioso espaço nas prateleiras para produtos mais comercializáveis. À medida que a capacidade de armazenamento fica sobrecarregada, as empresas são obrigadas a iniciar projetos de expansão.

Embora a fórmula para calcular as perdas de vendas seja simples, determinar os custos e as perdas abrangentes vinculados ao excesso de estoque representa um desafio mais significativo devido à sua natureza diversa e nem sempre aparente. A crença comum de que "eventualmente venderemos esse produto" pode ser verdadeira para casos isolados ou SKUs específicos, mas se mostra imprecisa quando aplicada a uma empresa que está enfrentando vários excessos de estoque.

O grande volume de dados a serem analisados ultrapassa a capacidade da experiência dos funcionários, da intuição e dos modelos simplistas do Excel ou do ERP. Alcançar um equilíbrio entre as perspectivas dos "vendedores" e do "pessoal de finanças" nessa batalha milenar exige uma metodologia robusta e modelos matemáticos sofisticados.

Felizmente, a IA surgiu como um poderoso equalizador nessa área. Os algoritmos de IA realizam cálculos e decisões táticas de forma imparcial com base em modelos complexos, auxiliando os gerentes em decisões estratégicas cruciais ao discernir pistas e padrões em vastos conjuntos de dados que podem escapar à percepção humana. Assim, as empresas modernas não estão mais se perguntando se devem implementar a IA para a previsão de demanda. A única questão é a velocidade da tomada de decisões e a escolha das soluções adequadas. Sem dúvida, a concorrência no mercado será vencida pelos varejistas que embarcarem mais rapidamente nesse trem que está partindo.