Por que a acurácia de previsão de demanda no Brasil é tão baixa

Onde o erro de previsão aparece na operação

O erro de previsão não aparece no relatório de previsão. Aparece semanas depois, espalhado pela operação: capital parado em produto que não gira, falta do item que o cliente veio buscar, produção replanejada às pressas, transferência de emergência entre centros de distribuição. Quando alguém investiga a causa, a investigação costuma parar na primeira camada. O modelo errou. A planilha estava desatualizada. O sistema não sabia da promoção.

Parar aí é confortável, porque sugere que a solução é trocar a ferramenta. Muitas empresas brasileiras já passaram por dois ou três softwares de previsão sem que o erro caísse de forma sustentada, e esse padrão diz algo. Os algoritmos de séries temporais que o mercado usa há décadas estão disponíveis em qualquer ferramenta razoável, e as técnicas mais recentes de aprendizado de máquina também. O que separa uma operação que prevê bem de uma que prevê mal quase nunca é o algoritmo. É o processo em volta dele: o que entra no cálculo, quem responde pelo número e o que acontece quando ele erra.

Este artigo percorre os quatro mecanismos que, na prática de operação, explicam a maior parte do erro de previsão nas empresas brasileiras. Nenhum deles é estatístico. Todos são de processo, e todos podem ser corrigidos sem trocar de sistema.

O que a acurácia de previsão mede, e por que quase ninguém mede

Acurácia de previsão é o grau de proximidade entre o que foi previsto e o que de fato aconteceu, avaliado depois do fato. A métrica mais comum é o MAPE, o erro percentual absoluto médio, e sua variante ponderada, o WMAPE, que dá peso maior aos itens de maior volume ou valor. A fórmula importa menos do que três decisões que a maioria das empresas nunca toma de forma explícita.

Em que nível medir. Uma previsão pode acertar o total da companhia no mês e errar de forma grosseira por item e por local, com os erros positivos e negativos se cancelando no agregado. Como as decisões de compra e abastecimento acontecem no nível do item, medir só o total produz uma sensação de controle que a operação desmente todos os dias.

Com que antecedência medir. O erro da previsão feita com três meses de antecedência é diferente do erro da previsão revisada na semana anterior. A medição honesta usa o lag da decisão: se a compra é disparada com sessenta dias de antecedência, é a previsão feita sessenta dias antes que precisa ser julgada, não a última versão do número.

Quem olha o número. Em boa parte das operações por onde passei, ninguém media a acurácia de forma recorrente. A previsão era feita, era usada e errava, e ninguém sabia dizer quanto nem onde. Sem medição, o erro não tem dono. E o que não tem dono não melhora: a empresa se acostuma a operar com colchões de estoque que absorvem um erro cujo tamanho ela desconhece, e paga por esse colchão em capital de giro todos os meses.

Por que o histórico de vendas mente

Todo modelo de previsão parte do histórico. E o histórico de vendas da maioria das empresas registra uma coisa diferente do que se imagina: registra o que foi possível vender, não o que foi demandado.

A diferença tem nome técnico: censura por ruptura. Quando um item falta, a venda que deixaria de acontecer não gera registro em lugar nenhum. O cliente levou o substituto, foi ao concorrente ou saiu sem nada, e o sistema gravou apenas uma venda menor. Para o modelo, aquilo parece queda de demanda. A previsão seguinte nasce menor, a compra seguinte nasce menor, e a probabilidade de nova falta aumenta. É um ciclo que se retroalimenta, e que passa despercebido justamente porque cada etapa dele parece razoável quando olhada sozinha. A relação entre falta de produto e previsão é direta o bastante para merecer artigo próprio: como reduzir ruptura sem aumentar o estoque médio.

Há contaminações menos visíveis com o mesmo efeito. Trocas de código de produto quebram a série histórica no meio, e o item que existe há anos aparece para o modelo como lançamento sem passado. Promoções antigas inflam o histórico sem nenhuma marcação, e o modelo aprende um patamar de demanda que só existiu por causa do desconto. Devoluções lançadas fora do período distorcem o mês em que entram. Cadastros duplicados dividem a demanda de um produto entre dois registros. Nada disso é exótico. É o estado normal de uma base transacional que nunca foi preparada para alimentar previsão.

A consequência prática: corrigir o histórico (reconstruir a demanda nos períodos de falta, marcar eventos promocionais, unificar cadastros) melhora a acurácia antes de qualquer discussão sobre modelo. É trabalho menos glamouroso do que testar um algoritmo novo, e costuma render mais.

Quais eventos derrubam a previsão no Brasil?

O segundo mecanismo é a distância entre o que o modelo sabe e o que a área comercial sabe. A demanda brasileira responde a um calendário denso: datas comemorativas que concentram categorias inteiras em poucas semanas, sazonalidade climática que se comporta de um jeito no Sul e de outro no Nordeste, ciclos de pagamento que movem o consumo dentro do mês. Nada disso é imprevisível. Quase nada disso, porém, chega ao cálculo de forma estruturada.

Promoção é o caso mais claro. A decisão de promocionar nasce na área comercial, muitas vezes depois de a previsão do período já estar congelada. O modelo trata o pico como surpresa e, pior, aprende com ele: lê o vale que vem depois da promoção como tendência de queda e carrega o patamar inflado para o futuro. Mudanças tributárias e de preço relativo entre canais produzem efeito parecido por outra via, deslocando volume entre estados, entre atacado e varejo, entre loja física e canal digital. O modelo lê o deslocamento como mudança de demanda, quando a demanda total apenas mudou de porta.

O ponto aqui não é exigir que o modelo adivinhe. É reconhecer que a informação existe dentro da empresa e morre antes de chegar ao cálculo. Um processo de previsão maduro tem um canal estruturado para esses eventos: registro com data, escopo e efeito esperado, alimentando tanto a previsão futura quanto a limpeza do histórico. Sem esse canal, a empresa erra duas vezes com o mesmo evento: quando ele acontece e quando o modelo aprende com o rastro distorcido que ele deixou.

Por que cada área planeja com um número diferente?

O terceiro mecanismo é organizacional. Na mesma empresa convivem três versões do futuro: a meta comercial, o orçamento financeiro e a previsão operacional. Cada uma tem função legítima e viés próprio. Meta existe para esticar o time de vendas, e carrega otimismo por desenho. Orçamento existe para ancorar o ano, e resiste a mudar mesmo quando o mercado muda. Previsão existe para dimensionar compra, produção e abastecimento, e só cumpre o papel quando é a estimativa mais honesta disponível, sem otimismo e sem âncora.

O problema começa quando esses números se misturam. A meta que vira previsão transforma otimismo em pedido de compra, e o excesso resultante fica meses no estoque. O orçamento que trava a previsão impede o número de reagir ao que o mercado está fazendo agora. E quando não há um processo claro de consenso, a reunião de planejamento vira disputa sobre qual planilha vale, consumindo em reconciliação a energia que deveria ir para decisão. Esse padrão de reunião é comum o suficiente para ter ganhado análise separada no blog: por que a reunião de S&OP vira reconciliação de planilha em vez de decisão.

O desenho que resolve isso tem nome conhecido: um processo de S&OP com um número único de consenso e um dono claro para ele. Meta e orçamento continuam existindo, cada um no seu papel. A previsão deixa de ser artefato político e volta a ser instrumento de operação, julgado por uma régua pública de acurácia e não pela senioridade de quem a defende.

O mecanismo se repete em qualquer setor

Uma objeção comum a esse diagnóstico: "meu setor é diferente". A forma é diferente. O mecanismo, não.

No varejo, o erro de previsão aparece rápido e no ponto de venda. O histórico censurado por ruptura é a regra, porque a reposição é diária e cada dia de falta grava uma venda menor na série. Na indústria, o mesmo erro aparece mais devagar e mais caro: vira lote produzido na quantidade errada, capacidade fabril alocada no produto errado e, quando o portfólio tem prazo de validade, perda física de produto acabado. Na venda direta e na cosmética, o ciclo comercial redesenha a demanda a cada campanha e a cada catálogo, e o histórico envelhece mais rápido do que em categorias estáveis. Em operações com importação, o erro se concentra exatamente onde dói mais: lead times longos obrigam a prever com meses de antecedência, o horizonte em que qualquer previsão é mais frágil.

Essa comparação vem de trajetória, não de tese. Planejei operações na indústria farmacêutica, na Hypera/Brainfarma e na Eurofarma, na cosmética, na Natura, e em farma multinacional, na Pfizer, antes de liderar o planejamento logístico do Grupo Panvel, no varejo. Em todos esses contextos os quatro mecanismos deste artigo estavam presentes. O que mudava era a velocidade com que o erro aparecia e o lugar onde ele doía: dias e gôndola no varejo, meses e fábrica na indústria, campanhas e catálogo na venda direta. Setor ilustra o problema. Setor não delimita o problema.

Como saber se o problema é o modelo ou o processo?

Quatro perguntas separam os dois diagnósticos, e nenhuma exige conhecimento estatístico.

O erro é medido de forma recorrente, por item e no lag da decisão? Se a resposta é não, a empresa não tem como saber se o modelo é bom ou ruim. Está discutindo ferramenta sem régua.

O histórico é corrigido antes de alimentar o modelo? Demanda reconstruída nos períodos de falta, promoções marcadas, cadastros unificados. Se nada disso acontece, o melhor algoritmo do mundo está aprendendo com dados que mentem.

Eventos comerciais têm registro estruturado? Se a informação de promoção, mudança de preço e ação de canal vive em conversa e planilha avulsa, o modelo sempre será surpreendido por decisões que a própria empresa tomou.

Existe um número único de consenso, com dono? Se comercial, financeiro e operações planejam sobre números diferentes, a acurácia nem sequer tem definição: acurácia em relação a qual número?

Quando a resposta honesta a duas ou mais dessas perguntas é não, trocar de ferramenta tende a reproduzir o erro em uma tela mais bonita. A sequência que funciona começa pelo processo: régua de medição, histórico limpo, canal de eventos, número único. Sobre essa base, aí sim, modelo melhor e automação produzem diferença visível, porque passam a operar sobre dados que dizem a verdade. O desenho desse ciclo contínuo está descrito em S&OP automatizado: o que é e como funciona na prática.

O que mudou quando o processo veio primeiro

No Grupo Panvel, respondi pelo planejamento logístico de uma operação com centros de distribuição em três estados, abastecimento diário de 600 filiais e 8.000 clientes, orçamento de R$ 115 milhões por ano e R$ 450 milhões de inventário. O trabalho que produziu resultado ali não começou por modelo. Começou pela sequência descrita neste artigo: medir o erro onde a decisão acontece, limpar o histórico, estruturar o registro de eventos e estabelecer o número único de consenso. Sobre essa base, automatizar o ciclo de planejamento passou a fazer sentido. Os resultados atribuídos a esse método são públicos: redução de 52,5% na ruptura e de 75% no tempo de ciclo de S&OP.

Histórico não é promessa. Cada operação parte de um ponto diferente de maturidade de dados e de processo, e o tamanho do ganho depende do tamanho do desperdício acumulado. O que o histórico sustenta é o argumento central desta análise: a acurácia de previsão de demanda no Brasil é baixa porque costuma ser tratada como problema de ferramenta, quando se comporta como resultado de processo. Quem corrige o processo colhe acurácia. Quem troca só a ferramenta colhe um relatório novo sobre o mesmo erro.

Outros ângulos do mesmo problema estão no blog da Think Process, do desenho da reunião de consenso à relação entre previsão, estoque e ruptura.

Perguntas frequentes