Previsões e modelos preditivos
Criamos previsões da procura, das vendas ou dos internamentos que chegam a tempo ao planeamento, como no serviço de urgência do St. Antonius.
No serviço de urgência do St. Antonius, o nosso algoritmo prevê se um doente precisa de ser internado
Como parte da equipa de IA do hospital, desenvolvemos um algoritmo que ajuda os médicos a decidir se um doente pode regressar a casa ou precisa de ser internado. Os serviços são informados atempadamente e podem começar a preparar-se mais cedo. “Colaboração profissional com especialistas empenhados” Marleen Vreeburg, médica do serviço de urgência - St. Antonius
Porque é que as nossas previsões falham sempre?
O responsável pelo planeamento retira as vendas do ano passado do sistema ERP, aplica um acréscimo e ajusta os valores no Excel para ter em conta as promoções. Uma semana em que um produto esgota é então contabilizada como uma semana de baixa procura. Um modelo preditivo calcula a procura por produto e localização, com um intervalo de valores possíveis.
Uma previsão que o planeador pode verificar e ajustar
A procura, não apenas as vendas
Quando um produto esgota, a procura é superior às vendas. Corrigimos primeiro essa diferença; caso contrário, o modelo aprende com prateleiras vazias.
Melhor do que repetir o ano passado
Cada modelo tem de superar uma referência simples, como a mesma semana do ano passado. Testamo-lo em períodos que ainda não viu.
Espaço para o planeador
Se o planeador souber de uma promoção que não consta dos dados, ajusta a previsão e regista o motivo. Avaliamos esse ajuste posteriormente.
Também para peças e inventário
Na Athlon, usamos machine learning para prever a procura de peças para manutenção e reparação, com dados fornecidos por uma pipeline no Azure.
Primeiro a decisão e o horizonte, depois o modelo
-
Decisão e nível de detalhe
Que decisão depende da previsão, com que antecedência é necessária e a que nível: por produto, localização, semana ou dia?
-
Referência e backtest
Um modelo simples serve de referência. Testamos cada melhoria em períodos que o modelo não conhecia.
-
No planeamento e na gestão
A previsão passa a integrar o ERP, o planeamento ou o Power BI. Monitorizamos os desvios e voltamos a treinar o modelo quando os padrões mudam.
Podemos basear o nosso planeamento num modelo preditivo?
É adequado se
Planeia stocks, compras, pessoal ou capacidade com base em estimativas, dispõe de dados históricos por produto ou localização e os erros de estimativa têm um custo significativo. Ou os responsáveis pelo planeamento perdem muito tempo no Excel.
Não é adequado se
A procura é estável e o mesmo período do ano anterior já fornece uma estimativa próxima, ou quase não há dados históricos. Nesse caso, basta um método simples no seu sistema de planeamento.
O que determina a dimensão do projeto
O número de séries (produtos multiplicados por localizações), as fontes adicionais a considerar, como promoções ou preços, a frequência com que a previsão é atualizada, a integração com o ERP ou o sistema de planeamento e quem faz a gestão.
Os responsáveis pelo planeamento vão confiar no modelo?
Só se conseguirem perceber de onde vem cada número. Por isso, mostramos o intervalo, registamos os ajustes que fazem e comparamos o modelo e os responsáveis pelo planeamento nos mesmos períodos.
Modelo de séries temporais, machine learning ou o módulo do seu ERP?
Modelo estatístico de séries temporais
Escolha esta opção se observar uma tendência clara e um padrão sazonal regular para cada produto. Exponential smoothing ou ARIMA é rápido, explicável e, muitas vezes, um bom ponto de partida.
Machine learning
Escolha esta opção se fizer previsões para muitas séries, como as peças da frota da Athlon, ou se as promoções e os preços forem relevantes. O nosso conselho: use-a apenas se superar um modelo de referência simples.
Módulo do seu software de planeamento
Escolha esta opção se o seu ERP ou software de planeamento já produzir previsões e as suas séries não apresentarem padrões invulgares. Nesse caso, uma boa configuração costuma ser suficiente.
Modelos preditivos para as urgências, a oficina e o trânsito rodoviário
A Data Science Lab trabalha com dados e IA desde 2016. Com sede em Amesterdão, é parceira da Databricks e da Microsoft. Desenvolvemos modelos preditivos para o St. Antonius, a Athlon e a Rijkswaterstaat e, se assim o desejar, assumimos depois a sua gestão.

Primeiro, falamos sobre a decisão que depende da previsão
Stef Stoelwinder
Desenvolvimento de NegóciosStef é o seu primeiro ponto de contacto. Na primeira conversa, nas suas instalações, em Amesterdão ou online, falamos sobre o que pretende prever e que dados históricos estão disponíveis.
E-mail info@datasciencelab.nl
Telefone +31 (0)20 3636 724
Que previsão ajudaria mais o nosso planeamento?
Descreva o que pretende prever e como faz atualmente o planeamento. Receberá uma resposta por e-mail, ou agendaremos uma primeira conversa.
Mensagem enviada
Obrigado pela sua mensagem. Entraremos em contacto consigo o mais rapidamente possível.
Perguntas frequentes
Forecasting é prever como uma grandeza evolui ao longo do tempo: a procura por produto, as vendas por loja, o número de internamentos ou a ocupação por turno. O resultado é uma previsão para cada período, de preferência com um intervalo de valores.
A análise preditiva é mais abrangente: também inclui previsões para casos individuais, como prever se um doente será internado no St. Antonius. Ambas fazem parte das nossas aplicações de IA. Se o tema for a manutenção de máquinas, leia sobre manutenção preditiva.
Dados históricos por produto, localização e período, de preferência abrangendo várias épocas do ano. Também precisa de tudo o que ajude a explicar a procura e seja conhecido antecipadamente: promoções, preços, horários de abertura, Natal, Páscoa e férias escolares. Registe igualmente quando um produto esgotou, porque, nesse caso, a procura foi superior às vendas.
Normalmente, não precisa de dados pessoais para prever a procura. Se fizer previsões por cliente, tenha em atenção que, segundo a autoridade neerlandesa de proteção de dados, um número de cliente sujeito a hash continua, geralmente, a ser um dado pessoal. Nesse caso, aplica-se o RGPD.
A referência é uma previsão ingénua, como usar o mesmo período do ano anterior. Seguem-se modelos estatísticos de séries temporais, como exponential smoothing e (S)ARIMA(X), e, quando compensa, machine learning, por exemplo gradient boosting com LightGBM, ou deep learning, como DeepAR e LSTM. Para produtos com muitos períodos sem procura, existe o método de Croston.
Para Rijkswaterstaat e os parceiros da NGinfra, demonstrámos numa prova de conceito que podemos simular o impacto da abertura de uma ponte na formação de congestionamentos, recorrendo, entre outros elementos, a um modelo LSTM e a dados AIS de embarcações.
Com um backtest: o modelo faz uma previsão a partir de um momento no passado e compara-se o resultado com o que aconteceu depois, repetindo o processo com um ponto de partida que avança no tempo. Assim, o modelo nunca utiliza dados do período que está a prever.
Não olhe apenas para a MAPE: esta métrica falha em períodos sem procura. A MASE compara o desempenho com uma previsão ingénua. E o Forecast Value Added mostra se cada etapa, incluindo um ajuste feito por quem planeia, acrescenta valor. Leia mais no nosso artigo sobre porque é que o seu modelo de previsão está certo, mas o seu stock não.
A equipa de vendas quer crescer, a área financeira olha para o passado e a supply chain privilegia a segurança. Uma previsão orientada por dados é, por isso, o ponto de partida comum; as equipas de planeamento acrescentam conhecimentos que não constam dos dados e registam os motivos dos ajustes. Leia como isto funciona na prática no nosso artigo sobre demand forecasting.
Se fizer previsões por produto e por região, esses valores têm de somar o total. É o chamado forecasting hierárquico: os diferentes níveis são reconciliados para que as áreas de compras e financeira trabalhem com os mesmos números.
Não apenas com um modelo de séries temporais, porque não existe uma série. Nesse caso, a previsão baseia-se em produtos comparáveis: como correram lançamentos anteriores na mesma categoria, gama de preços ou loja? Utilize vários produtos comparáveis, não apenas um.
À medida que surgem dados de vendas, o modelo assume gradualmente essa função. Registe as comparações que escolheu para poder verificar, mais tarde, quais produziram as melhores previsões.
No Databricks, o AutoML forecasting treina modelos estatísticos e DeepAR, usando o calendário de feriados de um país como dado de entrada adicional. O melhor modelo é guardado no Unity Catalog e as previsões numa tabela Delta. No Microsoft Fabric, pode utilizar, entre outros, Prophet, SARIMAX e LightGBM em notebooks ou com AutoML, e apresentar os resultados no Power BI.
Após a entrada em produção, acompanhamos a diferença entre a previsão e a realidade e voltamos a treinar o modelo quando ocorre drift. Tratamos disso com MLOps e gestão e melhoria contínua.
Que mais pode prever ou planear com dados?
- Aplicações de IATodas as nossas aplicações, desde modelos preditivos a IA generativa e business intelligence.
- Otimizar o planeamento com IAComo transformar uma previsão num plano exequível de pessoal e capacidade.
- Data scienceAnálise preditiva, machine learning, computer vision e análise de texto: que técnica se adequa a cada questão?