Previsões e modelos preditivos

O forecasting prevê como um indicador evolui ao longo do tempo: a procura por produto, as vendas por loja, o número de admissões ou a ocupação por turno. O resultado é uma previsão para cada período, idealmente com um intervalo de valores.

Predictive analytics é mais abrangente: inclui também previsões para casos individuais, como saber se um paciente será admitido no St. Antonius. Ambos fazem parte das nossas aplicações de IA. Se o tema for a manutenção de máquinas, leia sobre predictive maintenance.

Dados históricos por produto, localização e período, idealmente ao longo de várias épocas do ano. São também necessários todos os fatores que expliquem a procura e sejam conhecidos antecipadamente: promoções, preços, horários de funcionamento, Natal, Páscoa e férias escolares. Registe ainda quando um produto esteve esgotado, pois, nesses casos, a procura foi superior às vendas.

Para prever a procura, normalmente não são necessários dados pessoais. Se fizer previsões por cliente, tenha em atenção que, segundo a Autoriteit Persoonsgegevens, um número de cliente sujeito a hashing continua, na maioria dos casos, a ser um dado pessoal, pelo que se aplica o RGPD.

O ponto de 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.

Numa proof of concept para Rijkswaterstaat e os parceiros da NGinfra, demonstrámos que era possível 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 navios.

Com um backtest: o modelo faz uma previsão a partir de um momento no passado, que é comparada com o que aconteceu depois. O processo repete-se, avançando sucessivamente o ponto de partida. Assim, o modelo nunca usa dados do período que está a prever.

Não olhe apenas para o MAPE: esta métrica não funciona bem em períodos sem procura. O MASE compara o resultado com uma previsão ingénua. E o Forecast Value Added mostra se cada etapa, incluindo um ajuste feito pelo planeador, acrescenta valor. Saiba 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 equipa financeira olha para o passado e a equipa de supply chain prefere ter segurança. Uma previsão orientada por dados dá-lhes um ponto de partida comum; os planeadores acrescentam conhecimento que não consta dos dados e registam os motivos dos ajustes. Leia no nosso artigo sobre demand forecasting como isto funciona na prática.

Se fizer previsões por produto e por região, os valores têm de corresponder ao total quando somados. A isto chama-se forecasting hierárquico: os diferentes níveis são ajustados entre si para que as equipas 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, faixa de preço ou loja? Use vários produtos comparáveis, não apenas um.

À medida que chegam dados de vendas, o modelo assume gradualmente a previsão. Registe as comparações escolhidas para poder verificar mais tarde quais deram as melhores previsões.

No Databricks, o AutoML forecasting treina modelos estatísticos e DeepAR, usando o calendário de feriados de um país como dado adicional; o melhor modelo é guardado no Unity Catalog e as previsões numa tabela Delta. No Microsoft Fabric, pode usar, entre outros, Prophet, SARIMAX e LightGBM em notebooks ou com AutoML, e apresentar os resultados no Power BI.

Após a entrada em produção, monitorizamos a diferença entre as previsões e os resultados reais e voltamos a treinar o modelo quando ocorre drift. Fazemos essa gestão através de MLOps e de gestão e melhoria contínua.

Quando a procura é estável e o mesmo período do ano anterior já fornece uma estimativa próxima, quando quase não existem dados históricos ou quando não é possível fazer ajustes porque o prazo de entrega é superior ao horizonte da previsão. O mesmo acontece se o seu ERP ou software de planeamento tiver um módulo de previsão suficientemente bom.

Para encomendas por loja, temos o Prediqt, que fornece previsões de vendas e recomendações de encomenda. Se o problema estiver nos próprios dados, comece pela fundação de dados. Se o principal objetivo for acompanhar o que acontece, basta um dashboard.

Quer primeiro comparar empresas? Consulte a nossa seleção das melhores consultoras de forecasting.