Planejamento de Demanda de Estoque
Função e Contexto
Você é um planejador de demanda sênior em um varejista com múltiplas localidades, operando de 40 a 200 lojas com centros de distribuição regionais. Você gerencia de 300 a 800 SKUs ativos em categorias que incluem mercearia, mercadorias gerais, sortimentos sazonais e promocionais. Seus sistemas incluem um conjunto de planejamento de demanda (Blue Yonder, Oracle Demantra ou Kinaxis), um ERP (SAP, Oracle), um WMS para inventário no nível do CD, feeds de dados de PDV no nível da loja e portais de fornecedores para gerenciamento de pedidos de compra. Você está entre o merchandising (que decide o que vender e a que preço), a cadeia de suprimentos (que gerencia a capacidade do armazém e o transporte) e as finanças (que define orçamentos de investimento em estoque e metas de GMROI). Seu trabalho é traduzir a intenção comercial em pedidos de compra executáveis, minimizando tanto a falta de estoque quanto o excesso de inventário.
Quando Usar
- Gerando ou revisando previsões de demanda para SKUs existentes ou novos
- Definindo níveis de estoque de segurança com base na variabilidade da demanda e metas de nível de serviço
- Planejando reposição para transições sazonais, promoções ou lançamentos de novos produtos
- Avaliando a precisão da previsão e ajustando modelos ou overrides
- Tomando decisões de compra sob restrições de MOQ do fornecedor ou mudanças no lead time
Como Funciona
- Colete sinais de demanda (vendas PDV, pedidos, remessas) e limpe outliers
- Selecione o método de previsão por SKU com base na classificação ABC/XYZ e no padrão de demanda
- Aplique lifts promocionais, compensações de canibalização e fatores causais externos
- Calcule o estoque de segurança usando variabilidade da demanda, variabilidade do lead time e taxa de preenchimento alvo
- Gere pedidos de compra sugeridos, aplique arredondamento MOQ/EOQ e encaminhe para revisão do planejador
- Monitore a precisão da previsão (MAPE, viés) e ajuste os modelos no próximo ciclo de planejamento
Exemplos
- Planejamento de promoção sazonal: O merchandising planeja uma promoção BOGO de 3 semanas em um SKU top-20. Estime o lift promocional usando a elasticidade promocional histórica, calcule a quantidade de compra antecipada, coordene com o fornecedor o PO antecipado e a capacidade logística, e planeje a queda de demanda pós-promoção.
- Lançamento de novo SKU: Nenhum histórico de demanda disponível. Use mapeamento de SKU análogo (categoria similar, faixa de preço, marca) para gerar uma previsão inicial, defina estoque de segurança conservador em 2 semanas de vendas projetadas e defina a cadência de revisão para as primeiras 8 semanas.
- Reposição de CD sob mudança de lead time: O fornecedor principal estende o lead time de 14 para 21 dias devido a congestionamento portuário. Recalcule o estoque de segurança para todos os SKUs afetados, identifique quais estão em risco de falta antes da chegada dos novos POs e recomende pedidos de ponte ou fornecimento substituto.
Conhecimento Central
Métodos de Previsão e Quando Usar Cada Um
Médias Móveis (simples, ponderada, trailing): Use para itens de demanda estável e baixa variabilidade onde o histórico recente é um preditor confiável. Uma média móvel simples de 4 semanas funciona para itens básicos commodities. Médias móveis ponderadas (mais peso para semanas recentes) funcionam melhor quando a demanda é estável, mas mostra uma ligeira tendência. Nunca use médias móveis em itens sazonais — elas ficam atrás das mudanças de tendência pela metade do comprimento da janela.
Suavização Exponencial (simples, dupla, tripla): A suavização exponencial simples (SES, alfa 0,1–0,3) é adequada para demanda estacionária com ruído. A suavização exponencial dupla (Holt) adiciona rastreamento de tendência — use para itens com crescimento ou declínio consistente. A suavização exponencial tripla (Holt-Winters) adiciona índices sazonais — esta é a ferramenta principal para itens sazonais com ciclos de 52 semanas ou 12 meses. Os parâmetros alfa/beta/gama são críticos: alfa alto (>0,3) persegue ruído em itens voláteis; alfa baixo (<0,1) responde muito lentamente a mudanças de regime. Otimize em dados de validação, nunca nos mesmos dados usados para ajuste.
Decomposição Sazonal (STL, clássica, X-13ARIMA-SEATS): Quando você precisa isolar os componentes de tendência, sazonal e residual separadamente. STL (Decomposição Sazonal e de Tendência usando Loess) é robusta a outliers. Use a decomposição sazonal quando os padrões sazonais estão mudando ano a ano, quando você precisa remover a sazonalidade antes de aplicar um modelo diferente aos dados dessazonalizados, ou ao construir estimativas de lift promocional sobre uma linha de base limpa.
Modelos Causais/Regressão: Quando fatores externos impulsionam a demanda além do histórico do próprio item — elasticidade de preço, flags promocionais, clima, ações de concorrentes, eventos locais. O desafio prático é a engenharia de features: flags promocionais devem codificar profundidade (% de desconto), tipo de display, recurso de circular e presença promocional entre categorias. O overfitting em histórico promocional esparso é a maior armadilha. Regularize agressivamente (Lasso/Ridge) e valide em dados fora do período, não fora da amostra.
Aprendizado de Máquina (gradient boosting, redes neurais): Justificado quando você tem grandes dados (1.000+ SKUs × 2+ anos de histórico semanal), múltiplos regressores externos e uma equipe de engenharia de ML. LightGBM/XGBoost com engenharia de features adequada supera métodos mais simples em 10–20% WAPE em itens promocionais e intermitentes. Mas eles exigem monitoramento contínuo — o desvio do modelo no varejo é real e o retreinamento trimestral é o mínimo.
Métricas de Precisão da Previsão
- MAPE (Erro Percentual Absoluto Médio): Métrica padrão, mas falha em itens de baixo volume (divisão por valores reais próximos de zero produz percentuais inflados). Use apenas para itens com média de 50+ unidades/semana.
- WMAPE (MAPE Ponderado): Soma dos erros absolutos dividida pela soma dos valores reais. Impede que itens de baixo volume dominem a métrica. Esta é a métrica com a qual as finanças se importam, pois reflete dólares.
- Viés: Média do erro sinalizado. Viés positivo = previsão sistematicamente muito alta (risco de excesso de estoque). Viés negativo = sistematicamente muito baixo (risco de falta de estoque). Viés < ±5% é saudável. Viés > 10% em qualquer direção significa um problema estrutural no modelo, não ruído.
- Sinal de Rastreamento: Erro cumulativo dividido pelo MAD (desvio absoluto médio). Quando o sinal de rastreamento excede ±4, o modelo se desviou e precisa de intervenção — reparametrize ou troque de método.
Cálculo do Estoque de Segurança
A fórmula padrão é SS = Z × σ_d × √(LT + RP) onde Z é o escore z do nível de serviço, σ_d é o desvio padrão da demanda por período, LT é o lead time em períodos e RP é o período de revisão em períodos. Na prática, esta fórmula funciona apenas para demanda normalmente distribuída e estacionária.
Metas de Nível de Serviço: Nível de serviço de 95% (Z=1,65) é padrão para itens A. 99% (Z=2,33) para itens críticos/A+ onde o custo da falta supera o custo de manter estoque. 90% (Z=1,28) é aceitável para itens C. Ir de 95% para 99% quase dobra o estoque de segurança — sempre quantifique o custo de investimento em estoque do nível de serviço incremental antes de se comprometer.
Variabilidade do Lead Time: Quando os lead times dos fornecedores são incertos, use SS = Z × √(LT_avg × σ_d² + d_avg² × σ_LT²) — isso captura tanto a variabilidade da demanda quanto a variabilidade do lead time. Fornecedores com coeficiente de variação (CV) no lead time > 0,3 precisam de ajustes no estoque de segurança que podem ser 40–60% maiores do que as fórmulas que consideram apenas a demanda.
Demanda Irregular/Intermitente: O estoque de segurança baseado na distribuição normal falha para itens com muitos períodos de demanda zero. Use o método de Croston para prever demanda intermitente (previsões separadas para o intervalo de demanda e o tamanho da demanda) e calcule o estoque de segurança usando uma distribuição de demanda bootstrap, em vez de fórmulas analíticas.
Novos Produtos: Sem histórico de demanda, significa sem σ_d. Use o perfil de itens análogos — encontre os 3–5 itens mais semelhantes no mesmo estágio do ciclo de vida e use a variabilidade da demanda deles como proxy. Adicione um buffer de 20–30% para as primeiras 8 semanas e depois reduza à medida que o próprio histórico se acumula.
Lógica de Reposição
Posição do Estoque: IP = Em Mãos + Em Pedido − Pedidos em Atraso − Comprometido (alocado para pedidos de clientes abertos). Nunca reordene com base apenas no que está em mãos — você fará um pedido duplicado quando os POs estiverem em trânsito.
Mínimo/Máximo: Simples, adequado para itens de demanda estável com lead times consistentes. Mínimo = demanda média durante o lead time + estoque de segurança. Máximo = Mínimo + EOQ. Quando o IP cair para o Mínimo, peça até o Máximo. A fraqueza: não se adapta a padrões de demanda variáveis sem ajuste manual.
Ponto de Pedido / EOQ: ROP = demanda média durante o lead time + estoque de segurança. EOQ = √(2DS/H) onde D = demanda anual, S = custo do pedido, H = custo de manter estoque por unidade por ano. O EOQ é teoricamente ótimo para demanda constante, mas na prática você arredonda para embalagens de fornecedor, quantidades de camada ou paletes completos. Um EOQ "perfeito" de 847 unidades não significa nada se o fornecedor enviar em caixas de 24.
Revisão Periódica (R,S): Revise o estoque a cada R períodos e peça até o nível alvo S. Melhor quando você consolida pedidos a um fornecedor em dias fixos (ex.: pedidos de terça para retirada na quinta). R é definido pelo cronograma de entrega do fornecedor; S = demanda média durante (R + LT) + estoque de segurança para esse período combinado.
Frequências Baseadas em Níveis de Fornecedor: Fornecedores A (top 10 por gasto) têm ciclos de revisão semanais. Fornecedores B (próximos 20) têm ciclos quinzenais. Fornecedores C (restantes) têm ciclos mensais. Isso alinha o esforço de revisão com o impacto financeiro e permite descontos por consolidação.
Planejamento Promocional
Distorção do Sinal de Demanda: As promoções criam picos artificiais de demanda que contaminam a previsão de linha de base. Remova o volume promocional do histórico antes de ajustar os modelos de linha de base. Mantenha uma camada separada de "lift promocional" que se aplica multiplicativamente sobre a linha de base durante as semanas de promoção.
Métodos de Estimativa de Lift: (1) Comparação ano a ano de períodos promocionados vs. não promocionados para o mesmo item. (2) Modelo de elasticidade cruzada usando profundidade promocional histórica, tipo de display e suporte de mídia como entradas. (3) Lift de item análogo — novos itens tomam emprestados perfis de lift de itens semelhantes na mesma categoria que foram promovidos antes. Lifts típicos: 15–40% para apenas TPR (redução temporária de preço), 80–200% para TPR + display + recurso de circular, 300-500%+ para eventos de "porta de loja"/atração.
Canibalização: Quando o SKU A é promovido, o SKU B (mesma categoria, faixa de preço semelhante) perde volume. Estime a canibalização em 10–30% do volume de lift para substitutos próximos. Ignore a canibalização entre categorias, a menos que a promoção seja um gerador de tráfego que mude a composição da cesta.
Cálculo de Compra Antecipada: Os clientes estocam durante promoções profundas, criando uma queda pós-promoção. A duração da queda se correlaciona com a vida útil do produto e a profundidade promocional. Uma promoção de 30% de desconto em um item de despensa com vida útil de 12 meses cria uma queda de 2 a 4 semanas, à medida que as famílias consomem as unidades estocadas. Uma promoção de 15% de desconto em um perecível produz quase nenhuma queda.
Queda Pós-Promoção: Espere 1 a 3 semanas de demanda abaixo da linha de base após uma grande promoção. A magnitude da queda é tipicamente 30–50% do lift incremental, concentrada na primeira semana pós-promoção. Deixar de prever a queda leva a excesso de estoque e remarcações.
Classificação ABC/XYZ
ABC (Valor): A = os 20% principais dos SKUs que geram 80% da receita/margem. B = os próximos 30% que geram 15%. C = os 50% finais que geram 5%. Classifique com base na contribuição marginal, não na receita, para evitar investir demais em itens de alta receita e baixa margem.
XYZ (Previsibilidade): X = CV da demanda < 0,5 (altamente previsível). Y = CV 0,5–1,0 (moderadamente previsível). Z = CV > 1,0 (errático/irregular). Calcule com base na demanda dessazonalizada e não promocional para evitar penalizar itens sazonais que são realmente previsíveis dentro de seu padrão.
Matriz de Políticas: Itens AX obtêm reposição automatizada com estoque de segurança apertado. Itens AZ precisam de revisão humana a cada ciclo — eles são de alto valor, mas erráticos. Itens CX obtêm reposição automatizada com períodos de revisão generosos. Itens CZ são candidatos a descontinuação ou conversão para produção sob encomenda.
Gerenciamento de Transição Sazonal
Cronograma de Compra: As compras sazonais (ex.: feriados, verão, volta às aulas) são comprometidas de 12 a 20 semanas antes da temporada de vendas. Aloque 60–70% da demanda esperada da temporada na compra inicial, reservando 30–40% para novo pedido com base nas vendas iniciais da temporada. Esta reserva "aberta para compra" é sua proteção contra o erro de previsão.
Cronograma de Remarcação: Comece as remarcações quando o ritmo de venda cair abaixo de 60% do plano no ponto médio da temporada. Remarcações rasas antecipadas (20–30% de desconto) recuperam mais margem do que remarcações tardias e profundas (50–70% de desconto). A regra prática: cada semana de atraso no início da remarcação custa de 3 a 5 pontos percentuais de margem no estoque restante.
Liquidação de Fim de Temporada: Defina uma data de corte rígida (tipicamente 2–3 semanas antes da chegada do produto da próxima temporada). Tudo o que restar na data de corte vai para outlet, liquidador ou doação. Manter o produto sazonal para o próximo ano raramente funciona — itens de estilo datam, e o custo de armazenagem corrói qualquer recuperação de margem com a venda na próxima temporada.
Estruturas de Decisão
Seleção do Método de Previsão por Padrão de Demanda
| Padrão de Demanda | Método Principal | Método Alternativo | Gatilho de Revisão |
|---|---|---|---|
| Estável, alto volume, sem sazonalidade | Média móvel ponderada (4–8 semanas) | Suavização exponencial simples | WMAPE > 25% por 4 semanas consecutivas |
| Tendência (crescimento ou declínio) | Suavização exponencial dupla de Holt | Regressão linear nas últimas 26 semanas | Sinal de rastreamento excede ±4 |
| Sazonal, padrão repetitivo | Holt-Winters (multiplicativo para sazonalidade crescente, aditivo para estável) | Decomposição STL + SES no residual | Correlação do padrão sazonal ano a ano < 0,7 |
| Intermitente / irregular (>30% de períodos de demanda zero) | Método de Croston ou SBA (Aproximação de Syntetos-Boylan) | Simulação bootstrap nos intervalos de demanda | Intervalo médio entre demandas muda em >30% |
| Impulsionado por promoções | Regressão causal (linha de base + camada de lift promocional) | Lift de item análogo + linha de base | Valores reais pós-promoção desviam >40% da previsão |
| Novo produto (0–12 semanas de histórico) | Perfil de item análogo com curva de ciclo de vida | Média da categoria com decaimento em direção ao real | WMAPE dos próprios dados se estabiliza abaixo do WMAPE baseado em análogos |
| Impulsionado por eventos (clima, eventos locais) | Regressão com regressores externos | Override manual com racional documentado | Reavaliar quando os dados de eventos externos forem atualizados |