.avif)
Era final de tarde quando Ana, consultora de uma empresa de analytics para a indústria, chegou à sala de reuniões de uma grande indústria em Campinas.
O dono, Sr. Alberto, um diretor de supply chain de 58 anos, recebeu Ana com um sorriso seguro, mas a contragosto, pois tinha sido forçado a marcar a reunião por determinação do CEO da empresa.
— “Olha, Ana, vou ser sincero: eu conheço meu mercado como ninguém. Sei quanto o nosso produto vai vender e a qual preço deveria vender só de olhar o custo da matéria-prima e de falar com os clientes. Só de olhar para os números eu sei o que aconteceu dois anos atrás nesse mercado. Esses relatórios e algoritmos aí não entendem o que a gente já conhece desse mercado.”
Ana abriu a apresentação e mostrou um gráfico de três anos de histórico de vendas.
— “Sr. Alberto, no último verão o senhor aumentou a produção em 25%, mas a demanda real cresceu só 10%. O resultado foi excesso de estoque e promoções forçadas, que reduziram sua margem.”
Ele riu, confiante:
— “Mas isso é normal! Sempre foi assim. Se eu não arrisco, posso perder venda.”
Ana manteve a calma.
— “Claro, o feeling do senhor é valioso. Mas repare: nos últimos cinco anos, seu feeling acertou 2 vezes e errou 7. O senhor é ótimo em detectar oportunidades, mas os dados podem ajudar a validar antes de comprar em excesso. Não é substituir sua experiência, é dar mais munição para decidir com segurança no planejamento de demanda.”
Sr. Alberto olhou para o gráfico novamente, mais sério. Ao final da reunião, reportou para o CEO da empresa que o projeto não valia a pena e que era melhor confiar nos seus modelos mentais e suas análises no Excel. Os nomes dos personagens e o segmento da empresa foram modificados, mas a história retrata um caso real.
Como as empresas podem aumentar a maturidade de suas previsões? O artigo abaixo retrata o problema e um caminho para atingir esse objetivo.
Na previsão da demanda, as pessoas raramente fazem previsões puramente objetivas. Alguns vieses comuns:
O supply chain depende de previsões para alinhar produção, compras, logística e estoques. Se a previsão está enviesada, toda a cadeia se ajusta na direção errada.
Quando há superestimação da demanda (viés otimista):
Quando há subestimação da demanda (viés conservador):
Quando há alta variabilidade nas previsões (falta de consistência):
Efeitos Financeiros:
Imagine uma empresa de bebidas:
Resultado: sobra de estoque, necessidade de promoções, margens reduzidas e capital imobilizado.
No cenário inverso (subestimação), a fábrica não produz o suficiente e os concorrentes ocupam o espaço de prateleira, gerando perda de market share e receita.
O forecast bias é uma métrica criada para medir e monitorar a direção sistemática do erro de previsão:
Exemplo de uso do forecast bias: Se uma empresa percebe que o bias médio de 12 meses é +12%, significa que sistematicamente superestima a demanda.
Ações para reduzir o viés:
O viés de previsão humano impacta diretamente a performance do supply chain, afetando o elo entre demanda esperada e entrega real. Pode gerar custos ocultos: estoques excessivos, perdas de vendas, redução de níveis de serviço, erosão de margens e menor eficiência operacional.
Empresas maduras aplicam processos de S&OP/IBP, combinando modelos estatísticos com ajustes humanos controlados, e monitoram métricas de forecast bias para garantir previsões mais precisas e otimizar estoques.
Quer otimizar o seu planejamento de demanda e reduzir o viés de previsão? Descubra como a DSC Supply Chain AI pode ajudar sua empresa a aumentar a acurácia do forecast, equilibrar estoques e tornar o supply chain mais eficiente.
