Modelos de previsão: desenhe uma série e veja a IA prever

Toda previsão de demanda começa pelo histórico de vendas. É nele que o modelo encontra o nível, a tendência e os ciclos que se repetem. Mas a venda também depende do que o histórico não mostra: a promoção do mês que vem, o produto que vai substituir outro, o indicador econômico que antecipa a demanda.

Neste artigo, você vê as duas partes. Primeiro, um modelo de IA (foundation) que enxerga só os números passados roda ao vivo: você desenha uma série e ele continua o traço, e depois você tenta prever melhor que ele. Em seguida, mostramos o que um forecast completo acrescenta a isso, como o do NPLAN.

• Um modelo de previsão separa o que se repete no histórico do que é ruído, e leva para o futuro só o que se repete.
• Modelos de IA (foundation) são treinados antes em uma grande coleção de séries e, por padrão, preveem uma série nova sem ajuste (zero-shot). O dos laboratórios funciona assim e vê só os valores passados. No NPLAN, esses modelos também são ajustados aos dados de cada cenário.
• O olho humano lê bem um ciclo simples e perde quando ciclo, tendência e ruído se misturam. O modelo também perde em alguns casos, e por isso nenhum modelo deve ser escolhido antes do teste.
• No NPLAN, o histórico é só o começo: o forecast recebe variáveis internas e externas, eventos de demanda como promoções e lançamentos, e o ajuste do time, e cada camada é medida contra a venda real.

O que um modelo de previsão faz

Toda série de vendas mistura algumas peças:

• Nível. Quanto se vende, em média, neste momento.
• Tendência. Se o nível sobe ou desce com o tempo.
• Sazonalidade. Um ciclo que volta: a semana, o mês, o ano.
• Ruído. A variação que não se repete e que ninguém consegue prever.

O trabalho do modelo é separar essas peças e projetar só as que se repetem. Um pico solto no passado não deve voltar na previsão. Um pico que aparece todo dezembro deve. Separar bem essas peças também ajuda o planejador a explicar a previsão, um tema do artigo sobre planejamento de demanda.

As famílias de modelos

Não existe um modelo melhor para todas as séries. Cada família resolve bem um tipo de padrão:

• Médias e regras simples. Média móvel e "repetir o mesmo período do ano passado". São a régua mínima: um modelo mais sofisticado só vale a pena se vencer essas regras.
• Estatísticos. ARIMA, suavização exponencial (ETS) e Theta. Cada série ganha o seu próprio modelo, ajustado ao próprio histórico. São rápidos, fáceis de explicar e funcionam bem com padrões estáveis.
• Demanda intermitente. Croston, ADIDA, IMAPA e TSB, feitos para itens que vendem pouco e com muitos zeros, como peças de reposição.
• Machine learning. XGBoost e LightGBM aprendem com muitas séries ao mesmo tempo e aceitam variáveis além do histórico.
• Redes neurais. NHITS, DeepAR, NBEATSx, BiTCN e TFT capturam padrões mais complexos e também recebem variáveis, mas precisam de mais dados e de mais cuidado no teste.
• IA (foundation). Chronos, TimesFM, Toto e t0-gamma são treinados antes em uma grande coleção de séries de vários setores. Por padrão, funcionam em modo zero-shot: recebem uma série que nunca viram e devolvem a previsão sem nenhum ajuste. No NPLAN, eles também passam por fine-tuning, um ajuste fino com os dados de cada cenário antes de prever, e aprendem os padrões próprios da empresa.

O modelo de IA (foundation) não conhece o seu produto, mas conhece os padrões de milhões de séries temporais.

Todas essas famílias fazem parte do catálogo do NPLAN e disputam o mesmo teste, série a série. Os laboratórios abaixo usam um modelo de IA (foundation) pequeno, que roda ao vivo: cada previsão leva poucos milissegundos.

O que o modelo do laboratório vê

O modelo dos laboratórios recebe só a sequência de números que você desenha. Ele não sabe:

• que existe uma promoção planejada para o mês que vem;
• que um produto novo vai substituir este;
• que houve ruptura de estoque e a venda caiu por falta de produto, não de demanda;
• que um indicador de mercado começou a subir dois meses antes da venda.

Isso é de propósito. Com só o histórico, fica fácil ver o que a parte estatística de uma previsão consegue fazer, e onde ela para. Mais adiante, mostramos como cada uma dessas informações entra no forecast do NPLAN.

Desenhe e veja o modelo prever

Desenhe uma série no gráfico, da esquerda para a direita, e veja o modelo continuar o traço. Perto da linha "hoje", o tempo anda sozinho e o futuro continua sempre à vista. Abaixo do gráfico, três faixas pequenas separam o desenho e a previsão em tendência, sazonalidade e resíduo, e os outliers ficam marcados. Depois, teste os exemplos: o sazonal, a promoção e o passeio aleatório mostram três comportamentos muito diferentes do modelo.

O que o laboratório mostra

• Ciclo regular. O modelo repete o ciclo com segurança, porque o passado explica bem o futuro.
• Promoção a cada ciclo. O pico volta sempre no mesmo ponto do ciclo, e o modelo o repete no lugar certo. Um pico que se repete é padrão, não outlier. Uma promoção que muda de data, porém, só entra na previsão se alguém informar o modelo.
• Semana + trimestre. Um ciclo curto dentro de um longo. O modelo mantém o formato da semana e a onda lenta ao mesmo tempo, o que o olho dificilmente separa.
• Passeio aleatório. Sem padrão, a previsão fica plana e a incerteza cresce a cada passo. O modelo mostra que não sabe, e isso também é uma resposta útil.
• Outliers. Os picos soltos não voltam na previsão. O modelo só leva adiante o que se repete. No NPLAN, esses pontos podem ser tratados antes da previsão, para que um evento isolado não distorça o histórico.

Você contra o modelo

Agora o jogo se inverte. O laboratório mostra o histórico de uma série e esconde o futuro. Você desenha como acha que a série continua. O modelo faz a previsão dele com o mesmo histórico. No fim, aparece o que de fato aconteceu e o erro médio de cada um.

Há um terceiro competidor, o mais simples de todos: repetir o último ciclo. É a regra de muitas planilhas e a régua mínima que um modelo precisa vencer para valer a pena.

Por que o modelo costuma ganhar

Nos primeiros níveis, o olho humano vai bem. Um ciclo só, com pouco ruído, é fácil de copiar. A diferença aparece quando as peças se misturam: duas ondas somadas, uma tendência por baixo do ciclo, ondas que crescem junto com a venda, outliers que prendem a atenção. O modelo separa o que se repete do resto, e o erro dele cresce bem menos que o nosso.

O modelo também perde. Em 15 séries de cada nível, o modelo errou menos que repetir o último ciclo em 15 das 15 séries dos níveis médio e de ondas que crescem, e em 14 das 15 dos níveis difícil e tudo junto. Nos lotes, perdeu as 15. O ritmo dos pedidos é exato, e a regra simples coloca cada lote no passo certo, enquanto o modelo espalha a chance de pedido pelos passos vizinhos.

Nenhum modelo vence em todas as séries. Quem decide é o teste.

Por isso, escolher um modelo de antemão é arriscado. O caminho mais seguro é testar vários na mesma série e, muitas vezes, combinar os melhores, como explica o artigo sobre ensemble na previsão de demanda.

Além do histórico: o forecast do NPLAN

O modelo dos laboratórios é a base de qualquer previsão. Um forecast para decidir compra, produção e estoque precisa de mais camadas, e cada uma delas existe no NPLAN.

Dados tratados antes de prever. Valores nulos e outliers podem ser tratados no histórico, e cada ajuste manual registra o motivo: promoção, ruptura de estoque, marketing, preço. Quando a venda caiu por ruptura, o histórico pode ser corrigido com esse motivo, para que a falta de produto não pareça falta de demanda.

Variáveis internas. Além dos números, os modelos que aceitam variáveis recebem o calendário (mês e trimestre) e o perfil de cada série: a sazonalidade típica do mês, o grau de intermitência e as médias recentes.

Variáveis externas. Indicadores de um catálogo, como clima, índices econômicos e de mercado, entram na previsão quando passam por um filtro série a série. O NPLAN testa defasagens de 1 a 12 meses, exige pelo menos 24 meses em comum com a venda e controla o risco de falsas descobertas antes de aceitar uma variável. Um indicador que só coincide com o passado fica de fora. O artigo sobre variáveis externas mostra esse teste em um laboratório.

Eventos de demanda. O que a empresa já sabe sobre o futuro entra no cenário por cima da previsão estatística:

• Campanhas de desconto, combo, sazonais, de lançamento ou de liquidação, com o efeito esperado na demanda, no preço e no custo;
• Lançamentos a partir de um item de referência, para produtos sem histórico;
• Descontinuações com data de saída;
• Substituições (de-para), em que a demanda de um item passa para outro.

Muitos modelos, o melhor por série. Todas as famílias do catálogo disputam o mesmo teste: o NPLAN esconde os últimos meses do histórico, pede a previsão a cada modelo e compara com o que de fato vendeu. Fica, para cada série, o modelo que errou menos, ou a combinação dos melhores.

Colaboração medida. Depois da previsão estatística, o time de demanda faz até três rodadas de revisão e define o forecast final, com travas, notas e o motivo de cada ajuste. O NPLAN mede quantos pontos de erro cada etapa remove em relação à anterior, o FVA. Assim, fica claro se o ajuste humano melhorou ou piorou a previsão, como mostram os artigos sobre FVA e sobre acuracidade do forecast.

O histórico mostra o que aconteceu. O forecast do NPLAN junta a isso o que a empresa já sabe sobre o futuro, e mede cada camada contra a venda real.

Os laboratórios deste artigo mostram a primeira camada: um modelo que lê só a série. No NPLAN, a previsão ganha o contexto do negócio e vira a base para decidir quanto produzir, quanto comprar e quanto estoque manter.