IV - 15.

2 - Necessidades de previsão da cadeia de suprimentos

A previsão é um processo metodológico por meio do qual são determinados dados futuros sobre
diversos temas (como a demanda, por exemplo), tendo como base modelos estatísticos, matemáticos,
econométricos e até mesmo subjetivos.
O planejamento, por seu turno, consiste em um processo lógico mediante o qual são descritas as
necessidades para que seja possível ir do ponto atual até o objetivo definido. Sendo assim, previsão
e planejamento estão intimamente ligados, sendo a previsão uma necessidade para o planejamento e
controle.
Todas as áreas funcionais e todas as empresas envolvidas na cadeia de suprimentos, necessitam de
informações sobre previsões (em especial sobre a demanda), pois elas têm direta ligação com o
planejamento a ser desenvolvido em cada área e/ou empresa, por exemplo:
• Que tipos de produtos e/ou serviços serão oferecidos daqui a dois, três ou dez anos?
• Quanto é necessário fabricar de cada linha de produtos nos próximos dias, semanas ou meses?
• Como será a evolução da tecnologia nos próximos anos?
• Que novos processos e tecnologias deverão ser adotados futuramente?
• Qual será a necessidade de investimentos futuros?
• Será preciso ampliar e/ou construir novas instalações?
• Qual será a necessidade futura de contratação de pessoal e treinamento?
• Quais serão as necessidades de matérias-primas?

Para que essas decisões possam ser tomadas, devem-se fazer previsões, especialmente sobre a
demanda, pois ela é o ponto de partida para a previsão de muitos outros aspectos. Sendo assim, há
necessidades decorrentes das previsões e, também, necessidades para que as previsões possam ser
elaboradas. A natureza da demanda inclui diversos fatores e seus contrapontos, tais como:
• Demanda espacial versus temporal;
• Demanda regular versus irregular;
• Demanda dependente versus independente.

Existem vários métodos e técnicas utilizadas para relacionar serviços ao cliente e vendas nos controles
de previsão. Os métodos de previsão disponíveis podem ser divididos em categorias como métodos
qualitativos, métodos de projeção histórica e métodos causais, sendo os dois últimos subcategorias
de métodos quantitativos.
Métodos qualitativos são aqueles que utilizam julgamento, intuição, pesquisas ou técnicas
comparativas para produzir estimativas quantitativas sobre o futuro. Esses métodos dificultam sua
padronização e até mesmo a validação de sua exatidão. São indicados para situações em que dados
históricos não estejam disponíveis ou não sejam suficientemente relevantes e confiáveis para a
elaboração de previsões (como ocorre quando há novos produtos, mudanças de políticas de governo
ou impacto de uma nova tecnologia), sendo sua aplicação recomendável para previsões de médio a
longo alcance.
Quando há dados históricos disponíveis (em razoável quantidade, relevância e confiabilidade) nos
quais tendência e variações sazonais são estáveis e bem definidas, podem-se adotar métodos de
projeção histórica, cuja premissa básica é a de que o futuro será uma repetição do passado.
Esses métodos baseiam-se em séries de tempo — dotadas de uma natureza quantitativa que incentiva
o uso de modelos matemáticos e estatísticos como principais fontes de previsão — e são bastante
eficientes para previsões de curto prazo, nas quais, em geral, é muito boa a exatidão que se pode
alcançar para períodos de tempo de menos de seis meses.

Já os métodos causais são baseados na premissa de que o nível da variável a ser prevista é derivado
do nível de outras variáveis a ela relacionadas e que a influenciam.
Desse modo, são modelos indicados para situações em que podem ser descritas boas relações de
causa e efeito, nas quais tais métodos são efetivos na antecipação de grandes mudanças nas séries
temporais e na previsão acurada para períodos de médio a longo prazo.
Os modelos causais baseiam-se em padrões de dados históricos que estabelecem a associação entre
as variáveis causais e a variável a ser prevista. Porém, tais métodos enfrentam alguns problemas,
como a dificuldade de se localizarem variáveis verdadeiramente causais, as quais, mesmo quando
encontradas, podem exercer influência muito baixa sobre a variável a ser prevista.
Além disso, pode ser ainda mais difícil encontrar as variáveis causais que conduzem a variável
prevista no tempo, já que muito frequentemente a aquisição de dados sobre as variáveis causais
consome grande parte do tempo durante o qual tais variáveis conduzem a previsão. Em função de tais
problemas, algumas técnicas integrantes dessa categoria podem conter substanciais erros de previsão.
Com base em fatores como grau de sofisticação necessário e disponibilidade de dados, apenas um
número limitado de métodos se mostra adequado ou aplicável, e, devido a isso, pode não ser
necessário conhecer todos em grande profundidade.
Além disso, inúmeros estudos apontam que os modelos mais “simples” da categoria de séries
temporais costumam viabilizar a elaboração de previsões tão boas ou até melhores do que as versões
mais sofisticadas e complexas. Aliás, cabe comentar que a complexidade nos modelos de previsão
não necessariamente aumenta sua precisão.

Previsão colaborativa
Para a elaboração de previsões, tão importante quanto o método utilizado são as informações com
base nas quais as previsões são construídas, ainda mais quando se trata da cadeia de suprimentos.
Afinal, esse é um cenário formado por vários elementos, entre os quais estão diversos clientes
intermediários (empresas que são clientes de outras empresas), e a mudança de previsão por um desses
envolvidos causa reflexo nas projeções de todos os demais.
Por isso, é de extrema relevância que haja uma boa conexão entre os envolvidos, de modo que eles
compartilhem informações a respeito de suas previsões e as necessidades que delas decorrem,
sinalizando em tempo adequado eventuais modificações nas projeções. Caso contrário, haverá uma
variabilidade tamanha, que comprometerá a assertividade dos métodos de previsão, impedindo que
os integrantes da rede possam se organizar de forma adequada para atender à demanda, sem faltas
nem excessos.
Nesse contexto, uma boa alternativa para minimizar a variabilidade na previsão de demanda é a
adoção da chamada previsão colaborativa, uma prática especialmente útil em cenários de demanda
irregular, altamente incerta e dinâmica, provocada por fatores como promoções, compras
sazonais/cíclicas, concentração de demanda em poucos clientes que compram em grandes
quantidades, entre outros, que criam um cenário todo especial.
A previsão colaborativa consiste no desenvolvimento de previsões utilizando-se as entradas de
múltiplos integrantes da cadeia de suprimentos, o que envolve tanto as entradas oriundas das diversas
áreas funcionais de uma só empresa (marketing e comercial, produção e operações, compras e
suprimentos, logística, financeiro, etc.) ou das várias empresas envolvidas na cadeia de suprimentos
(compradores, transportadores, distribuidores, vendedores).
Essa colaboração tem como principal objetivo a redução do erro de previsão, o que se torna
potencialmente mais viável quando cada participante contribui para o processo de previsão com sua
perspectiva, compartilhando informações oriundas de sua área de domínio.
Contudo, é preciso ter em mente que a prática da previsão colaborativa é um processo complexo e,
muitas vezes, de difícil concretização, pois, para uma colaboração bem-sucedida, deve haver partilha,
coordenação e comprometimento, entre outros aspectos.
Além disso, ela requer monitoramento constante, uma vez que a previsão tende a retornar para o
cenário em que cada integrante da cadeia faz previsões individuais. Ainda assim, essa prática gera
inúmeros e significativos benefícios, tais como aumento da acurácia das previsões e melhoria da
comunicação entre os integrantes da cadeia (interfuncional e interorganizacional), o que justifica o
esforço adicional que o trabalho em cooperação exige.