Skip to main content
Skip to content
Machine Learning

Previsão

Procura, vendas, stock, tesouraria, carga: previstas a partir do seu histórico e dos fatores externos que os movem, com um intervalo com que pode planear, entregues nas ferramentas com que planeia.

01 / 04

O ano passado mais uma percentagem

A folha de cálculo extrapola a tendência e falha as viragens. Meteorologia, preços e calendário estão noutros ficheiros. Um número, sem intervalo, por isso o planeamento adivinha a reserva.

CH.01 · O problema

A previsão é o ano passado mais uma percentagem.

  1. Falha as viragens

    Uma folha de cálculo extrapola a tendência. Não vê a promoção, a mudança do feriado ou o novo concorrente até o mês já ter corrido mal.

  2. O mundo exterior não está lá

    Meteorologia, preços, calendário, a previsão do próprio cliente. Os fatores que movem os seus números estão noutros ficheiros, por ler.

  3. Um número, sem intervalo

    Uma previsão de 1.200 unidades sem ideia se 900 ou 1.500 são plausíveis. O planeamento não consegue dimensionar a reserva, por isso adivinha.

A nossa resposta

Um modelo sobre o seu histórico e os fatores que o movem

Construímos uma previsão a partir das suas próprias séries e dos sinais externos que importam, testada nos meses que nunca viu, e entregamo-la com um intervalo na ferramenta de planeamento que as suas equipas já usam.

CH.02 · O que construímos

Como construímos

Três partes: os dados, o modelo, a entrega.

Mais do que a tendênciaFatores externos incluídosUm intervalo à volta do númeroEntregue onde se planeia
01

Estratégia de dados

As suas séries, e o que as move.

  • Recolher o histórico à granularidade a que planeia
  • Limpar lacunas, ruturas de stock e eventos pontuais
  • Adicionar os fatores externos com uma ligação plausível
  • Construir o calendário: feriados, promoções, encerramentos
  • Reservar os últimos períodos para teste
02

Desenvolvimento do modelo

Testado nos meses que nunca viu.

  • Partir de uma base simples e batê-la
  • Experimentar modelos estatísticos e de machine learning
  • Medir o erro nos períodos reservados
  • Produzir intervalos, e verificar que se cumprem
  • Escolher o modelo por série, quando compensa
03

Operacionalização

Uma previsão que corre sozinha.

  • Automatizar a atualização dos dados e a execução
  • Entregar na ferramenta de planeamento
  • Acompanhar o erro em cada período contra os reais
  • Alertar quando o erro deriva
  • Retreinar num calendário
CH.03 · Como corre

Como corre

Quatro fases, da folha de cálculo atual a uma previsão em produção.

  1. 01Fase 1

    Descoberta

    O que se prevê, a que granularidade, para que decisão.

    • Mapear as decisões que a previsão alimenta
    • Fixar a granularidade: produto, local, semana
    • Medir o erro da previsão atual
  2. 02Fase 2

    Pipeline de dados

    Histórico e fatores, atualizados num calendário.

    • Ligar os sistemas de origem
    • Limpar e alinhar as séries
    • Construir o calendário e as fontes externas
  3. 03Fase 3

    Modelo

    Base, candidatos, teste reservado.

    • Construir a base
    • Treinar modelos candidatos
    • Testar nos períodos reservados
  4. 04Fase 4

    Produção

    Entregar, acompanhar, retreinar.

    • Entregar na ferramenta de planeamento
    • Correr ao lado da previsão atual durante um ciclo
    • Acompanhar o erro contra os reais
CH.04 · O que muda

O que muda

Menos surpresas, reservas dimensionadas à incerteza, e uma previsão que as pessoas usam.

Erro que consegue medir

Previsão contra reais, em cada período, contra a base que substituiu. A melhoria é um número que a equipa de planeamento reporta.

Reservas dimensionadas ao intervalo

Stock, pessoal e tesouraria planeados para o intervalo. Menos excesso nas semanas calmas, menos ruturas nas incertas.

Uma previsão no fluxo de trabalho

Chega onde o plano é feito e atualiza-se sozinha. A equipa gasta o tempo na decisão.

Lado a ladoFolha de cálculoModelo
EntradasOs números do ano passadoHistórico mais os fatores que o movem
PadrõesTendência e um palpite de sazonalidadeSazonalidade, promoções, calendário, prazos
ResultadoUm númeroUm número e um intervalo
Quando as coisas mudamAlguém edita a folhaRetreinado com os dados novos, erro acompanhado
ExatidãoRaramente medidaMedida em cada período, contra a base
CH.05 · Perguntas

Perguntas

Tudo o que tenha um histórico e uma decisão por trás: procura por produto e local, vendas por segmento, stock e reposição, tesouraria, volume de chamadas ou tickets, energia e carga de máquinas. A primeira série escolhemo-la na descoberta, pelo valor da decisão que alimenta e pela qualidade do seu histórico.

O suficiente para cobrir os padrões que quer captar: duas ou três estações completas para uma série sazonal, menos para uma estável. Históricos curtos podem aproveitar séries semelhantes. Dizemos na descoberta o que os dados suportam, e medimos a base antes de prometer o que quer que seja.

Cada previsão vem com um intervalo, e verificamos nos períodos reservados que os reais caem dentro dele tantas vezes quantas o intervalo afirma. O planeamento dimensiona depois as reservas ao intervalo. Semanas com intervalos largos são assinaladas para a equipa olhar para elas primeiro.

Sim. A previsão é entregue no ERP, na ferramenta de planeamento ou na folha que a sua equipa usa, no calendário em que planeiam. Os dados vêm dos seus sistemas pelas APIs ou exportações, e a atualização corre sem ninguém carregar num botão.

Mais em Machine Learning

O mapa da prática

Voltar a Machine Learning
Começar

Traga-nos o problema que ninguém resolveu.

Somos uma equipa pequena de especialistas seniores. Escolhemos o modelo certo e a camada certa, e construímos o mínimo de maquinaria que resolve o problema. Tem uma chamada com um engenheiro, não um deck de vendas.