Problemas em Prever demanda – parte 2

Problemas em Prever demanda – parte 2

Quais são os desafios do processo de previsão de demanda?

Prever demanda é estratégico, mas não é fácil, pois está sujeita a fatores externos à empresa, como por exemplo: clima, o nível de atividade econômica, preços da concorrência, acessibilidade ao produto-serviço e, até mesmo a impasses geopolíticos.  

Neste artigo, vamos compartilhar alguns dos possíveis problemas relacionados ao desafio da previsão de demanda. Sugerimos a leitura da parte 1 para entender como abordamos o desafio da previsão de demanda.

Processos não colaborativos

O Planejamento de Demanda deve ser um processo colaborativo entre diferentes áreas da companhia, e aqui citamos: suprimentos, produção, logística, marketing, vendas e T.I. 

TI?! Peraí, o que o setor de Tecnologia da Informação tem a ver com planejamento de demanda?

Apesar do gestor conseguir fazer o herculano trabalho de sincronizar as agendas e alocar os responsáveis de cada área na mesma sala de reunião, é bem provável que tenha dificuldades em chegar a um acordo sobre quais dados utilizar no planejamento da demanda. É nesse momento que o departamento de TI fará sua contribuição.

A falta de colaboração entre as diferentes áreas da companhia sem dúvidas afeta suas operações internas, mas também resulta na formação de Silos de Informação (também conhecidos como Data Silos), isto é, repositórios (ou bancos) de dados isolados, que são controlados por essas diferentes áreas da companhia, e que não estão integrados e compartilhados aos demais sistemas da empresa, ferindo conceitos básicos dos 5Vs do Big Data.

Ou seja, a falta de colaboração é refletida nos dados, justamente – o principal insumo – para qualquer modelo de previsão de demanda, dos mais arcaicos feitos em planilha eletrônica até aos nossos mais complexos algoritmos de Advanced Analytics.

É por isso que em nossa visão – o cenário ideal – e que buscamos construir a quatro-mãos com nossos clientes industriais é: 

“Um ambiente onde os dados internos referentes à suprimentos, produção, vendas e distribuição estão devidamente integrados e associados à fatores externos relativos ao negócio e ao tipo de produto vendido.”

Aplicação de regras do passado no futuro para prever demanda

A aplicação de algoritmos de inteligência artificial, sejam eles quais forem, apresenta um tipo de risco metodológico importante: 

“Treinar uma máquina com dados do passado, fará com que ela descubra padrões do passado. Logo, se queremos que ela gere um desempenho melhor do que o passado, precisamos saber como ensinar a máquina a esquecer alguns erros e reforçar os acertos, isso é um desafio”

Ciclo de vida dos produtos e produtos de características diferentes 

Em cada estágio da vida de um produto (da concepção até as vendas em escala), as decisões da gestão variam consideravelmente, e isso pode gerar, consequentemente,  reflexos importantes na capacidade de prever demanda. Assim, é recomendável tratar produtos e suas séries históricas de forma separada.  

Também, quando são colocados produtos com naturezas diferentes, haverá a mistura de padrões de comportamentos, como por exemplo, produtos frios não devem se comparados com produtos de massas e assim por diante.

Quanto mais controlado, balanceado e focado do dataset final de previsão de demanda, melhor pode ser a assertividade do modelo.

Regras de negócio preestabelecidas

Quando analisamos, às vezes bilhões de transações de venda, percebemos que começam a surgir padrões nas vendas que não são necessariamente variações da demanda e sim da oferta. Isso ocorre quando há regras preestabelecidas de negócio que são executadas em épocas específicas.

Vamos supor que uma fábrica têxtil oferte mais meias de crianças no verão do que no inverno ao longo dos últimos 5 anos, isso pode levar a ideia de que a demanda do produto é maior no verão, mas isso só seria possível verificar se a oferta gerada pela empresa for a mesma ao longo das estações.

Recomendamos entender como e onde estão as regras comerciais para, sempre que possível, fazer atenuações artificiais sobre as regras artificiais em um processo de harmonização de indicadores que, uma vez equilibrados, podem dar mais qualidade e visibilidade das variações aos algoritmos.  

Conclusões

Empresas com grande quantidade de produtos, em diversas regiões ao longo do tempo, enfrentam desafios para estabelecer um planejamento relativo à previsão de demanda, e alguns riscos devem ser mitigados, sobretudo no que tange a metodologia das análises e machine learning, além de regras comerciais preestabelecidas que geram viés nos resultados passados. 

Apesar de serem vários os empecilhos metodológicos/técnicos e organizacionais, expomos apenas alguns) que inibem um melhor planejamento da demanda. Prever demanda continua sendo possível, não para prever o futuro mas sim gerar condições favoráveis a decisões mais assertivas no presente. O que eu devo fazer agora para melhorar os resultados do futuro? 

Para ficar por dentro de esses e outros conteúdos de analytics, assine gratuitamente nossa newsletter e siga a Aquarela no Linkedin.

Quem é a Aquarela Analytics?

A Aquarela Analytics é pioneira e referência nacional na aplicação de Inteligência Artificial na indústria e em grandes empresas. Por meio da plataforma Vortx e da metodologia DCIM (Download e-book gratuito), atende clientes importantes, como: Embraer (aeroespacial), Grupo Randon (automotivo), SolarBR Coca-Cola (alimentício), Hospital das Clínicas (saúde), NTS-Brasil (óleo e gás), Votorantim (energia), dentre outros.

Fique atento às novas publicações diárias da Aquarela Analytics no Linkedin e assinando a nossa Newsletter mensal! 

Autores

O desafio da previsão de demanda na visão da Aquarela – parte 1

O desafio da previsão de demanda na visão da Aquarela – parte 1

Previsão de demanda é uma demanda

Conhecer a previsão de demanda de forma preditiva é um grande diferencial para estratégia, principalmente se vinculada aos processos de precificação, porém esta é provavelmente a peça mais importante e difícil do quebra-cabeças do time de planejamento e gestão.

Uma forma interessante de enfrentar o desafio da previsão de demanda é apresentada pelo futurista Paul Saffo na Harvard Business Review onde, para ele:

O objetivo da previsão de demanda não é necessariamente prever o futuro, mas dizer o que você precisa saber para executar ações significativas no presente. 

Neste artigo, abordamos o tema da previsão de demanda nas cadeias de suprimento sob a ótica das novas capacidades de Advanced Analytics e como esse resultado pode ser integrado de forma estratégica na operação de processos de negócio e precificação.

Sazonalidade, influência do clima e geografia na demanda

Apesar de existirem tendências sazonais importantes que afetam os movimentos de compra da população (natal, páscoa e etc).

É importante notar que cada tipo de produto possui também características intrínsecas de consumo que, por sua vez, podem não flutuar nas ondas de tendência, e em alguns casos até podem apresentar correlação negativa. Ex. o caso dos materiais de construção. 

Considerando que o clima e a geografia afetam diretamente o comportamentos das pessoas e, consequentemente, seus desejos de consumo, faremos uma demonstração a título didático utilizando uma ferramenta Google Trends

O Google Trends mostra a intensidade de buscas textuais executadas no Google ao longo do tempo. Ou seja, quanto às pessoas de determinado local procuram algo no google durante os meses do ano. 

Comparativo de demandas Brasil vs Canadá

Assumindo que as pessoas apresentam um maior interesse de andar de bicicleta no verão do que no inverno, vamos fazer o seguinte teste:

Vamos buscar os resultados das buscas dos últimos anos pelo termo “bike” (bicicleta em inglês) e “snow” (neve em inglês) no Canadá.  Escolhemos o Canadá porque sabemos a priori que este país tem um inverno bastante rigoroso. 

Interesse do público canadense pelos termos neve e bike
Imagem atualizada em 13 de agosto 2021.

O resultado indica o aumento de buscas por bicicleta nos meses de verão no hemisfério norte, ao passo que no final do ano essas buscas caem quase simetricamente.

De maneira oposta, as buscas por “neve” acontecem mais nos meses de dezembro e janeiro, com alguns picos que estão relacionados a acontecimentos relativos às nevascas ocorridas no período. 

Vemos que em junho de 2020 (ano da pandemia) houve um interesse maior pelas bicicletas do que em todos os anos anteriores.

Series históricas em diferentes setores

Preparamos a seguinte aplicação com dados reais para que possamos brincar um pouco de prever demanda.

Deixamos a série “demanda por tecidos e calçados” como padrão. Nesse sentido, além de ser uma série facilmente previsível, a mesma possui dois picos sazonais que chamam atenção, natal e dias das mães. 

Essas são técnicas estatísticas usadas quando dados de vários anos para um produto ou linha de produtos estão disponíveis, e quando as tendências são claros e relativamente estáveis.

O desafio da previsão de demanda – Como é na prática?

Na prática, em projetos de Data Science, buscamos trabalhar com diversas variáveis em conjunto, para transformar um caldeirão de variáveis (datasets) em valor para nossos clientes na indústria e de serviços de forma integrada na plataforma VORTX.

Atualmente, há diversas maneiras de se fazer isso, a própria planilha do excel já pode trazer alguns resultados, porém não recomendamos, por questões de integração de sistemas e outras limitações sistêmicas

Bons exemplos de ingredientes de modelos de demanda, que usuários de planilhas não costumam ter acesso, são dados espaciais.

A geo estatística teve significativos avanços nas últimas décadas e aqui na Aquarela utilizamos muito. Assim, fazer bom uso destas ferramentas, com dados bem coletados, pode promover significativas vantagens em relação a concorrência (geo-marketing de expansão). 

Anteriormente já escrevemos sobre algumas técnicas de visualização que também podem contribuir com análises de demanda – Da visualização a tomada de decisão.

Integração da demanda nas estratégias de estoque e vendas

Vamos considerar que conseguimos elaborar um sistema com diversas técnicas de machine learning que nos trás uma alta taxa de assertividade. Neste cenário chegamos no segundo nível de desejo dos gestores, a automação de comportamentos inteligentes de forma antecipada. 

“O sonho de qualquer indústria é a precificação dinâmica em tempo real, associada a uma boa previsão de demanda” .

Para quem busca mais informações sobre os processos de precificação dinâmica e inteligente, escrevemos sobre isso usando como exemplo a precificação do metrô de Londres.  

As ações necessárias para que um sistema se comporte de forma inteligente dependem de muitos fatores técnicos/metodológicos que precisam estar associados aos processos de negócio. Para ajudar nesse mapeamento, criamos e recomendamos fortemente o uso do Analytics Business Canvas

Em alguns de nossos clientes, temos cenários onde determinados tipos de produtos precisam ser vendidos de maneira mais rápida do que outros devido a perda de valor monetário em relação ao prazo de validade, levando em conta a qualidade dos estoques – Smart Stock.

O sistema deve prever oportunidades de consumo maior na cadeia de suprimento, para que este produto seja encaminhado com priorização dentro da cadeira. Logo, técnicas de precificação e descontos podem ser aplicadas automaticamente conforme as previsões da demanda, sem excluir regras e limites de preço estabelecidas pelo time de preço.

Aprendemos que há sempre a necessidade de trabalhar com abordagens mescladas de precificação para que o resultado seja adequado às expectativas. O módulo que utilizamos é o Smart Pricing.

O desafio da previsão de demanda – Conclusões e recomendações

Para prever a demanda com propriedade é necessário entender suas características, como tendência, sazonalidade, clima, região, público, etc.

A organização da análise e alinhamento de todos os envolvidos nestas análises podem ser facilitada com o uso do Business Canvas Analytics (download Gratuito).

O trabalho de profeta sempre foi e continuará sendo difícil. O que está havendo, no entanto, é que:

a emergência dos algoritmos de machine learning e metodologias de analytics tem permitido um aprimoramento deste trabalho sem precedentes, tornando as incertezas sobre o futuro um pouco mais administráveis. 

Bons dados nas mãos de bons cientistas de dados podem gerar predições confiáveis, mas isso não torna a atividade de previsão de demanda uma tarefa fácil. 

Na Aquarela desenvolvemos projetos integrados em uma plataforma de recomendação busca reduzir estes pontos de gargalo, utilizando diversas abordagens de I.A para a descoberta de padrões sazonais, regionais e histórico de consumo de produtos.

Tudo deve estar alinhado dentro de uma metodologia de dados para que a solução gere recomendações personalizadas de vendas e encaminhamentos logísticos ao mesmo tempo ajudem no controle do estoque e até colabora nas estratégias de otimização dos preços.

Acompanhe a parte 2 deste artigo, onde abordamos os principais problemas para prever demanda.

Gostou do artigo sobre o desafio da previsão de demanda na visão da Aquarela Analytics? Então, deixe o seu comentário.

Quem é a Aquarela Analytics?

A Aquarela Analytics é pioneira e referência nacional na aplicação de Inteligência Artificial na indústria e em grandes empresas. Por meio da plataforma Vortx e da metodologia DCIM (Download e-book gratuito), atende clientes importantes, como: Embraer (aeroespacial), Grupo Randon (automotivo), SolarBR Coca-Cola (alimentício), Hospital das Clínicas (saúde), NTS-Brasil (óleo e gás), Votorantim (energia), dentre outros.

Fique atento às novas publicações diárias da Aquarela Analytics no Linkedin e assinando a nossa Newsletter mensal! 

Autores

Marketing tradicional vs Marketing com Inteligência Artificial

Marketing tradicional vs Marketing com Inteligência Artificial

Vivemos o boom do marketing como forma de prospecção e venda nos meios digitais. Serviços, produtos e experiências ficam cada vez mais conectados e inteligentes, e nessa era da Indústria 4.0, essas conexões são mais complexas e volumosas.

Neste cenário, utilizar soluções de Inteligência Artificial e Machine Learning podem otimizar muito o processo de tomada de decisão.

Neste artigo vamos explicar as diferenças chaves entre o workflow da abordagem tradicional de marketing e da abordagem com uso intensivo de inteligência artificial.

O exemplo abrange as áreas de e-commerce e da indústria de serviços digitais, baseados na venda de assinaturas online.  

O cenário final visa mostrar que: a união de métodos de aleatoriedade condicional à inteligência artificial, pode mudar significativamente a forma como ocorrem as operações nesses ambientes (assinatura de serviços digitais), que tentam responder a perguntas como: 

  • Qual layout de um anúncio leva a mais cliques? 
  • Uma cor ou posição diferente do botão de compra levaria a uma taxa de conversão mais alta? 
  • Uma oferta especial realmente atrai mais clientes – e em qual fase da jornada de compra isso tem mais impacto?
  • Quantos e quais artigos você deve deixar cada perfil de leitor ler para assinar um serviço de conteúdo digital (paywall dinâmico)?
  • Qual algoritmo faz a melhor recomendação de produtos? 
  • Qual ação é a mais efetiva em cada fase da compra? 

Workflow 1: Marketing na visão tradicional

Os analistas de marketing frequentemente utilizam testes A/B para avaliar o desempenho de suas estratégias de campanha.

O objetivo é ter este feedback para melhorar constantemente as campanhas, de modo a atrair mais clientes para as ações desejadas. Como resultado, a taxa de conversão aumentará. Alguns dos itens a maximizar podem ser: 

  • Aquisições concluídas;
  • pedidos de cotação;
  • downloads de documentos digitais;
  • subscrições de boletim informativo;
  • cliques em anúncios ou banners; e 
  • qualquer outra ação estratégica no site. 

Trabalhando desta forma, as ações se tornam bastante manuais (artesanais) e o aprendizado de cada fase e/ou mudança da estratégia fica primeiramente associado ao conhecimento dos operadores, podendo estes ter dificuldade em expressá-las e até em operacionalizá-las;. 

Workflow 2: I.A no funil de conversão

O teste da aplicação da inteligência artificial começa com a análise do funil de conversão, identificando qual página precisa ser aprimorada.

Além disso, você precisa identificar exatamente o elemento que, uma vez alterado, fará uma diferença real no envolvimento do cliente.

Uma boa compreensão do comportamento do cliente, combinada ao conhecimento da ergonomia do site, pode apontar para esse elemento-chave, que pode ser: 

  • Marketing: preços, ofertas, call to action;
  • Redação: manchetes, estilo de cópia, duração do texto;
  • Design: layout, cores, fundo, fotos.

A hipótese deve implicar uma conquista de metas. Por exemplo, você pode criar uma hipótese que indique “O endereçamento direto para os clientes através do conteúdo do site aumentará a taxa de conversão em até 5%” ou “A remoção de um campo do formulário de contato aumentará os leads em 4%”.

Seleção das bases de treinamento da I.A

Um percentual dos usuários do site deve receber uma flag (uma nova coluna) marcando que fazem parte do grupo de testes. O sistema deve fazer a atribuição, aleatoriamente, ao longo do dia para que os usuários marcados e não marcados estejam nas mesmas proporções em todas as faixas de horário. Inicialmente separamos os dois grupos:

  • Grupo 1 Método tradicional (50%): Conjunto formado de usuários que recebem as políticas de abordagem padrão vigente, ou seja, o grupo dos usuários normais;
  • Grupo 2 – I.A Exploration (50%): Conjunto de usuários marcados aleatoriamente para receberem testes de intervenções aleatórias com fins de descoberta de padrões. 

Ações aleatorizadas e aprendizado de máquina

Nesta etapa o grupo “Exploratório” começa a receber a aplicação de abordagens aleatórias a depender de qual foi a escolha dos comportamentos a serem aplicados. Vamos dizer que determinado produto tem 3 tipos diferentes de abordagem de venda: 

  1. Compre agora e ganhe desconto de 30%;
  2. Promoção 30% desconto até terminar os estoques;
  3. 30% desconto à vista.  

Ao longo do tempo, os diferentes perfis de compra começarão a emergir, revelando assim diferenças estatísticas entre os perfis. Inclusive, podem acontecer casos onde o grupo 2 (I.A Exploration) tenha um melhor desempenho que o grupo 1 (Método Tradicional). 

I.A aplicada na prática

Com os grupos 1 e 2 selecionados, é possível aplicar a I.A para estudar os comportamentos existentes entre todos os perfis levantados. Neste exemplo, ter apenas 3 opções para cada perfil é algo que pode ser facilmente realizado por analistas humanos.

Porém, quando se multiplica a quantidade de produtos pela quantidade de novas ações a serem realizadas, a I.A faz toda a diferença na automação e na escalabilidade do comportamento inteligente, potencializando as descobertas dos perfis de clientes e os resultados. 

marketing tradicional vs marketing com inteligencia artificial
Fluxo de funcionamento do I.A Exploration Exploitation

A escolha das proporções do roteamento de cada grupo é tarefa dos cientistas de dados durante a fase de exploração dos datasets. Agora, o grupo que passou pelo processo de I.A (Que chamamos de Exploration & Exploitation),  deve gerar recomendações em tempo real, mais adequadas a cada perfil, e consequentemente, ter um desempenho de conversão superior ao grupo tradicional, ou seja: O método com I.A gera muita variabilidade, mais aprendizado e mais ganho (conversões).

Talvez você se pergunte – Por que devemos ainda manter um grupo aleatório? A resposta é simples, a aleatoriedade estará sempre fazendo a pesquisa sobre novos comportamentos, desta forma a I.A pode aprender continuamente com o comportamento dos usuários, mesmo que este mude com o tempo. Comportamentos sempre mudam.

Testes das abordagens

As experiências de ambas as abordagens devem ser conduzidas sob regras estritas para que os resultados sejam precisos e preciosos. Assim, existem alguns fatores a serem levados em conta:

  • Tempo: ambos os grupos devem ser atendidos no mesmo período. Caso contrário, os resultados podem ser influenciados pela sazonalidade, tendências e outros eventos externos;
  • Duração do teste: as páginas que receberão comportamentos inovadores (aleatórios ou baseadas na I.A) devem ser executadas por um período de tempo que permita que o teste forneça resultados robustos. A relevância é determinada pelo número total de visitas, o número de visitas incluídas no teste e a meta estabelecida;
  • Quantidade de visitantes: Dependendo do tamanho total de visitantes do serviço, é possível que as variações aleatórias não formem uma quantidade de observações para que os modelos de I.A sejam capazes de aprender. 

O que muda no Marketing após a I.A? (quadro comparativo) 

Logicamente, o processo de implantação de de I.A não é tão simples como exposto neste artigo.

Buscamos ser o mais genérico possível uma vez que entendemos que cada negócio apresenta uma complexidade e individualidade característica das tecnologias e modelo de negócio usados.

Abaixo fazemos um sumário de como vemos a mudança da forma como o marketing tradicional deve ser alterado pela influência dos modelos que utilizam Inteligência Artificial. 

CaracterísticaTradicionalI.A
Escalabilidade de descoberta de insightsManual 
Os testes AB são manuais. O crescimento é linear, ou seja, para cada x testes é necessário um número x de pessoas. Embora campanhas possam ser automatizada. 
Automático contínuo
A aleatoriedade produz um grande número de tentativas e erros que geram aprendizados de forma constante, apontando tantos os pontos com maior tendência de conversão como também situações totalmente improváveis de conversão. 
Duração dos testesPontual
Os testes A/B tradicionais são pontuais conforme a intuição e capacidade de elaboração de cenários da equipe. 
Contínuo
O processo mineração de novos padrões está acontecendo em tempo real em grupos específicos de usuários pela aplicação de aleatoriedade em pelo menos uma faixa do canal de conversões.
Volume de testesTestes específicos
A combinação de fatores limitada. Ex. Teste A/B onde o produto X é selecionado para persona Y durante tempo Z.  estes A/B
Testes em faixas combinatórias
Os testes podem ocorrer em faixas de valores com múltiplas possibilidades de combinações. Chamamos de teste XX que significa eXploration/eXploitation. Ex. Vamos permitir que a o valor de X varie de 30 a 80 para todas as personas durante tempo Z. 
Fatores de sucesso ou fracassoSubjetivo
O conhecimento dos principais fatores do sucesso ou fracasso de cada tentativa é limitada a um conjunto pequeno de fatores isolados e em muitos caso é incorporado ao conhecimento tácito dos membros da equipe.  
Objetivo
A inferência é quantitativa sobre um conjunto de fatores de análise é quase ilimitado já que este pode pode crescer ao longo do tempo com a ampliação das integrações de dados às bases externas, tais como dados do clima, do trânsito e da economia por exemplo. Dependendo dos algoritmos utilizados para a descoberta de padrões é possível se extrair até as regras de negócio para utilizar na forma tradicional. 
Vire seu dispositivo para visualizar a tabela!

Conclusões

Neste artigo tratamos da comparação metodológica que envolvem dois cenários contrastantes na área de marketing.

No primeiro cenário, tratado como marketing tradicional, tem-se com base regras fixas, bem como a experiência dos profissionais marketing, o que torna difícil a replicação e aprimoramento da operação e a escalabilidade dos testes e descobertas de insights. 

No segundo cenário utiliza-se inteligência artificial + técnicas de aleatorização condicional de dados aplicadas de forma intensiva, para explorar e descobrir oportunidades de otimização da conversão de leads.

Com este método de exploração reunimos mais informações que podem nos levar a melhores decisões no futuro e ao mesmo tempo executamos a exploração, que é a melhor decisão tomada no momento mais propício.

Ainda, é importante salientar que a estratégia de aleatorização depende de análises exploratórias profundas para a customização ideal da plataforma na operação. 

Hoje vemos que apesar do aumento da complexidade do stack tecnológico envolvido na aplicação da IA, há uma tendência de investimentos bastante forte neste sentido para aumentar escalabilidade aos negócios digitais de forma cada vez mais inteligente e personalizada. 

Por fim, mas não menos importante. Ressaltamos a necessidade de revisar os indicadores de desempenho para então trabalhar em sua otimização.

Recomendamos um estudo de seu processo de geração e testes, pois os indicadores podem estar descalibrados, algumas dicas já foram escritas neste outro artigo 7 dicas de ouro sobre design de indicadores.

Em nossa experiência, acompanhamos diversas situações de indicadores com problemas conceituais desajustados às políticas e as expectativas da gestão e com isso nenhuma das abordagens traziam resultados.  

Quem é a Aquarela Analytics?

A Aquarela Analytics é pioneira e referência nacional na aplicação de Inteligência Artificial na indústria e em grandes empresas. Por meio da plataforma Vortx e da metodologia DCIM (Download e-book gratuito), atende clientes importantes, como: Embraer (aeroespacial), Grupo Randon (automotivo), SolarBR Coca-Cola (alimentício), Hospital das Clínicas (saúde), NTS-Brasil (óleo e gás), Votorantim (energia), dentre outros.

Fique atento às novas publicações diárias da Aquarela Analytics no Linkedin e assinando a nossa Newsletter mensal! 

Autores

Send this to a friend