Toda operação que planeja demanda acompanha um número de acurácia. Ele aparece no relatório mensal, entra na pauta do S&OP, é comparado com a meta e com o mês anterior. E, na maior parte das vezes, esse número está sozinho — sem dizer onde o erro pesa mais, nem se vale a pena investir para reduzi-lo.
O erro de previsão não some quando a média melhora. Ele migra: para o estoque parado de um item que vendeu menos do que o plano previa, para a capacidade ociosa de uma linha que produziu para uma demanda que não chegou, ou para o pedido perdido de um SKU que vendeu mais do que qualquer cenário considerava. Cada um desses efeitos tem um custo financeiro. Nenhum deles aparece no indicador de acurácia agregado — aparece semanas depois, na conta de estoque, na ociosidade da fábrica ou na receita que não foi realizada.
Uma acurácia boa pode esconder um erro caro
Um MAPE ou um WAPE consolidado no nível da empresa é útil para acompanhar tendência ao longo do tempo, mas esconde uma característica importante do erro de previsão: ele não se distribui igualmente entre os itens. Em qualquer portfólio, uma parte pequena dos SKUs concentra a maior parte da receita — e do custo de errar a previsão. É justamente aí que a média some. Um punhado de itens com erro alto pode ser compensado, no cálculo agregado, por muitos itens de baixo volume com erro pequeno. O indicador da empresa parece “sob controle” enquanto o erro que mais custa continua sem solução.
Isso não é um problema de fórmula, é um problema de recorte. MAPE e WAPE respondem perguntas diferentes — já exploramos essa diferença, e a limpeza automática de outliers que deveria preceder o cálculo de qualquer uma delas, em Acurácia de previsão sem drama: MAPE, WAPE e limpeza automática de outliers [inserir link]. Mas nenhuma das duas, olhada isoladamente no nível corporativo, diz onde investir. A pergunta que interessa ao CFO e ao Diretor de Supply Chain não é “qual foi a acurácia este mês”. É: em quais SKUs ou famílias o erro custa mais caro, e vale a pena reduzir esse erro?
Como medir o erro por SKU e por família
Medir o erro por SKU ou por família de produtos muda a pergunta. Em vez de uma média que dilui tudo, aparece uma distribuição: grupos de produtos com demanda estável e alto volume tendem a ter erro baixo e previsível; outros, com sazonalidade forte, ciclo de vida curto ou dependência de poucos clientes, concentram erro alto — e normalmente concentram, também, um custo desproporcional de estoque parado ou de atendimento perdido quando esse erro se realiza.
Esse recorte não precisa ser sofisticado para ser útil. Segmentar por família, por faixa de giro (curva ABC) ou por variabilidade de demanda já é suficiente para identificar onde o erro pesa mais. A escolha entre olhar o WAPE por família (ponderado por volume, mais direto para leitura financeira) ou o erro item a item (mais direto para decisões operacionais) depende de qual decisão está sendo tomada: orçamento de capital de giro pede uma leitura; política de estoque item a item pede outra.
O ponto central é que, sem esse recorte, toda decisão sobre onde investir em melhoria de previsão — mais dados, mais colaboração com vendas, um modelo estatístico mais adequado — é tomada no escuro.
Do erro medido à política de estoque e de capacidade
Uma vez que o erro está medido por segmento, ele deixa de ser só um indicador de qualidade estatística e passa a alimentar decisões concretas.
Política de estoque: itens com erro historicamente alto pedem uma política de estoque de segurança diferente de itens com erro baixo — não porque a regra mude, mas porque o risco que cada item carrega é diferente. Tratar todos os SKUs com a mesma margem de segurança significa sobrar estoque onde o erro é pequeno e faltar exatamente onde o erro é grande.
Capacidade: o mesmo raciocínio vale para decisões de capacidade e de produção. Famílias de produto com erro de previsão consistentemente alto pedem mais flexibilidade — capacidade que pode ser realocada rapidamente, lotes menores, ciclos de replanejamento mais curtos. Alocar capacidade rígida para uma demanda que historicamente é difícil de prever é comprar, de antemão, o custo do erro que ainda vai acontecer.
Nenhuma dessas decisões elimina o erro de previsão. Ele é estrutural: nenhuma previsão acerta 100%. O que muda é que a empresa passa a decidir, com base em dados, onde vale a pena reduzir o erro e onde vale a pena absorvê-lo com estoque ou capacidade dimensionados para esse risco especificamente.
O erro aparece antes do resultado — a pergunta é onde
Para tornar isso concreto, um exercício ilustrativo: imagine uma família de produtos que responde por 5% do faturamento, mas concentra 30% do erro de previsão ponderado por volume da empresa. Enquanto o MAPE ou o WAPE consolidado da companhia continuar “dentro da meta”, essa família seguirá gerando estoque parado ou ruptura em ciclos alternados, sem que ninguém veja isso no indicador agregado. O custo está lá. Só não tem uma linha própria no relatório.
Esse é o motivo pelo qual acurácia de previsão não deveria ser tratada como um número único a ser perseguido. Ela é um instrumento de diagnóstico, e só orienta decisão quando medida no recorte certo: por SKU, por família, por variabilidade, ponderada pelo impacto financeiro de cada erro.
Softwares de previsão de demanda como o Previsor existem justamente para apoiar esse tipo de medição segmentada, conectando o erro identificado às decisões de política de estoque e capacidade tratadas no planejamento integrado. Quer entender onde o erro de previsão está custando mais caro na sua operação? Agende uma conversa com um especialista da Linear.
