11 maio 2017
# Tags
Follow Us

Como fazer uma previsão de vendas a partir de dados históricos

Formação Power BI

Outubro 2021
  • Live streaming
  • Lisboa
  • Porto
02 February, 2021

Para a maioria das empresas, conceber uma previsão de vendas eficaz, capaz de estimar com rigor o impacto de diversas variáveis nos resultados, oferece inúmeras vantagens, das quais provavelmente a mais importante será permitir planear as ações da gestão com o conhecimento certeiro do seu efeito nos resultados. Vamos ver como uma loja online pode estimar as suas vendas em função do tráfego do seu website, da sazonalidade, dos preços de venda e de um fator de inovação dos seus produtos. Os dados são recolhidos do Google Analytics e do software de gestão da empresa com as devidas alterações para proteger a empresa.

A recolha e análise dos dados

Recolher os dados a partir do Google Analytics ou do software de gestão da empresa é uma tarefa relativamente simples quando se dispõe do suplemento Power Query do Excel ou do Power BI Desktop. Não terá que fazer qualquer tipo de programação para recolher e sincronizar estes dados – tudo o que necessitará é do acesso às bases de dados.

Interessa-nos analisar mensalmente o valor de faturação de um produto, neste caso de equipamentos eletrónicos, tendo em conta os diversos fatores que o deverão influenciar:

  • A sazonalidade: o gestor desta loja online acredita que alguns meses serão melhores do que outros por razões que se prendem com as estações do ano, períodos de férias, feriados, tolerâncias de ponto, etc.,
  • O número de produtos disponíveis: interessa-nos testar se dispondo a loja de mais variedade de produtos, venderá mais. O gestor admite que não existindo qualquer espaço físico de loja, quantos mais produtos oferecer, maior serão as vendas,
  • O efeito de inovação. Isto é, admitimos que o lançamento de um produto novo terá um impacto positivo na faturação no mês em que ocorre e nos seguintes,
  • O preço médio de venda,
  • O tráfego de visitas ao website: em princípio, parece razoável que quanto mais tráfego passar pelo website, maiores serão as vendas.

Chegamos assim à recolha dos seguintes dados:

PrevisãoVendas1

Apesar de parecer que a faturação oscila significativamente e que é impossível fazer algum sentido desta parede de números, vamos ver que há aqui uma forma de explicar como os fatores acima descritos têm a sua razão de ser.

O número de produtos é apenas o número de produtos disponíveis para venda num determinado mês. A coluna “Lançamento?” indica apenas se ocorreu algum lançamento no mês em questão e o fator inovação calcula a média simples do número de produtos lançados nos três meses anteriores. A coluna “Tráfego*” representa o número de milhares de visitas ao website a cada mês.

A análise da sazonalidade

Como estamos a trabalhar com meses, vamos precisar de uma tabela acessória para o índice de sazonalidade. Optámos por medir a sazonalidade em formato percentual, isto é, quando um determinado mês supera a média, então o índice de sazonalidade será superior a 100% e vice-versa.

Nesta tabela começamos por introduzir valores de teste. Qualquer valor serve, desde que positivo e desde que a média anual seja igual a um:

PrevisãoVendas2

Conceber o modelo de previsão

Vamos estimar a previsão das vendas a partir de uma fórmula que genericamente se pode representar por:

PrevisãoVendas3

Esta é uma forma de exprimir matematicamente a relação entre a faturação e todos os elementos que a influenciam.

Não é certamente a única e este trabalho beneficiará se for melhorado continuamente para incluir mais efeitos ou refinar os existentes.

Começamos a fórmula com uma base que nos ajudará a nivelar o valor da previsão. De seguida, multiplicamos o preço médio de venda observado elevado ao efeito preço.

O efeito preço diz-nos qual a variação percentual que ocorrerá na faturação prevista em função da variação de 1% no preço médio de vendas. Assim, por exemplo, se o efeito preço for igual a -2, isto significa que as vendas baixarão 2% se o preço médio de venda aumentar 1%.

A fórmula continua multiplicando o número de produtos elevado ao efeito número de produtos oferecidos para venda, cuja lógica é idêntica à descrita para o efeito preço.

De seguida, incluímos o efeito inovação elevado ao número médio de produtos lançados nos últimos 3 meses. Se o efeito inovação for igual a 1,14 por exemplo, isto quer dizer que se o número médio de novos produtos lançados for igual a 1 num determinado mês, então o efeito nas vendas será igual a 1,14, ou seja, aumentam 14%. Se não existirem novos produtos, então o efeito nas vendas é igual a 1,14 ^ 0, isto é, será igual a 1.

O efeito tráfego segue o mesmo princípio que os efeitos preço e número de produtos, utilizando o número de visitas ao website em milhares.

Por fim, o efeito sazonalidade distribui as vendas pelos 12 meses do ano, mantendo o total anual inalterado.

Podemos começar por introduzir valores de teste para cada um destes parâmetros numa tabela:

PrevisãoVendas4

Estimar a previsão de vendas utilizando o Solver

Para encontrar os parâmetros corretos, vamos recorrer ao suplemento Solver do Excel. Este é um suplemento que vem incluído no Excel mas que tem de ser ativado para que funcione. Por incríveis que sejam as suas funcionalidades, é sempre com muita surpresa que verifico que são poucos os que o conhecem.

Assim, vamos precisar de uma coluna adicional na nossa tabela, pelo menos, para calcular o desvio absoluto percentual entre o valor real da faturação e o valor estimado a partir da fórmula acima. O desvio percentual é estimado a partir da fórmula:

PrevisãoVendas5

A tabela ficaria agora com este formato, incluindo uma escala de cores para os desvios absolutos que acrescentei utilizando a formatação condicional:

PrevisãoVendas6

Chegados aqui, teremos de parametrizar o Solver para minimizar o total de desvios, ou seja, minimizar a soma de todos os desvios absolutos, alterando os valores definidos para a base e os diversos efeitos:

PrevisãoVendas7

Como estamos a tentar resolver um problema não linear, vamos recorrer ao algoritmo GRG Nonlinear e definir limites inferiores e superiores para todas as variáveis, conforme demonstra a imagem acima.

A definição de limites permite melhorar a eficiência do Solver quanto ao tempo que necessita para resolver o problema.

O resultado final

Podemos comparar o resultado da previsão em formato gráfico:

PrevisãoVendas8

Mesmo com diversos fatores a influenciar a previsão de vendas, diria que o resultado é satisfatório. Em média, os desvios absolutos são de 19%. Há diversos meses em que a previsão falha por margens elevadas, mas também existem outros meses em que a previsão acerta quase na perfeição.

É possível verificar também que a tendência é acompanhada quase na perfeição.

Se os diversos efeitos foram corretamente identificados e a previsão funcionou relativamente bem, não deixa de ser importante - é certamente mais importante - analisar o impacto de cada um deles nas vendas. As ações que orientarão o gestor estarão agora mais sustentadas por informação credível.

Genericamente, as conclusões desta análise permitem concluir que:

  • O consumidor não é tão sensível ao preço como inicialmente se esperava,
  • O tráfego é o principal indutor das vendas,
  • O número de produtos deveria ser reduzido para melhorar as vendas,
  • A sazonalidade faz variar as vendas entre 73% e 122% do valor médio anual,
  • Num mês em que são lançados 3 novos produtos, as vendas podem aumentar até 48%! 

Em anexo poderá fazer o download do ficheiro que utilizei. Como sempre, aguardo os seus comentários!

  1. Comentários (0)

  2. Faça o seu comentário
Ainda não existem comentários a este artigo

Deixe os seus comentários

  1. A comentar como convidado. Registe-se ou faça login para aceder à sua conta.
0 Characters
Anexos (0 / 3)
Share Your Location

Assine a nossa newsletter e receba o nosso conteúdo diretamente no seu email