A sua empresa encomenda mercadoria que tem de manter em stock. O dilema que terá de enfrentar é o de encomendar de mais e suportar o investimento em necessidades de fundo de maneio ou encomendar de menos e perder vendas. Mas, se tiver a oportunidade de fazer uma pequena encomenda e testar o produto nas duas ou três primeiras semanas, verá que é possível prever com precisão o total das vendas desse produto e evitar este dilema clássico.
A análise preditiva está a influenciar todas as áreas de negócio
A capacidade para modelar determinadas variáveis de um negócio é um poderoso instrumento de gestão. No meu trabalho, tenho visto que as empresas demonstram um interesse crescente em prever o que acontece se agirem num determinado sentido.
Querem saber, especificamente:
- Como prever as vendas tendo em conta as especificidades da sua atividade,
- Como segmentar os seus clientes atuais em grupos com características idênticas e como desenvolver atividades de marketing específicas para os principais segmentos,
- Se se vende o produto A que produto terá mais probabilidade de se vender mais a seguir?
- Como otimizar as suas operações, maximizando a gestão de ativos como inventários, recursos financeiros e humanos,
- Como maximizar a eficácia das suas campanhas publicitárias.
Todas estas questões requerem informação quantitativa. São os dados que residem em diversos sistemas informáticos, ficheiros e aplicações, de forma estruturada e não-estruturada que permitem ajudar a tomar este tipo de decisões.
A análise descritiva está rapidamente a ser substituída pela análise preditiva
Em vez de decidir intuitivamente, os gestores querem decidir com base em informação quantitativa. Julgo que esta tendência veio para ficar e tenho feito uma investigação profunda sobre como aplicar na prática todas as ferramentas que estão a ser disponibilizadas no mercado.
Como prever as vendas com pouca informação histórica?
Voltando ao tema deste artigo, como é que podemos prever com precisão as vendas usando apenas duas ou três semanas de informação histórica?
Vamos construir um modelo em que a previsão das vendas totais de um determinado produto depende das vendas observadas nas duas primeiras semanas e de um fator quer reflete o sucesso do lançamento.
Vamos medir o sucesso do lançamento como o rácio de vendas da segunda semana em relação à primeira.
Estamos a assumir que quanto maior este rácio, maior a perseverança do produto no mercado. Assim, teremos uma expressão do género:
Esta expressão é um modelo multiplicativo que utiliza um parâmetro a para nivelar a previsão das vendas, o valor das vendas das duas primeiras semanas, um fator sucesso do lançamento elevado a uma potência alfa.
Para ilustrar a aplicação prática desta previsão vou apoiar-me no exemplo que obtive do livro de Wayne Winston, Marketing Analytics (que recomendo) e prever as vendas totais de 76 filmes a partir das vendas das duas primeiras semanas e do fator sucesso do lançamento. O exemplo foi adaptado para ilustrar melhor o seu funcionamento.
Vamos começar por listar as vendas das duas primeiras semanas e as vendas totais de cada filme. De seguida, na coluna G, calculamos o rácio das vendas da semana 2 pela semana 1 e na coluna I usamos a expressão acima para estimar as vendas totais.
Calculamos também o desvio absoluto entre as vendas estimadas e as vendas reais na coluna J e, para sintetizar, o valor médio desse desvio.
Então, o que nos interessa agora é descobrir os parâmetros a e alfa, minimizando o valor do desvio médio absoluto. Este é um trabalho que pode ser efetuado rapidamente com o Solver. Neste caso, porque o nosso problema não é linear, precisamos de recorrer ao algoritmo GRG Nonlinear e introduzir os seguintes parâmetros:
Além de minimizar o desvio absoluto médio alterando as células que contêm os parâmetros a e alfa, teremos de introduzir restrições às variáveis que contêm os parâmetros: deverão situar-se entre 0 e 20. Tais restrições produzirão melhores resultados para este tipo de algoritmo.
O resultado deste modelo de otimização resulta na expressão:
O desvio absoluto médio é igual a 5,5 milhões, o que representa um desvio percentual médio de 14%. Graficamente, podemos comparar os valores reais com os valores previstos da seguinte forma:
Encontrar os outliers para refinar o modelo
É possível melhorar este modelo identificando os filmes cuja previsão mais se afasta dos valores reais. Uma boa forma de o fazer é identificar os outliers e procurar descobrir o que têm de especial para se afastarem tanto dos restantes filmes.
Vamos definir outliers aqueles filmes cujo desvio se afasta mais do que dois desvios-padrão em relação à média.
Criando uma regra de formatação condicional que marque a amarelo os outliers, descobrimos que os mesmos são o Senhor dos Anéis, A Guerra das Estrelas Episódio II, o Homem Aranha, Ocean’s Eleven e Monsters, Inc.
O que têm estes filmes de especial que os distingue dos restantes? Se formos capazes de o perceber, estaremos em condições para incorporar esta nova informação no nosso modelo e melhorar significativamente a eficácia da nossa previsão.
Como vê, este modelo é extremamente simples e muito poderoso na previsão das vendas com apenas duas semanas de dados históricos. Pode utilizá-lo para decidir com confiança quantas unidades encomendar daquele novo produto que poderá ser um grande sucesso.
