Peças que passam meses sem movimentação e depois recebem pedidos relevantes exigem uma abordagem de previsão diferente daquela usada para itens de consumo regular.
Uma peça pode ficar seis meses sem qualquer saída do estoque e, no sétimo, receber um pedido de dez unidades. Depois, passar outros quatro meses sem movimentação. Para quem precisa planejar compras, reposição ou produção, esse comportamento cria uma pergunta difícil: quanto manter disponível sem aumentar excessivamente o estoque de peças?
Esse tipo de situação é comum em fabricantes de máquinas, equipamentos e componentes, além de operações de assistência técnica e pós-venda. Muitas peças continuam importantes para o atendimento ao cliente mesmo quando são solicitadas poucas vezes ao ano.
O problema é que a demanda intermitente não se comporta como uma série regular. Aplicar a mesma lógica utilizada para itens vendidos todos os meses pode gerar previsões pouco representativas e decisões ruins de abastecimento.
O que caracteriza uma demanda intermitente?
A principal característica da demanda intermitente é a presença de muitos períodos com demanda zero, intercalados por períodos em que ocorre algum consumo.
Imagine o histórico mensal de uma peça:
0 – 0 – 0 – 8 – 0 – 0 – 0 – 0 – 5 – 0 – 0 – 0.
Uma média simples indicaria pouco mais de uma unidade por mês. Matematicamente, o cálculo está correto. Operacionalmente, porém, a informação pode ser insuficiente.
A empresa não vende aproximadamente uma unidade todos os meses. Na prática, passa vários períodos sem consumir nada e, quando a necessidade aparece, o pedido pode envolver várias unidades de uma só vez.
É justamente essa combinação entre intervalo irregular entre pedidos e tamanho das ocorrências que torna o forecast de peças mais complexo. Pesquisas sobre previsão de peças de reposição destacam que técnicas convencionais podem apresentar limitações quando aplicadas a históricos com longas sequências de zeros.
Demanda intermitente, demanda baixa e sazonalidade são diferentes
Esses comportamentos podem parecer semelhantes quando observados apenas pelo volume total vendido, mas representam problemas diferentes de previsão.
Uma demanda de baixo volume é simplesmente aquela em que poucas unidades são consumidas. Um componente pode vender duas unidades todos os meses e continuar apresentando um padrão relativamente regular.
Já na demanda intermitente, o ponto central está na frequência. Há períodos sem nenhuma ocorrência, e nem sempre é possível determinar exatamente quando surgirá o próximo pedido.
A sazonalidade tem outra lógica. Existe um padrão relacionado ao calendário ou a ciclos relativamente recorrentes. Um componente utilizado em equipamentos agrícolas, por exemplo, pode apresentar maior procura em determinados períodos do ano. Mesmo existindo meses com pouco movimento, há uma repetição que pode ser identificada historicamente.
Um mesmo item, inclusive, pode combinar características. Uma peça pode ter baixo volume e demanda intermitente, enquanto outra apresenta baixo volume, mas consumo regular.
Por isso, antes de escolher o modelo estatístico, é necessário entender que tipo de comportamento existe em cada série.
Por que médias e modelos convencionais podem falhar?
Considere uma peça que passou oito meses sem consumo e recebeu um pedido de 20 unidades no mês seguinte.
Uma média móvel pode reagir fortemente a esse pedido. Conforme os meses seguintes voltam a registrar zero, a previsão começa a cair novamente. O resultado pode ser uma sequência de estimativas que oscila sem representar adequadamente a forma como aquela peça realmente é demandada.
O problema não significa que médias móveis ou suavização exponencial sejam métodos ruins. Eles funcionam bem em diversos contextos. A questão é utilizá-los em séries para as quais não foram concebidos.
Em dados intermitentes, os períodos sem demanda também carregam informação.
Não registrar saída durante um mês é diferente de ter um histórico ausente. Uma longa sequência de zeros pode indicar que o item realmente é solicitado com pouca frequência. Também pode sinalizar uma mudança de comportamento, substituição tecnológica ou até início de obsolescência.
O método de Croston e a lógica por trás da previsão
Uma das abordagens mais conhecidas para esse problema é o método de Croston, desenvolvido especificamente para séries com demanda intermitente.
Em vez de tratar todo o histórico como uma única sequência, o método trabalha separadamente com duas informações:
- o tamanho das demandas quando elas acontecem;
- o intervalo entre uma ocorrência e outra.
A lógica é bastante útil para entender o problema, mesmo sem entrar em fórmulas estatísticas.
No histórico 0 – 0 – 0 – 8 – 0 – 0 – 0 – 0 – 5, por exemplo, não interessa apenas saber que foram demandadas 13 unidades. Também é importante observar quanto tempo costuma passar entre os pedidos e qual é o tamanho das demandas quando elas acontecem.
É justamente essa separação que torna o método de Croston adequado para séries intermitentes. Em vez de interpretar os períodos sem movimentação como se fossem parte de uma demanda contínua, o modelo considera a frequência das ocorrências e as quantidades demandadas para construir uma referência mais compatível com aquele histórico.
Isso também ajuda a desfazer uma expectativa comum: prever demanda intermitente não significa descobrir exatamente quando o próximo pedido chegará ou qual será sua quantidade. O objetivo é produzir uma estimativa mais coerente para apoiar decisões de estoque, compras e abastecimento.
Uma boa previsão começa antes do modelo estatístico
Escolher o algoritmo correto é importante, mas nenhuma técnica compensa um histórico mal estruturado.
Na previsão de demanda de peças de reposição, é necessário revisar os dados antes de interpretar os resultados.
Uma peça aparentemente sem demanda pode, por exemplo, ter sido substituída por outro código. Nesse caso, analisar o código antigo isoladamente daria a impressão de queda do consumo, quando os pedidos simplesmente migraram para o sucessor.
Também é importante identificar produtos descontinuados, mudanças de cadastro, vendas extraordinárias, pedidos internos e movimentos que não representam consumo normal.
O tamanho dos pedidos merece atenção semelhante. Há uma diferença relevante entre uma peça demandada três vezes ao ano em lotes relativamente estáveis e outra que também recebe três pedidos, mas em quantidades de 1, 5 e 40 unidades.
É possível classificar séries considerando justamente a frequência das ocorrências e a variabilidade das quantidades demandadas. Abordagens de classificação utilizadas em forecasting distinguem padrões mais regulares, erráticos, intermitentes e irregulares a partir dessas características.
O nível de serviço muda a decisão de estoque
A previsão não deve ser analisada isoladamente da política de atendimento.
Uma peça barata, pequena e indispensável para colocar um equipamento crítico novamente em operação pode justificar determinado nível de disponibilidade. Já um componente caro, com risco elevado de obsolescência e prazo de reposição relativamente curto pode exigir outra estratégia.
Por isso, a gestão de peças de reposição precisa relacionar o forecast a fatores como lead time de fornecimento ou fabricação, custo do item, importância para o cliente, possibilidade de substituição, custo da falta e risco de obsolescência.
Dois itens de baixo giro com históricos semelhantes podem, portanto, ter políticas de estoque completamente diferentes.
O objetivo não é eliminar toda possibilidade de falta. Manter estoque suficiente para atender qualquer cenário também tem um custo. A decisão envolve encontrar uma relação adequada entre disponibilidade, capital imobilizado e risco.
Prever melhor é trabalhar melhor com a incerteza
A demanda intermitente dificilmente oferecerá a mesma previsibilidade de um item vendido regularmente. Isso não significa que a empresa deva abrir mão do forecast.
Significa reconhecer que comportamentos diferentes de demanda pedem métodos compatíveis com suas características.
Em vez de tentar transformar uma série irregular em uma falsa demanda mensal constante, a empresa pode trabalhar com modelos desenvolvidos para dados esparsos, analisar intervalos entre ocorrências, volumes dos pedidos e revisar continuamente a situação dos itens.
O Forecast Pro possui modelos voltados a séries de baixo volume, incluindo o modelo de demanda intermitente de Croston e abordagens para dados discretos. Sua documentação destaca justamente a aplicação em históricos nos quais a demanda frequentemente é zero e o momento exato do próximo pedido não é conhecido.
A APS3 apresenta o Forecast Pro em parceria com a Belge Engenharia, representante oficial da solução no Brasil, conectando a previsão de demanda às decisões de compras, estoque, produção e abastecimento.
Para empresas que convivem com peças de reposição, itens de baixo giro e históricos difíceis de interpretar, estruturar melhor o forecast permite tomar decisões mais consistentes sem exigir uma precisão que esse tipo de demanda simplesmente não oferece.
