- O MySales gera previsões em seis níveis hierárquicos, desde a cadeia total até combinações individuais de SKU-loja, processando terabytes de dados para grandes retalhistas.
- O motor limpa automaticamente o histórico de vendas, isola os fatores de influência (preço, promoções, clima, indicadores macroeconómicos) e seleciona o modelo com melhor desempenho sem intervenção manual.
- Algoritmos especializados tratam novos artigos e a expansão da distribuição, assegurando previsões precisas mesmo quando o histórico de dados é limitado ou inexistente.
- O cálculo integrado do stock de segurança, ajustes de previsão de curto prazo e modelação de aumento promocional fornecem um output completo e pronto para encomenda numa única execução do pipeline.
Visão Geral
O MySales é construído sobre um motor de previsão matematicamente rigoroso, validado em centenas de milhões de combinações de SKU-loja. Produz previsões de procura estáveis e de alta qualidade para cada artigo em cada loja, totalmente automatizadas e em escala.
O motor opera em seis níveis hierárquicos, progredindo da visão mais agregada para a mais granular:
| Nível | Âmbito |
|---|---|
| Categoria de produto — cadeia inteira | Sinal de procura mais abrangente |
| Categoria de produto — região | Tendências regionais da categoria |
| Categoria de produto — loja | Padrões da categoria ao nível da loja |
| SKU — cadeia inteira | Procura do artigo em toda a cadeia |
| SKU — região | Comportamento regional do artigo |
| SKU — loja | Unidade de previsão mais granular |
Esta estrutura hierárquica é fundamental. Quando o motor não consegue determinar uma relação fiável a um nível detalhado (por exemplo, elasticidade de preço para um único SKU numa única loja), recorre a níveis superiores da hierarquia onde há mais dados disponíveis. O resultado é uma previsão que é simultaneamente granular e estatisticamente robusta.
Uma cadeia com 100 lojas e 10 000 SKUs produz um milhão de combinações de SKU-loja. Multiplicando por 3-4 anos de histórico diário, um único recálculo de previsão processa gigabytes de dados para cadeias pequenas e terabytes para as grandes. O MySales trata isto através de empacotamento paralelo de dados em múltiplos threads de processamento.
Fase 1: Ingestão e Preparação de Dados
O pipeline de previsão começa por carregar todos os dados relevantes do sistema de gestão de base de dados e do armazenamento de ficheiros do MySales (uma camada de otimização que reduz a carga da base de dados em volumes elevados de dados).
As fontes de dados incluem:
- Histórico de vendas, preços, descontos, níveis de inventário e dados de recibos
- Hierarquia de produtos e dados mestre de artigos
- Hierarquia geográfica e dados mestre de lojas
- Fontes externas: clima, indicadores macroeconómicos e preços da concorrência
Para novas lojas ou novos SKUs, o sistema complementa o histórico em falta usando lojas ou artigos análogos. Dá sempre prioridade aos dados de vendas reais quando disponíveis, aplicando dados de análogos apenas para períodos em que não existe informação sobre a nova entidade.
Após o carregamento, os dados são agrupados em pacotes de processamento e distribuídos por múltiplos threads paralelos (tipicamente 3 a 9) para cálculo simultâneo.
Fase 2: Limpeza de Vendas e Extração da Linha de Base
Antes de o motor poder calcular tendência e sazonalidade, deve separar os padrões de procura genuínos do ruído introduzido por alterações de preço, descontos, promoções e ruturas de stock.
A limpeza primária de vendas remove os efeitos desses fatores de influência do registo histórico. Em vez de descartar completamente os períodos afetados, o MySales isola e quantifica o impacto de cada fator. Isto preserva o máximo de histórico de vendas possível, o que é crítico em ambientes de retalho onde a rotação frequente de sortido deixa poucos períodos não afetados.
Os períodos com vendas perdidas significativas causadas por ruturas de stock ou inventário insuficiente são excluídos em todas as fases da análise.
Esta abordagem de limpeza permite uma estimativa fiável de tendência e sazonalidade mesmo quando o histórico de vendas é tão curto quanto um ano. Onde persistem lacunas, o motor preenche-as usando dados de níveis de previsão superiores na hierarquia.
O cálculo de sazonalidade usa ambos os métodos simultaneamente:
| Método | Quando se Aplica |
|---|---|
| Sazonalidade multiplicativa (índice sazonal) | A volatilidade sazonal escala com a tendência geral |
| Sazonalidade aditiva | A variação sazonal permanece constante independentemente da tendência |
O sistema seleciona automaticamente o método que melhor se adequa a cada combinação. Ao nível do grupo de produtos, calcula também a sazonalidade do preço médio do grupo, capturando a tendência de os picos de procura sazonais coincidirem com preços médios mais elevados.
O cálculo de tendência segue-se. Após remover os efeitos do preço, desconto, promoção e sazonalidade, o motor calcula a tendência global de crescimento ou declínio de vendas, juntamente com a média e mediana de vendas a partir dos dados limpos.
Fase 3: Análise de Fatores de Influência e Seleção do Modelo
Com uma linha de base limpa estabelecida, o motor passa a quantificar como cada fator externo impulsiona a procura.
A análise de dependência avalia a relação entre as vendas e cada fator de influência: preço, desconto, clima, indicadores macroeconómicos (como taxas de câmbio), efeitos de canibalização e outros. Ao avaliar cada fator, o sistema remove seletivamente o impacto dos fatores mais dominantes (por exemplo, promoções e sazonalidade) para isolar o efeito verdadeiro.
Ao analisar a dependência de preço, o sistema também avalia as tendências de inflação ou deflação para limpar os preços históricos de distorções nominais.
Vários fatores são analisados separadamente para épocas baixa, média e alta. Por exemplo, a elasticidade de preço do gelado difere substancialmente entre o inverno e o verão. O motor captura estas distinções automaticamente, produzindo coeficientes específicos de cada época em vez de médias anuais combinadas.
O motor preenche então duas matrizes:
- Matriz de preditores históricos — os valores observados de todos os fatores de influência ao longo do período histórico, incluindo métricas derivadas como o rácio entre o preço do período atual e o preço médio dos períodos anteriores.
- Matriz de preditores futuros — valores projetados para cada fator, usando uma abordagem diferenciada: médias simples ou medianas para alguns fatores, valores previstos para outros, e dados introduzidos pelo utilizador (planos de sortido, preços futuros, calendários promocionais) onde disponíveis.
Os coeficientes de correlação são calculados a partir destas matrizes, e o motor forma automaticamente modelos de previsão candidatos a partir dos fatores que demonstram influência significativa nas vendas.
O teste e a seleção do modelo seguem-se. O motor avalia tanto os modelos gerados automaticamente como os modelos pré-configurados em relação à precisão histórica das vendas. Durante a avaliação, os períodos de inventário insuficiente e as promoções de alto impacto são excluídos. O modelo com melhor precisão histórica é selecionado.
Fase 4: Geração e Refinamento da Previsão
Uma vez selecionado o melhor modelo, o motor gera a previsão para períodos futuros. Uma série de procedimentos de refinamento assegura então a estabilidade e fiabilidade.
Os refinamentos pós-geração incluem:
- Cálculo dos valores mínimos de vendas para prevenir previsões irrealisticamente baixas
- Análise de autocorrelação do erro do modelo, usada para ajustar a previsão das semanas seguintes
- Cálculo do preditor AutoMult, que (dependendo da configuração) ajusta a previsão das próximas 6 semanas com base no rácio entre a previsão média e as vendas reais médias das últimas 3 semanas
O aumento promocional é calculado a seguir. O motor aplica coeficientes de aumento gerados por um conjunto de redes neurais, ou usa dados de promoções históricas comparáveis onde identificadas. Os aumentos são adaptados às características individuais de cada combinação de SKU-loja, com limites mínimos e máximos aplicados para assegurar resultados estáveis para artigos com histórico promocional limitado.
Após o cálculo do aumento promocional, o motor realiza o reequilíbrio do modelo em todos os fatores de influência. Esta etapa é necessária porque os efeitos de preço e promoção estão frequentemente altamente correlacionados, e o reequilíbrio assegura que a previsão promocional combinada permanece internamente consistente.
Uma funcionalidade opcional controla a distribuição da previsão promocional entre lojas. Se a previsão promocional de qualquer loja se desviar mais de +/-30% (configurável) da média do grupo, o sistema ajusta-a de volta para esse intervalo. Isto previne previsões pouco fiáveis para lojas com histórico limitado onde a elasticidade de preço e outras dependências não puderam ser determinadas com confiança.
Fase 5: Stock de Segurança, Ajustes de Curto Prazo e Outputs Finais
Com a previsão central completa, o motor calcula os outputs operacionais necessários para a reposição.
O stock de segurança é calculado como o desvio padrão do erro de previsão versus as vendas históricas. Para capturar a variação sazonal na volatilidade da procura, a previsão é dividida em três intervalos (época alta, média e baixa), e o stock de segurança é calculado separadamente para cada um.
O ajuste de previsão de curto prazo refina as próximas 2 semanas (configurável) usando as vendas diárias médias dos 7-14 dias mais recentes de períodos com stock disponível. O sistema carrega os últimos 28 dias de dados de vendas, identifica os dias em que o artigo estava disponível, e calcula a média de vendas diárias separadamente para períodos promocionais e não promocionais. Os picos sazonais são excluídos, e as médias são ajustadas para sazonalidade, preço, clima e outros fatores. O resultado aparece como o preditor Ajuste Diário.
Outputs adicionais da fase final:
| Output | Finalidade |
|---|---|
| Ajuste de previsão mestre | Incorpora substituições manuais introduzidas pelo utilizador |
| Recomendações de preço | Determina os pontos de preço ótimos para receita ou margem |
| Estimativa do efeito económico histórico | Quantifica os ganhos potenciais do aumento de vendas, identifica as vendas perdidas por fatores desconhecidos e estima as potenciais reduções de inventário |
Algoritmos Especiais
O MySales inclui algoritmos especificamente concebidos para dois cenários onde as abordagens de previsão padrão ficam aquém.
Novos artigos sem análogos atribuídos. Quando um novo artigo entra no sortido e não foi atribuído nenhum análogo, o motor usa as vendas de um artigo médio dentro do grupo de produtos. Ajusta esta linha de base para a elasticidade de preço do grupo usando o preço específico do novo artigo, e aplica restrições adicionais para assegurar resultados estáveis e precisos.
Expansão de distribuição. Quando um artigo se está a expandir de um subconjunto de lojas para uma base mais alargada, o motor gera previsões para lojas sem histórico de vendas anterior.
Considere um artigo anteriormente vendido em 10 das 30 lojas de uma região. Com base num forte desempenho, um gestor de categoria lista-o em todas as 30 lojas. Para as 20 novas lojas, o motor recorre às dinâmicas de vendas ao nível de SKU-região, grupo de produtos-região e grupo de produtos-loja para produzir uma previsão onde não existe histórico ao nível da loja.
O conjunto completo de fatores de influência usados pelo sistema é definido pelo utilizador e pode ser personalizado para corresponder ao ambiente de dados específico e aos requisitos de negócio de cada retalhista.
O Que Isto Significa para o Seu Negócio
O motor de previsão do MySales foi concebido para eliminar o esforço manual e as suposições que caracterizam o planeamento de procura tradicional. Cada fase do pipeline, desde a limpeza de dados até à seleção do modelo e ao cálculo do aumento promocional, corre automaticamente e adapta-se às características específicas de cada combinação de SKU-loja.
Para retalhistas de grande escala, isto oferece três resultados concretos. Primeiro, a precisão das previsões melhora porque o motor avalia cada fator de procura significativo e seleciona o melhor modelo de entre centenas de candidatos, algo que nenhuma equipa de analistas consegue replicar manualmente em escala. Segundo, a eficiência operacional aumenta porque todo o pipeline, incluindo o stock de segurança e os ajustes de curto prazo, corre de ponta a ponta sem intervenção humana. Terceiro, os casos especiais são tratados sistematicamente: lançamentos de novos produtos, expansão de distribuição e artigos com histórico limitado recebem todos um tratamento algorítmico específico em vez de soluções ad hoc.
O resultado é uma base de previsão que escala com o seu negócio, de centenas de SKUs para centenas de milhares, sem aumentos proporcionais em recursos de planeamento ou complexidade.