O culto ao forecast que bate: por que perseguir acurácia é o alvo errado — e o que a ciência propõe no lugar

Toda empresa de médio ou grande porte tem uma reunião mensal em que alguém apresenta um slide com a acurácia da previsão. O número aparece como um MAPE, quase sempre pior do que a meta, e a conversa que se segue é sempre a mesma: por que erramos, de quem foi a culpa, o que vamos fazer para o mês que vem bater. Meses depois, a acurácia continua praticamente igual, e a reunião continua acontecendo. O diagnóstico corrente é que falta ferramenta, falta dado, falta disciplina do time comercial.

Falta outra coisa. Falta perceber que o alvo está errado. A pergunta "como fazer a previsão bater?" tem, para boa parte do portfólio, uma resposta científica desconfortável: não vai bater — e o esforço para fazê-la bater está consumindo energia que deveria estar sendo gasta em outro lugar.

De onde veio o culto — e por que ele fez sentido

A obsessão com acurácia pontual não é bobagem gerencial. Ela vem de uma lógica coerente de planejamento em cascata: se eu souber o número da demanda, dimensiono compra, produção, estoque e frete a partir dele. Nesse encadeamento, o número da previsão é a pedra fundamental — e um erro na base contamina tudo o que vem depois. Faz todo sentido tratá-lo como o KPI mestre.

Essa lógica funcionou bem num ambiente específico: portfólio enxuto, ciclos de vida longos, demanda com histórico comportado, poucos canais e promoções raras. Nesse mundo, o erro médio era pequeno o suficiente para que "o número" fosse uma aproximação útil da realidade, e o planejamento determinístico entregava resultado.

O terreno mudou. Portfólios explodiram em SKUs, canais se multiplicaram, promoção virou rotina e o comportamento do consumidor ficou mais rápido do que o ciclo de planejamento. No vocabulário que usamos na MK, o ambiente virou VICA — e este tema é o retrato do segundo vetor, a Incerteza: não é que a informação esteja errada; é que ela não está disponível no momento da decisão, e nenhuma técnica vai criá-la.

O que a ciência mostra: existe um piso de erro, e ele não é negociável

A evidência mais forte disponível hoje veio da competição M5, organizada por Spyros Makridakis, Evangelos Spiliotis e Vassilios Assimakopoulos e publicada no International Journal of Forecasting em 2022. A escala importa para entender o peso do resultado: 42.840 séries hierárquicas de vendas reais da Walmart, com cerca de 900 equipes competindo, muitas delas com times de ciência de dados de alto nível e sem nenhuma das restrições que uma operação real enfrenta — tempo, dado sujo, política interna.

O resultado da trilha de acurácia é o dado que todo diretor de supply chain deveria conhecer. Entre as 415 equipes que conseguiram superar todos os benchmarks estatísticos da competição, apenas cinco obtiveram ganho superior a 20% sobre o melhor benchmark. Cinco. Em quase novecentas equipes, com dados de qualidade excepcional e o estado da arte em aprendizado de máquina — a fronteira do que é humanamente possível ficou em torno de 20% de melhora sobre um método estatístico decente.

Leia isso de novo com os olhos de quem gere uma operação: se os melhores do mundo, em condições de laboratório, ganham 20% sobre um método simples, a chance de o seu time ganhar muito mais do que isso trocando de ferramenta é baixa. O erro restante não é incompetência. É incerteza irredutível. Cobrar do time de planejamento um número que a física do problema não permite entregar é uma meta desenhada para falhar.

E há um segundo achado, esse ainda mais incômodo. Steve Morlidge analisou mais de 300 mil previsões reais de empresas e publicou o resultado na Foresight: The International Journal of Applied Forecasting (edição 33, 2014): cerca de metade das previsões era pior do que um modelo ingênuo — o famoso "repita o último período". Ou seja: em metade dos casos, todo o processo de previsão, com sistema, reunião e ajuste manual, estava destruindo precisão em vez de criá-la. É desse achado que nasce o Forecast Value Added (FVA), o método popularizado por Michael Gilliland (SAS) para medir se cada etapa do processo de previsão adiciona ou subtrai valor em relação ao naive.

A conclusão prática dos dois estudos, juntos, é dura e libertadora: parte do erro é irredutível, e parte do que sobra está sendo criada pelo próprio processo. Nenhuma das duas se resolve pedindo mais esforço para acertar o número.

A metodologia nova: prever a faixa, não o ponto

A fronteira da pesquisa saiu de "acertar o número" e foi para quantificar a incerteza. A trilha Uncertainty da M5 — publicada no mesmo volume do International Journal of Forecasting em 2022 — pediu às equipes exatamente isso: em vez de um valor único, prever nove quantis da distribuição de vendas futura. Os melhores desempenhos vieram majoritariamente de métodos de gradient boosting aplicados a quantis. Não é detalhe técnico: é a mudança do objeto da previsão. O entregável deixa de ser "vamos vender 1.000" e passa a ser "há 90% de chance de vendermos entre 700 e 1.400, com mediana em 1.050".

A diferença aparece na hora de decidir. Com um número único, a decisão de estoque, capacidade e frete é tomada como se o futuro fosse certo — e a folga acaba sendo definida por instinto ou por uma regra de bolso herdada. Com uma faixa e sua probabilidade, a pergunta muda de natureza: quanto custa errar para cima e quanto custa errar para baixo? Aí a decisão passa a ser econômica — dimensiona-se o buffer no quantil que equilibra custo de ruptura contra custo de excesso — em vez de ser uma discussão sobre quem errou o número.

Três movimentos traduzem essa virada para dentro de uma operação. Primeiro, medir o FVA de cada etapa: comparar a previsão estatística e a previsão ajustada pelo comercial contra o naive, para descobrir onde o processo agrega e onde ele só adiciona ruído. Segundo, segmentar o portfólio pela previsibilidade, não pelo faturamento: itens com demanda estável merecem previsão fina; itens erráticos merecem buffer e resposta rápida, não mais uma reunião de acurácia. Terceiro, levar a faixa para o S&OP: apresentar cenário-base com incerteza explícita e discutir a decisão que muda em cada extremo, em vez de negociar o número até todo mundo concordar com uma ficção compartilhada.

O que operações bem geridas fazem

Elas param de gerir o processo pelo MAPE de um número só e passam a gerir por três perguntas. Onde vale prever? — nem todo SKU justifica esforço de previsão. Quanto o nosso processo realmente agrega? — o FVA responde isso com número, não com opinião. Quanto de folga a decisão exige? — a faixa de incerteza, não o palpite, define o buffer.

O efeito colateral mais valioso é político. Quando a previsão vira faixa, a reunião de S&OP deixa de ser um tribunal sobre o passado e vira uma mesa de decisão sobre o futuro: o que fazemos se a demanda vier no cenário alto, o que cortamos se vier no baixo, e qual o gatilho que dispara cada plano. A energia sai da culpa e entra na preparação.

A perspectiva da Mais Kapital

Na MK, esse tema entra pelo método de sempre: Diagnose → Decide → Execute → Optimize. No Diagnose, medimos a previsibilidade real do portfólio e rodamos o FVA — quanto cada etapa do processo atual agrega em relação ao modelo ingênuo. É comum descobrir que o ajuste manual, feito com a melhor das intenções, está piorando a previsão em uma fatia relevante dos itens. No Decide, separamos onde investir em previsão e onde investir em capacidade de resposta, priorizando por impacto em capital e nível de serviço. No Execute, a faixa entra no ritual de S&OP com dono, gatilho e plano de contingência — não como anexo, mas como a pauta. E no Optimize, o processo é reavaliado pelo próprio FVA, porque num ambiente incerto o valor de cada etapa muda com o tempo.

É o território do nosso trabalho de S&OP, governança e excelência operacional: transformar a reunião que discute o erro do mês passado em uma reunião que toma decisão sobre o mês que vem.

Se a sua reunião de previsão termina sempre na mesma discussão sobre acurácia, vale uma conversa de 30 minutos para medir quanto o processo atual realmente agrega — e onde a faixa de incerteza mudaria a decisão. Chame a MK no WhatsApp: wa.me/5511969037268. A gente mede antes de opinar, e executa antes de prometer.

Fontes

• Makridakis, S.; Spiliotis, E.; Assimakopoulos, V. (2022). M5 accuracy competition: Results, findings, and conclusions. International Journal of Forecasting, 38(4).
• Makridakis, S.; Spiliotis, E.; Assimakopoulos, V. (2022). The M5 uncertainty competition: Results, findings and conclusions. International Journal of Forecasting, 38(4), 1365–1385.
• Morlidge, S. (2014). Forecast Quality in the Supply Chain. Foresight: The International Journal of Applied Forecasting, edição 33, 26–31.
• Gilliland, M. Forecast Value Added Analysis: Step by Step. SAS Institute (white paper); e Gilliland, Tashman & Sglavo, Business Forecasting: Practical Problems and Solutions, Wiley.
• Ptak, C.; Smith, C. Demand Driven Material Requirements Planning (DDMRP). Industrial Press / Demand Driven Institute.