Modelo para atualização da previsão de demanda em cadeia de suprimentos de moda rápida na indústria calçadista

Para produtos de moda, a demanda é de difícil previsão por modelos lineares ou polinomiais e o ciclo de vida dos produtos é curto. Os varejistas são obrigados a tomarem as decisões de sortimento de produtos e quantidades de compra e estoques bem antes da época da venda, quando apenas informações limitadas e imprecisas estão disponíveis. As decisões são tomadas basicamente confiando em dados qualitativos e questões subjetivas. Os erros na previsão da demanda associados a esse modelo de tomada de decisão se aproxima de 50%. No entanto, as previsões de demanda podem ser melhoradas atualizando as previsões com base nas vendas iniciais. Nesse contexto, o objetivo do presente trabalho é propor um modelo de previsão de demanda baseado no aprendizado com as vendas iniciais para uma cadeia de suprimentos de um varejista de calçados. O modelo foi aplicado em uma rede de varejo calçadista brasileira, na coleção de Verão 2013/2014. O modelo de previsão de demanda foi proposto em duas etapas: (i) a primeira que utilizou dados históricos de vendas agregados por subgrupo de produtos, por loja; e (ii) a segunda que utilizou dados das vendas iniciais para desagregar a previsão por subgrupo na previsão por produtos e cores. Para gerar a previsão de longo prazo foi utilizado o modelo logístico. A Razão de Incremento Semanal (RIS), que é a previsão de vendas semanal por subgrupo dividida pela quantidade de produtos vendidos, foi utilizada como dados de entrada para decompor a previsão em produtos e cores. Além dessa informação, são entradas a quantidade vendida na primeira semana e a quantidade de produtos em estoque. A partir da modificação do cálculo da cobertura de estoques para incluir o RIS, tem-se a previsão de demanda atualizada. A previsão também considera a demanda de substituição e a quebra de grade. Os resultados encontrados demonstraram que o modelo de previsão de demanda atualizado com os dados de vendas obteve desempenho superior ao modelo de previsão original. O modelo de previsão de longo prazo se mostrou adequado para dois dos três subgrupos de produtos analisados. As métricas para medição do desempenho preditivo do modelo utilizadas foram o APE (absloute percentual errors ou erro percentual absoluto) e o MAPE* (média absoluta percentual dos erros ajustada). Foram considerados dois horizontes de previsão, seis e oito semanas. O desempenho do modelo conforme a métrica APE para seis semanas de horizonte de previsão foi de 55,199 para o modelo e de 207,511 para o modelo de previsão original. Já para oito semanas de horizonte de previsão foi de 51,232 para o modelo e de 93,212 para o modelo de previsão original. Conforme a métrica MAPE* para seis semanas de horizonte de previsão, o modelo apresentou resultados de 87,598 e o modelo de previsão original apresentou 239,777. E para oito semanas de horizonte de previsão o resultado foi de 88,454 para o modelo e de 167,515 para o modelo de previsão original. Como o modelo foi aplicado somente a um caso, o mesmo não pode ser considerado como validado. Não se pode esperar que os mesmos resultados sejam encontrados em casos diferentes.