Demand planning integrado: inteligência, colaboração e governança

"Previsão de demanda integrada" é vendida como ferramenta. Não é.

São três capacidades distintas — inteligência, colaboração e governança — que normalmente são construídas em momentos diferentes, por pessoas diferentes, com patrocínios diferentes. E o processo quase nunca falha dentro de uma das três. Ele falha nas junções.

Camada 1 — Inteligência: o baseline que ninguém precisa digitar

É a parte estatística: baseline por série, sazonalidade, tendência, tratamento de eventos e promoções, intermitência, e a escolha do nível de agregação em que o sinal existe de fato.

O objetivo do baseline não é estar certo. É ser o ponto de partida que ninguém precisa construir à mão, liberando a discussão para aquilo que o modelo não tem como saber.

O que mata essa camada, na prática:

• Caixa-preta. Se ninguém consegue explicar por que a previsão de um SKU mudou 20% de um mês para o outro, a área comercial vai sobrescrever tudo — e aí a estatística virou enfeite.
• Histórico com ruptura dentro. Você treina o modelo no que vendeu, não no que o mercado queria comprar. Onde faltou produto, o histórico ensina o modelo a prever a falta. Tratar demanda censurada é chato e quase sempre é pulado.
• Nível errado. Prever em SKU-cliente-dia quando a decisão acontece em família-CD-semana não é mais precisão, é mais erro.

Camada 2 — Colaboração: o que o modelo não pode saber

Vendas sabe do cliente que vai abrir 40 lojas. Marketing sabe da campanha que entra em setembro. Trade sabe o calendário promocional real, não o planejado. Supply sabe que a linha vai parar para manutenção.

Nada disso está no histórico. É por isso que a camada de colaboração existe.

A distinção que organiza essa etapa: colaboração é trazer informação, não opinião. Informação tem dono, data, magnitude e motivo. Opinião tem meta.

Duas regras que mudam o processo mais do que qualquer funcionalidade:

• Todo ajuste é um registro — quem mudou, quanto, e por quê. Não é para controlar ninguém. É para poder medir depois.
• Sell-in e sell-out são conversas diferentes. Em vários setores a colaboração que mais importa é com o canal, não dentro de casa. Prever sell-out e derivar sell-in é mais difícil e quase sempre mais certo.

Num S&OP que implementamos para uma farmacêutica líder no Brasil, vendas, marketing e operações passaram a operar num ciclo único, com previsão detalhada de sell-in e sell-out. O resultado que importou não foi acurácia no relatório: foi redução de ruptura e resposta mais rápida ao mercado.

Numa multinacional líder em agronegócio, o problema tinha outro formato: a demanda não nasce numa área só. Ela percorre a rede de franqueados e só depois recebe a visão das áreas internas — comercial, marketing, supply, financeiro — todas opinando sobre o mesmo número, num processo montado em Anaplan. É o cenário em que a regra do registro deixa de ser burocracia: quando quatro áreas contribuem e ninguém registra quem contribuiu com o quê, não existe consenso, existe a planilha de quem falou por último.

E há um tipo de informação que não cabe em ajuste manual nenhum: o efeito de um lançamento sobre o resto do portfólio. Em outro cliente, uma multinacional com portfólio extenso e lançamentos frequentes, construímos um simulador de canibalização entre produtos — avaliando o impacto de um lançamento e de mudanças de mix sobre o portfólio inteiro antes da decisão, não depois. É o caso em que a resposta certa não é "vendas ajusta o número na mão": é modelar explicitamente aquilo que o baseline estatístico não tem como saber, em vez de deixar a conversa virar disputa de opinião numa reunião de consenso.

Camada 3 — Governança: um número, com dono e com medida

É a camada mais ingrata e a que sustenta as outras duas.

• Um número de consenso, versionado, congelado na data, alimentando S&OP e o plano financeiro.
• Acurácia medida (MAPE, bias) no nível em que se decide — não no agregado que sempre parece bom.
• Bias antes de MAPE. Um forecast consistentemente otimista é um comportamento corrigível; ruído aleatório não é. Bias é a métrica que gera conversa acionável.
• Valor agregado por etapa. A pergunta desconfortável e necessária: o ajuste humano melhorou o número em relação ao baseline, ou piorou? Medindo isso por contribuinte, você descobre — com dados, sem briga — quem está agregando e quem está subtraindo valor de forma sistemática.

Essa última é a que transforma o processo de "reunião mensal" em ciclo que aprende. Sem ela, o forecast pode rodar por três anos sem melhorar uma vez.

Onde o processo quebra: nas junções

Praticamente todo processo de demanda que não pegou quebrou em um destes cinco pontos:

1. Baseline entregue sem explicação. A área comercial recebe um número que não entende, desconfia, e sobrescreve por padrão.
2. Ajuste sem registro. Sem rastro, não há medição; sem medição, o processo nunca melhora — só repete.
3. Reunião de consenso que refaz números. Três horas discutindo SKU em vez de decidir exceções. A reunião de consenso deveria tratar do que divergiu, não revisar o que convergiu.
4. Número de consenso que não obriga nada. Se Finanças roda o próprio número em paralelo, existem duas verdades — e o processo de demanda virou teatro.
5. Granularidade herdada. O nível foi definido pelo que o ERP exporta, não pelo que a decisão exige.

O que "integrado" quer dizer de verdade

Integrado não é "as áreas conversam". Integrado é: o número de demanda é o mesmo objeto que alimenta o plano de supply, o S&OP e o plano financeiro.

Um teste direto: se uma mudança na previsão de demanda não move a receita no plano financeiro sem intervenção humana, o processo não é integrado. Ele é coordenado — o que é melhor que nada e bem diferente do que foi vendido.

No caso do agronegócio acima, isso significou levar o financeiro para dentro do plano de supply: o plano de suprimento e produção deixou de ser só volume e passou a carregar o impacto financeiro no mesmo modelo. É a diferença entre supply saber quanto produzir e supply saber quanto custa a decisão que acabou de tomar.

Por onde começar, se o processo ainda não existe

Contra-intuitivo: comece pela governança, não pela inteligência.

Um baseline mediano dentro de um ciclo governado, com acurácia medida, vale mais que um modelo estatístico excelente que ninguém consome. E é a governança que torna visível a melhoria das outras duas camadas — sem ela, você não tem como provar que o investimento em estatística ou em colaboração deu retorno.

Ordem que funciona: ciclo e calendário → um número congelado por versão → medição de acurácia e bias → registro de ajustes → e só então investimento sério em modelo estatístico.

Quando não compensa

Poucos SKUs, demanda estável, lead time curto de reposição. Se o seu lead time é menor que o horizonte de previsão que importa, a resposta provavelmente é capacidade de reagir, não capacidade de prever. Investir em forecast sofisticado nesse cenário é resolver o problema errado com muita elegância.

---

Trabalhamos previsão de demanda e S&OP como um processo único e auditável — veja previsão de demanda e supply chain, ou fale com a gente.