Relatório Técnico · Reabastecimento no Varejo
Melhores previsões ou melhores decisões de estoque: o que gera mais valor?
Medindo o valor financeiro de melhores previsões e decisões de estoque por meio de um estudo reprodutível com três métodos de previsão e três políticas de planejamento, utilizando vendas reais do varejo de produtos frescos em 30 lojas, 40 produtos e cinco semanas — com todos os resultados expressos em termos monetários.
US$ 7,8 mi
Por ano, para cada US$ 1 bilhão em vendas, ao planejar as lojas como uma rede única em vez de uma prateleira por vez (ilustrativo).
US$ 1,7 mi
Quanto vale por ano uma previsão ligeiramente melhor: um ganho financeiro estimado relevante, mas apenas uma fração do ganho do plano de rede.
−32%
Estoque remanescente quando o estoque do centro de distribuição (CD) não é suficiente para atender a todas as lojas, com uma taxa de atendimento mais alta.
US$ 10,8 mi
O que uma previsão ruim custa por ano: mais do que o plano de rede recupera.
Resumo: Assim que você tiver uma previsão de vendas razoavelmente boa, decidir onde posicionar seu estoque pode gerar mais valor do que tentar tornar essa previsão um pouco mais precisa. Por exemplo, transferir o excesso de produtos de uma loja com muito estoque para outra que está ficando sem itens pode reduzir o desperdício e evitar a perda de vendas. Conclusão: previsões melhores ajudam, mas o que você faz com elas importa tanto quanto.
Dados: FreshRetailNet-50K, Dingdong-Inc, CC BY 4.0. As vendas são normalizadas, portanto os valores em dólares são ilustrativos: US$ 1 bilhão por ano em vendas com margem bruta de 30%. Todos os números têm origem em uma execução do Harumi (Seção 8). Selecione qualquer figura, tabela ou fórmula para abrir a imagem em tamanho real.
Visão geral
A PERGUNTA
Toda equipe de reabastecimento debate sua previsão. Poucas debatem a decisão tomada com base nela. Quando o CD não consegue atender a todas as lojas e algumas têm o estoque que outras precisam, quanto vale uma previsão melhor e quanto vale uma decisão melhor? Nós traduzimos ambos em dinheiro.
O QUE FIZEMOS
• Desenvolvemos o pipeline completo em um único projeto Harumi: agrupamento de produtos, três previsões, a regra de estoque mínimo/máximo utilizada pela maioria dos varejistas e um modelo de otimização que também pode transferir estoque entre lojas.
• Realizamos backtests de todas as combinações em 5 semanas de vendas reais de 30 lojas e 40 produtos frescos, tanto com um CD com estoque limitado (60% da necessidade das lojas) quanto com um CD com estoque suficiente (130%).
• Avaliamos cada plano em relação às vendas que realmente aconteceram e convertemos o custo em dólares para um varejista de referência com US$ 1 bilhão em vendas anuais.
O QUE ENCONTRAMOS
• A decisão de rede é a mais valiosa. Com um CD com estoque limitado, permitir que o planejamento transfira estoque entre lojas reduziu os custos em 14,5%, diminuiu o estoque remanescente em 32,0% e aumentou a taxa de atendimento de 94,1% para 94,7%: cerca de US$ 7,8 milhões por ano para cada US$ 1 bilhão em vendas, dos quais US$ 5,5 milhões representam vendas que teriam sido perdidas pela regra anterior.
• Otimizar apenas as remessas dos CDs quase não superou uma boa regra: redução de 1,1% nos custos, o equivalente a US$ 584,8 mil por ano.
• Uma previsão melhor gera um ganho financeiro estimado relevante, mas menor. Uma redução de 0,3 ponto percentual no WAPE valeu de US$ 1,3 milhão a US$ 1,7 milhão por ano.
• Uma previsão ruim custa mais do que a otimização consegue recuperar. A clássica divisão top-down custou de US$ 9,1 milhões a US$ 10,8 milhões a mais por ano do que a previsão ingênua. Com ela, até mesmo o plano de rede teve um desempenho pior do que a regra simples aplicada à previsão ingênua.
O QUE ISSO SIGNIFICA PARA A SUA OPERAÇÃO
• Obtenha uma previsão razoavelmente precisa e, depois, otimize as decisões.
• Estime o ganho financeiro de melhorar a previsão antes de pagar por essa melhoria ou de descartá-la.
• Encare as compensações (trade-offs), como o nível de serviço versus estoque remanescente, como parâmetros de negócio definidos por você, e não como resultados do algoritmo.
O QUE ISTO NÃO MOSTRA
As vendas de origem são normalizadas e as posições de estoque são sintéticas, portanto, os valores em dólares são ilustrativos e o tamanho do ganho de transferência depende do nível de desequilíbrio da rede. A Seção 7 lista todos os limites.
COMO LER ESTE RELATÓRIO
As Seções 1 e 2 apresentam a questão e o experimento. As Seções 3 e 4 trazem os métodos de previsão, a geração de cenários e o modelo completo de otimização para leitores de pesquisa operacional. As Seções 5 a 7 contêm os resultados, o que eles significam e o que eles não sustentam. A Seção 8 lista as execuções do Harumi por trás de cada número.
01. A pergunta
O reabastecimento no varejo possui duas etapas. Uma previsão estima quanto cada loja venderá de cada produto. Uma decisão transforma essa estimativa em estoque: quanto o centro de distribuição envia para cada loja e se alguma loja deve transferir estoque para outra. A maior parte do esforço — e dos debates — se concentra na primeira etapa.
A segunda camada costuma ser uma regra de mín/máx: quando o estoque de uma loja cobre menos do que um número mínimo de dias da demanda prevista, faz-se o pedido até um número máximo de dias. A regra é simples, fácil de explicar e local. Ela decide cada loja e produto isoladamente. Não consegue ver que uma loja possui o estoque de que outra precisa e, quando o estoque do CD não é suficiente para atender a todas as lojas, ela só pode cortar todos os pedidos na mesma proporção.
Queríamos saber qual camada vale mais e quanto a mais, em dinheiro. Por isso, integramos ambas em um único projeto Harumi e realizamos um experimento fatorial com dados públicos de varejo de produtos frescos: três previsões, três políticas de planejamento e dois níveis de abastecimento de CD, tudo a partir do mesmo código, com cada plano avaliado em relação às vendas reais.
1.1 A contribuição deste relatório
• Uma comparação de custos das duas camadas com os mesmos dados, o mesmo estoque e o mesmo fornecimento, de modo que a diferença entre as duas execuções se deva a apenas uma alteração.
• Um modelo estocástico de dois estágios para reabastecimento semanal com transferências entre lojas e custo fixo por rota, resolvido por um método de duas fases guiado por LP que informa sua distância até um limite inferior do modelo completo (no máximo 3,1% neste caso).
• Uma comparação que não depende dos pesos dos custos: nível de serviço versus estoque remanescente, entre diferentes configurações da regra e do modelo.
• Uma conversão dos resultados em valores monetários calculada durante a execução, para que cada valor em dólares tenha uma base declarada.
• Reprodutibilidade total: 7 execuções do Harumi em um único commit, comparadas com o harumi compare.
1.2 Trabalhos relacionados
A transferência de estoque entre locais no mesmo nível da cadeia de suprimentos é conhecida como transbordo lateral. Paterson et al. (2011) revisam a literatura e distinguem os transbordos reativos, usados para atender à demanda que o estoque disponível não consegue suprir, dos proativos, realizados em momentos predeterminados para redistribuir o estoque. Nosso modelo é proativo: as transferências e os envios do centro de distribuição (CD) são decididos em conjunto no início de cada semana. O planejamento com base em um conjunto de cenários amostrados de demanda utiliza a aproximação pela média amostral de um modelo de programação estocástica de dois estágios (Birge e Louveaux, 2011; Kleywegt et al., 2002). Na previsão de demanda, distribuir a previsão de um grupo de acordo com as participações históricas corresponde ao método clássico *top-down* (Gross e Sohl, 1990), enquanto a previsão ingênua sazonal é a referência padrão que qualquer método deve superar (Hyndman e Athanasopoulos, 2021). Os dados são provenientes do FreshRetailNet-50K (Wang et al., 2025).
02. Dados e desenho experimental
2.1 Dados
O FreshRetailNet-50K é um benchmark público lançado pela Dingdong sob a licença CC BY 4.0. Ele reúne 50.000 séries de vendas horárias de produtos em 898 lojas de 18 cidades, abrangendo 863 produtos perecíveis, com períodos de ruptura de estoque anotados (Wang et al., 2025). Utilizamos as vendas diárias de uma única cidade: 40 produtos em 30 lojas, totalizando 1.166 pares loja-produto com histórico de vendas ao longo de 97 dias (de 28/03/2024 a 02/07/2024). Como o publicador normaliza os dados de vendas, as quantidades neste relatório são apresentadas em unidades relativas e os custos em pesos relativos.
2.2 O que tivemos que assumir
O conjunto de dados possui vendas, mas não estoque, portanto, quatro entradas são sintéticas e mantidas fixas em todas as políticas e previsões:
• Estoque em cada captura semanal: uniforme entre 0 e 14 dias das vendas recentes de cada par, gerado aleatoriamente com semente fixa para garantir a reprodutibilidade. A rede é desbalanceada de propósito, como costuma acontecer em redes reais.
• Faixa de cobertura para a regra: mínimo de 7, máximo de 10 dias, para todas as lojas.
• Abastecimento do CD por produto: 60% (estoque limitado) ou 130% (estoque suficiente) do que as lojas precisam para atingir sua cobertura máxima.
• Capacidade de recebimento da loja: 1,2 vezes a demanda semanal prevista para a loja.
2.3 Protocolo de backtest
O backtest utiliza uma origem móvel, com uma origem por semana, de 29/05/2024 a 26/06/2024. Em cada origem, usando apenas os dados anteriores a ela, o pipeline:
1. agrupa produtos pelo formato de sua demanda;
2. prevê os próximos 14 dias para cada par com a previsão do plano e avalia todos os três métodos;
3. mede a previsão do plano nas 6 semanas anteriores e transforma esses erros em cenários de demanda;
4. planeja a semana com cada política, sob cada nível de suprimento;
5. pontua cada plano com base nas vendas registradas nos 7 dias seguintes.
Há uma entrega por loja a cada semana, no início da semana. A demanda não atendida é perdida, e o estoque não vendido ao final da semana conta como estoque remanescente, o que, para produtos frescos, representa principalmente desperdício. Cada semana começa com seu próprio registro de estoque, de modo que o estoque remanescente de uma política não é transferido para a semana seguinte.
2.4 Delineamento experimental
O design é fatorial completo: 3 previsões × 3 políticas × 2 níveis de suprimento, com cada célula cobrindo as mesmas 5 semanas. Dentro de uma mesma previsão e nível de suprimento, as três políticas recebem entradas idênticas, permitindo uma comparação pareada. Cada previsão é uma execução separada do Harumi com o mesmo commit (ead49b5); outras 4 execuções de política única alimentam o harumi compare (Seção 8).
2.5 Como um plano é pontuado
03. Previsões e cenários de demanda
3.1 Grupos de produtos
Séries esparsas têm previsões ruins por conta própria, por isso os produtos aproveitam o padrão de itens semelhantes. Para cada produto, somando todas as lojas, calculamos onze características de formato da série diária: coeficiente de variação, razão pico-média, proporção de dias com vendas, média e variação dos intervalos entre vendas, entropia temporal, autocorrelação nas defasagens de 1 e 7 dias, intensidade do padrão semanal, participação espectral de baixa frequência e a tendência de 28 dias. As características são padronizadas e agrupadas com o KMeans, com k entre 2 e 6 escolhido pela pontuação de silhueta (Rousseeuw, 1987) (no mínimo 0,3, nenhum grupo com menos de 5% dos produtos). Produtos com comportamento único, sinalizados por uma Isolation Forest (Liu et al., 2008) ou distantes de todos os centroides, vão para um grupo OUTROS. Na última semana, o método identificou k = 2 grupos (silhueta de 0,51) e 2 produtos no grupo OUTROS.
3.2 Três previsões
O plano utiliza a previsão ingênua. Cada execução avalia os três métodos de previsão, e um sinalizador de linha de comando (--forecast) altera a previsão do plano, que foi como o estudo de previsão na Seção 5 foi executado.
3.3 Como a precisão é medida
O erro de previsão é medido pelo WAPE (erro percentual absoluto ponderado) dos totais semanais por loja e produto,
agrupado ao longo das semanas medidas: quanto menor, melhor. Em termos simples, é a parcela das vendas da semana que a previsão errou, considerando erros em ambas as direções. Nós o reportamos nas 5 semanas de backtest e nas 6 semanas anteriores a cada origem.
3.4 Cenários de demanda a partir dos próprios erros de previsão
cada cenário igualmente provável. Na prática, a dispersão dos cenários é a dispersão dos erros passados da previsão. Uma previsão pior gera cenários mais amplos, e o modelo se protege mais.
04. Políticas de planejamento
4.1 A regra min/max (linha de base)
4.2 O modelo de otimização
O modelo decide, para uma semana e para todos os produtos de uma só vez, o que o CD envia para cada par e o que cada loja envia para outra, de modo a minimizar o custo esperado nos cenários de demanda.
A restrição (3) é o suprimento do CD, (4) a capacidade de recebimento de cada loja, (5) a cobertura máxima e (6) preserva, na loja que transfere o estoque, a quantidade necessária para atender à sua própria demanda semanal prevista. Duas opções de modelagem são importantes:
• Vinculação por arco, não por rota. A restrição (7) poderia ser escrita uma vez por rota com um Big M. Escrevê-la uma vez por arco adiciona linhas, mas fornece um relaxamento de PL muito mais ajustado, a formulação forte clássica de fluxos com custo fixo. Esse ajuste é o que permite que o método abaixo seja concluído em segundos.
A remoção de y e z resulta na política somente CD, um programa linear.
4.3 Método de solução e seu certificado
O custo fixo por rota transforma o problema em uma programação inteira mista. Nós o resolvemos em duas fases com o CBC (Forrest e Lougee-Heimer, 2005) por meio do OR-Tools (https://developers.google.com/optimization):
o quanto ele pode estar distante do melhor plano considerando todas as rotas, e não apenas as mantidas. Nas 10 combinações entre semana e nível de abastecimento, 870 rotas candidatas (cada par ordenado de lojas) foram reduzidas para 96–133, cada resolução levou de 10,7 s a 26,4 s, e o gap de otimalidade certificado foi de 2,0% a 3,1% (Tabela 9). O programa linear apenas com CD foi resolvido em, no máximo, 0,11 s.
05. Resultados
5.1 Mesma previsão, três decisões
A Tabela 1 compara as três políticas na previsão ingênua, somadas ao longo das 5 semanas.
CD com estoque limitado. Apenas otimizar os envios do CD alterou o custo em −1,1% e o nível de serviço (fill rate) em +0,1 p.p. Considerando apenas os envios, uma regra bem ajustada deixa pouca margem para melhorias: quando o estoque do CD não é suficiente para atender a todas as lojas, a única alternativa é decidir quem recebe as unidades escassas, e uma divisão proporcional (pro-rata) é uma solução razoável. Permitir transferências mudou o cenário: custo de −14,5%, nível de serviço de +0,6 p.p. e estoque remanescente de −32,0%. O planejamento da malha movimentou 1.935 unidades por semana em 64 rotas, cerca de 14% das vendas semanais, e enviou menos a partir do CD, já que parte da demanda foi atendida com o estoque já presente na rede.
CD com estoque suficiente. Com mais oferta do que as lojas precisam, ambas as políticas otimizadas reduziram custos ao trocar o nível de serviço por menos estoque remanescente: o plano de rede reduziu o custo em 20,3% com 50,2% menos estoque remanescente, mas sua taxa de atendimento ficou 3,0 pontos abaixo dos 97,9% da regra. Essa compensação é definida pelo peso do estoque remanescente, portanto a Seção 5.2 compara as políticas sob um mesmo nível de serviço.
Semana a semana. A Figura 2 mostra cada semana individualmente. Com um CD com estoque limitado, o plano de rede custou menos do que a regra em todas as 5 semanas, de 8% a 19% menos. Com um CD com estoque suficiente, custou menos em 4 de 5 semanas. A exceção é a semana de 19/06/2024, quando a demanda aumentou 18% em relação à semana anterior. Os estoques de segurança maiores mantidos pela regra absorveram melhor esse aumento: ela perdeu 818 unidades em vendas contra 1.744 do plano de rede, e ambos os planos otimizados custaram mais do que a regra naquela semana (+8% apenas CD, +6% com transferências). Com 5 semanas, um teste de sinais bicaudal exato sobre as vitórias semanais resulta em p = 0,06 para o CD com estoque limitado e p = 0,38 para o CD com estoque suficiente. A contagem de vitórias por si só não pode descartar o acaso; a magnitude e a consistência da diferença no CD com estoque limitado são o que sustentam as evidências.
5.2 Atendimento versus estoque remanescente, sem pesos de custo
Qualquer comparação de custos depende dos pesos. Para removê-los, na última semana (26/06/2024), executamos a regra em cada cobertura máxima de 7 a 12 dias e o modelo em três pesos de estoque remanescente (0,15, 0,35, 0,7), com o mesmo estoque, previsão, suprimento e capacidade, e plotamos a taxa de atendimento em relação ao estoque remanescente (Figura 3). Mais para cima e para a esquerda é melhor em ambos os aspectos.
Três observações:
• O modelo exclusivo para CD fica na curva da regra. Na taxa de atendimento da regra, o estoque remanescente difere do da regra em +0,1% (CD com estoque limitado, w = 0,35) e −0,2% (CD com estoque suficiente). Sem transferências, o modelo geralmente escolhe um ponto diferente na mesma curva.
• O plano de rede desloca a curva. Com um CD com estoque limitado, em w = 0,35, ele atingiu 97,0% de atendimento com 3.927 unidades de estoque remanescente. Todas as configurações da regra tiveram um desempenho pior em ambos os quesitos: a melhor taxa de atendimento da regra foi de 96,5% e o menor estoque remanescente da regra foi de 4.432. Com um CD com estoque suficiente, com a mesma taxa de atendimento, manteve 5,7%, 22,8% e 36,5% menos estoque remanescente do que a regra em w = 0,15, 0,35 e 0,7.
• Com um CD com estoque limitado, uma meta mais alta não ajuda a regra. O nível de atendimento da regra atinge o pico em 8 dias e cai depois disso. Com a oferta fixa, uma meta mais alta não pode adicionar estoque; ela apenas muda como o corte proporcional o distribui.
5.3 Três previsões, precificadas por meio do plano
A Tabela 2 apresenta a precisão das três previsões e a Figura 4 a mostra semana a semana. O modelo ingênuo (naive) e o hierárquico acompanham-se mutuamente com uma diferença de até 0,3 ponto percentual de WAPE; o modelo top-down erra por 10,3 pontos percentuais de WAPE a mais do que o ingênuo, e também perdeu nas 6 semanas anteriores ao backtest.
Uma métrica de erro não diz quanto vale uma previsão. Por isso, executamos novamente todo o backtest uma vez por previsão, mesmo commit, mesmos dados, alterando apenas a flag --forecast, e precificamos cada plano (Figura 5, Tabela 3). Com um CD com estoque limitado:
• A melhor previsão representou de US$ 1,3 milhão a US$ 1,7 milhão por ano, para uma redução de 0,3 ponto percentual no WAPE, dependendo da política utilizada: regra de estoque mínimo/máximo ou planejamento integrado da rede.
• A previsão ruim custou de US$ 9,1 milhões a US$ 10,8 milhões a mais por ano do que a ingênua. Com ela, até mesmo o plano de rede (US$ 56,5 mi) teve um desempenho pior do que a regra básica na previsão ingênua (US$ 53,5 mi).
• Previsão e decisão se complementam. O plano de rede rendeu US$ 7,8 milhões acima da regra com a previsão ingênua, US$ 8,3 milhões com a hierárquica e apenas US$ 6,1 milhões com a abordagem de cima para baixo (top-down). Uma previsão ruim reduz o que a decisão é capaz de recuperar.
5.4 Quanto vale em dinheiro
Os dados de origem são normalizados, portanto os valores em dólares não podem ser medidos diretamente; eles só podem ser convertidos, e essa conversão faz parte do processo. Interpretamos os pesos de custo como múltiplos da margem bruta de uma unidade: uma venda perdida perde sua margem (peso 1,0), enquanto uma unidade de estoque remanescente custa 0,35 dela. Para um varejista de referência com vendas anuais R nessas categorias a uma margem bruta m, uma política com custo realizado C sob demanda D custa
considerando as semanas de backtest como representativas do ano. Aqui, R é de US$ 1 bilhão e m é de 30%, ambos definidos nos parâmetros do projeto, para que qualquer varejista possa inserir seus próprios números e executar novamente.
Com um CD com estoque limitado, o planejamento de rede gera um valor de US$ 7,8 milhões por ano (Tabela 4). São gastos US$ 5,3 milhões ao ano em transferências para economizar US$ 10,1 milhões em estoque remanescente, US$ 1,4 milhão em envios do CD e US$ 1,7 milhão em margem perdida, além de recuperar US$ 5,5 milhões em vendas. A Figura 6 compara cada mudança lado a lado.
O trade-off de um CD com estoque suficiente, às claras. Com um CD com estoque suficiente, o planejamento de rede reduz o custo ilustrativo em US$ 11,6 milhões por ano, mas abre mão de US$ 29,7 milhões em vendas para conseguir isso. Se essa é uma boa troca, depende de quanto realmente custa uma unidade de estoque remanescente de produto fresco. Essa é uma premissa de negócio, não o resultado de um solver; por isso, o projeto a apresenta como um parâmetro, e a comparação de mesmo nível de serviço da Seção 5.2 mostra que o resultado não depende disso.
06. O que isso significa
Obtenha uma previsão razoavelmente precisa e, depois, otimize as decisões. Uma previsão ruim custa mais do que a otimização pode recuperar. Entre duas previsões razoáveis, a diferença é real, mas menor, e a decisão de rede vale várias vezes mais.
É no planejamento integrado das lojas que está o maior ganho. Uma regra, ou um modelo limitado às mesmas variáveis, decide cada prateleira por conta própria. O ganho veio do recurso que uma regra não tem: usar o estoque que já está na rede.
A simplicidade tem um preço e, agora, tem um número. Planejamos com a previsão ingênua porque qualquer planejador pode conferi-la manualmente. Com base nesses dados, essa escolha custa cerca de US$ 1,7 milhão por ano para cada US$ 1 bilhão em vendas. De um lado, simplicidade e confiança; do outro, um ganho precificado: o varejista decide, e a decisão pode ser revista a cada semana, pois as três previsões continuam sendo monitoradas.
Trade-offs são parâmetros. O resultado com CD com estoque suficiente se sustenta ou cai por terra dependendo do custo de uma unidade de estoque remanescente. Tornar esse custo uma entrada explícita e mostrar a curva de nível de serviço versus estoque remanescente transforma o debate sobre o algoritmo otimizador em uma decisão de negócios.
PARA LÍDERES DE OPERAÇÕES
Antes de investir em uma previsão melhor ou em uma nova ferramenta de planejamento, compare o ganho financeiro de cada alternativa com base nos seus próprios dados: execute a regra atual, a candidata e as alternativas nas mesmas semanas, com o mesmo estoque e o mesmo fornecimento, e compare o custo financeiro. Isso leva apenas algumas execuções no Harumi, não um projeto inteiro.
07. O que isso não mostra
• Os valores em dólares são apenas ilustrativos. As vendas na fonte estão normalizadas. Os valores derivam de duas premissas informadas — vendas anuais e margem bruta — somadas aos pesos dos custos. Nenhum deles representa uma economia mensurada.
• As posições de estoque são sintéticas e deliberadamente desbalanceadas, o que faz com que as transferências compensem. O planejamento da rede movimentou 1.935 unidades por semana, cerca de 14% das vendas. Isso representa um volume muito alto de transferências entre lojas para uma operação real, e uma implementação prática limitaria esse fluxo.
• As vendas registradas subestimam a demanda em dias de falta de estoque. O conjunto de dados identifica as faltas de estoque e seus autores recuperam a demanda latente a partir delas (Wang et al., 2025); este estudo ainda não utiliza esse recurso.
• Cada semana é independente. O estoque não se acumula de uma semana para a outra, as entregas chegam no início da semana e a vida útil dos produtos é precificada pelo peso do estoque remanescente, em vez de ser modelada.
• 5 semanas, 1 cidade, 40 produtos. O suficiente para comparar métodos com entradas idênticas, mas não para garantir um resultado. Um teste dos sinais em 5 semanas não consegue atingir significância estatística convencional por si só.
• Os planos do modelo estão dentro de 3,1% do limite inferior do modelo completo, medidos nos cenários dentro da amostra (in-sample). Os custos realizados relatados aqui estão fora da amostra (out-of-sample): eles são provenientes das vendas reais.
• A faixa de cobertura, o fornecimento do CD, a capacidade de recebimento e os pesos de custo são suposições (Tabela 7). Seus números são provenientes dos seus dados.
08. Reprodutibilidade no Harumi
O estudo completo é um repositório git no Harumi: preparação de dados, agrupamento de produtos, três previsões, a regra, o modelo OR-Tools, o backtest e três painéis. Uma execução completa leva 5 min e 22 s no kernel or_python_medium. Os principais indicadores de desempenho (custo, taxa de atendimento, estoque remanescente e o custo anual ilustrativo), a direção deles e o principal são declarados na configuração do projeto, portanto, cada execução é avaliada da mesma forma.
O harumi compare coloca duas execuções lado a lado, KPI por KPI. A Tabela 6 mostra o custo anual ilustrativo com um CD com estoque limitado para as três comparações usadas aqui: regra contra otimização e previsão ingênua contra hierárquica sob cada política.
Cada número neste relatório é gerado a partir dessas execuções por um script; nenhum é digitado manualmente.
DESCUBRA QUANTO VALEM SUAS PREVISÕES E DECISÕES
Se você quer saber quanto valem as suas previsões e decisões de reposição usando os seus próprios dados, essa é a conversa que nós queremos ter. Agende uma demonstração em harumi.io.
A. Parâmetros
B. Semana a semana
C. Atendimento vs. estoque remanescente, última semana
D. CD com estoque suficiente
Referências
Birge, J. R. e Louveaux, F. (2011). Introduction to Stochastic Programming, 2ª ed. Springer.
Croston, J. D. (1972). Forecasting and stock control for intermittent demands. Operational Research Quarterly, 23(3), 289–303.
Forrest, J. e Lougee-Heimer, R. (2005). CBC user guide. Em Tutorials in Operations Research: Emerging Theory, Methods, and Applications. INFORMS.
Gross, C. W. e Sohl, J. E. (1990). Métodos de desagregação para agilizar a previsão de linhas de produtos. Journal of Forecasting, 9(3), 233–254.
Hyndman, R. J. e Athanasopoulos, G. (2021). Forecasting: Principles and Practice, 3ª ed. OTexts.
Kleywegt, A. J., Shapiro, A. e Homem-de-Mello, T. (2002). The sample average approximation method for stochastic discrete optimization. SIAM Journal on Optimization, 12(2), 479–502.
Liu, F. T., Ting, K. M. e Zhou, Z.-H. (2008). Isolation forest. Em Proceedings of the 8th IEEE International Conference on Data Mining, 413–422.
Paterson, C., Kiesmüller, G., Teunter, R. e Glazebrook, K. (2011). Modelos de estoque com transbordo lateral: uma revisão. European Journal of Operational Research, 210(2), 125–136.
Rousseeuw, P. J. (1987). Silhouettes: um auxílio gráfico para a interpretação e validação de análise de agrupamentos. Journal of Computational and Applied Mathematics, 20, 53–65.
Syntetos, A. A. e Boylan, J. E. (2005). The accuracy of intermittent demand estimates. International Journal of Forecasting, 21(2), 303–314.
Wang, Y., Gu, J., Long, L., Li, X., Shen, L., Fu, Z., Zhou, X. e Jiang, X. (2025). FreshRetailNet-50K: um conjunto de dados de demanda censurada anotada por ruptura de estoque para recuperação e previsão de demanda latente no varejo de produtos frescos. arXiv:2505.16319.
![](data:image/svg+xml,<svg display="block" role="presentation" viewBox="0 0 48 48" xmlns="http://www.w3.org/2000/svg"><path d="M 34.653 0 L 41.4 0 L 26.659 16.847 L 44 39.772 L 30.422 39.772 L 19.788 25.868 L 7.62 39.772 L 0.869 39.772 L 16.635 21.752 L 0 0 L 13.922 0 L 23.535 12.709 Z M 32.285 35.734 L 36.023 35.734 L 11.891 3.826 L 7.879 3.826 Z" fill="rgb(0, 0, 0)" height="39.77198px" id="BKLRi9ayM" transform="translate(2 3.808)" width="44px"/></svg>)
