12.1 - Conclusão
Como referido em 2.2 - Modelos de previsão de novos produtos, a previsão de vendas de novos produtos não é uma tarefa simples. Um dos grandes motivos para tal complexidade é derivado da ausência de dados históricos relativos ao comportamento das vendas do produto a prever. Assim, foi necessário recorrer a modelos de regressão com o propósito de solucionar o problema originado pela ausência do histórico de vendas.
Um dos primeiros métodos a ser testado para a previsão foi o método do perfil de tendência em que a previsão para cada novo produto é geralmente obtida determinando como se comporta a procura por produtos similares (classes de produtos), na temporada correspondente no ano anterior e extrapolar as encomendas recebidas de acordo com os comportamentos no passado. Esse método demonstrou-se incrivelmente preciso na previsão da quantidade final vendida de todas as referências (erro inferior a 5%), no entanto o objetivo do modelo de previsão a ser desenvolvido passava pela previsão das peças à referência, o que usando o mesmo método, os erros obtidos eram muito superiores ao esperado (a rondar os 40%). Numa primeira tentativa de reduzir o erro, foi estudado a possibilidade de as classes estarem mal construídas, levando assim a maiores erros, desse estudo, surgiu a conclusão de que as classes não estavam mal construídas, pois a variação máxima entre todas as classes ser inferior a 5%, o que não explicaria erros a rondar os 40% para previsões usando este método.
Assim o método do perfil de tendência, apresentou-se um método muito útil para a previsão da quantidade vendida para a estação a nível de peças de todas as referências criadas, o que embora não sendo o pretendido, é sempre uma ferramenta útil e de grande valor para a gestão das vendas.
Usando a metodologia de Data Mining, procedeu-se à procura de padrões explicativos para o nível de erro obtido pelo método do perfil de tendência. Deste estudo surgiram padrões que poderiam ter um grande impacto no modelo de previsão a criar, o grande peso da zona norte e centro, cerca de 70% da quantidade vendida a nível nacional, e o grande peso das classes 1, 2 e 4, (das 8 classes existentes) que corresponderiam em média a 90% das vendas. Para além do grande peso associado às classes e zonas referidas, é de notar (Capítulo 5.1 - Estudo do peso das zonas e a sua influência5.3 - Estudo do peso das classes por zona) a reduzida variação desse peso de ano para ano. Um outro padrão muito relevante, passa pela reduzida variação do número de clientes, como referido no 5.2 - Estudo do número de clientes, não sendo sempre os mesmos clientes, mas uma vez que os clientes que desistem são substituídos por novos, o número absoluto de clientes tem apresentado variações reduzidas (a variação máxima e de 10 clientes, o que corresponde uma variação inferior a 5%) dentro dos anos de histórico. Uma vez que existia uma relativa constância do número de clientes tanto a nível nacional como a nível de zona, no 6 - Estudo de um modelo de regressão linear, efetuou-se um estudo a nível da possibilidade de um modelo de regressão linear, usando o número de clientes atendidos e a quantidade comprada até ao momento de cada referência, poder prever com um erro aceitável (erro percentual absoluto médio próximo dos 10%), tal não se verificou, sendo o comportamento irregular das vendas de certas referências um dos principais motivos. No entanto, verificou-se que para a referência mais vendida, a proporção vendida a 40% de clientes esperados atendidos, correspondia a 40% do total vendido, assim esse facto juntamente com outros levou ao estudo apresentado no 8 - Correções, em que se procurou descobrir as proporções correspondentes a 40% dos clientes esperados atendidos para as referências mais vendidas.
Previsão da Procura na Indústria do Vestuário 89 Sendo que os resultados obtidos até ao momento não correspondiam ao pretendido, surgiu a
necessidade de recorrer a softwares dedicado à resolução destes tipo de problemas, assim no 7 - Redes
neuronais artificiais, procedeu-se à construção de uma rede neuronal com o auxílio da versão de teste do software da companhia NeuroSolutions, que obteve resultados próximos dos pretendidos, no entanto ainda não os desejáveis. Para a construção da rede neuronal, foram tidas em conta diversas variáveis, com o intuito de prever a procura final de cada referência. Embora os resultados obtidos fossem os melhores perante os restantes métodos usados, verificava-se que ao contrario do que seria de esperar, a prestação da previsão das referências mais vendidas era inferior usando a rede neuronal do que para alguns casos usando o modelo de regressão linear descrito no 6 - Estudo de um modelo de regressão linear, assim no 8 - Correções8 - Correções, identificou-se certas correções que poderiam ter um impacto significativo na previsão das referências mais vendidas.
Usando os conhecimentos até ao momento, procedeu-se ao teste de previsão do verão do ano de 2011, em que foi fornecido um conjunto de dados, dispostos cronologicamente, em que estariam representadas as encomendas dos primeiros 40% de clientes estimados para aquele ano. Com o auxílio da rede neuronal criada e das correções previu-se as vendas esperadas para certas referências no verão de 2011. Como referido no 9 - Previsão do verão de 2011, devido à escassez de dados para a zona sul (existência apenas de 3 clientes nos dados fornecidos) não foi possível a sua previsão, no entanto para as outras zonas previu-se o correspondente a 63% das previsões com um erro percentual absoluto médio de 14,3%, no entanto se for tido em conta as referências que não tinham massa crítica para previsão devido a vendas muito reduzidas (menos de 30 unidades) mas que efetivamente já constavam das encomendas, à data de previsão seria fornecida à direção a informação referente a 76% da quantidade final. O erro de previsão referido como sendo 14,3% foi alvo de análise nos 10.2 - Discussão dos resultados gerais da previsão do verão de 201110.1 - Discussão dos resultados da previsão de 2011 às zonas previstas e 10.2 - Discussão dos resultados gerais da previsão do verão de 2011, tendo-se verificado que para as referências mais vendidas (que correspondiam a 92% da quantidade prevista) possuíam um erro inferior a 13%.
Para o teste final, a previsão das vendas do verão de 2012, 10.3 - Discussão dos resultados gerais da previsão do verão de 2012, usou-se a mesma metodologia para a previsão, no entanto a empresa preferiu que a previsão fosse universal (previsão a todas as referências independentemente da quantidade vendida à data de previsão). Inicialmente pensava-se que isso levaria a erros superiores, visto que as referências com vendas reduzidas serem tendencialmente mais incertas e diferenças de 5 peças entre o previsto e o vendido, poderia levar a erros muito elevados (uma previsão de 15 peças em 20 vendidas, levaria a erros de 25%). Contudo no Capítulo 10.3 - Discussão dos resultados gerais da previsão do verão de 2012, verificou-se o oposto, uma melhor prestação da previsão do verão de 2012 do que a obtida no ano 2011. Estudando os possíveis motivos, surgiram explicações para o sucedido, sendo que o impacto da crise económica no comportamento dos clientes (reduzindo a quantidade e a diversidade) e a contabilização das referências que à data de previsão possuíam vendas de 0 peças e portanto muito provavelmente seriam canceladas (o que corresponderia a um erro de 0%, 64 referências em 530, levando a que 12% das referências previstas tivessem um erro igual a 0), um dos grandes motivos para o desempenho acima do previsto. Assim, ficou demonstrada a possibilidade da construção de um modelo fiável para previsão (erro percentual absoluto médio de 8,5%), num ambiente muito hostil, característico do mundo da moda e da previsão de vendas, para números reduzidos de clientes.
Por fim, pelo tratamento dos dados, tantos os dados históricos como os dados de teste, deparava-se com o grande número de referências que não atingiam o valor considerado como mínimo para produção (60
Previsão da Procura na Indústria do Vestuário 90 peças). Nesse sentido, no 11 - Estudo de otimização do mostruário, estudou-se ao pormenor a adequabilidade do número de referências criadas face às vendas, com o propósito de optimizar o mostruário. Para esse estudo a análise de Parto, revelou-se uma ferramenta fundamental, verificando -se que tendencialmente a metade vendida de referências, tinha um peso de 90% da quantidade total vendida, o que levava à indicação de uma oportunidade de poupanças a nível de protótipos (peças de mostruário). Do estudo às classes, deparou-se com a possibilidade de redução da oferta a níveis considerados, sendo estimado poupanças de vários milhares de euros por estação (sendo apenas para a classe 1, calças, para cada coleção uma poupança optimista de cerca de 20.000€). Estudou-se igualmente a incidência do género nas referências canceladas, de forma a fornecer uma informação mais precisa, criando assim a base para um estudo futuro de otimização do mostruário.