Aula 1Governança de dados e qualidade: tratamento de outliers, preenchimento de faltantes e versionamento de previsõesDiscute governança de dados de demanda, definindo papéis, processos e padrões para tratamento de outliers, preenchimento de faltantes, trilhas de auditoria, versionamento de previsões e controles de qualidade contínuos.
Regras de negócio e dicionário de dados de demandaDetecção e tratamento de outliers de vendasEstratégias para preenchimento de dados faltantesVersionamento de previsões e trilha de auditoriaKPIs de qualidade de dados e rotinas de monitoriaAula 2Forecast colaborativo (S&OP/IBP): processos, papéis e cadência de reuniõesExplora forecast colaborativo em processos S&OP/IBP, definindo papéis de demanda, vendas, marketing e finanças, cadência de reuniões, preparação de materiais, gestão de conflitos e registro de decisões.
Etapas do ciclo mensal de S&OP/IBP de demandaPapéis de demanda, vendas, marketing e finançasPreparação de inputs e pacotes de análiseCondução de reuniões e resolução de conflitosRegistro de decisões e acompanhamento de açõesAula 3Uso de machine learning em previsão: regressão, árvores, XGBoost e validação cruzadaCobre uso de machine learning na previsão de demanda sazonal, incluindo regressão, árvores de decisão, XGBoost e validação cruzada, destacando feature engineering, overfitting e comparação com modelos clássicos.
Seleção de variáveis e feature engineeringModelos de regressão para demanda sazonalÁrvores de decisão, random forest e XGBoostValidação cruzada e prevenção de overfittingComparação com modelos estatísticos tradicionaisAula 4Medição de acurácia e calibragem: MAPE, MASE, RMSE e técnicas de recalibraçãoDetalha métricas de acurácia como MAPE, MASE e RMSE, discutindo vantagens, limitações e uso por portfólio. Cobre técnicas de recalibração, segmentação por erro e rotinas de melhoria contínua do processo de previsão.
Definição e cálculo de MAPE, MASE e RMSESegmentação ABC/XYZ baseada em erro de previsãoAnálise de viés, overforecast e underforecastRecalibração periódica de parâmetros de modelosPainéis de acurácia e rotinas de melhoria contínuaAula 5Ferramentas e plataformas comuns: funções-chave em Excel, Power BI, R, Python e sistemas APS/IBP comercialmente usadosApresenta principais ferramentas usadas em planejamento de demanda: funções de Excel, painéis em Power BI, scripts em R e Python, além de sistemas APS/IBP, destacando capacidades, limites e critérios de escolha.
Funções e modelos de previsão no ExcelDashboards de demanda e acurácia em Power BIUso de R para séries temporais sazonaisUso de Python e bibliotecas de forecastingVisão geral de sistemas APS e IBP de mercadoAula 6Fontes de dados relevantes: ERP, WMS, PDVs/retail scanners, históricos de produção, clima e indicadores macroeconomicosApresenta principais fontes de dados para previsão de demanda sazonal, como ERP, WMS, PDV, clima e macroeconomia, destacando granularidade, periodicidade, limitações, integração e cuidados de consistência.
Dados transacionais de ERP e nível de detalheInformações de estoque e movimentação via WMSHistóricos de produção e restrições de capacidadeDados de PDV, retail scanners e ruptura de gôndolaClima, calendário e indicadores macroeconômicosAula 7Princípios de previsão de demanda: tipos de previsão (qualitativa vs quantitativa) e erros comunsIntroduz princípios de previsão de demanda, diferenciando abordagens qualitativas e quantitativas, discutindo horizontes, granularidade, premissas e erros comuns que afetam bens de consumo com forte sazonalidade.
Tipos de previsão: qualitativa versus quantitativaHorizonte, granularidade e nível hierárquicoPremissas explícitas e documentação do forecastErros comuns em bens sazonais e como evitá-losUso de consenso e julgamento gerencial estruturadoAula 8Integração de sinais comerciais: POS, promoções, campanhas de marketing e análise de elasticidadeMostra como integrar sinais comerciais à previsão, combinando dados de POS, planos de promoção, campanhas de marketing e análise de elasticidade preço-demanda, garantindo coerência com metas e restrições operacionais.
Uso de dados de POS para capturar demanda realTradução de planos promocionais em volume previstoImpacto de campanhas de marketing na demandaElasticidade preço-demanda e trade down/upConciliação entre forecast estatístico e comercialAula 9Previsão para picos sazonais e eventos promocionais: simulação de cenários e ajuste por promoçãoAborda técnicas para prever picos sazonais e eventos promocionais, incluindo uso de históricos, simulação de cenários, uplift promocional, efeitos de calendário e alinhamento com marketing e trade para ajustes finos.
Identificação de períodos de pico e eventos chaveModelagem de uplift promocional e baselineSimulação de cenários otimista, base e pessimistaAjustes por calendário, feriados e clima extremoAlinhamento com marketing, trade e vendas locaisAula 10Modelos estatísticos de séries temporais: média móvel, exponencial, ARIMA, SARIMA para sazonalidadeExplora modelos estatísticos de séries temporais aplicados a bens sazonais, cobrindo média móvel, suavização exponencial, ARIMA e SARIMA, critérios de seleção, ajuste de parâmetros e avaliação de desempenho.
Análise exploratória de séries sazonaisMédias móveis e suavização exponencial simplesModelagem ARIMA: identificação e parametrizaçãoSARIMA para padrões sazonais complexosComparação de modelos e seleção por critérios AIC/BIC
