Bridging Forecast Accuracy and Inventory KPIs: A Simulation-Based Software Framework

Resumo Técnico: Unindo a Precisão de Previsão e os KPIs de Inventário

Definição do Problema
No mercado de reposição automotiva, particularmente para peças de reposição de veículos pesados, a demanda é caracterizada por alta intermitência, esparsidade e incerteza. O gerenciamento eficiente de inventário é crítico para equilibrar os custos econômicos e ambientais do excesso de estoque (capital imobilizado, obsolescência) contra a falta de estoque (tempo de inatividade, envios de emergência, insatisfação do cliente). Embora a Inteligência Artificial e o Aprendizado de Máquina (IA/ML) ofereçam capacidades preditivas avançadas, a avaliação de modelos de previsão neste domínio permanece dominada por métricas de precisão estatística (ex: MAE, RMSE, $R^2$). Existe uma lacuna significativa na compreensão de como essas métricas estatísticas se traduzem em KPIs operacionais, como custo total de inventário e níveis de serviço. Consequentemente, modelos com precisão estatística superior podem não gerar resultados operacionais otimizos, e a relação entre o erro de previsão e o desempenho do inventário é mal compreendida.

Metodologia
Para abordar essa lacuna, os autores propõem um framework de software de simulação de ciclo fechado, centrado na decisão, projetado para avaliar modelos de previsão com base em seu impacto downstream nas decisões de inventário. O framework consiste em três módulos integrados:

1. Gerador de Demanda Sintética:

   • Estrutura: Um sistema de Simulação de Tempo Discreto (DTS) modelado hierarquicamente (Concessionária $\to$ Caminhão $\to$ Peça).
   • Mecanismo: A demanda é gerada simulando falhas de peças. O tempo até a falha é tratado como uma variável aleatória governada por funções de risco (hazard functions).
   • Modelos: Quatro modelos de sobrevivência paramétricos são implementados: Exponencial, Weibull, Log-logística e Gompertz. Estes permitem dinâmicas de falha heterogêneas (ex: componentes sem memória vs. componentes com desgaste/envelhecimento).
   • Fatores: O gerador incorpora sazonalidade (modelada via Funções de Base Radial para capturar variações regionais e específicas de componentes), intensidade de uso (Normal vs. Pesada) e concept drift (mudanças súbitas ou lentas no tamanho da frota).
   • Saída: Séries temporais de demanda diária para vários tipos de peças através de múltiplas concessionárias, replicando a intermitência do mundo real (medida pelo Intervalo Médio de Demanda e Coeficiente de Variação).

2. Módulo de Previsão Flexível:

   • Este módulo aceita os dados de demanda sintética e hospeda vários modelos preditivos.
   • Modelos Testados: O estudo avalia três modelos de aprendizado de máquina (XGBoost, Random Forest, SVR) e quatro métodos estatísticos de séries temporais (ARIMA, Método de Croston, TSB, SBA).
   • Treinamento: Os modelos são treinados nos primeiros dois anos de dados sintéticos para prever o terceiro ano. Os hiperparâmetros são ajustados para minimizar o Erro Médio Absoluto (MAE).

3. Simulador de Controle de Inventário (Simulador de Custo):

   • Mecanismo: Uma Simulação de Eventos Discretos (DES) que processa as previsões para direcionar as decisões de inventário.
   • Política: Emprega uma política de inventário padrão (calculando estoque de segurança, pontos de pedido e quantidades de pedido) baseada em fórmulas estabelecidas.
   • Componentes de Custo: O simulador computa custos operacionais totais, incluindo custos de manutenção (holding costs), custos de pedido, custos de pedidos urgentes, custos de transporte e custos de badwill (penalidades por insuficiência no nível de serviço).
   • Saída: KPIs operacionais, especificamente Custo Total e Nível de Serviço (fill rate).

Configuração Experimental
Os autores geraram 48 cenários sintéticos ao longo de um horizonte de três anos ($T=1095$ dias) com um passo de tempo diário. Os cenários variaram por:

• Concept Drift: Nenhum, súbito, lento ou combinado.
• Tamanho da Frota: Quatro faixas de caminhões por concessionária ($N_t \in [5, 100]$).
• Vida Útil da Peça: Três faixas de tempo mediano até a falha ($t_m \in [100, 730]$ dias).
• Configuração: Quatro concessionárias, com parâmetros fixos para preço da peça, tempo de entrega (lead time) e capacidade do fornecedor.

Resultados Principais
Os experimentos revelaram uma desconexão significativa entre a precisão estatística e o desempenho operacional:

• Precisão vs. Custo: Modelos que alcançaram a melhor precisão estatística (XGBoost e Random Forest, que minimizaram MAE e RMSE) resultaram em custos de inventário total mais altos do que os métodos clássicos de demanda intermitente.
• Achados Contraintuitivos: O método de Croston, que teve desempenho inferior em métricas estatísticas (maior MAE/RMSE), alcançou o menor custo de inventário total. O Random Forest foi o segundo melhor em custo, enquanto o SVR e o XGBoost incorreram nos custos mais altos.
• Paradoxo de Simpson: A análise da relação entre métricas de erro (MAE, RMSE) e o custo total revelou uma correlação fraca ou negativa dentro de cenários específicos. Menor erro estatístico não garantiu menores custos operacionais.
• Ranking de Modelos: O ranking dos modelos mudou drasticamente ao alterar o critério de avaliação de precisão preditiva para custo operacional. Métodos clássicos projetados para demanda intermitente (Croston, SBA, TSB) mostraram-se mais robustos para otimização de inventário do que modelos complexos de ML neste contexto específico.

Significância e Contribuições
O artigo reivindica duas contribuições primárias:

1. Um Framework Modular e de Código Aberto: Os autores fornecem um framework de software reutilizável e transparente que une a previsão de demanda e o gerenciamento de inventário. Ao acoplar um gerador de demanda sintética a um simulador de custo de inventário, o trabalho reduz a barreira para pesquisadores realizarem experimentos rigorosos e reproduzíveis que avaliem modelos com base na relevância operacional, em vez de apenas erro estatístico.
2. Quantificação Empírica da Lacuna Precisão-Desempenho: O estudo demonstra empiricamente que melhorias em métricas de precisão convencionais não se traduzem necessariamente em melhores trocas (trade-offs) entre custo e serviço. Ele destaca o risco de confiar exclusivamente em medidas de erro estatístico para a seleção de modelos na logística de peças de reposição.

Conclusão
Os autores concluem que a avaliação de modelos de previsão no mercado de reposição automotiva deve mudar de um foco puramente preditivo para uma abordagem centrada na decisão. O framework proposto operacionaliza o elo entre previsão e inventário, sugerindo que o desenvolvimento metodológico futuro deve priorizar a relevância operacional. O software e os resultados experimentais são disponibilizados como código aberto para facilitar novas pesquisas neste domínio.