An Adaptive Model Selection Framework for Demand Forecasting under Horizon-Induced Degradation to Support Business Strategy and Operations

Este estudo propõe o AHSIV, um framework adaptativo de seleção de modelos para previsão de demanda que integra métricas de erro ajustadas ao horizonte de previsão e classificação estrutural da demanda para resolver a instabilidade de rankings em ambientes heterogêneos, oferecendo uma solução operacionalmente coerente para decisões multi-SKU.

O essencial

Imagine que você é o gerente de um grande supermercado. Sua tarefa é decidir quantas unidades de cada produto (de arroz a sabonete) comprar para as próximas semanas. Se você comprar de menos, perde vendas e clientes ficam bravos. Se comprar de mais, o dinheiro fica parado no estoque e o produto pode estragar.

O grande desafio é: como prever o futuro?

Este artigo científico apresenta uma solução inteligente para esse problema, chamada AHSIV. Vamos explicar como funciona usando analogias do dia a dia.

1. O Problema: O "Mapa" que Muda de Lugar

Antes, os gerentes de estoque usavam uma única regra para escolher qual "bola de cristal" (modelo de previsão) era a melhor. Eles olhavam para o passado e diziam: "O modelo X acertou mais ontem, então vamos usá-lo para sempre".

O problema é que o futuro não é estático.

• A Analogia do Terreno: Imagine que você está dirigindo. Para os próximos 5 minutos, o asfalto é liso (curto prazo). Mas daqui a 2 horas, você vai entrar em uma estrada de terra cheia de buracos (longo prazo).
• Se você escolher um carro baseado apenas em como ele anda no asfalto liso, ele vai quebrar na estrada de terra.
• No mundo das vendas, o "asfalto liso" é o curto prazo e a "estrada de terra" é o longo prazo. O que funciona bem para prever a próxima semana pode falhar miseravelmente ao tentar prever o próximo mês. Além disso, alguns produtos são vendidos todo dia (como pão), enquanto outros são intermitentes (como geladeiras de luxo). Um modelo único não serve para todos.

2. A Solução: O "Detetive Adaptável" (AHSIV)

Os autores criaram um sistema chamado AHSIV (Selecionador Híbrido Adaptativo). Pense nele como um detetive superinteligente que não usa apenas uma regra, mas analisa o "caráter" de cada produto antes de escolher o melhor método de previsão.

O detetive faz três coisas principais:

A. O "Termômetro de Estabilidade" (MDFH)

O sistema primeiro verifica se o produto é "calmo" ou "caótico".

• Se o produto é calmo: O sistema sabe que o erro de previsão tende a aumentar com o tempo (como uma bola de neve rolando morro abaixo). Ele ajusta a régua de medição para não ficar otimista demais. É como dizer: "Ok, para 1 semana, o erro é pequeno. Para 12 semanas, vamos aumentar a margem de segurança".
• Se o produto é caótico (explosivo): O sistema percebe que o passado não ajuda a prever o futuro e para de tentar ajustar a régua, evitando decisões erradas baseadas em dados ruins.

B. O "Juiz de Várias Dimensões"

Em vez de olhar apenas para "quem errou menos", o AHSIV olha para várias coisas ao mesmo tempo:

• Quanto o erro total foi? (Não podemos errar muito).
• O erro foi consistente? (Não podemos errar sempre para mais ou sempre para menos).
• O produto é raro? (Se o produto só é vendido uma vez por mês, a matemática comum não funciona bem).

O sistema usa uma técnica chamada dominância de Pareto. Imagine uma corrida onde você quer ser rápido e econômico. Se o Carro A é mais rápido, mas gasta muita gasolina, e o Carro B é mais lento, mas gasta pouco, o AHSIV não escolhe um automaticamente. Ele cria um "clube dos melhores" e escolhe o que tem o melhor equilíbrio para aquele momento específico.

C. O "Filtro de Viés"

Às vezes, um modelo erra sempre para mais (comprando demais) ou sempre para menos (comprando de menos). O AHSIV detecta isso e pune esses modelos, porque no mundo real, errar para mais custa dinheiro (estoque parado) e errar para menos custa clientes (falta de produto).

3. O Teste: A Grande Prova de Fogo

Os autores testaram esse sistema em dados reais de gigantes como a Walmart e competições internacionais de previsão (M3, M4, M5). Eles simularam cenários onde tinham pouco ou muito histórico de dados e pediram previsões para 1, 2, até 12 períodos à frente.

O Resultado?
O sistema AHSIV funcionou tão bem quanto os melhores métodos tradicionais (que são mais simples), mas com uma vantagem crucial: ele acertou mais frequentemente o melhor modelo para cada momento específico.

• A Metáfora Final: Imagine que você tem uma caixa de ferramentas.
  • O método antigo era usar sempre o martelo, não importava se você precisava parafusar ou cortar madeira.
  • O AHSIV é como um marceneiro sábio. Ele olha para a madeira (o produto), sente o clima (o horizonte de tempo) e escolhe a ferramenta certa: um martelo para um dia, uma serra para uma semana, e um lixador para um mês.

Conclusão Simples

Este artigo nos ensina que não existe uma "bala de prata" (uma solução única perfeita) para prever vendas. O futuro muda, e os produtos mudam.

A grande contribuição é mostrar que, para gerenciar estoques e estratégias de negócio de forma inteligente, precisamos de sistemas que se adaptem. Eles devem entender se o produto é estável ou instável, se estamos olhando para o curto ou longo prazo, e escolher a melhor ferramenta para cada situação, garantindo que o supermercado tenha o produto certo, na hora certa, sem desperdício.

Resumo técnico

Resumo Técnico: Seleção Adaptativa de Modelos de Previsão de Demanda

1. Problema e Motivação

O ambiente de negócios atual caracteriza-se por alta volatilidade, intermitência estrutural da demanda e horizontes de planejamento multi-etapa. O artigo identifica três desafios críticos na literatura de previsão:

1. Ausência de Dominância Universal: Nenhum modelo de previsão é superior em todos os contextos, regimes de demanda ou horizontes temporais.
2. Inconsistência de Métricas: Diferentes métricas de erro (ex: MAE, RMSE, RMSSE) frequentemente geram rankings conflitantes de modelos, criando ambiguidade na seleção.
3. Degradação Induzida pelo Horizonte: A precisão da previsão tende a degradar-se à medida que o horizonte de previsão se estende. A maioria dos estudos avalia modelos em um único horizonte de teste, ignorando que a performance relativa dos modelos pode mudar drasticamente conforme o horizonte aumenta (devido ao acúmulo de inovações e incerteza estrutural).

A seleção de modelos é tratada erroneamente como um problema estático de classificação, quando deveria ser uma decisão adaptativa e consciente do horizonte.

2. Metodologia Proposta

Os autores propõem o AHSIV (Adaptive Hybrid Selector for Intermittency and Variability), um framework de seleção de modelos multicritério e adaptativo. A metodologia baseia-se nos seguintes pilares:

• Procedimento MDFH (Metric Degradation by Forecast Horizon):
  • É um mecanismo inovador que projeta métricas de erro de amostra (testes) para horizontes futuros operacionais.
  • Utiliza uma lei de potência dependente do horizonte ($E(h) \propto h^\alpha$) para ajustar o erro esperado.
  • Condição de Estabilidade: A projeção só ocorre se o regime estrutural da série for classificado como "estável" (baixa variabilidade de incrementos e ausência de viés/explosão). Se a série for instável ou enviesada, o erro não é extrapolado, evitando otimismos injustificados.
• Classificação Estrutural da Demanda:
  • As séries são classificadas em dois regimes baseados na frequência de demanda ($p$) e variabilidade relativa ($c$):
    1. Regime Regular-Estável: Permite otimização multi-objetivo.
    2. Regime Intermitente ou de Alta Variabilidade: Exige estratégias conservadoras.
• Lógica de Seleção do AHSIV:
  • Para Regimes Regulares: Utiliza Dominância de Pareto sobre métricas de erro escalado (RMSSE) e absoluto (MAE) ajustados pelo MDFH. Um refinamento hierárquico subsequente minimiza o viés (BIAS) e o erro percentual (sMAPE).
  • Para Regimes Intermitentes/Altamente Variáveis: Adota uma estratégia conservadora, selecionando diretamente o modelo que minimiza o RMSSE projetado, evitando combinações complexas que podem gerar instabilidade.
• Métrica de Avaliação Estratégica (GRA):
  • Introduz a Global Relative Accuracy (GRA), que mede a coerência entre o volume total previsto e o volume total realizado. Isso conecta a precisão estatística à eficiência do planejamento de estoque e alocação de recursos.

3. Contribuições Principais

1. Formalização do MDFH: Um procedimento que permite a comparação consistente de modelos em horizontes futuros sem depender de realizações futuras não observadas, condicionada à estabilidade estrutural.
2. Framework AHSIV: Um seletor híbrido que integra classificação de regime, otimização multi-objetivo (Pareto) e controle de viés, adaptando-se dinamicamente à natureza da demanda.
3. Reenquadramento do Problema: Demonstra que a seleção de modelos não pode ser estática; deve ser um processo sensível ao regime e consistente com o horizonte de decisão.

4. Resultados Experimentais

O framework foi avaliado em quatro conjuntos de dados públicos e amplamente reconhecidos (Walmart, M3, M4 e M5) com diferentes frequências (diária, semanal, mensal) e esquemas de divisão treino-teste (91:9, 80:20, 70:30).

• Comparação: O AHSIV foi comparado com um seletor monométrico baseado em RMSSE ($RMSSE_h$) e um seletor de agregação de rankings (ERA).
• Desempenho:
  • O AHSIV e o RMSSE_h demonstraram desempenho estatisticamente equivalente em termos de média global de GRA, superando significativamente o seletor ERA.
  • O AHSIV apresentou maior frequência na seleção do modelo "ótimo" para horizontes específicos, evidenciando sua capacidade de adaptação.
  • O seletor ERA (agregação de rankings) mostrou-se inferior, com maior variabilidade e desempenho consistente no pior grupo.
• Estabilidade: Os resultados foram robustos across diferentes proporções de treino/teste, indicando que a lógica adaptativa do AHSIV não depende criticamente de uma divisão específica de dados.
• Análise de Horizonte: Confirmou-se que a escolha do modelo ideal varia significativamente conforme o horizonte de previsão aumenta, validando a necessidade de mecanismos conscientes do horizonte.

5. Significado e Implicações

• Para a Teoria: O estudo valida empiricamente que a degradação do erro é um fator estrutural que deve ser modelado explicitamente na seleção de modelos, e não apenas como uma observação pós-hoc.
• Para a Prática (Gestão de Operações):
  • A adoção do AHSIV permite que empresas selecionem modelos que não apenas minimizam erros estatísticos, mas que garantem maior coerência entre o volume de compras/estoque planejado e a demanda real.
  • Reduz o risco de decisões baseadas em heurísticas ou em métricas de curto prazo que falham em horizontes de planejamento estratégico.
  • Oferece um mecanismo automatizado e reprodutível para ambientes de multi-SKU com heterogeneidade extrema.

Em suma, o artigo propõe uma solução operacionalmente coerente para o problema complexo de previsão de demanda, demonstrando que a adaptabilidade estrutural e a consideração da degradação do horizonte são essenciais para a robustez em ambientes de negócios voláteis.