6. Configuração estatística manual¶

Neste treinamento, você usará o perfil mensal criado no capítulo 5 com os clusters do capítulo 4 para configurar dois modelos estatísticos: Demand — All Locations × White Paper Finished Goods e Demand — All Locations × Tissue Finished Goods. Por fim, validará as prévias sem persistir um Demand Plan.

Configurações estatísticas por combinação de clusters¶

• UOM TON: converte o histórico de Vendas em KG pela relação global validada de 1 TON = 1.000 KG e permite analisar o forecast em toneladas.
• Holt-Winters: representa nível, tendência e sazonalidade mensal. Consulte o catálogo interno de modelos e a seção sobre métodos sazonais do FPP3.
• Histórico de 1.095 dias: cobre aproximadamente os três anos do cenário.
• Split por Historical Sales: é o modelo disponível na Community para desagregar o forecast agregado até material-location.

1. Abrir as configurações estatísticas por combinação¶

1. Em Demand Planning, abra Demand Planning Cluster-Level Configuration.

Esta é a tela real antes de selecionar os três objetos. O estado Not Selected não é um erro: ele indica que o editor de parâmetros só será carregado depois que perfil, cluster de location e cluster de material forem escolhidos. Esta é uma tela diferente da configuração do perfil: o perfil é apenas o contexto geral usado para localizar a combinação.

Nesta tela, Product Cluster é o rótulo exibido para o cluster de materiais.

1. Selecione Execution Profile = DP_MONTHLY_TUTORIAL.
2. Selecione Location Cluster = Demand — All Locations.
3. Selecione Product Cluster = White Paper Finished Goods.
4. Aguarde a configuração salva ser carregada antes de editar.

Ao abrir Forecast Model, a Edição Community apresenta cinco opções manuais: Moving Average, Rolling Moving Average, ARIMA, Holt-Winters e Exponential Smoothing. Os campos com selo PRO ficam visíveis para contextualizar a tela, mas permanecem bloqueados e não fazem parte deste exercício.

2. Configurar o modelo estatístico de papel branco¶

Preencha os campos Community:

Com Holt-Winters selecionado, os controles Alpha, Beta e Gamma aparecem logo abaixo do modelo. Mantenha os três em Automatic selection.

Clique Save Parameters e aguarde a mensagem de sucesso.

3. Gerar a prévia do forecast para papel branco¶

1. Em Reference Period, selecione February / 2027.
2. Clique Generate Forecast Preview.
3. Confirme a mensagem Forecast preview generated for 36 material-location series.
4. Em Forecast Lag (# periods) for Error Calculation, mantenha Lag 0 — 2027-02-28.
5. Leia os quatro cartões e os dois gráficos antes de abrir a tabela detalhada.

No resultado reproduzido para papel branco:

O gráfico Forecast Preview conecta o histórico à projeção e evidencia a direção estimada pelo modelo. Seasonality Comparison coloca os meses dos anos lado a lado para revelar se o padrão sazonal projetado continua coerente com o histórico. A tabela abaixo dos gráficos permite descer do cluster para cada DFU material-location e localizar onde o erro se concentra.

Como o resultado chega às DFUs¶

O modelo calcula a série agregada da combinação e o split Historical Sales distribui cada período entre as DFUs material-location de acordo com suas proporções no histórico configurado.

flowchart TB
  A["Série agregada do grupo<br/><strong>Jan 100 · Fev 120 · Mar 110 · Abr 130 TON</strong>"] --> S["Split Historical Sales<br/><span style='font-size:10px;color:#64748b'>proporções históricas aplicadas a cada período</span>"]
  S --> D1["DFU: Produto A × Cliente Norte · 45%<br/><strong>Jan 45 · Fev 54 · Mar 49,5 · Abr 58,5 TON</strong>"]
  S --> D2["DFU: Produto A × Cliente Sul · 35%<br/><strong>Jan 35 · Fev 42 · Mar 38,5 · Abr 45,5 TON</strong>"]
  S --> D3["DFU: Produto B × Cliente Norte · 20%<br/><strong>Jan 20 · Fev 24 · Mar 22 · Abr 26 TON</strong>"]

  classDef aggregate fill:#0b1b2e,stroke:#00bcd4,color:#ffffff,stroke-width:2px;
  classDef split fill:#e8f8f5,stroke:#00a98f,color:#0f172a,stroke-width:2px;
  classDef dfu fill:#f2efff,stroke:#7c5cff,color:#0f172a;
  class A aggregate;
  class S split;
  class D1,D2,D3 dfu;

A prévia executa o backend estatístico real, mas não cria um Demand Plan. Os números acima são evidência deste cenário e desta data de referência; eles não são uma meta universal de acurácia.

4. Repetir a configuração para tissue¶

1. Troque apenas Product Cluster para Tissue Finished Goods.
2. Aguarde a configuração da nova combinação ser carregada.
3. Repita os mesmos valores de modelo, UOM, janelas e cobertura.
4. Clique Save Parameters.
5. Gere a prévia do forecast para February / 2027 e confirme a mensagem Forecast preview generated for 12 material-location series.
6. Confira o resultado agregado de tissue: 376,9 TON de vendas, bias de -31,6 TON, bias percentual de -8,4% e % MAPE exibido de 8,4%.

Interpretação e governança¶

Os dois clusters começam com o mesmo modelo para permitir comparação controlada. Isso não prova que Holt-Winters seja o vencedor permanente. Em uma rotina madura, o planner compara o erro fora da amostra, investiga viés e estabilidade, registra exceções e revisa parâmetros quando o comportamento da demanda muda.

Falhas de unidade, ausência de histórico ou cluster vazio devem interromper a validação. Não aceite uma prévia zerada como sucesso silencioso.

Checkpoint¶

• perfil DP_MONTHLY_TUTORIAL mensal e com 12 períodos salvo como configuração geral;
• duas configurações estatísticas separadas, uma para cada combinação do cluster global de locations com os clusters de papel branco e tissue;
• parâmetros Holt-Winters e UOM TON salvos em ambas as configurações;
• Alpha, Beta e Gamma em seleção automática;
• prévias de fevereiro de 2027 geradas e lidas sem criar Demand Plan;
• execução do plano ainda fora do escopo.

O próximo treinamento, ainda em construção, criará a visão de colaboração do Planning Book. Volte ao mapa do curso ou continue para a 7. Visão de colaboração comercial.