O gerenciamento da cadeia de suprimentos geralmente faz uso de análise de regressão para analisar relacionamentos entre variáveis ​​e fazer previsões sobre resultados futuros. Os domínios de aplicação exemplares são o controle dos níveis de produção, níveis de estoque, custos de transporte, prazos de entrega, demanda do cliente, redução de sucata e satisfação do cliente. Na postagem do blog de hoje, escrevo sobre análise de regressão, sua aplicação em SCM e sua integração nos principais sistemas ERP para SCM. Vou me concentrar na previsão de demanda e controle de estoque. No entanto, a análise de regressão, por exemplo, também apóia a análise de custos de transporte e a tomada de decisões, bem como, por exemplo, a identificação dos principais impulsionadores da satisfação do cliente.

Modelos de regressão para previsão de demanda e controle de estoque

Vários tipos de modelos de regressão são comumente usados ​​para previsão de demanda e controle de estoque. Cada tipo de modelo é forte em algumas áreas e fraco em outras. As organizações consideram cuidadosamente qual modelo representa o melhor ajuste às suas necessidades antes de conduzir a previsão de demanda ou análise de controle de estoque.

Regressão linear

Os modelos de regressão Linera assumem que a relação entre a demanda por um produto e uma ou mais variáveis ​​preditoras é linear. As aplicações do modelo de regressão linear podem, por exemplo, encontrar os principais impulsionadores da demanda e, assim, ajudar na priorização, na tomada de decisões e no planejamento. Por exemplo, você pode tentar ajustar um modelo de regressão linear aos dados comparando preços e demanda de um produto. Quanto as promoções, ou seja, reduções de preço, aumentam a demanda?

A suposição subjacente é que uma redução no preço aumenta a demanda. A regressão linear, como afirmado, assume que essa relação é linear. Os departamentos de SCM usam ampla e comumente a regressão linear. Se estiver claro que uma relação não é linear, mas, por exemplo, polinomial, modelos de regressão não linear, como modelos de regressão polinomial, podem ser aplicados.

Regressão de série temporal

Os modelos de regressão de séries temporais são usados ​​quando os dados incluem tendências ou padrões que mudam ao longo do tempo. Exemplos são flutuações sazonais ou crescimento contínuo de longo prazo. Nesses modelos, os dados históricos de demanda são usados ​​para identificar padrões, que são usados ​​para prever a demanda futura. A regressão de séries temporais ajudará a estimar os níveis de estoque necessários durante o verão, feriados e ao longo do ano.

regressão logística

A regressão logística é um tipo de modelo comumente usado para controle de estoque quando os dados incluem resultados binários, como se um produto está em estoque ou fora de estoque. Esse tipo de modelo pode ser usado para prever a probabilidade de falta de estoque de um produto com base em fatores como demanda, prazos de entrega e desempenho do fornecedor. A regressão logística pode auxiliar na busca dos principais direcionadores para rupturas e baixa disponibilidade.

regressão de Poisson

Os modelos de regressão de Poisson são uma boa opção quando os dados incluem dados de contagem, como o número de vendas de um determinado produto. Esses modelos podem ser usados ​​para prever a demanda com base em fatores como preço, promoção e atividade de marketing.

Exemplos de análise de regressão comercial

Desejo fornecer alguns exemplos de aplicativos comerciais de análise de regressão.

A Amazon usa análise preditiva e análise de regressão para prever a demanda e otimizar os níveis de estoque em seus armazéns. Isso permite que a empresa reduza a quantidade de estoque que mantém e, ao mesmo tempo, garante que os produtos estejam disponíveis para os clientes quando eles precisarem.

O Walmart usa análise de regressão para analisar os dados de sua cadeia de suprimentos e otimizar suas operações logísticas. Por exemplo, a empresa usa análise de regressão para modelar a relação entre custos de transporte e prazos de entrega. Isso permite que o Walmart tome decisões informadas sobre como equilibrar esses fatores como parte de seu processo de planejamento logístico.

A Procter & Gamble usa análise de regressão para prever a demanda e otimizar seu planejamento de produção. Ao analisar dados históricos de vendas e outros fatores relevantes, a empresa pode prever com precisão a demanda por seus produtos e ajustar seus níveis de produção de acordo.

A Ford usa análise de regressão e outras técnicas estatísticas para otimizar suas operações de cadeia de suprimentos e reduzir custos. Por exemplo, a empresa usa a análise de regressão para modelar a relação entre os prazos de entrega do fornecedor e os níveis de estoque. Isso ajuda na tomada de decisões com relação a quando solicitar peças e quanto estoque manter.

Quais principais ERPs têm análise de regressão integrada?

A maioria dos principais sistemas Enterprise Resource Planning (ERP) não possui análise de regressão integrada diretamente em seu software. Os sistemas ERP são normalmente projetados para lidar com uma ampla gama de funções, processos e operações de negócios. Os sistemas ERP geralmente suportam funções de negócios, como contabilidade, gerenciamento de estoque e gerenciamento da cadeia de suprimentos. Mas, eles geralmente não incluem recursos de modelagem estatística. No entanto, os sistemas ERP geralmente possuem relatórios integrados e ferramentas de análise que podem ser usadas para extrair dados para uso em análise de regressão.

Por exemplo, muitos sistemas ERP possuem módulos de relatórios que permitem aos usuários gerar relatórios personalizados. Esses relatórios podem ser exportados para um pacote de software de análise estatística, como R, SAS, SPSS, etc., por exemplo, análise de regressão.

Além disso, alguns fornecedores de ERP oferecem módulos adicionais ou integrações com software analítico de terceiros que inclui recursos de análise de regressão. Por exemplo, a SAP oferece um módulo de análise preditiva que inclui análise de regressão como um de seus recursos. A Oracle oferece uma variedade de produtos analíticos, incluindo o Oracle Business Intelligence, que pode ser integrado a sistemas ERP e inclui recursos de análise de regressão.

Vou me concentrar no SAP, pois sou originalmente da Alemanha e o SAP é amplamente utilizado em empresas de manufatura alemãs.

Complementos SAP para análise de regressão

Existem complementos disponíveis para SAP que permitem aos usuários realizar análises de regressão diretamente no sistema SAP. Um exemplo é o software SAP Predictive Analytics, que inclui uma variedade de técnicas de modelagem preditiva, incluindo análise de regressão.

Com o SAP Predictive Analytics, os usuários podem criar modelos de regressão usando dados armazenados no sistema SAP e, em seguida, usar esses modelos para fazer previsões e prognósticos sobre resultados futuros. O software inclui, por exemplo, regressão linear, regressão logística e regressão de séries temporais. Além da análise de regressão, o SAP Predictive Analytics inclui outros recursos analíticos. Por exemplo: Clustering, classificação e mineração de dados. Ele também inclui ferramentas integradas de preparação e visualização de dados, tornando mais fácil para os usuários trabalhar com conjuntos de dados grandes e complexos.

No entanto, o SAP Predictive Analytics requer habilidades e conhecimentos especializados. As empresas que implantam o SAP Predictive Analytics pela primeira vez terão que desenvolver essas habilidades e implantar conceitos e estruturas que garantam que esse conhecimento e essas habilidades permaneçam e melhorem na empresa ao longo do tempo.

Complementos de análise de regressão para outros principais ERPs

Existem outros complementos e extensões disponíveis para os principais sistemas ERP que fornecem recursos de análise de regressão. A Microsoft oferece vários complementos para o Dynamics 365 que fornecem análise avançada e recursos de modelagem preditiva, incluindo análise de regressão. O pacote do Microsoft Power BI inclui ferramentas de análise de regressão integradas, bem como outros recursos de análise preditiva e visualização de dados. A Oracle oferece uma variedade de produtos analíticos, incluindo o Oracle Business Intelligence Cloud, que fornece ferramentas avançadas de análise e visualização de dados que podem ser integradas ao Oracle ERP Cloud. O software inclui recursos de análise de regressão, bem como outras técnicas de modelagem preditiva.

A Infor oferece uma variedade de ferramentas analíticas que podem ser integradas ao seu software ERP, incluindo Birst, uma plataforma analítica baseada em nuvem que inclui recursos de análise de regressão. O Birst permite que os usuários criem modelos preditivos usando dados de várias fontes, incluindo dados de ERP, e visualizem os resultados em painéis em tempo real.

A Epicor oferece vários complementos analíticos que fornecem recursos de modelagem preditiva, incluindo análise de regressão. A ferramenta Epicor Data Analytics inclui análise de regressão integrada e outros recursos de modelagem estatística, bem como ferramentas de visualização de dados.

Existem muitos complementos e extensões disponíveis para os principais sistemas ERP que fornecem recursos de análise de regressão, bem como outros recursos avançados de análise e modelagem preditiva. As ferramentas específicas e os pacotes de software disponíveis dependerão do sistema ERP em questão, bem como das necessidades e requisitos específicos da organização que utiliza o software.

Linnart Felkl

Cientista de dados com foco em simulação, otimização e modelagem em R, SQL, VBA e Python