How do you segment and classify your demand based on variability and predictability?

Uma matriz de segmentação e classificação de demanda é uma ferramenta estratégica usada para categorizar produtos ou serviços com base em duas dimensões principais: variabilidade e previsibilidade da demanda. Imagine, por exemplo, uma empresa de eletrônicos que vende tanto produtos básicos, como baterias, quanto gadgets de última geração. Os itens básicos, com demanda estável e previsível, são colocados em uma categoria onde estratégias de reabastecimento automático são eficientes. Já os gadgets, que têm uma demanda variável e imprevisível, são classificados de forma que estratégias de estoque mais flexíveis e colaborativas são necessárias para responder rapidamente às mudanças no mercado.

A matriz de segmentação e classificação de demanda é como uma bússola que ajuda a guiar suas estratégias de planejamento de demanda. Ao mapear seus produtos ou serviços de acordo com a variabilidade e previsibilidade da demanda, você consegue identificar padrões que permitem otimizar suas operações. Por exemplo, demandas previsíveis e estáveis podem ser gerenciadas com maior eficiência, enquanto demandas variáveis e imprevisíveis exigem maior flexibilidade e inovação. Isso possibilita uma alocação mais inteligente de recursos e uma resposta mais ágil às mudanças no mercado.

A demand segmentation and classification matrix categorizes products based on their demand variability and predictability. It typically has two dimensions: 1. Variability: Ranges from low to high, indicating the extent of demand fluctuations. 2. Predictability: Ranges from low to high, indicating the accuracy with which demand can be forecasted. The matrix segments demand into categories (e.g., nine cells) by intersecting these dimensions, allowing tailored strategies for each segment. For example, high variability and low predictability demand might require agile supply chains and higher safety stock, while low variability and high predictability demand might benefit from optimized inventory levels and minimal safety stock.

In recent years, I have been using the ABC-XYZ matrix, where ABC is a volume segmentation and XYZ is a forecast accuracy (FA) result segmentation. This approach has its parameters customized for each operation and is extremely efficient and helps analysts prioritize adjustments, analyses, and the collaboration process, as well as guiding them in the approach to be adopted. For example, AX products (high volume, high FA) generally have regular volume and good statistical forecasting. The matrix approach guides maintenance. In other cases, the approach may involve marketing intelligence and in extreme cases, such as a CZ product, the approach may suggest working with firm orders from the main KA products, for example.

Uma matriz de segmentação e classificação de demanda é essencial para entender como diferentes produtos ou serviços se comportam em termos de variabilidade e previsibilidade. Por exemplo, uma empresa de alimentos pode classificar produtos de alta demanda e pouca variação, como arroz, em uma categoria estável e previsível, enquanto itens sazonais, como panetones, caem em uma categoria de alta variabilidade e baixa previsibilidade. Essa segmentação permite estratégias de reabastecimento mais precisas e alinhadas com a realidade de cada produto.

Measure variability using: 1. Standard Deviation: Quantifies demand fluctuation. 2. Coefficient of Variation (CV): Normalizes variability by dividing standard deviation by mean demand, facilitating comparisons across products. Assess predictability through: 1. Forecast Error Metrics: - Mean Absolute Percentage Error (MAPE): Average absolute percent error between forecasted and actual demand. - Mean Squared Error (MSE): Average squared difference between forecasted and actual demand. - Root Mean Squared Error (RMSE): Square root of MSE, providing error magnitude. 2. Forecast Accuracy: Proportion of forecasts within acceptable error margins, indicating reliability.

Although I understand the importance of variability and predictability indicators, I prefer to be more pragmatic and rely on the functionality of modern demand forecasting systems to indirectly address these issues. Given the large amount of data involved in the forecasting process, the ideal is for the system to deliver detailed composite analyses. In other words, instead of analyzing standard deviation, variance and/or coefficient of variation (to name the most common ones), I prefer the system to analyze and classify the history, indicating precisely what type of history we are dealing with, e.g.: volatile, sporadic, unbalanced, etc. This way, we can work more effectively and with greater precision in decision-making.

Medir a variabilidade e a previsibilidade é fundamental para tomar decisões informadas. Por exemplo, em uma empresa de moda, o desvio padrão pode ajudar a entender como as vendas de um item básico variam ao longo do ano. Já a previsibilidade pode ser avaliada usando o MAPE (Erro Percentual Absoluto Médio) para verificar o quão bem as previsões passadas corresponderam à demanda real. Com essas métricas, a empresa pode ajustar suas estratégias de produção e estoque com mais precisão.

Medir variabilidade e previsibilidade é como entender o comportamento de seus produtos ao longo do tempo. Utilizando ferramentas como desvio padrão e análise de séries temporais, você pode identificar se um produto tende a ter um comportamento mais constante ou se oscila muito. Além disso, avaliar a precisão das suas previsões permite ajustar suas estratégias com base no que realmente acontece no mercado, minimizando surpresas e maximizando a eficiência.

Para medir a variabilidade e a previsibilidade da demanda, diversas métricas podem ser aplicadas. Considere uma loja de roupas que precisa decidir quanto estoque manter de diferentes itens. Ela pode usar o desvio padrão para entender a variabilidade de vendas de um vestido popular durante o ano. Além disso, ela pode calcular o erro percentual absoluto médio (MAPE) para verificar quão precisas foram as previsões de demanda em relação à demanda real. Esses insights ajudam a ajustar a produção e o reabastecimento com maior precisão, minimizando o risco de excesso ou falta de estoque.

Aplicar a estratégia certa para cada tipo de demanda é como escolher a ferramenta certa para cada trabalho. Para demandas previsíveis, métodos tradicionais de previsão e reabastecimento funcionam bem, garantindo que os produtos estejam sempre disponíveis. Em contrapartida, para demandas imprevisíveis, é fundamental adotar abordagens mais dinâmicas e colaborativas, permitindo uma maior capacidade de adaptação. A chave é entender as particularidades de cada categoria e adaptar sua estratégia para minimizar riscos e maximizar resultados.

In general, for high volume products with high forecast accuracy (FA), stick with Statistical Forecasting. for high volume and medium FA products, use Selective Forecasting. For high volume products with low FA, the most recommended approach is to apply market intelligence. On the other hand, for low volume products with high FA, it is recommended not to invest too much time, limited review. And for low volume and low forecast products, Forecast based on firm orders from key accounts and launch plan. Review SKU wise Forecasts.

Ao segmentar a demanda, é possível aplicar estratégias específicas para cada tipo. Por exemplo, para produtos com demanda estável e previsível, como papel higiênico, métodos tradicionais como o EOQ (Quantidade de Ordem Econômica) funcionam bem. Já para produtos com alta variabilidade e baixa previsibilidade, como gadgets tecnológicos, estratégias de cadeia de suprimentos ágeis e níveis de estoque de segurança mais altos são mais adequados. Isso garante que a empresa esteja preparada para responder rapidamente às flutuações do mercado.

To apply strategies: 1. Low Variability, High Predictability: Use EOQ models, maintain minimal safety stock, and optimize inventory levels. 2. Medium Variability, High Predictability: Implement demand smoothing, flexible inventory policies, and moderate safety stock. 3. High Variability, High Predictability: Adopt agile supply chain practices, higher safety stock, and buffer inventory. 4. Low Variability, Low Predictability: Utilize reactive replenishment, minimal safety stock. 5. Medium Variability, Low Predictability: Employ flexible supply chain practices, mixed inventory strategies. 6. High Variability, Low Predictability: Focus on demand sensing, responsive supply chains, substantial safety stock, and dynamic forecasting.

It involves analyzing the stability and accuracy of demand to segment for better planning and decision-making. The basic quadrant framework is indicated with potential actions: 1. High Predictability, Low Variability (Stable Demand) - Potential Action: Use standard replenishment methods with lower safety stock. 2. Low Predictability, High Variability (Unstable Demand) - Potential Action: Apply agile planning, higher safety stock, and flexible supply. 3.High Predictability, High Variability (Seasonal Demand) - Potential Action: Prepare for demand peaks with adjusted production or inventory levels. 4. Low Predictability, Low Variability (Intermittent Demand): - Potential Action: Focus on demand sensing, leveraging advanced forecasting tools.

To segment and classify demand based on variability and predictability, follow these steps: 1. Data Collection: Gather historical demand data, including sales, seasonality, and external factors. 2. Analyze Variability: Calculate standard deviation and CoV to assess demand fluctuations. 3. Assess Predictability: Use forecast error metrics to gauge forecast accuracy. 4. Segmentation Matrix: Classify demand into a matrix with dimensions: variability (low, medium, high) and predictability (low, medium, high). 5. Tailor Strategies: Develop specific strategies for each segment, balancing inventory levels, safety stock, and forecasting methods. 6. Continuous Review: Regularly adjust segments and strategies based on new data and market changes.

Além de segmentar e classificar a demanda, é crucial considerar fatores externos que podem impactar a variabilidade e previsibilidade, como sazonalidade, campanhas promocionais e mudanças no comportamento do consumidor. Analisar o contexto macroeconômico e as tendências de mercado pode fornecer insights adicionais, ajudando a antecipar mudanças na demanda. Além disso, a integração da análise de dados com a inteligência artificial pode oferecer previsões mais acuradas e permitir uma resposta mais rápida às mudanças inesperadas, garantindo uma vantagem competitiva.

1. Types of Demand: a. Price-Sensitive Demand: Example: Offering seasonal discounts or introducing loyalty programs with tiered benefits based on purchase frequency. b. Prestige or Status Demand: Example: Launching limited-edition products or providing personalized customer service for high-end clients. c. Seasonal Demand: Example: Offering special holiday-themed products or adjusting staffing levels to match seasonal fluctuations. d. Regular or Stable Demand: Example: Implementing just-in-time inventory systems or establishing long-term contracts with suppliers for stability. e. Irregular or Unpredictable Demand: