Preços de commodities são influenciados por oferta, demanda, câmbio, energia, clima, estoques, logística, geopolítica, capacidade e expectativas. Nenhum algoritmo controla essas variáveis, e eventos raros podem invalidar padrões históricos.
Machine learning não é uma bola de cristal. É um conjunto de métodos para identificar relações, produzir cenários e atualizar previsões quando os dados mudam.
O valor para procurement não está em adivinhar um preço exato. Está em melhorar decisões como:
- comprar agora ou escalonar;
- contratar preço fixo ou indexado;
- aumentar cobertura;
- negociar gatilhos;
- diversificar;
- revisar orçamento;
- preparar contingência.
O que pode ser previsto?
É importante separar quatro problemas.
Preço de mercado
Cotação de uma commodity ou índice.
Preço de compra
Valor efetivamente pago, incluindo prêmio, qualidade, volume, localização, moeda, frete e condições.
Custo do fornecedor
Estrutura de matéria-prima, energia, mão de obra, produtividade e margem.
Impacto total
Efeito do preço sobre produto, estoque, contrato, margem e caixa.
Um modelo de mercado não substitui should-cost. Ele responde a uma parte do problema.
Por que forecasts falham?
- dados incompletos;
- mudança estrutural;
- variável omitida;
- evento extremo;
- vazamento de informação;
- horizonte excessivo;
- ajuste exagerado ao histórico;
- atraso na atualização;
- erro de unidade ou moeda;
- baixa representatividade;
- uso de preço diferente do contrato.
O maior risco é confundir boa aderência histórica com capacidade futura.
Dados internos e externos
Internos
- pedidos;
- contratos;
- preço;
- volume;
- moeda;
- frete;
- impostos;
- lead time;
- qualidade;
- fornecedor;
- localização;
- estoque;
- consumo;
- rebate;
- prazo.
Externos
- índices de commodities;
- câmbio;
- energia;
- inflação;
- juros;
- frete;
- produção;
- estoque;
- clima;
- comércio;
- notícias estruturadas;
- dados geopolíticos.
A Pink Sheet do Banco Mundial é um exemplo de base pública mensal de preços de commodities. Para uso corporativo, deve ser combinada com índices específicos da categoria e dados contratuais.
Modelos possíveis
Baseline simples
Média móvel, último valor e sazonalidade servem como referência. Um modelo sofisticado só agrega valor se superar o baseline.
Séries temporais
Utilizam padrões históricos, tendência e sazonalidade.
Regressão
Relaciona preço a variáveis explicativas como câmbio, energia e estoque.
Árvores e ensembles
Capturam relações não lineares e interações.
Redes neurais
Podem modelar séries complexas, mas exigem dados, validação e explicação.
Modelos híbridos
Combinam séries temporais, fundamentos e julgamento especialista.
O "melhor" algoritmo depende do problema, horizonte, dados e custo do erro.
Previsão pontual versus intervalo
Dizer que o preço será R$ 100 transmite uma precisão que pode não existir.
Uma previsão mais útil pode ser:
- cenário central: R$ 100;
- intervalo: R$ 88 a R$ 116;
- probabilidade de ultrapassar R$ 110: 35%;
- principais fatores: câmbio e estoque;
- horizonte: oito semanas.
Quantificar incerteza ajuda procurement a escolher cobertura e contingência.
Horizonte muda a decisão
Curto prazo
Mais útil para compra spot, reposição e gatilhos.
Médio prazo
Apoia orçamento, negociação e contratos.
Longo prazo
Deve ser usado como cenário, não como promessa.
A precisão tende a cair à medida que o horizonte aumenta.
Como transformar previsão em estratégia
Compra escalonada
Divide volume em janelas, reduzindo risco de concentrar tudo no pior momento.
Indexação
Utiliza índice transparente e fórmula que reflita custo.
Faixas e gatilhos
Condições mudam quando preço ou câmbio ultrapassa limites.
Hedge
Instrumentos financeiros ou comerciais podem proteger exposição, com participação de finanças e especialistas.
Dual sourcing
Reduz dependência, mas exige qualificação e análise de custo total.
Estoque seletivo
Aumenta cobertura quando risco e economics justificam.
Should-cost
Relaciona preço do fornecedor a drivers para apoiar negociação.
A previsão deve alimentar opções, não uma única aposta.
Framework de decisão
| Pergunta | Evidência |
|---|---|
| Qual exposição? | Volume, moeda, índice, prazo |
| Qual horizonte? | Curto, médio ou longo |
| Qual erro tolerável? | Impacto financeiro e operacional |
| Quais opções? | Spot, fixo, indexado, escalonado |
| Qual incerteza? | Intervalo e cenários |
| Qual gatilho? | Limites de preço, câmbio ou estoque |
| Quem decide? | Procurement, finanças, operação |
| Como revisar? | Frequência e eventos |
Construção do modelo
1. Definir alvo
Preço, custo, variação ou probabilidade de alta?
2. Escolher granularidade
Diária, semanal ou mensal? Por região, qualidade ou fornecedor?
3. Preparar dados
Unidades, moedas, inflação, missing values e outliers.
4. Separar treino e teste
A validação deve respeitar a ordem temporal.
5. Criar baseline
Compare com método simples.
6. Medir
Erro médio, viés, cobertura do intervalo e impacto.
7. Testar cenários
Choques de câmbio, energia ou oferta.
8. Implantar monitoramento
Acompanhe drift, erro e mudança de regime.
Métricas
- MAE;
- MAPE, com cuidado em valores próximos de zero;
- RMSE;
- viés;
- acerto de direção;
- cobertura do intervalo;
- erro por horizonte;
- valor financeiro da decisão.
A métrica estatística precisa ser conectada ao negócio. Um erro pequeno pode ser irrelevante; outro pode alterar milhões.
Data leakage
Leakage ocorre quando o modelo usa informação que não estaria disponível no momento da previsão.
Exemplo: incluir preço final do fornecedor como variável para prever aquele mesmo preço.
Isso cria ótimo resultado em teste e péssima performance real.
Model drift
O mercado muda. Relações históricas deixam de funcionar.
Sinais:
- erro crescente;
- viés persistente;
- mudança de volatilidade;
- variável com comportamento novo;
- queda de cobertura;
- evento estrutural.
O sistema deve permitir recalibração, substituição ou suspensão.
Uso de notícias e IA generativa
IA pode resumir eventos e classificar temas, mas notícias possuem ruído, atraso, duplicidade e viés.
Boas práticas:
- utilizar fontes confiáveis;
- registrar data;
- separar fato de opinião;
- validar impacto;
- não deixar texto gerar ação automática;
- evitar uso indevido de conteúdo protegido;
- revisar manipulação e desinformação.
Caso prático: embalagem de alumínio
Uma empresa compra embalagem cujo custo depende de alumínio, câmbio, energia, conversão e frete.
O modelo:
- estima drivers;
- produz faixas;
- compara com preço ofertado;
- simula cenários;
- identifica parcela não explicada;
- sugere compra escalonada;
- cria gatilho;
- monitora erro.
O comprador utiliza a análise para negociar fórmula, não para acusar o fornecedor de margem excessiva.
Governança de IA
O NIST AI RMF recomenda abordar risco ao longo do ciclo de vida. Em forecasting, isso significa:
- dono do modelo;
- documentação;
- dados autorizados;
- teste;
- limite de uso;
- revisão humana;
- monitoramento;
- explicabilidade;
- resposta a falha;
- versionamento.
Uma previsão que influencia contrato relevante precisa de governança maior que um dashboard exploratório.
Como a CapturaMe se conecta a esse cenário
Modelos geram valor quando estão conectados a gasto, contrato, fornecedor e decisão. A CapturaMe pode integrar inteligência de preços ao processo de sourcing, oferecendo contexto para comparar propostas, avaliar indexadores e registrar justificativas.
A plataforma não deve apresentar forecast como certeza. Deve mostrar fonte, horizonte, faixa e hipótese.
Conclusão
Machine learning melhora a capacidade de procurement lidar com volatilidade, mas não elimina incerteza.
A organização madura combina modelo, especialista, cenários e opções contratuais. O objetivo não é acertar cada movimento; é reduzir o custo das decisões erradas e responder rápido quando o mercado muda.
Conheça as soluções da CapturaMe
Perguntas frequentes
Machine learning prevê preços com precisão?
Pode melhorar previsões, mas precisão varia por mercado, horizonte e regime. Nenhum modelo é infalível.
Qual é a diferença entre forecast e should-cost?
Forecast estima comportamento futuro. Should-cost estima custo econômico de um produto ou serviço.
Quanto histórico é necessário?
Depende da frequência, sazonalidade e modelo. Qualidade e representatividade importam mais que volume isolado.
Notícias devem entrar no modelo?
Podem apoiar sinalização, mas exigem curadoria, validação e tratamento de ruído.
Como medir valor?
Compare decisões, custo, erro, risco e resultado com uma baseline sem o modelo.
Quem deve aprovar o uso?
Procurement, analytics, negócio e governança de IA, conforme o risco.
