- A canibalização ocorre quando um novo SKU absorve a procura de produtos existentes no mesmo grupo, tornando as previsões independentes ao nível do artigo pouco fiáveis.
- Incorporar a canibalização nas previsões requer três preditores — preço médio do grupo, número de artigos e coeficiente de preço do grupo — todos eles devendo ser eles próprios altamente previsíveis.
- O método do Elemento-Chave (EC) oferece uma solução estrutural ao consolidar artigos intercambiáveis numa única unidade de previsão e redistribuindo a procura proporcionalmente.
- Valide sempre a precisão das previsões antes de implementar ajustes de canibalização em produção; em muitos casos, omiti-los produz resultados mais estáveis.
O Que É a Canibalização?
Canibalização é a redução da procura de um produto existente causada pela introdução de um produto concorrente no mesmo sortido. O conceito teve origem na década de 1970 e continua a ser um dos fenómenos analiticamente mais desafiantes no planeamento de procura no retalho.
Ocorre quando um novo artigo é suficientemente próximo em atributos — posicionamento de marca, nível de preço ou caso de uso do consumidor — para servir como substituto direto dos SKUs existentes.
Um retalhista introduz um novo SKU de ovos a um preço inferior a todos os produtos de ovos existentes. Em poucas semanas, as vendas dos artigos de preço mais elevado diminuem acentuadamente — não porque a procura de ovos tenha mudado, mas porque os clientes migraram para a alternativa mais barata. O novo SKU canibalizou o sortido existente.
A canibalização é mais pronunciada quando o novo produto partilha o mesmo público-alvo e satisfaz a mesma ocasião de compra que os artigos já presentes na prateleira.
Por Que a Canibalização É Difícil de Prever
O efeito de canibalização é inerentemente difícil de modelar porque depende de três preditores, cada um dos quais deve ser previsto com elevada precisão:
- Preço médio do grupo de produtos — o preço médio de todos os artigos ativos na categoria
- Número de artigos no grupo — a contagem de SKUs ativos que competem pelo mesmo conjunto de procura
- Coeficiente de preço do grupo — o rácio entre o preço de um artigo individual e a média do grupo
Se qualquer um destes dados for incerto, o ajuste de canibalização pode introduzir mais erro do que aquele que corrige.
Cada fator adicional incorporado numa previsão aumenta a sua sensibilidade a erros de estimativa nesse fator. Mesmo quando a modelação da canibalização melhora a precisão média, existem cenários em que omiti-la produz uma previsão menos precisa mas mais robusta — em que o stock de segurança integrado compensa o sinal ausente e reduz o risco de rutura de stock.
Esta é uma troca crítica que os planeadores de procura devem avaliar categoria a categoria.
Quando Usar a Previsão de Canibalização
Nem todos os grupos de produtos justificam modelação de canibalização. A decisão depende da previsibilidade dos fatores subjacentes e da estrutura do sortido.
| Usar previsão de canibalização | Dispensar previsão de canibalização | |
|---|---|---|
| Estrutura do grupo de produtos | Altamente homogénea — os artigos são claramente intercambiáveis | Heterogénea — os artigos servem subsegmentos ou ocasiões distintos |
| Sinal histórico | O efeito de canibalização é visível e mensurável nos dados de vendas passados | Nenhum padrão de substituição claro nos dados históricos |
| Gestão do sortido | O retalhista usa matrizes de sortido formais com ciclos de listagem/deslisting previsíveis | As alterações de sortido são ad hoc ou imprevisíveis |
| Qualidade dos preditores | O preço médio do grupo e o número de artigos podem ser previstos de forma fiável | Os preditores-chave são voláteis ou pouco fiáveis |
| Impacto na precisão | A modelação produz uma melhoria mensurável na precisão das previsões | O ajuste adiciona ruído sem melhorar a precisão |
A canibalização nunca pode ser totalmente contabilizada. A sua inclusão na previsão só se justifica quando entrega uma melhoria visível e mensurável na precisão. Uma modelação parcial que introduz instabilidade é pior do que nenhuma modelação.
Preditores de Canibalização nas Previsões
Os três preditores usados para quantificar a canibalização na previsão de procura são:
-
Preço médio do grupo — captura o posicionamento de preço global da categoria. Variações no preço médio sinalizam alterações no panorama competitivo dentro do grupo.
-
Número de artigos no grupo — reflete a amplitude do sortido. Um aumento no número de artigos tipicamente dilui a procura por SKU; uma diminuição concentra-a.
-
Coeficiente de preço do grupo — mede como o preço de um artigo individual se compara à média do grupo. Um coeficiente abaixo de 1,0 indica uma vantagem de preço; acima de 1,0, uma desvantagem de preço relativamente aos concorrentes.
A canibalização também é incorporada na otimização de preços através da elasticidade cruzada de preços. No módulo de otimização de preços, as relações entre pares de produtos específicos podem ser examinadas diretamente, permitindo decisões de preço mais granulares.
Elementos-Chave: Uma Abordagem Estrutural
Para além dos ajustes baseados em preditores, existe um método mais direto para lidar com a canibalização: consolidar artigos intercambiáveis com preços semelhantes sob um único Elemento-Chave (EC). Esta abordagem estrutural trata produtos substituíveis como uma única unidade de previsão, eliminando a necessidade de prever as dinâmicas de canibalização entre eles.
1. O sistema consolida dados de vendas e stock de todos os artigos pertencentes ao Elemento-Chave.
2. Uma única previsão é construída para o Elemento-Chave como um todo.
3. Para cada semana em que um determinado artigo do EC estava incluído na matriz de sortido — ou foi removido antes da semana de previsão de esgotamento de stock — o sistema constrói uma previsão independente ao nível do artigo.
4. As previsões individuais dos artigos são escaladas de modo a que a sua soma seja igual à previsão total do EC. A procura é redistribuída proporcionalmente por cada artigo do grupo.
5. As semanas em que um preditor de ajuste diário estava ativo são excluídas desta redistribuição.
Efeito prático: Se três artigos pertencentes ao mesmo Elemento-Chave estiverem todos ativos no sortido e um for subsequentemente removido, as previsões para os dois artigos restantes aumentam automaticamente. O sistema redistribui a procura esperada pelos SKUs remanescentes sem intervenção manual.
Isto torna o método EC particularmente eficaz para categorias com rotação frequente de sortido, onde os artigos entram e saem regularmente do planograma.
Agrupar artigos sob um Elemento-Chave não substitui a recomendação de atribuir um artigo análogo para novos SKUs. Se um novo artigo do EC não tiver um análogo atribuído, a sua previsão será calculada usando a média do grupo com um ajuste de preço — um recurso menos preciso que deve ser evitado quando estão disponíveis dados de referência melhores.
Teste sempre a qualidade das previsões para artigos combinados sob um único Elemento-Chave antes de confiar no agrupamento em produção. Mesmo artigos que parecem semelhantes em preço e propósito para o consumidor podem ter públicos-alvo distintos e apenas se canibalizam parcialmente. Nestes casos, o agrupamento EC pode degradar em vez de melhorar a precisão das previsões.
Recomendação Estratégica
A modelação da canibalização é uma ferramenta poderosa mas de duplo fio. Quando aplicada às categorias certas — aquelas com produtos homogéneos e substituíveis e dinâmicas de sortido previsíveis — pode melhorar materialmente a precisão das previsões e reduzir o risco de excesso de stock e de rutura de stock.
No entanto, a postura padrão deve ser conservadora. Comece por identificar grupos de produtos onde a canibalização é claramente visível nos dados históricos. Aplique a abordagem baseada em preditores ou o agrupamento de Elementos-Chave a essas categorias primeiro, e valide rigorosamente as melhorias de precisão antes de escalar.
Para categorias onde o sinal é ambíguo ou os preditores são pouco fiáveis, o caminho mais seguro é confiar numa previsão de base com buffers de stock de segurança adequados. Um modelo mais simples que tem um desempenho consistente superará sempre um modelo sofisticado que introduz variância imprevisível.
O princípio orientador: adicione complexidade apenas quando demonstravelmente reduz o erro de previsão — nunca por razões de completude teórica.