Os 9 fatores que dimensionam um buffer DDMRP no Odoo

Não existe “tamanho médio de buffer”. O dimensionamento DDMRP é determinístico: dadas as entradas, sai um número. O que muitos times não percebem é quantas entradas existem. Este post lista os 9 fatores que entram no dimensionamento de um stock.buffer em Odoo (na stack DDMRP publicada pela ForgeFlow nos repositórios OCA — KMEE é parceira oficial brasileira para implementação).

Os 9 fatores em ordem de impacto

1. Item Type

Define a categoria base do item:

• Manufactured — fabricado internamente
• Purchased — comprado de fornecedor externo
• Distributed — abastecido por outro armazém da mesma empresa
• Intermediate — semi-acabado em níveis intermediários da BOM

O item type não muda diretamente o cálculo numérico das zonas, mas determina qual lógica de DLT usar (lead time de produção vs. compra vs. transferência) e qual rota de reposição disparar quando a NFP cai.

No Odoo: campo item_type em stock.buffer.profile.

2. Lead Time Category

Classificação categórica do lead time:

• Short — fator típico 0,2-0,3
• Medium — fator típico 0,4-0,5
• Long — fator típico 0,6-0,7

O fator multiplica DLT na fórmula da Red Base (Red Base = ADU × DLT × LT_factor) e na parte do lead time da Green Zone. Quanto maior o lead time, maior o fator, e proporcionalmente maior o pedaço de segurança.

Decisão de classificação: depende do contexto da indústria. Em distribuição alimentar, “long” pode ser 30 dias; em importação química, “long” pode ser 120 dias.

3. Variability Category

Classificação categórica da variabilidade:

• Low — fator típico 0,2-0,3
• Medium — fator típico 0,4-0,5
• High — fator típico 0,6-0,7

Multiplica a Red Base para gerar Red Safety (Red Safety = Red Base × Variability_factor). Itens com CV (coeficiente de variação) alto recebem variability category High e ganham zona vermelha maior.

Como medir: CV = desvio-padrão da demanda / média da demanda em janela móvel. Em Odoo, vale calcular fora e classificar; ou usar relatórios da stack.

4. ADU — Average Daily Usage

Já coberto em post anterior da série. É multiplicador de tudo:

• Red Base = ADU × DLT × LT_factor
• Yellow = ADU × DLT
• Green (parte) = ADU × DLT × LT_factor

ADU é a entrada que mais oscila ao longo do tempo. As outras tendem a ser estáveis ou semestrais.

5. DLT — Decoupled Lead Time

Lead time de reposição efetivo. Calculado pela stack a partir da BOM e dos componentes bufferizados upstream.

• Red Base ∝ DLT
• Yellow ∝ DLT
• Green (parte LT) ∝ DLT

Reduzir DLT é uma das alavancas mais poderosas do DDMRP — não depende de software, depende de negociar lead time com fornecedor ou bufferizar componentes upstream (criando ponto de desacoplamento).

6. MOQ — Minimum Order Quantity

Lote mínimo de fornecimento. Pode vir do fornecedor (compra), do setup de produção (manufatura) ou de embalagem (caixa fechada).

A Green Zone é o maior entre três candidatos:

• ADU × DLT × LT_factor
• MOQ
• ADU × order cycle

Se MOQ é grande, ele “sobe” a Green Zone (e portanto o ToG). Resultado prático: pedidos menos frequentes, em lotes maiores.

No Odoo: qty_multiple e lead_days no product.template ou no próprio stock.buffer.

7. Order Cycle desejado

Frequência alvo de pedidos. Útil quando o negócio quer agrupar pedidos do mesmo fornecedor (frete, desconto por volume).

Order cycle expressa-se em dias (ex.: “quero pedir desse fornecedor a cada 14 dias”). A Green Zone vira ADU × order_cycle se esse valor for maior que MOQ e maior que o componente de LT.

8. Order Spike Horizon e Threshold

Não dimensionam zonas, mas afetam qualified demand (e portanto NFP). Coberto em detalhe no post sobre order spike.

• Spike Horizon: janela de dias à frente em que se procuram picos
• Spike Threshold: patamar (em % da Red Zone, ou unidades absolutas) acima do qual a demanda é considerada spike

Ambos são parâmetros do stock.buffer em Odoo.

9. DAF e ZAF

Multiplicadores temporais para eventos planejados:

• DAF (Demand Adjustment Factor): multiplica ADU em janela de datas. Bom para sazonalidade e promoções planejadas.
• ZAF (Zone Adjustment Factor): multiplica diretamente o tamanho de zonas em janela de datas. Bom para eventos pontuais que mudam dinâmica de fluxo (parada programada, promoção curta).

DAF afeta zonas indiretamente (via ADU); ZAF afeta zonas diretamente. Saber qual usar é parte da arte de calibrar o sistema.

Os 9 fatores em ordem de impacto

#	Fator	Onde aparece
1	Item Type	Roteamento de reposição
2	LT Category	Red Base, Green
3	Variability Category	Red Safety
4	ADU	Multiplica tudo
5	DLT	Multiplica Red, Yellow, Green
6	MOQ	Piso da Green
7	Order Cycle	Eleva Green se relevante
8	Spike Horizon/Threshold	Qualified demand
9	DAF / ZAF	Ajustes temporais

Como esses fatores se compõem (exemplo)

Item Z, Manufactured, com:

• ADU = 50 un/dia
• DLT = 20 dias
• LT Category = Medium (fator 0,5)
• Variability Category = High (fator 0,7)
• MOQ = 100
• Order cycle = 0 (sem agrupamento)

Cálculos:

• Red Base = 50 × 20 × 0,5 = 500
• Red Safety = 500 × 0,7 = 350
• Red Zone = 850
• Yellow Zone = 50 × 20 = 1.000 → ToY = 1.850
• Green Zone = max(500; 100; 0) = 500 → ToG = 2.350

Mude Variability para Low (0,3) e a Red Zone cai para 500 + 150 = 650. Resultado: ToG = 2.150 (menos 200 unidades de cobertura). Em projeto, calibragem de variabilidade tem impacto direto em capital de giro.

Onde calibrar primeiro

Em implementação nova, a ordem que recomendamos:

1. Definir Item Type corretamente (raramente muda depois)
2. Calibrar DLT (negociar com fornecedor / mapear BOM)
3. Escolher método de ADU e horizonte
4. Classificar LT e Variability com base em dados, não em achismo
5. Setar MOQ real (não o “negociado para tabela”, mas o efetivo)
6. Configurar Spike (horizon e threshold) só depois que NFP estiver estável
7. DAF/ZAF só para eventos efetivamente conhecidos

Próximos posts

Vimos os fatores que dimensionam. Os próximos aprofundam NFP e Order Spike:

• Net Flow Position no Odoo: a fórmula
• Order Spike: detecção de picos

Em produção (FFA, Odoo 18), o ajuste de profile foi feito em três ondas: primeiro para SKUs A (Pareto de receita), depois para SKUs B com volatilidade alta, por último para a cauda. Fale com a KMEE se quiser entender o método de implementação.