Levi Strauss & Co.Levi's · Estados Unidos / Global · 2024

Levi's — Financial Forecasting

Harvard Business School documenta a jornada da Levi Strauss com Wipro para incorporar machine learning e IA ao processo de forecast financeiro de receitas e earnings.

ProduçãoEvidência A · Forte

Escala: Financial planning corporativoInício: 2017

RELATO DO CASE

O que a empresa fez

O problema original: Forecast financeiro bottom-up era intensivo em esforço humano e a liderança buscava maior eficiência e acurácia.
Como era antes: Forecasts financeiros eram produzidos principalmente por processos humanos tradicionais, com desafios de velocidade e consistência.

O objetivo: Aumentar eficiência e acurácia da previsão de revenues e earnings sem perder julgamento/contexto dos gestores.
A solução de IA: Algoritmo de machine learning desenvolvido em parceria com Wipro para data-driven financial forecasting.

Como funciona

Modelos usam dados históricos e variáveis relevantes para produzir baseline de previsão; finance teams interpretam e conciliam resultados com contexto de negócio.

Dados financeiros/operacionais → ML forecast → comparação com human forecast → interpretação/ajuste → planejamento.

Dados utilizados

Receitas históricas; earnings; variáveis operacionais e econômicas utilizadas no modelo.

Decisão apoiada

Qual é a projeção mais provável de receita e resultado e como ela se compara à previsão humana?

Ação gerada

Atualizar forecast, testar premissas e usar divergência humano-modelo como insumo de gestão.

O que continua sob decisão humana

Financeiros interpretam o modelo e continuam responsáveis pela previsão oficial.

O que fica com a IA: Algoritmo de machine learning desenvolvido em parceria com Wipro para data-driven financial forecasting.
Quem utiliza: Finance; FP&A; CFO organization.
Integração ao processo: Machine learning incorporado ao processo de financial forecasting.
Limitações: Case HBS é pago e o resumo público não detalha métricas comparativas.
Riscos reportados no case: Modelos podem falhar em choques estruturais e precisam de interpretabilidade e override controlado.

EVIDÊNCIAS DO CASE

Resultados publicados

Resultado qualitativo

A fonte descreve implantação e benefícios

Não há métrica quantitativa medida cadastrada para apresentar como resultado.

Resultado / benefício: O resumo público do case HBS informa que o algoritmo produziu forecasts mais precisos, mas não publica a magnitude do ganho.
Benefícios: Mais acurácia; eficiência; benchmark objetivo para julgamento humano.

Evidência A

HBS case documenta adoção real e maior acurácia; Wipro fornece contexto adicional de AI/predictive analytics na função financeira.

O nível representa a força da evidência disponível na biblioteca, não uma avaliação da empresa.

Problemas AMEM relacionados

Capacidades de IA utilizadas

Forecasting e Séries Temporais

Papel: Prever
Aplicação: No case Levi's — Financial Forecasting, “Forecasting e Séries Temporais” contribui para Modelos usam dados históricos e variáveis relevantes para produzir baseline de previsão; finance teams interpretam e conciliam resultados com contexto de negócio. e apoia: Qual é a projeção mais provável de receita e resultado e como ela se compara à previsão humana?
Tecnologia: Algoritmo de machine learning desenvolvido em parceria com Wipro para data-driven financial forecasting.
Fornecedor: Wipro / Machine Learning

Importância5 / 5

Scoring Preditivo de Potencial, Propensão e Risco

Papel: Gerar score
Aplicação: No case Levi's — Financial Forecasting, “Scoring Preditivo de Potencial, Propensão e Risco” contribui para Modelos usam dados históricos e variáveis relevantes para produzir baseline de previsão; finance teams interpretam e conciliam resultados com contexto de negócio. e apoia: Qual é a projeção mais provável de receita e resultado e como ela se compara à previsão humana?
Tecnologia: Algoritmo de machine learning desenvolvido em parceria com Wipro para data-driven financial forecasting.
Fornecedor: Wipro / Machine Learning

Importância4 / 5

Simulação e Análise de Cenários

Papel: Simular cenários
Aplicação: No case Levi's — Financial Forecasting, “Simulação e Análise de Cenários” contribui para Modelos usam dados históricos e variáveis relevantes para produzir baseline de previsão; finance teams interpretam e conciliam resultados com contexto de negócio. e apoia: Qual é a projeção mais provável de receita e resultado e como ela se compara à previsão humana?
Tecnologia: Algoritmo de machine learning desenvolvido em parceria com Wipro para data-driven financial forecasting.
Fornecedor: Wipro / Machine Learning

Importância4 / 5

Analytics Conversacional e NLQ

Papel: Analisar dados
Aplicação: No case Levi's — Financial Forecasting, “Analytics Conversacional e NLQ” contribui para Modelos usam dados históricos e variáveis relevantes para produzir baseline de previsão; finance teams interpretam e conciliam resultados com contexto de negócio. e apoia: Qual é a projeção mais provável de receita e resultado e como ela se compara à previsão humana?
Tecnologia: Algoritmo de machine learning desenvolvido em parceria com Wipro para data-driven financial forecasting.
Fornecedor: Wipro / Machine Learning

Importância3 / 5

INTERPRETAÇÃO EDITORIAL · AMEM / RECTRIX

Como este case pode inspirar sua empresa?

Avaliação editorial para apoio à análise durante o Workshop AMEM.

Aprendizado executivo: Forecast financeiro com IA funciona melhor como baseline quantitativo em diálogo com conhecimento local, não como substituição cega.
Aplicação AMEM: Criar forecast de caixa/margem/receita que combine drivers operacionais, vendas, estoque e cenários.
MVP sugerido: Rodar modelo paralelo ao forecast atual por 3 ciclos e comparar erro, viés e tempo de preparação.
Dados mínimos do MVP: Receita; margem; pedidos; estoque; compras; calendário; drivers macro/operacionais.

Impacto AMEM5 / 5Replicabilidade4 / 5Complexidade4 / 5Score AMEM4,05 / 5

Sugestões para experimentação no contexto AMEM. Não são resultados publicados nem garantias de desempenho.

RASTREABILIDADE

Fontes e evidências

Fonte principalPaper

Data-Driven Denim: Financial Forecasting at Levi Strauss

Harvard Business School · 02/01/2024

O que a fonte sustenta: A fonte sustenta o case “Levi's — Financial Forecasting” e, conforme aplicável, o resultado: O resumo público do case HBS informa que o algoritmo produziu forecasts mais precisos, mas não publica a magnitude do ganho.
Tipo de evidência: Funcionamento
Localizador · trecho: HBS public description of ML financial forecasting
Confiança no claim: Alta

Case HBS pago; resumo público não informa magnitude do ganho de acurácia.

Abrir fonte

Fonte secundáriaCase de fornecedor

AI-Driven GBS: Transform to Agile Decision-Making — Levi Strauss & Co.

Wipro / Levi Strauss & Co. · 2025

O que a fonte sustenta: A fonte sustenta o case “Levi's — Financial Forecasting” e, conforme aplicável, o resultado: O resumo público do case HBS informa que o algoritmo produziu forecasts mais precisos, mas não publica a magnitude do ganho.
Tipo de evidência: Tecnologia
Localizador · trecho: Wipro GBS material: predictive analytics and financial planning context
Confiança no claim: Média

As métricas financeiras do PDF referem-se ao programa GBS/automação e não devem ser atribuídas diretamente ao algoritmo de forecasting do case HBS.