Previsão de demanda com IA: como testar em piloto antes de investir

Previsão de demanda com IA é o uso de modelos de aprendizado de máquina para estimar vendas futuras combinando o histórico com variáveis como preço, promoções, calendário e comportamento de clientes. Bem aplicada, ela pode reduzir o erro em parte do portfólio, e o ganho aparece em dinheiro: menos estoque de segurança para o mesmo nível de serviço, menos capital parado e menos vendas perdidas por falta de produto.

Se a sua equipe ainda prevê em planilha, briga com o comercial pelo número e ouve promessas de ferramentas que "acertam tudo", a dúvida é natural: vale a pena, e por onde começar? A resposta curta é que a IA não faz milagre com dados ruins e não substitui o julgamento comercial, mas pode ser testada com risco baixo. A seguir: o que muda em relação aos métodos tradicionais, quais dados você precisa, como os modelos funcionam em termos simples, onde geram mais valor, quais as limitações e como começar com um piloto.

Métodos tradicionais e IA: o que muda na prática

Os métodos tradicionais, como média móvel, suavização exponencial e Holt-Winters (que captura tendência e sazonalidade), olham para o histórico de cada item isoladamente. Eles funcionam bem para itens estáveis, são rápidos e fáceis de explicar.

Os modelos de IA aprendem com muitos itens ao mesmo tempo e com variáveis externas ao histórico. Assim, capturam efeitos combinados, como uma promoção que coincide com um feriado, e aproveitam o padrão de itens parecidos quando um produto tem pouco histórico.

A escolha não é excludente. Em muitos portfólios, a combinação dos dois funciona melhor: métodos simples para itens estáveis, modelos de IA onde há muitas influências e volume relevante.

Os sete tipos de dados de que você vai precisar

Em indústrias e distribuidores de médio porte, é comum que a preparação dos dados consuma mais tempo do que a modelagem. Os itens básicos são:

• Histórico de vendas ou pedidos no nível em que a decisão é tomada, por exemplo item, centro de distribuição e semana. Para capturar sazonalidade, o ideal é ter pelo menos dois anos.
• Rupturas. Venda zero porque faltou produto não é demanda zero. Sem registrar dias sem estoque e pedidos não atendidos, o modelo aprende a vender pouco.
• Preços e descontos praticados, promoções e campanhas, com datas e mecânica.
• Calendário: feriados, dias úteis, datas comerciais e eventos do setor.
• Cadastro e hierarquia: família, categoria, substituições entre itens, lançamentos e descontinuações.
• Variáveis externas, quando fazem sentido para o negócio, como clima, safra ou indicadores setoriais. Só use variáveis que estarão disponíveis no momento de prever, senão o modelo parece ótimo no teste e falha na prática.
• Informação de clientes, como carteira de pedidos e previsões compartilhadas por grandes contas.

Um diagnóstico de dados antes de qualquer modelo evita frustração. Ele mostra quantos itens têm histórico suficiente, onde há buracos, quais cadastros estão duplicados e se as rupturas foram registradas.

Como funcionam os modelos de IA, em termos simples

Séries temporais: a base e a linha de comparação

Os modelos estatísticos de séries temporais são a base e continuam úteis. Também servem de régua: se um modelo sofisticado não supera um método simples, ele não se justifica.

Árvores de decisão: um bom ponto de partida

Técnicas como gradient boosting combinam centenas de árvores de perguntas simples: é semana de feriado, há promoção, o preço caiu, o item é novo. Cada árvore corrige um pouco o erro das anteriores. Ferramentas conhecidas, como LightGBM e XGBoost, costumam ser um bom ponto de partida para dados de vendas com muitas variáveis.

Redes neurais e modelos pré-treinados

Redes neurais e modelos pré-treinados em grandes volumes de séries temporais podem capturar padrões complexos. Em troca, exigem mais dados, mais validação e mais cuidado para explicar os resultados ao time de planejamento.

Previsão em faixas, e não em um número

Um ganho importante da IA é a previsão probabilística. Em vez de dizer que o item vai vender 1.000 unidades, o modelo indica uma faixa. Exemplo ilustrativo: há alta probabilidade de a venda ficar entre 900 e 1.200 unidades.

Essa faixa permite dimensionar a proteção de cada item conforme o nível de serviço desejado, como mostramos no artigo sobre como calcular o estoque de segurança. É aqui que a melhoria da previsão começa a virar caixa.

Sensoriamento de demanda no curto prazo

Para as próximas semanas, alguns modelos usam sinais recentes, como pedidos em carteira, vendas dos últimos dias ou dados de sell-out de clientes, para ajustar a previsão. Essa técnica, chamada de sensoriamento de demanda, ajuda a reagir mais cedo a mudanças bruscas.

Onde a IA gera mais valor no portfólio

Nem todo item precisa do mesmo tratamento. Uma segmentação simples ajuda a decidir onde investir esforço:

• Itens de alto valor com muitas influências (preço, promoção, sazonalidade, canal): são os melhores candidatos para modelos de IA.
• Itens de alto valor e demanda estável: métodos simples já performam bem; a IA pode trazer ganho marginal.
• Itens de cauda longa e demanda intermitente, com muitos períodos de venda zero: o erro percentual será sempre alto. Métodos específicos, como o de Croston, ou políticas de reposição sob encomenda costumam ser mais úteis do que modelos sofisticados.
• Lançamentos: a IA ajuda ao aprender com produtos análogos, mas o julgamento comercial continua essencial.

Essa segmentação também orienta a política de estoques. Itens de cauda longa mal previstos e com reposição automática são uma das origens de excesso, tema do artigo sobre como reduzir estoque parado.

Sete limitações que você precisa conhecer

• Dados ruins geram previsões ruins, por mais sofisticado que seja o modelo.
• Mudanças estruturais, como a entrada de um concorrente ou a perda de um grande cliente, não estão no histórico.
• Lançamentos sem histórico dependem de produtos análogos e de julgamento.
• Demanda intermitente sempre terá erro percentual alto.
• Caixa-preta: se o time de planejamento não entende a previsão, ele a ignora. Use ferramentas que mostram o peso de cada variável.
• Sobreajuste: o modelo pode acertar o passado e errar o futuro. Por isso, todo teste deve simular previsões feitas sem conhecer o resultado.
• Desgaste com o tempo: o mercado muda, e o modelo precisa de monitoramento e retreino periódico.

A IA entrega uma linha de base melhor. O comercial continua responsável por acrescentar o que o modelo não sabe, com premissas registradas e medidas.

Como começar: um piloto em seis passos

1. Escolha um piloto com valor relevante e dados razoáveis, como uma família de produtos ou uma unidade de negócio.
2. Defina a linha de base e as métricas. Compare sempre com uma previsão ingênua, como repetir o mesmo mês do ano anterior, e com o método atual.
3. Organize os dados, tratando rupturas, promoções e mudanças de cadastro.
4. Faça testes retroativos, simulando meses passados como se a previsão tivesse sido feita naquela época, no horizonte do prazo de reposição.
5. Rode em paralelo por alguns ciclos, dentro do processo de S&OP, antes de substituir o método atual.
6. Conecte a previsão às decisões, recalculando estoque de segurança e parâmetros de compra. É nesse passo que o ganho aparece no caixa e no nível de serviço.

Como ler o resultado do piloto e traduzi-lo em caixa

Exemplo ilustrativo: um piloto com uma família de 200 itens compara três previsões em testes retroativos de 12 meses, no horizonte de dois meses usado nas compras. A previsão ingênua tem WMAPE de 35%, o método atual chega a 30% e o modelo de IA, a 24%.

Rodando em paralelo por três ciclos reais, o modelo fica em 26%, um pouco pior que no teste, o que é normal. O ganho se confirma, mas menor do que o teste sugeria, e é esse número que deve orientar a decisão de escalar.

O passo seguinte é traduzir o ganho em estoque. Mantido o nível de serviço, o estoque de segurança calculado pela fórmula estatística é proporcional ao desvio padrão do erro da previsão. Se esse desvio cai 15%, a proteção necessária cai na mesma proporção. Somado item a item, esse efeito mostra quanto capital de giro a melhoria libera, a forma mais concreta de avaliar o retorno do projeto.

Para medir o resultado, as métricas mais usadas são o WMAPE, que pondera o erro pelo volume, e o viés, que mostra se a previsão erra sistematicamente para um lado. A forma correta de calcular cada uma, e as armadilhas mais comuns, estão no artigo sobre acurácia da previsão de demanda.

Comprar software ou desenvolver modelos internos

Nos dois casos, defina a governança do modelo antes de colocá-lo em produção. Os quatro elementos mínimos são:

• Dono interno, responsável por acompanhar o desempenho e acionar correções.
• Monitoramento mensal de erro e viés por segmento, comparado com a linha de base.
• Regra de retreino, periódica ou disparada quando o erro piora além de um limite.
• Registro de mudanças de variáveis, parâmetros e versões, para que qualquer piora possa ser investigada.

Um modelo sem dono perde precisão em silêncio. Quando isso acontece, o time volta a usar planilhas paralelas sem que ninguém perceba.

Como a Reinaux & Partners pode ajudar

Estruturamos com o seu time a previsão de demanda com IA: diagnóstico dos dados, escolha do piloto, definição e teste dos modelos junto com vocês e, principalmente, integração ao S&OP e à política de estoques. O objetivo é que o planejamento entenda, confie e mantenha a previsão depois do projeto.

Veja como funciona o projeto de S&OP e estoques. Se quiser saber se a sua base de dados já permite começar, agende uma conversa com um sócio, confidencial e sem compromisso.

Perguntas frequentes