IA para previsão de demanda e estoque

Previsão de demanda é o caso de uso em que a inteligência artificial tem o retorno mais fácil de demonstrar, porque a empresa já erra a previsão hoje e já paga por isso em estoque parado, ruptura de prateleira e compra emergencial. Existe um número de antes, ele é ruim, e qualquer melhora aparece em dinheiro no mesmo trimestre.

Este texto descreve o que muda quando o modelo entra, quais dados ele exige de verdade, como medir o erro sem se enganar e em que situações a previsão estatística simples continua sendo a resposta certa. A tese é que o ganho quase nunca vem do algoritmo: vem de incluir na conta as variáveis que a planilha ignorava.

O que a IA muda, e o que ela não muda

A previsão tradicional olha o histórico do próprio item e projeta tendência e sazonalidade. Funciona bem para produto estável e de giro alto, e é por isso que sobrevive há décadas em planilha.

O que os modelos de aprendizado trazem é a capacidade de olhar muitas séries ao mesmo tempo e de incorporar variáveis externas ao item: preço praticado, promoção, clima, calendário, estoque do concorrente na praça, comportamento de itens parecidos. Para produto novo, sem histórico próprio, essa é a única saída, porque a previsão passa a vir do comportamento de itens similares.

O que não muda é mais importante: nenhum modelo prevê o que não tem sinal nos dados. Mudança de política comercial, entrada de concorrente e decisão de compra de um cliente grande continuam chegando como surpresa. Tratar o modelo como oráculo é a origem da frustração descrita em por que a IA falha nas empresas.

Os dados que a previsão exige

A lista é menor do que se imagina, e o obstáculo raramente é volume. É consistência.

• Histórico de vendas por item e por período, com dois a três anos para capturar sazonalidade. Um ano só permite tendência, não sazonalidade.
• Registro de ruptura. É o dado mais ausente e o mais importante: venda zero por falta de produto não é demanda zero, e um modelo treinado sem essa distinção aprende a prever menos exatamente nos itens que mais vendem.
• Preço e promoção por período, porque sem elas o modelo atribui à sazonalidade o efeito que foi de desconto.
• Calendário do negócio, com feriados, datas comerciais e paradas de fábrica.
• Cadastro consistente de item, que é onde a maioria dos projetos trava: o mesmo produto com três códigos parece três itens de giro baixo.

Os três últimos costumam existir, mas em lugares diferentes e sem chave que ligue um ao outro. O trabalho de consolidar antecede o modelo e está descrito em como preparar os dados da empresa antes de qualquer IA. Quando ele não existe de forma confiável, o problema antecede a previsão e é de governança de dados.

O horizonte define o método

Perguntar qual o melhor modelo sem definir o horizonte é a pergunta errada, porque cada prazo serve a uma decisão diferente e tolera um erro diferente.

De uma a quatro semanas, a previsão serve para reposição e escala de equipe. É o horizonte com mais sinal disponível e o mais fácil de acertar. É também onde o ganho financeiro se concentra na maioria das operações.

De um a seis meses, serve para compra e negociação com fornecedor. O erro aceitável é maior, e o que importa é a faixa, não o número exato.

Acima de um ano, a previsão vira planejamento e não deve ser tratada como previsão. Modelo com horizonte longo produz número preciso e falso, e é onde a confiança na ferramenta costuma ser destruída.

Da previsão à decisão de estoque

Previsão não é decisão, e confundir as duas é o erro mais caro desta frente. O que decide o estoque é a previsão combinada a três outros números: prazo de reposição do fornecedor, variabilidade desse prazo e nível de serviço escolhido para o item.

É por isso que previsão melhor nem sempre vira estoque menor. Se o prazo do fornecedor varia de 10 a 45 dias, a proteção precisa cobrir a variação do prazo, e ela domina o cálculo independentemente da qualidade do modelo. Nesses casos, negociar previsibilidade de entrega rende mais que qualquer ganho de acurácia.

O nível de serviço também precisa ser decisão explícita por classe de item, não um número único para o catálogo inteiro. Item de alto giro e margem alta merece proteção maior; cauda longa merece menos, e boa parte do estoque parado de uma operação típica está na cauda coberta como se fosse carro-chefe.

Como medir o erro sem se enganar

A acurácia média do catálogo é o indicador mais reportado e o menos útil, porque ela é dominada pelos itens de giro alto, que já eram fáceis de prever antes do modelo.

1. Meça por classe de item, separando carro-chefe, giro médio e cauda longa. O ganho do modelo quase sempre está nas duas últimas.
2. Compare com uma linha de base ingênua, como repetir o mês anterior ou o mesmo mês do ano passado. Modelo que não vence a previsão ingênua não deveria entrar em produção, e isso acontece com mais frequência do que se admite.
3. Separe erro para mais e erro para menos, porque o custo dos dois é diferente: sobra é capital parado, falta é venda perdida e cliente atendido pelo concorrente.
4. Meça no horizonte da decisão, e não no horizonte que favorece o número.

Vale fixar essas quatro regras antes de ver o primeiro resultado. Definir o critério depois é o que transforma avaliação em justificativa, padrão descrito em como medir produtividade depois de implantar IA.

Promoção, ruptura e os eventos que quebram o modelo

Três situações corrompem a previsão de forma silenciosa, e todas são de dado, não de algoritmo.

A ruptura ensina o modelo a errar para baixo, porque a venda que não aconteceu por falta de produto entra no histórico como demanda baixa. Sem marcar os períodos de ruptura, o item mais vendido da casa recebe previsão cada vez menor, e o erro se realimenta.

A promoção não registrada tem efeito oposto: o pico vira sazonalidade aprendida, e o modelo passa a esperar todo ano um volume que só existiu por causa de um desconto.

A transferência entre canais ou lojas aparece como venda em um lugar e desaparecimento em outro, inflando a demanda de uma unidade e deprimindo a da outra. Em rede com transferência frequente, corrigir isso costuma render mais que trocar de modelo.

Quando não vale usar IA aqui

Há três situações em que a resposta honesta é não, e reconhecê-las cedo preserva a credibilidade do próximo projeto.

• Catálogo pequeno e estável. Com poucas dezenas de itens de giro constante, média móvel com sazonalidade resolve, e a diferença não paga a manutenção do modelo.
• Demanda dirigida por contrato. Quando o volume vem de pedido firme de poucos clientes, o que existe é carteira, não previsão, e o esforço deve ir para o processo comercial.
• Histórico curto ou inconsistente. Sem dois anos de dado confiável e sem registro de ruptura, o modelo aprende o erro do passado. Arrumar o dado é a primeira entrega, e ela já melhora a previsão atual.

Nos três casos, o investimento correto costuma ser em visibilidade, não em predição, e o caminho é business intelligence para empresas.

Como implantar em 90 dias

O recorte que funciona é estreito: uma família de produtos, um horizonte, uma decisão. Nas primeiras quatro semanas, consolidar histórico, marcar rupturas e registrar promoções. Nas quatro seguintes, rodar o modelo em paralelo à previsão atual, sem substituir nada, comparando contra a linha de base ingênua por classe de item.

No último mês, a previsão passa a alimentar a decisão em uma família, com o time acompanhando e podendo sobrepor o número. A sobreposição precisa ser registrada, porque a frequência dela é o indicador mais honesto de confiança na ferramenta, e porque revisar as sobreposições costuma revelar a variável que falta no modelo.

O retorno entra na conta padrão de capital parado, ruptura evitada e compra emergencial, montada como descrito em como calcular o ROI de IA. Se o modelo construído para o próprio negócio resolver um problema que o setor inteiro tem, a pergunta seguinte deixa de ser de operação e passa a ser de portfólio, com os critérios de ferramenta interna com potencial de produto.

Por onde seguir

O panorama dos casos de uso e o critério para escolher o próximo estão em IA para empresas. A base conceitual de modelo preditivo, com os tipos e os limites de cada um, está em o que é análise preditiva, e a estrutura que sustenta previsão recorrente em produção está em data warehouse. Para a leitura dos números no dia a dia da operação, o caminho é dashboard de vendas, e quando a previsão precisar virar reposição automática, sem alguém digitando pedido, a frente passa a ser integração de sistemas.

Perguntas frequentes