# IA para previsão de demanda e estoque > Venda zero por falta de produto não é demanda zero. Sem registro de ruptura, o modelo aprende a prever menos justo nos itens que mais vendem. **URL:** https://northern.com.br/ia-para-previsao-de-demanda/ **Data:** 2026-09-16 --- **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. **Neste guia** - [O que a IA muda, e o que ela não muda](#o-que-muda) - [Os dados que a previsão exige](#dados) - [O horizonte define o método](#horizonte) - [Da previsão à decisão de estoque](#estoque) - [Como medir o erro sem se enganar](#erro) - [Promoção, ruptura e os eventos que quebram o modelo](#eventos) - [Quando não vale usar IA aqui](#quando-nao) - [Como implantar em 90 dias](#implantar) - [Por onde seguir](#interno) ## 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](/por-que-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](/preparar-dados-para-ia/). Quando ele não existe de forma confiável, o problema antecede a previsão e é de [governança de dados](/governanca-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. - **Meça por classe de item,** separando carro-chefe, giro médio e cauda longa. O ganho do modelo quase sempre está nas duas últimas. - **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. - **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. - **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](/medir-produtividade-com-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](/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](/como-calcular-roi-de-ia-guia-cfos-ceos/). 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](/criterios-ferramenta-interna-potencial-produto/). ## Por onde seguir O panorama dos casos de uso e o critério para escolher o próximo estão em [IA para empresas](/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](/o-que-e-analise-preditiva/), e a estrutura que sustenta previsão recorrente em produção está em [data warehouse](/data-warehouse/). Para a leitura dos números no dia a dia da operação, o caminho é [dashboard de vendas](/dashboard-de-vendas/), e quando a previsão precisar virar reposição automática, sem alguém digitando pedido, a frente passa a ser [integração de sistemas](/integracao-de-sistemas/). ## Perguntas frequentes ### O que a IA muda na previsão de demanda? A previsão tradicional olha o histórico do próprio item e projeta tendência e sazonalidade. Os modelos de aprendizado olham muitas séries ao mesmo tempo e incorporam variáveis externas ao item: preço, promoção, clima, calendário e comportamento de itens parecidos. Para produto novo, sem histórico próprio, essa é a única saída, porque a previsão passa a vir de itens similares. ### Quais dados são necessários para prever demanda com IA? Histórico de vendas por item com dois a três anos para capturar sazonalidade, registro de ruptura, preço e promoção por período, calendário do negócio com feriados e paradas, e cadastro consistente de item. O obstáculo raramente é volume de dado: é consistência. O mesmo produto com três códigos parece três itens de giro baixo. ### Por que o registro de ruptura é tão importante? Porque venda zero por falta de produto não é demanda zero. Sem marcar os períodos de ruptura, o histórico registra demanda baixa onde houve falta de estoque, e o modelo aprende a prever cada vez menos justamente para os itens que mais vendem. O erro se realimenta, e é o problema mais comum e mais silencioso desta frente. ### Qual o horizonte certo para a previsão? Depende da decisão que ela alimenta. De uma a quatro semanas serve para reposição e escala de equipe, tem mais sinal disponível e concentra o ganho financeiro. De um a seis meses serve para compra e negociação com fornecedor, e o que importa é a faixa, não o número exato. Acima de um ano vira planejamento e não deve ser tratada como previsão. ### Previsão melhor significa estoque menor? Nem sempre. O que decide o estoque é a previsão combinada ao prazo de reposição do fornecedor, à variabilidade desse prazo e ao nível de serviço do item. Se o prazo varia de 10 a 45 dias, a proteção precisa cobrir essa variação e ela domina o cálculo, independentemente da qualidade do modelo. Nesses casos, negociar previsibilidade de entrega rende mais que acurácia. ### Como medir a acurácia de um modelo de previsão? Por classe de item, e não pela média do catálogo, que é dominada pelos itens de giro alto que já eram fáceis de prever. Compare sempre com uma linha de base ingênua, como repetir o mês anterior: modelo que não vence a previsão ingênua não deveria entrar em produção. Separe também erro para mais de erro para menos, porque sobra é capital parado e falta é venda perdida. ### O que mais corrompe uma previsão de demanda? Três situações, todas de dado e não de algoritmo: a ruptura, que ensina o modelo a errar para baixo; a promoção não registrada, cujo pico vira sazonalidade aprendida e faz o modelo esperar todo ano um volume que só existiu por causa de desconto; e a transferência entre lojas ou canais, que infla a demanda de uma unidade e deprime a da outra. ### Quando não vale usar IA para prever demanda? Em catálogo pequeno e estável, onde média móvel com sazonalidade resolve e a diferença não paga a manutenção do modelo. Em demanda dirigida por contrato, onde existe carteira e não previsão. E com histórico curto ou inconsistente, sem dois anos de dado confiável e sem registro de ruptura. Nos três casos, o investimento correto costuma ser em visibilidade, não em predição. ### Como implantar previsão de demanda em 90 dias? Com recorte estreito: uma família de produtos, um horizonte, uma decisão. Nas primeiras quatro semanas, consolidar histórico, marcar rupturas e registrar promoções. Nas quatro seguintes, rodar em paralelo à previsão atual sem substituir nada. No último mês, alimentar a decisão em uma família, com o time podendo sobrepor o número e a sobreposição sendo registrada. ### Por que registrar quando o time sobrepõe a previsão do modelo? Porque a frequência da sobreposição é o indicador mais honesto de confiança na ferramenta, e porque revisar os casos costuma revelar a variável que falta no modelo. Sobreposição alta e não registrada é o caminho conhecido para a previsão virar número decorativo, com a decisão real continuando na planilha de sempre.