Em setembro de 2025, consegui errar nas duas direções ao mesmo tempo. Um organizador ficou sem estoque por 11 dias logo antes da Black Friday, enquanto os anúncios continuavam rodando e convertendo. Um gancho que eu havia estocado para 90 dias vendeu menos de um terço em três meses, e o resto continua no armazém da FBA acumulando taxas de armazenamento. O mesmo sistema de previsão de demanda, o mesmo histórico, uma ruptura de estoque e uma pilha de estoque parado. Meu primeiro instinto foi culpar o modelo e comprar uma ferramenta de previsão com IA mais sofisticada. Duas semanas mergulhando no meu próprio histórico de pedidos mudaram minha opinião. O modelo tinha falhas reais, mas os dados por trás dele eram piores.

Depois de cinco anos vendendo internacionalmente, aprendi a tratar uma previsão ruim como um diagnóstico ruim. Não basta trocar de remédio. É preciso descobrir se o problema está nos dados de entrada ou no cálculo, porque corrigir o item errado desperdiça dinheiro e as prateleiras continuam erradas.

Quando uma previsão de demanda erra, verifique primeiro os dados

Pegue o organizador. De julho a agosto de 2025, ele vendeu cerca de 1,800 unidades por mês, então me abasteci para a Black Friday com esse número mais uma margem de 20%. Depois, um impulso de um influenciador no final de outubro vendeu mais de 900 unidades em uma única semana e o anúncio ficou sem estoque. A previsão de demanda continuava dizendo 1,900 por mês. Ela nunca viu o pico chegando.

O próprio histórico estava distorcido. Eu tinha feito duas promoções de 30% de desconto em julho e agosto, e nada no sistema as marcava como promoções. As vendas pareciam demanda normal. Pior, ficamos sem estoque por seis dias em meados de agosto. Esses seis dias registraram zero vendas, e o sistema leu zero como ausência de demanda. Uma promoção empurrou o número para cima, uma ruptura de estoque o empurrou para baixo, e a média resultante descrevia um produto que nunca existiu.

As devoluções causaram o mesmo tipo de dano na direção oposta. Um gancho tinha uma alta taxa de devolução, e as unidades devolvidas voltavam à venda e vendiam novamente. O sistema contou duas vendas para um único cliente real. Abastecer-se com base nesse número significava abastecer-se com base numa demanda que nunca existiu.

Agora verifico três coisas antes de tocar em qualquer modelo. As promoções estavam marcadas no histórico, alguma ruptura de estoque encurtou o registro de vendas, e as devoluções foram contadas duas vezes? Se alguma resposta for sim, a previsão de demanda já estava condenada antes de o modelo sequer rodar. Dados ruins não melhoram com um modelo mais inteligente. Eles só passam a ser calculados com mais precisão na direção errada.

Os envios divididos da FBA também escondem a demanda. O mesmo produto está em três armazéns, um deles fica sem estoque, e o comprador compra de um concorrente. Essa venda perdida não aparece em lugar nenhum. Você pensa que a demanda está estável. Na realidade, foi você quem fechou a porta.

Um pedido único em grande volume pode distorcer os números da mesma forma. Em abril de 2026, um único cliente comprou 200 unidades de uma prateleira em um pedido. O sistema tratou isso como demanda cotidiana e elevou a previsão do mês seguinte. Só percebi porque naquela semana eu estava conciliando os pedidos manualmente. Agora retiro os pedidos em grande volume e os pedidos únicos do histórico antes de olhar qualquer previsão.

O modelo de previsão de demanda tem seus próprios pontos cegos

Dados limpos não tornam um modelo confiável. A ferramenta que eu usava tropeçava sempre nas mesmas três coisas.

A primeira são as médias. Meu organizador vendia cerca de 1,800 unidades por mês, o que parece estável, mas as vendas semanais oscilavam entre 300 e 700 unidades. O modelo pegou a média e deu o trabalho por encerrado. Abasteci-me com base na média e fiquei sem estoque em cada semana forte. Para um vendedor, a pergunta não é quanto você vende em média. É quanto você vende na sua semana mais forte. Uma previsão de demanda construída sobre a média parece organizada no papel e falha no armazém.

A segunda é o início a frio. Em março de 2026, lancei um novo rack de armazenamento sem histórico de vendas. O modelo pegou emprestada a média da categoria e me disse 1,200 unidades por mês. O anúncio vendia uma dúzia de unidades por dia nas duas primeiras semanas, enquanto os anúncios ainda estavam aprendendo e a taxa de conversão ainda era baixa. Eu havia abastecido o primeiro lote com base no número do modelo e passei dois meses escoando-o. Um produto novo não tem histórico, então o modelo está apenas adivinhando. Agora abasteço um lançamento novo apenas para 30 dias. Prefiro repor com frequência a ficar sentado sobre estoque parado.

A terceira é a virada sazonal. Os produtos de armazenamento atingem o pico de setembro a novembro e caem em janeiro e fevereiro. Um modelo que suaviza os últimos 12 meses está sempre meio passo atrasado na virada. Em outubro de 2025, ele ainda previa no ritmo do verão enquanto eu já estava entrando na Black Friday. Para um produto sazonal, um modelo que não consegue ver a virada está no seu pior exatamente quando a precisão mais importa.

O fio comum é simples. Um modelo conhece números. Ele não sabe que você acabou de lançar uma nova campanha de anúncios, que um influenciador está prestes a postar, ou que você está liquidando uma linha. Ele não consegue ver o negócio mudando ao seu redor.

Como corrigir uma previsão de demanda: dados primeiro, modelo depois

Quando uma previsão de demanda erra agora, trabalho nesta ordem e raramente desperdiço um passo.

Os dados vêm primeiro. Exporto os últimos três meses de pedidos e os confiro com meu calendário de promoções, meu registro de rupturas de estoque e minhas devoluções. As promoções estavam marcadas, os dias sem estoque eram realmente zero, as devoluções foram contadas duas vezes? Meio dia aqui resolve a maioria dos problemas. Meu organizador foi diagnosticado nesta etapa.

A volatilidade vem em seguida. Não olho apenas a média mensal. Desmembro as vendas por semana e comparo a semana mais forte com a mais fraca. Quanto maior a diferença, mais espesso precisa ser o estoque de segurança. Minha cobertura não é mais um número fixo. Produtos voláteis recebem 45 dias, os estáveis recebem 30, e a alta temporada acrescenta outros 15.

Só então olho para o modelo. Se estou pensando em trocar de ferramenta, faço primeiro três perguntas: como ela lida com um produto novo, ela reconhece uma virada sazonal, e o que ela faz com alta volatilidade? Se não conseguir responder, não troco, por mais cara que pareça. Essa verificação já me salvou de comprar ferramentas que teriam cometido os mesmos erros mais rápido.

Problemas de dados e problemas de modelo parecem iguais até você colocá-los lado a lado:

Sintoma Mais provável um problema de dados Mais provável um problema de modelo
A previsão sai alta, o estoque continua se acumulando Devoluções contadas duas vezes, vendas de promoção tratadas como normais Produto novo precificado pela média da categoria
A previsão sai baixa, o estoque continua acabando Dias sem estoque registrados como demanda zero Média usada, semanas de pico ignoradas
A previsão quebra a cada alta temporada Promoções sem marcação, histórico puxado para cima e para baixo Virada sazonal suavizada até sumir
A previsão de um produto novo está totalmente errada Sem histórico para conferir Início a frio tratado como um número real

O dinheiro é fácil de contar. Pegue meu organizador: 2,000 unidades por mês, $6 de custo por unidade. Com 60 dias de cobertura, eu tinha 4,000 unidades, ou $24,000 presos no armazém. Depois de limpar os dados e adicionar estoque de segurança apenas para as semanas voláteis, reduzi a cobertura para 45 dias, com 3,000 unidades. Isso são $6,000 a menos de dinheiro parado numa prateleira. Uma previsão não precisa ser perfeita. Quinze dias a menos de cobertura são dinheiro de verdade. E o outro lado custa mais do que parece: 11 dias sem estoque me custaram vendas, impulso dos anúncios e semanas para reconstruir o posicionamento após a reposição.

A Amazon muda suas regras a cada poucos meses, os custos de anúncios continuam subindo, e há menos margem para errar no abastecimento. Minha regra agora é simples: quando uma previsão erra, leia primeiro os dados, olhe a volatilidade em segundo lugar, e só então culpe o modelo. Dados reais fazem o modelo valer alguma coisa. Onde o modelo tem um ponto cego, eu preencho à mão — estoque extra antes da alta temporada, menos estoque para um lançamento novo — em vez de entregar toda a decisão a uma ferramenta que só sabe calcular médias.

Qual foi seu último erro de abastecimento, uma ruptura de estoque ou estoque parado? Puxe o histórico daquele mês e verifique os três pontos: promoções, dias sem estoque e devoluções. Um deles geralmente está sem marcação.

Por Ah K, Vendedor de e-commerce (5 anos) Traduzido do inglês. Em caso de divergência, prevalece a versão em inglês.