Previsão de demanda com IA para um pequeno armazém: comece com Excel e um modelo simples

Nós, pequenos armazéns, não podemos pagar esse tipo de dinheiro. No ano passado, um fornecedor veio nos oferecer um sistema de previsão de demanda com IA: dezenas de milhares por ano, mais três meses de "limpeza de dados" antes mesmo de começarmos. Eu ri. Nosso armazém tem cerca de 3,000 metros quadrados, dois funcionários mais eu, o proprietário, e todos os nossos dados já vivem no Excel. Três meses de limpeza, e minhas prateleiras teriam ficado sem estoque duas vezes.

Então seguimos o caminho improvisado: nenhum sistema novo, apenas Excel e um modelo simples para colocar a previsão de demanda com IA em funcionamento. Depois de meio ano com ele, as rupturas caíram e o excesso de estoque encolheu. Aqui está exatamente como fizemos, para que outros pequenos operadores possam copiar.

O problema do pequeno armazém: a previsão de demanda parece ótima, mas a versão empresarial não serve para nós

Um pouco de contexto. No verão de 2025, nosso armazém tinha menos de 200 SKU, principalmente produtos para pets e pequenos artigos domésticos, expedindo 4,000 a 6,000 pedidos por mês. Pequeno, mas os problemas eram reais: os mais vendidos esgotavam sem aviso, enquanto os de giro lento acumulavam poeira nas prateleiras.

O pior caso foi julho de 2025. Um arranhador para gatos viralizou em vídeos curtos e vendeu o volume de um mês em três dias. Repusemos no feeling, a reposição ainda estava em trânsito e a prateleira ficou vazia por quatro dias. As reclamações se acumularam e a avaliação da loja caiu. Aquela semana ainda dói. Na direção oposta, uma vez trouxemos 800 camas para pets que levaram seis meses para vender metade — aluguel e caixa presos o tempo todo.

Essa é a realidade do pequeno armazém: a versão empresarial da previsão de demanda com IA fala de plataformas de dados, equipes de algoritmos e integrações em tempo real. Não temos nada disso. Mas a previsão em si não precisa de equipamento pesado.

Passo um: coloque seu histórico de vendas em uma única tabela legível

Não comece pelos algoritmos. O primeiro passo da previsão é colocar os dados em uma forma que um humano consiga ler. Nosso método é constrangedoramente pouco tecnológico, e funciona:

Primeiro, extraia os últimos 12 meses de expedições por SKU e por semana — uma linha por SKU por semana. Não é preciso nenhum sistema sofisticado; uma tabela dinâmica sobre os registros de pedidos resolve isso em uma tarde.

Segundo, sinalize as semanas estranhas: semanas de promoção, semanas de ruptura e semanas em que as vendas foram zero porque não havia nada para vender. As vendas de uma semana de ruptura são demanda falsa — não é que ninguém estivesse comprando, mas que não havia nada para comprar. Alimente isso em um modelo e ele aprende a lição errada.

Terceiro, modele apenas os 20% principais de SKU. Em nosso armazém, 40 de 200 SKU impulsionam cerca de 80% das vendas. Para a cauda longa, experiência mais uma margem de segurança é suficiente. Não construa modelos para produtos que mal se movem.

Aqui está a parte contraintuitiva: pequenos armazéns geralmente preveem mal não porque o modelo é simples demais, mas porque os dados estão sujos demais. Semanas de ruptura, pedidos únicos de grande volume, reversões de devoluções — deixe-os dentro, e até um sistema caro produz lixo. Apenas sinalizar as semanas anormais melhorou nossas previsões mais do que qualquer fórmula.

O modelo de Excel que opera nossa previsão de demanda com IA: média móvel vezes um fator sazonal

Nosso modelo é quase simples demais para se gabar dele, mas funciona, e cada fórmula vive no Excel:

Passo um, tire uma média móvel de 4 semanas: some as vendas das últimas quatro semanas de um SKU e divida por quatro. Isso suaviza o ruído de uma única semana.

Passo dois, multiplique por um fator sazonal: as vendas do ano passado na mesma semana divididas pela média de vendas semanais do ano passado. Nosso arranhador para gatos fica em torno de 1.4 no verão e 0.7 no inverno, então a demanda base vezes o fator dá a previsão da semana seguinte.

Passo três, defina o estoque de segurança: estoque de segurança = vendas médias diárias × prazo de reposição em dias × 1.5. Chegamos a 1.5 por tentativa; suba-o se o prazo do seu fornecedor for instável, baixe-o se for estável.

Por fim, reposição sugerida = demanda prevista + estoque de segurança − estoque disponível − estoque em trânsito. Uma fórmula arrastada pela planilha, e toda segunda-feira de manhã a lista de reposição do armazém inteiro fica pronta em meia hora.

Esses resultados são nossa própria experiência, não números de laboratório — mas para um armazém do nosso tamanho, são suficientes.

A lição do vizinho: um modelo que ninguém revisa morre rápido

Um modelo sozinho não basta. Um amigo que administra um armazém de artigos domésticos vizinho copiou nossa planilha em setembro de 2025 e a abandonou em um mês. Fui ver: o problema não era o modelo, era a responsabilidade. Ele construiu a planilha e depois passou as atualizações semanais para um funcionário novo que não sabia que as semanas de ruptura precisavam ser sinalizadas. As semanas de vendas zero entraram direto na média, o modelo foi se desviando cada vez mais e todo mundo deixou de confiar nele.

Nossa solução é igualmente pouco tecnológica: toda segunda-feira de manhã eu mesmo dedico 20 minutos à planilha, verificando apenas três grupos — SKU cuja previsão subiu mais de 30% em relação à semana anterior, SKU abaixo do estoque de segurança e SKU em que a previsão errou o real em mais de 40% por duas semanas seguidas. Vinte minutos bastam. Um modelo é código morto; uma revisão humana semanal o mantém vivo.

Um trade-off sobre o qual é preciso ser honesto: esse modelo simples lida bem com demanda estável e oscilações sazonais, mas não consegue prever um pico viral. Quando um vídeo curto explode, nenhum modelo o vê com uma semana de antecedência. Nossa resposta é um "orçamento de resposta rápida": a cada mês reservamos aproximadamente o valor de vendas de uma semana em caixa flexível, para que, quando algo começar a virar tendência, possamos fazer um pequeno pedido rápido imediatamente em vez de esperar o modelo alcançar. O dinheiro fica parado na maior parte do tempo e nos salva quando importa.

Conselho para armazéns como o nosso: coloque a previsão para funcionar primeiro, atualize depois

A ordem certa para um pequeno armazém é esta: coloque o histórico de vendas em uma tabela limpa, rode o modelo de média móvel mais sazonalidade, revise-o você mesmo uma vez por semana e julgue-o após três meses. Após três meses, se sua contagem de SKU tiver passado de 500 ou a volatilidade tiver superado o modelo simples, então vá conversar com os fornecedores — e você chegará com dados limpos e uma lógica testada, o que torna a negociação muito mais sólida.

A versão empresarial não é ruim; ela apenas não é adequada para o nosso estágio. Pequenos armazéns têm seu próprio jeito de sobreviver: comece a funcionar primeiro, atualize quando os números disserem, e gaste o dinheiro onde realmente dói.

Por Xiao Ma, Proprietário de um pequeno armazém Traduzido do inglês. Em caso de divergência, prevalece a versão em inglês.