O ponto de partida: previsões ruins transformam a reposição em aposta
Um varejista de artigos para o lar com 3,000 SKUs repunha pelo feeling dos planejadores mais uma média móvel de 12 semanas. Cada grande promoção quebrava o sistema: os SKUs campeões zeravam e perdiam pedidos enquanto os de cauda longa deixavam $20 milhões em capital preso. O dono fez as contas: cada ponto de redução de rupturas valia $4 milhões por ano. A previsão é uma das aplicações de IA com maior ROI no armazém — mas 90% dos projetos morrem no "o modelo é preciso, mas a operação não consegue usar".
O arcabouço central: quatro pontos
1. Engenharia de variáveis: o histórico é só metade da história
Alimentar um modelo só com histórico de vendas é dirigir com um olho fechado. Cinco famílias de variáveis que funcionam na prática:
- Séries de vendas e preços (incluindo preços promocionais e profundidade do desconto)
- Calendário de promoções (megas-saldos, dias de categoria, queimas de estoque — etiquetados com antecedência)
- Sazonalidade e feriados (volta às aulas, Natal, Ano Novo Lunar)
- Sinais externos: temperatura (forte em vestuário e artigos para o lar), tráfego do canal
- Atributos do SKU: estágio novo/maduro/queima, classificação ABC
Regra de bolso: começar com pelo menos dois anos de histórico. SKUs com menos de um ano de dados só recebem previsões por analogia — não force modelos complexos sobre eles.
2. Modelagem em camadas: precisão para os SKUs campeões, simplicidade para a cauda
| Camada de SKU | Participação | Estratégia de modelagem |
|---|---|---|
| Top 20% | 80% da receita | LightGBM / modelos de séries temporais, ajuste por SKU |
| Meio 30% | 15% da receita | Previsão no nível da categoria, depois desagregada |
| Cauda 50% | 5% da receita | Modelos de demanda intermitente estilo Croston; basta evitar rupturas |
Um único modelo para tudo é o erro clássico de iniciante. SKUs de cauda têm demanda esparsa — modelos complexos fazem overfit, os simples ficam estáveis.
3. Fechar o ciclo: a previsão é só o ponto de partida
Uma previsão não equivale a um pedido de compra. O ciclo completo tem cinco etapas: previsão → estoque de segurança (por nível de serviço: 98% para itens A, 90% para itens C) → proposta de reposição → revisão humana só das exceções (SKUs variando mais de 50%) → realizado realimentado para retreinamento.
O desenho-chave: humanos revisam só as exceções. Os planejadores olham os 5% de SKUs que o sistema sinaliza em vermelho a cada dia em vez de penar sobre 3,000 linhas — é assim que a alavancagem de IA se parece de verdade: máquinas cuidam de 95% do julgamento rotineiro, pessoas dos 5% que importam.
4. Métricas: vigiar a direção do viés antes do erro absoluto
Usar o WAPE (erro percentual absoluto ponderado) para a precisão geral, mas vigiar a direção do viés ainda mais de perto: sobreprevisão sistemática gera excesso de estoque, subprevisão sistemática gera rupturas. Três meses seguidos de viés na mesma direção além de 5% sinalizam um problema estrutural nas variáveis ou no modelo — mande de volta para refazer, não se limite a ajustar hiperparâmetros.
Caso de campo: WAPE de 38% para 24%
Um varejista de artigos para o lar, 4,000 SKUs, seis meses após lançar a previsão de demanda com IA: o WAPE caiu de 38% para 24%, a taxa de ruptura de 6.2% para 3.1%, os giros de estoque subiram 0.8. O maior contribuinte individual não foi a sofisticação do modelo — foi a variável do calendário promocional. Os planejadores previam promos de memória; sistematizar isso reduziu pela metade o erro no período promocional da noite para o dia.
Armadilhas a evitar
- Não force modelos baseados em histórico em SKUs novos. Semee a primeira previsão a partir de SKUs análogos, depois recalibre rápido assim que as primeiras quatro semanas de vendas chegarem — atualização semanal.
- Modele as promoções separadamente. A demanda no período promocional vive numa distribuição diferente da demanda diária; treiná-las juntas polui a linha de base.
- Nunca ligue previsões direto ao pedido automático. Mantenha um "portão de exceções" humano — para cisnes negros que o modelo nunca viu (um hit viral nas redes sociais), as pessoas são a última linha de defesa.
Plano de implantação em 90 dias
Dias 1–30: governança de dados. Reúna 2 anos de histórico de vendas, calendários de promoções e séries de preços; publique um relatório de qualidade de dados e preencha qualquer campo faltante em mais de 10%. Entregáveis: inventário de variáveis mais relatório de qualidade de dados.
Dias 31–60: modelagem e backtesting. Construa modelos em camadas por classe de SKU e faça backtest fora da amostra nos últimos 3 meses — WAPE abaixo de 25% nos SKUs campeões é o portão. Entregável: relatório de backtest.
Dias 61–90: piloto e escala. Rode 200 SKUs campeões em paralelo: o sistema propõe, os planejadores revisam, e as taxas de ruptura piloto vs. controle são comparadas. Uma redução de rupturas no piloto de 1.5+ pontos dá sinal verde para a implantação total.
90 dias é o piso; armazéns com base de dados fraca devem planejar 120. Melhor devagar no início do que refazer depois do lançamento — um projeto de previsão refeito zera a confiança do negócio na IA.
O novo fluxo do planejador: como fica a divisão humano-máquina
Depois que a IA entra no ar, os planejadores não desaparecem — sobem de nível:
- 30 minutos a cada manhã: revisar só os SKUs de exceção sinalizados pelo sistema (variações acima de 50% ou alertas de ruptura), confirmando ou ajustando cada um. De 3,000 SKUs, tipicamente só 100–150 precisam de olhos humanos.
- 1 hora por semana: ler o relatório de direção do viés. Duas semanas seguidas de viés sistemático para cima/para baixo significam uma sessão conjunta com TI sobre as variáveis — sem precisar ajustar modelos pessoalmente, mas sabendo quais perguntas fazer.
- Meio dia por mês: participar da revisão do backtest, acompanhar tendências de WAPE e post-mortems de promos, e atualizar as etiquetas do calendário promocional — o insumo humano mais insubstituível de todos: a intuição de negócio.
O papel muda de "pessoa que faz contas" para "pessoa que gerencia modelos". Planejadores que resistem ficam para trás; os que abraçam gerenciam o triplo de SKUs sozinhos. Desconfortável, mas verdade.
A conclusão
A fórmula de campo para a previsão de demanda com IA: boas variáveis vencem modelos sofisticados, modele em camadas, feche o ciclo com humanos só nas exceções e vigie a direção do viés. Dez pontos a menos de WAPE se convertem diretamente em lucro por meio de menos rupturas e giros mais rápidos.
Traduzido do inglês. Em caso de divergência, prevalece a versão em inglês.
