A previsão de demanda com IA para reposição no armazém. Dois anos atrás, eu não teria dado uma segunda olhada nessa frase. Meu armazém tem 3,000 metros quadrados, seis pessoas, estantes de segunda mão. Previsão com IA? Ora. Isso é para os grandes.
Então maio de 2025 me ensinou o contrário. Um acessório de ferragens que vendíamos com regularidade há anos ficou sem estoque por três semanas seguidas, e dois clientes foram embora. No mesmo dia, um produto sazonal estava parado sobre dois paletes completos, sem ser tocado por seis meses. Uma ruptura de estoque e estoque parado, no mesmo dia, no mesmo armazém. Foi então que percebi: adivinhar de memória já não estava funcionando.
Como um pequeno armazém reabastecia antes: olhando para a prateleira
Vou ser honesto sobre como fazíamos antes, por mais constrangedor que seja. Olhávamos para a prateleira. Prateleira vazia, repor. Prateleira cheia, não. Um cliente regular ligava pedindo 200 unidades, pedíamos às pressas. Alta temporada, acrescentar um pouco de memória. Baixa temporada, cortar um pouco no feeling.
Esse método aproximado de alguma forma aguentou por três anos. Por quê? Poucas linhas de produto, clientes conhecidos, giro lento. Mas depois de 2025 ele quebrou: as linhas de produto cresceram de 400 para mais de 900, os clientes de 30 para 80. Ninguém consegue guardar isso na cabeça.
A ruptura de maio é o exemplo perfeito. Esse acessório vendia cerca de 600 unidades por mês, e eu estocava 500 por hábito. Então um cliente fechou um pedido de projeto e levou 800 unidades de uma vez. A prateleira ficou vazia. A reposição levou 12 dias em trânsito. Durante esses 12 dias, vi outros dois clientes fazerem seus pedidos em outro lugar. Enquanto isso, aqueles dois paletes de estoque parado eram algo que eu tinha pedido em excesso no fim de 2024 «no feeling», apostando que venderiam na primavera. A primavera chegou, o cliente trocou de modelo, e o estoque ficou preso.
Naquela noite, fiz as contas. Os pedidos perdidos custaram cerca de 40,000 yuans em margem bruta (valor ilustrativo do meu próprio livro-caixa). O estoque parado imobilizou mais de 60,000 yuans em dinheiro. Um mês de trabalho, apagado. Foi então que decidi que a previsão precisava de um método sério.
O que a previsão com IA realmente faz: primeiro, abaixe as expectativas
Água fria primeiro: a previsão com IA não é uma bola de cristal. Pesquise na internet por previsão de demanda com IA para reposição no armazém e a maior parte do que você encontrar foi escrita para empresas com equipes de dados. Ela não consegue prever que seu cliente vai de repente fechar um grande pedido de projeto no mês que vem, nem que um modelo será trocado da noite para o dia. O que ela consegue fazer é vasculhar seus dados de saída do último ano ou dois e dizer quais itens se movem com regularidade, quais oscilam muito e quais estão morrendo em silêncio.
Meu primeiro passo nem foi IA. Simplesmente exportei os registros de saída e tracei uma curva de vendas simples por item. O resultado me surpreendeu: mais de 30 itens vinham declinando lentamente, e eu continuava estocando-os no nível antigo. Outra dúzia tinha picos de alta temporada crescendo ano após ano, e eu os subestocava todos os anos.
O segundo passo tocou de fato na IA: uma ferramenta leve de previsão com assinatura mensal, algumas centenas de yuans por mês, mais barata do que contratar alguém. Alimentei-a com dados históricos de saída, feriados e ciclos de pedido dos clientes, e ela me devolveu uma quantidade de reposição sugerida por item. Depois de três meses, os resultados: as sugestões batiam com meu instinto cerca de 70% das vezes. Nos outros 30%, ela me superava, principalmente nos itens de giro lento aos quais eu raramente prestava atenção, avisando-me com duas semanas de antecedência de que algo estava prestes a acabar, quando antes eu só percebia quando a prateleira estava vazia.
Aqui está a parte contraintuitiva: para um pequeno armazém, o maior valor da previsão com IA não é a precisão. É que ela obriga você a limpar seus dados. Uma vez que os dados estão limpos, os problemas se mostram sozinhos. A maioria dos pequenos armazéns não tem um problema de previsão. Tem uma bagunça de dados.
A qualidade dos dados vem primeiro: lixo que entra, lixo que sai
Preciso enfatizar isso, porque eu mesmo caí nessa armadilha.
Antes de 2024, nossos registros de saída eram guias escritas à mão. Algumas tinham o nome do produto, mas não a especificação. Algumas devoluções nunca foram estornadas nos livros. E um lote de mercadorias era consignação de um cliente guardada no meu armazém, não era meu estoque de forma alguma. Jogue tudo isso numa ferramenta de previsão e cada sugestão sai errada: ela me dizia para estocar um modelo descontinuado e para reduzir um item novo que na verdade estava ganhando terreno.
Passei duas semanas inteiras limpando os dados: padronizando nomes e especificações de produto, preenchendo entradas perdidas, estornando devoluções, sinalizando o estoque em consignação separadamente. Depois disso, as previsões fizeram sentido. Minha conclusão: com dados sujos, a previsão com IA é apenas adivinhação cara. Limpe os livros primeiro, depois fale de previsão.
Um pequeno armazém não precisa de um grande sistema para isso. Uma planilha e uma regra: escanear tudo na saída, registrar cada devolução, escrever nomes e especificações de produto sempre da mesma forma. Mantenha isso por um mês e os dados se tornam utilizáveis. Foi o que fizemos. Rudimentar, mas funciona.
Quando a previsão erra, alguém precisa assumir a decisão
Esta é a parte sobre a qual mais quero falar, e a parte que a maioria das pessoas evita.
Quando a previsão erra, de quem é a responsabilidade? Não do fornecedor do software, o contrato diz isso em preto e branco. Do chefe? No meu pequeno armazém, o chefe sou eu. A quem eu culparia? Então só há uma resposta: a previsão é uma sugestão. A decisão final precisa vir de alguém que entende o negócio.
Minha rotina é simples. Toda sexta-feira à tarde, passo meia hora revisando as sugestões da previsão, ordenadas em três categorias:
| Sugestão da previsão | O que eu faço |
|---|---|
| A quantidade sugerida corresponde à minha experiência | Pedir conforme sugerido |
| A quantidade sugerida é bem maior do que eu esperava | Ligar para o cliente: vem um pedido grande? Então decidir |
| A quantidade sugerida é bem menor do que eu esperava | Verificar dados faltantes ou mudança de modelo |
Depois da triagem, apenas cerca de uma dúzia de itens precisa de fato do meu cérebro. Meia hora, pronto. A IA faz as contas; eu tomo a decisão. Essa divisão de trabalho não pode ser invertida: deixe a IA pedir sozinha e um erro vira um palete de estoque parado. Confie inteiramente no instinto e você volta a adivinhar.
Há também um equilíbrio a ponderar: uma boa previsão economiza dinheiro com estoque, mas uma má custa rupturas e excesso de estoque. Minha experiência diz para errar pelo lado conservador, manter cerca de 10% de estoque de segurança em vez de arriscar uma ruptura para economizar um pouco de custo de armazenagem. Para um pequeno armazém, perder um cliente custa muito mais do que manter duas semanas extras de estoque.
A maneira leve com que um pequeno armazém pode pagar pela previsão de demanda com IA
Para os colegas proprietários de pequenos armazéns, aqui vai um manual que podem copiar diretamente:
Passo um, não comprem um grande sistema. Exportem seus dados de saída e tracem uma curva de vendas por item. Vejam o que está caindo e o que está crescendo. Custo zero, uma planilha resolve.
Passo dois, limpem os dados. Padronizem os nomes, preencham as entradas perdidas, estornem as devoluções, sinalizem o estoque em consignação separadamente. Pulem isso e tudo depois é esforço desperdiçado.
Passo três, testem uma ferramenta leve de previsão. Assinatura mensal, uma categoria de produto, teste de três meses. Expandam para o armazém inteiro só se funcionar. Não implantem em todo lugar no primeiro dia.
Passo quatro, definam uma rotina de decisão. Um horário semanal fixo para revisar as sugestões, ordenadas em três categorias, com um humano tomando a decisão final. A previsão aconselha; vocês são o comandante.
Depois de seis meses, eis o que mudou do meu lado: as rupturas de estoque caíram de 3–4 vezes por mês para menos de uma. Os itens parados há mais de 90 dias caíram de mais de 40 para menos de 10. Quanto dinheiro isso economizou? Não posso dar um número preciso, porque meu mix de clientes também mudou, mas uma coisa é sólida: para o mesmo volume de vendas, meu dinheiro preso em estoque caiu cerca de um quinto (estimativa ilustrativa: com base no estoque médio mensal do meu armazém, de cerca de 500,000 yuans, cerca de 100,000 yuans liberados; os valores são um exemplo hipotético de cálculo apenas para referência).
A previsão de demanda com IA para reposição no armazém é uma ferramenta de eficiência para grandes armazéns. Para um pequeno armazém como o meu, é primeiro um espelho: mostra o quanto seus dados estão sujos e o quanto repor no feeling é arriscado. Acertar a previsão é uma habilidade. Ter um humano assumindo a decisão, com estoque de segurança como rede de proteção quando ela erra, é o que faz da IA algo que um pequeno armazém pode realmente pagar.
Pequenos armazéns têm seu próprio jeito de sobreviver. A IA incluída.
Por Xiao Ma, Proprietário de um pequeno armazém Traduzido do inglês. Em caso de divergência, prevalece a versão em inglês.







