Quando uma previsão de demanda erra, a pior atitude é discutir de quem é a culpa. Já vi essa discussão acontecer em armazém após armazém: o planejamento culpa o sistema, a equipe de sistemas culpa os dados sujos e, enquanto isso, as prateleiras ficam vazias e o estoque parado continua se acumulando. Eis meu veredicto logo de início: a maioria dos erros de previsão pode ser rastreada até os dados ou até o modelo com quatro verificações, e gastar dinheiro no lado errado é pior do que não gastar nada.

Previsão de demanda imprecisa? Quatro verificações que distinguem dados de modelo

Em 2021, eu trabalhava com um armazém terceirizado nos arredores de Los Angeles, e um cliente de artigos para casa caiu direto na armadilha clássica. Duas semanas antes da Black Friday, a previsão dizia que um abajur venderia cerca de 800 unidades por dia, então o armazém estocou e escalou pessoal para esse número. No primeiro dia da promoção, mal se venderam 300 unidades. No segundo dia, faltou estoque — porque o pico real estava concentrado nas primeiras 48 horas da promoção, e a previsão havia espalhado esse volume uniformemente por toda a semana. A análise posterior encontrou dois culpados dividindo a culpa: o modelo era alimentado com histórico agregado por semana, então nunca poderia ver o pico inicial, e os dados da promoção do ano anterior não registravam que o cliente havia mudado o preço no meio do evento. Um buraco nos dados, uma granularidade errada no modelo. Os números a seguir são uma estimativa ilustrativa: aquela única categoria terminou a semana com cerca de 40% de excesso de estoque, e o restante levou mais de dois meses para ser liquidado.

Há um jeito simples e confiável de fazer o diagnóstico. Primeiro, olhe o próprio histórico: há lacunas nos registros de vendas, as promoções estão marcadas, devoluções e transferências estão misturadas às vendas? Segundo, olhe a granularidade: a previsão é diária ou semanal, por SKU individual ou agregada por categoria? Terceiro, olhe as variáveis externas: preço, promoção, sazonalidade, mudanças de canal — elas estão de fato no modelo, ou ele apenas empurra os números do ano passado para frente? Quarto, olhe a cauda: o volume está concentrado em poucos SKUs principais ou espalhado por uma cauda longa?

Sintoma Mais provável O que o armazém verifica primeiro
Toda promoção estoura a previsão Dados: promoções e mudanças de preço nunca registradas Se os arquivos de promoção e os registros de mudança de preço estão completos
Certo quase o ano todo, errado a cada mudança de estação Modelo: sazonalidade não capturada Se os fatores sazonais são calculados ou estimados à mão
SKUs principais certos, cauda longa puro palpite Modelo: a cauda longa não pode ser modelada SKU por SKU Se os SKUs de cauda devem ser previstos em grupos
Mesmo SKU preciso num mês, errado no seguinte Dados: prazos de entrega e recebimentos são uma bagunça Se os prazos de compra refletem a realidade

Problemas de dados demoram para corrigir e a correção dura. Problemas de modelo mudam rápido e são fáceis de piorar. Minha regra é corrigir os dados primeiro — um bom modelo rodando sobre dados sujos é como pescar em água suja.

Quando a previsão de demanda está errada, o que o armazém faz

Uma previsão vai errar. Essa é a premissa, não o acidente. A verdadeira habilidade do armazém não é tornar a previsão perfeita; é não ficar sem estoque nem inundar o piso quando a previsão erra. Em 2024, ajudei um distribuidor de autopeças a revisar sua operação. Mais de 70% dos seus SKUs eram itens de cauda longa, muitos vendendo apenas um dígito por mês — nenhum modelo consegue prever esses um por um com honestidade. A resposta deles não foi brigar com a previsão, mas embutir a rede de segurança na política: os itens de cauda eram estocados com base nas vendas reais dos últimos 90 dias mais uma margem dimensionada pelo custo de uma falta de estoque, enquanto apenas os itens principais seguiam a previsão, revisada semanalmente. Na alta temporada daquele ano, as faltas de estoque dos itens principais caíram e o estoque parado dos itens de cauda parou de crescer. Os números aqui são uma estimativa ilustrativa: manter duas unidades extras de um item de cauda custa algumas dezenas de dólares; uma falta de estoque pode custar o pedido inteiro. O armazém precisa saber fazer essa conta.

A rede de segurança tem quatro itens. Um, pare de definir o estoque de segurança com uma única regra para tudo: escalone-o por categoria e pelo custo de uma falta de estoque — itens caros, urgentes e insubstituíveis recebem mais cobertura; itens baratos e fáceis de repor, menos. Dois, encurte o ciclo de reposição: quanto menos você confia na previsão, mais vezes você repõe, para que cada erro custe menos. Três, use linhas de gatilho em vez de planos fixos: quando as vendas reais se afastam da previsão além de um limite, uma pessoa intervém agora, não na revisão da próxima semana. Quatro, deixe uma porta aberta para ajustes manuais — a equipe de piso sabe das promoções e mudanças de clientes antes de qualquer sistema — e registre cada ajuste para poder ver depois quem estava certo.

Aqui está a parte contraintuitiva: quando as previsões não são confiáveis, manter um pouco de estoque extra às vezes é mais barato do que comprar um modelo melhor. Não estou dizendo para acumular. Estou dizendo para pesar. O estudo de 2026 do IHL Group sobre distorção de estoque estima as perdas globais por faltas e excesso de estoque em cerca de $1.7 trillion, aproximadamente 6.2% das vendas totais do varejo — as faltas de estoque respondem por 65.6% disso, e as prateleiras vazias sozinhas custam cerca de $690.9 billion. E 78% dos varejistas enfrentam estoques imprecisos semanal ou mensalmente. O custo de uma falta de estoque é real, e o custo de uma atualização de modelo também é. Coloque os dois na balança antes de decidir.

A questão da IA: o que custa antes do que economiza

Então, a previsão com IA. Sim, ela pode consumir mais variáveis — promoções, clima, elasticidade de preço. Mas toda solução tem dois lados, e esta não é exceção: o custo real não é a compra do software, é preparar os dados e mantê-los depois. Alimente uma IA com dados sujos — promoções sem marcação, prazos desatualizados — e você obterá resultados sujos, apenas melhor vestidos.

Julgue-a com uma régua: o MAPE. As linhas de referência comumente usadas são abaixo de 10% excelente, 10–20% bom, 20–35% típico, e acima de 35% significa que algo precisa ser investigado. Meça primeiro onde você está. Se suas categorias principais já estão na faixa de 10–20%, espremer mais alguns pontos com IA provavelmente não se pagará. Se você está travado acima de 35%, verifique os dados antes de comprar qualquer coisa — acima de 35% geralmente é um problema de dados, e a IA não vai resgatá-lo. E meça o ROI corretamente: não "quanto mais precisa ficou a previsão", mas "quantas faltas de estoque a menos, quanto menos estoque retido, quanta menos mão de obra de reposição de emergência". Esses três juntos são o retorno real. Uma estimativa ilustrativa: um armazém que faz uma dúzia de transferências de emergência por mês, cada uma queimando meio dia de mão de obra mais frete urgente, muitas vezes economiza mais cortando essas do que aparando alguns pontos do MAPE.

Mais um conselho: não acredite no argumento de que IA significa fim dos humanos. Já vi equipes demais entregarem a previsão inteiramente ao sistema, pararem de olhar os números e descobrirem dois meses depois que o modelo havia se desviado silenciosamente. A IA calcula mais rápido. Ela não assume responsabilidade. A pessoa que anda pelo piso ainda assume.

Uma previsão perdida não é o desastre. Não saber por que ela errou, e não ter nada para segurar o erro, é. Separe dados de modelo, construa a rede de segurança e só então fale de IA. Em qual etapa o seu armazém está travado?

Por Lao Mi, veterano da cadeia de suprimentos (20 yrs)

Traduzido do inglês. Em caso de divergência, prevalece a versão em inglês.