Previsão de demanda: métodos e como errar menos
Média móvel, sazonalidade, regressão e modelo com IA: quando cada método basta, como medir o erro com MAPE e por que o histórico com ruptura engana.
William MeloSócio-fundador da Maze Analytics
Previsão de demanda é a estimativa de quanto a empresa vai vender de cada produto em um período à frente, feita para decidir compra, produção e estoque com antecedência. Os métodos vão da média móvel ao modelo com IA, e o que decide entre eles é a qualidade do histórico e o quanto custa errar para cima ou para baixo. Este artigo mostra quando cada método basta, como medir o erro e o defeito que mais estraga previsão: prever com uma venda que já traz ruptura embutida.
Os pontos-chave:
- Cinco métodos, em ordem de complexidade: média móvel, média ponderada, sazonalidade, regressão e modelo com IA. Cada um resolve um padrão de venda.
- Histórico de venda não é histórico de demanda. Se o produto faltou, a venda daquele mês é o estoque que havia, não o que o cliente queria comprar.
- Erro se mede em porcentagem, com o MAPE: a diferença entre previsto e realizado, dividida pelo realizado, na média dos períodos.
- Com dado ruim, a média móvel ganha do modelo com IA. O modelo aprende o defeito do histórico com a mesma fluência com que aprenderia o padrão real.
- Meça o erro por grupo de produtos e no horizonte da decisão. Um MAPE bom no total pode esconder a cauda longa.
Que métodos de previsão de demanda existem e quando cada um basta
Um guia da Harvard Business Review publicado em 1971 já dizia que cada técnica de previsão tem o seu uso e que é preciso cuidado para escolher a certa para cada aplicação. A regra continua a mesma: escolha pelo padrão da venda e pelo dado que você tem.
| Método | Como funciona | Quando basta | Quando não basta |
|---|---|---|---|
| Média móvel | média dos últimos 3, 6 ou 12 períodos | venda estável, sem pico previsível | sazonalidade, tendência ou promoção forte |
| Média ponderada | meses recentes pesam mais | crescimento ou queda lenta | pico anual, que ela enxerga tarde |
| Sazonalidade | índice de cada mês sobre a tendência de fundo | coleção, data comemorativa, clima | menos de dois anos de histórico |
| Regressão | liga a venda a fatores medidos: preço, mídia, feriado | quando você registra o que move a venda | fator adivinhado ou não registrado |
| Modelo com IA | aprende padrões entre muitos produtos, canais e fatores | catálogo grande, histórico longo e limpo | dado curto, com ruptura ou cadastro duplicado |
Uma empresa de 50 a 500 pessoas resolve quase todo o catálogo com os três primeiros. A regressão entra quando há um fator claro e medido, e o modelo com IA por último, onde os métodos simples erram muito e o dado já foi tratado. O artigo sobre análise preditiva mostra onde a previsão de demanda se encaixa entre as demais aplicações.
Por que o histórico de venda mente quando houve ruptura
Este é o erro clássico, e aparece em quase toda base de venda que não guarda o estoque do dia. O relatório mostra 40 unidades em março, contra 120 em fevereiro. A previsão lê a queda e reduz a compra. Só que em março o produto ficou quinze dias sem estoque: vendeu pouco porque faltou, e o cliente continuou querendo.
A venda registrada é o mínimo entre a demanda e o estoque disponível. Se a previsão trata esse número como demanda, ela aprende que março é fraco, compra menos no março seguinte, gera nova ruptura e confirma a própria mentira.
O Sebrae resume os dois lados quando diz que estoque em excesso é sinônimo de custo, e que não há situação mais frustrante do que o cliente procurar um produto e não encontrar.
Como corrigir antes de prever:
- Marque os dias com estoque zero em cada produto e canal. O ERP tem essa informação, o relatório de vendas quase nunca.
- Trate o período em ruptura como dado ausente e estime pela média dos dias com estoque.
- Separe venda perdida de venda que não existia. Produto fora de linha vende zero por decisão; produto que faltou vende zero por falha.
- Registre promoção e preço junto da venda. Pico sem marca vira um mês estranho que o modelo lê errado.
Nenhum desses passos usa IA. São trabalho de base, o motivo de a Maze começar todo projeto pelos dados, como explicamos no guia sobre IA para análise de dados.
Como medir o erro da previsão sem precisar de estatístico
A medida mais usada é o MAPE, sigla em inglês para erro percentual absoluto médio: para cada mês, calcule a diferença entre previsto e realizado, ignore o sinal, divida pelo realizado e transforme em porcentagem. A média dessas porcentagens é o MAPE.
Um exemplo com três meses. Previu 100 e vendeu 120: erro de 20 sobre 120, ou 16,7%. Previu 100 e vendeu 90: 11,1%. Previu 100 e vendeu 100: zero. O MAPE do trimestre é a média, 9,3%. Quanto menor, melhor.
O MAPE tem dois defeitos de fórmula. Ele divide pelo realizado, então não existe no mês de venda zero, e infla em produto de baixo volume: errar duas unidades sobre uma venda de três dá 67%. Para catálogo com muito item de giro baixo, a documentação de previsão da AWS descreve o WAPE, que soma todos os erros e divide pela soma de todas as vendas: o produto que vende muito pesa mais e o zero isolado deixa de estourar a conta.
Dois cuidados valem mais que a fórmula. Meça o erro por grupo: 12% no catálogo inteiro pode esconder 5% no giro alto e 60% na cauda longa, onde o dinheiro fica parado. E meça no horizonte da decisão: se o fornecedor pede 90 dias, o erro que importa é o da previsão feita três meses antes.
Por que o modelo sofisticado perde para a média móvel quando o dado é ruim
Em teoria, o modelo com IA enxerga o que a média móvel não vê: efeito de preço, canibalização, clima. Ele vence os métodos simples quando o histórico é longo, limpo e marcado com o que aconteceu em cada período.
Quando o dado é ruim, acontece o contrário. A média móvel dilui o número em vários meses, e o defeito entra atenuado. O modelo com IA aprende cada detalhe do histórico, inclusive a ruptura sem marca, o cadastro duplicado que partiu a venda em dois e a promoção não registrada. Aprende o defeito com a mesma confiança com que aprenderia o padrão verdadeiro, e o erro sai com cara de precisão.
É comum uma média móvel de seis meses errar menos do que o modelo treinado com a base bruta. A culpa não é do método: a base não estava pronta. A ordem certa: corrija ruptura e cadastro, compare os métodos pelo MAPE no ano anterior e só coloque o modelo com IA onde ele errou menos. Sofisticação premia dado bom e não conserta dado ruim.
Como a previsão entra na compra e na produção
Previsão que não muda um pedido não tem valor. Dois casos:
Confecção com coleção e sazonalidade. A fábrica produz o inverno por antecipação e recebe pedido dos representantes por três meses. Como os modelos mudam a cada ano, a série por referência quebra, e o caminho é prever por família, cor e grade: a sazonalidade do inverno anterior dá o formato da curva e o pedido antecipado corrige o tamanho. O dado que mais importa é qual grade faltou na coleção passada, porque essa venda perdida não aparece no faturamento.
E-commerce com Black Friday. O pico é conhecido, mas o tamanho muda a cada ano com mídia, desconto e concorrência. A média móvel dilui novembro e chega à data com estoque de mês comum. A sazonalidade separa novembro do resto e a regressão liga o pico à mídia prevista e à profundidade do desconto. Produto que zerou no segundo dia vendeu o estoque que tinha, e o modelo do ano seguinte precisa saber disso.
A documentação da AWS observa que no varejo o custo de faltar costuma ser maior do que o de sobrar, e isso vira regra de compra: em produto de margem alta e giro rápido, compre um pouco acima da previsão; em produto de margem baixa e obsolescência rápida, compre abaixo. A previsão dá o centro; a regra de negócio dá o desvio.
Quando falar com a Maze Analytics
Faz sentido conversar quando a empresa já prevê demanda em planilha, sabe que erra, mas não consegue dizer quanto nem por quê. Na maior parte dos casos que vemos, o problema está no dado: venda com ruptura, cadastro que parte o mesmo produto em dois, promoção sem registro. Esse é o trabalho descrito em IA e agentes de dados: organizar a base primeiro e só então colocar em cima a previsão, o painel e o alerta de ruptura prevista.
Não faz sentido se a empresa tem poucos produtos, venda estável e um comprador que acerta com a média móvel no caderno: um modelo custa mais do que o erro que evitaria. Também não faz sentido esperar que um modelo com IA conserte um histórico com ruptura em metade dos meses: o projeto começa pela base, e dizemos isso na primeira conversa.
Perguntas frequentes
Qual é o melhor método de previsão de demanda?
Não existe um melhor para todos os produtos. Para venda estável, a média móvel basta; para pico previsível, a sazonalidade; para venda que depende de um fator medido, a regressão. O modelo com IA compensa quando há catálogo grande e histórico limpo. Rode dois ou três métodos sobre o ano passado e fique com o de menor MAPE em cada grupo.
Quanto histórico preciso para prever demanda?
Para média móvel, alguns meses já dão um número. Para enxergar sazonalidade, o mínimo são dois ciclos completos, porque um pico que apareceu uma vez pode ter sido acaso. Para modelo com IA, o histórico precisa ser longo e marcado com o que aconteceu em cada período: ruptura, promoção, mudança de preço. Histórico longo sem marca vale menos do que histórico curto bem anotado.
Previsão de demanda é o mesmo que previsão de vendas?
Na prática as empresas usam os dois nomes para a mesma planilha, e o forecast de vendas costuma partir do faturamento. A diferença está no que se estima: venda é o que saiu do estoque; demanda é o que o cliente queria comprar, inclusive o que não encontrou. Sem ruptura, os dois números coincidem. Com ruptura, a previsão de vendas herda a falta e repete o erro de compra.
Previsão de demanda precisa de IA?
Não. A maior parte do catálogo se resolve com média móvel, média ponderada e sazonalidade, em planilha ou na ferramenta de BI. A IA entra em um grupo específico de produtos, depois que o dado foi tratado e os métodos simples mostraram, pelo MAPE, que erram demais ali. Colocar IA antes disso costuma produzir um erro maior e mais difícil de explicar.
