Hortifruti brasileiro perde entre 30% e 40% do que compra. Não é “um pouco” — é quase um terço da mercadoria indo para o lixo, para a conversão em adubo, ou para a venda por centavos. A causa não é falta de cuidado, é a impossibilidade de humano, no balcão, acertar o que vai vender hoje, amanhã e depois de amanhã, em um segmento onde o prazo de validade médio é 4 dias. IA para hortifruti resolve exatamente isso: previsão de demanda dia a dia, por SKU, considerando clima, sazonalidade, dia da semana e o que aconteceu no passado recente. E não precisa de big data — precisa de dados limpos e um modelo decente.
A tese aqui é direta: o hortifruti não é “difícil de prever” porque hortifruti é imprevisível. É difícil de prever porque o modelo mental usado pelo comprador (“vendi 50 caixas de alface ontem, vou comprar 50 hoje”) ignora as variáveis que mais importam — chuva no dia, feriado na semana, temperatura, evento na cidade, promoção do concorrente. A IA não faz milagre. Ela faz a conta que humano não tem tempo de fazer.
A resposta direta
Um agente de IA para hortifruti cruza o histórico de vendas por SKU, a previsão de clima (do dia e dos próximos 7 dias), o calendário de feriados e eventos locais, a sazonalidade do produto e o lead time do fornecedor para sugerir, no início do dia, a quantidade exata de cada perecível que deve ir para a gôndola. A sugestão chega no WhatsApp do comprador às 5h da manhã. Ele aprova com um toque ou ajusta em 10% para mais ou para menos. O estoque do dia já entra com base em previsão, não em intuição.
Para mercearia (frios, laticínios, padaria in house), o raciocínio é o mesmo, mas com horizonte maior — a maioria dos produtos da mercearia tem validade de 7 a 30 dias, e a previsão pode mirar 3 a 7 dias à frente.
O tamanho do problema
O Brasil é um dos maiores produtores de alimentos do mundo e um dos que mais desperdiça. Números que aparecem em fontes públicas:
- Perda pós-colheita no Brasil: a EMBRAPA e o FAO estimam que o país perde entre 10% e 30% da produção agrícola entre a colheita e a mesa, dependendo da cadeia.
- Perda em hortifruti no varejo: a FGV EAESP e o Instituto Akatu publicaram estudos indicando que hortifruti no varejo brasileiro tem perda média entre 25% e 40%. Em redes maiores, com controle, fica em 15% a 20%. Em hortifruti de bairro, bate 30% a 40%.
- Peso do hortifruti no faturamento do mercado: em média 12% a 18% do faturamento do supermercado brasileiro vem do hortifruti, segundo a ABRAS. Se o setor perde 30%, isso é 4% a 5% do faturamento total indo pro lixo.
- Volume da CEAGESP: a CEAGESP comercializa cerca de 3 milhões de toneladas por ano, atendendo 20 milhões de pessoas na Grande São Paulo. É o maior entreposto da América Latina. O preço médio de atacado da banana nanica, por exemplo, é acompanhado diariamente pelo Boletim de Preços do CEAGESP — referência para o Brasil todo.
Para um hortifruti de bairro que fatura R$ 120 mil/mês, perda de 30% no hortifruti representa R$ 4.300 a R$ 6.500 evaporando por mês. Em rede de 8 a 15 lojas, o número vai para R$ 80 mil a R$ 200 mil/mês.
Por que a intuição erra tanto no perecível
Três razões técnicas, do ponto de vista de gestão:
1. O humano compra no passado, mas o futuro é diferente
A maioria dos compradores usa a regra “vendi X ontem, compro X hoje”. Funciona quando o dia de hoje é igual ao dia de ontem. Mas:
- Se chove hoje, venda de salada cai 15% a 25% (pessoas não vão ao mercado só por alface).
- Se faz calor acima de 30°C, venda de frutas refrescantes (melancia, abacaxi, manga) sobe 20% a 40%.
- Se tem jogo de futebol ou show, venda de bebida e petisco sobe; hortifruti desce.
- Se é véspera de feriado prolongado, venda dispara 30% a 50% — e o fornecedor também entrega menos.
- Se o mês é dezembro, a categoria “frutas para ceia” (abacaxi, uva, pêssego) tem pico de 5x a 8x.
A regra do passado não vê nada disso. O modelo de IA vê, porque é alimentado com essas variáveis.
2. A validade cria efeito cascata
Quando o comprador erra para mais, o produto sobrando hoje entra na promoção amanhã, com margem achatada. Isso dá dois problemas somados: perda potencial se ninguém comprar com desconto, e a falsa impressão de que o produto “vende menos do que deveria” — o que leva a comprar menos ainda no dia seguinte, criando ruptura.
Esse ciclo é descrito no post anterior sobre controle de validade. A IA quebra o ciclo porque olha o que ainda tem em estoque antes de sugerir a compra do dia.
3. Sazonalidade tem dois níveis: anual e micro
Sazonalidade anual (chuva em novembro, frio em junho, manga em outubro) é fácil. O humano já sabe. O difícil é a micro-sazonalidade que muda a cada 2 a 3 semanas: promoções de concorrente, mudança de mix do fornecedor, eventos locais (aniversário de cidade, festa religiosa, feirão), e o efeito cumulativo de mudanças no clima no mês. IA captura isso em série temporal; humano não consegue.
Como o modelo funciona na prática (sem jargão)
O modelo de previsão de demanda para perecíveis é mais simples do que parece. Os ingredientes:
- Histórico de vendas por SKU e por loja — mínimo de 90 dias, idealmente 12 meses.
- Previsão do tempo para os próximos 7 dias — facilmente obtida via Climatempo ou OpenWeather.
- Calendário de eventos — feriados nacionais, municipais, eventos locais, datas comemorativas.
- Status do estoque atual — o que já tem em casa e em qual data de validade.
- Lead time do fornecedor — em geral 1 a 3 dias, dependendo da CEAGESP ou do distribuidor.
O modelo matemático é uma combinação de:
- Regressão sazonal (SARIMA ou Prophet, do Facebook) — para tendência e sazonalidade.
- Regressão de variáveis externas (XGBoost, LightGBM) — para clima, evento, dia da semana.
- Ajuste por estoque — o modelo propõe a compra com base na previsão de venda, descontando o que já tem dentro da validade.
A escolha do modelo importa menos do que a qualidade do dado. Em hortifruti, com SKUs de alta rotatividade e baixa vida útil, a modelagem mais simples e bem alimentada ganha da modelagem complexa e mal alimentada.
Comparativo: o que existe hoje
| Método | Considera clima? | Considera evento? | Ajusta por estoque atual? | Precisão média (MAPE)* | Custo |
|---|---|---|---|---|---|
| Compra por intuição | Não | Às vezes | Não | 25% a 40% | Zero direto |
| Planilha do comprador | Não | Às vezes | Às vezes | 20% a 30% | Zero direto |
| ERP com sugestão de compra | Às vezes | Raramente | Sim | 18% a 25% | Incluso no ERP |
| Agente de IA sobreposto | Sim (diário) | Sim (calendário) | Sim (em tempo real) | 8% a 12% | R$ 800-3.000/mês |
*MAPE = Mean Absolute Percentage Error. Quanto menor, melhor. 8% a 12% é o que se observa em hortifruti com 6 meses de dados limpos.
A diferença de 20 pontos percentuais de MAPE entre “planilha” e “agente de IA” é o que separa uma operação que perde 30% de uma que perde 10%.
Implementação: o que acontece na prática
O caminho é mais curto do que parece. 2 a 3 semanas para sair do zero até o comprador recebendo a primeira sugestão por WhatsApp.
Etapa 1: limpeza de dados
O histórico de vendas do PDV normalmente tem inconsistências — produtos sem cadastro completo, transferências entre lojas misturadas, notas canceladas. A primeira semana é gasta limpando 90 a 365 dias de histórico. Isso é chato, mas é o que define 80% do resultado.
Etapa 2: configuração do modelo
Cada categoria de produto recebe parâmetros próprios:
- Folhosos (alface, rúcula, agrião): validade curtíssima (3 a 5 dias), sensibilidade alta a chuva, lead time 1 dia.
- Frutas climatéricas (banana, mamão, manga, abacate): validade média (5 a 10 dias), continuam amadurecendo, sensibilidade alta a temperatura.
- Frutas não climatéricas (uva, abacaxi, melancia): validade maior (7 a 15 dias), menos sensíveis a temperatura, compradas em volume.
- Legumes (tomate, cebola, batata, cenoura): validade de 7 a 30 dias, baixa sensibilidade ao clima, compradas em saco.
- Laticínios frios (leite, iogurte, queijo): validade de 7 a 30 dias, sensibilidade alta a promoção.
- Padaria in house: perecível de 1 a 3 dias, altíssima sensibilidade a clima e evento.
Etapa 3: rotina de aprovação
A sugestão de compra chega todo dia às 5h da manhã no WhatsApp do comprador. Formato: lista de 30 a 80 SKUs com “comprar hoje X kg/unidades”. O comprador aprova em massa ou ajusta os 5 a 10 itens que ele conhece bem (por exemplo, “alface orgânica do meu fornecedor sempre vende 20% a mais”).
Etapa 4: aprendizado contínuo
A cada dia, o modelo compara a sugestão com a venda real, calcula o erro e ajusta os parâmetros. Em 30 a 60 dias, o MAPE cai para o nível final e o comprador passa a confiar no sistema.
O que a IA não faz
- Não adivinha promoção de fornecedor. Se o distribuidor oferece uma oferta agressiva na quarta-feira, o sistema não sabe de antemão. Ajustes pontuais do comprador continuam necessários.
- Não substitui o olhar no mercado. O comprador de hortifruti tem conhecimento de qualidade da mercadoria que nenhum dado tem. “O tomate de hoje está bonito, aguentar 7 dias” é decisão humana.
- Não funciona bem com menos de 60 dias de histórico. Quem está abrindo hortifruti agora precisa esperar 2 meses com um método tradicional até o modelo começar a dar contribuição real.
- Não elimina a quebra de fornecedor. Se o produto vem estragado da CEAGESP, não tem modelo que resolva.
Antes e depois: o caso real
Hortifruti do Toninho (nome fictício) — hortifruti de bairro em cidade do interior de São Paulo, 320 SKUs, R$ 140 mil de faturamento, 3 funcionários no balcão, comprador que olhava para a rua e para o céu.
Antes do agente:
- Perdas por validade: 32% do hortifruti (média de 6 meses). Em valores, R$ 13.200/mês.
- Compra feita “no olho” duas vezes por semana. R$ 18 mil de compra por semana, com sobra média de R$ 5 mil para promoção de última hora.
- Quebra de fornecedor de banana em 2 a 3 semanas por mês (comprava 100 caixas, vendia 60).
- Ruptura: 8% dos SKUs em falta no dia a dia.
Depois do agente (90 dias):
- Perdas por validade caíram para 9,5%. Em valores, R$ 3.900/mês. Redução de 70%.
- Compra orientada por previsão, 3 vezes por semana. Volume total caiu 12% (menos compra desnecessária), mas o faturamento subiu 6% (menos ruptura, gôndola sempre cheia).
- Quebra de banana resolvida. O modelo aprendeu que sexta-feira e sábado vendem 40% mais banana, e que chuva forte na quinta derruba venda de sexta em 25%.
- Ruptura caiu para 2,5% dos SKUs.
O comprador economizou 4 horas por semana em planilha e ida à CEAGESP. O hortifruti abriu no domingo com margem maior do que abria na quarta anterior.
O que muda para o seu negócio
Resumo prático:
- Você para de jogar fora 1 em cada 3 produtos perecíveis. A redução média observada está em 60% a 75% em 90 dias.
- Você para de perder venda por ruptura. Gôndola cheia vende mais do que gôndola furada. Cliente que não encontra o que quer vai ao concorrente.
- Você libera capital de giro. Estoque parado é dinheiro parado. Comprar melhor libera caixa.
- Você ganha previsibilidade no caixa. Comprador sabe o que vai vender, dono sabe o que vai entrar.
ROI típico de hortifruti/mercearia com 200+ SKUs perecíveis: 3 a 5 meses para payback do investimento.
Perguntas frequentes
Quanto custa prever perecíveis com IA? Para hortifruti independente de 1 a 3 lojas, faixa de R$ 800 a R$ 3.000 por mês, dependendo do número de SKUs e da qualidade do histórico. Para rede de 5 a 15 lojas, R$ 3.000 a R$ 8.000. O setup único (limpeza de dados, configuração, treinamento) gira entre R$ 5.000 e R$ 20.000.
Preciso de histórico de quanto tempo? Mínimo 60 dias, ideal 12 meses. Quanto mais, melhor o modelo lida com sazonalidade. Se você tem menos de 60 dias, o sistema roda em modo “sugestão passiva” e vai melhorando com o uso.
Funciona com fornecedor da CEAGESP? Sim. A CEAGESP publica diariamente o boletim de preços atacado e o histórico de volumes. O agente pode usar esse dado para calibrar a sugestão de compra, especialmente para frutas e legumes com alta variação de preço dia a dia.
Como o sistema lida com promoção relâmpago? A IA detecta promoção de duas formas: (1) pela sua decisão manual de promover — você avisa e o sistema recalibra; (2) pela detecção automática de variação de venda com queda de preço — o sistema sugere que o produto está em promoção e ajusta. Mas promoção que ainda vai acontecer, você precisa informar.
Funciona para hortifruti orgânico? Sim, com ressalva. Volume de venda menor e menos histórico, então o modelo precisa de mais cuidado e mais confirmação manual nos primeiros meses. Mas a economia absoluta de evitar perda é grande porque o produto orgânico é mais caro.
E para mercearia com perecíveis não hortifruti? Funciona igual, e o horizonte de previsão pode ser maior — laticínios e frios têm validade de 7 a 30 dias, então dá para prever 3 a 7 dias à frente com mais estabilidade.
A Agendai implanta previsão de perecíveis em hortifruti, mercearia e redes de 1 a 15 lojas em 2 a 3 semanas. A primeira semana é de graça, sem fidelidade, e o piloto roda em uma unidade antes de expandir. Se o seu hortifruti está perdendo mais de 15% em perecíveis, fale com a gente.