Previsão de demanda com IA é o uso de modelos de machine learning que cruzam histórico de vendas, sazonalidade, calendário e variáveis externas (clima, Pix na conta, dia de pagamento) para estimar quanto cada SKU vai vender nos próximos 7, 14 e 30 dias. Em vez do comprador decidir "no feeling" se compra 80 ou 800 unidades, o modelo devolve uma faixa com margem de confiança e o gestor decide com base em dado — não em adivinhação. Para o varejo brasileiro, que convive com ruptura crônica, excesso de capital empatado e promoções de queima no fim do mês, esse é o gargalo número um que a inteligência artificial destrava primeiro.
A maioria dos pequenos e médios varejistas no Brasil ainda planeja compra com planilha, olho clínico e um caderno de "o que vendeu bem no mês passado". Esse método funciona quando o mix tem 200 SKUs e o dono conhece cada um pelo nome. Quando passa de 800 SKUs, quando abre a segunda loja, quando entra marketplace e loja física ao mesmo tempo, a planilha vira wishful thinking. O resultado é o que todo mundo já viu: prateleira vazia no fim de semana de chuva, caixa de camiseta tamanho P encalhada há quatro meses, e a Black Friday decidida em reunião de quinta com base em "ano passado vendeu bem".
O tamanho do problema no varejo brasileiro
Estudos setoriais e pesquisas do SEBRAE indicam que o varejo nacional perde entre 5% e 12% de vendas por ruptura de estoque — ou seja, o cliente chega, não encontra o produto e vai embora, muitas vezes para o concorrente. No outro lado, o excesso de estoque consome entre 20% e 30% do capital de giro de um varejista típico, segundo levantamentos de entidades como a ABRAS (Associação Brasileira de Supermercados) e a ABRAFARMA para o setor farmacêutico. Para uma loja que fatura R$ 500 mil por mês, isso significa R$ 100 mil a R$ 150 mil travados em mercadoria que poderia estar no caixa ou rendendo no CDI.
A ironia é que ruptura e excesso são o mesmo problema visto de dois ângulos. Quem compra pouco demais quebra a gôndola; quem compra demais incha o depósito. Sem previsão, o comprador fica refém de um viés psicológico bem documentado: superestima o que acabou de vender e subestima o que está encalhado. A IA não tem esse viés — ela olha para os dados frios e devolve uma estimativa com intervalo de confiança.
Como funciona a previsão de demanda com IA na prática
A arquitetura de uma solução de previsão de demanda com IA para varejo segue cinco camadas que se alimentam em sequência. Não é um modelo mágico que adivinha o futuro — é um pipeline que transforma dados históricos em recomendação acionável.
Coleta de dados de vendas e estoque. A primeira camada conecta o agente ao PDV, ao ERP e a qualquer fonte de venda (loja física, e-commerce, marketplace, WhatsApp). O sistema coleta 12 a 24 meses de histórico por SKU, com granularidade diária. Lojas com menos de 12 meses começam com modelos mais simples e vão sofisticando.
Engenharia de features. O modelo cruza o histórico com calendário brasileiro (feriados, Dia das Mães, Black Friday, Natal, 13º), dia da semana, clima, promoções ativas e datas de pagamento (dias 5, 10, 15, 20 e 30 concentram consumo das classes C/D). Modelos mais avançados somam preço do concorrente, câmbio e Google Trends.
Modelo de machine learning. As técnicas mais usadas são ARIMA, Prophet (do Meta, popular no varejo BR por lidar bem com múltiplas sazonalidades e feriados), XGBoost e LSTM. A escolha depende do volume de dados, complexidade do mix e acurácia desejada.
Previsões com intervalo de confiança. O modelo devolve para cada SKU a estimativa de venda para os próximos 7, 14 e 30 dias, com intervalo de confiança (ex.: 90% inferior e superior). Isso permite calcular demanda prevista + estoque de segurança com precisão estatística — em vez de "comprar 100 e torcer", o gestor compra a quantidade certa com a folga calibrada.
Recomendação de compra. A última camada transforma a previsão em ordem de compra, considerando estoque atual, lead time do fornecedor, estoque de segurança e restrições de capital de giro. O gestor aprova, ajusta ou ignora — a decisão final continua humana, mas informada por dado.
Métodos de forecast: do simples ao avançado
A escolha do método depende do tamanho da operação, da maturidade digital e do orçamento. Não existe modelo bom para todo mundo — existe modelo bom para o estágio do negócio.
| Método | Volume de dados mínimo | Acurácia típica | Custo de implementação | Ideal para |
|---|---|---|---|---|
| Média móvel sazonal | 6 meses | MAPE 25-35% | R$ 0 (planilha) | Lojas < 200 SKUs, início de digitalização |
| ARIMA / SARIMA | 12 meses | MAPE 15-25% | Baixo (Python grátis) | Varejo com séries estáveis, pouca promoção |
| Prophet (Meta) | 12 meses | MAPE 12-20% | Baixo (open source) | Varejo BR com múltiplas sazonalidades e feriados |
| XGBoost / LightGBM | 18-24 meses | MAPE 8-15% | Médio (data science) | Varejo médio, e-commerce, multicanal |
| LSTM / redes neurais | 24+ meses | MAPE 6-12% | Alto (engenharia) | Grandes redes, marketplaces, indústria |
MAPE (Mean Absolute Percentage Error) é o erro percentual médio da previsão. Quanto menor, melhor. Um MAPE de 10% significa que a previsão erra, em média, 10% para mais ou para menos.
O varejo brasileiro de pequeno e médio porte encontra o melhor custo-benefício em Prophet e XGBoost. O Prophet é open source, roda em Python, tem documentação abundante e a comunidade brasileira já publicou bibliotecas com calendários nacionais pré-configurados. O XGBoost exige mais conhecimento técnico, mas captura melhor promoções, queimas e efeitos de variáveis externas.
Da previsão ao plano de compra: a parte que ninguém conta
Ter a previsão precisa é só metade do problema. A outra metade é transformar o número em decisão de compra que respeita as restrições reais do negócio. Um modelo pode prever que camiseta P vai vender 200 unidades na próxima semana, mas isso não significa comprar 200 — significa calcular:
- Estoque atual disponível (descontando o que está reservado, em transferência ou em defeito).
- Lead time do fornecedor (se ele entrega em 7 dias e o lead time do produto é 14, preciso pedir agora).
- Estoque de segurança (cobertura extra para imprevistos, calculada pela variabilidade da demanda e do lead time).
- Lote mínimo de compra (muitos fornecedores têm MOQ que pode forçar comprar além do necessário).
- Restrição de capital de giro (não adianta recomendar R$ 80 mil em compra se o caixa tem R$ 40 mil).
A fórmula clássica de recomposição é: Quantidade a comprar = Demanda prevista no lead time + Estoque de segurança − Estoque atual. A IA faz a previsão com precisão, e o ERP aplica as restrições operacionais. Quando os dois se conectam, o resultado é uma sugestão de pedido de compra que o gestor revisa — em vez de começar a planilha do zero toda semana.
Antes e depois: o que muda com previsão de demanda
A Loja Bem Vestida (nome fictício) é uma loja de moda feminina de bairro em São Paulo, 1.200 SKUs ativos, faturamento mensal de R$ 450 mil, três vendedores e a dona que ainda decide todas as compras. Antes da IA, o processo era o mesmo há oito anos: a dona sentava no domingo à noite, olhava a planilha de vendas do mês e decidia o que pedir para a próxima coleção.
Antes: ruptura média de 8% nas coleções de inverno (clientes iam embora sem comprar o que queriam), excesso de estoque de 35% nas peças da estação anterior, R$ 90 mil empatados em mercadoria parada e duas liquidações por ano com 50% de desconto que zeravam margem.
Depois (90 dias com previsão automatizada): a ruptura caiu para 2,5%, o excesso de estoque caiu para 18%, o capital de giro liberado foi de R$ 32 mil e a queima de liquidação caiu de 50% para 25% de desconto médio. O ganho líquido estimado: R$ 28 mil por mês entre margem recuperada e venda não perdida.
O que mudou na prática foi simples: a dona parou de adivinhar. O modelo passou a sugerir, por SKU e por semana, quanto cada peça deveria vender, e a sugestão de compra veio pronta para revisão. A dona ainda decide — mas decide sobre uma base sólida, olhando o intervalo de confiança, ajustando para o que ela sabe que o modelo não enxerga (cliente VIP que pediu reserva, viagem de compras, etc.).
Implementação realista para o varejo brasileiro
Não é preciso ser Magalu nem ter um time de data science para começar. A jornada tem três etapas que cabem em PMEs com orçamento enxuto.
Etapa 1 — Limpar o histórico de vendas. O pré-requisito básico é ter pelo menos 12 meses de histórico de vendas por SKU, com data, quantidade, preço e (idealmente) canal de venda. Se o PDV ou ERP já registra isso, o trabalho de limpeza é pequeno. Se está em planilha, vale digitalizar antes de qualquer projeto de IA — dado sujo gera previsão suja.
Etapa 2 — Subir o modelo. Para a maioria dos varejistas brasileiros de pequeno e médio porte, Prophet ou XGBoost rodam em servidor cloud por menos de R$ 500/mês de infraestrutura. Existem também plataformas SaaS nacionais (como Linx, VTEX, Omie, Bling com módulos de IA) que já embutem forecast sem precisar de projeto técnico. O trade-off é controle: SaaS é mais rápido e barato, projeto próprio dá mais flexibilidade e ajuste fino.
Etapa 3 — Operar e calibrar. Modelo de previsão não é "instala e esquece". Ele precisa de calibração periódica — o varejo muda (mix, fornecedores, perfil de cliente) e o modelo precisa acompanhar. O ideal é retreino mensal ou trimestral, com revisão dos SKUs que mais erraram. Esse é o trabalho contínuo que a Agendai faz junto com o varejista.
O que uma boa previsão de demanda entrega
Reduzir ruptura e excesso é o benefício visível, mas o impacto vai além. Uma operação que planeja com dado tem:
- Margem melhor porque a queima em liquidação cai e o mark-up médio sobe.
- Caixa mais saudável porque menos capital fica empatado em estoque parado.
- Negociação com fornecedor mais forte porque a empresa sabe exatamente o que precisa e quando, e pode comprar em volume com confiança.
- Clima organizacional melhor porque a equipe de loja para de lidar com cliente frustrado por falta de produto e com o estresse de queima.
- Decisões de expansão mais seguras porque a IA mostra a tendência real de cada categoria e a sazonalidade do negócio — abrir a segunda loja deixa de ser chute.
Perguntas frequentes
Qual a diferença entre previsão de demanda e controle de estoque? Previsão de demanda estima quanto vai ser vendido em um período futuro. Controle de estoque é a gestão operacional do que já está em depósito (entradas, saídas, validade, localização). São complementares: a previsão alimenta o controle, e o controle realimenta a previsão com dados de giro real.
Preciso de muito histórico de dados para começar? O mínimo razoável é 12 meses para capturar uma sazonalidade completa. Com 24 meses o modelo fica mais robusto. Abaixo de 12 meses, o modelo vai funcionar mas com acurácia menor — e é melhor do que planilha em quase todos os casos.
Funciona para qualquer tipo de varejo? Sim — moda, supermercado, farmácia, pet shop, material de construção, autopeças, livraria. O que muda é o calendário de sazonalidade e o peso das variáveis externas. Farmácia tem forte efeito de calendário (vacinação, gripe), moda tem sazonalidade longa e efeito de coleção, supermercado tem sazonalidade curta e efeito de data de pagamento.
Qual o custo de implementar em uma PME? Para um varejista de R$ 300 mil a R$ 1 milhão de faturamento mensal, o investimento típico em um projeto de forecast com IA fica entre R$ 8 mil e R$ 30 mil de implementação, mais R$ 500 a R$ 2 mil por mês de operação. O payback costuma vir em 3 a 6 meses via redução de ruptura e liberação de capital de giro.
Como a Agendai implementa isso na prática? A Agendai integra o agente de previsão de demanda ao seu PDV/ERP, calibra o modelo com o histórico da sua operação, define as regras de estoque de segurança por categoria e entrega uma sugestão de compra semanal que o gestor revisa e aprova. Tudo com explicação do porquê de cada número — sem caixa-preta. Comece pelo agendai.cc e veja quanto a sua operação pode liberar de capital de giro.
Recomendamos também: Controle de validade automático com IA: como acabar com produtos vencidos no estoque.
A Agendai implementa agentes de IA para previsão de demanda integrados ao seu sistema de gestão. Você para de decidir compra no feeling e começa a planejar com dado. Fale com a gente.