Previsão de demanda no varejo não precisa começar com um projeto sofisticado de Inteligência Artificial. Para uma loja pequena ou média, o primeiro passo é usar o histórico do próprio PDV ou ERP para estimar a compra da semana seguinte. Depois, você mede o erro e acrescenta calendário e clima somente quando essas informações melhorarem a previsão.
O objetivo não é adivinhar a venda exata. É comprar com uma margem de segurança consciente, reduzir faltas e evitar estoque parado. A seguir, você encontra um método em camadas que cabe em uma planilha e ajuda a decidir quando a IA realmente se justifica.
Comece com os dados que já existem
Separe pelo menos três informações por produto: data da venda, quantidade vendida e loja ou canal. Se o sistema também registra preço, promoção e saldo de estoque, melhor. Esses campos ajudam a distinguir procura real de uma venda alterada por desconto ou falta de mercadoria.
O histórico deve ter a mesma frequência da decisão. Se você compra toda semana, agregue as vendas por semana. Para itens com validade curta ou reposição diária, talvez seja melhor trabalhar por dia. Misturar decisões semanais com dados mensais esconde movimentos importantes.
Antes de calcular qualquer média, marque três situações:
- Promoção: o desconto pode elevar a venda por alguns dias, mas esse pico não representa uma semana normal.
- Ruptura: quando o produto acabou, a venda registrada ficou abaixo da procura. Zero no caixa não significa necessariamente zero demanda.
- Mudança de operação: novo horário, troca de ponto, abertura de canal ou alteração grande de preço pode tornar o histórico antigo menos comparável.
Não apague esses registros. Crie uma coluna para identificá-los. Assim, você pode comparar a previsão com e sem semanas atípicas e explicar por que o comprador ajustou determinado número.
Monte a previsão de demanda no varejo em camadas
A melhor referência inicial é uma previsão simples. Ela funciona como linha de base: qualquer método mais elaborado só merece entrar na rotina se errar menos de forma consistente.
Camada 1: média móvel
Some as vendas das últimas quatro semanas comparáveis e divida por quatro. Essa média móvel vira a previsão da próxima semana. Quatro semanas não são uma regra universal; são um ponto de partida fácil de testar.
Uma janela curta reage rápido a mudanças, mas oscila mais. Uma janela longa é mais estável, porém demora para perceber uma nova tendência. Compare quatro, oito e doze semanas usando períodos anteriores e escolha a que apresenta menor erro para aquela categoria.
Camada 2: calendário comercial
Acrescente informações que a equipe já conhece: feriados, datas de pagamento, volta às aulas, eventos locais e campanhas da própria loja. Em vez de aplicar um percentual por intuição, procure semanas semelhantes no histórico.
Se uma promoção está planejada, mantenha duas linhas: previsão normal e previsão promocional. Isso evita transformar uma campanha excepcional em novo padrão de compra.
Camada 3: clima por categoria
Temperatura e chuva podem ser testadas em categorias plausivelmente sensíveis, como bebidas geladas, ventiladores, guarda-chuvas ou alguns itens de vestuário. O BDMEP do INMET reúne séries meteorológicas diárias de estações do Instituto. O próprio INMET orienta selecionar a estação e o período desejados e alerta que dados automáticos podem ter falhas ou registros sem validação de consistência.
Isso exige cuidado. Não conclua que o calor causou uma venda maior porque duas curvas subiram juntas em uma semana. Primeiro, compare vários períodos, controle promoções e rupturas e veja se a variável climática reduz o erro fora da amostra usada para montar a regra.
Exemplo hipotético em Campo Grande
Considere uma pequena loja de conveniência de Campo Grande. Todos os números a seguir são hipotéticos e servem apenas para mostrar o cálculo. Para uma linha de bebidas sem álcool, as vendas das últimas quatro semanas comparáveis foram 118, 126, 121 e 135 unidades.
A média é 125 unidades. Essa é a previsão de base para a quinta semana. O comprador também identifica que a semana seguinte terá uma campanha planejada e encontra campanhas comparáveis no próprio histórico. Com esse ajuste, chega a 142 unidades.
A equipe decide testar uma terceira previsão, de 148 unidades, porque a categoria mostrou resposta consistente a semanas mais quentes em períodos anteriores. O dado de temperatura vem da estação meteorológica mais próxima e é combinado com o histórico do PDV. Ainda assim, a relação é tratada como hipótese, não como certeza.
Ao fim da semana, a venda real foi de 150 unidades. O erro absoluto de cada previsão ficou assim:
| Método | Previsão hipotética | Venda real hipotética | Erro absoluto | Erro percentual |
|---|---|---|---|---|
| Média móvel | 125 | 150 | 25 | 16,7% |
| Média + calendário | 142 | 150 | 8 | 5,3% |
| Média + calendário + clima | 148 | 150 | 2 | 1,3% |
O cálculo do erro percentual é a diferença absoluta entre previsão e venda real, dividida pela venda real. Nesse exemplo, o clima parece ajudar. Mas uma única semana não prova nada. A loja deve repetir a comparação por várias semanas e em outras categorias antes de alterar a compra.
Também é importante separar venda de demanda. Se havia somente 130 unidades disponíveis, a planilha registraria 130 vendas mesmo que clientes quisessem comprar mais. Sem marcar a ruptura, o método aprenderia uma procura artificialmente baixa.
Meça o erro antes de mudar a compra
Reserve uma coluna para previsão, outra para venda real e outra para a diferença absoluta. O erro deve ser acompanhado por produto e também por categoria. Produtos de baixo giro podem oscilar demais; agrupá-los pode produzir uma decisão mais estável.
Use sempre o mesmo indicador por algumas semanas. O erro percentual é fácil de explicar ao dono, mas não funciona bem quando a venda real é zero. Nesse caso, acompanhe também a diferença em unidades e não calcule percentual para aquela linha.
Uma boa rotina semanal responde a quatro perguntas:
- Quanto previmos?
- Quanto vendemos e quanto havia disponível?
- O erro veio de calendário, promoção, ruptura, preço ou outro fato conhecido?
- A nova camada reduziu o erro em comparação com a média móvel?
Não transforme a previsão automaticamente em pedido. Prazo do fornecedor, lote mínimo, validade, espaço, estoque atual e caixa disponível continuam fazendo parte da decisão.
Quando a planilha basta e quando a IA ajuda
Uma planilha costuma bastar quando há poucas lojas, centenas de itens relevantes, uma revisão semanal e regras compreensíveis pela equipe. Ela permite começar rápido, documentar ajustes e criar disciplina de medição. Para organizar melhor essa base, veja também os conteúdos de Dados & Analytics.
A IA para previsão de vendas passa a fazer sentido quando o volume já impede a análise manual: muitos produtos e lojas, combinações de preço e promoção, padrões diferentes por região ou atualização diária. Modelos podem testar mais variáveis e relações não lineares, mas continuam dependendo de histórico limpo, comparação contra uma linha de base e acompanhamento do erro.
Antes de investir, faça um teste simples: rode o modelo novo ao lado da planilha por algumas semanas, sem deixar que ele compre sozinho. Compare os erros no mesmo período e por categoria. Se o ganho for pequeno ou instável, talvez a complexidade não se pague.
Como começar na próxima segunda-feira
Escolha uma categoria importante, não o catálogo inteiro. Exporte de seis a doze meses de vendas do PDV ou ERP, marque promoções e rupturas e monte a média das últimas quatro semanas. Durante um mês, registre previsão, venda real, estoque disponível e motivo dos maiores erros.
No ciclo seguinte, acrescente o calendário. Só depois teste temperatura ou chuva em uma categoria que tenha uma hipótese comercial clara. O INMET explica que é possível selecionar a estação e o período de interesse; se não houver estação na localidade, a orientação é procurar a mais próxima. Observe também valores ausentes e a qualidade do dado antes de usá-lo.
Ao final, você terá evidência para decidir entre três caminhos: manter a média simples, ajustar a planilha ou avaliar uma solução com IA. A Agilize IA pode ajudar a organizar os dados, montar esse teste e transformar a previsão em uma rotina de compra acompanhada por indicadores, sem tirar a decisão das mãos da equipe.
