A previsão de ruptura de estoque com IA ajuda a responder uma pergunta prática: quais itens podem faltar antes da próxima reposição? Para uma PME, o melhor começo não é um modelo sofisticado. É um alerta semanal que cruza vendas recentes, saldo disponível, pedidos já feitos e prazo real do fornecedor — e mostra por que cada item entrou na fila de risco.
Neste guia, você verá os dados mínimos, um método de priorização e um piloto de 30 dias. A meta não é prever o futuro com perfeição. É comprar com mais antecedência, reduzir urgências e aprender com os alertas errados sem encher o estoque.
Como a previsão de ruptura de estoque com IA funciona
Ruptura acontece quando há demanda por um item, mas ele não está disponível para venda. Um estudo brasileiro publicado na revista Production trata de fatores que afetam a ruptura de estoque no varejo. Para começar a enfrentar o problema na sua PME, organize os dados que a operação já registra.
O alerta mais simples compara duas grandezas:
- estoque disponível e a receber durante o prazo de reposição;
- consumo provável no mesmo período, com uma margem para variações.
Se o consumo provável superar a quantidade disponível, o item entra em risco. A Inteligência Artificial pode ajudar a ajustar a estimativa ao reconhecer sazonalidade, promoções, diferenças entre dias da semana e mudanças recentes na procura. Também pode ordenar centenas de itens para que a equipe examine primeiro os casos com maior impacto.
Isso não transforma o alerta em ordem automática de compra. O comprador ainda precisa avaliar lote mínimo, caixa, validade, espaço e informações que não aparecem no sistema, como uma obra na estrada ou um fornecedor que avisou atraso por telefone.
Se sua empresa ainda reúne informações em arquivos separados, comece por organizar a análise dos dados da empresa. A previsão depende mais da consistência do histórico do que do nome da ferramenta.
Dados mínimos antes de usar IA
Você não precisa de um projeto de dados completo para testar a ideia. Monte uma tabela diária ou semanal por SKU, o código que identifica cada item, com estes campos:
| Dado | Para que serve | Erro comum |
|---|---|---|
| Data e quantidade vendida | Estimar ritmo e variação da demanda | Registrar venda cancelada como venda real |
| Saldo disponível | Saber o que pode ser vendido agora | Misturar estoque físico com item bloqueado |
| Pedidos de compra em aberto | Considerar o que já está a caminho | Manter pedido cancelado como previsto |
| Prazo real de entrega | Projetar consumo até a reposição | Usar somente o prazo prometido no cadastro |
| Rupturas anteriores | Separar falta de demanda de falta de produto | Tratar venda zero como procura zero |
| Promoções e datas especiais | Explicar picos que não se repetem sempre | Deixar campanhas fora do histórico |
O último ponto é decisivo: quando o item ficou sem estoque, as vendas registradas caem para zero, mas isso não prova que ninguém queria comprá-lo. Se o modelo interpretar esse período como baixa procura, poderá recomendar menos reposição e repetir o problema.
Cadastre também mudanças de preço e de embalagem quando elas alterarem a comparação histórica. Para sazonalidade mais ampla, a Pesquisa Mensal de Comércio do IBGE oferece séries por atividade e por unidade da federação. Ela ajuda a contextualizar movimentos do varejo, mas não substitui os dados de cada produto e loja.
Antes de automatizar esse fluxo, vale entender por onde começar uma automação com IA. Um alerta baseado em saldo atrasado apenas acelera uma decisão ruim.
Um método semanal e explicável
Comece com uma rotina que o comprador consiga conferir em menos de uma hora. Ela pode rodar toda segunda-feira e gerar uma fila de itens com risco alto, médio ou baixo.
1. Priorize pela curva ABC
Ordene os itens pelo valor movimentado ou pela margem no período escolhido. O grupo A reúne os itens que mais importam para o resultado; B e C vêm depois. A curva não mede sozinha o risco de ruptura. Ela define onde um erro merece atenção primeiro.
Um item C pode ser crítico por outro motivo, como compor um kit obrigatório ou atender um cliente importante. Por isso, permita uma marcação manual de criticidade. A classificação deve apoiar a operação, não substituir o conhecimento de quem compra e vende.
2. Projete o saldo no prazo de reposição
Para cada item, estime a demanda até a próxima entrega e desconte essa quantidade do saldo disponível, somando pedidos confirmados que chegarão a tempo. Em linguagem simples:
saldo projetado = saldo disponível + entradas confirmadas - demanda prevista no prazo
Quanto mais negativo o resultado, maior o risco. Inclua uma margem de segurança baseada na variação histórica e na confiabilidade do fornecedor. Não copie uma margem única para todos os itens: produtos estáveis e itens de procura irregular se comportam de maneiras diferentes.
3. Mostre o motivo do alerta
Cada linha da fila deve trazer uma explicação curta, por exemplo: “saldo cobre 6 dias; fornecedor entrega em 11; vendas dos últimos 14 dias ficaram acima da média”. Assim, o comprador consegue contestar o alerta e registrar a causa.
4. Registre a decisão humana
Use três respostas: comprar, acompanhar ou ignorar. Peça um motivo quando o alerta for ignorado. Esse retorno revela cadastros incorretos, eventos não registrados e exceções que podem entrar na próxima versão da regra ou do modelo.
Exemplo hipotético em Campo Grande
Imagine uma distribuidora de materiais de limpeza em Campo Grande com 600 SKUs ativos. Todos os valores a seguir são hipotéticos e servem apenas para mostrar o método.
Em vez de modelar os 600 itens de uma vez, a empresa escolhe 80 produtos da classe A. Para cada um, reúne 12 meses de vendas semanais, saldo atual, pedidos em aberto e prazo observado dos fornecedores. A lista também marca semanas com promoções e dias em que houve falta do produto.
Na primeira segunda-feira, a regra encontra 12 itens em risco. Um detergente profissional tem 36 caixas disponíveis e nenhuma entrada confirmada. O consumo recente é de 8 caixas por dia, enquanto o fornecedor tem levado 7 dias para entregar. Mantido esse ritmo, o saldo cobre 4,5 dias. O alerta aparece com risco alto porque a cobertura é menor do que o prazo de reposição.
O comprador não solicita automaticamente as 56 caixas que seriam consumidas em uma semana. Ele observa que uma venda atípica para um hotel puxou a média para cima e confirma que o pedido não se repetirá. Decide comprar 30 caixas e marca o alerta como parcialmente útil.
Outro item mostra risco porque o ERP informa saldo de 20 unidades, mas 15 estão avariadas. A decisão não é comprar imediatamente: primeiro, a equipe corrige o cadastro. Esse tipo de descoberta tem valor porque evita alimentar a próxima previsão com uma informação falsa.
Ao fim de quatro semanas, a distribuidora compara os alertas com o que realmente aconteceu. Ela não conclui que a IA “acertou” apenas porque houve compra. Verifica se o item teria faltado sem a ação, se a entrega ocorreu no prazo e se a explicação fazia sentido.
Regra simples ou modelo de IA: como escolher
Use uma regra de cobertura antes de treinar um modelo quando houver pouco histórico, poucos itens, vendas muito esparsas ou cadastros ainda instáveis. A regra é barata, transparente e cria uma referência para comparação.
A IA ganha espaço quando a operação já tem dados consistentes e muitas combinações difíceis de acompanhar manualmente: centenas de SKUs, várias lojas, promoções frequentes, prazos variáveis e padrões sazonais. Ainda assim, o modelo precisa competir com a regra simples. Se não gerar decisões melhores, a complexidade não se justifica.
Há também itens de demanda intermitente, vendidos em poucos períodos e em quantidades irregulares. Nesses casos, uma média comum pode esconder longos intervalos sem venda. A equipe deve avaliar o comportamento separadamente e evitar prometer precisão onde o histórico é escasso.
O AI Risk Management Framework do NIST organiza o uso responsável de IA em quatro funções: governar, mapear, medir e gerenciar. Aplicado ao estoque, isso significa definir responsáveis, documentar dados e limites, medir o desempenho e ajustar ou interromper o modelo quando o cenário mudar.
Como executar um piloto de 30 dias
Escolha uma loja ou depósito, um comprador responsável e de 30 a 100 itens relevantes. Preserve a decisão humana e registre diariamente saldo, vendas, entradas e ocorrências de falta. Uma vez por semana, gere a fila e discuta os casos de maior risco.
Antes de iniciar, defina quatro métricas:
| Métrica | Como calcular | Sinal de alerta |
|---|---|---|
| Alertas confirmados | Conte os itens sinalizados que teriam faltado sem uma ação | Poucos alertas confirmados em relação ao total sinalizado |
| Falsos alertas | Divida os alertas cujo risco não se confirmou pelo total de alertas | Percentual alto ou crescente ao longo das semanas |
| Rupturas sem alerta | Conte as faltas que o método não antecipou | Qualquer ocorrência recorrente, sobretudo em itens da classe A |
| Compras emergenciais | Conte os pedidos feitos fora da rotina por risco de falta | Nenhuma redução em comparação com os 30 dias anteriores |
Compare também o valor total e os dias de estoque. Reduzir ruptura às custas de compras excessivas não é sucesso. Durante o piloto, anote promoções, atrasos e mudanças no cadastro para entender por que a previsão errou.
Ao final dos 30 dias, decida entre três caminhos: manter a regra, corrigir dados e repetir o teste, ou avançar para um modelo de IA. Essa decisão baseada em evidências é mais segura do que começar pela tecnologia. Você pode acompanhar outros métodos na categoria Dados & Analytics.
A Agilize IA pode ajudar a estruturar os dados, desenhar o alerta e medir o piloto sem desconectar o projeto da rotina de compras. O primeiro resultado deve ser uma decisão mais clara, não um painel a mais para a equipe alimentar.
