Sintoma: a IA recomenda compra excessiva em produtos errados e falta itens da curva A
Executar a previsão de demanda com IA no e-commerce passo a passo é um processo que muitos lojistas tentam implementar subindo relatórios puros do ERP para ferramentas de linguagem ou modelos estatísticos. O resultado dessa abordagem costuma ser desastroso no caixa: 60 dias após a aprovação das ordens de compra, faltam os produtos mais vendidos da curva A no estoque, enquanto itens de baixo giro tomam espaço nas prateleiras do galpão.
A causa desse erro raramente é o algoritmo escolhido ou a capacidade de processamento da inteligência artificial. O problema real está na qualidade dos dados fornecidos na entrada. Quando você alimenta a IA com o histórico bruto de vendas, o sistema interpreta a ausência de vendas em dias de ruptura como falta de interesse do mercado. Se o seu carro-chefe ficou 10 dias sem estoque no mês passado, o ERP registrou zero vendas nesses dias, e o modelo estatístico projeta uma demanda futura reduzida para o item.
Da mesma forma, o oposto estraga a projeção. Se um SKU da curva C teve um pico pontual de 200 unidades vendidas em dois dias porque rodou em uma campanha de queima com desconto de 50% ou tráfego pago fora do padrão, a IA assume que aquela demanda é recorrente. Sem a devida higienização, a ferramenta sugere reposições massivas de produtos encalhados e subestima a necessidade dos itens que realmente sustentam a margem do negócio.
Venda registrada no ERP é o volume transacionado limitado pelo estoque existente. Demanda real é a intenção de compra do consumidor, haja estoque disponível ou não. Para obter projeções corretas, a IA precisa processar a demanda estimada, e não o número bruto de cupons fiscais emitidos.
Passo 1: Limpeza do histórico de vendas e tratamento de rupturas
O primeiro passo prático exige extrair do ERP a planilha de vendas diárias por SKU agrupada por data, contendo duas métricas primárias: a quantidade vendida no dia e o saldo de estoque físico registrado no fechamento de cada data.
Para corrigir os dias em que o produto esteve zerado, aplica-se o cálculo da venda teórica. Nos dias em que o saldo final de estoque foi igual a zero, substitui-se o valor zero de vendas pela média móvel diária das vendas do SKU nos últimos 14 dias em que o estoque esteve ativo. Se um produto vende em média 15 unidades por dia e ficou 5 dias zerado, a coluna de vendas ajustadas desses 5 dias deve receber o valor 15 em vez de zero.
Tratamento de picos promocionais e liquidações
Ações promocionais atípicas exigem o caminho inverso. Identifique todos os dias em que o produto rodou com margem de contribuição sacrificada, descontos agressivos de liquidação ou investimento de tráfego pago três vezes acima da média operacional diária.
Nesses dias atípicos, a quantidade vendida deve ser substituída pela média ponderada do período normal imediatamente anterior à promoção. Manter o número bruto inflado ensina ao modelo estatístico que o produto tem elasticidade permanente, gerando ordens de compra superdimensionadas que travam o caixa na safra seguinte.
Passo 2: Organização da planilha de dados de venda para ingestão na IA
Com os dados limpos, monte o arquivo final de ingestão no formato CSV ou XLSX. A estrutura deve conter colunas perfeitamente padronizadas para evitar que o modelo interprete atributos como texto corrido ou valores nulos.
Monte a tabela com as seguintes colunas de dados:
Data: no formato AAAA-MM-DD.SKU: código único do produto no ERP.Vendas_Reais: volume bruto registrado pelas vendas.Vendas_Ajustadas: volume recalculado com o expurgo de rupturas e picos.Preco_Praticado: preço médio de venda do SKU no dia.Lead_Time_Dias: prazo total de reposição do fornecedor, somando fabricação, transporte e recebimento.Categoria: agrupamento da curva ABC ou tipo de produto.
Adicione colunas sinalizadoras binárias, preenchidas com 0 ou 1, para variáveis de calendário que impactam o seu nicho. Crie a coluna Data_Comemorativa marcando 1 para períodos como Black Friday, Dia das Mães ou datas sazonais específicas do seu mercado, e 0 para dias normais. Isso permite que a IA identifique sazonalidade recorrente sem confundir datas promocionais de calendário com alteração estrutural de demanda.
O horizonte de projeção da IA deve ser alinhado ao seu ciclo financeiro e operacional. Se o fornecedor leva 45 dias para entregar o pedido e o prazo de pagamento é de 30 dias após a emissão da nota, projetar compras para horizontes menores que 60 dias gerará rupturas inevitáveis. Defina a janela de projeção calculando a soma do lead time do fornecedor com a frequência de pedidos e o estoque de segurança desejado em dias.
Passo 3: Execução do prompt de forecast e extração dos números de compra
Ao enviar a planilha estruturada para a IA, a instrução precisa conter a lógica exata de cálculo de reposição. Modelos de linguagem ou algoritmos estatísticos precisam de parâmetros claros sobre nível de serviço e ponto de pedido para não gerarem recomendações genéricas.
Utilize a estrutura de prompt abaixo para orientar a análise do modelo:
Você é um analista especialista em supply chain de e-commerce. Analise a planilha anexa contendo o histórico de Vendas_Ajustadas, Lead_Time_Dias e Estoque_Atual por SKU.
Considere o nível de serviço desejado de 95% (fator Z = 1,65).
Para cada SKU, execute as seguintes tarefas:
1. Calcule a Demanda Média Diária (DMD) com base no histórico recente de Vendas_Ajustadas.
2. Calcule o Desvio Padrão da demanda diária (DPD).
3. Calcule o Estoque de Segurança (ES) utilizando a fórmula: ES = Z * sqrt(Lead_Time_Dias * (DPD^2)).
4. Calcule o Ponto de Pedido (PP): PP = (DMD * Lead_Time_Dias) + ES.
5. Calcule a Necessidade de Reposição para as janelas de 30, 60 e 90 dias, subtraindo o Estoque_Atual e os Pedidos_em_Trânsito.
Gere a saída estritamente em uma tabela com as colunas: SKU, Categoria, Estoque_Atual, DMD, Estoque_Seguranca, Ponto_de_Pedido, Sugestao_Compra_30D, Sugestao_Compra_60D, Sugestao_Compra_90D, Alerta_Tendencia.
Na coluna Alerta_Tendencia, sinalize "Aumento de Demanda", "Queda de Demanda" ou "Estável" comparando a tendência dos últimos 30 dias com o mesmo período do ano anterior.
A coluna de alerta de tendência gerada pelo modelo destaca mudanças de comportamento do consumidor que superam a sazonalidade simples. SKUs que apresentam queda de demanda contínua por três meses consecutivos devem ter o ponto de pedido revisado para baixo, independentemente do histórico acumulado dos últimos 12 meses.
Revisão humana e validação dos pedidos antes da emissão da ordem de compra
Nenhuma sugestão gerada por IA deve ser enviada diretamente ao fornecedor sem passar pela validação financeira do operador. A inteligência artificial calcula necessidades com base em volumes de unidades, mas a gestão da empresa roda sobre margem de contribuição e fluxo de caixa.
Confronte a lista de reposição sugerida com a margem de contribuição unitária de cada SKU. Produtos de alto giro com margem de contribuição baixa ou comprimida por custos de frete não devem ter a compra aprovada na quantidade total sugerida sem reajuste prévio de preço. A prioridade na alocação de capital de giro deve ser direcionada aos SKUs com maior margem e alta participação no faturamento total.
Verifique o impacto do valor total da ordem de compra no fluxo de caixa de curto e médio prazo. Calcule as datas de vencimento das parcelas do fornecedor contra a projeção de recebíveis do checkout e das vendas em marketplaces. Se a ordem sugerida pela IA consome mais do que 40% do caixa livre projetado para o mês, parcele a ordem de compra em entregas programadas ou reduza o horizonte de cobertura de 60 para 45 dias nos itens de curva B e C.
Para confirmar que a higienização dos dados e a nova regra de forecast funcionaram, monitore duas métricas ao longo dos 60 dias seguintes: a taxa de ruptura nos itens curva A, medida pelo percentual de horas do mês com produto sem estoque no site, e o giro do estoque geral. Se a taxa de ruptura diminuir e o giro médio acelerar sem acúmulo de SKUs de baixo giro, o modelo de previsão atingiu a calibração correta.
Perguntas frequentes
Como fazer a previsão de demanda com IA para produtos novos sem histórico no ERP?
Utilize o histórico de um SKU correlato da mesma categoria e faixa de preço como base inicial. Importe a taxa de conversão e a demanda diária média do produto similar no primeiro mês, aplicando um fator de redução de 30% a 50% até acumular 30 dias de dados reais de tráfego e vendas no novo item.
Qual o período mínimo de histórico de vendas necessário para a IA gerar projeções confiáveis?
O recomendado é utilizar um histórico contínuo de pelo menos 12 meses para que a IA identifique ciclos de sazonalidade de calendário e datas comemorativas. Para operações mais recentes com 3 a 6 meses de dados, utilize modelos de média móvel ponderada com ajuste manual, evitando projeções de longo prazo superiores a 30 dias.
O que fazer quando o fornecedor exige um Lote Mínimo de Compra (MOQ) maior que a sugestão da IA?
Quando o MOQ do fabricante supera a demanda calculada para o horizonte ideal, recalcule o custo de estocagem e o custo do capital parado contra o desconto concedido no volume. Caso o MOQ represente cobertura superior a 120 dias de venda, negocie o fracionamento das entregas com o fornecedor ou substitua o item por uma alternativa de maior giro.