Comprar demais imobiliza dinheiro. Comprar de menos pode deixar pedidos sem atendimento. Nesse cenário, muitas equipes atualizam planilhas, consultam saldos e ajustam quantidades com informações que chegam tarde ou não coincidem entre os sistemas.
O machine learning para o planejamento de demanda pode ajudar a estimar quanto será necessário de um produto em um local e período determinados. Mas uma previsão não é uma ordem de compra: ela precisa se conectar ao estoque disponível, às entregas pendentes, aos prazos do fornecedor e às regras do negócio.
Neste artigo explicamos como estruturar essa implementação, quais dados revisar e como verificar se o modelo agrega valor antes de automatizar decisões.
O que o machine learning faz no planejamento de demanda
Machine learning —aprendizado de máquina— utiliza dados históricos para aprender relações e estimar resultados futuros. Na demanda, pode relacionar vendas anteriores com sazonalidade, preço, promoções e outras informações disponíveis no momento da previsão.
Não se trata de pedir a um chatbot que invente um número. A estimativa deve vir de um modelo avaliado com dados que não utilizou para aprender. O exemplo oficial do scikit-learn sobre previsão com variáveis históricas mostra como usar valores de períodos anteriores e por que uma divisão aleatória dos dados pode produzir uma avaliação otimista demais.
Também não é preciso começar pelo modelo mais complexo. Uma média, o último valor observado ou o mesmo período da temporada anterior podem servir como referência. Se o modelo não melhora essa referência em condições comparáveis, não há uma razão sólida para substituí-la. Forecasting: Principles and Practice explica essas referências simples.
Comece com uma pergunta de negócio concreta
“Prever todas as vendas” é um escopo difícil de executar. Uma pergunta mais útil seria: qual demanda esperamos por item e armazém nas próximas quatro semanas para preparar a reposição de uma família de produtos?
O período deve corresponder à decisão. Se um fornecedor precisa de quatro semanas para entregar, avaliar apenas a previsão de amanhã não demonstra que o modelo serve para comprar hoje. Defina quem utilizará a recomendação, quando decidirá e qual é o custo de errar por excesso ou por falta.
Os dados que vale revisar antes de treinar
- Vendas por produto, local e período: unidades, devoluções e cancelamentos com definições consistentes.
- Disponibilidade histórica: quando havia estoque e quando uma venda baixa pode ter ocorrido por ruptura.
- Preço e promoções: vigência e condições conhecidas ao gerar a estimativa.
- Calendário: dias de operação, feriados e temporadas relevantes para o negócio.
- Dados de abastecimento: prazos reais do fornecedor, entregas confirmadas, mínimos e múltiplos de compra.
- Qualidade do registro: itens duplicados, mudanças de unidade, datas ausentes e movimentações registradas com atraso.
Vendas iguais a zero nem sempre significam demanda zero. Se o produto estava esgotado, as vendas registradas não mostram todas as unidades que os clientes teriam pedido. A documentação da AWS sobre valores ausentes distingue zeros com disponibilidade de períodos sem produto e alerta que preencher estes últimos com zero pode enviesar a estimativa para baixo.
Produtos novos e itens vendidos apenas ocasionalmente precisam de um tratamento diferente. Quando faltam evidências, uma regra simples ou a revisão do planejador pode ser mais útil do que uma previsão aparentemente precisa.
Como verificar se a previsão funciona
1. Respeite a ordem do tempo
Treine com períodos anteriores e teste com períodos posteriores, sem fornecer ao modelo informações do futuro. Repita essa avaliação em várias datas de corte e com o horizonte de que compras realmente precisa. Isso é conhecido como validação temporal ou avaliação com origem móvel. O guia de validação de séries temporais explica o método.
2. Compare com uma referência e examine os erros
Uma métrica compreensível é o erro absoluto médio: quantas unidades a previsão se desvia, em média. Verifique também se o modelo tende a subestimar ou a pedir demais. Separe o resultado por família, local e tipo de produto; uma média geral pode esconder problemas em itens importantes.
Evite depender de percentuais quando há muitas vendas iguais a zero: métricas como MAPE podem ser indefinidas ou instáveis. Os erros em dados não usados no treinamento são mais informativos do que um bom ajuste ao histórico. O guia de precisão de previsões detalha essas diferenças.
3. Torne a incerteza visível
Uma estimativa de 1.200 unidades não é uma promessa. Quando o método permitir e sua calibração tiver sido avaliada, mostre uma faixa de resultados plausíveis junto ao valor central. Os intervalos ajudam a discutir cenários, mas não eliminam o risco nem substituem uma política de estoque. Mais sobre intervalos de previsão.
Da previsão à compra: um exemplo
Suponha um item com demanda estimada de 1.200 unidades para quatro semanas, 700 unidades utilizáveis após descontar reservas e 250 unidades com chegada confirmada antes de serem necessárias. A diferença inicial seria de 250 unidades.
Se o fornecedor vende em múltiplos de 60, o próximo múltiplo que cobre essa diferença é 300. Essa quantidade ainda precisa ser revisada considerando estoque de segurança, datas de consumo e chegada, orçamento, capacidade e políticas de aprovação. Se as 250 unidades em trânsito chegarem tarde, o cálculo agregado pode esconder uma ruptura intermediária.
Este é um exemplo simplificado, não um resultado de cliente nem uma fórmula universal de reposição. Seu objetivo é mostrar por que uma previsão, sozinha, não decide quanto comprar.
| Camada | O que oferece | O que deve ser controlado |
|---|---|---|
| Previsão | Estimativa de demanda e, quando aplicável, sua incerteza | Qualidade dos dados, validação e erro |
| Planejamento | Quantidade e data propostas conforme estoque e abastecimento | Reservas, entregas, mínimos e restrições |
| Execução | Preparar solicitações, coordenar aprovações e registrar ações | Permissões, rastreabilidade e revisão de exceções |
Como levaríamos isso à operação na Seelai
Começamos com uma família de produtos, um local e uma decisão recorrente. Conectamos as fontes, alinhamos as regras com a equipe e comparamos a previsão com o método atual. A recomendação deve mostrar quais dados a sustentam e o que mudou em relação ao período anterior.
Depois conectamos essa recomendação às ferramentas que o negócio já utiliza. Os agentes de IA podem preparar uma solicitação, reunir documentos ou avisar sobre uma exceção; não devem aprovar compras fora das permissões e dos limites acordados. O caso de planejamento de demanda ilustra essa abordagem de implementação.
Um piloto delimitado pode ser organizado em semanas quando os dados e acessos estão prontos. Isso não significa prometer resultados imediatos: se há inconsistências de estoque ou falta histórico, primeiro é preciso resolvê-los. A entrega útil é um processo que a equipe possa revisar e usar, não apenas um modelo funcionando.
O que medir além do erro do modelo
- Tempo necessário para preparar e revisar a proposta de reposição.
- Recomendações aceitas, ajustadas ou rejeitadas, e motivo da alteração.
- Rupturas, estoque envelhecido e compras urgentes no escopo do piloto.
- Diferenças entre datas de entrega prometidas e reais.
- Erros de integração e solicitações duplicadas.
- Mudanças de comportamento que indiquem a necessidade de revisar o modelo.
Uma melhoria na previsão não demonstra, por si só, redução de estoque ou aumento de vendas. Esses resultados também dependem de fornecedores, políticas, disponibilidade e execução. Compare-os com uma linha de base e documente as mudanças ocorridas durante o piloto.
Perguntas frequentes
De quanto histórico precisamos?
Não existe um número universal de meses. Depende da frequência, sazonalidade, quantidade de observações e comportamento do produto. Deve haver histórico suficiente para aprender e reservar períodos posteriores para avaliação; caso contrário, vale começar com regras e revisão humana.
É preciso substituir o ERP?
Não necessariamente. O ERP pode continuar sendo a fonte de movimentações, estoque e compras. A implementação acrescenta estimativas e recomendações conectadas, sem criar outra versão dos saldos.
Machine learning sempre supera o método atual?
Não. Há séries em que uma referência simples funciona bem. A decisão de usar um modelo deve se basear em uma avaliação temporal e em sua utilidade para o processo, não na novidade da tecnologia.
Fontes
- Forecasting: Principles and Practice — métodos simples.
- Forecasting: Principles and Practice — validação temporal.
- Forecasting: Principles and Practice — precisão da previsão.
- Forecasting: Principles and Practice — intervalos de previsão.
- scikit-learn — previsões com variáveis históricas.
- AWS — tratamento de valores ausentes e disponibilidade.
Vamos explorar seu caso
Sua equipe reúne vendas, estoque e pedidos em várias planilhas antes de comprar? Agende uma demo com a Seelai para avaliar como conectar essas informações e preparar recomendações de reposição que sua equipe possa validar.