Para usar IA na previsão de demanda no varejo, o primeiro passo não é escolher um modelo. É reunir vendas, disponibilidade de estoque, preços e promoções na mesma linha do tempo. Sem esse contexto, o sistema aprende com números que parecem representar procura, mas muitas vezes representam apenas o que havia para vender.
Esse cuidado vale para redes com lojas físicas, comércio eletrônico e operações que combinam os dois canais. O objetivo é estimar quanto cada produto pode ser procurado em cada local e período, para apoiar compra, reposição e distribuição. A previsão ajuda a decidir; ela não substitui regras comerciais nem elimina a incerteza.
Vendas registradas não são a mesma coisa que demanda
Imagine duas lojas que vendem o mesmo item. Em uma, foram vendidas 20 unidades na semana. Na outra, apenas duas. Se a segunda ficou sem estoque depois do primeiro dia, as duas vendas não indicam pouca procura. Indicam que a demanda deixou de ser observada.
Uma previsão treinada somente com vendas tende a repetir esse erro: pode sugerir menos reposição justamente para a loja que sofreu ruptura. Promoções também distorcem a leitura. Um pico de vendas com desconto não deve virar a expectativa normal das semanas seguintes.
Por isso, antes de calcular a previsão, é preciso distinguir pelo menos três situações: produto disponível e vendido, produto disponível e não vendido e produto indisponível. Devoluções, cancelamentos e transferências entre lojas precisam ter definições próprias; somá-los às vendas como se fossem novas compras altera o sinal que o modelo recebe.
Quais dados reunir para prever demanda no varejo?
O conjunto inicial pode ser pequeno, desde que cada campo tenha significado estável:
| Dado | Por que importa |
|---|---|
| Produto e local | Permitem comparar o mesmo SKU entre loja, centro de distribuição e canal digital. |
| Data da venda e unidades líquidas | Mostram o histórico após separar cancelamentos e devoluções. |
| Estoque disponível e rupturas | Ajudam a identificar períodos em que a venda ficou limitada pela falta do produto. |
| Preço e promoção | Explicam parte das mudanças de comportamento causadas por desconto ou campanha. |
| Calendário | Feriados e sazonalidade ajudam a comparar períodos equivalentes. |
| Prazo de reposição | Conecta a previsão à decisão de compra e abastecimento. |
Vale definir uma granularidade antes de integrar as fontes: por exemplo, uma linha por produto, loja e dia. Se o ERP registra uma venda por item, o comércio eletrônico registra pedidos por carrinho e o estoque é atualizado por movimento, a engenharia de dados precisa transformar esses eventos em uma visão coerente. Também é necessário preservar o histórico: consultar apenas o saldo de estoque de hoje não revela se o item esteve indisponível na semana passada.
O trabalho de engenharia de dados antes do modelo
Uma primeira versão útil da base pode seguir esta sequência:
- Escolher as fontes de referência. Identifique onde nascem pedidos, vendas concluídas, devoluções, preços e movimentos de estoque. Documente qual sistema prevalece quando dois números divergem.
- Unificar identificadores. O mesmo produto precisa de uma chave reconhecível entre ERP, loja e comércio eletrônico. Mudanças de código, kits e variações exigem uma regra explícita de correspondência.
- Reconstruir o histórico. Gere registros por produto, local e período, incluindo dias sem venda e sinalizando quando não havia estoque. Guarde a versão das regras usadas para transformar os dados.
- Testar a qualidade. Procure duplicatas, datas fora de ordem, preços inválidos, estoque negativo sem explicação e produtos presentes em uma fonte, mas ausentes em outra. Monitore a frequência de atualização.
- Entregar uma base reutilizável. A mesma camada confiável pode alimentar relatórios de ruptura, indicadores de giro e experimentos de previsão. Isso torna o investimento útil mesmo antes de colocar um modelo em produção.
Não é necessário substituir o sistema transacional para começar. A integração pode extrair os dados necessários e preparar a análise em uma camada separada, mantendo a operação atual. Esse é o mesmo princípio de modernização incremental de sistemas legados: evoluir a capacidade de análise sem interromper o que já processa o negócio.
Como testar se a IA melhora a decisão
Comece com uma categoria e uma decisão concreta, como definir a reposição semanal por loja. Antes do modelo mais complexo, estabeleça uma referência simples, por exemplo a venda de semanas equivalentes ajustada por rupturas conhecidas. Se a nova abordagem não superar essa referência em períodos posteriores, ainda não há motivo para automatizar a compra.
Separe a avaliação no tempo: treine com dados antigos e teste com semanas que o modelo não viu. Compare o erro da previsão, mas também o que importa na operação: dias de ruptura, excesso de estoque e frequência de ajustes manuais. Registre quando uma promoção, mudança de preço ou falha de integração afetou o resultado.
No início, a previsão pode aparecer ao lado da sugestão feita pela equipe. Compradores e gestores conseguem apontar exceções que a base ainda não representa, enquanto a engenharia de dados corrige as causas. A passagem para decisões automáticas deve depender de desempenho medido e limites definidos para cada tipo de produto.
Onde a IA entra — e onde uma regra basta
Um modelo de previsão é útil quando há histórico, variáveis relevantes e uma decisão recorrente cuja qualidade pode ser medida. Para um item recém-lançado, com pouco histórico, pode fazer mais sentido combinar produtos semelhantes e julgamento comercial. Para uma regra fixa, como impedir pedido acima de um limite contratual, código comum é mais previsível.
Também não é preciso colocar um modelo de linguagem em toda etapa. IA generativa pode ajudar a explicar uma variação ou organizar justificativas para um comprador, mas a previsão numérica e as restrições de estoque precisam ser avaliadas pelos seus próprios resultados. A arquitetura deve permitir revisar cada sugestão: quais dados entraram, quando foram atualizados e qual decisão foi tomada.
Por onde começar
Escolha um grupo de produtos que tenha vendas frequentes e impacto claro de ruptura ou excesso. Verifique se é possível reconstruir, para cada dia, vendas, disponibilidade, preço e promoção. Só depois defina o método de previsão e o indicador de sucesso com a equipe de abastecimento.
Documentações de referência mostram a importância dessa base: o Google Cloud detalha como eventos de produto e compra alimentam aplicações de IA no varejo e como dados de catálogo e eventos podem ser preparados para previsão de vendas. São exemplos de implementação, não requisitos para usar uma plataforma específica.
Se vendas, estoque e catálogo hoje vivem em sistemas separados, converse com a Korvantis. Podemos mapear as fontes e definir um primeiro entregável de dados antes de ampliar o projeto de IA.