Previsão de demanda: métodos práticos para indústria e varejo

Quase 8 em cada 100 itens que deveriam estar à venda no varejo brasileiro faltam porque alguém comprou pouco ou o pedido não chegou a tempo. É o que a Abrappe chama de ruptura comercial, e ela ficou em 7,81% na pesquisa de perdas publicada em 2026. Não é furto, não é quebra. É previsão de demanda mal feita, ou feita no olho.

O curioso é que a mesma empresa que perde venda por falta costuma ter dinheiro parado em produto que não gira. Os dois problemas têm a mesma raiz: a compra é decidida olhando o mês passado e a intuição do comprador, sem um número de referência que alguém possa questionar.

A boa notícia é que a maioria das empresas não precisa de um modelo sofisticado para sair desse ciclo. Precisa do método certo para o nível de dado que já tem.

Previsão de demanda é a estimativa de quanto cada produto vai vender em um período futuro, feita a partir do histórico de vendas e de fatores que mexem nesse histórico (sazonalidade, preço, promoções). Os métodos vão da média móvel simples, feita em planilha, até modelos de machine learning. Ela é a base para definir compras, produção e estoque de segurança.

Por que a previsão de demanda sempre erra (e por que isso não é o problema)

Toda previsão erra. O gestor que espera acertar o número exato vai abandonar o método no terceiro mês. A pergunta útil é outra: quanto ela erra, para que lado e quanto custa esse erro.

Errar 10% para cima em um item de giro rápido e baixo valor é barato. Errar 10% para baixo no item que puxa o cliente para a loja é caro, porque a venda perdida raramente volta: o cliente compra no concorrente. Por isso a previsão não termina no número. Ela termina na política de estoque que absorve o erro, assunto que aparece mais adiante.

Na prática, o maior ganho não vem de trocar o método. Vem de ter um método qualquer, registrado, cujo erro é medido todo mês. Isso sozinho já separa a empresa que aprende da que repete o mesmo palpite.

Quais são os métodos de previsão de demanda?

Os métodos se dividem em dois grupos. Os qualitativos usam opinião estruturada: estimativa da equipe de vendas, consulta a especialistas (método Delphi), pesquisa com clientes. Servem para lançamento de produto, entrada em mercado novo ou qualquer situação sem histórico. Os quantitativos usam a série de vendas passadas, e é neles que está o dia a dia de compras.

A forma mais prática de escolher é pensar em degraus de maturidade. Cada degrau exige um pouco mais de dado e de disciplina, e entrega um pouco mais de precisão.

Método	Quando usar	Onde quebra
Média móvel simples	Itens estáveis, pouco histórico, primeiro passo	Atrasa em tendência e ignora sazonalidade
Suavização exponencial	Muitos SKUs, atualização mensal ou semanal	Sozinha, também atrasa quando a venda está subindo
Índice sazonal (Holt-Winters)	Varejo com datas fortes, indústria com safra	Precisa de pelo menos 2 anos para medir o padrão
Regressão com variáveis causais	Promoção, preço e clima mexem muito na venda	Exige registrar as causas, e quase ninguém registra
Machine learning	Milhares de combinações SKU x loja, dados integrados	Dado sujo produz previsão errada com cara de precisa

Como fazer previsão de demanda na prática: um exemplo calculado

Imagine um mercado de bairro com este histórico de fardos de água mineral: janeiro 820, fevereiro 760, março 900, abril 940, maio 880, junho 1.010. Quanto comprar para julho?

Média móvel de 3 meses

Some os três últimos meses e divida por três: (940 + 880 + 1.010) / 3 = 943 fardos. Simples, explicável em uma reunião, e já melhor do que repetir junho. O defeito aparece quando a venda tem direção: a média sempre fica para trás da tendência.

Suavização exponencial (α = 0,3)

Aqui a previsão do próximo mês é 30% da venda real mais recente e 70% da previsão anterior. Começando com a previsão de fevereiro igual à venda de janeiro (820), a sequência fica: março 802, abril 831, maio 864, junho 869 e julho 911 fardos (0,3 × 1.010 + 0,7 × 869).

Repare que os dois métodos dão números diferentes para a mesma série. Nenhum está "certo". O α maior reage mais rápido a mudanças e também a ruído; o menor é mais estável e mais lento. A forma honesta de escolher é rodar os dois sobre os meses passados e ver qual errou menos, que é exatamente o que a próxima seção mostra.

Ajustando a sazonalidade

Se o histórico de dois anos mostra que dezembro vende, em média, 40% acima de um mês típico, o índice sazonal de dezembro é 1,4. Uma base prevista de 1.050 unidades vira 1.050 × 1,4 = 1.470 unidades. É o ajuste que mais evita ruptura em datas fortes, e vale a leitura do nosso guia de como preparar o e-commerce para a Black Friday com dados para quem vive esse pico.

Como medir o erro da previsão

Duas métricas resolvem quase tudo. O MAPE (erro percentual absoluto médio) diz o tamanho do erro. O viés diz para que lado você erra com frequência.

Mês	Previsto	Real	Erro absoluto %
1	1.100	1.000	10,0%
2	1.050	1.200	12,5%
3	1.000	900	11,1%
4	1.150	1.100	4,5%

O MAPE é a média dos erros: 9,5%. O viés soma previsto menos real: +100 unidades sobre 4.200 vendidas, ou +2,4%. Um viés positivo e persistente significa que o comprador infla o número "por segurança", e esse colchão vira estoque parado. Na nossa experiência, o viés é o primeiro indicador que muda comportamento, porque mostra um hábito, não um acaso.

Atenção ao MAPE em itens de venda baixa: errar 2 unidades quando a venda real foi 4 dá 50% de erro. Para cauda longa, avalie por família de produto, não por SKU.

Da previsão à ordem de compra

Previsão sozinha não diz quando comprar. Quem faz essa ponte é o ponto de pedido, que soma o consumo esperado durante o prazo do fornecedor e um estoque de segurança para cobrir o erro.

No exemplo: demanda prevista de 30 unidades por dia, desvio do erro de 8 unidades por dia, prazo de entrega de 9 dias e meta de atender 95% dos ciclos sem falta (z = 1,65). O estoque de segurança é 1,65 × 8 × √9 ≈ 40 unidades. O ponto de pedido é 30 × 9 + 40 = 310. Quando o estoque cruza 310, o pedido sai.

Repare que o erro da previsão entra direto na conta. Reduzir o desvio de 8 para 5 baixa o estoque de segurança de 40 para 25 unidades, sem mudar o nível de serviço. É por isso que medir o erro não é burocracia: é dinheiro que deixa de ficar parado na prateleira.

Essa fórmula assume demanda razoavelmente estável e prazo de fornecedor confiável. Se o fornecedor atrasa com frequência, a variabilidade do prazo também precisa entrar no cálculo, e o colchão cresce bastante.

Previsão de demanda na indústria e no varejo: o que muda

Os métodos são os mesmos; o recorte é que muda. Na indústria, a previsão costuma ser feita por família de produto e com horizonte de meses, porque alimenta o plano de produção e a compra de matéria-prima com prazo longo. O ritual que costura isso é o S&OP, a reunião mensal em que vendas, produção e financeiro fecham um único número.

No varejo, a granularidade é SKU por loja e o horizonte é de dias ou semanas. O problema típico é a gôndola vazia: a Neogrid mediu ruptura de 11,9% nos supermercados brasileiros em setembro de 2025, segundo seu relatório de ruptura. Parte disso é previsão, parte é reposição interna, e separar as duas causas já orienta onde agir. Há mais usos desse tipo de dado no nosso post sobre análise de dados no varejo.

Um erro comum aos dois: prever a partir de vendas, quando houve falta. Se o produto ficou dez dias em ruptura, a venda registrada subestima a demanda real. Marque esses períodos e corrija antes de calcular, senão o modelo aprende a comprar pouco e a ruptura se perpetua.

Quando a IA entra na previsão de demanda

Machine learning ganha dos métodos clássicos quando há muitas variáveis cruzadas (promoção, preço do concorrente, clima, feriado regional) e milhares de combinações de produto e loja. Nesse cenário, ajustar índice por índice na planilha deixa de ser viável. Explicamos o funcionamento em previsão de vendas com IA e, de forma mais ampla, em análise preditiva.

Agora, o trade-off: um modelo de IA alimentado com cadastro duplicado, venda sem marcação de ruptura e promoções não registradas produz uma previsão errada que parece muito precisa. Para a maioria das PMEs, o caminho com melhor retorno é organizar os dados, rodar suavização com sazonalidade, medir o erro por três meses e só então testar um modelo mais sofisticado contra essa referência. Se a IA não bater o método simples no histórico, não vale o custo.

Perguntas frequentes

Qual a diferença entre previsão de demanda e previsão de vendas?

A previsão de vendas estima o que a empresa vai faturar, muitas vezes já considerando metas e restrições de estoque. A previsão de demanda estima quanto o mercado quer comprar, mesmo que você não tenha o produto. A diferença aparece justamente nos períodos de ruptura, em que a demanda existiu e a venda não.

Como fazer previsão de demanda no Excel?

Organize as vendas por produto e mês em colunas, calcule a média móvel com a função MÉDIA sobre as três últimas células e arraste a fórmula. Para suavização exponencial, use a fórmula =0,3*venda_anterior+0,7*previsão_anterior. Versões recentes do Excel também têm a função PREVISÃO.ETS, que já considera sazonalidade.

Quais são os métodos qualitativos de previsão de demanda?

Os principais são a opinião da força de vendas, o método Delphi (rodadas de consulta a especialistas até convergir), a pesquisa de intenção com clientes e a analogia com produtos parecidos. São indicados para lançamentos e mercados sem histórico, e funcionam melhor quando combinados com dados assim que as primeiras vendas aparecem.

Qual método usar com pouco histórico?

Com menos de 6 meses de dados, use média móvel curta ou analogia com um produto parecido, e revise toda semana. Sazonalidade só deve ser estimada com pelo menos dois ciclos completos, ou seja, dois anos para padrões anuais.

Qual é um erro de previsão aceitável?

Depende do giro e do valor do item. Em itens de alto giro, um MAPE entre 10% e 20% costuma ser trabalhável; em itens de cauda longa, o erro por SKU será alto e o melhor é avaliar por família. Mais importante que o número absoluto é a tendência de queda do erro e um viés próximo de zero.

O comprador não precisa de bola de cristal

Precisa de um número de referência, de um erro medido e de uma regra que transforme os dois em pedido. Empresas que fazem isso com média móvel e disciplina compram melhor do que empresas que contrataram um modelo sofisticado e nunca conferiram o resultado. O gargalo quase sempre está em juntar venda, estoque e promoções num lugar só, e é aí que o Sherlok ajuda: você conecta suas fontes e pergunta em português qual produto está prestes a romper ou qual item está acumulando estoque, e recebe a análise pronta para decidir a compra da semana.