Previsão de demanda: a base de tudo que você decide em estoque.
Toda decisão de estoque é uma aposta sobre o futuro. Quanto comprar, quando reabastecer, qual SKU promover - tudo nasce de uma previsão de demanda, explícita ou intuitiva. O problema do 'intuitivo' é que ele não tem métrica de erro e, portanto, não tem como melhorar.
Boa previsão para e-commerce D2C raramente exige machine learning. Exige três coisas: dado histórico limpo, integração com marketing e revisão honesta dos erros. Esse guia foca nas técnicas que entregam o maior salto inicial - do palpite para a previsão estruturada.
O básico: o que está sendo previsto?
Previsão de demanda em e-commerce normalmente é a quantidade vendida por SKU, por janela de tempo (semana, mês). Mas atenção: vendas não são demanda. Se houve ruptura, a venda subestima a demanda real. Sempre que possível, trabalhe com 'demanda corrigida' - vendas + visitas com SKU esgotado × taxa de conversão histórica.
Três métodos por ordem de complexidade
Ferramentas de planilha (Excel, Google Sheets) e bibliotecas Python básicas resolvem os três. Antes de avançar para modelos sofisticados, esgote esses - em quase todos os casos eles já chegam em 70-80% da acurácia possível.
- →Média móvel: média das últimas N semanas. Simples, bom para SKUs estáveis (Curva A com demanda baixa variabilidade).
- →Suavização exponencial: pondera mais o passado recente. Boa para reagir a tendência.
- →Decomposição sazonal (Holt-Winters): separa tendência + sazonalidade. Necessária para categorias com ciclos claros (moda, presente, datas comemorativas).
Métricas de erro que valem a pena
Acompanhe MAPE/WAPE por mês e por classe ABC. Para Curva A, mire em MAPE < 20%. Para C, < 50% já é aceitável (a importância relativa é menor).
- →MAPE (Mean Absolute Percentage Error): erro médio em %. Bom para comparar SKUs de tamanhos diferentes.
- →WAPE (Weighted Absolute Percentage Error): MAPE ponderado por volume. Evita que SKU de cauda longa distorça a média.
- →Bias: tendência de erro pra cima ou pra baixo. Bias positivo persistente = você está sempre superestimando = overstock.
Sazonalidade é uma armadilha conhecida
Em e-commerce brasileiro, Black Friday distorce qualquer modelo treinado em dados anuais. Tratamentos clássicos: extrair Black Friday do histórico para previsão regular e fazer uma previsão separada para a campanha (com base em Black Friday do ano anterior + crescimento orgânico do canal). O mesmo vale para Dia das Mães, Dia dos Namorados e Natal - picos previsíveis em valor mas variáveis em magnitude.
Marketing precisa entrar na previsão
Esse é o ponto que separa marca amadora de profissional. Se o time de mídia vai escalar 3x o orçamento de Meta Ads na próxima semana, isso vira venda - e o supply precisa saber antes. O contrário também: pausar mídia em um SKU vai derrubar a venda dele, e quem ainda estiver comprando lote grande vai virar overstock.
Solução prática: reunião semanal de 30 minutos entre marketing, supply e operações com plano de campanha + ajustes de previsão. Não precisa de ferramenta - precisa de cadência.
- →Forecast colaborativo: marketing entrega plano de mídia 2 semanas à frente.
- →Trigger de promoção integrado: ativação de cupom dispara revisão de estoque.
- →Lock de promoções: marketing não promove SKU sem confirmação de saldo + lead time.