Previsão de demanda na PME: quando o estoque para de ser chute

O estoque como loteria

Em uma distribuidora típica de R$ 12 milhões de faturamento, o planejamento de compras funciona assim: o comprador abre a planilha de vendas do mês passado, aplica um acréscimo de 10% e emite o pedido. Em dezembro, dobra a quantidade porque "é fim de ano". Em fevereiro, corta pela metade porque "vendeu pouco". Esse método explica por que prateleira vazia e armário lotado convivem no mesmo galpão de PMEs industriais e distribuidoras brasileiras.

A Pesquisa Abrappe de Perdas no Varejo Brasileiro, realizada pela Associação Brasileira de Prevenção de Perdas (Abrappe) em parceria com a KPMG, que publica os resultados, mostra que as rupturas de estoque comerciais ficaram em 7,81% e as operacionais em 5,10% ao longo de 2024. O prejuízo total com perdas chegou a R$ 36,5 bilhões naquele ano. Ruptura comercial significa que o cliente chegou ao ponto de compra e o produto não estava disponível. Ruptura operacional significa que o produto existia no sistema mas não estava liberado para venda — em trânsito, bloqueado, mal localizado. Os dados têm dois anos, mas a dinâmica que descrevem segue atual.

O que muda com um modelo preditivo

Previsão de demanda com machine learning cruza múltiplas variáveis ao mesmo tempo: histórico de vendas, sazonalidade, dia da semana, promoções ativas, feriados, prazos de reposição do fornecedor. O modelo ajusta o peso de cada variável conforme aprende com os dados e gera uma projeção por SKU com intervalo de confiança. A diferença em relação à planilha está no que cada um faz com o passado: a média móvel aplica um fator de crescimento sobre a média histórica. O modelo projeta um intervalo de demanda para cada produto, com margem de erro explícita, ajustando automaticamente para padrões que um comprador não consegue ver quando está lidando com 800 SKUs ao mesmo tempo.

Na prática, isso significa duas coisas. O sistema avisa que determinado SKU tem 70% de chance de faltar em três semanas se a reposição não for feita agora. E sinaliza que outro SKU está sendo comprado em excesso porque a demanda caiu 15% nos últimos 60 dias e a média móvel de 12 meses ainda não capturou essa queda.

A distância entre a PME e a grande empresa

A pesquisa TIC Empresas 2025 do Cetic.br, divulgada há cerca de um ano, mostra que 15% das pequenas empresas brasileiras já usam alguma forma de inteligência artificial, ante 10% em 2024. Entre as grandes empresas, o recorte é outro e mais específico: 36% usam machine learning para análise e predição de dados, ante 23% no ano anterior, segundo o relatório completo da pesquisa. São métricas diferentes — uso geral de IA de um lado, aplicação preditiva do outro — mas lidas juntas elas mostram que o uso de IA na PME ainda é pontual, enquanto nas grandes já inclui predição embutida na operação diária.

O Sebrae, em sua pesquisa Transformação Digital nos Pequenos Negócios 2025, identificou que 44% dos pequenos negócios usam IA no dia a dia e 96% conhecem ou utilizam ferramentas de IA generativa. A maioria desses usos, porém, está em conteúdo e atendimento. Previsão de demanda é uma aplicação diferente: exige dados históricos organizados e integração com o ERP.

Como testar sem contratar cientista de dados

Para uma PME que fatura entre R$ 5 e R$ 30 milhões e tem entre 200 e 2.000 SKUs, existem dois caminhos viáveis.

O primeiro é contratar uma ferramenta de SaaS que se conecta ao ERP e gera projeções automaticamente. Netstock integra com ERPs comuns no Brasil (SAP Business One, TOTVS Protheus) e gera previsões de demanda por SKU com base em histórico de vendas e sazonalidade. O custo mensal varia conforme o volume de SKUs e o número de depósitos. A implementação leva de duas a quatro semanas se os dados de vendas estiverem limpos no ERP.

O segundo caminho é construir o modelo internamente com uma biblioteca open source. Prophet, desenvolvida pela Meta e disponível em Python, gera previsões de séries temporais com poucas linhas de código e lida bem com sazonalidade e feriados. O custo de licença é zero, mas o caminho exige alguém com conhecimento de Python para escrever os scripts, conectar ao banco de dados e atualizar as projeções periodicamente.

Quando não compensa

Não compensa se o catálogo tem menos de 200 SKUs com pouca variação de demanda. Se você distribui 80 produtos com volume estável ao longo do ano, uma média móvel de três meses no Excel resolve o problema. O modelo de machine learning começa a pagar quando o número de SKUs e a variabilidade de demanda superam a capacidade de um comprador acompanhar manualmente, o que costuma acontecer a partir de 300 a 500 SKUs ativos.

Também não compensa se os dados de vendas não estão organizados. Se o histórico está espalhado em planilhas diferentes, com códigos de produto inconsistentes e notas fiscais sem categorização, a primeira tarefa é limpar a base. Isso pode levar semanas antes de qualquer previsão ser gerada, e dados bagunçados produzem projeções inúteis por mais sofisticado que seja o modelo por trás.

O que fazer esta semana

Exporte 12 meses de vendas por SKU do seu ERP para um arquivo CSV. Verifique se os códigos de produto estão consistentes, se as datas estão completas e se as quantidades batem com o que foi efetivamente faturado. Se a base estiver limpa, você tem o insumo mínimo para testar uma projeção no Prophet ou solicitar um trial no Netstock. Se estiver bagunçada, esse é o primeiro gargalo a resolver, e o mais barato.