Modelos preditivos no varejo prometem comprar na medida certa, com menos ruptura e menos estoque parado. Na primeira versão, porém, é comum que a previsão erre justamente onde mais importa. Os motivos raramente estão no algoritmo: estão nos dados, no calendário e na forma como a previsão chega a quem compra.
Por que modelos preditivos no varejo falham no começo
Modelos preditivos falham no começo porque aprendem com um histórico que não conta toda a história. Vendas registradas são o resultado da demanda, do estoque disponível, das promoções e do calendário, tudo misturado.
Quando essas influências não são separadas, o modelo aprende padrões que não se repetem. A técnica pode ser sofisticada e, mesmo assim, reproduzir os vícios do passado.
Há ainda a pressão por resultado rápido. A primeira versão costuma ser construída com os dados que estão à mão, sem tempo para entender como eles foram gerados, e é justamente aí que os três erros a seguir aparecem.
Erro 1: treinar com vendas que escondem a falta de estoque
Quando um produto falta na loja, a venda cai, mas a demanda não. Um modelo treinado só com vendas aprende a prever menos do que o cliente queria comprar, e a falta se repete no ciclo seguinte.
A correção começa por marcar no histórico os períodos de ruptura. Com essa marcação, o modelo deixa de tratar a falta como queda de interesse e passa a estimar a demanda que não foi atendida.
O mesmo cuidado vale para produtos que entraram ou saíram do mix no período. Um item novo não tem histórico, e um item descontinuado deixa um rastro de vendas zeradas que não significa falta de interesse, e sim falta de oferta.
Quando o sistema de estoque não registra a ruptura de forma confiável, uma aproximação ajuda: considerar sem estoque os dias em que um produto de giro constante não vendeu nada. Não é perfeito, mas evita o pior do viés.
Erro 2: ignorar o calendário e as promoções do varejo
Datas comemorativas, pagamento de salários e promoções mudam a demanda de um jeito que a média não captura. Ignorar esse calendário faz o modelo errar justamente nas semanas de maior venda.
- Datas fixas: Natal, Dia das Mães e Black Friday entram como variáveis próprias.
- Promoções: o histórico precisa marcar quando houve desconto e de quanto foi.
- Clima: para algumas categorias, a temperatura explica mais do que o preço.
- Eventos locais: feriados municipais e eventos na região mudam o movimento de cada loja.
O livro Forecasting: Principles and Practice, de acesso aberto, explica como tratar sazonalidade e eventos especiais em séries de tempo. É uma boa leitura para quem vai conversar com o time de ciência de dados.
O calendário também precisa ser mantido. Promoções planejadas para os próximos meses entram no modelo como informação conhecida, e isso exige uma conversa contínua entre a área comercial e o time de dados.

Erro 3: entregar uma previsão que não entra na compra
A previsão só gera valor quando entra no pedido de compra. Se o comprador precisa abrir outra tela para consultá-la, ela será ignorada nos dias de maior pressão.
Esse erro costuma nascer da separação entre quem constrói o modelo e quem compra. O time de dados entrega uma tabela de previsões, o comprador continua usando a planilha de sempre e, depois de algumas semanas, a conclusão é que o modelo não funciona, quando na verdade ele nem chegou a ser usado.
Por isso, a entrega do modelo inclui a integração com o processo de compra e uma forma simples de o comprador ajustar a sugestão. Os ajustes, aliás, são uma fonte valiosa para melhorar a próxima versão.
Explique também como a previsão foi feita, em linguagem de negócio. Compradores confiam mais em uma sugestão quando entendem o que ela considera, como o efeito de uma promoção ou de uma data comemorativa.
Dica
Comece com poucas categorias e meça a ruptura de estoque antes e depois. É o indicador que a diretoria entende e acompanha.
Como medir se a previsão de demanda está ajudando o negócio
A previsão de demanda está ajudando quando a ruptura e o estoque parado diminuem juntos. Melhorar só um dos dois costuma significar que o problema mudou de lugar.
Meça também o erro da previsão por categoria e por loja, e não só a média geral. Uma média boa pode esconder categorias em que o modelo erra muito, justamente as que mais pesam no resultado.
Combine com os compradores um momento fixo para olhar esses números juntos. A conversa revela ajustes que o modelo ainda não capta e fortalece a confiança na previsão.
Acompanhe esses indicadores em um painel enxuto, revisto com frequência, como sugerimos em como revisar os dashboards da empresa. E compare sempre com o método anterior, para saber quanto o modelo acrescenta.
Conclusão: corrija os dados antes de trocar o algoritmo
Corrigir os dados e levar a previsão para dentro do processo de compra costuma valer mais do que trocar o algoritmo. A técnica certa importa, mas só depois que o básico estiver resolvido.
Uma primeira versão simples, bem integrada e acompanhada de perto ensina mais do que um modelo sofisticado que ninguém usa. Cada ciclo de compra traz informação nova para a versão seguinte.
Para estruturar modelos preditivos no seu negócio, conheça a frente de Advanced Analytics da Dadoteca. Se o projeto envolver IA, vale ler também o que medir antes de escalar a IA generativa.


