Previsão de demanda para varejo

O problema, como ele aparece na operação

Ruptura de gôndola não avisa. Ela aparece no fim do mês, quando a venda perdida já aconteceu e ninguém consegue provar o tamanho dela — porque venda que não ocorreu não deixa registro. Do outro lado do mesmo balanço, há capital parado em SKU de baixa rotação, comprado com base na média do ano passado.

A reação comum é aumentar o estoque de segurança em tudo. Isso reduz a ruptura e piora o giro, trocando um problema visível por um problema silencioso.

Como abordamos

A ordem importa, e ela é a mesma dos outros trabalhos: entender antes de propor.

• Diagnóstico. Mapeamos onde a ruptura de fato dói e onde ela é irrelevante. Nem todo SKU merece previsão: uma parte do catálogo se resolve com regra simples, e gastar modelo nela é desperdício.
• Desenho. A previsão combina sazonalidade, eventos locais e comportamento de compra por loja. Multi-loja importa: a mesma rede tem unidades com padrões que não se parecem, e tratar todas com um modelo único é onde a maioria das tentativas falha.
• Entrega. Acompanhamos até o número mudar na operação. Modelo que fica em notebook de cientista de dados não reduz ruptura nenhuma.

O resultado, num caso real

Numa rede de varejo, o sistema reduziu rupturas em pontos críticos e liberou capital travado em itens de baixa rotação:

• −32% de ruptura em SKUs prioritários
• +18% de giro de estoque

Os dois números são da mesma implementação, medidos contra a operação anterior. É por isso que insistimos em critério de aceitação combinado antes de começar: sem linha de base, não existe resultado, existe opinião.

O que este trabalho não faz

Um piloto validado não é um produto pronto para produção. Ele prova que a abordagem funciona no seu dado e no seu processo, com critério de aceitação combinado antes de começar. Colocar em produção com a robustez, o monitoramento e o suporte que uma operação crítica exige é uma fase seguinte, com escopo e custo próprios.

Dizemos isso na proposta comercial e repetimos aqui porque a diferença entre as duas coisas é a origem da maior parte da frustração com projetos de IA.