Ganhos:
- Capacidade de produzir um rascunho de previsão de demanda com base em SKU com suporte de inteligência artificial, combinando dados históricos de vendas, efeitos sazonais e fatores externos.
- Capacidade de interpretar a precisão das previsões (MAPE, viés) e distinguir as consequências comerciais da superestimação e subestimação
- Ser capaz de sustentar que a previsão produzida pela inteligência artificial é uma previsão e a decisão final do pedido pertence ao gestor juntamente com o custo do estoque e o fluxo de caixa.
Existem dois erros mais caros no varejo: manter estoque demais e deixar o dinheiro definhar na prateleira, ou não manter estoque suficiente e deixar o cliente de mãos vazias. Ambos têm a mesma origem: má previsão de demanda. Nesta unidade você aprenderá como usar a inteligência artificial como um poderoso assistente que prevê o futuro a partir de vendas anteriores. Mas digamos desde o início: uma previsão não é uma profecia, mas sim uma previsão probabilística. A IA fornece um número; É sua função traduzir esse número em uma decisão de pedido.
Previsão de demanda: É a tarefa de prever quanto de um produto ou categoria será vendido no futuro, observando dados históricos e fatores de influência.
SKU (Stock Keeping Unit): É o código de estoque único mantido para cada variante de produto diferente. Por exemplo, “tênis vermelho tamanho 42” é um SKU; o número 43 do mesmo modelo é um SKU separado.
Três fontes de informação que alimentam a previsão
Uma boa previsão combina três coisas:
- Vendas históricas (linha de base): vendas semanais/mensais do produto nos últimos 12 a 24 meses. A IA extrai um nível “normal” desta série.
- Efeitos sazonais e de calendário: feriados, período escolar, verão-inverno, fim de semana, dia de pagamento. Por exemplo, o sorvete aumenta no verão e as meias aumentam no inverno.
- Fatores externos: Campanha, mudança de preço, clima, movimento do concorrente, abertura/fechamento. Isso aumenta ou diminui a estimativa.
Dica: não diga apenas à IA “vendemos 100 no mês passado”. Diga: “Vendemos 100 no mês passado, mas houve um desconto de 20% e foi uma semana de feriado”. Sem contexto, a previsão é enganosa.
Geração de previsão passo a passo
- Prepare os dados: Uma tabela anônima e limpa: data, SKU, quantidade vendida, preço, promoção/sem promoção, disponibilidade. Marque os dias de falta de estoque; Caso contrário, a inteligência artificial pensará que aquele dia é de “baixa demanda”.
- Dê contexto: anote a temporada, os próximos eventos, as campanhas planejadas.
- Solicite uma previsão: Solicite uma previsão e um intervalo de confiança (pior/melhor cenário) para um período específico, por SKU ou categoria.
- Meça a precisão: compare suas previsões anteriores com a realidade (MAPE abaixo).
- Transforme isso em uma decisão: Combine a estimativa com o estoque de segurança e o orçamento e tome a decisão do pedido.
Precisão da previsão de leitura: MAPE e viés
MAPE (Erro Percentual Médio Absoluto): Mostra o desvio percentual médio das previsões em relação às vendas reais. A fórmula é simplesmente: |real − previsão| para cada período/real é a sua média.
- MAPE 10% → as estimativas divergem em média 10%, muito bom.
- MAPE 40% → as previsões não são confiáveis, é necessário mais buffer (estoque de segurança) para a decisão do pedido.
Direção (viés): A sua previsão está consistentemente acima (risco de excesso de estoque) ou abaixo (risco de falta de estoque) da realidade? Observe isso também; MAPE não mostra direção.
Estado
Significado
resultado do negócio
Estimativa alta persistente
Você está exagerando a demanda
Excesso de estoque, colapso, perda de margem
Subestimação persistente
Você subestima a demanda
Esgotado, vendas perdidas, insatisfação
MAPE alto, direção equilibrada
A incerteza é alta
Aumente o estoque de segurança, revise com frequência
MAPE baixo
previsão precisa
Ações mais magras, melhor dinheiro
mini-casos
Caso 1 — Sazonalidade ausente: Uma mercearia encomenda cadernos escolares com base nas vendas de julho do ano passado (200 unidades por mês). Quando se dá à inteligência artificial o contexto de “período escolar de agosto a setembro, as vendas quadruplicaram neste período do ano passado”, a previsão aumenta para 780 unidades em vez de 200. Graças ao pedido correto, você não fica sem estoque durante o ano letivo; O volume de negócios estimado em 60.000 TL, que escapou no ano anterior, está a ser apanhado este ano.
Caso 2 — Sem contar o dia de falta de estoque: Uma loja ficou sem estoque de um café popular por 3 semanas. Olhando para os dados brutos, a inteligência artificial vê essas semanas como “5 vendas por semana” e dá uma estimativa baixa. Quando o analista marca os dias sem estoque e diz “essas semanas não refletem a demanda”, a previsão aumenta para 45 por semana. A demanda real emerge.
Caso 3 — Generalização do efeito campanha: Uma cadeia têxtil considera “normal” uma venda semanal de 50% de desconto (600 unidades) e encomenda constantemente 600. Quando a inteligência artificial é informada “esta venda foi feita com uma campanha única, a semana normal é 180”, a previsão é corrigida. O risco de excesso de estoque e subsequente perda de remarcação é evitado.
Horizonte de previsão: quão longe você consegue ver?
Horizonte de previsão: até que ponto no futuro a previsão é feita. A regra é simples: quanto mais longo o horizonte, maior a incerteza. Você prevê as vendas da próxima semana com relativa precisão; seis meses depois, com um alcance muito mais amplo. Portanto escolha o horizonte de previsão de acordo com a necessidade de decisão do pedido: horizonte curto e atualização frequente para produto fresco que se esgota rapidamente; Horizonte mais longo e margem de segurança mais ampla para produtos importados com prazos de entrega longos.
Outra distinção importante é a previsão de novos produtos. Não há venda anterior de um novo SKU; neste caso, você fornece à IA o histórico de produtos similares (analógicos), a média da categoria e o plano de lançamento. Dizer "Este produto não tem histórico; forneça uma estimativa inicial observando as primeiras 8 semanas de produtos similares X e Y" é uma maneira razoável de preencher a lacuna. No entanto, a previsão de novos produtos é sempre mais arriscada; Revise rapidamente a previsão à medida que os dados reais das primeiras semanas estiverem disponíveis.
Cuidado: Não trate a estimativa como um tratamento do tipo “faça uma vez e esqueça”. A previsão de demanda é um processo dinâmico; Cada nova semana de vendas é uma oportunidade para atualizar a previsão. Os melhores previsores são aqueles que usam aquele que é atualizado com mais frequência, e não o modelo mais inteligente.
Alerta fraco / Alerta forte
Alerta fraco:
Diga-me quanto esse produto será vendido no próximo mês.
Não há contexto; AI compõe um número aleatório.
Alerta poderoso:
Sua função: especialista em planejamento de demanda. Dados: Abaixo estão a quantidade e o preço de vendas mensais dos últimos 18 meses para o SKU 4471 e se há campanha naquele mês. Contexto: Este produto são sandálias de verão; A demanda atinge o pico em maio-agosto. O próximo mês é junho. Não há campanha planejada. O preço é fixo.Tarefa: (1) quantidade de vendas esperada para junho, (2) faixa do pior e do melhor cenário, (3) 2 fatores principais que afetam a previsão.Regra: Não conte os meses marcados como fora de estoque como baixa demanda.Com base apenas nos dados fornecidos.Dados: [colar tabela]
Modelos de prompt copiáveis
1) Previsão baseada em SKU
Sua função: especialista em planejamento de demanda. Gere previsões futuras de [período] para [SKU] a partir da seguinte série de vendas mensais anônimas. Resultado: quantidade esperada + faixa pior/melhor + 2 suposições. Exclua períodos marcados como fora de estoque. Dados: [colar]
2) Remoção de padrões sazonais
Encontre o padrão sazonal recorrente na série de vendas de 24 meses abaixo. Quais meses estão no topo e quais meses estão no fundo? Dê o desvio da média como uma porcentagem. Apresente-o em forma de tabela. Dados: [colar]
3) Avaliação da precisão da previsão
Abaixo estão minhas estimativas históricas e vendas reais. (1) Calcule o MAPE, (2) minha previsão está oscilando consistentemente para cima ou para baixo, (3) o que isso significa para a ação? Mostrar passo a passo. Dados: [estimativa, colunas reais]
4) Extraia o impacto da campanha
As semanas de campanha estão marcadas nas séries de vendas abaixo. Estimar a demanda normal (não-campanha); Dê o efeito da campanha como uma porcentagem de aumento separada. Então, quero ver o nível normal do pedido. Dados: [colar]
Erros comuns
- Não contextualizar: Se a campanha, temporada e alteração de preço não forem especificadas, a previsão será enganosa.
- Se os dias de falta de estoque devem ser contabilizados como demanda: Um período de falta de estoque esconde a demanda real; marca.
- Aceitar as vendas promocionais normalmente: Pensar que um aumento único é permanente levará ao excesso de estoque.
- Depender de um único número: Não querer um intervalo (cenário) e confiar em um único ponto esconde o risco.
- Não medir a precisão: se o MAPE e a direção não forem monitorados, a previsão fica cada vez pior.
- Fazer pedidos diretos com estimativas: Pedidos sem dinheiro, controle de armazém e prazo de validade.
Resumindo
Uma boa previsão combina vendas anteriores, sazonalidade e fatores externos. Certifique-se de fornecer o contexto à IA (campanha, temporada, dias sem estoque). Monitore a precisão das previsões com MAPE e direção de polarização; Aumentar o estoque de segurança em alta incerteza. Uma previsão é uma previsão; A decisão final do pedido é sua, juntamente com o orçamento e as restrições.
Tarefa de aplicativo
Obtenha as vendas de seus 5 SKUs mais vendidos nos últimos 12 a 18 meses em uma tabela anônima e marque os períodos de falta de estoque e de campanha. Gere uma previsão futura com o prompt "1) Previsão baseada em SKU" e, em seguida, extraia o MAPE de suas previsões anteriores com "3) Avaliação da precisão da previsão". Compare o resultado com sua própria decisão de pedido.
lista de verificação
- [] Anonimizei e limpei meus dados de vendas.
- [ ] Marquei os períodos de ruptura e campanha.
- [] Dei o contexto da temporada e dos fatores externos à IA.
- [] Eu queria um intervalo de cenários, não um único número.
- [ ] Verifiquei o MAPE e a direção de guinada.
- [ ] Tomei a decisão do pedido com base no orçamento e nas restrições.