Mostre a um planejador o histórico de vendas de um produto e peça que ele desenhe os próximos meses. Se a série tiver um ciclo limpo, ele acerta. Se tiver um ciclo dentro de outro, uma tendência por baixo e alguns picos fora do lugar, ele erra, e geralmente erra com confiança.
Este artigo deixa você testar isso na prática. Primeiro, você desenha qualquer série e um modelo de IA continua o traço em tempo real. Depois, o jogo se inverte: você e o modelo recebem o mesmo histórico, cada um faz a sua previsão, e o placar mostra quem chegou mais perto do que de fato aconteceu.
Um modelo de previsão de demanda separa, no histórico de vendas, o que se repete (nível, tendência e sazonalidade) do que é ruído, e projeta para o futuro só o que se repete. Modelos de IA do tipo foundation, como Chronos e TimesFM, são treinados em milhões de séries e conseguem prever uma série nova sem ajuste. Nos testes deste artigo, um modelo desses superou a regra de "repetir o último ciclo" em quase todas as séries com padrões combinados, mas perdeu em todas as séries de pedidos em lote. Por isso, nenhum modelo deve ser escolhido antes de ser testado na própria série.
O que um modelo de previsão procura no histórico
Toda série de vendas é uma mistura. Existe um nível, que é quanto se vende em média agora. Às vezes há uma tendência, quando esse nível sobe ou desce com o tempo. Quase sempre há sazonalidade, um ciclo que volta a cada semana, mês ou ano. E por cima de tudo há ruído, a variação que não se repete e que ninguém consegue prever.
O trabalho do modelo é desmontar essa mistura e levar adiante só as peças que voltam. Um pico isolado em março não deve reaparecer na previsão. Um pico que aparece todo dezembro deve. Quando o modelo separa bem essas peças, o planejador também consegue explicar a previsão para o time comercial e para a diretoria, tema do nosso artigo sobre planejamento de demanda.
Que tipos de modelo existem
Não há um modelo melhor para todas as séries. Cada família foi pensada para um tipo de padrão:
| Família | Exemplos | Onde se sai bem |
|---|---|---|
| Regras simples | Média móvel, repetir o ano anterior | Régua mínima: todo modelo precisa vencê-las |
| Estatísticos | ARIMA, ETS, Theta | Padrões estáveis; rápidos e fáceis de explicar |
| Demanda intermitente | Croston, ADIDA, IMAPA, TSB | Itens com muitos zeros, como peças de reposição |
| Machine learning | XGBoost, LightGBM | Muitas séries ao mesmo tempo, com variáveis externas |
| Redes neurais | NHITS, DeepAR, NBEATSx, BiTCN, TFT | Padrões complexos, quando há bastante histórico |
| IA (foundation) | Chronos, TimesFM, Toto, t0-gamma | Séries novas sem ajuste (zero-shot) ou com fine-tuning |
Os modelos foundation merecem uma explicação à parte. Eles são treinados antes, em uma grande coleção de séries de vários setores. Não conhecem o seu produto, mas já viram o formato de milhões de curvas de demanda, e por isso conseguem prever uma série que nunca viram. No NPLAN, eles também passam por fine-tuning com os dados de cada cenário, para aprender os padrões próprios da empresa. Todas as famílias da tabela estão no catálogo do NPLAN e disputam o mesmo teste, série a série. Para itens de demanda intermitente, o artigo sobre planejamento de MRO mostra por que esses modelos têm regras próprias, e o artigo sobre LLMs na previsão de demanda compara modelos de linguagem com modelos de séries temporais.
Os laboratórios abaixo usam um modelo foundation pequeno, que roda direto no navegador e devolve cada previsão em poucos milissegundos.
Um modelo que só enxerga o passado
O modelo do laboratório recebe apenas a sequência de números que você desenha. Ele não sabe que há uma promoção marcada para o mês que vem, que um produto novo vai substituir este, que a venda caiu por falta de estoque e não por falta de demanda, nem que um indicador de mercado começou a subir dois meses antes das vendas.
Isso é intencional. Com só o histórico, fica fácil ver até onde a parte estatística de uma previsão vai sozinha, e onde ela precisa de ajuda. No fim do artigo, mostramos como cada uma dessas informações entra no forecast do NPLAN.
Laboratório 1: desenhe e veja o modelo prever
Desenhe qualquer curva no gráfico, da esquerda para a direita. O modelo continua o traço e mostra uma faixa de incerteza, que se abre quando ele tem menos certeza. Embaixo, o desenho é decomposto em tendência, sazonalidade e resíduo, com os outliers marcados. Se não quiser desenhar, comece pelos exemplos prontos.
O que vale a pena testar. Com o exemplo Sazonal, o modelo repete o ciclo com segurança, porque o passado explica bem o futuro. Com Promoção a cada ciclo, o pico volta sempre no mesmo ponto e o modelo o reproduz no lugar certo: um pico que se repete é padrão, não outlier. Mas uma promoção que muda de data a cada ano só entra na previsão se alguém avisar o modelo.
Semana + trimestre mostra o que o olho humano tem mais dificuldade de fazer: manter um ciclo curto e uma onda lenta ao mesmo tempo. Já o Passeio aleatório não tem padrão nenhum, e o modelo responde com uma previsão plana e uma faixa de incerteza que cresce a cada passo. Ele mostra que não sabe, o que também é uma resposta útil. Por fim, em Sazonal com outliers, os picos soltos simplesmente não voltam no futuro.
Laboratório 2: você contra o modelo
Agora você prevê. O laboratório mostra o histórico de uma série e esconde o futuro. Você desenha como acha que ela continua, o modelo faz a previsão dele com o mesmo histórico, e no fim aparece o que de fato aconteceu, com o erro médio de cada um.
Há um terceiro competidor, o mais simples de todos: repetir o último ciclo. É a regra de muitas planilhas, e é a régua que qualquer modelo precisa superar para justificar o seu uso. Comece pelo nível Fácil e suba até Tudo junto.
Com o gráfico em foco, no teclado: ↑ ↓ ajustam a altura, → avança, ← apaga, Enter confirma (Shift para passos maiores).
Desenhe da esquerda para a direita. Voltar apaga.
um ciclo só, pouco ruído
Quem ganhou, e onde o modelo perdeu
Nos primeiros níveis, o olho humano vai bem: copiar um ciclo limpo é fácil. A vantagem do modelo aparece quando as peças se misturam. Duas ondas somadas, uma tendência escondida por baixo do ciclo, ondas que crescem junto com a venda ou outliers que roubam a atenção fazem o erro humano crescer muito mais rápido que o do modelo.
Mas o modelo também perde. Em 15 séries de cada nível, comparamos o erro dele com o da regra de repetir o último ciclo:
| Nível | Séries em que o modelo venceu a regra simples |
|---|---|
| Médio | 15 de 15 |
| Ondas que crescem | 15 de 15 |
| Difícil | 14 de 15 |
| Tudo junto | 14 de 15 |
| Lotes | 0 de 15 |
No nível Lotes, os pedidos chegam em um ritmo exato. A regra simples coloca cada lote no passo certo, enquanto o modelo espalha a probabilidade de pedido pelos passos vizinhos e erra o momento.
Nenhum modelo vence em todas as séries. Quem decide é o teste.
Por isso, escolher um modelo de antemão é arriscado. O caminho mais seguro é testar vários na mesma série e, muitas vezes, combinar os melhores, como mostra o artigo sobre ensemble na previsão de demanda.
Do histórico ao forecast: o que o NPLAN acrescenta
O modelo dos laboratórios é a primeira camada de qualquer previsão. Para decidir compra, produção e estoque, o forecast precisa saber o que a empresa já sabe sobre o futuro.
Antes de prever, o NPLAN trata o histórico. Valores nulos e outliers podem ser corrigidos, e cada ajuste manual registra o motivo, seja promoção, ruptura, marketing ou preço. Quando a venda caiu por falta de produto, o histórico pode ser reconstruído, para que a ruptura não pareça queda de demanda.
Os modelos que aceitam variáveis recebem o calendário e o perfil de cada série, como a sazonalidade típica do mês, o grau de intermitência e as médias recentes. Indicadores externos, como clima e índices econômicos, só entram depois de passar por um filtro série a série: o NPLAN testa defasagens de 1 a 12 meses, exige pelo menos 24 meses de dados em comum com a venda e controla o risco de falsas descobertas. Um indicador que apenas coincidiu com o passado fica de fora, como mostra o laboratório do artigo sobre variáveis externas.
Por cima da previsão estatística entram os eventos de demanda: campanhas de desconto, combo, sazonais, de lançamento ou de liquidação, com o efeito esperado em demanda, preço e custo; lançamentos de produtos sem histórico, projetados a partir de um item de referência; descontinuações com data de saída; e substituições, em que a demanda de um item passa para outro. O artigo sobre simulação de cenários mostra como esses eventos são comparados antes de virar plano.
Todas as famílias de modelo disputam o mesmo teste. O NPLAN esconde os últimos meses do histórico, pede a previsão a cada modelo e compara com o que de fato vendeu. Para cada série, fica o modelo que errou menos ou a combinação dos melhores.
Depois disso, o time de demanda faz até três rodadas de revisão, com travas, notas e o motivo de cada ajuste. O NPLAN mede quantos pontos de erro cada etapa removeu em relação à anterior (o FVA, Forecast Value Added), e mostra se o ajuste humano melhorou ou piorou a previsão. Os artigos sobre FVA e sobre acuracidade do forecast detalham essa medição, e o artigo sobre política de estoque mostra como o erro da previsão vira estoque de segurança.
O histórico mostra o que aconteceu. O forecast do NPLAN junta a isso o que a empresa já sabe sobre o futuro, e mede cada camada contra a venda real.
Perguntas frequentes
O que é um modelo foundation de séries temporais? É um modelo de IA treinado previamente em uma grande coleção de séries de vários setores. Assim como um LLM aprende padrões de linguagem, ele aprende padrões de séries temporais e consegue prever uma série nova sem treino específico (zero-shot). Exemplos: Chronos (Amazon), TimesFM (Google) e Toto (Datadog).
A IA prevê demanda melhor que um planejador? Em séries com padrões combinados, como tendência somada a sazonalidade, sim, com folga. Em padrões muito regulares, como pedidos em lote com ritmo fixo, regras simples podem vencer. O melhor resultado vem de testar vários modelos e medir o ajuste humano com FVA.
Um modelo de IA consegue prever promoções e lançamentos? Só se elas se repetirem no histórico no mesmo ponto do ciclo. Promoções com datas novas, lançamentos e substituições precisam ser informados ao forecast como eventos de demanda.
O que é a regra de repetir o último ciclo? É a previsão ingênua sazonal: assume que o próximo ciclo será igual ao anterior. Serve de régua mínima, porque um modelo que não a supera não justifica a complexidade.