Previsão de demanda com dados: como começar

Prever demanda não é adivinhar, é ler o padrão que o histórico já mostra#

Toda empresa que compra, produz ou estoca convive com a mesma tensão: se comprar demais, o capital fica parado em estoque e o produto vence; se comprar de menos, perde venda e frustra cliente. A previsão de demanda com dados existe para reduzir essa aposta, transformando o histórico de vendas em uma estimativa defensável do que vem pela frente. Não é bola de cristal. É estatística aplicada a uma série de números que a empresa já tem guardada, muitas vezes sem saber o valor que ela carrega.

Neste artigo eu explico, do ponto de vista de quem implementa BI e dados na Microsoft, como sair do zero: preparar o histórico, entender sazonalidade e tendência, escolher entre médias móveis, suavização exponencial e modelos, e, principalmente, medir o erro. Serei honesto sobre onde a previsão funciona e onde ela quebra, porque prometer acerto perfeito é o jeito mais rápido de perder a confiança da área que vai usar o número.

O histórico é o insumo, e histórico ruim gera previsão ruim#

Antes de escolher técnica ou ferramenta, é preciso olhar para o dado. A previsão de demanda com dados é uma família de métodos de séries temporais, e séries temporais têm uma exigência inegociável: histórico consistente, com granularidade fixa e sem buracos que distorçam o padrão. Não existe algoritmo que compense uma base cheia de furos.

Na prática, a preparação passa por decisões que parecem simples e não são:

• Granularidade: você vai prever por dia, semana ou mês? Quanto mais fina a granularidade, mais ruído e mais dado você precisa. Para a maioria das operações comerciais, o mês ou a semana já resolvem.
• Nível de agregação: prever a demanda total da empresa é fácil e quase inútil. Prever SKU por SKU por loja é útil e difícil, porque cada série fica curta e volátil. Comece agregando por família de produto ou por canal.
• Tratamento de falhas: períodos sem venda por ruptura de estoque não são demanda zero, são demanda não atendida. Se você tratar ruptura como venda baixa, o modelo vai aprender a pedir menos justamente quando deveria pedir mais.
• Eventos atípicos: promoções, greves, a pandemia. Esses picos e vales precisam ser marcados, senão viram padrão que o modelo repete sem motivo.

Essa etapa é a menos glamourosa e a que mais decide o resultado. Um trabalho sério de engenharia de dados organiza essas fontes antes de qualquer modelo, consolidando vendas, calendário e eventos numa base limpa. A regra que repito para clientes: sem pelo menos dois ciclos completos de sazonalidade, normalmente dois anos, qualquer previsão sazonal é chute com aparência de ciência.

Sazonalidade e tendência: o que a série está tentando dizer#

Toda série temporal de demanda costuma esconder três componentes, e reconhecer cada um muda a técnica que faz sentido.

A tendência é o rumo de longo prazo: suas vendas estão crescendo, caindo ou estáveis ao longo dos anos? A sazonalidade é o padrão que se repete em intervalos fixos: mais venda no fim de ano, queda em fevereiro, pico às sextas-feiras. E o ruído é a parte aleatória que nenhum modelo captura, porque não tem padrão.

Componente	O que é	Como identificar	Impacto na escolha da técnica
Tendência	Direção de longo prazo da série	Média móvel longa, regressão sobre o tempo	Exige método que projete crescimento, não só a média
Sazonalidade	Padrão que se repete em ciclo fixo	Comparar mesmo mês ano a ano, decomposição	Exige técnica sazonal, como Holt-Winters ou modelos
Ruído	Variação aleatória sem padrão	O que sobra depois de tirar tendência e sazonalidade	Não se prevê; define o piso do erro possível

O erro mais comum que vejo é tratar sazonalidade como problema. Dezembro sempre vende mais, e a pessoa se surpreende todo ano. Sazonalidade não é anomalia, é informação. Quando a série tem sazonalidade e tendência claras, o trabalho fica fácil, porque o padrão é forte. O caso difícil é a série curta e errática, de um produto novo ou de baixo giro, em que quase tudo é ruído. Aí nenhuma técnica salva, e a resposta honesta é usar julgamento de negócio com uma faixa de incerteza, não um número único.

As técnicas, da mais simples à mais sofisticada#

Existe um espectro de técnicas, e o erro de iniciante é começar pela mais complexa. Suba a escada só quando a técnica anterior não dá conta. Modelo mais sofisticado não significa previsão melhor, significa mais coisa para manter.

Técnica	Quando usar	Captura sazonalidade?	Complexidade
Média móvel	Série estável, sem tendência forte, baseline rápido	Não	Muito baixa
Suavização exponencial simples	Série sem tendência nem sazonalidade, dá mais peso ao recente	Não	Baixa
Holt (suavização com tendência)	Série com tendência, sem sazonalidade	Não	Baixa
Holt-Winters (suavização tripla)	Série com tendência e sazonalidade	Sim	Média
Modelos estatísticos (ARIMA, SARIMA)	Séries com estrutura de autocorrelação e sazonalidade	Sim	Média a alta
Machine learning (regressão, gradient boosting, redes)	Muitas séries, variáveis externas, relações não lineares	Sim, se modelado	Alta

A média móvel é o ponto de partida honesto: suaviza o ruído fazendo a média dos últimos períodos e serve de baseline. Se um modelo caro não bater a média móvel, ele não entrega valor. A suavização exponencial melhora a ideia dando mais peso aos períodos recentes, e a variante Holt-Winters incorpora tendência e sazonalidade de uma vez, resolvendo boa parte dos casos comerciais sem exigir ciência de dados dedicada.

Subir para ARIMA e SARIMA ou para machine learning faz sentido quando você tem muitas séries para prever ao mesmo tempo, quer usar variáveis externas como preço e calendário promocional, ou quando as relações não são lineares. Machine learning brilha em volume e em contexto externo, mas cobra o preço de mais dado, mais tuning e mais manutenção. Um projeto de analytics avançado ajuda a decidir esse ponto de virada sem gastar esforço em sofisticação que o problema não pede.

Comece pelo forecast nativo do Power BI#

Se a sua empresa já usa Power BI, você tem previsão embutida e talvez nem saiba. O visual de linha do Power BI tem um recurso de forecast nativo, que aplica suavização exponencial sobre a série e projeta os próximos períodos com uma banda de intervalo de confiança. Ele detecta sazonalidade automaticamente ou aceita que você informe o tamanho do ciclo.

Para muitos casos, isso já é suficiente, e é o lugar certo para começar. As vantagens são reais: não exige código, roda dentro do relatório que a gestão já olha, e mostra a banda de confiança, honesta sobre a incerteza. As limitações também são reais. O forecast trabalha uma série de cada vez, não incorpora variáveis externas como promoção ou preço, e não substitui um modelo dedicado quando você precisa prever milhares de SKUs. É um ótimo primeiro passo e uma péssima solução final para casos complexos.

Se você ainda está estruturando o Power BI na empresa, o caminho de adoção está no nosso guia completo de Power BI para empresas no Brasil. O importante é a ordem: valide que o forecast simples já melhora a decisão antes de investir em algo maior.

Para o avançado: Azure Machine Learning e a experiência de Data Science do Fabric#

Quando o forecast nativo não basta, o ecossistema Microsoft oferece dois caminhos avançados, e os dois convivem bem.

O Azure Machine Learning é o ambiente completo de ciclo de vida de modelos: experimentação, treino, versionamento, registro e publicação como endpoint. Ele traz forecasting automatizado, que testa várias técnicas e escolhe a melhor por métrica de erro. É a escolha natural quando existe, ou vai existir, um time de dados que precisa iterar em algoritmos e manter modelos em produção com disciplina.

A experiência de Data Science do Microsoft Fabric traz notebooks e treino de modelos para dentro da mesma plataforma analítica, sobre o OneLake, junto do BI. Para quem já vai concentrar dados e relatórios no Fabric, treinar e servir ali reduz o vaivém entre ambientes. Se a plataforma ainda é dúvida, vale ler nosso material sobre o que é o Microsoft Fabric e se vale a pena.

Critério	Power BI (forecast nativo)	Azure Machine Learning	Data Science no Fabric
Público	Analista de BI	Cientista de dados	Time analítico unificado
Técnicas	Suavização exponencial	Qualquer modelo, AutoML de forecast	Qualquer modelo em notebook
Variáveis externas	Não	Sim	Sim
Muitas séries em escala	Limitado	Sim	Sim
Esforço de operação	Mínimo	Alto	Médio a alto

Repare que a coluna de esforço de operação é a que mais pesa na decisão. Um modelo em produção precisa de reprocessamento, monitoramento e alguém que cuide quando ele degrada. Não adianta o modelo mais preciso do mundo se ninguém sustenta o pipeline três meses depois. Boa arquitetura parte do que a operação consegue manter, não do que é mais impressionante.

Sem medir o erro, você não tem previsão, tem opinião#

Este é o ponto que mais separa projeto sério de teatro de dados. Toda previsão erra. O que diferencia uma previsão útil de uma inútil é saber quanto ela erra. Você mede o erro reservando parte do histórico que o modelo não viu, prevendo esse período e comparando com o que de fato aconteceu.

As métricas mais usadas em previsão de demanda:

• MAPE (erro percentual absoluto médio): expressa o erro em porcentagem, o que facilita conversar com o negócio. O ponto fraco é distorcer quando a demanda real é próxima de zero.
• MAE (erro absoluto médio): erro na mesma unidade da demanda, em unidades ou caixas. É intuitivo e robusto, mas não diz se o erro é grande em relação ao volume.
• RMSE (raiz do erro quadrático médio): penaliza mais os erros grandes, útil quando um erro gordo dói muito mais que vários pequenos.

Nenhuma métrica é a certa sozinha. O hábito saudável é olhar mais de uma e, acima de tudo, comparar o modelo com um baseline ingênuo, como repetir a demanda do mês anterior. Se o seu modelo sofisticado não bate o baseline ingênuo, ele não deveria ir para produção. E o erro precisa ser acompanhado no tempo, porque um modelo que era bom degrada quando o mercado muda.

Onde a previsão de demanda quebra, e é bom saber antes#

Serei direto sobre os limites, porque é isso que separa consultor de vendedor. Previsão de séries temporais aprende com o passado e assume que o padrão continua. Ela funciona bem com histórico consistente e sazonalidade estável, e falha feio em situações previsíveis. Produtos novos, sem histórico, não têm o que prever; ali você usa produtos análogos e julgamento. Rupturas estruturais, uma pandemia, uma lei nova, um concorrente novo, quebram o padrão aprendido, e o modelo segue projetando um mundo que não existe mais. Itens de baixo giro têm série tão errática que o erro relativo fica alto por natureza. E nenhum modelo prevê o genuinamente imprevisível: o pico viral, o cisne negro.

Isso não invalida a previsão, invalida a expectativa errada. A previsão bem feita reduz a incerteza e melhora a decisão média ao longo do ano; ela não elimina o julgamento humano nos casos de exceção. Quem promete acerto perfeito está vendendo, não modelando.

Perguntas frequentes#

Quanto histórico eu preciso para começar? Para previsão sazonal, o mínimo confortável são dois ciclos completos, normalmente dois anos de dados mensais, para que o modelo veja o padrão sazonal se repetir. Com menos que isso, dá para prever tendência simples, mas não confie em sazonalidade extraída de um único ano. Séries mais curtas pedem cautela e faixas de incerteza mais largas.

Preciso de machine learning para prever demanda? Não na maioria dos casos. Média móvel e suavização exponencial, incluindo Holt-Winters, resolvem boa parte das operações comerciais. Machine learning compensa quando você tem muitas séries, quer usar variáveis externas como preço e promoção, ou tem relações não lineares. Comece pelo simples e só suba a escada quando ele não bater a meta de erro.

O forecast do Power BI é suficiente? Para começar e para casos simples, sim. Ele aplica suavização exponencial, detecta sazonalidade e mostra a banda de confiança, tudo dentro do relatório. Não incorpora variáveis externas nem escala para milhares de SKUs. Use como primeiro passo e como validação de que previsão melhora a decisão antes de investir em Azure Machine Learning ou Fabric.

Qual métrica de erro eu devo acompanhar? Comece pelo MAPE para conversar com o negócio em porcentagem e pelo MAE para ver o erro na unidade real. Sempre compare com um baseline ingênuo, como repetir o mês anterior. Se o modelo não vence o baseline, ele não justifica o custo, e o erro precisa ser acompanhado ao longo do tempo.

Como trato promoções e rupturas no histórico? Marque promoções como eventos, para que o modelo não trate o pico como padrão recorrente. Rupturas de estoque são demanda não atendida, não demanda zero; tratá-las como venda baixa ensina o modelo a pedir menos justo quando falta produto. Corrigir esses pontos costuma ajudar mais que trocar de algoritmo.

Com que frequência eu atualizo a previsão? Depende do ciclo de decisão. Muitas operações reprocessam mensalmente, alinhado ao ciclo de compras, e casos de giro rápido pedem revisão semanal. O importante não é a frequência em si, e sim ter um processo que reprocesse, monitore o erro e avise quando o modelo começar a degradar.

Comece pelo baseline, meça o erro, suba a escada só quando precisar#

Previsão de demanda com dados não começa com o algoritmo mais avançado. Começa com histórico limpo, com o reconhecimento honesto de sazonalidade e tendência, com um baseline simples e com a disciplina de medir o erro. O forecast do Power BI resolve o começo; Azure Machine Learning e a Data Science do Fabric cobrem o avançado quando o problema pede. E, em qualquer nível, o modelo é tão bom quanto o dado que o alimenta.

Se você quer sair do estoque no chute e estruturar previsão de demanda que a operação consiga sustentar, fale com a gente. Ajudamos a escolher a técnica certa para o seu histórico, sem vender sofisticação que o seu problema não precisa.