Quanto vamos vender no mês que vem? Quanto precisamos importar agora? Em produto importado, as duas perguntas precisam ser respondidas muito antes da venda. Quem erra para baixo descobre o erro quando falta produto e a reposição depende da próxima importação. Quem erra para cima paga de outro jeito: o capital fica parado em estoque, o que, em itens de alto valor, pesa no caixa.
Esse era o cenário de uma fabricante do setor automotivo que atende o mercado de reposição independente. A ruptura costuma ser discutida como um problema de estoque ou de compras. O case coloca uma pergunta anterior: quanto dela começa na previsão de vendas?
O contexto: começar onde o erro custa mais
A fabricante tem um portfólio de mais de 3.000 SKUs. Em vez de levar a IA para o portfólio inteiro de uma vez, o projeto escolheu a linha mais sensível: os kits de distribuição de motor, que combinam tensores, polias e correias. São 68 produtos importados e de alto valor agregado, classificados em curva ABC e vendidos para cinco tipos de mercado de reposição.
Nessa linha, a assertividade da previsão pesa mais. O forecast de vendas precisa equilibrar, ao mesmo tempo, a demanda do mercado, o nível de estoque e a logística de importação, e errar em qualquer direção custa caro, seja em venda perdida, seja em capital imobilizado.
O comportamento das vendas ajuda a entender a dificuldade. Entre janeiro de 2022 e outubro de 2024, o volume mensal oscilou mais de três vezes entre o mês mais fraco e o mais forte, com picos que mudam de mês de um ano para o outro. E, dentro da linha, itens de curva A, com giro alto e regular, convivem com itens de curva C, que vendem pouco e de forma irregular.
O desafio: um erro que virava venda perdida
Para medir o ponto de partida, a equipe comparou a previsão do processo vigente com o que de fato foi vendido em outubro de 2024. O erro agregado foi de 45% do valor vendido. A composição desse erro dizia mais do que o total: 35% do valor vendido correspondia a ruptura, isto é, demanda maior do que o previsto, e menos de 10% a sobra.
A previsão, portanto, não errava para os dois lados de forma equilibrada. Subestimava a demanda de forma sistemática, e o custo aparecia como pedido não atendido, num tipo de produto em que a reposição não é imediata. Na curva A, que concentra quase dois terços do valor vendido da linha, o erro era de 30%.
Quando o erro tem direção, não é ruído: é viés. E estoque de segurança trata o sintoma, a um custo alto em produto importado de alto valor.
O que a Target construiu: um modelo comparado, não escolhido de antemão
O projeto durou 105 dias corridos e percorreu o ciclo completo de ciência de dados: entendimento do negócio, definição da solução, construção do dataset, análise exploratória, processamento, criação, treino, validação e otimização do modelo. Três escolhas explicam o resultado.
Os dados já estavam no data lake. A base veio da camada silver do data lake do cliente, que já reunia pedidos, curva ABC, cadastro de produtos e divisões. Isso evitou um projeto paralelo de extração e permitiu partir de dados já tratados. Foram montados dois conjuntos de teste: um com os 68 produtos da linha e outro apenas com os dez principais de cada curva.
Nove algoritmos na mesma régua. Em vez de escolher uma técnica de antemão, a equipe comparou nove, de árvores de decisão e modelos de ensemble a redes neurais e modelos criados para séries temporais, avaliados com RMSE, MAE, MAPE e R². O salto de qualidade veio do Nested Forecasting, técnica que modela as séries de vários produtos ao mesmo tempo, em vez de tratar cada uma isoladamente. Com ela, as taxas de erro caíram de forma expressiva em relação aos testes anteriores. O melhor desempenho foi do Random Forest, aplicado à base com todos os produtos, sem necessidade de ajuste de hiperparâmetros nem de redes neurais.
Validação como se o modelo já estivesse em produção. Em vez de avaliar o modelo uma única vez, a equipe simulou a rotina real: treinou com os dados até um mês, previu o mês seguinte, retreinou com o dado mais recente e repetiu o ciclo de maio a outubro de 2024. O resultado mostra como o modelo se comporta mês a mês, e não apenas num recorte favorável.
O que mudou nos números
Os números a seguir vêm dessa validação: em outubro de 2024, o modelo foi comparado ao processo de previsão vigente.
O erro agregado caiu de 45% para 16% do valor vendido. A ruptura, a parcela em que a demanda superou o previsto, passou de 35% para 7%, uma redução de 80%. A sobra ficou praticamente estável, de 9,7% para 9,1%, o que mostra que o ganho não veio de trocar falta por excesso. Na curva A, o erro caiu de 30% para 7%. E mais da metade dos produtos modelados ficou dentro da margem de erro de 30% definida no projeto, vários deles com erro abaixo de 5%.
O resultado também tem limites, e eles fazem parte do aprendizado. Dos 68 produtos, 27 ficaram acima da margem de 30%, a maioria de curva C e com baixo volume de vendas, e outros oito não entraram no modelo por falta de histórico suficiente para treino. Esses itens pedem técnicas específicas e foram mapeados como próximo passo, junto com o deploy, o monitoramento e a manutenção do modelo.
O que vale para qualquer empresa com produtos importados
Os fatos acima são do projeto. A leitura a seguir é da Target, a partir dele.
– Comece onde o erro custa mais. Num portfólio de milhares de SKUs, levar a IA para tudo de uma vez dilui esforço e atrasa resultado. Escolher a linha em que errar a previsão pesa mais, como itens importados e de alto valor, concentra o ganho e cria a prova para expandir.
– Ruptura também é problema de previsão. Quando o erro é assimétrico e tende a subestimar a demanda, aumentar o estoque de segurança trata o sintoma, e em produto importado de alto valor esse remédio é caro. Medir quanto da ruptura vem da previsão muda a conversa entre comercial, planejamento e compras.
– O modelo mais sofisticado nem sempre ganha. Redes neurais e Transformers estavam na disputa, mas o melhor resultado veio de um Random Forest bem estruturado. Em séries curtas e com muitos produtos, a forma de organizar os dados costuma pesar mais do que a complexidade do algoritmo.
– Validar como em produção evita surpresa. Um teste retroativo com retreino mensal é mais exigente do que uma avaliação única, mas é o que dá confiança para levar o modelo à rotina do planejamento.
– Nem todo produto se prevê do mesmo jeito. Itens de curva A, de volume alto, responderam muito bem. Itens de curva C e produtos novos precisam de outro tratamento, e é melhor saber disso antes de colocar o modelo em uso.
Para empresas com portfólios grandes e parte dos itens importados, como fabricantes e distribuidores de autopeças, componentes industriais e bens de consumo, a primeira pergunta não é qual algoritmo usar. É em qual linha o erro de previsão custa mais hoje. Esse é o ponto de partida de projetos como este e o território em que o Lab de AI & Inovação, o Data Squad e o Data Office da Target atuam: do dado organizado ao modelo em uso.
Case de Sucesso Target
Quer entender como estruturar os dados de mercado da sua operação? Converse com um especialista da Target