Hoje

ConnectWeek

Portal de NegóciosNotícias, guias, dados e ferramentas.


  • E-commerce · faturamentoR$ 235,5 bi▲ +15,3%
  • E-commerce · pedidos438,9 mi▲ +5,8%
  • E-commerce · ticket médioR$ 536,60▲ +8,98%
  • E-commerce · compradores94,2 mi▲ +3,2%
  • Selic · Copom 16/09/202613,75% a.a.4º corte seguido
  • Startups · fatia das fintechs nos aportes, 1º sem. 202667%62% em 2025
  • Empreendedores iniciais · IA como prioridade digital74%× 35% site próprio e e-commerce
  • Donos de negócio com 60 anos ou mais16,5%
  • E-commerce · compras pelo celular55,5%× 44,5% desktop
  • E-commerce · projeção de faturamento para 2026acima de R$ 258 bi

Inteligência ArtificialArtigoDados com fonte declarada

Previsão de demanda com IA no e-commerce: como testar antes de automatizar a reposição

Paisagem low poly de montanhas facetadas que ficam nítidas à esquerda e se apagam em neblina à direita
Imagem ilustrativa

Em resumo

A IA pode ajudar a estimar a demanda por produto e período, mas a previsão só serve se os dados estiverem organizados e o resultado for comparado com uma referência simples. Veja como montar um piloto, medir o erro e manter a decisão de compra sob controle.

Uma previsão de demanda com inteligência artificial estima quantas unidades podem ser vendidas em um período futuro, usando informações históricas e outros sinais disponíveis. Ela pode apoiar o planejamento de compras e reposição, mas não sabe o futuro nem transforma uma base desorganizada em decisão segura. Para uma loja virtual, o teste correto começa comparando o modelo com uma regra simples e termina com uma pessoa decidindo o que comprar.

A documentação do Google Cloud descreve um fluxo em que dados de produtos e eventos de compra são organizados, usados para treinar um modelo e depois convertidos em previsões. Isso é um exemplo de implementação em uma plataforma específica, não uma promessa de resultado para qualquer loja. O método abaixo adapta a ideia para um piloto que uma operação pequena consegue avaliar sem entregar o estoque a uma caixa-preta.

O que a previsão de demanda responde?

A pergunta prática é: para este produto, neste canal e neste horizonte, qual faixa de saída parece plausível? O horizonte importa. Uma estimativa para a próxima semana pode ajudar a organizar reposição; uma estimativa para o próximo trimestre depende de mais hipóteses sobre preço, campanhas, sazonalidade e disponibilidade.

Previsão também não é pedido de compra automático. O resultado precisa ser combinado com estoque disponível, mercadoria a caminho, prazo do fornecedor, quantidade mínima de compra, caixa e risco de encalhe. Um modelo pode estimar a procura; quem administra a empresa precisa decidir quanto risco financeiro aceita.

Quais dados preparar antes do modelo

Monte uma tabela por SKU e por dia ou semana. O conjunto mínimo costuma ter:

  • identificador estável do produto e da variação;
  • unidades vendidas e pedidos cancelados ou devolvidos;
  • dias ou períodos em que o item ficou sem estoque;
  • preço praticado e descontos;
  • campanhas e mudanças de canal;
  • estoque inicial, recebimentos e prazo típico de reposição, se a ferramenta aceitar esses campos.

Vendas observadas não são sempre iguais à demanda. Se o produto ficou indisponível, o histórico pode mostrar poucas vendas justamente quando havia gente querendo comprar. Se a loja lançou uma promoção e não marcou isso, o modelo pode aprender que aquele pico é normal. Documente mudanças de cadastro e períodos atípicos antes de interpretar a previsão.

Não misture produtos diferentes só porque compartilham uma categoria. Uma camiseta básica e uma peça de edição limitada têm padrões distintos. Comece com poucos itens que tenham histórico suficiente e cadastro consistente. A orientação do Google Cloud para previsão de vendas também exige preparar as tabelas de produtos e eventos antes de treinar o modelo.

Compare com uma linha de base

Antes de pagar por uma plataforma ou montar uma integração, registre uma previsão simples. Pode ser a média das últimas semanas, uma comparação com o mesmo período do ano anterior quando houver dados comparáveis, ou a regra que a equipe já usa. A linha de base responde à pergunta que importa: a IA melhora a decisão em relação ao processo atual?

Separe parte do histórico que o modelo não viu durante o treinamento. Por exemplo, treine com períodos anteriores e peça uma previsão para semanas passadas já realizadas. Compare depois o que foi previsto com o que realmente ocorreu. Repita esse teste em mais de uma janela, porque uma única semana promocional pode distorcer o resultado.

O teste deve usar a mesma informação que estaria disponível na data em que a previsão teria sido feita. Se você incluir no modelo um dado que só apareceu depois, o resultado parecerá melhor do que seria na operação real.

Como medir o erro sem se enganar

A documentação do Amazon Forecast descreve o WAPE como uma métrica que compara o total dos erros absolutos com o total observado. Em termos simples, some a diferença entre previsão e venda real para os itens e períodos testados; divida pela soma das vendas observadas. Quanto menor, mais perto ficou o conjunto previsto, mas esse indicador não conta toda a história.

Uma média geral pode esconder que o modelo erra justamente nos produtos de maior valor ou nos itens que costumam faltar. Confira também o erro por SKU, por categoria e por semana. Observe previsões altas demais, que podem prender dinheiro em estoque, e previsões baixas demais, que podem gerar falta. Para produtos com vendas raras ou muito próximas de zero, percentuais podem ficar instáveis; use valores absolutos e julgamento operacional.

Não escolha a métrica depois de ver qual deixa o resultado mais bonito. Defina antes qual erro custa mais para a loja: excesso, falta, perda de venda, frete urgente ou desconto para liquidar produto.

Um piloto de quatro semanas

  1. Semana 1: escolha uma categoria pequena e exporte vendas, estoque, preço e promoções. Corrija IDs duplicados e períodos sem estoque.
  2. Semana 2: registre a regra atual e gere previsões para períodos passados, sem usar dados que ainda não existiam naquela data.
  3. Semana 3: compare as previsões com os resultados reais por item, anotando o custo provável de excesso e falta.
  4. Semana 4: use a previsão apenas como sugestão para uma nova rodada de compras. Registre o que a pessoa aceitou, alterou ou recusou e por quê.

Defina antes um limite para o piloto: orçamento, quantidade de itens, quem pode aprovar uma compra e como interromper o teste. O artigo sobre usos de IA para pequenas empresas ajuda a escolher uma tarefa de partida; para organizar os dados que chegam ao cliente e aos assistentes, veja também o guia de cadastro de produto para IA.

Quando a IA não deve decidir a compra

Não automatize uma reposição se a loja não sabe qual arquivo alimentou a previsão, não consegue reproduzir o cálculo ou não tem registro de quem aprovou a compra. Também mantenha revisão humana para lançamentos, produtos perecíveis, itens de alto custo, períodos promocionais inéditos e produtos com histórico curto.

Para a maioria das pequenas operações, a primeira meta não é eliminar o comprador. É tornar visível uma hipótese, medir se ela ajuda e conservar a capacidade de corrigir a rota. A previsão pode ser útil mesmo quando erra, desde que o erro seja conhecido, comparado com uma referência e usado para ajustar o processo.

Comece por aqui Novo no assunto? Leia primeiro inteligência artificial para pequenas empresas, o texto-base desta cobertura.

Fonte: Google Cloud — documentação de previsão de vendas

Perguntas frequentes

A IA prevê com certeza quantas unidades vou vender?

Não. Uma previsão é uma estimativa condicionada aos dados e ao horizonte escolhido. Ela pode errar quando há ruptura de estoque, promoção não registrada, mudança de preço, lançamento, sazonalidade nova ou alteração de canal.

Quanto histórico é necessário para começar?

Não existe um prazo universal. Para um primeiro teste, reúna a maior série consistente que tiver, com vendas por SKU e período, dias sem estoque, preço e promoções. Se houver poucas observações, comece por uma média simples e trate a saída como sinal, não como ordem de compra.

Qual métrica usar para comparar previsões?

Uma possibilidade é o WAPE, que compara a soma dos erros absolutos com a soma das vendas observadas. A documentação da AWS descreve essa e outras métricas. Nenhuma métrica deve ser lida isoladamente: compare a previsão com uma referência simples e examine produtos e períodos separadamente.

Posso automatizar a reposição depois do piloto?

Comece com recomendação revisada por uma pessoa. Só considere automatizar limites bem definidos depois de testar estabilidade, custo dos erros, integrações e procedimentos para pausar ou desfazer uma ação.

Continue lendo

Leia também

Ver tudo: Leia também

TecnologiaArtigo··9 min

Política de uso de IA para pequena empresa: modelo editável e as sete decisões antes de liberar o uso

Uma política de uso de inteligência artificial diz à equipe quais ferramentas e contas pode usar, o que nunca colar nelas e quem confere o resultado. O ConnectWeek reúne o que um estudo técnico da ANPD observa sobre os dados digitados nos comandos, o que a LGPD (lei de proteção de dados) exige, o que OpenAI, Google, Microsoft e Anthropic publicam sobre treinamento de modelos, sete decisões e um modelo de uma página.

Por Redação ConnectWeek

TecnologiaArtigo··9 min

MCP no e-commerce: o que é o protocolo que liga a loja aos assistentes de IA, sem jargão

O MCP (Model Context Protocol) é um padrão aberto, apresentado pela Anthropic em novembro de 2024, para ligar aplicativos de IA a sistemas externos. O ConnectWeek explica as peças do protocolo em português claro, mostra o que a Shopify deixa os assistentes de IA consultarem em cada loja e a diferença para o UCP (Universal Commerce Protocol), padrão voltado ao comércio, e traz oito perguntas para fazer à plataforma.

Por Redação ConnectWeek

TecnologiaArtigo··9 min

Chatbot, copiloto e agente de IA: três cargos, três custos no atendimento da loja

Chatbot segue roteiro, copiloto ajuda o atendente e agente de IA executa etapas por conta própria. O ConnectWeek compara os três com base nas definições do Google Cloud e da IBM, mostra como o custo de cada um se forma em um exemplo hipotético de 1.000 contatos por mês e lista sete perguntas para fazer ao fornecedor antes de contratar.

Por Redação ConnectWeek

SEOArtigo··7 min

Como separar no Google Analytics 4 (GA4) a visita que veio de ChatGPT, Gemini e Perplexity

Desde maio de 2026, o Google Analytics 4 (GA4) classifica sozinho a visita vinda de assistentes de IA no canal AI Assistant. O ConnectWeek mostra o passo a passo para abrir esse canal por assistente, como criar um grupo de canais próprio com expressões prontas e o que o relatório não mostra, como os cliques das respostas de IA do Google, contados como pesquisa orgânica.

Por Redação ConnectWeek