IA para previsão de demanda

A resposta curta

Previsão de demanda é problema de estatística com décadas de métodos bem testados por trás. Um modelo de linguagem não é o instrumento certo, e usar um porque é a tecnologia do momento é como se obtém uma previsão pior a um custo maior.

Isso não significa que IA não tem lugar aqui. Significa que a previsão em si deve vir de um modelo feito para série temporal, e a IA entra em volta: nas entradas, na explicação e na decisão que vem depois.

O que de fato ganha

Árvores com gradient boosting e métodos clássicos de série temporal, com boa engenharia de atributos, ganham de quase tudo em dado tabular de demanda. São baratos, rápidos, explicáveis e têm comportamento de falha bem compreendido.

Diga isso com clareza mesmo quando não é a resposta empolgante. Um fornecedor que propõe LLM para previsão ou não conhece a área ou está vendendo o que tem em vez do que você precisa, e isso é uma coisa específica para verificar.

Onde a IA agrega de verdade

Em volta do modelo, em três lugares. Trazer sinal não estruturado que hoje nunca chega ao modelo: e-mail de fornecedor sobre atraso, notícia sobre concorrente, aviso meteorológico, calendário de evento.

Explicar a previsão numa linguagem sobre a qual o planejador consiga agir, incluindo quais fatores mudaram desde a semana passada. E tratar as exceções, quando o planejador precisa perguntar por que esse SKU caiu e receber uma resposta real em vez de abrir uma planilha.

Acurácia é o alvo errado

Previsão não é produto final. É entrada para uma decisão de compra, escala ou produção, e essas têm custo assimétrico: faltar normalmente é bem mais caro que sobrar, ou o contrário, e nunca igual.

Otimize contra o custo da decisão, não contra uma métrica de erro simétrica. Uma previsão um pouco menos acurada e mais barata de errar é a previsão melhor, que é o argumento de medir ROI de IA na forma mais pura.

Prontidão de dado decide a viabilidade

Você precisa de histórico na granularidade da decisão, e precisa saber o que estava de fato disponível e não o que vendeu: uma ruptura parece demanda zero e ensina o modelo a comprar menos para sempre.

Promoção, mudança de preço e feriado precisam estar registrados como evento, não inferidos da curva de venda. Se esse histórico não existe, o primeiro projeto é instrumentação, conforme prontidão de dados.

O problema do início frio

Produto novo, loja nova e categoria nova não têm histórico, e frequentemente são justamente aqueles para os quais o negócio mais quer previsão.

Trate por analogia e hierarquia em vez de fingir que o modelo extrapola: o que lançamentos comparáveis fizeram, o que a categoria faz, o que a região faz. Declare a incerteza em vez de produzir um número confiante em que ninguém deveria confiar.

Previsão deriva, alto e em silêncio

Padrão de demanda muda, e um modelo treinado no comportamento do ano passado degrada sem dar erro. A cadência de retreino deveria ser decisão, não algo que acontece quando alguém percebe.

Monitore erro por segmento em vez de agregado, porque um número geral estável rotineiramente esconde uma categoria desabando. É a mesma disciplina de drift de modelo, aplicada a outra classe de modelo.

Adoção é a restrição real

Planejadores sobrepõem previsão que não entendem e em que não confiam, e uma previsão sobreposta não produziu nada por mais acurada que fosse.

Acompanhe a taxa de sobreposição como métrica de primeira classe. Mostrar por que o número se mexeu, e deixar o planejador interrogar isso em linguagem simples, costuma valer mais na prática do que mais um ponto de acurácia.

Como sequenciar

Estabeleça uma linha de base com modelo simples e meça com honestidade contra o que o negócio faz hoje, que muitas vezes é uma planilha melhor do que se espera.

Depois adicione os sinais não estruturados e a camada de explicação, e só invista além disso onde o custo da decisão justificar. Essa ordem é o que faz virar IA em produção, ponta a ponta em vez de projeto de laboratório.