Previsão de demanda para estoque: guia científico e prático

O que é previsão de demanda para estoque?

Previsão de demanda para estoque é um dos pilares da gestão eficiente no e-commerce. Quando bem estruturada, reduz a ruptura, evita capital parado, melhora o giro e aumenta a margem operacional. Quando negligenciada, compromete fluxo de caixa, experiência do cliente e crescimento sustentável.

Os dados de impacto são expressivos: empresas que investem em tecnologia de visibilidade e previsão de demanda têm o dobro de probabilidade de evitar problemas de cadeia de suprimentos em relação às que não investem (Slimstock, 2025). Sistemas com forecasting automatizado proporcionam redução de 10% a 15% nos níveis totais de estoque e melhoria de 73% na acurácia de inventário (Firework, 2024). No campo de ML aplicado a varejo, modelos LSTM atingiram MAPE de 16,43% versus 28,76% de métodos tradicionais — melhoria de 42,87% na acurácia de previsão (IJSAT, 2025).

Este guia apresenta os fundamentos científicos da previsão de demanda — métodos qualitativos e quantitativos, componentes da demanda, cálculo das principais métricas de erro (MAE, MAPE, RMSE, Bias) com exemplos numéricos, benchmarks por segmento, aplicação ao lead time e ao estoque de segurança, e estratégias para produtos sem histórico. Tudo fundamentado na literatura canônica de forecasting e em evidências empíricas atualizadas.

Previsão de demanda é o processo de estimar a quantidade futura de vendas de um produto com base em dados históricos, variáveis de mercado e modelos estatísticos. Segundo Silver, Pyke e Thomas (2017), ela é o ponto de partida para decisões de reposição, compras e planejamento logístico. Sem ela, o estoque se torna reativo — e decisões reativas são sistematicamente mais caras do que decisões antecipadas.

No contexto do e-commerce, a previsão de demanda responde à pergunta operacional central: quantas unidades de cada SKU preciso ter disponíveis para atender a demanda futura sem gerar excesso nem ruptura? É a resposta a essa pergunta — e não a intuição do gestor — que deve orientar cada pedido de compra.

Chopra e Meindl (2016) estabelecem que erros de previsão afetam diretamente dois indicadores críticos da cadeia de suprimentos: o nível de serviço ao cliente e o custo total de operação. Uma previsão sistematicamente alta (viés positivo) gera excesso de estoque, capital imobilizado e liquidações com desconto. Uma previsão sistematicamente baixa (viés negativo) gera rupturas, perda de vendas e deterioração do ranqueamento em marketplaces. O equilíbrio entre os dois riscos é o objetivo central da previsão de demanda.

Por que a previsão de demanda é crítica no e-commerce?

No ambiente digital, a variabilidade da demanda é estruturalmente maior do que no varejo físico — e os drivers dessa variabilidade são múltiplos e frequentemente simultâneos:

• Sazonalidade intensa: Black Friday, Natal, Dia das Mães, Dia dos Pais, Dia dos Namorados — cada data gera pico de demanda com magnitude e mix de produtos distintos
• Campanhas de tráfego pago: um aumento de 30% no budget de Google Shopping pode multiplicar a demanda de um SKU específico em dias
• Influência de redes sociais: viralização orgânica ou menção por influenciador pode gerar pico de demanda em horas — com lead time de fornecedor incompatível com essa velocidade
• Lançamentos e promoções relâmpago: flash sales e lançamentos sem histórico comparável são os cenários de maior erro de previsão
• Volatilidade multicanal: a mesma demanda distribuída por múltiplos canais com padrões distintos aumenta a complexidade do forecasting

Segundo dados do M4 Competition (Makridakis et al., 2018) — o maior estudo comparativo de métodos de previsão já realizado, com 100.000 séries temporais —, a combinação de múltiplos métodos de previsão supera consistentemente qualquer método isolado, com redução de erro de 8% a 12% sobre o melhor modelo individual. Para e-commerce, onde a demanda é mais volátil do que em setores industriais, esse ganho de precisão é ainda mais relevante.

Bases científicas: métodos de previsão de demanda

A literatura divide os métodos de previsão em duas grandes categorias (Makridakis, Wheelwright e Hyndman, 1998; Hyndman e Athanasopoulos, 2021):

Métodos qualitativos

Utilizados quando não há histórico suficiente para modelagem estatística. São a alternativa necessária para novos produtos, lançamentos e mercados emergentes.

• Opinião de especialistas: julgamento estruturado de gestores com conhecimento profundo do mercado e do comportamento do consumidor
• Pesquisa de mercado: levantamento de intenção de compra em amostra representativa do público-alvo
• Método Delphi: rodadas iterativas de consulta a especialistas com feedback anônimo, convergindo para previsão consensual
• Analogia histórica: usar o histórico de um produto similar como proxy para prever a demanda do novo item

Armstrong (2001) demonstra que combinar julgamento gerencial com dados comparativos aumenta a precisão em cenários de incerteza — argumento que fundamenta o uso de analogia histórica como alternativa à modelagem puramente estatística para produtos sem histórico.

Limitação estrutural: maior subjetividade e risco de viés cognitivo — especialmente o viés de otimismo, que sistematicamente superestima demanda em lançamentos.

Métodos quantitativos: séries temporais

Baseados em dados históricos e modelos matemáticos. São os mais indicados para e-commerce com histórico disponível. A taxonomia clássica de Hyndman e Athanasopoulos (2021) os divide em:

Média móvel simples (MMS)

Previsão(t+1) = [D(t) + D(t-1) + ... + D(t-n+1)] ÷ n
D(t) = demanda no período t · n = número de períodos considerados

Exemplo: vendas das últimas 4 semanas: 120, 135, 115, 140. MMS(4) = (120+135+115+140) ÷ 4 = 127,5 unidades previstas para a próxima semana. Adequada para demanda estável sem tendência nem sazonalidade. Limitação: peso igual para todos os períodos — dados antigos influenciam tanto quanto os recentes.

Suavização exponencial simples (SES)

F(t+1) = α × D(t) + (1-α) × F(t)
α = parâmetro de suavização (0 < α < 1) · D(t) = demanda real no período t · F(t) = previsão para t

O parâmetro α controla o peso dado aos dados recentes: α alto (próximo de 1) dá mais peso à demanda mais recente; α baixo (próximo de 0) suaviza mais a série, dando peso maior ao histórico. Hyndman e Athanasopoulos (2021) recomendam otimizar α minimizando o erro de previsão sobre o histórico disponível.

Exemplo: D(t) = 130 unidades, F(t) = 127,5, α = 0,3. F(t+1) = 0,3 × 130 + 0,7 × 127,5 = 39 + 89,25 = 128,25 unidades. O α de 0,3 garante que 70% do peso ainda recaia no histórico acumulado — adequado para demanda estável com variações moderadas.

Holt-Winters (suavização exponencial com tendência e sazonalidade)

Extensão do SES que incorpora três componentes: nível (L), tendência (T) e fator sazonal (S). É o modelo mais indicado para e-commerce com sazonalidade identificável — e, segundo Hyndman e Athanasopoulos (2021), um dos modelos mais amplamente utilizados no varejo por combinar simplicidade operacional com capacidade de captura de padrões sazonais.

F(t+m) = (L(t) + m × T(t)) × S(t+m-s)
L = nível · T = tendência · S = índice sazonal · m = horizonte de previsão · s = periodicidade sazonal

Na prática: para uma loja com sazonalidade anual (s=12 meses), o Holt-Winters aplica o índice sazonal do mesmo mês do ano anterior para ajustar a previsão — capturando automaticamente o padrão de pico de novembro (Black Friday) e queda de fevereiro, por exemplo.

ARIMA — AutoRegressive Integrated Moving Average

Família de modelos que combina componentes autorregressivos (AR), de diferenciação (I) e de média móvel (MA). O modelo ARIMA(p,d,q) é especificado por três parâmetros: p (ordem autorregressiva), d (grau de diferenciação para tornar a série estacionária) e q (ordem de média móvel). É mais complexo de implementar e interpretar do que SES ou Holt-Winters, mas captura padrões mais sofisticados em séries com autocorrelação e estrutura estatística não-trivial.

Métodos quantitativos: modelos causais

Relacionam a demanda a variáveis externas observáveis. Utilizam regressão estatística para estimar o impacto de cada variável sobre as vendas:

• Preço e elasticidade de preço: quanto uma redução de 10% no preço altera a demanda?
• Investimento em mídia paga: qual o efeito de R$ 10.000 adicionais em Google Shopping sobre o volume de pedidos?
• Tráfego orgânico e sazonalidade de busca: dados do Google Trends como proxy de intenção de compra futura
• Calendário promocional: impacto incremental de cada tipo de promoção por categoria

Modelos causais são especialmente poderosos quando combinados com séries temporais — e essa combinação constitui a arquitetura dos modelos híbridos de forecasting, que consistentemente superam abordagens univariadas em dados de varejo.

Machine learning e deep learning para forecasting

A fronteira atual da previsão de demanda no varejo está nos modelos de ML e deep learning, com evidências empíricas substanciais de superioridade sobre métodos tradicionais:

• LSTM (Long Short-Term Memory): redes neurais recorrentes especializadas em capturar dependências de longo prazo em séries temporais. MAPE de 16,43% vs. 28,76% de métodos tradicionais — melhoria de 42,87% em 1.876 produtos de grocery, fashion e eletrônicos (IJSAT, 2025)
• XGBoost: modelo de gradient boosting que processa múltiplas variáveis simultaneamente. Combinado com LSTM em modelo híbrido, reduz o erro adicional em 3,82% sobre o LSTM isolado (IJSAT, 2025)
• Random Forest: MAE de 1,45 unidades e RMSE de 1,98 em benchmark de forecasting de inventário, com vantagem adicional de interpretabilidade — permite identificar quais variáveis mais influenciam a previsão (WJARR, 2024)
• LightGBM: implementação eficiente de gradient boosting. Em caso real com €80M de receita e 700 SKUs, reduziu o erro de previsão em 19% sobre benchmark estatístico (Articsledge, 2025)

O M4 Competition (Makridakis et al., 2018), com 100.000 séries temporais, demonstrou que a combinação de múltiplos métodos supera qualquer método isolado com redução de 8%–12% no erro. No ambiente de e-commerce, modelos híbridos estatístico + ML representam o estado da arte — mas apenas 20% das empresas conseguem previsões com erro abaixo de 5% (Articsledge, 2025).

Os 4 componentes fundamentais da demanda

Toda previsão de demanda para estoque deve considerar quatro componentes clássicos (Silver et al., 2017; Makridakis et al., 1998). Ignorar qualquer um aumenta sistematicamente o erro de previsão:

O ruído aleatório é o componente mais relevante para o cálculo do estoque de segurança: é exatamente a variabilidade não previsível que o ES deve absorver. O desvio padrão da demanda (σD), calculado sobre o resíduo após remoção de tendência e sazonalidade, é o parâmetro que conecta a qualidade do modelo de previsão ao dimensionamento do buffer de segurança.

Métricas de erro de previsão: MAE, MAPE, RMSE e Bias

Medir o erro de previsão não é opcional — é o que distingue previsão de estimativa. Makridakis et al. (1998) estabelecem que a avaliação sistemática do erro é pré-requisito para qualquer processo de melhoria de forecast. Sem ela, o gestor não sabe se está melhorando, piorando ou apenas mudando a forma do mesmo erro.

A literatura e a prática de supply chain utilizam quatro métricas complementares, cada uma com força e limitação específicas:

MAE — Mean Absolute Error (Erro Médio Absoluto)

MAE = (1/n) × Σ ·Previsto(t) − Real(t)·
MAE = erro médio em unidades absolutas (módulo do desvio entre previsto e real)

Mede o erro médio em unidades absolutas — mesma unidade da demanda. Fácil de interpretar: um MAE de 15 unidades significa que, em média, a previsão erra 15 unidades por período. Robusto a outliers. Limitação: não permite comparação entre produtos com volumes diferentes (um MAE de 15 é ótimo para um produto que vende 1.000 unidades/semana e ruim para um que vende 20).

MAPE — Mean Absolute Percentage Error (Erro Percentual Médio Absoluto)

MAPE = (1/n) × Σ (·Previsto(t) − Real(t)· / Real(t)) × 100
MAPE = erro expresso como percentual da demanda real

Exprime o erro como percentual da demanda real — permite comparação entre produtos com volumes diferentes. É a métrica mais utilizada em demand planning (RELEX Solutions, 2026; Umbrex, 2026). Um MAPE de 10% significa que a previsão erra, em média, 10% da demanda real. Limitação: MAPE tende a infinito quando a demanda real é zero — inadequado para SKUs com demanda intermitente. Nesses casos, use wMAPE (weighted MAPE) ou sMAPE.

Exemplo calculado: previsão de 100 unidades, real de 120 unidades. MAPE = (módulo de 100−120)/120 × 100 = 20/120 × 100 = 16,7%. A previsão estava 16,7% abaixo do real.

RMSE — Root Mean Squared Error

RMSE = √[(1/n) × Σ (Previsto(t) − Real(t))²]
RMSE = raiz da média dos erros ao quadrado

Eleva os erros ao quadrado antes de calcular a média — penalizando erros grandes muito mais do que erros pequenos. É o indicador mais sensível a outliers e picos de erro. Útil quando erros grandes têm custo desproporcionalmente alto (como rupturas em itens de alta margem). Limitação: menos intuitivo que MAE ou MAPE; difícil de interpretar isoladamente.

Bias — Viés Sistemático

Bias (%) = [(Σ Previsto − Σ Real) / Σ Real] × 100
Bias = mede se a previsão sistematicamente superestima (positivo) ou subestima (negativo) a demanda

Mede se a previsão sistematicamente superestima (Bias positivo → overstock crônico) ou subestima (Bias negativo → ruptura crônica) a demanda. Um modelo pode ter MAPE baixo mas Bias alto — significa que erra consistentemente na mesma direção. Bias positivo persistente indica que o modelo está calibrado de forma conservadora; Bias negativo indica que está calibrado de forma otimista (RELEX Solutions, 2026).

Exemplo: previsão acumulada em 4 semanas = 480 unidades, real acumulado = 440 unidades. Bias = (480−440)/440 × 100 = +9,1%. A previsão está 9,1% acima do real — gerando tendência de overstock.

Benchmarks de MAPE por segmento

Não existe um MAPE universalmente 'bom'. O que é aceitável depende do segmento, do horizonte de previsão e da volatilidade da demanda (e2open, 2018; Umbrex, 2026):

O benchmark mais útil não é o MAPE médio do mercado — é comparar seu MAPE atual com o de um modelo naïve (como a média dos últimos 4 períodos). Se seu modelo não supera a média simples, ele não está agregando valor. Esse conceito — Forecast Value Added (FVA) — é a métrica de validação mais honesta de qualquer processo de previsão.

Como calcular previsão de demanda: passo a passo com exemplos

Passo 1 — Organizar dados históricos

Idealmente 12 a 24 meses de vendas diárias ou semanais, separadas por SKU. Quanto maior a granularidade temporal, maior a capacidade de identificar padrões sazonais e tendências de curto prazo (Hyndman e Athanasopoulos, 2021). Para e-commerce: use os relatórios de pedidos da plataforma filtrando por produto, excluindo cancelamentos e devoluções.

• Mínimo recomendado: 52 semanas (1 ano) para capturar sazonalidade anual
• Ideal para Black Friday: dados de 2 BFs anteriores + histórico semanal regular
• Dados do mesmo período de 52 semanas antes têm 2,74× mais poder preditivo que outros períodos — capturar exatamente esse dado é prioritário (IJSAT apud Sajawal et al., 2023)

Passo 2 — Identificar padrão de sazonalidade

Calcule o índice de sazonalidade por período:

Índice sazonal(t) = Demanda(t) ÷ Demanda média anual
Índice sazonal(t) = multiplicador da demanda do período t sobre a média anual

Exemplo: demanda média semanal anual = 150 unidades. Semana de Black Friday: 750 unidades. Índice BF = 750 ÷ 150 = 5,0. Isso significa que a demanda da BF é 5× a média semanal — e a previsão para a próxima BF deve multiplicar a demanda base projetada por 5,0.

Passo 3 — Escolher o método adequado

Passo 4 — Calcular e monitorar as métricas de erro

Após gerar a previsão para os períodos já conhecidos (backtesting), calcule MAE, MAPE e Bias. Se o MAPE excede o benchmark do seu segmento, ou se o Bias está fora de ±5%, o modelo precisa de recalibração. Estabeleça um ciclo de avaliação mensal para detectar deriva de performance — modelos bem calibrados hoje podem degradar se o padrão de demanda mudar.

Passo 5 — Integrar previsão ao ponto de reposição e estoque de segurança

A previsão de demanda não termina com o número previsto — ela termina quando esse número é incorporado às decisões de compra. Os dois pontos de integração são:

• Ponto de reposição ajustado: PR = (D_prevista × LT) + ES, onde D_prevista substitui a demanda média histórica quando há evento sazonal identificado
• Estoque de segurança: ES = Z × σD × √LT, onde σD é o desvio padrão do resíduo (erro de previsão), não da demanda bruta. Um modelo melhor de previsão reduz σD — e reduz proporcionalmente o ES necessário, liberando capital de giro

A relação entre qualidade do forecast e estoque de segurança é direta: reduzir o MAPE de 30% para 15% diminui o σD residual pela metade — e o ES calculado pela fórmula Z × σD × √LT cai proporcionalmente. Melhorar o forecast é a forma mais eficiente de reduzir capital imobilizado em buffer sem aumentar o risco de ruptura.

Como integrar lead time à previsão de demanda

Lead time é o tempo entre a emissão do pedido ao fornecedor e o recebimento do produto. Na previsão de demanda, o lead time determina o horizonte mínimo de previsão necessário: se o fornecedor leva 15 dias, a previsão precisa ser precisa pelo menos 15 dias à frente para que o pedido seja emitido no momento certo.

Demanda durante o lead time

Demanda no lead time = D × LT
D = demanda média diária · LT = lead time em dias

Exemplo: D = 25 unidades/dia, LT = 12 dias → Demanda no lead time = 300 unidades. Esse é o volume mínimo que deve estar em estoque quando o pedido é emitido — o ponto de reposição simples.

A variabilidade durante o lead time é capturada pelo estoque de segurança: ES = Z × σD × √LT. O √LT aparece na fórmula porque a variabilidade se acumula ao longo do tempo de espera — quanto maior o lead time, maior a incerteza total acumulada durante o período de reposição.

Lead time real vs. lead time declarado

Um erro sistemático frequente: usar o lead time declarado pelo fornecedor (ex: 10 dias) em vez do lead time real medido (ex: 13,5 dias em média, com σ de 2,5 dias). A variabilidade do lead time deve ser incorporada ao cálculo do ES, usando a versão completa da fórmula:

ES = Z × √(LT × σD² + D² × σLT²)
ES = estoque de segurança · Z = fator de nível de serviço · σD = desvio padrão da demanda · σLT = desvio padrão do lead time do fornecedor (calculado sobre os últimos 6–12 pedidos)

Para fornecedores com lead time instável, incorporar σLT aumenta o ES necessário — refletindo corretamente o risco adicional da imprevisibilidade de entrega.

Previsão de demanda para produtos sem histórico

Produtos novos representam o maior desafio metodológico em forecasting de inventário: não há dados históricos próprios para modelagem estatística. A literatura oferece três abordagens com evidências de eficácia (Armstrong, 2001; Hyndman e Athanasopoulos, 2021):

Para plataformas de e-commerce de moda — onde produtos novos representam parcela expressiva do catálogo a cada estação —, modelos de cold-start baseados em atributos do produto (categoria, preço, cor, material) e transfer learning sobre produtos similares emergem como a fronteira técnica mais promissora, com acurácia de até 87,5% relatada em estudos recentes (Springer IJDSA, 2026 apud artigos anteriores desta série).

Principais erros na previsão de demanda para estoque

Tecnologia e previsão de demanda orientada por dados

O mercado de software de forecasting para varejo e e-commerce cresceu para US$ 26,9 bilhões em 2023, com CAGR de 19,6% (Articsledge, 2025) — evidenciando a aceleração da adoção de ferramentas especializadas em previsão de demanda. Sistemas modernos automatizam todo o ciclo: coleta de dados, seleção de modelo por SKU, treinamento, backtesting, medição de erro e geração de previsão — sem intervenção manual em cada etapa.

O M4 Competition (Makridakis et al., 2018) demonstrou que sistemas automatizados que combinam múltiplos modelos superam previsões puramente intuitivas com redução de erro de 8% a 12%. Em produção real com 100.000 SKUs, sistemas cloud-based entregam previsões em 267 a 493ms por SKU em tempo real — viabilizando atualização contínua conforme novos dados de vendas chegam (IJSAT, 2025).

• 77% das empresas estão investindo em tecnologia de visibilidade de cadeia de suprimentos — e as que já investiram têm 2× mais probabilidade de evitar problemas de estoque (Slimstock, 2025)
• Organizações com comitês interfuncionais de qualidade de dados reportam 42% maior consistência em previsões e 37% maior acurácia em previsões promocionais (IJSAT apud Kumar et al., 2024)
• Empresas com forecasting orientado por dados reduzem custos de carrying de inventário em 11% a 15% através de auditorias sistemáticas de comparação previsão × real (IJSAT, 2025)

Conclusão: previsão de demanda é vantagem competitiva — e tem métrica

A previsão de demanda para estoque deixou de ser uma ferramenta operacional e tornou-se diferencial estratégico. A base científica é sólida: modelos quantitativos reduzem erro sistematicamente em relação a decisões intuitivas (Makridakis et al., 1998); estoque de segurança deve ser calculado sobre a variabilidade residual após previsão (Silver et al., 2017); medição de erro (MAPE, Bias) é pré-requisito para qualquer melhoria sustentável (Hyndman e Athanasopoulos, 2021).

O dado que une tudo: a qualidade da previsão determina diretamente o capital imobilizado em estoque de segurança. Um modelo com MAPE de 30% exige um ES duas vezes maior do que um modelo com MAPE de 15% — para o mesmo nível de serviço. Melhorar o forecast libera capital sem aumentar o risco de ruptura. É a alavanca de eficiência mais poderosa disponível para um gestor de e-commerce.

No e-commerce, onde margem e fluxo de caixa são determinantes, prever demanda corretamente significa mais lucro, menos capital parado, menos ruptura e crescimento sustentável. Se as decisões de estoque ainda são tomadas apenas olhando histórico bruto ou 'sensação de venda', o MAPE está sendo pago — em forma de ruptura ou de excesso — sem que ninguém saiba quanto.

FAQ

Qual a diferença entre MAE e MAPE e quando usar cada um?

MAE mede o erro em unidades absolutas — útil para análise de um único SKU (MAE de 15 unidades em um produto que vende 200 é excelente; em um que vende 30 é ruim). MAPE mede o erro como percentual da demanda real — permite comparação entre produtos de volumes diferentes. Use MAE para diagnóstico de SKU único; MAPE para comparação de performance entre SKUs ou categorias. Para SKUs com demanda intermitente (muitos zeros), use wMAPE ou sMAPE — MAPE tende a infinito quando a demanda real é zero.

O que é viés (Bias) de previsão e como identificar?

Bias mede se a previsão sistematicamente erra na mesma direção. Bias positivo significa que o modelo prevê mais do que o real — gerando pressão de overstock. Bias negativo significa que prevê menos — gerando ruptura crônica. Um modelo pode ter MAPE aceitável mas Bias alto: significa que os erros se cancelam (ora para cima, ora para baixo) mas há uma direção sistemática persistente. Monitorar Bias é essencial porque um Bias de +9% equivale a 9% de excesso sistemático de compra ao longo do tempo.

Qual o melhor modelo de previsão para e-commerce?

Depende da estrutura da demanda. Para demanda estável: SES. Para demanda com tendência e sazonalidade: Holt-Winters. Para operações com muitos SKUs e alta variabilidade: modelos ML como LSTM ou XGBoost. Para produtos novos: analogia histórica + julgamento gerencial. O M4 Competition demonstrou que combinar múltiplos modelos supera qualquer método isolado. Na prática, sistemas de forecasting automatizado selecionam o melhor modelo por SKU — abordagem superior à escolha manual.

Qual MAPE é considerado bom para e-commerce?

Não há um benchmark universal — depende do segmento e do horizonte. Para FMCG e produtos de demanda estável: MAPE de 10% a 25% é típico. Para moda e sazonais: 35% a 60% é comum, com foco em acurácia de curto prazo (1 a 4 semanas). Em cross-industry, apenas 20% das empresas atingem erros abaixo de 5% (Articsledge, 2025). O benchmark mais relevante é comparar com um modelo naïve: se seu modelo não supera a média simples dos últimos 4 períodos, não está agregando valor.

Como a previsão de demanda reduz o estoque de segurança?

O ES é calculado sobre σD — o desvio padrão da demanda. Em um modelo de forecasting, o σD relevante não é o da demanda bruta, mas o do resíduo (erro de previsão). Um MAPE melhor significa resíduos menores, σD menor e ES proporcionalmente menor. Exemplo: se σD cai de 20 para 10 unidades com melhoria do modelo, o ES = Z × σD × √LT também cai à metade — para o mesmo nível de serviço. Melhorar o forecast é a única forma de reduzir o buffer de segurança sem aumentar o risco de ruptura.

Referências

• ARMSTRONG, J. Scott (ed.). Principles of Forecasting: A Handbook for Researchers and Practitioners. Boston: Springer, 2001.
• ARTICSLEDGE. Sales forecast accuracy benchmarks: Machine learning vs traditional methods. Nov. 2025. Disponível em: https://www.articsledge.com/post/sales-forecast-accuracy-machine-learning-vs-traditional-benchmarks. Acesso em: fev. 2026.
• CHOPRA, Sunil; MEINDL, Peter. Supply Chain Management: Strategy, Planning, and Operation. 6. ed. Boston: Pearson, 2016.
• E2OPEN. 2018 Forecasting and Inventory Benchmark Study. White paper. 2018. Disponível em: https://www.e2open.com/wp-content/uploads/2019/02/2018_Forecasting_and_Inventory_Benchmark_Study_white_paper_digital.pdf. Acesso em: fev. 2026.
• EASYREPLENISH. Demand forecast accuracy: Metrics, tools & industry benchmarks. 2025. Disponível em: https://www.easyreplenish.com/blog/demand-forecast-accuracy-metrics-tools-industry-benchmarks. Acesso em: fev. 2026.
• FIREWORK. 33+ crucial inventory management statistics for e-commerce success in 2024. 2024. Disponível em: https://firework.com/blog/inventory-management-statistics-ecommerce. Acesso em: fev. 2026.
• HYNDMAN, Rob J.; ATHANASOPOULOS, George. Forecasting: Principles and Practice. 3. ed. Melbourne: OTexts, 2021. Disponível em: https://otexts.com/fpp3/. Acesso em: fev. 2026.
• IJSAT — INTERNATIONAL JOURNAL OF SCIENCE AND ADVANCED TECHNOLOGY. AI-driven demand forecasting in enterprise retail systems. 2025. Disponível em: https://www.ijsat.org/papers/2025/1/2644.pdf. Acesso em: fev. 2026.
• MAKRIDAKIS, Spyros; WHEELWRIGHT, Steven C.; HYNDMAN, Rob J. Forecasting: Methods and Applications. 3. ed. New York: Wiley, 1998.
• MAKRIDAKIS, Spyros et al. The M4 Competition: Results, findings, conclusion and way forward. International Journal of Forecasting, v. 34, n. 4, p. 802–808, 2018. DOI: https://doi.org/10.1016/j.ijforecast.2018.06.001
• RELEX SOLUTIONS. Measuring forecast accuracy: The complete guide. Jan. 2026. Disponível em: https://www.relexsolutions.com/resources/measuring-forecast-accuracy/. Acesso em: fev. 2026.
• SILVER, Edward A.; PYKE, David F.; THOMAS, Douglas J. Inventory and Production Management in Supply Chains. 4. ed. Boca Raton: CRC Press / Taylor & Francis, 2017.
• SLIMSTOCK. Forecast accuracy: Increasing supply chain success. Dez. 2025. Disponível em: https://www.slimstock.com/blog/forecast-accuracy/. Acesso em: fev. 2026.
• UMBREX. Forecast accuracy by product: Supply chain & logistics playbook. Jan. 2026. Disponível em: https://umbrex.com/resources/company-analysis/supply-chain-logistics/forecast-accuracy-by-product/. Acesso em: fev. 2026.
• WJARR — WORLD JOURNAL OF ADVANCED RESEARCH AND REVIEWS. AI-driven demand forecasting: Enhancing inventory management and customer satisfaction. v. 23, n. 2, p. 708–719, 2024. DOI: https://doi.org/10.30574/wjarr.2024.23.2.2394