Com que precisão a IA prevê as vendas do próximo mês?

Não há uma margem de erro típica que valha para qualquer PME: mede-se caso a caso com o erro percentual absoluto médio (MAPE), a diferença média entre o previsto e o real. Sem histórico suficiente, ou com dados cheios de lacunas, o erro sobe ao ponto de tornar a previsão inútil para decidir stock ou planear tesouraria. A precisão não depende do algoritmo escolhido, depende quase sempre da qualidade e da quantidade de dados que a empresa já tem.

Quanto histórico de vendas é preciso ter?

O ideal é ter vários anos de dados mensais. Com isso, um modelo consegue identificar um ciclo sazonal completo e comparar o mesmo mês em anos diferentes. Cada ano a mais ajuda, porque permite distinguir uma variação pontual (uma promoção, uma rutura de stock) de um padrão que se repete todos os anos. Abaixo de doze meses, não há sazonalidade para aprender e a previsão fica reduzida a uma linha de tendência, que qualquer pessoa com uma folha de cálculo também consegue traçar.

Que dados, além do valor de vendas, o modelo precisa?

Vendas mensais ou semanais são a base, mas sozinhas dizem pouco. O modelo melhora muito se tiver também datas de promoções e campanhas, preços praticados ao longo do tempo, ruturas de stock (para não confundir falta de produto com falta de procura) e calendário de feriados e eventos relevantes para o setor. Uma loja de material escolar, por exemplo, precisa de saber quando começam as aulas em cada distrito, não só o mês.

O que estraga uma previsão de IA?

Três coisas, por esta ordem de frequência. Primeiro, dados inconsistentes entre sistemas: vendas registadas de forma diferente no ponto de venda físico e no e-commerce, ou categorias de produto que mudam de nome ao longo do tempo. Segundo, buracos no histórico, meses sem dados ou com dados a zero que na verdade correspondem a uma loja fechada ou a uma falha de registo. Terceiro, mudanças estruturais no negócio (um novo canal de venda, uma alteração de gama) que tornam o passado pouco representativo do futuro, e que nenhum modelo consegue prever sozinho.

Vale a pena para uma PME pequena?

Depende do volume de vendas e da variabilidade. Um negócio com vendas estáveis e previsíveis, tipo assinatura ou serviço recorrente, ganha pouco com um modelo de IA, porque uma média móvel simples já dá um erro parecido. Já um negócio com sazonalidade forte, muitos produtos ou vários canais (loja física, marketplace, e-commerce próprio) beneficia claramente, porque é exatamente nesses casos que os métodos tradicionais falham mais. A pergunta a fazer não é “tenho IA ou não”, é “o meu erro de previsão atual está a custar dinheiro em stock parado ou em ruturas”.

Como saber se a previsão está a funcionar?

Comparar sempre a previsão com o valor real, mês a mês, e calcular o erro percentual. Defina à partida, com quem decide compras e produção, a partir de que erro a previsão deixa de ser útil, e compare com o erro do método que usa hoje. Se o erro ficar persistentemente acima desse limite, o problema costuma estar na qualidade dos dados que alimentam o modelo, e vale mais investir tempo a organizar o histórico do que a trocar de ferramenta.

Ajudamos PME a perceber se os dados que já têm chegam para uma previsão útil, antes de gastar dinheiro num modelo que não vai funcionar: mais sobre o nosso trabalho com IA.