Previsão de vendas no varejo: como planejar o estoque de cada loja

Prever vendas é estimar quanto cada loja deve vender em determinado período, usando o histórico e informações sobre o que pode mudar. Essa estimativa ajuda a definir quais produtos precisam de reposição, quais podem ser transferidos e quanto ainda será necessário comprar.

Para quem administra várias lojas, a pergunta é bastante concreta: quanto manter de cada SKU em cada loja para atender à demanda sem acumular excesso?

Elevar o estoque pode reduzir faltas, mas também imobiliza capital e aumenta o risco de sobras e descontos. Uma rede pode, inclusive, enfrentar os dois problemas ao mesmo tempo: excesso em uma loja e falta do mesmo SKU em outra. A previsão de vendas ajuda a dimensionar o abastecimento para equilibrar disponibilidade, capital investido e risco de encalhe.

Como as grandes redes conectam previsão e operação

Em julho de 2025, a equipe de ciência de dados da Target apresentou o Demand Profiler, que simula pedidos digitais alinhados à demanda prevista por seu Forecast Engine. A empresa descreve aplicações no planejamento de trabalho das lojas e na alocação de estoque em centros de atendimento. [1]

A ideia que interessa ao gestor de uma rede menor é conectar a previsão a uma decisão específica: quantas unidades de cada SKU manter, em qual local e quando. Uma projeção do faturamento total ajuda a acompanhar o negócio; para equilibrar o estoque de cada loja, é preciso detalhar essa expectativa.

Essa conexão também aparece na pesquisa científica. Um estudo de 2025 sobre varejo de beleza combinou previsão de demanda e otimização de estoque para atualizar decisões de reposição ao longo do tempo. [3] A aplicação para o varejista é tratar a previsão como parte de uma rotina de planejamento.

Previsão de vendas e meta de vendas são diferentes

A meta expressa o resultado que a empresa quer alcançar. A previsão expressa o resultado que espera alcançar nas condições consideradas.

Imagine que uma loja tenha meta de vender 1.200 unidades no próximo mês, enquanto a previsão aponta 1.050. A diferença ajuda a formular perguntas: haverá campanha, mudança de mix, reforço de equipe ou outra ação capaz de sustentar as 150 unidades adicionais?

No planejamento de estoque, essa conversa importa. Tratar a meta como demanda garantida pode levar a uma compra maior do que a operação consegue absorver. Quando uma ação comercial muda a expectativa de vendas, a previsão pode ser ajustada, deixando explícita essa premissa.

Também vale separar faturamento de quantidade. Se o preço médio aumentar, o faturamento pode crescer com o mesmo número de unidades vendidas. Para decidir quantidades de estoque, trabalhe em unidades; para projetar receita, considere também preços e mix.

Como começar uma previsão de vendas por loja

Comece escolhendo a decisão e o período. Uma transferência que chega amanhã e uma compra que demora um mês exigem horizontes diferentes.

Em seguida, reúna vendas por dia, SKU e loja. SKU é o código que identifica uma variação específica de produto: por exemplo, uma camiseta azul tamanho M ou um shampoo de determinada marca e volume. Dez unidades do mesmo SKU continuam sendo um SKU, com dez unidades em estoque. Registre também devoluções, promoções relevantes e períodos de indisponibilidade para interpretar corretamente o histórico.

Uma primeira estimativa pode usar a média de um período recente comparável:

Previsão inicial = média diária de vendas × dias do período futuro.

Essa conta serve como ponto de partida quando o ritmo é relativamente estável. Se o próximo período tiver feriado, promoção ou mudança de estação, avalie como esses fatores alteram a expectativa. Use sempre a mesma base de dias: se a média considera somente dias de funcionamento, multiplique pelos dias em que a loja abrirá.

Exemplo: três lojas se preparando para o próximo mês

Considere o SKU de um shampoo de 300 ml vendido por uma rede fictícia de três lojas. Para um mês de 30 dias, as médias recentes geraram as previsões iniciais abaixo. Após avaliar o calendário e o desempenho local, o gestor adotou ajustes diferentes por unidade.

Os números e os ajustes são ilustrativos. Em uma operação real, cada ajuste precisa de justificativa, como uma campanha confirmada ou um padrão sazonal observado. Se a previsão inicial já incorporou esse efeito, ele não deve ser aplicado novamente.

As 328 unidades previstas pertencem ao mesmo SKU, mas estão distribuídas entre lojas com demandas diferentes. Repetir a mesma quantidade para todas pode gerar falta onde a demanda é maior e sobra onde ela é menor. E prever 328 unidades vendidas não significa comprar 328: o abastecimento também precisa considerar o estoque existente, as entradas confirmadas e a proteção para imprevistos. Ao ampliar o cálculo para o sortimento inteiro, mantenha a identificação de cada SKU e de cada loja.

Como evitar que o histórico engane o planejamento

Verifique se o produto esteve disponível. Cinco unidades vendidas em um mês com vários dias de ruptura não revelam, sozinhas, a demanda que existiria com estoque. Marque esses períodos e compare com dias disponíveis e produtos semelhantes. Dividir automaticamente as vendas pelos poucos dias com estoque também pode distorcer a estimativa.

Identifique vendas excepcionais. Uma encomenda grande ou uma liquidação pontual pode elevar a média sem representar o ritmo esperado para o próximo mês.

Trate produtos novos como uma estimativa inicial. Sem histórico próprio, use referências de itens semelhantes e revise a projeção à medida que as primeiras vendas aparecerem.

Confira o resultado depois. Compare o que foi previsto com o que ocorreu e investigue se o desvio veio da demanda, da falta de produto ou de mudanças na operação. Observe se as previsões ficam repetidamente acima ou abaixo das vendas: esses desvios podem alimentar excesso ou falta de estoque.

Como escolher o modelo: teste no passado como se fosse o futuro

SKUs podem apresentar vendas regulares, sazonalidade ou muitos dias sem venda. Por isso, vale comparar abordagens: uma média recente como referência, modelos estatísticos para padrões temporais e modelos de machine learning que relacionam o histórico a diferentes variáveis.

A comparação deve respeitar a ordem do tempo. Em um teste ilustrativo, use os dados até junho para prever julho; depois, os dados até julho para prever agosto. Em cada etapa, o modelo só pode usar informações que já estariam disponíveis na data da previsão. Esse procedimento é uma validação temporal, também chamada de backtesting.

O horizonte do teste precisa se aproximar da decisão real. Para planejar uma compra com entrega em 30 dias, acertar apenas o dia seguinte oferece uma avaliação incompleta.

O que é WAPE e como ele ajuda a comparar previsões

O WAPE mede o tamanho dos erros absolutos em relação ao volume vendido no conjunto avaliado. Para vendas em unidades não negativas:

WAPE = soma dos erros absolutos ÷ soma das vendas realizadas × 100.

O erro absoluto é a diferença entre previsto e realizado, sem o sinal. Rob Hyndman discute a definição e as limitações da métrica em agosto de 2025. [2]

Neste exemplo fictício, três métodos foram avaliados nos mesmos dias, SKUs e lojas, com 1.000 unidades vendidas no total:

O modelo estatístico venceu nesse teste; o resultado pode mudar em outra operação.

Compare métodos sobre o mesmo recorte: mudanças no volume vendido podem alterar o WAPE sem uma melhora equivalente da previsão. Se o total vendido for zero, a métrica não é calculável. [2] Acompanhe também os resultados por loja e grupo de SKUs.

Perguntas frequentes

Preciso de anos de histórico para começar?

É possível começar com os dados disponíveis. Históricos curtos exigem mais cautela com sazonalidade e eventos que ainda não apareceram na operação. A previsão deve ser revisada conforme novos dados forem registrados.

A previsão deve ser feita em reais ou em unidades?

Para planejar estoque, use unidades por SKU e loja. A projeção de faturamento complementa essa análise e depende dos preços e do mix esperado.

Com que frequência devo atualizar a previsão?

Organize as revisões de acordo com as decisões da operação. Acompanhar desvios semanalmente pode ser um ponto de partida, com revisão adicional diante de promoções, mudanças relevantes nas vendas ou alterações de disponibilidade.

Como a Repleno transforma previsão em decisões prontas para revisar

Fazer esse trabalho uma vez para um SKU é simples. Repeti-lo para milhares de combinações de SKU e loja, manter os dados atualizados, comparar modelos e transformar as projeções em abastecimento exige uma rotina que consome tempo da equipe.

A Repleno automatiza esse processo a partir da integração com o ERP ou PDV. A plataforma roda diferentes modelos estatísticos e de machine learning e seleciona os de menor WAPE observado nos testes, de acordo com o comportamento dos dados de cada operação. As previsões chegam à granularidade de dia × SKU × loja, permitindo estimar quanto cada unidade deverá vender de cada item e quando.

Essas projeções são cruzadas com estoque atual e em trânsito para gerar recomendações do que transferir entre lojas, repor via CD e comprar. O objetivo é reduzir faltas sem abastecer além da necessidade, aproveitando o estoque da rede e evitando novas compras desnecessárias. Com a integração configurada, os dados e as projeções são atualizados automaticamente: o cliente não precisa alimentar planilhas ou reconstruir a análise a cada ciclo.

O gestor recebe uma proposta para revisar, ajustar quando necessário e aprovar. A equipe dedica seu tempo às decisões e à execução, com o cálculo já preparado. É assim que a Repleno aproxima o planejamento orientado por dados da rotina de pequenas e médias redes varejistas.

Conheça a Repleno e solicite um teste.

Continue a leitura

• Transferência de estoque entre lojas: como reduzir faltas e aproveitar produtos parados.
• Como calcular quanto comprar para sua loja e evitar excesso de estoque.

Fontes e referências

1. Target Tech (22/07/2025). Unlocking the Power of Synthetic Digital Orders in Retail. Relato da equipe de tecnologia sobre previsões conectadas ao planejamento operacional. Ler a publicação.
2. Hyndman, R. J. (08/08/2025). WAPE: Weighted Absolute Percentage Error. Definição e discussão das limitações da métrica. Ler o artigo técnico.
3. Namazian, Z.; Betts, J. M.; Stuckey, P. J. (24/07/2025). Predict and optimize: a smart inventory management model for beauty retail. Optimization Letters. Pesquisa sobre previsão e decisões dinâmicas de estoque. Ler o artigo científico, de acesso aberto.

Os exemplos numéricos são simulações didáticas da Repleno. Os casos externos ilustram práticas de planejamento; as funcionalidades da Repleno são descritas separadamente.