Previsão de vendas com dados incompletos: guia prático

O problema real: não são seus dados, é seu método

A maioria dos planejadores no México está esperando ter dados melhores para fazer um bom forecast. Enquanto isso, o estoque deles financia há meses as más decisões que essa espera produz.

Esse é o diagnóstico real. Não o técnico.

O técnico diz: "meus dados têm lacunas, há meses sem vendas, o sistema registra mal as devoluções, não tenho histórico de 24 meses". Tudo isso pode ser verdade. Mas a pergunta que ninguém se faz é: quão boa precisa ser a sua previsão para que ela gere decisões melhores do que as que você está tomando hoje sem nenhuma previsão?

A resposta, quase sempre, é: não precisa ser muito boa.

O problema não são seus dados. É que você está aplicando métodos projetados para dados limpos — séries temporais completas, distribuições normais, demanda estacionária — a uma realidade que não é assim. E quando o método falha, você culpa os dados. O ciclo se repete.

Se você quiser entender o contexto mais amplo de por que isso afeta a rentabilidade da sua operação, o artigo Demand Planning Software no México: Forecast ou Rentabilidade? explica com números concretos.

Quando os dados são realmente insuficientes vs. quando são uma desculpa?

Os dados são realmente insuficientes quando você tem menos de 8 semanas de histórico em um SKU, quando há rupturas de estoque não documentadas que distorcem as vendas reais, ou quando uma mudança estrutural no negócio — nova zona de distribuição, troca de fornecedor, rebranding — torna os dados anteriores incomparáveis.

Todo o resto é uma desculpa gerenciável. Lacunas pontuais, um mês atípico, dados sem dessazonalização: isso não é um problema de dados. É um problema de processo.

Os três cenários mais comuns em empresas de médio porte no México

Cenário 1: SKU ativo com histórico incompleto. Você tem de 7 a 11 meses de vendas. Suficiente para tendência, insuficiente para sazonalidade completa. Gerenciável com os métodos deste guia.

Cenário 2: SKU novo ou relançamento. Menos de 3 meses de histórico. Aqui a estatística sozinha não basta. Você precisa de heurísticas de negócio e do método de analogia que verá mais adiante.

Cenário 3: Histórico contaminado. Você tem 18 ou 24 meses de dados, mas há períodos com rupturas de estoque não documentadas, promoções que inflaram as vendas artificialmente, ou meses em branco por problemas do ERP. Este é o cenário que mais planejadores enfrentam e o que mais paralisa, embora tenha solução técnica direta.

---

Diagnostique seus dados antes de escolher o método

Antes de tocar em qualquer fórmula, você precisa saber exatamente com que tipo de problema está lidando. Nem todos os dados incompletos representam o mesmo problema.

Mapa de diagnóstico: 4 tipos de dados incompletos

• Lacunas pontuais: um ou dois meses sem registro em um histórico de 12 meses ou mais. Solução: imputação por interpolação ou mediana do período equivalente.

• Histórico menor que 12 meses: não há cobertura suficiente para capturar sazonalidade. Solução: métodos de suavização com parâmetros conservadores mais analogias de categoria.

• SKU novo: histórico próprio zerado. Solução: método de analogia com SKU similar mais julgamento qualificado da equipe de vendas.

• Dados contaminados: histórico completo, mas com valores que não refletem a demanda real (rupturas, promoções pontuais, erros de captura). Solução: limpeza de outliers mais correção por ruptura de estoque antes de aplicar qualquer método.

Como identificar outliers e eventos que contaminam seu histórico

A regra prática mais simples: qualquer mês cujas vendas superem 2,5 vezes a mediana do histórico, ou caiam abaixo de 40% dela, merece revisão manual antes de entrar no modelo.

No Excel, use =MED(intervalo) sobre seu histórico e aplique esses limites como filtro. Não elimine o dado automaticamente — primeiro confirme se houve uma promoção, uma ruptura ou um erro de sistema. Se você conseguir explicar o evento, ajuste o dado ao que teria sido sem ele. Se não conseguir explicá-lo, use a mediana do mesmo período do ano anterior como substituto.

---

Técnicas estatísticas leves que funcionam com poucos dados

Suavização exponencial simples (SES): fórmula e exemplo passo a passo no Excel

A suavização exponencial simples é o melhor método quando você tem entre 6 e 12 meses de histórico sem tendência clara nem sazonalidade marcada.

A fórmula: Previsão(t+1) = α × Venda(t) + (1 - α) × Previsão(t)

Onde α (alfa) é o parâmetro de suavização entre 0 e 1. Um alfa de 0,2 dá mais peso ao histórico acumulado — útil para demanda estável. Um alfa de 0,4 reage mais rápido a mudanças recentes — útil em ambientes voláteis como o varejo mexicano.

No Excel, você pode implementá-lo assim na coluna C, assumindo vendas na coluna B a partir de B2:

• C2 = B2 (a primeira previsão é igual à primeira venda real)

• C3 = 0,3*B2 + 0,7*C2 (e você arrasta para baixo)

Comece com α = 0,3 se não houver evidência de mudanças recentes na demanda.

Média móvel ponderada: como dar mais peso aos meses recentes

A média móvel ponderada é mais intuitiva e fácil de explicar para a equipe. Você pega os últimos N períodos e atribui pesos que somam 1, com mais peso nos mais recentes.

Para 3 meses: 50% para o mês mais recente, 30% para o anterior, 20% para o mais antigo.

No Excel: = 0,5*B6 + 0,3*B5 + 0,2*B4

Use este método quando você tem entre 3 e 6 meses de histórico e quer algo que a área comercial possa validar sem precisar explicar estatística.

Regressão linear básica: quando o tempo realmente explica a tendência

A regressão linear serve quando suas vendas mostram uma tendência clara — crescimento ou queda sustentada —, não demanda estacionária. Com 6 meses ou mais de dados, você pode usar a função =PROJ.LIN() no Excel ou simplesmente inserir uma linha de tendência em um gráfico e ativar "exibir equação".

A equação dará Vendas = a + b × mês. Esse b é sua taxa de crescimento ou queda por período.

Aviso honesto: se suas vendas não têm tendência linear — são erráticas ou sazonais —, a regressão vai gerar um número que parece preciso, mas está errado. Verifique sempre o R² antes de usar o resultado.

Qual método usar de acordo com sua situação de dados

• Menos de 3 meses de histórico: não use métodos estatísticos sozinhos. Vá direto para as heurísticas de negócio da próxima seção.

• Entre 3 e 6 meses, demanda estável: média móvel ponderada com 3 períodos.

• Entre 6 e 12 meses, sem tendência clara: suavização exponencial simples com α entre 0,2 e 0,35.

• Mais de 6 meses com tendência visível: regressão linear mais ajuste manual de sazonalidade se aplicável.

• Histórico completo mas contaminado: limpe primeiro, depois aplique SES ou média móvel.

---

Heurísticas de negócio quando a estatística não é suficiente

Quando o SKU é novo ou você tem menos de 3 meses de dados reais, você precisa de informações que não estão no seu ERP.

O método de analogia: use um SKU similar como proxy

Identifique um SKU que compartilhe categoria, canal, preço e comportamento de compra com o produto novo. Não precisa ser perfeito — só precisa ser o mais parecido que você tiver.

Pegue o histórico dos primeiros 6 meses desde o lançamento dele e use-o como base. Se o novo SKU tiver um preço 15% maior, aplique um fator de correção conservador para baixo. Se for distribuído em mais pontos de venda, aplique um fator de escala proporcional.

A analogia não dá uma previsão exata. Ela dá um intervalo crível para tomar uma decisão de compra inicial sem apostar às cegas.

Como incorporar o julgamento de vendas sem que contamine a previsão

A equipe de vendas tem informações reais: pipelines, negociações em andamento, comportamento do cliente em campo. Isso tem valor. O problema é que ela também tem incentivos para pedir em excesso e cobrir variabilidade.

A técnica: peça para a equipe de vendas estimar em três cenários — pessimista, base, otimista — com uma justificativa concreta para cada um. Use a mediana dos três, não a média. E documente o pressuposto por trás do número para poder auditá-lo na próxima revisão. Assim o julgamento entra no modelo com rastreabilidade, não como um número que apareceu do nada.

Fontes de dados externos gratuitas para o contexto mexicano

• INEGI: vendas no varejo por categoria, indicadores de consumo privado.

• ANTAD: relatórios de vendas do setor de varejo organizado no México.

• Banxico: taxa de câmbio histórica, inflação por categoria de consumo — relevante se seus custos ou preços têm componente importado.

• Google Trends: como sinal de demanda relativa para categorias em que a busca antecede a compra.

Nenhuma dessas fontes substitui seus dados de vendas. Mas quando você não tem histórico, elas fornecem contexto para calibrar seus pressupostos.

---

Como imputar dados faltantes sem inventar a realidade

Interpolação linear no Excel: fórmula e quando é válida

Se você tem uma lacuna de um ou dois meses em uma série de demanda relativamente estável, a interpolação linear é válida e rápida.

Fórmula no Excel para estimar o valor do período faltante entre dois valores conhecidos:

= Valor_anterior + (Valor_posterior - Valor_anterior) × (posição_faltante / total_passos)

Para uma lacuna de um mês entre dois valores: = (B4 + B6) / 2 — simplesmente a média dos meses adjacentes.

Quando não é válida: quando a lacuna coincide com um período sazonal importante (dezembro, Black Friday, Semana Santa). Nesses casos, use a mediana do mesmo mês em anos anteriores, se disponível, ou documente explicitamente que aquele dado é estimado e ajuste o estoque de segurança para cima.

Correção por ruptura de estoque: o dado mais subestimado no México

Este é o ponto que mais planejadores ignoram. Se houve uma ruptura de estoque em um período, as vendas registradas naquele mês não refletem a demanda real — refletem quanto havia disponível para vender.

Usar esse dado contaminado no seu modelo subestima a demanda futura e gera o próximo ciclo de ruptura.

A correção básica: se você tem dados de dias com disponibilidade no período, calcule a taxa de venda diária nos dias com estoque e extrapole para o mês completo.

Demanda estimada = (Vendas do período / Dias com estoque disponível) × Dias totais do período

Se você não tem os dias exatos com estoque, uma estimativa conservadora é assumir que a ruptura durou entre 20% e 35% do período e ajustar em conformidade. Para mais detalhes sobre como medir o impacto em pesos dessas rupturas, consulte Ruptura de estoque: o que é e como medi-la em pesos.

---

O erro que transforma uma previsão imperfeita em estoque parado

Uma previsão ruim com um processo de revisão disciplinado é mais rentável do que uma previsão "boa" que ninguém revisa.

Essa afirmação incomoda porque inverte onde a maioria coloca sua energia.

Como calcular o custo real do seu erro de previsão atual

O erro de previsão tem duas faces financeiras que raramente são calculadas juntas:

Custo do excesso de estoque:

Estoque excedente ($) × Taxa de custo de capital anual × Dias de excesso / 365

Se você tem $8M em estoque com 35 dias de cobertura quando seu objetivo é 22, e seu custo de capital é 18% ao ano:

$8M × 0,18 × 13/365 = $51.400 em capital imobilizado por esses 13 dias

Custo da ruptura de estoque:

Vendas diárias do SKU × Dias sem estoque × Margem bruta

Para entender como calcular o custo completo do estoque imobilizado na sua operação, incluindo o custo de oportunidade real, consulte como calcular o custo do seu estoque imobilizado. E para calibrar corretamente quanto estoque de segurança você precisa dado o seu nível de erro de previsão, o artigo Como calcular estoque de segurança no México apresenta o método passo a passo.

O ciclo vicioso: dados ruins → previsão ruim → decisão ruim → dados piores

Aqui está o problema sistêmico que ninguém nomeia diretamente: quando você toma decisões de compra baseadas em uma previsão ruim, gera rupturas ou excessos. Essas rupturas e excessos contaminam seu histórico de vendas do período seguinte. A próxima previsão parte de dados ainda piores.

Cada iteração do ciclo torna mais difícil sair dele. Não porque os dados pioram sozinhos — mas porque a má decisão de hoje se torna o dado ruim de amanhã.

Romper esse ciclo não exige dados perfeitos. Exige um processo de revisão que identifique, documente e corrija o erro antes que ele entre no próximo ciclo.

---

Quando um software de planejamento de demanda muda a equação

As técnicas deste guia são reais e aplicáveis hoje no Excel. Mas têm um limite operacional claro.

Sinais de que o Excel já não é suficiente para sua operação

• Você tem mais de 300 SKUs ativos e o processo de atualização das previsões leva mais de dois dias por ciclo.

• Seus planejadores passam mais tempo limpando dados e construindo modelos do que analisando resultados e tomando decisões.

• Você não tem rastreabilidade sobre quais pressupostos foram usados em cada previsão nem quem aprovou cada ajuste.

• Seu erro de previsão médio (MAPE) leva mais de dois ciclos sem melhorar, apesar dos ajustes manuais.

• Você tem múltiplos canais ou pontos de venda e os sinais de demanda variam entre eles de uma forma que o Excel não consegue capturar com eficiência.

O que um software de planejamento deve fazer com dados incompletos

Isso é o que muitos fornecedores não dizem claramente: um software não faz mágica com dados ruins. O que ele faz é sistematizar as correções que no Excel você realiza manualmente e de forma inconsistente.

Um software de planejamento de demanda maduro deve detectar automaticamente rupturas de estoque e excluí-las ou corrigi-las antes de modelar; deve selecionar o método estatístico mais adequado por SKU de acordo com o padrão de demanda específico daquele SKU; deve incorporar sinais externos como promoções, sazonalidades e variáveis macroeconômicas sem exigir que o planejador faça isso manualmente; e deve gerar uma sugestão de pedido de compra — não apenas um número de previsão — que considera o nível de serviço objetivo, o lead time do fornecedor e o custo de capital.

A diferença não está na precisão da previsão. Está no fato de o sistema executar com disciplina o que no Excel depende de o planejador ter tempo e critério naquele dia específico.

Quando sua operação chegar a esse nível de escala, vale a pena avaliar software de planejamento de demanda para empresas de médio porte no México que já opera no contexto de volatilidade, informalidade de canal e sazonalidades atípicas da região.

---

E se o seu maior problema não é a previsão, mas o que você faz com ela?

Há uma pergunta que raramente é feita nas reuniões de S&OP: quanto tempo você investe em melhorar a previsão versus em melhorar o que acontece depois dela?

Porque a previsão só vale o quanto vale a decisão que ela gera.

Uma previsão com MAPE de 22% que produz um pedido de compra correto — produto certo, quantidade exata, dia adequado — é mais valiosa do que uma previsão com MAPE de 11% que ninguém executa bem porque o comprador ajustou o número de última hora, o fornecedor entregou atrasado e ninguém atualizou o sistema.

A maturidade em supply chain não se mede pela precisão da sua previsão. Mede-se por quão bem essa previsão se traduz em produto disponível para o cliente no momento em que ele precisa.

Se você quiser entender essa distinção com mais profundidade, o artigo o que é o pedido perfeito e por que ele importa mais do que a previsão é a leitura que segue logicamente após esta.

A pergunta incômoda com a qual fico: se amanhã você melhorasse seu MAPE em 8 pontos, mas não mudasse nada no processo de compra e reposição, quanto melhoraria de verdade o seu nível de serviço? Se a resposta for "pouco", a previsão não é o seu principal problema.

---

Perguntas frequentes

Quantos meses de histórico preciso no mínimo para fazer uma previsão de vendas confiável?

Depende do método. Com suavização exponencial simples você pode trabalhar a partir de 4 a 6 meses de histórico para demanda sem sazonalidade marcada. Para capturar sazonalidade completa, você precisa de pelo menos 13 a 15 meses. Se você tiver menos de 3 meses, os métodos estatísticos sozinhos não são suficientes — você precisa complementá-los com o método de analogia e julgamento de negócio calibrado.

Como faço uma previsão de vendas se tenho rupturas de estoque no meu histórico?

Primeiro corrija os dados antes de aplicar qualquer método. Calcule a taxa de venda diária nos períodos com estoque disponível e extrapole para o período completo: Demanda estimada = (Vendas do período / Dias com estoque) × Dias totais. Usar as vendas reais durante uma ruptura subestima a demanda futura e perpetua o ciclo de desabastecimento.

Qual é a diferença entre média móvel simples e média móvel ponderada para previsão?

A média móvel simples trata todos os períodos do intervalo com o mesmo peso. A média móvel ponderada atribui maior peso aos períodos mais recentes, tornando-a mais reativa a mudanças na tendência de demanda. Em ambientes com demanda variável como o varejo mexicano, a ponderada geralmente produz resultados melhores com históricos curtos de 3 a 5 meses.

Quando faz sentido migrar do Excel para um software de planejamento de demanda?

Quando o tempo de construção e atualização da previsão supera o tempo de análise e decisão; quando você tem mais de 300 SKUs ativos com comportamentos de demanda heterogêneos; ou quando o erro de previsão não melhora apesar dos ajustes manuais sistemáticos. O software não resolve dados ruins por si só, mas sistematiza as correções e permite escalar o processo sem precisar contratar mais pessoas.

Quais métodos de previsão de demanda funcionam para SKUs novos sem histórico?

Para SKUs novos, o método de analogia é o ponto de partida: identifique o SKU ativo mais similar em categoria, preço e canal, pegue o comportamento dele nos primeiros 6 meses desde o lançamento e use-o como proxy com fatores de correção pelas diferenças de preço, distribuição ou posicionamento. Complemente com cenários (pessimista, base, otimista) da equipe de vendas e fontes externas como tendências de busca ou relatórios de categoria da ANTAD para contextualizar o intervalo.