Como prever demanda em períodos de sazonalidade e promoções sem distorcer o histórico

Para prever demanda em períodos de sazonalidade e promoções sem distorcer o histórico, a venda registrada precisa ser separada em três partes antes de entrar no modelo: o nível regular do item, o padrão sazonal que se repete no calendário e o efeito de eventos que dependem de uma decisão ou de um acaso, como campanhas, vendas excepcionais e rupturas. O histórico bruto fica guardado como está. Os eventos são registrados em um calendário. A previsão é calculada sobre uma cópia ajustada do histórico, e o efeito das promoções já planejadas é somado de volta no fim. Uma previsão de demanda sazonal feita assim evita os dois erros mais comuns: deixar o pico promocional no histórico, e o modelo passa a esperar uma campanha que ninguém programou, ou apagar o pico, e a empresa perde a única medida que tinha do resultado da campanha.

Qual é a diferença entre sazonalidade, promoção e venda excepcional?

• Sazonalidade: variação que se repete em épocas parecidas todos os anos, sem depender de uma ação da empresa: verão para bebidas, volta às aulas para papelaria, fim de ano para o varejo, safra para insumos agrícolas. Deve permanecer no histórico, porque vai acontecer de novo.
• Promoção ou campanha: aumento de venda causado por uma decisão comercial, com data de início e fim, mecânica e desconto. Só se repete se a empresa repetir a ação, e pode acontecer em outro mês.
• Venda excepcional: volume sem padrão e sem plano, como uma licitação, o pedido de abertura de loja de um cliente ou a compra antecipada antes de um reajuste de preço. Não se projeta para frente, a menos que haja informação concreta de que vai se repetir.

A fronteira nem sempre é nítida. A Black Friday tem data fixa no calendário, mas o volume depende do desconto que a empresa decide dar. Nesses casos, o caminho mais seguro é tratar a data como evento, com registro próprio, e não como sazonalidade.

O que distorce o histórico de vendas?

• Pico promocional: semanas com volume muito acima do normal, que elevam a média e criam uma sazonalidade falsa no mês da campanha.
• Vale depois da promoção: clientes que anteciparam a compra ficam abastecidos e compram menos nas semanas seguintes. Quem corrige o pico e esquece o vale passa a subestimar a base.
• Canibalização: o item em oferta toma venda de itens parecidos, que aparecem com queda sem que a demanda deles tenha mudado.
• Ruptura: nos períodos sem estoque, a venda registrada fica abaixo da demanda. O histórico mostra uma queda que foi falta de produto.
• Feriados móveis e dias úteis: o Carnaval e a Páscoa mudam de data de um ano para o outro, e os meses têm quantidades diferentes de dias úteis. A Páscoa de 2024 caiu em 31 de março e a de 2025, em 20 de abril: comparar março com março, nesse caso, mistura um mês com Páscoa e outro sem.
• Mudança de preço: um reajuste anunciado com antecedência provoca compra antecipada antes da virada e queda logo depois, no mesmo formato de uma promoção.

Como registrar campanhas e eventos em um calendário?

A limpeza do histórico depende de saber o que aconteceu em cada período. Essa informação raramente está no ERP: fica em e-mails, em planilhas do comercial e na memória de quem negociou. Sem um registro, o analista olha um pico de dois anos atrás e não tem como saber se foi campanha, pedido atípico ou erro de lançamento. O calendário de eventos é uma tabela simples, mantida pelo comercial e pelo planejamento, com pelo menos estes campos:

• Item ou família e cliente ou canal: onde o evento valeu. Uma campanha para uma rede de lojas não afeta os outros clientes.
• Data de início e de fim: pela data em que o pedido entra, que é a que aparece no histórico. Na indústria e na distribuição, o cliente costuma comprar semanas antes de a oferta chegar à loja.
• Tipo de evento: promoção, lançamento, venda excepcional, ruptura, reajuste de preço ou feriado móvel.
• Mecânica e desconto: preço reduzido, leve 3 e pague 2, bonificação ou verba de tabloide, com o percentual equivalente.
• Volume planejado e realizado: a comparação entre os dois é o que permite estimar as próximas campanhas.

O calendário serve para trás e para frente. Para trás, explica o histórico. Para frente, é a lista de campanhas já combinadas que precisam entrar na previsão.

Como limpar o histórico sem apagar a informação?

1. 1.Preservar o histórico bruto: a venda registrada nunca é alterada. O ajuste fica em uma coluna separada, com o motivo e o autor, para que qualquer pessoa consiga refazer a conta.
2. 2.Marcar os períodos com evento: cruzar o histórico com o calendário, incluindo as semanas seguintes a cada promoção.
3. 3.Estimar a demanda base nesses períodos: uma referência simples é a média das semanas vizinhas sem evento, corrigida pelo padrão sazonal. Outra é o mesmo período de anos anteriores em que não houve campanha.
4. 4.Calcular o efeito incremental: venda registrada menos a base estimada, por evento. O resultado fica associado à mecânica e ao desconto da campanha.
5. 5.Tratar o vale: substituir também as semanas de queda pela base estimada e descontar esse volume do efeito da promoção. O que foi antecipado não é venda nova.
6. 6.Corrigir as rupturas: nos períodos sem estoque, trocar a venda pela demanda estimada, a partir dos dias em que havia saldo ou dos pedidos não atendidos, quando o sistema os registra.
7. 7.Separar as vendas excepcionais: retirar o volume atípico da série ajustada e mantê-lo identificado, com o cliente e o motivo.

Como fica o ajuste em números?

O exemplo abaixo usa uma distribuidora de bebidas inventada e valores redondos, para que a conta seja fácil de acompanhar. Não é resultado de cliente nem de projeto da Insight Pro. Um item vende em torno de 1.000 unidades por semana fora de campanha. Em um mês de março com quatro semanas, houve uma promoção nas duas primeiras:

• Semana 1 (promoção): 1.800 unidades.
• Semana 2 (promoção): 1.700 unidades.
• Semana 3 (vale): 700 unidades.
• Semana 4 (vale): 800 unidades.

O mês fechou com 5.000 unidades, contra 4.000 de um mês normal. Nas duas semanas de campanha, o item vendeu 3.500 unidades, 1.500 acima da base de 2.000, um aumento de 75%. Nas duas semanas seguintes, vendeu 1.500, ou 500 abaixo da base: esse volume foi comprado antes, durante a oferta. O efeito incremental líquido da promoção é de 1.000 unidades, e não de 1.500. Na série ajustada, março entra com 4.000 unidades, e as 1.000 ficam registradas no calendário, ligadas à mecânica e ao desconto usados.

Agora a previsão do ano seguinte. O comercial decidiu repetir a campanha em maio, e não em março. Um modelo sazonal alimentado com o histórico bruto aprende que março vende 25% acima de um mês normal e prevê 5.000 unidades para março e 4.000 para maio. Com o histórico ajustado e o calendário, a previsão é de 4.000 para março e 5.000 para maio, distribuídas em duas semanas de 1.750 e duas de 750, se a resposta for parecida com a do ano anterior.

As duas previsões somam as mesmas 9.000 unidades nos dois meses. A diferença está no momento: a primeira deixa 1.000 unidades sobrando em março e faz faltar produto justamente nas semanas de campanha de maio, quando a previsão era de 1.000 por semana e a demanda chega a 1.750. Medido no total do ano, o erro quase desaparece. Medido por semana, no nível em que a reposição acontece, ele aparece inteiro.

Como calcular a sazonalidade depois da limpeza?

Os índices sazonais devem ser calculados sobre o histórico ajustado. O índice de um mês é a razão entre a venda média daquele mês e a média mensal do ano: um índice de 1,30 em dezembro significa que dezembro costuma vender 30% acima de um mês médio. Alguns cuidados melhoram o resultado:

• Usar pelo menos dois ou três anos: com um ano só, não há como separar o padrão que se repete do que aconteceu uma vez.
• Calcular por família quando o item tem pouco volume: o índice de um item que vende 30 unidades por mês é quase todo ruído. O perfil da família é mais estável e pode ser aplicado aos itens, inclusive aos lançamentos, que ainda não têm histórico.
• Tratar feriados móveis como eventos: Carnaval e Páscoa entram no calendário com a data de cada ano, em vez de ficarem embutidos no índice de fevereiro, março ou abril.
• Separar a tendência: se o item cresce 15% ao ano, os últimos meses parecem sazonalmente fortes só por serem os mais recentes. A tendência é estimada à parte.
• Não remover picos legítimos: rotinas automáticas que cortam valores acima de dois ou três desvios padrão eliminam também o Natal e o verão. A exclusão deve partir do calendário de eventos, e não apenas da estatística.

Como incluir as promoções futuras na previsão?

A previsão final tem duas camadas: a base com sazonalidade, calculada pelo modelo, e o efeito das campanhas já acordadas, vindo do calendário comercial. O efeito de cada campanha futura é estimado a partir das campanhas passadas com mecânica, desconto e canal parecidos. Como essa resposta varia com o clima, com a ação dos concorrentes e com a execução na loja, vale trabalhar com uma faixa. Se as últimas campanhas de preço reduzido renderam entre 50% e 90% sobre a base, a compra pode ser dimensionada para o ponto médio, com um plano definido para os dois extremos.

Manter as camadas separadas ajuda também depois. Na reunião de planejamento, fica visível quanto do volume previsto depende de uma campanha que ainda pode ser cancelada. E, ao medir o erro, é possível distinguir se a previsão falhou na base ou no efeito da promoção, que são problemas com donos diferentes. As métricas para essa conta estão em acurácia da previsão de demanda: como interpretar MAPE, WAPE e viés.

Quando a limpeza do histórico não basta?

O método tem limites. Um item que está em oferta em semanas alternadas o ano todo não tem demanda base observável, e nesse caso funciona melhor um modelo que use o preço e a presença de campanha como variáveis explicativas. Itens com menos de dois anos de histórico não permitem calcular sazonalidade própria e dependem do perfil da família. E o efeito de uma promoção passada é uma estimativa: a base daquelas semanas nunca foi observada, só inferida. Por isso o ajuste precisa ficar documentado e ser revisto quando uma nova campanha trouxer um resultado muito diferente do esperado.

Se a sua empresa sobra com estoque depois de cada campanha, ou entra no pico do ano sem produto, o histórico que alimenta a previsão provavelmente mistura venda regular, promoção e ruptura. No diagnóstico gratuito de planejamento de demanda da Insight Pro, parte do serviço de Supply Chain Analytics, cruzamos o seu histórico de vendas com as campanhas e as rupturas que for possível recuperar, medimos quanto esses eventos pesam na previsão atual e indicamos por quais famílias vale começar o calendário de eventos e a série ajustada. Você recebe a análise e escolhe o que fazer com ela.