Um caso de uso de reposição no varejo tem seis camadas entre o dado de venda e a gôndola cheia. A conversa comercial acontece quase toda na terceira, o modelo, e o retorno se decide nas outras cinco.
No fim deste artigo está a conta que junta tudo: os fatores se multiplicam, e o menor deles é o teto do projeto inteiro.
A pilha de um caso de uso de reposição
Esta é a anatomia de qualquer projeto de previsão, reposição ou comércio agêntico. Os nomes dos sistemas mudam de empresa para empresa; as camadas, não.
| Camada | O que roda ali | Onde quebra |
|---|---|---|
| 1. Captura | PDV, WMS, coletor, RFID, contagem cíclica | divergência entre o que o sistema diz e o que está na prateleira |
| 2. Base de dados | ERP/WMS, base de estoque por SKU-loja | cadastro, unidade de medida, transferência não baixada |
| 3. Previsão | modelo de série temporal por SKU-loja | acurácia medida no agregado, não no grão da decisão |
| 4. Decisão | regra de reposição, ponto de pedido, alocação | sugestão sem restrição de espaço, lote ou validade |
| 5. Execução | tarefa no coletor/app, roteiro do turno | a recomendação vira um painel que ninguém abre |
| 6. Medição | taxa de execução, ruptura medida em gôndola | mede-se acurácia do modelo, não presença na prateleira |
Camada 3: o modelo, que é a parte fácil
Um modelo de previsão de demanda no varejo é, quase sempre, uma família de modelos estatísticos ou de árvores (gradient boosting é o padrão de mercado) que recebe histórico de venda por SKU e por loja e devolve a demanda esperada para os próximos dias. As variáveis úteis são conhecidas: histórico, preço, promoção, calendário, clima, dias de ruptura anteriores e canibalização entre itens parecidos.
A métrica precisa ser calculada no grão em que a decisão é tomada. A decisão de reposição é por SKU, por loja, por dia. Se a acurácia é reportada por categoria e por semana, ela está medindo um problema mais fácil que o real: erros de sinal oposto entre lojas se cancelam, e o número sobe sem que nada tenha melhorado.
MAPE (erro percentual absoluto médio) também é a métrica errada nesse grão. Ela divide pelo valor real, e no varejo a maioria das combinações SKU-loja-dia vende zero ou uma unidade. Dividir por zero estoura; dividir por um produz erros de 100% e 200% que dominam a média. O padrão do setor para demanda intermitente é WMAPE, o erro absoluto somado dividido pela demanda total.
Pergunte ao fornecedor em que grão a acurácia foi calculada e com qual métrica. "92% por categoria/semana" e "92% por SKU-loja-dia" descrevem operações diferentes.
O modelo é a parte fácil porque melhora com dado histórico e engenharia de variáveis, sem tocar na operação. É demonstrável em semanas e não depende de ninguém na loja mudar de comportamento, o que explica por que ele recebe a maior parte do orçamento e quase nunca é o gargalo.
Camadas 1 e 2: o estoque, que é o teto de verdade
A previsão mais precisa do mundo, aplicada sobre uma posição de estoque errada, gera a reposição errada.
US$ 1,7 tri
de distorção global de estoque
6,2%
das vendas de varejo, contra 10,4% em 2021
65,6%
da distorção são rupturas
US$ 690,9 bi
só de prateleira vazia
IRA (Inventory Record Accuracy) é o percentual de combinações SKU-loja em que o saldo do sistema bate com a contagem física, dentro de uma tolerância declarada. Três decisões de método mudam completamente o número:
- Grão. Por SKU-loja (o que a decisão usa) ou por valor financeiro total (o que a auditoria usa). O segundo sempre parece melhor, porque sobras e faltas se compensam no dinheiro e não se compensam na gôndola.
- Tolerância. Zero unidade, ±1, ou ±5%. Sem tolerância declarada, dois varejistas não comparam o mesmo indicador.
- Amostra. Contagem cíclica contínua ou inventário geral anual. O inventário anual mede o dia do inventário; a contagem cíclica mede a operação.
O estoque fantasma
O estoque fantasma custa mais que o saldo menor que o real. Nele, o sistema registra saldo positivo, a prateleira está vazia, e nenhum pedido de reposição é gerado. O item some da venda sem disparar alerta, e o modelo aprende que a demanda daquele item caiu.
Ruptura não corrigida vira histórico de venda baixa, que vira previsão menor, que vira menos reposição. O modelo fica cada vez mais confiante numa demanda que ele mesmo ajudou a suprimir, e o indicador de acurácia melhora enquanto isso acontece.
A correção é conhecida: dias de ruptura entram no treino como dado faltante, não como venda zero. As causas da divergência e as quatro formas de detectar ruptura estão em Ruptura e excesso: onde o varejo perde US$ 1,7 trilhão.
Camada 5: a execução, que é o CAPEX invisível
A recomendação existe, está certa, e agora precisa virar ação num prédio com pouca banda, dispositivo antigo e gente com rotatividade alta.
O IHL nomeia quatro gargalos de infraestrutura de loja: rede dimensionada apenas para autorização de cartão; ausência de computação no estoque; dispositivos que não alcançam os modelos rápido o suficiente; e descompasso entre as condições reais da loja e o teste de laboratório. O dimensionamento de cada um está em Rede, borda e dispositivo.
A camada humana é onde a maior parte do fator se perde. Uma recomendação pode aterrissar em três lugares, e a diferença entre eles supera a diferença entre um modelo de 85% e um de 99%:
- Num painel novo, que alguém precisa abrir, ler e transformar em tarefa. Some no meio do turno.
- Num aplicativo próprio no dispositivo do repositor, que concorre com o que ele já estava fazendo.
- Como tarefa dentro do roteiro de reposição que ele já executa, priorizada junto com o resto do turno.
A terceira opção é uma integração com o sistema de gestão de tarefas da loja. Custa menos que o modelo e move mais o resultado, e o desenho dela está em IA na ponta.
Camada 6: medir a coisa certa
O indicador que a maioria dos projetos reporta é acurácia do modelo. Ele não atravessa as camadas anteriores, então pode subir enquanto o resultado não se move.
Quatro que atravessam:
- IRA por SKU-loja, com tolerância e método declarados. É o teto.
- WMAPE no grão SKU-loja-dia, não no agregado.
- Taxa de execução: das recomendações geradas, quantas viraram ação registrada.
- Ruptura medida em gôndola, e não calculada a partir do saldo do sistema, que é justamente o dado sob suspeita.
Protótipo ilustrativo
De cada 100 recomendações, quantas viram gôndola cheia?
Mexa nos três controles. O resultado é o produto dos três, e o menor manda.
O que o fornecedor vende e o que o piloto mede.
Medida contra contagem física, não contra o sistema.
Onde a recomendação aparece
De cada 100 recomendações do modelo
16
viram reposição
no lugar certo
Distorção global de estoque como percentual das vendas (IHL Group, 2026).
Premissa do painel: execução perfeita derrubaria a ruptura em 60%, não a zero.
Numa rede de R$ 50 milhões por mês, isso é R$ 2,8 mi em venda perdida todo mês, R$ 291 mil a menos que o ponto de partida.
O teto de hoje é onde a recomendação aparece. Enquanto ele não subir, melhorar os outros dois quase não move o número.
A conta: por que os fatores se multiplicam
Para uma recomendação virar venda recuperada, três coisas precisam ser verdade ao mesmo tempo: o modelo acertou, o dado de estoque estava certo e alguém executou. Probabilidades que precisam coexistir se multiplicam.
Com modelo em 95%, estoque em 70% e um quarto das recomendações executadas:
0,95 × 0,70 × 0,25 = 0,17
Dezessete por cento do ganho teórico. Trocar o modelo por um de 99% leva isso a 17,3%, sete décimos de ponto. Levar a execução de 25% para 90%, mexendo só na tela onde a recomendação aparece, leva a 60%.
Cada fator foi medido separadamente por levantamentos independentes em 2026, e nenhum mediu o efeito combinado. A multiplicação é o modelo mental; os números que entram nela têm fonte. O que ela faz é transformar uma lista de barreiras numa fila de prioridade, com um item por vez: o menor deles.
Três consequências práticas:
Com IRA em 65%, o próximo investimento é contagem cíclica e processo de recebimento, não um modelo melhor. O retorno é maior e a venda interna é mais difícil.
Piloto em lojas escolhidas por terem boa infraestrutura mede o modelo num ambiente onde os outros dois fatores foram artificialmente maximizados. O resultado é verdadeiro e não se reproduz.
"Acurácia do modelo" é métrica de entrega. "Percentual de recomendações que viraram ação" atravessa os três fatores de uma vez, e é a que muda o critério de sucesso.
A mesma conta explica o funil do setor, de 95% que experimentam a 5% que veem ROI claro e escalável. Cada degrau é um fator que parou de ser suficiente, e os obstáculos de cada um estão em Os quatro degraus entre o piloto e a operação.
O que fazer na segunda-feira
Meça o IRA antes de comprar o modelo. Amostra de lojas e categorias, contagem física, tolerância declarada. Dias, não trimestres.
Peça a acurácia no grão da decisão, SKU-loja-dia, em WMAPE. Se o fornecedor só tem o número agregado, o piloto vai medir outra coisa.
Escolha a tela antes do fornecedor. Se a resposta for "num painel novo", o resultado já está decidido.
Orce rede e borda junto com o modelo. O CAPEX de loja é o que separa dez lojas de trezentas.
Meça taxa de execução, o indicador que não deixa nenhuma das seis camadas se esconder.
Sete perguntas antes do próximo piloto
Se a resposta a três delas for "não sei", ninguém na empresa tem o número, e o problema deixa de ser a escolha de fornecedor.
- Quem perde bônus se este projeto não escalar?
- Qual é a acurácia real do seu dado de estoque por loja, contra contagem física e com tolerância declarada?
- A rede e os dispositivos da loja aguentam inferência?
- Quantas fontes de dados o caso de uso realmente consome?
- Seu atendimento com IA resolve ou apenas desvia?
- Quem na loja foi treinado, e em quê?
- O que os assistentes de IA respondem hoje sobre a sua marca?
Colocar um caso de uso operando dentro do sistema onde a decisão é tomada já coloca a operação num percentil alto do setor, e vale mais que cinco provas de conceito rodando ao lado da operação.
