Modelos de previsão de demanda: 8 métodos comparados

Equipe Sensio20 de novembro de 2026 · 13 min de leitura

Uma fábrica de embalagens fecha a compra de papelão pela média dos últimos três meses. No pico de fim de ano, a bobina acaba no mesmo mês em que os pedidos de caixa disparam. O sistema registrou venda, estoque e pedido. O erro estava no modelo, não na tela.

Modelos de previsão de demanda não formam um ranking de sofisticação. O método útil depende do volume de SKUs, da sazonalidade, da intermitência, do histórico que você realmente tem e de quem no PCP consegue auditar o número. Uma média resolve item estável de baixo valor. A mesma conta erra bebida de verão, peça de reposição e promoção pontual.

A fábrica também não deve viver só do próprio comercial. A Pesquisa Industrial Mensal de Produção Física do IBGE acompanha a produção real das indústrias extrativas e de transformação desde a série reformulada, divulgada em abril de 2004, com amostra de 8.596 empresas, 12.500 unidades locais e 1.042 produtos. Esse dado não substitui pedido nem consumo. Ele serve de contexto para tendência setorial, capacidade e reposição, e reduz o efeito de promoção, ruptura e pedido extraordinário no histórico de uma única planta.

A seguir, oito métodos. Em cada um, o cálculo, o chão de fábrica em que ele cabe, o caso em que eu não o usaria e um guia curto de escolha.

1. Média móvel simples (MMS)

A média móvel simples prevê o próximo período pela média aritmética dos últimos N períodos. Cada mês entra com o mesmo peso. Uma janela de três meses soma os três mais recentes e divide por três. Não separa tendência nem Natal.

O uso honesto é o item recorrente e estável. Embalagem de linha contínua e sacaria ou rótulo de alimento de base giram todo mês, sem coleção. Nesses casos a MMS também é o benchmark. Se um modelo mais caro não ganha dela no histórico recente, ele não merece ir para a ordem de compra.

Uma mulher observa um gráfico de barras representando a previsão de demanda estável em seu computador.

Não use essa média quando a série sobe mês a mês ou quando dezembro é sempre bem maior que março. Janela curta atrasa a tendência. Janela longa achata o pico, e a compra chega tarde.

Como escolher a MMS

  • Janela: teste 3, 6 e 12 períodos e fique com a que reduz o erro recente, em MAPE ou WAPE.
  • Classe C: aplique a média nos itens de menor impacto. Classe A pede intervalo, não só um número.
  • Ciclo: recalcule a cada planejamento semanal ou mensal.
  • Conta: o passo a passo está no guia de cálculo da previsão de demanda.

Se o item tem tendência clara, trocar a janela não conserta o método. Troque o modelo.

2. Suavização exponencial simples (SES)

A suavização exponencial simples mistura a última demanda observada com a última previsão, por um alfa entre 0 e 1. Alfa alto cola no mês recente. Alfa baixo segura a série. Os períodos antigos perdem peso de forma exponencial, então o nível muda mais rápido do que numa média de pesos iguais.

Isso cabe em demanda estável que muda de patamar aos poucos. Uma moveleira pode usar SES em ferragem e dobradiça de linha padrão, item que gira o ano inteiro e só sobe quando a fábrica ganha um cliente fixo. Um distribuidor de insumos faz o mesmo em giro médio, para repor sem esperar o consenso comercial.

Eu não recomendo SES quando há tendência persistente. Subir o alfa para “acompanhar” só aumenta o nervosismo da previsão e estoura compra de matéria-prima. Nesse caso o caminho é Holt, que trata nível e tendência em separado. Também não rode o modelo em cima de promoção, pedido único ou mês de ruptura. Esses pontos viram nível falso.

Limpe o histórico antes. Otimize o alfa pelo erro quadrático no passado, em vez de cravar 0,1 ou 0,3 porque “é o usual”. Acompanhe o sinal de rastreamento. Se o erro fica positivo por vários ciclos, a previsão está sistematicamente baixa e o estoque de segurança não cobre o viés.

Guia de escolha. Use SES em item de giro médio, sem sazonalidade forte, com histórico contínuo e equipe que consiga explicar um único parâmetro. Se alfa ótimo encosta em 1, o item não é estável. Separe exceção manual ou mude de método.

3. Holt-Winters (suavização exponencial tripla)

Dezembro de bebida e coleção têxtil não são “mais um mês”. Holt-Winters estima ao mesmo tempo nível, tendência e sazonalidade. A variante aditiva serve quando o pico tem tamanho parecido todo ano. A multiplicativa serve quando o pico cresce junto com o volume, como um dezembro que passa a valer uma fatia maior da venda anual.

Uma profissional analisando um gráfico de barras representando a tendência sazonal da demanda de produtos em um escritório.

O método combina com Plano Mestre. A fábrica de suco reserva turno e xarope antes do verão. A confecção antecipa tecido da coleção. O detalhe de como ler esse calendário está no texto sobre demanda sazonal.

Um ano positivo não garante o mês. Segundo o levantamento do IBGE sobre a indústria em 2025, a produção nacional caiu 1,2% entre novembro e dezembro de 2025 e acumulou perda de 1,9% desde setembro, mas fechou o ano com alta de 0,6%. Em dezembro, estava 0,6% acima de fevereiro de 2020 e 16,3% abaixo do recorde de maio de 2011. Média anual esconde esse degrau.

Como escolher Holt-Winters

  • Variante: multiplicativa se o pico cresce com o nível. Aditiva se a amplitude fica estável.
  • Histórico: para sazonalidade mensal, eu quero pelo menos dois ciclos completos antes de confiar no fator.
  • Revisão: refaça os parâmetros a cada temporada. O pico muda com canal e preço.
  • Quando não usar: série curta, item intermitente ou sazonalidade que é só promoção. Aí o fator sazonal aprende o desconto, não o consumo.

4. ARIMA e SARIMA

ARIMA explica o futuro com o próprio passado da série. Há um termo autorregressivo, uma diferenciação para tirar tendência e uma média móvel dos erros. SARIMA acrescenta os mesmos blocos no período sazonal, em geral 12 meses. Box e Jenkins formalizaram essa lógica, e ela segue útil em SKU de alto volume com histórico limpo.

Uma embalagem pode usar SARIMA em caixa e papelão ondulado com calendário anual repetido. Um bem de consumo de giro alto usa o intervalo de confiança para estoque de segurança com nível de serviço definido, em vez de um percentual fixo “de segurança”.

O modelo não é a melhor escolha em portfólio enorme de itens irregulares, nem quando preço e promoção explicam mais que o passado da série. Também falha se você escolhe a ordem no olho e não olha o resíduo.

Resíduo que ainda tem padrão não é previsão. É modelo incompleto.

Guia de escolha. Rode auto.arima no R ou pmdarima no Python para encurtar a busca de ordens, e só aceite se o resíduo parecer ruído branco. Valide no tempo, nunca com meses sorteados. Reserve ARIMA e SARIMA para classe A. Classe C continua na média. Use a faixa, não o ponto, para dimensionar segurança e não para travar capacidade que a fábrica não tem.

5. Prophet

O Prophet foi feito pela equipe de ciência de dados da Meta para gente que planeja, não só para quem estima modelo. A série se decompõe em tendência, sazonalidade anual, semanal e diária, e em efeito de feriado, num ajuste aditivo ou multiplicativo. A própria Meta usa essa lógica em planejamento de capacidade e em métricas internas. Varejo e alimento usam o mesmo desenho quando o calendário comercial manda na semana.

Ele tolera buraco, ponto extremo e mudança de tendência melhor do que um ARIMA rígido. Isso ajuda fábrica com histórico falho de dois ou três meses, desde que o buraco não seja ruptura disfarçada de demanda zero.

O parâmetro que mais derruba o uso é o changepoint_prior_scale. Flexível demais, a tendência persegue cada promoção. Rígido demais, a curva ignora uma mudança real de nível, como a entrada de um novo canal. Eu comparo Prophet com um baseline sazonal por validação cruzada temporal, nunca por um único acerto recente.

Inclua feriado nacional e data do setor, como Dia das Mães e Black Friday. Se preço ou desconto explicam a variação, entre com eles como regressor. Sem isso, o modelo atribui a promoção à sazonalidade e repete o pico no ano seguinte, mesmo sem campanha.

Guia de escolha. Prophet cabe em série com calendário forte, alguns anos de dado e time que revise feriado e ponto de mudança. Não cabe em peça que vende três vezes por ano, nem como caixa-preta sem ninguém olhando o gráfico de componentes.

6. Regressão linear e múltipla (modelos causais)

A pergunta aqui não é “quanto vendeu nos últimos doze meses”. É “o que muda a venda se o preço sobe ou se a campanha entra”. A regressão liga a demanda a preço, verba, clientes ativos, dias úteis, temperatura ou promoção. O passado da série deixa de ser a única explicação.

Um fabricante de móveis pode relacionar pedido a lançamento e a número de lojas parceiras. Uma alimentícia testa o efeito de promoção e de temperatura na bebida antes de comprar xarope e lata. O gráfico abaixo é o tipo de leitura que o PCP precisa ver junto com compras, não só a curva lisa da série.

Uma profissional analisa gráficos de dados e previsões de demanda em seu escritório.

Comece com poucas variáveis que o comercial consiga defender. Teste significância. Se duas variáveis andam juntas, como verba e número de inserções, o coeficiente fica instável. O fator de inflação da variância, o VIF, aponta essa colinearidade. Coeficiente instável gera cenário de preço bonito e compra errada.

Atualize os coeficientes. A relação de hoje não é a do ano passado se o canal mudou. E não use regressão em item sem causa medida. Forçar índice econômico num componente de baixo giro só adiciona ruído.

Simule baixa, base e alta antes de transformar o coeficiente em ordem de compra. Um número único esconde a decisão.

Guia de escolha. Use regressão quando você consegue prever a variável explicativa no horizonte da compra. Se o “preço futuro” é chute, o modelo causal não é mais preciso que uma média. Nesse caso, volte para a série temporal.

7. Machine learning com gradient boosting (XGBoost e LightGBM)

Árvores em sequência corrigem o erro da árvore anterior. No forecast, a série vira atributo. Entram defasagem, média móvel, mês, dia da semana, preço e promoção. LightGBM e XGBoost aguentam milhares de SKUs, como o varejo que prevê por loja e por semana, ou o bem de consumo que repõe com preço e campanha no mesmo modelo.

Antes do algoritmo, a base. A Pintec Semestral do IBGE, da ABDI e da UFRJ mostra a adoção de inteligência artificial na indústria brasileira saindo de 16,9% das empresas em 2022 para 41,9% em 2024. Entre quem já usa IA, administração chega a 87,9%, comercialização a 75,2% e desenvolvimento de projetos, processos e serviços a 73,1%, enquanto a análise de big data alcança 27,8% das indústrias. Modelo fino em cadastro quebrado não paga essa conta.

O vídeo abaixo mostra, em termos de atributo e validação, o tipo de cuidado que a fábrica precisa antes de soltar o boosting no MRP.

Num estudo com demanda de frete derivada do conjunto público Olist, um XGBoost chegou a MAPE de aproximadamente 3% e superou o melhor SARIMA testado, conforme o artigo da revista Mythos. Eu não levo esses 3% para a sua planta. O número depende da granularidade, do período e da variável-alvo. O que eu levo é o desenho do teste. Baseline sazonal, SARIMA e árvore, por família, com corte temporal. WAPE no portfólio, MAPE só quando o volume não cola em zero, mais viés e erro por horizonte.

Divida treino no passado e validação no futuro. Nunca sorteie semanas. Use SHAP para mostrar à equipe o que puxou a previsão. Pilote uma família antes da linha inteira. O encaixe com o processo está no texto de inteligência artificial na previsão de demanda.

Guia de escolha. Boosting quando há muitos SKUs, variáveis além do calendário e alguém para governar cadastro, exceção e métrica. Sem isso, fique no método simples. Árvore não corrige venda perdida registrada como zero.

8. Método de Croston e SBC para demanda intermitente

Peça de reposição passa meses em zero e, de repente, sai um lote. Média e suavização tratam o zero como demanda baixa e empurram a previsão para perto de nada. Aí o torno para, ou o estoque de ferramenta estoura.

Croston separa duas contas. O tamanho médio das demandas que não são zero e o intervalo médio entre elas. A previsão é essa taxa, não a média de todos os meses. Syntetos e Boylan mostraram viés no método original e propuseram a correção SBC, a aproximação de Syntetos-Boylan. Em usinagem, ferramentaria e fabricante de máquina, SBC é o padrão que eu prefiro para componente de manutenção e garantia.

Infográfico comparativo entre o método de Croston e a correção SBC para previsão de demanda intermitente.

Classifique antes pelo gráfico ADI-CV². ADI mede o intervalo entre demandas. CV² mede a variação do tamanho. Só o quadrante intermitente ou errático vai para Croston ou SBC. Item contínuo fica nos métodos anteriores. A classe muda. Revise.

A previsão sozinha não vira estoque. Cruze com ponto de pedido e segurança compatíveis com a incerteza. Lote mínimo de fornecedor pode ser maior que um ano de consumo. Aí o modelo só evita comprar de novo antes da hora.

Há um limite de gente, não só de fórmula. O relatório de inteligência do mercado de trabalho industrial no Brasil registra vagas ligadas a IA subindo de 19 mil em 2021 para 73 mil em 2024, enquanto a participação da manufatura nas vagas que exigem habilidade de IA caiu para 11,9% em 2024. Um SBC auditável pelo planejador ganha de uma rede que ninguém na fábrica explica.

Guia de escolha. Croston ou, de preferência, SBC quando muitos períodos são zero e o pedido é esporádico. Não use em item sazonal de giro contínuo. Se a intermitência era ruptura, corrija o histórico antes. Zero por falta de estoque não é demanda zero.

Comparativo dos 8 modelos de previsão de demanda por perfil de dados e equipe

Modelo Melhor para Histórico necessário Trata tendência Trata sazonalidade Nível técnico exigido
Média Móvel Simples (MMS) Demanda estável e previsões rápidas Pouco histórico recente Não Não Baixo
Suavização Exponencial Simples (SES) Demanda estável com pequenas oscilações Histórico curto; basta manter a última previsão Não Não Baixo
Holt-Winters (Suavização Exponencial Tripla) Demanda com tendência e sazonalidade previsível Pelo menos dois ciclos completos Sim Sim Intermediário
ARIMA e SARIMA Séries com autocorrelação; SARIMA também atende sazonalidade Histórico longo, com série regular Sim, após tratamento da série Sim, com SARIMA Alto
Prophet Previsões influenciadas por feriados e eventos Histórico curto ou irregular Sim Sim Baixo a intermediário
Regressão Linear e Múltipla (Modelos Causais) Cenários com preço, promoções e fatores externos Histórico da demanda e das variáveis explicativas Sim, se incluída no modelo Sim, com variáveis sazonais Intermediário
Machine Learning com Gradient Boosting (XGBoost e LightGBM) Muitos SKUs e variáveis explicativas Histórico amplo para treinar e validar Sim, com atributos adequados Sim, com atributos de calendário Alto
Método de Croston e SBC para Demanda Intermitente Itens de baixo giro e demanda esporádica Histórico com ocorrências e intervalos entre demandas Não diretamente Não diretamente Intermediário

Como escolher o modelo certo para a sua fábrica

Classifique o item antes de discutir algoritmo. Volume, variabilidade e padrão. Contínuo estável pede MMS ou SES. Tendência sem calendário pede Holt. Calendário repetido pede Holt-Winters, SARIMA ou Prophet. Causa medida, como preço e loja, pede regressão. Muitos SKUs e muitas variáveis pedem boosting, depois de cadastro único e histórico sem ruptura artificial. Muitos zeros pedem SBC.

Eu mantenho um modelo simples como linha de base em toda família. Testo dois ou três candidatos no período recente, com WAPE no conjunto e viés por horizonte. MAPE só entra quando a demanda não fica perto de zero. O método mais complexo fica na classe A, onde erro de compra dói no caixa e no OTIF. Classe C não paga projeto de ciência de dados.

A escolha não é definitiva. Mix, canal e safra mudam o padrão, então revise a cada temporada. Separe venda perdida de demanda observada. Marque pedido extraordinário. Sem isso, qualquer equação aprende o erro operacional.

Previsão boa ainda pode gerar plano impossível. Projeções de mercado indicam que o mercado brasileiro de IA na manufatura pode crescer de US$ 465,5 milhões em 2025 para US$ 2,06 bilhões em 2030, com CAGR de 34,7%, segundo a MarketsandMarkets. Crescimento de ferramenta não entrega prazo. Falta transformar a faixa de demanda em plano mestre, checar material e centro de trabalho, respeitar lote e lead time, e recalcular quando o gargalo atrasa.

Na Sensio, a previsão de demanda, a recomendação de produtos e a reposição partem do que acontece na operação, e a implantação já colocou clientes em operação em cerca de 30 dias. O número previsto só vale se compras, estoque e capacidade enxergarem o mesmo plano.


A previsão só fecha o ciclo quando vira compra, ordem e reposição no mesmo fluxo da fábrica. Na Sensio, isso cobre demanda, recomendação de produtos e reposição ligadas à operação, para o PCP deixar de escolher modelo no escuro. Veja como isso funciona na Sensio.

Próximo passo

Veja sua operação como ela realmente é.

Uma demonstração com quem entende a rotina industrial, usando fluxos parecidos com os da sua fábrica.

  • Sem compromisso
  • Base de teste para validar
  • Atendimento de quem conhece indústria

Prefere explorar sozinho? Testar grátis

Agende sua demonstração Preencha os dados e retornamos para combinar o melhor horário.
Agendar demonstração Testar grátis