Previsão de produto novo sem histórico de vendas: o que fazer quando o forecast não tem passado para olhar

Lançar produto sem dado de venda para apoiar o forecast é rotina, não exceção. Um artigo publicado em 9 de setembro de 2026 no blog do IBF (Institute of Business Forecasting), assinado por Eric Wilson e por Somi Agarwal, CEO da Synthefy, reúne dados de pesquisa do próprio instituto sobre como as empresas lidam com essa lacuna. O retrato não é animador: a maioria ainda resolve o problema com métodos que escondem viés dentro de uma aparência de análise.

O chute ainda domina o forecast de lançamento

Segundo a pesquisa citada no artigo, 43% das empresas recorrem principalmente a julgamento subjetivo quando o item tem pouco ou nenhum histórico. Esse número vem de vendas, marketing, desenvolvimento de produto ou de um executivo confiante no lançamento. Wilson e Agarwal são diretos: o resultado costuma ser menos um forecast de demanda e mais uma meta comercial, um business case ou um "wishcast" (previsão otimista que descreve o que a empresa quer vender, não o que o mercado deve comprar).

Outros 17% tentam dar uma roupagem estatística ao problema com o chamado like-item forecasting: escolhem um produto parecido já existente e usam a curva de demanda dele como ponto de partida para o novo SKU. É um método mais defensável à primeira vista, mas carrega três apostas que raramente são questionadas: que o item escolhido é mesmo o mais parecido, que o preço vai ficar na mesma faixa e que o mercado vai reagir de forma parecida. Nenhuma dessas três é garantida, e a escolha do análogo acaba virando outro julgamento subjetivo disfarçado de método quantitativo.

O erro que a maioria comete: tratar o erro alto como custo fixo do lançamento

O ponto mais incômodo do artigo é o diagnóstico da cultura por trás do número. Em vez de questionar o processo, muitas empresas simplesmente aceitam erro de previsão alto como "o preço de lançar algo novo". Essa resignação tem um custo duplo: quando o forecast fica acima do real, sobra estoque, capacidade é consumida à toa e o produto termina em desconto ou perda. Quando fica abaixo, há ruptura, cliente frustrado e pressão para expedição emergencial.

Há ainda um desperdício menos visível: o tempo do planejador. O artigo nota que boa parte dos SKUs que recebem essa atenção toda acaba virando contribuinte pequeno no portfólio. A empresa gasta dias debatendo qual análogo usar, ajustando curva, reconciliando palpites de áreas diferentes, para um item que talvez nunca justifique esse esforço analítico.

Por que o modelo estatístico tradicional não ajuda tanto aqui

O planejamento de demanda é construído, em sua maioria, sobre modelos univariados que leem série histórica e projetam padrão. Produto novo tira exatamente essa base do jogo: não é mais questão de qual modelo rodar, e sim de qual dado, se é que existe algum, merece confiança. Segundo o artigo, mesmo o machine learning mais tradicional (o texto cita o XGBoost como exemplo) não escapa dessa limitação, porque ainda exige treinar e ajustar um modelo específico a partir dos dados que a empresa já tem, o que adiciona trabalho de ciência de dados a um problema que já é de dado escasso.

O que muda com modelos de fundação para dado tabular

A proposta de Wilson e Agarwal passa por uma categoria de modelo ainda pouco discutida em planejamento: os "structured data foundation models", pré-treinados para fazer previsão a partir de dado tabular sem precisar treinar um modelo novo para cada problema. O exemplo citado no artigo é o Nori, da Synthefy, que usa exemplos do restante do portfólio da empresa como contexto para prever a demanda do SKU sem histórico próprio.

A Synthefy testou essa ideia com o dataset público Online Retail II, comparando o Nori ao XGBoost sob os mesmos dados e as mesmas variáveis. O resultado reportado foi redução de cerca de 10% no erro de previsão para produtos totalmente novos, sem histórico algum.

É um número que merece contexto antes de virar referência de planejamento: o teste foi feito com dado público de varejo britânico, conduzido pela própria fornecedora da tecnologia, sem validação independente até o momento. Vale notar que a cautela expressa pelos autores com a frase "algo que ainda precisamos provar" não recai sobre esse ganho de 10% em si, e sim sobre uma aposta maior: a ideia de que, livre do gargalo de treinar um modelo específico para cada problema, mais situações de forecasting podem se tornar praticáveis de resolver. É essa escalabilidade, não a acurácia medida no teste, que os autores tratam como ainda não comprovada.

Comparando os três caminhos

O que isso muda na reunião de S&OP

A incerteza do forecast de lançamento não fica só com o planejador: ela segue para a mesa de S&OP. Segundo o artigo, vendas defende a oportunidade de mercado, marketing aponta o investimento feito no lançamento, suprimentos destaca a exposição de estoque e finanças questiona o retorno esperado. O planejador precisa explicar o número, mas muitas vezes tem só uma curva de análogo e uma pilha de suposições para sustentar a conversa.

Esse detalhe é o cerne do problema, mais do que a acurácia em si: quando ninguém consegue explicar o que gerou o forecast, a reunião deixa de avaliar risco e vira negociação de qual opinião pesa mais. É por isso que Wilson e Agarwal defendem que o valor de um modelo de fundação não está só em errar menos, mas em mostrar quais sinais (preço, canal, segmento de cliente, timing, apoio promocional) mais pesaram na previsão. Isso dá ao planejador algo explicável e ao tomador de decisão algo que pode ser questionado com argumento, não com autoridade de cargo.

Checklist antes do próximo lançamento

O artigo original termina com uma lista de perguntas que vale levar literalmente para a próxima reunião de lançamento, antes de qualquer discussão sobre ferramenta:

• Quem decide qual item análogo será usado, e com que critério?
• Que dado relevante (preço, canal, promoção, sazonalidade) está sendo ignorado na curva atual?
• Quanto tempo da equipe é gasto ajustando a curva manualmente, item por item?
• Alguém consegue explicar, sem recorrer a "foi o que pareceu certo", por que o número final mudou da última revisão?

Se as respostas revelarem um processo construído em torno de um único análogo escolhido por ser "o menos errado disponível", o ponto de partida não é trocar de ferramenta: é mapear que outro dado do portfólio já existe e está sendo descartado. Tecnologia nova resolve a falta de modelo treinado; não resolve plano de lançamento que muda sem avisar o planejador, nem substitui a colaboração entre comercial, suprimentos e finanças que qualquer SKU novo ainda exige.

Fonte

1. IBF — Demand Planning: Forecasting New Products When History Doesn't Exist, por Eric Wilson e Somi Agarwal, 9 de setembro de 2026.

Fonte: IBF — Demand Planning