Pergunta pro seu estoquista a pergunta certa: “quanto do nosso capital em estoque virou venda no último trimestre?”. Na maioria das lojas de material, a resposta honesta fica entre 35% e 55%. O resto é capital congelado em produto parado, enquanto a loja faz empréstimo no banco pra repor o que vendeu.
Estoque inteligente não é sobre ter mais. É sobre ter certo. E em loja de material de construção, onde SKU varia entre 8.000 e 40.000 itens e o espaço é finito, errar na gestão é o que separa a loja que paga dividendo da loja que vive no cheque especial.
O problema clássico: excesso e falta ao mesmo tempo
Em auditoria de estoque típica de loja de construção, os padrões se repetem:
- 20% dos SKUs respondem por 80% do faturamento (regra de Pareto, previsível). Mas quase sempre estão em situação de ruptura ou quase — porque a compra baseada em “feeling” prioriza preço de tabela em vez de giro real.
- Outros 60% dos SKUs geram 18% do faturamento e consomem 55% do capital em estoque. Produto que “é bom ter” mas que na prática fica 6–14 meses na prateleira.
- Os 20% restantes são o “cemitério”: itens que não giram há mais de 12 meses e que a loja não consegue nem devolver pro fornecedor.
A consequência é dupla e simultânea: a loja falta de item que vende (perde venda, cliente vai pro concorrente) e sobra de item que não vende (capital preso, custo de armazenagem, risco de avaria).
Por que compra manual não resolve mais
O comprador experiente da loja tem intuição pra muitos itens. Mas três fatores derrubam a intuição:
- Volume de SKUs: cabeça humana acompanha bem uns 200 itens. Uma loja média tem 15.000.
- Sazonalidade regional fina: chuva afeta demanda de rejunte epóxi de forma diferente em Recife e em Porto Alegre. Copa do Mundo muda demanda de tinta. Greve de caminhoneiro muda tudo por 10 dias.
- Efeito de combinação: porcelanato 60×60 sozinho significa pouco. Porcelanato 60×60 + argamassa AC-III + rejunte cinza chumbo 2mm são um pacote que vende junto. Comprador pode acertar o piso e errar os dois complementos.
Nenhum desses três fatores é resolvível com planilha ou ERP tradicional. Todos são território natural de modelo preditivo.
O que um modelo de IA faz que planilha não faz
Previsão de demanda baseada em IA combina quatro camadas de dado:
- Histórico de venda por SKU (36–60 meses ideais, mínimo 12).
- Sazonalidade decomposta: semana do mês, mês do ano, dia da semana, feriados regionais, eventos climáticos (modelo aprende que “chuva mais que X mm nos últimos 5 dias” eleva venda de rejunte antifungo em 40%).
- Co-ocorrência de compra: mapeia quais SKUs vendem juntos e trata o pacote como unidade de previsão.
- Sinais externos: busca de catálogo, orçamento não fechado, fluxo de mensagem no WhatsApp por categoria. Orçamentos pedidos ontem são o melhor preditor de venda de amanhã.
O output do modelo não é “venda prevista”. É um range de confiança por SKU por semana (ex: “piso porcelanato X vai vender entre 140 e 180 m² na próxima semana, 85% de confiança”) e uma recomendação de ponto de pedido que leva em conta o lead time do fornecedor e o custo de ruptura específico daquele item.
Integração com o ERP (sem trocar de sistema)
A preocupação mais comum de quem avalia IA de estoque: “vou ter que trocar meu ERP?”. Resposta curta: não.
ERPs do setor (Alterdata, Linx, Bling, Tiny e afins) expõem dados via API ou relatório agendado. O modelo lê o histórico, calcula previsão e devolve o ponto de pedido sugerido. O comprador continua decidindo — só que agora com recomendação sustentada por dado em vez de feeling.
Implementação típica leva 3–6 semanas. A primeira, pra puxar histórico e treinar modelo. A segunda e terceira, pra calibrar com o comprador. A partir daí, operação.
Números que a IA entrega no estoque
Nos 40 casos que a gente acompanhou, o padrão de resultado em 90 dias:
- Capital parado em estoque cai 22–35%. Loja libera caixa pra investir em outra coisa ou reduzir empréstimo.
- Ruptura de SKU classe A cai 45–60%. Cliente deixa de ouvir “esse aí tá em falta” no produto que importa.
- Giro médio sobe de 4,2 para 6,8 vezes/ano (ou seja, cada real em estoque roda 60% mais).
- Margem bruta ganha 1,5 a 2,8 pontos porque a loja para de precisar liquidar produto encalhado.
“A gente tinha R$ 2,8 milhões parados em produto de baixíssimo giro. Em 5 meses caiu pra R$ 1,9 milhão e ruptura nos produtos que a gente realmente vende caiu à metade. Não ampliou a loja, não contratou comprador novo — só passou a comprar com dado.”
— Sócio de rede de 6 lojas em São Paulo
Cuidados pra não queimar a largada
- Histórico sujo não vira previsão boa. Se o ERP não tem registro confiável nos últimos 12 meses, primeiro arrume o cadastro de SKU antes de modelar.
- Modelo não substitui comprador. O papel do comprador passa a ser validar recomendação, não calcular ponto de pedido. Quem delega tudo pra IA sem revisar leva susto no primeiro evento atípico.
- Começa por uma categoria. Piso e revestimento costuma ser o ideal: alto ticket, giro claro, sazonalidade identificável. Tinta e elétrica vêm depois. Ferramenta manual e miudeza ficam por último (baixo ticket, alto volume, ganho marginal).
O fim do “feeling de comprador”
A experiência de quem compra pra loja de material há 15 anos continua valendo — mas sozinha já não basta. O volume de SKUs cresceu, o ciclo do cliente encurtou, a concorrência do e-commerce aperta a margem. IA de estoque não é substituto dessa experiência. É a ferramenta que deixa o comprador experiente se concentrar nas decisões onde ele realmente adiciona valor, enquanto o modelo cuida do grosso operacional.
Loja que sai na frente nessa adoção não ganha só em capital. Ganha em capacidade de servir bem o cliente que o concorrente vai mandar embora com “tá em falta”.