Resumo Executivo

Vítor Henrique Araujo Costa; Paulo Paganini

Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Este estudo buscou compreender a percepção de profissionais de planejamento de demanda na indústria de bens de consumo de rápida rotação (FMCG) sobre a implementação de Inteligência Artificial (IA). A investigação explorou como suas experiências práticas se relacionam com os avanços da literatura, identificando oportunidades de melhoria na acuracidade das previsões e as barreiras culturais, técnicas e organizacionais que influenciam a adoção de IA no setor. O foco foi mapear o uso de ferramentas atuais e como sistemas avançados poderiam transformar suas rotinas e resultados estratégicos.

A indústria de bens de consumo de rápida rotação (FMCG) é caracterizada por produtos de baixo valor unitário, alta frequência de compra e rápida reposição. Com um valor de mercado de aproximadamente $570 bilhões em 2015, o setor representa mais da metade do valor investido por consumidores (EBSCO, 2025). Apesar de margens reduzidas, o alto volume de vendas garante receitas consistentes, exigindo uma gestão de cadeia de suprimentos eficiente, na qual o planejamento de demanda é central para garantir a disponibilidade de produtos e evitar rupturas ou excessos de estoque.

Neste contexto volátil, a previsão de demanda é uma função crítica para reduzir incertezas. A precisão das previsões orienta decisões estratégicas, minimiza riscos e otimiza desde a compra de matéria-prima até a distribuição final. O investimento em métodos de previsão robustos tornou-se um imperativo para a eficiência operacional e a competitividade (Makridakis et al., 2020).
A aplicação de Inteligência Artificial no planejamento de demanda do setor FMCG é um desafio central. Estudos sobre a adoção de IA destacam fatores como expectativas dos usuários, autonomia decisória, compatibilidade cognitiva, desempenho dos algoritmos e envolvimento humano (Chacon e Kaufmann, 2025). A literatura indica que, apesar do potencial dos algoritmos para aprimorar previsões, sua adoção é limitada por contextos organizacionais e culturais, criando uma lacuna entre o potencial tecnológico e a prática empresarial.

Este estudo adota uma abordagem qualitativa, exploratória e interpretativa para compreender as percepções e práticas no planejamento de demanda FMCG, com foco nos desafios e ganhos da implementação de IA. A pesquisa qualitativa valoriza palavras e interpretações, adotando uma metodologia indutiva para explorar a complexidade dos fenômenos (Bryman, 2016). A escolha se justifica pela necessidade de capturar as nuances e significados atribuídos pelos profissionais aos seus processos de trabalho.

A coleta de dados foi realizada por meio de entrevistas semiestruturadas, permitindo a exploração aprofundada das percepções. O roteiro, com nove perguntas abertas, guiou a conversa, oferecendo flexibilidade para explorar temas emergentes (Manzini, 2004). Foram entrevistados sete participantes (Analistas, Coordenadores e Gerentes) de multinacionais do setor FMCG, selecionados por amostragem intencional com base na rede de contatos do autor.

Os procedimentos éticos foram seguidos, com os participantes assinando o Termo de Consentimento Livre e Esclarecido (TCLE), garantindo sigilo e confidencialidade. As entrevistas, com duração média de 30 minutos, foram conduzidas individualmente (duas presenciais e cinco via Microsoft Teams), gravadas em áudio com consentimento e transcritas integralmente. O anonimato dos participantes e de suas empresas foi preservado.

A análise dos dados seguiu a metodologia de análise de conteúdo de Bardin (2016), envolvendo pré-análise, exploração do material e interpretação. Após a leitura das transcrições, os dados foram sistematizados por codificação manual em seis tópicos temáticos: (I) Temporalidade no planejamento; (II) Metodologias utilizadas; (III) Processos colaborativos; (IV) Influência operacional; (V) Fatores externos e incerteza; e (VI) Percepção sobre a implementação de IA. As unidades temáticas foram correlacionadas com a literatura para aprofundar a discussão.

Os resultados mostram que o planejamento de demanda é crucial para a performance na indústria FMCG (Makridakis et al., 2020). A implementação de IA é promissora, pois o aprendizado de máquina e o deep learning permitem prever padrões complexos e integrar múltiplas variáveis (Riachy et al., 2025). A análise revelou uma estrutura temporal multifacetada, iniciando com o Long Range Plan (LRP) de cinco anos. Esta etapa envolve “uma série de modelos estatísticos com base em várias variáveis” (E4) e modelos de regressão que avaliam cerca de 200 variáveis socioeconômicas (E5). A prática alinha-se à necessidade de uma cadeia de suprimentos ágil, que monitora o ambiente externo para gerenciar variações de demanda (Gligor et al., 2013).

A visão de longo prazo é desdobrada em horizontes menores, como planos anuais, mensais e revisões semanais. Um entrevistado (E2) explicou: “toda semana a gente entrega uma nova visão de acordo com o que está acontecendo no curtíssimo prazo e o tático, que é a visão estratégica da companhia que mensalmente a gente revisa também”. Essa conciliação é fundamental para alinhar a demanda (Framinan et al., 2024). A base do processo é a projeção estatística, que utiliza o histórico de vendas para testar e escolher os melhores modelos (E6). Os sistemas testam modelos de séries temporais como ARIMA, alisamento exponencial e médias móveis, selecionando o de maior aderência, um processo que já incorpora elementos de aprendizado de máquina (E5, E2). Embora métodos estatísticos básicos ainda sejam usados, a IA promete capturar padrões mais complexos (Riachy et al., 2025).

A identificação da sazonalidade é um componente crítico, com profissionais observando padrões recorrentes para se prepararem para períodos de alta e baixa (E7). Em alguns casos, essa identificação ainda depende da intuição e observação do mercado (E4), um desafio para o qual a literatura sugere modelos mais sofisticados (Selvam et al., 2024). Além dos modelos estatísticos, o julgamento humano de áreas como vendas e marketing é crucial. Reuniões de consenso calibram as previsões com informações da ponta, como o “feeling” de um executivo (E2). A literatura apoia a intervenção humana quando há informações que o algoritmo não possui (Fildes et al., 2025). Contudo, essa colaboração apresenta riscos, como a introdução de vieses otimistas que inflam as estimativas (E7), um fenômeno documentado por Fildes et al. (2025), que apontam que ajustes para cima tendem a ser menos precisos.

A influência do planejamento de demanda na operação é direta. As previsões guiam o time de supply chain em decisões sobre capacidade produtiva e distribuição (E2). A falta de visibilidade no fluxo de informações pode intensificar rupturas (Ting Kai Ooi et al., 2025). Quando a capacidade produtiva é insuficiente, são necessários ajustes, e o impacto dessa restrição em outros produtos deve ser avaliado (E5). O planejamento informa a produção, que por sua vez retroalimenta o planejamento com suas restrições (E2). Este equilíbrio é essencial no processo de S&OP; informações de marketing, como promoções, devem ser consideradas para balancear oferta e demanda (Fahimnia et al., 2025).

Em cenários de incerteza como a pandemia de COVID-19, os modelos estatísticos tradicionais são adaptados. Profissionais relataram a inclusão de variáveis externas, como dados de mobilidade, para ajustar projeções (E2). Nesses períodos, a colaboração interdepartamental se torna mais vital, com fóruns diários para garantir respostas rápidas (E6). É fundamental registrar eventos extraordinários para não distorcer as curvas de demanda futuras (E5), exigindo que os profissionais discirnam quais informações são relevantes (Fahimnia et al., 2025). A literatura corrobora essa abordagem, destacando como a pandemia exigiu novas estratégias de previsão (Riachy et al., 2025).

A percepção sobre a implementação de IA é majoritariamente positiva, com profissionais enxergando melhorias em acuracidade, granularidade, automação e agilidade. Um entrevistado (E5) destacou o potencial da IA para aumentar a transparência, medindo a contribuição de cada área para a acuracidade e permitindo a simulação de cenários com IA generativa. Essa visão alinha-se à literatura, que aponta a estabilidade dos algoritmos como contraponto aos vieses do julgamento humano (Chacon e Kaufmann, 2025; Abolghasemi et al., 2025). A automação de tarefas manuais é vista como forma de liberar os profissionais para atividades de maior valor analítico e estratégico (E1, E6).

Apesar do otimismo, a jornada de implementação da IA não é linear. Existem aplicações sutis, como estratégias holdout para treinar modelos, mas o potencial de avanço é imenso (E2). A pesquisa revelou experiências de implementações que falharam por falta de maturidade organizacional, com resultados inferiores aos dos modelos tradicionais (E5). Os desafios para a adoção plena incluem a necessidade de investimento em ferramentas, treinamento contínuo e uma adaptação cultural. Como resumiu um participante (E1), a transição “seria num longo, bem longo prazo até ter toda essa adaptação”.

Em suma, os profissionais percebem a IA como uma evolução necessária para o planejamento de demanda no setor FMCG. Seu sucesso, contudo, não depende apenas da tecnologia, mas de uma abordagem holística que considere a capacitação das equipes, a reestruturação de processos e a comprovação de resultados superiores. A transição exigirá um equilíbrio entre automação, análise de dados e a expertise humana no entendimento do contexto de negócios.

A pesquisa revelou que os profissionais de planejamento de demanda percebem a IA como uma ferramenta com grande potencial para aprimorar os processos na indústria FMCG, vislumbrando benefícios em automação, agilidade e transparência. Embora existam iniciativas pontuais, a implementação plena enfrenta desafios como a contratação de ferramentas, o treinamento de funcionários, a adaptação organizacional e a comprovação de resultados. Os profissionais destacaram a importância de equilibrar modelos estatísticos com o julgamento humano e a colaboração interdepartamental, apesar dos riscos de vieses cognitivos apontados pela literatura (Chacon e Kaufmann, 2025).

O estudo evidencia que a adoção bem-sucedida da IA transcende a implementação tecnológica, dependendo da capacidade da organização de fomentar uma cultura de dados e do engajamento dos profissionais. A integração de métodos avançados de aprendizado de máquina, capazes de lidar com padrões complexos (Riachy et al., 2025), deve complementar, e não substituir, a experiência dos especialistas. Conclui-se que o objetivo foi atingido: demonstrou-se que a percepção dos profissionais da indústria FMCG sobre a Inteligência Artificial no planejamento de demanda é de uma ferramenta promissora, cuja implementação bem-sucedida depende de um alinhamento estratégico entre tecnologia, capacitação humana e colaboração interdepartamental.

Referências:
Abolghasemi M.; Ganbold O.; Rotaru K. 2025. Humans vs. large language models: Judgmental forecasting in an era of advanced AI. International Journal of Forecasting 41(2): 631-648.
Bardin, L. 2016. Análise de conteúdo. São Paulo: Edições 70.
Bryman, A. 2016. Social Research Methods. 4 ed. Oxford University Press, Londres, Inglaterra.
Chacon A.; Kaufmann E. 2025. An overview of the effects of algorithm use on judgmental biases affecting forecasting. International Journal of Forecasting 41(2): 424-439.
EBSCO Information Services [EBSCO]. 2025. Fast-moving consumer goods (FMCG). Disponível em: . Acesso em 28 set 2025.
Fahimnia B.; Tarkan T.; Tahirov N. 2025. Service-level anchoring in demand forecasting: The moderating impact of retail promotions and product perishability. International Journal of Forecasting 41(2): 554-570.
Fildes, R.; Goodwin, P.; De Baets, S. 2025. Forecast value added in demand planning. International Journal of Forecasting 41(2): 649-669.
Framinan, J. M.; Guerrero, F.; Perez-Gonzalez, P.; Toscano, S. 2024. Matching inventory and demand in a Fast Moving Consumer Goods company: A Decision Support System. Computers & Industrial Engineering 194: 110377.
Gligor, D. M., Holcomb, M. C. ; Stank, T. P. 2013. A Multidisciplinary Approach to Supply Chain Agility: Conceptualization and Scale Development. J Bus Logist, 34: 94-108.
Huai-Wei Lo; Chun-Jui Pai; Deveci M. 2025. A multi-objective model for integrated supplier order allocation and supply chain network transportation planning decision-making. Information Sciences 689: 121487.
Makridakis S; Hyndman R. J; Petropoulos F. 2020. Forecasting in social settings: The state of the art. International Journal of Forecasting 36: 15-28.
Manzini, E. J. 2004. Entrevista semi-estruturada: análise de objetivos e de roteiros. In: Seminário Internacional Sobre Pesquisa e Estudos Qualitativos 2004, Bauru, SP, Brasil. Anais… p.1-10.
Riachy C.; He M.; Joneidy S.; Qin S.; Payne T.; Boulton G.; Occhipinti A.; Angione C. 2025. Enhancing deep learning for demand forecasting to address large data gaps. Expert Systems with Applications 268: 126200.
Selvam K. S.; Rajendran C.; Sankaralingam G. 2024. A linear programming-based bi-objective optimization for forecasting short univariate time series. Decision Analytics Journal 10: 100400.
Ting Kai Ooi; Cheng-Hsien Hsieh; Shu-Mei Wang; Yu-Kai Huang. 2025. Orchestrating agile omnichannel supply chain planning through

Resumo executivo oriundo de Trabalho de Conclusão de Curso de Especialização em Marketing do MBA USP/Esalq

_{Saiba mais sobre o curso, clique aqui e acesse a plataforma MBX Academy}