A previsão de demanda consiste na atividade de gerar informações que sejam capazes de auxiliar gestores a tomarem decisões mais assertivas através de uma projeção do futuro. As técnicas de previsão de demanda basicamente se dividem entre técnicas qualitativas e quantitavas. No que diz respeito às técnicas quantitativas, a previsão de demanda utilizando séries temporais é algo bastante utilizado, onde o uso de modelos estatísticos tal como o AutoRegressive Integrated Moving Average (ARIMA) já são largamente explorados para essa finalidade. Acontece que esses modelos possuem algumas limitações e acabam não sendo suficientemente eficientes para algumas situações. Com a popularização da inteligência artificial e dos algoritmos de aprendizagem profunda algumas alternativas passaram a ser utilizadas na tentativa de contornar essas limitações. Dentre as classes de modelos que vêm apresentando bons resultados para este fim estão os modelos de Recurrent Neural Networks (RNN), mais especificamente o Long Short-Term Memory (LSTM). Nesse sentido, esse trabalho apresenta um conjunto de diferentes abordagens e resultados obtidos com a utilização do LSTM e do modelo híbrido CNN-LSTM para realizar previsões de demanda, onde para isso foram utilizados cinco datasets reais de uma grande empresa de bebidas do mercado nacional, que posteriormente tiveram seus resultados comparados com os resultados obtidos por modelos ARIMA e pelos modelos em operação da empresa fornecedora dos produtos. Com os resultados obtidos foi possível constatar que a utilização dos modelos baseados em LSTM’s são capazes de produzir resultados satisfatórios, apresentando na maioria dos casos avaliados por esta pesquisa resultados superiores, onde em comparação com o modelo ARIMA se obteve reduções de até 75,53% nas taxas de erro, e em comparação com o modelo desenvolvido pela empresa fornecedora dos produtos essas reduções chegaram a até 84,87%.CNPqDemand forecasting consists of the activity of generating information that is capable of helping managers to make more assertive decisions through a projection of the future. Demand forecasting techniques are basically divided between qualitative and quantitative techniques. With regard to quantitative techniques, demand forecasting using time series is widely used, where the use of statistical models such as AutoRegressive Integrated Moving Average (ARIMA) are already widely explored for this purpose. It turns out these models have some limitations and end up not being efficient enough for some situations. With the popularization of artificial intelligence and deep learning algorithms, some alternatives started to be used in an attempt to overcome these limitations. Among the classes of algorithms that have been showing good results for this purpose are the Recurrent Neural Networks (RNN), more specifically Long Short-Term Memory (LSTM). In this sense, this work presents a set of different approaches and results obtained with the use of LSTM and the hybrid model CNN-LSTM to make demand forecasts, where for this purpose were used five real datasets from a large beverage company in the national market, which subsequently had their results compared with the results obtained by ARIMA models and by the models in operation of the company supplying the products. The results obtained showed that the use of LSTM-based models are able to produce satisfactory results, presenting in most cases evaluated by this research higher results, where in comparison with the ARIMA model reductions of up to 75.53% in error rates were obtained, and in comparison with the model developed by the supplier of products these reductions reached 84.87%.