Previsão de demanda: Usando o aprendizado de máquina para prever as vendas no varejo

Os varejistas podem obter grandes lucros adicionais gerenciando pedidos e estoques de forma eficaz. Mas como isso exige o processamento de data para um grande número de unidades de manutenção de estoque (SKUs), que geralmente incluem produtos perecíveis e itens que são pedidos diariamente, também é um desafio significativo.

Os varejistas costumavam confiar apenas no data de anos anteriores para prever vendas futuras (e, portanto, gerenciar seu estoque), mas esse método só é útil até certo ponto. No entanto, o aprendizado de máquina evoluiu até o estágio em que pode fornecer modelos preditivos precisos usando sinais diferentes com base em como eles influenciam as compras.

A previsão de vendas é complexa porque, em qualquer período, as compras são afetadas por muitos fatores: clima, tendências de compras, regulamentações, novos produtos, comportamentos de compra, uma pandemia... E as previsões baseadas no data registrado anteriormente não levam em conta eventos específicos, fazendo com que as vendas mensais pareçam uniformemente distribuídas, quando é improvável que isso aconteça.

Por exemplo, um item que está frequentemente fora de estoque pode causar uma desaceleração nas vendas desse produto ou categoria específica, mas isso não aparecerá no reports mensal. Pior ainda, os números ruins são geralmente considerados como uma marca do desinteresse dos compradores, quando o oposto é verdadeiro; a compra excessiva de um item pelos consumidores fez com que ele se esgotasse.

Ou um produto que esteja faltando na loja pode, na verdade, estar em estoque, mas ainda não nas prateleiras. Os grandes varejistas geralmente têm dificuldades para reabastecer em tempo real, de modo que um item instantaneamente popular pode desaparecer das prateleiras muito rapidamente e, portanto, não ter o desempenho esperado, apesar de estar disponível no estoque. Isso exige uma tecnologia que possa ajudar os varejistas a alinhar perfeitamente a oferta e a demanda.

Usar o aprendizado de máquina e vários sinais para avaliar os níveis de estoque

O aprendizado de máquina oferece uma solução para esses desafios. Os modelos preditivos podem prever as vendas com meses de antecedência usando uma série de sinais que as afetam (sazonalidade, tendências de consumo, níveis de preços etc.). Para serem o mais precisos possível, é importante que os modelos usem mais indicadores do que o dia, o produto e a loja padrão que costumam ser levados em consideração.

Para ilustrar isso, um varejista pode analisar a sazonalidade para prever as vendas do próximo período. No entanto, o data será distorcido porque o uso de datas não é 100% preciso; uma determinada data pode ser um dia de semana em um ano, mas o fim de semana no ano seguinte, fazendo com que as vendas variem muito. Outros fatores, como o fato de a data cair em um feriado (Natal, Páscoa etc.) ou em um grande evento esportivo, também influenciam os padrões de compra do consumidor.

É uma história semelhante com os sinais de nível de preço. As promoções no nível da loja podem afetar significativamente as vendas de um produto de uma determinada categoria ou até mesmo tornar a loja como um todo mais atraente.

Esses dois exemplos ilustram por que é necessário levar em conta muitos sinais e indicadores diferentes para prever as vendas com precisão: uma tarefa que era uma dor de cabeça antes de o aprendizado de máquina e os modelos avançados de artificial intelligence tornarem isso possível.

A tecnologia existe, mas para que os varejistas a utilizem de forma eficaz e façam previsões precisas, eles precisam coletar e analisar grandes quantidades de data. Grande parte dessas informações está em diferentes fontes data e pode ser complexo tentar processar vários arquivos Excel e PDF que contêm reports anteriores e planos de mídia. São necessárias grandes ferramentas de data para processar essas informações no formato limpo e legível necessário para criar modelos preditivos que possam evitar problemas de estoque.

As vendas anteriores data de uma determinada loja podem ser ‘imprecisas’ devido a eventos pontuais (promoções, clima adverso, congestionamento de tráfego, etc.). Para eliminar esse viés, os modelos preditivos combinam números de vendas anteriores com os de lojas semelhantes.

O outro grande desafio é evitar que os itens fiquem indisponíveis nas prateleiras enquanto estão em estoque (causado pela quase impossibilidade de os funcionários monitorarem as prateleiras em tempo real e reabastecê-las imediatamente).

Existem soluções tecnológicas que utilizam câmeras de vigilância e sensores de peso, mas são um grande investimento. Entretanto, informações prontamente disponíveis, como vendas em tempo real no nível de SKU, podem ser aproveitadas para detectar situações de ‘prateleira vazia’. Os modelos podem analisar o fluxo normal de vendas de um item, de modo que o tempo normal entre duas vendas de um produto em uma determinada loja seja conhecido. A intervenção humana pode ser usada para analisar e resolver anomalias estatísticas.

A análise preditiva é apenas uma das muitas maneiras pelas quais os varejistas tradicionais podem se beneficiar do aprendizado de máquina. Eles têm muito a ganhar ao confiar na tecnologia avançada para melhorar o gerenciamento de estoque e aumentar a receita da loja. O processamento de grandes quantidades de data também pode ajudá-los a otimizar o sortimento, oferecer promoções mais atraentes e lucrativas e definir preços com mais eficiência.

Ferramentas bem desenvolvidas podem realizar tarefas complexas e demoradas e fornecer rapidamente reports precisos. Essa é a verdadeira alavanca de criação de valor do artificial intelligence no varejo: liberar os gerentes das tediosas análises comparativas de várias fontes e permitir que eles se concentrem na melhoria contínua da experiência do cliente.

Pascal Coggia é CEO da Artefact UK, onde é responsável pela expansão dos produtos e serviços artificial intelligence (IA) e data-driven da empresa na região. Sócio fundador da Artefact, ele trabalhou anteriormente na sede da empresa em Paris, período em que lançou as operações da Artefact em Dubai. Os cargos anteriores incluem funções de consultoria na Columbus Consulting Shift, na França, e na Rocket Internet SE, no Reino Unido. Ele tem mestrado pela HEC Business School, em Paris.

Jérôme Petit é parceiro de consultoria data na Artefact, onde trabalha em projetos data e artificial intelligence (AI) com grandes empresas francesas nos setores de varejo, bens de consumo e fundos de investimento. Anteriormente, ele chefiou as equipes de estratégia de grupos de mídia franceses (Canal + e Lagardère Active) após quinze anos em importantes empresas de consultoria estratégica (OC&C, Diligence Partners e Roland Berger). Ele é formado pela École Polytechnique da França.