Quando passei a integrar um projeto de gestão de estoque compartilhado em uma empresa multinacional de bens de consumo, a equipe de atendimento ao cliente não tinha visibilidade do estoque de seus revendedores. O painel de controle existente mostrava onde haviam ocorrido rupturas de estoque no passado. As rupturas de estoque e os excessos de estoque só eram identificados quando um pedido já estava atrasado ou o produto já havia se acumulado, sendo tarde demais para reagir.
Minha tese: um painel de controle descreve o passado, e o ganho comercial provém de modelos que prevêem o problema e recomendam ações a tempo de serem executadas.
O problema ia além da falta de visibilidade. A equipe de vendas precisava responder a duas perguntas para cada revendedor e SKU: esse revendedor precisará de mais produto? Se sim, quanto posso enviar? A primeira pergunta exige saber quanto estoque o revendedor ainda possui e quanto ele venderá. A segunda depende de restrições internas: cotas, estoque em cada centro de distribuição, paletização e o plano de produção. Fazer o cruzamento de todas essas informações manualmente, todos os dias, para cada revendedor e SKU, não é viável.
O que criamos. Integramos dados de vendas para o varejo, vendas ao consumidor e estoque de revendedores e treinamos um modelo de aprendizado de máquina que prevê as vendas para os próximos 30 dias. A partir dessa previsão, calculamos a data provável de esgotamento do estoque para cada SKU. Em seguida, cruzamos essa data com as restrições: cota e estoque disponíveis, paletização, prazo de transporte e pedidos já em trânsito, para que os alertas não se tornassem obsoletos. O resultado é um pedido recomendado para cada revendedor e SKU, dentro do que é viável enviar, juntamente com o prazo para que seja feito a tempo. Quando um pedido não é viável, a ferramenta mostra qual restrição o está impedindo, de modo que a equipe comercial entre na conversa já ciente do problema.
O Power BI continua presente, mas desempenha uma função diferente. Ele não é mais a ferramenta de análise. É a interface para a inteligência por trás dele, exibindo a previsão, os alertas de risco e as recomendações para ações antecipadas.
O resultado. Medimos o ganho por meio da receita bruta incremental resultante da prevenção de rupturas de estoque: quando uma ruptura de estoque prevista é comunicada ao revendedor e o pedido é feito a tempo, estimamos o volume que teria sido perdido e seu valor de venda. No ano seguinte à implementação, a receita incremental estimada foi de R$ 5,09 milhões.
O que foi mais difícil. Um dos maiores desafios não foi o modelo, mas sim os data. Os data de estoque e vendas dependem dos revendedores, e precisavam ser recebidos com a frequência e no formato exigidos. A frequência é definida por contrato, mas o cumprimento exigia acompanhamento: em conjunto com a equipe de negócios, estabelecemos um processo para garantir o recebimento dessas informações. Também aprendemos que as cotas e o estoque variam ao longo do dia, de modo que a análise de pedidos funciona melhor logo pela manhã. Após três meses aperfeiçoando o processo, estabelecemos uma rotina semanal com cada revendedor, tendo a ferramenta como base para a agenda.
Onde a IA geral atua de forma complementar. A solução atual funciona bem e não depende da IA de Geração, mas apenas de modelos tradicionais de IA, como aprendizado de máquina e otimizadores. No entanto, hoje poderíamos fortalecer a camada de interpretação e interação: apresentar insights sobre problemas ocorridos, resumir as prioridades do dia em linguagem natural, estender as recomendações aos canais mais utilizados pelas equipes comerciais, explicar qual restrição está bloqueando um pedido e redigir a mensagem para o revendedor. Trata-se de uma melhoria na usabilidade e no suporte para interpretar e agir com base em insights, construída sobre uma solução que já apresenta resultados.
Em resumo:
Como colocar isso em prática: Enumere as principais decisões recorrentes em sua área comercial que, atualmente, dependem de alguém consultar um painel de controle (reabastecimento, crédito, alocação de ativos, promoção). Escolha aquela que tenha um responsável definido, data frequentes e uma perda que possa ser medida em termos monetários. Agora que o senhor tem um problema bem definido que pode ser resolvido, podemos trabalhar juntos em um modelo que antecipe ou otimize essa decisão, em vez de criar mais um painel de controle para lidar com ela.
