A IA a serviço da previsão em grande distribuição: auxiliar a decisão humana sem substituí-la

Se todos os setores precisam produzir a quantidade certa, no momento certo, o setor da grande distribuição está particularmente preocupado com a questão da gestão de estoques. Para prever as vendas, esses atores só dispunham de seu histórico ao longo de vários anos. Um método que inclui, no entanto, alguns pontos fracos. Hoje, graças ao aprendizado de máquina, é possível construir modelos de previsão muito mais justos, levando em conta um painel de análise de sinais que influenciam o consumo.

Por se tratar de um volume muito grande de referências a produtos consumidos no dia a dia e, às vezes, perdíveis, o gerenciamento de pedidos e estoques é um verdadeiro desafio para o setor PGC (Produtos de Grande Consumo). Nos Estados Unidos, os sous et surstocks e os retours produits custavam 1,75 milhão de dólares por ano. Até agora, para reduzir os custos de investimento e exploração, as informações sobre as quais se baseavam as previsões de seu ERP (Enterprise Resource Planning) eram, em sua maioria, o histórico de vendas de vários anos. No entanto, esses métodos que se baseiam na comparação das vendas de um ano com o outro são fonte de erros.

Tudo isso porque, em um mesmo período, vários parâmetros podem modificar os comportamentos de compra. Pode se tratar da mídia, das tendências de consumo (efeito «Global Shoppers» para as categorias pertinentes a uma clientela turística, como o luxo, mudança de regulamentação), do lançamento de um novo produto em uma categoria raramente renovada, de uma crise sanitária (!), de novos comportamentos etc. Além disso, esse tipo de previsão não leva em conta a evolução dos valores, ou seja, sua potencial intermitência, pois eles «perdem» as vendas como se fossem forçosamente regulares. Ou, uma ruptura de estoque pode, no passado, levar à interrupção temporária das vendas de um produto ou de toda uma categoria. Essas rupturas são, portanto, interpretadas como um sinal de desânimo dos consumidores, embora possam, ao contrário, marcar vendas mais altas do que o normal. Além disso, é importante observar que uma ruptura de rayon não significa uma ruptura forçada de estoque. Em uma grande superfície, é difícil garantir a reposição dos raios em tempo hábil. Alinhar a cadeia de aprovisionamento à demanda com o auxílio de uma tecnologia capaz de solucionar esses problemas era, portanto, uma forte atenção dos distribuidores.

É mais uma escolha feita com o aprendizado de máquina! Para construir modelos capazes de prever as vendas em 4 semestres, é preciso levar em conta um máximo de fenômenos suscetíveis de influenciar a evolução das vendas, descrevendo com precisão cada tripla Jour x Produit x Magasin por meio de um conjunto de indicadores, como a sazonalidade, as tendências ou até mesmo os preços. Por que ser preciso em relação a esses três indicadores? Por exemplo, a sazonalidade, se as previsões não forem realizadas apenas com base na data da compra, elas correm o risco de serem falsas. De um ano para o outro, uma mesma data pode corresponder ou não a um dia de fim de semana, a uma festa familiar ou religiosa, a um jogo importante de futebol... são outros tantos eventos para os quais o consumo aumenta em determinadas categorias de produtos. Por exemplo, em relação aos preços, as ofertas promocionais de um produto podem canibalizar as vendas de produtos da mesma categoria ou aumentar ainda mais a atratividade de uma loja. Para otimizar uma estratégia de promoção, o senhor precisa ter a capacidade de avaliar o impacto. O conjunto de parâmetros suscetíveis de influenciar as vendas pode ser analisado por meio de modelos baseados no aprendizado de máquina e em técnicas avançadas de inteligência artificial.

Se a tecnologia estiver disponível, ainda assim é necessário que os distribuidores possam coletar e analisar a imensa quantidade de dados necessários para essas previsões. As fontes de dados são múltiplas e, portanto, pode ser complexo extrair e reunir os diferentes arquivos Excel e PDF nos quais se encontram as informações referentes aos planos médios e outros relatórios. O fato de o Big data ser equipado com ferramentas para reunir em um mesmo ponto os dados protegidos é uma base fundamental para criar, em seguida, modelos capazes de resolver os problemas relacionados a estoques. Veja a seguir dois exemplos.

A grande maioria dos distribuidores fornece dados de vendas ao longo de vários anos. No entanto, alguns deles podem ser confrontados com operações promocionais ou com eventos (canícula, organização de um evento esportivo de grande envergadura em uma zona próxima) sem precedentes. Para sanar esse déficit, é possível combinar os dados históricos lacunares com os dados de distribuidores ou de pontos de venda com perfis semelhantes. Esse modelo foi testado e aprovado por Artefact em uma plataforma 020 na China, com um aumento de 20% de precisão nas previsões.

Outro problema: evitar a ruptura em rayon quando o produto estiver em estoque. É difícil exigir que os funcionários de uma grande superfície verifiquem continuamente a substituição detagères. Além disso, a instalação de câmeras e capitéis é muito cara. Nesse caso específico, os conjuntos de dados restantes, como as vendas em tempo real, os atributos do artigo e as características dos raios, são suficientes para antecipar as rupturas de estoques de raios. Trata-se, por exemplo, de modelar a frequência do acúmulo, ou seja, o tempo decorrido entre duas vendas de um mesmo produto proposto por um armazém. Em caso de anomalias estatísticas, um vendedor pode ser retirado do mercado para analisar a situação e corrigi-la.

As aplicações do data e do aprendizado de máquina no setor de varejo são múltiplas, e a previsão de vendas não representa apenas uma pequena parte. Além da redução do custo dos negócios, otimizando o gerenciamento de estoques, a exploração dos dados pode ser uma ajuda preciosa no meio, na cadeia de suprimentos ou na avaliação para ajudar no merchandising. Um verdadeiro adjuvante para o ser humano que, liberado de tarefas muito complexas para obter resultados confiáveis ou cronófagos, pode dedicar mais tempo à sua estratégia comercial ou à melhoria da experiência do cliente.