![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2020\/10\/PASCAL_COGGIA.jpg\")
![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2020\/11\/jerome-petit-.jpeg\")
![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/08\/technative-logo.png\" "\\"logotipo"){kind=logo}
<\/span><\/div>Olhar al\u00e9m das vendas passadas para prever com precis\u00e3o as vendas futuras<\/h2><\/div>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 n\u00famero de unidades de manuten\u00e7\u00e3o de estoque (SKUs), que geralmente incluem produtos perec\u00edveis e itens que s\u00e3o pedidos diariamente, tamb\u00e9m \u00e9 um desafio significativo.<\/p>\n<\/div>
Os varejistas costumavam confiar apenas no data de anos anteriores para prever vendas futuras (e, portanto, gerenciar seu estoque), mas esse m\u00e9todo s\u00f3 \u00e9 \u00fatil at\u00e9 certo ponto. No entanto, o aprendizado de m\u00e1quina evoluiu at\u00e9 o est\u00e1gio em que pode fornecer modelos preditivos precisos usando sinais diferentes com base em como eles influenciam as compras.<\/p>\n<\/div>
A previs\u00e3o de vendas \u00e9 complexa porque, em qualquer per\u00edodo, as compras s\u00e3o afetadas por muitos fatores: clima, tend\u00eancias de compras, regulamenta\u00e7\u00f5es, novos produtos, comportamentos de compra, uma pandemia... E as previs\u00f5es baseadas no data registrado anteriormente n\u00e3o levam em conta eventos espec\u00edficos, fazendo com que as vendas mensais pare\u00e7am uniformemente distribu\u00eddas, quando \u00e9 improv\u00e1vel que isso aconte\u00e7a.<\/p>\n<\/div>
Por exemplo, um item que est\u00e1 frequentemente fora de estoque pode causar uma desacelera\u00e7\u00e3o nas vendas desse produto ou categoria espec\u00edfica, mas isso n\u00e3o aparecer\u00e1 no reports mensal. Pior ainda, os n\u00fameros ruins s\u00e3o geralmente considerados como uma marca do desinteresse dos compradores, quando o oposto \u00e9 verdadeiro; a compra excessiva de um item pelos consumidores fez com que ele se esgotasse.<\/p>\n<\/div>
Ou um produto que esteja faltando na loja pode, na verdade, estar em estoque, mas ainda n\u00e3o nas prateleiras. Os grandes varejistas geralmente t\u00eam dificuldades para reabastecer em tempo real, de modo que um item instantaneamente popular pode desaparecer das prateleiras muito rapidamente e, portanto, n\u00e3o ter o desempenho esperado, apesar de estar dispon\u00edvel no estoque. Isso exige uma tecnologia que possa ajudar os varejistas a alinhar perfeitamente a oferta e a demanda.<\/p>\n<\/div>
Usar o aprendizado de m\u00e1quina e v\u00e1rios sinais para avaliar os n\u00edveis de estoque<\/p>\n<\/div>
O aprendizado de m\u00e1quina oferece uma solu\u00e7\u00e3o para esses desafios. Os modelos preditivos podem prever as vendas com meses de anteced\u00eancia usando uma s\u00e9rie de sinais que as afetam (sazonalidade, tend\u00eancias de consumo, n\u00edveis de pre\u00e7os etc.). Para serem o mais precisos poss\u00edvel, \u00e9 importante que os modelos usem mais indicadores do que o dia, o produto e a loja padr\u00e3o que costumam ser levados em considera\u00e7\u00e3o.<\/p>\n<\/div>
Para ilustrar isso, um varejista pode analisar a sazonalidade para prever as vendas do pr\u00f3ximo per\u00edodo. No entanto, o data ser\u00e1 distorcido porque o uso de datas n\u00e3o \u00e9 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, P\u00e1scoa etc.) ou em um grande evento esportivo, tamb\u00e9m influenciam os padr\u00f5es de compra do consumidor.<\/p>\n<\/div>
\u00c9 uma hist\u00f3ria semelhante com os sinais de n\u00edvel de pre\u00e7o. As promo\u00e7\u00f5es no n\u00edvel da loja podem afetar significativamente as vendas de um produto de uma determinada categoria ou at\u00e9 mesmo tornar a loja como um todo mais atraente.<\/p>\n<\/div>
Esses dois exemplos ilustram por que \u00e9 necess\u00e1rio levar em conta muitos sinais e indicadores diferentes para prever as vendas com precis\u00e3o: uma tarefa que era uma dor de cabe\u00e7a antes de o aprendizado de m\u00e1quina e os modelos avan\u00e7ados de artificial intelligence tornarem isso poss\u00edvel.<\/p>\n<\/div>
Ado\u00e7\u00e3o do aprendizado de m\u00e1quina para o gerenciamento de estoque<\/h2><\/div>A tecnologia existe, mas para que os varejistas a utilizem de forma eficaz e fa\u00e7am previs\u00f5es precisas, eles precisam coletar e analisar grandes quantidades de data. Grande parte dessas informa\u00e7\u00f5es est\u00e1 em diferentes fontes data e pode ser complexo tentar processar v\u00e1rios arquivos Excel e PDF que cont\u00eam reports anteriores e planos de m\u00eddia. S\u00e3o necess\u00e1rias grandes ferramentas de data para processar essas informa\u00e7\u00f5es no formato limpo e leg\u00edvel necess\u00e1rio para criar modelos preditivos que possam evitar problemas de estoque.<\/p>\n<\/div>
As vendas anteriores data de uma determinada loja podem ser \u2018imprecisas\u2019 devido a eventos pontuais (promo\u00e7\u00f5es, clima adverso, congestionamento de tr\u00e1fego, etc.). Para eliminar esse vi\u00e9s, os modelos preditivos combinam n\u00fameros de vendas anteriores com os de lojas semelhantes.<\/p>\n<\/div>
O outro grande desafio \u00e9 evitar que os itens fiquem indispon\u00edveis nas prateleiras enquanto est\u00e3o em estoque (causado pela quase impossibilidade de os funcion\u00e1rios monitorarem as prateleiras em tempo real e reabastec\u00ea-las imediatamente).<\/p>\n<\/div>
Existem solu\u00e7\u00f5es tecnol\u00f3gicas que utilizam c\u00e2meras de vigil\u00e2ncia e sensores de peso, mas s\u00e3o um grande investimento. Entretanto, informa\u00e7\u00f5es prontamente dispon\u00edveis, como vendas em tempo real no n\u00edvel de SKU, podem ser aproveitadas para detectar situa\u00e7\u00f5es de \u2018prateleira vazia\u2019. 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 interven\u00e7\u00e3o humana pode ser usada para analisar e resolver anomalias estat\u00edsticas.<\/p>\n<\/div>
A an\u00e1lise preditiva \u00e9 apenas uma das muitas maneiras pelas quais os varejistas tradicionais podem se beneficiar do aprendizado de m\u00e1quina. Eles t\u00eam muito a ganhar ao confiar na tecnologia avan\u00e7ada para melhorar o gerenciamento de estoque e aumentar a receita da loja. O processamento de grandes quantidades de data tamb\u00e9m pode ajud\u00e1-los a otimizar o sortimento, oferecer promo\u00e7\u00f5es mais atraentes e lucrativas e definir pre\u00e7os com mais efici\u00eancia.<\/p>\n<\/div>
Ferramentas bem desenvolvidas podem realizar tarefas complexas e demoradas e fornecer rapidamente reports precisos. Essa \u00e9 a verdadeira alavanca de cria\u00e7\u00e3o de valor do artificial intelligence no varejo: liberar os gerentes das tediosas an\u00e1lises comparativas de v\u00e1rias fontes e permitir que eles se concentrem na melhoria cont\u00ednua da experi\u00eancia do cliente.<\/p>\n<\/div>
Sobre os autores<\/h2><\/div>Pascal Coggia \u00e9 CEO da Artefact UK, onde \u00e9 respons\u00e1vel pela expans\u00e3o dos produtos e servi\u00e7os artificial intelligence (IA) e data-driven da empresa na regi\u00e3o. S\u00f3cio fundador da Artefact, ele trabalhou anteriormente na sede da empresa em Paris, per\u00edodo em que lan\u00e7ou as opera\u00e7\u00f5es da Artefact em Dubai. Os cargos anteriores incluem fun\u00e7\u00f5es de consultoria na Columbus Consulting Shift, na Fran\u00e7a, e na Rocket Internet SE, no Reino Unido. Ele tem mestrado pela HEC Business School, em Paris.<\/p>\n<\/div>
J\u00e9r\u00f4me Petit \u00e9 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 estrat\u00e9gia de grupos de m\u00eddia franceses (Canal + e Lagard\u00e8re Active) ap\u00f3s quinze anos em importantes empresas de consultoria estrat\u00e9gica (OC&C, Diligence Partners e Roland Berger). Ele \u00e9 formado pela \u00c9cole Polytechnique da Fran\u00e7a.<\/p>\n<\/div><\/div><\/div><\/div><\/article>
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 n\u00famero de unidades de manuten\u00e7\u00e3o de estoque (SKUs), que geralmente incluem produtos perec\u00edveis e itens que s\u00e3o pedidos diariamente, tamb\u00e9m \u00e9 um desafio significativo.<\/p>\n<\/div>
Os varejistas costumavam confiar apenas no data de anos anteriores para prever vendas futuras (e, portanto, gerenciar seu estoque), mas esse m\u00e9todo s\u00f3 \u00e9 \u00fatil at\u00e9 certo ponto. No entanto, o aprendizado de m\u00e1quina evoluiu at\u00e9 o est\u00e1gio em que pode fornecer modelos preditivos precisos usando sinais diferentes com base em como eles influenciam as compras.<\/p>\n<\/div>
A previs\u00e3o de vendas \u00e9 complexa porque, em qualquer per\u00edodo, as compras s\u00e3o afetadas por muitos fatores: clima, tend\u00eancias de compras, regulamenta\u00e7\u00f5es, novos produtos, comportamentos de compra, uma pandemia... E as previs\u00f5es baseadas no data registrado anteriormente n\u00e3o levam em conta eventos espec\u00edficos, fazendo com que as vendas mensais pare\u00e7am uniformemente distribu\u00eddas, quando \u00e9 improv\u00e1vel que isso aconte\u00e7a.<\/p>\n<\/div>
Por exemplo, um item que est\u00e1 frequentemente fora de estoque pode causar uma desacelera\u00e7\u00e3o nas vendas desse produto ou categoria espec\u00edfica, mas isso n\u00e3o aparecer\u00e1 no reports mensal. Pior ainda, os n\u00fameros ruins s\u00e3o geralmente considerados como uma marca do desinteresse dos compradores, quando o oposto \u00e9 verdadeiro; a compra excessiva de um item pelos consumidores fez com que ele se esgotasse.<\/p>\n<\/div>
Ou um produto que esteja faltando na loja pode, na verdade, estar em estoque, mas ainda n\u00e3o nas prateleiras. Os grandes varejistas geralmente t\u00eam dificuldades para reabastecer em tempo real, de modo que um item instantaneamente popular pode desaparecer das prateleiras muito rapidamente e, portanto, n\u00e3o ter o desempenho esperado, apesar de estar dispon\u00edvel no estoque. Isso exige uma tecnologia que possa ajudar os varejistas a alinhar perfeitamente a oferta e a demanda.<\/p>\n<\/div>
Usar o aprendizado de m\u00e1quina e v\u00e1rios sinais para avaliar os n\u00edveis de estoque<\/p>\n<\/div>
O aprendizado de m\u00e1quina oferece uma solu\u00e7\u00e3o para esses desafios. Os modelos preditivos podem prever as vendas com meses de anteced\u00eancia usando uma s\u00e9rie de sinais que as afetam (sazonalidade, tend\u00eancias de consumo, n\u00edveis de pre\u00e7os etc.). Para serem o mais precisos poss\u00edvel, \u00e9 importante que os modelos usem mais indicadores do que o dia, o produto e a loja padr\u00e3o que costumam ser levados em considera\u00e7\u00e3o.<\/p>\n<\/div>
Para ilustrar isso, um varejista pode analisar a sazonalidade para prever as vendas do pr\u00f3ximo per\u00edodo. No entanto, o data ser\u00e1 distorcido porque o uso de datas n\u00e3o \u00e9 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, P\u00e1scoa etc.) ou em um grande evento esportivo, tamb\u00e9m influenciam os padr\u00f5es de compra do consumidor.<\/p>\n<\/div>
\u00c9 uma hist\u00f3ria semelhante com os sinais de n\u00edvel de pre\u00e7o. As promo\u00e7\u00f5es no n\u00edvel da loja podem afetar significativamente as vendas de um produto de uma determinada categoria ou at\u00e9 mesmo tornar a loja como um todo mais atraente.<\/p>\n<\/div>
Esses dois exemplos ilustram por que \u00e9 necess\u00e1rio levar em conta muitos sinais e indicadores diferentes para prever as vendas com precis\u00e3o: uma tarefa que era uma dor de cabe\u00e7a antes de o aprendizado de m\u00e1quina e os modelos avan\u00e7ados de artificial intelligence tornarem isso poss\u00edvel.<\/p>\n<\/div>
Ado\u00e7\u00e3o do aprendizado de m\u00e1quina para o gerenciamento de estoque<\/h2><\/div>A tecnologia existe, mas para que os varejistas a utilizem de forma eficaz e fa\u00e7am previs\u00f5es precisas, eles precisam coletar e analisar grandes quantidades de data. Grande parte dessas informa\u00e7\u00f5es est\u00e1 em diferentes fontes data e pode ser complexo tentar processar v\u00e1rios arquivos Excel e PDF que cont\u00eam reports anteriores e planos de m\u00eddia. S\u00e3o necess\u00e1rias grandes ferramentas de data para processar essas informa\u00e7\u00f5es no formato limpo e leg\u00edvel necess\u00e1rio para criar modelos preditivos que possam evitar problemas de estoque.<\/p>\n<\/div>
As vendas anteriores data de uma determinada loja podem ser \u2018imprecisas\u2019 devido a eventos pontuais (promo\u00e7\u00f5es, clima adverso, congestionamento de tr\u00e1fego, etc.). Para eliminar esse vi\u00e9s, os modelos preditivos combinam n\u00fameros de vendas anteriores com os de lojas semelhantes.<\/p>\n<\/div>
O outro grande desafio \u00e9 evitar que os itens fiquem indispon\u00edveis nas prateleiras enquanto est\u00e3o em estoque (causado pela quase impossibilidade de os funcion\u00e1rios monitorarem as prateleiras em tempo real e reabastec\u00ea-las imediatamente).<\/p>\n<\/div>
Existem solu\u00e7\u00f5es tecnol\u00f3gicas que utilizam c\u00e2meras de vigil\u00e2ncia e sensores de peso, mas s\u00e3o um grande investimento. Entretanto, informa\u00e7\u00f5es prontamente dispon\u00edveis, como vendas em tempo real no n\u00edvel de SKU, podem ser aproveitadas para detectar situa\u00e7\u00f5es de \u2018prateleira vazia\u2019. 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 interven\u00e7\u00e3o humana pode ser usada para analisar e resolver anomalias estat\u00edsticas.<\/p>\n<\/div>
A an\u00e1lise preditiva \u00e9 apenas uma das muitas maneiras pelas quais os varejistas tradicionais podem se beneficiar do aprendizado de m\u00e1quina. Eles t\u00eam muito a ganhar ao confiar na tecnologia avan\u00e7ada para melhorar o gerenciamento de estoque e aumentar a receita da loja. O processamento de grandes quantidades de data tamb\u00e9m pode ajud\u00e1-los a otimizar o sortimento, oferecer promo\u00e7\u00f5es mais atraentes e lucrativas e definir pre\u00e7os com mais efici\u00eancia.<\/p>\n<\/div>
Ferramentas bem desenvolvidas podem realizar tarefas complexas e demoradas e fornecer rapidamente reports precisos. Essa \u00e9 a verdadeira alavanca de cria\u00e7\u00e3o de valor do artificial intelligence no varejo: liberar os gerentes das tediosas an\u00e1lises comparativas de v\u00e1rias fontes e permitir que eles se concentrem na melhoria cont\u00ednua da experi\u00eancia do cliente.<\/p>\n<\/div>
Sobre os autores<\/h2><\/div>Pascal Coggia \u00e9 CEO da Artefact UK, onde \u00e9 respons\u00e1vel pela expans\u00e3o dos produtos e servi\u00e7os artificial intelligence (IA) e data-driven da empresa na regi\u00e3o. S\u00f3cio fundador da Artefact, ele trabalhou anteriormente na sede da empresa em Paris, per\u00edodo em que lan\u00e7ou as opera\u00e7\u00f5es da Artefact em Dubai. Os cargos anteriores incluem fun\u00e7\u00f5es de consultoria na Columbus Consulting Shift, na Fran\u00e7a, e na Rocket Internet SE, no Reino Unido. Ele tem mestrado pela HEC Business School, em Paris.<\/p>\n<\/div>
J\u00e9r\u00f4me Petit \u00e9 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 estrat\u00e9gia de grupos de m\u00eddia franceses (Canal + e Lagard\u00e8re Active) ap\u00f3s quinze anos em importantes empresas de consultoria estrat\u00e9gica (OC&C, Diligence Partners e Roland Berger). Ele \u00e9 formado pela \u00c9cole Polytechnique da Fran\u00e7a.<\/p>\n<\/div><\/div><\/div><\/div><\/article>
A tecnologia existe, mas para que os varejistas a utilizem de forma eficaz e fa\u00e7am previs\u00f5es precisas, eles precisam coletar e analisar grandes quantidades de data. Grande parte dessas informa\u00e7\u00f5es est\u00e1 em diferentes fontes data e pode ser complexo tentar processar v\u00e1rios arquivos Excel e PDF que cont\u00eam reports anteriores e planos de m\u00eddia. S\u00e3o necess\u00e1rias grandes ferramentas de data para processar essas informa\u00e7\u00f5es no formato limpo e leg\u00edvel necess\u00e1rio para criar modelos preditivos que possam evitar problemas de estoque.<\/p>\n<\/div>
As vendas anteriores data de uma determinada loja podem ser \u2018imprecisas\u2019 devido a eventos pontuais (promo\u00e7\u00f5es, clima adverso, congestionamento de tr\u00e1fego, etc.). Para eliminar esse vi\u00e9s, os modelos preditivos combinam n\u00fameros de vendas anteriores com os de lojas semelhantes.<\/p>\n<\/div>
O outro grande desafio \u00e9 evitar que os itens fiquem indispon\u00edveis nas prateleiras enquanto est\u00e3o em estoque (causado pela quase impossibilidade de os funcion\u00e1rios monitorarem as prateleiras em tempo real e reabastec\u00ea-las imediatamente).<\/p>\n<\/div>
Existem solu\u00e7\u00f5es tecnol\u00f3gicas que utilizam c\u00e2meras de vigil\u00e2ncia e sensores de peso, mas s\u00e3o um grande investimento. Entretanto, informa\u00e7\u00f5es prontamente dispon\u00edveis, como vendas em tempo real no n\u00edvel de SKU, podem ser aproveitadas para detectar situa\u00e7\u00f5es de \u2018prateleira vazia\u2019. 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 interven\u00e7\u00e3o humana pode ser usada para analisar e resolver anomalias estat\u00edsticas.<\/p>\n<\/div>
A an\u00e1lise preditiva \u00e9 apenas uma das muitas maneiras pelas quais os varejistas tradicionais podem se beneficiar do aprendizado de m\u00e1quina. Eles t\u00eam muito a ganhar ao confiar na tecnologia avan\u00e7ada para melhorar o gerenciamento de estoque e aumentar a receita da loja. O processamento de grandes quantidades de data tamb\u00e9m pode ajud\u00e1-los a otimizar o sortimento, oferecer promo\u00e7\u00f5es mais atraentes e lucrativas e definir pre\u00e7os com mais efici\u00eancia.<\/p>\n<\/div>
Ferramentas bem desenvolvidas podem realizar tarefas complexas e demoradas e fornecer rapidamente reports precisos. Essa \u00e9 a verdadeira alavanca de cria\u00e7\u00e3o de valor do artificial intelligence no varejo: liberar os gerentes das tediosas an\u00e1lises comparativas de v\u00e1rias fontes e permitir que eles se concentrem na melhoria cont\u00ednua da experi\u00eancia do cliente.<\/p>\n<\/div>
Sobre os autores<\/h2><\/div>Pascal Coggia \u00e9 CEO da Artefact UK, onde \u00e9 respons\u00e1vel pela expans\u00e3o dos produtos e servi\u00e7os artificial intelligence (IA) e data-driven da empresa na regi\u00e3o. S\u00f3cio fundador da Artefact, ele trabalhou anteriormente na sede da empresa em Paris, per\u00edodo em que lan\u00e7ou as opera\u00e7\u00f5es da Artefact em Dubai. Os cargos anteriores incluem fun\u00e7\u00f5es de consultoria na Columbus Consulting Shift, na Fran\u00e7a, e na Rocket Internet SE, no Reino Unido. Ele tem mestrado pela HEC Business School, em Paris.<\/p>\n<\/div>
J\u00e9r\u00f4me Petit \u00e9 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 estrat\u00e9gia de grupos de m\u00eddia franceses (Canal + e Lagard\u00e8re Active) ap\u00f3s quinze anos em importantes empresas de consultoria estrat\u00e9gica (OC&C, Diligence Partners e Roland Berger). Ele \u00e9 formado pela \u00c9cole Polytechnique da Fran\u00e7a.<\/p>\n<\/div><\/div><\/div><\/div><\/article>
Pascal Coggia \u00e9 CEO da Artefact UK, onde \u00e9 respons\u00e1vel pela expans\u00e3o dos produtos e servi\u00e7os artificial intelligence (IA) e data-driven da empresa na regi\u00e3o. S\u00f3cio fundador da Artefact, ele trabalhou anteriormente na sede da empresa em Paris, per\u00edodo em que lan\u00e7ou as opera\u00e7\u00f5es da Artefact em Dubai. Os cargos anteriores incluem fun\u00e7\u00f5es de consultoria na Columbus Consulting Shift, na Fran\u00e7a, e na Rocket Internet SE, no Reino Unido. Ele tem mestrado pela HEC Business School, em Paris.<\/p>\n<\/div>
J\u00e9r\u00f4me Petit \u00e9 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 estrat\u00e9gia de grupos de m\u00eddia franceses (Canal + e Lagard\u00e8re Active) ap\u00f3s quinze anos em importantes empresas de consultoria estrat\u00e9gica (OC&C, Diligence Partners e Roland Berger). Ele \u00e9 formado pela \u00c9cole Polytechnique da Fran\u00e7a.<\/p>\n<\/div><\/div><\/div><\/div><\/article>