![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2020\/11\/jerome-petit-.jpeg\")
![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/05\/Logo-lsa.png\" "\\"Logo-lsa\\""){kind=logo}
<\/span><\/div>Se todos os setores precisam produzir a quantidade certa, no momento certo, o setor da grande distribui\u00e7\u00e3o est\u00e1 particularmente preocupado com a quest\u00e3o da gest\u00e3o de estoques. Para prever as vendas, esses atores s\u00f3 dispunham de seu hist\u00f3rico ao longo de v\u00e1rios anos. Um m\u00e9todo que inclui, no entanto, alguns pontos fracos. Hoje, gra\u00e7as ao aprendizado de m\u00e1quina, \u00e9 poss\u00edvel construir modelos de previs\u00e3o muito mais justos, levando em conta um painel de an\u00e1lise de sinais que influenciam o consumo.<\/p>\n<\/div>
Au-del\u00e0 de l'historique des ventes : le d\u00e9fi de la grande distribution<\/h2><\/div>Por se tratar de um volume muito grande de refer\u00eancias a produtos consumidos no dia a dia e, \u00e0s vezes, perd\u00edveis, o gerenciamento de pedidos e estoques \u00e9 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 milh\u00e3o de d\u00f3lares por ano. At\u00e9 agora, para reduzir os custos de investimento e explora\u00e7\u00e3o, as informa\u00e7\u00f5es sobre as quais se baseavam as previs\u00f5es de seu ERP (Enterprise Resource Planning) eram, em sua maioria, o hist\u00f3rico de vendas de v\u00e1rios anos. No entanto, esses m\u00e9todos que se baseiam na compara\u00e7\u00e3o das vendas de um ano com o outro s\u00e3o fonte de erros.<\/p>\n<\/div>
V\u00e1rios par\u00e2metros influenciam o estado dos estoques<\/h2><\/div>Tudo isso porque, em um mesmo per\u00edodo, v\u00e1rios par\u00e2metros podem modificar os comportamentos de compra. Pode se tratar da m\u00eddia, das tend\u00eancias de consumo (efeito \u00abGlobal Shoppers\u00bb para as categorias pertinentes a uma clientela tur\u00edstica, como o luxo, mudan\u00e7a de regulamenta\u00e7\u00e3o), do lan\u00e7amento de um novo produto em uma categoria raramente renovada, de uma crise sanit\u00e1ria (!), de novos comportamentos etc. Al\u00e9m disso, esse tipo de previs\u00e3o n\u00e3o leva em conta a evolu\u00e7\u00e3o dos valores, ou seja, sua potencial intermit\u00eancia, pois eles \u00abperdem\u00bb as vendas como se fossem for\u00e7osamente regulares. Ou, uma ruptura de estoque pode, no passado, levar \u00e0 interrup\u00e7\u00e3o tempor\u00e1ria das vendas de um produto ou de toda uma categoria. Essas rupturas s\u00e3o, portanto, interpretadas como um sinal de des\u00e2nimo dos consumidores, embora possam, ao contr\u00e1rio, marcar vendas mais altas do que o normal. Al\u00e9m disso, \u00e9 importante observar que uma ruptura de rayon n\u00e3o significa uma ruptura for\u00e7ada de estoque. Em uma grande superf\u00edcie, \u00e9 dif\u00edcil garantir a reposi\u00e7\u00e3o dos raios em tempo h\u00e1bil. Alinhar a cadeia de aprovisionamento \u00e0 demanda com o aux\u00edlio de uma tecnologia capaz de solucionar esses problemas era, portanto, uma forte aten\u00e7\u00e3o dos distribuidores.<\/p>\n<\/div>
O aprendizado de m\u00e1quina a servi\u00e7o do ser humano nas lojas<\/h2><\/div>\u00c9 mais uma escolha feita com o aprendizado de m\u00e1quina! Para construir modelos capazes de prever as vendas em 4 semestres, \u00e9 preciso levar em conta um m\u00e1ximo de fen\u00f4menos suscet\u00edveis de influenciar a evolu\u00e7\u00e3o das vendas, descrevendo com precis\u00e3o cada tripla Jour x Produit x Magasin por meio de um conjunto de indicadores, como a sazonalidade, as tend\u00eancias ou at\u00e9 mesmo os pre\u00e7os. Por que ser preciso em rela\u00e7\u00e3o a esses tr\u00eas indicadores? Por exemplo, a sazonalidade, se as previs\u00f5es n\u00e3o 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 n\u00e3o a um dia de fim de semana, a uma festa familiar ou religiosa, a um jogo importante de futebol... s\u00e3o outros tantos eventos para os quais o consumo aumenta em determinadas categorias de produtos. Por exemplo, em rela\u00e7\u00e3o aos pre\u00e7os, 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 estrat\u00e9gia de promo\u00e7\u00e3o, o senhor precisa ter a capacidade de avaliar o impacto. O conjunto de par\u00e2metros suscet\u00edveis de influenciar as vendas pode ser analisado por meio de modelos baseados no aprendizado de m\u00e1quina e em t\u00e9cnicas avan\u00e7adas de intelig\u00eancia artificial.<\/p>\n<\/div>
Duas aplica\u00e7\u00f5es concretas do aprendizado de m\u00e1quina em problemas de estoque<\/h2><\/div>Se a tecnologia estiver dispon\u00edvel, ainda assim \u00e9 necess\u00e1rio que os distribuidores possam coletar e analisar a imensa quantidade de dados necess\u00e1rios para essas previs\u00f5es. As fontes de dados s\u00e3o m\u00faltiplas e, portanto, pode ser complexo extrair e reunir os diferentes arquivos Excel e PDF nos quais se encontram as informa\u00e7\u00f5es referentes aos planos m\u00e9dios e outros relat\u00f3rios. O fato de o Big data ser equipado com ferramentas para reunir em um mesmo ponto os dados protegidos \u00e9 uma base fundamental para criar, em seguida, modelos capazes de resolver os problemas relacionados a estoques. Veja a seguir dois exemplos.<\/p>\n<\/div>
A grande maioria dos distribuidores fornece dados de vendas ao longo de v\u00e1rios anos. No entanto, alguns deles podem ser confrontados com opera\u00e7\u00f5es promocionais ou com eventos (can\u00edcula, organiza\u00e7\u00e3o de um evento esportivo de grande envergadura em uma zona pr\u00f3xima) sem precedentes. Para sanar esse d\u00e9ficit, \u00e9 poss\u00edvel combinar os dados hist\u00f3ricos 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 precis\u00e3o nas previs\u00f5es.<\/p>\n<\/div>
Outro problema: evitar a ruptura em rayon quando o produto estiver em estoque. \u00c9 dif\u00edcil exigir que os funcion\u00e1rios de uma grande superf\u00edcie verifiquem continuamente a substitui\u00e7\u00e3o detag\u00e8res. Al\u00e9m disso, a instala\u00e7\u00e3o de c\u00e2meras e capit\u00e9is \u00e9 muito cara. Nesse caso espec\u00edfico, os conjuntos de dados restantes, como as vendas em tempo real, os atributos do artigo e as caracter\u00edsticas dos raios, s\u00e3o suficientes para antecipar as rupturas de estoques de raios. Trata-se, por exemplo, de modelar a frequ\u00eancia do ac\u00famulo, ou seja, o tempo decorrido entre duas vendas de um mesmo produto proposto por um armaz\u00e9m. Em caso de anomalias estat\u00edsticas, um vendedor pode ser retirado do mercado para analisar a situa\u00e7\u00e3o e corrigi-la.<\/p>\n<\/div>
As aplica\u00e7\u00f5es do data e do aprendizado de m\u00e1quina no setor de varejo s\u00e3o m\u00faltiplas, e a previs\u00e3o de vendas n\u00e3o representa apenas uma pequena parte. Al\u00e9m da redu\u00e7\u00e3o do custo dos neg\u00f3cios, otimizando o gerenciamento de estoques, a explora\u00e7\u00e3o dos dados pode ser uma ajuda preciosa no meio, na cadeia de suprimentos ou na avalia\u00e7\u00e3o para ajudar no merchandising. Um verdadeiro adjuvante para o ser humano que, liberado de tarefas muito complexas para obter resultados confi\u00e1veis ou cron\u00f3fagos, pode dedicar mais tempo \u00e0 sua estrat\u00e9gia comercial ou \u00e0 melhoria da experi\u00eancia do cliente.<\/p>\n<\/div><\/div><\/div><\/div><\/article><\/p>","protected":false},"excerpt":{"rendered":"
Al\u00e9m do aumento da taxa de neg\u00f3cios, otimizando a gest\u00e3o de estoques, a explora\u00e7\u00e3o dos dados pode ser uma ajuda preciosa no meio, na cadeia de suprimentos ou no aval para ajudar no merchandising. Um verdadeiro adjuvante para o ser humano, afirma J\u00e9r\u00f4me Petit, Associado, Artefact nesta tribuna da LSA.<\/p>","protected":false},"author":[],"featured_media":66218,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"news-category":[2819],"news-language":[316],"class_list":["post-61112","news","type-news","status-publish","has-post-thumbnail","hentry","news-category-news-france","news-language-fr"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/news\/61112","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/news"}],"about":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/types\/news"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/media\/66218"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/media?parent=61112"}],"wp:term":[{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/author?post=61112"},{"taxonomy":"news-category","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/news-category?post=61112"},{"taxonomy":"news-language","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/news-language?post=61112"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
Por se tratar de um volume muito grande de refer\u00eancias a produtos consumidos no dia a dia e, \u00e0s vezes, perd\u00edveis, o gerenciamento de pedidos e estoques \u00e9 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 milh\u00e3o de d\u00f3lares por ano. At\u00e9 agora, para reduzir os custos de investimento e explora\u00e7\u00e3o, as informa\u00e7\u00f5es sobre as quais se baseavam as previs\u00f5es de seu ERP (Enterprise Resource Planning) eram, em sua maioria, o hist\u00f3rico de vendas de v\u00e1rios anos. No entanto, esses m\u00e9todos que se baseiam na compara\u00e7\u00e3o das vendas de um ano com o outro s\u00e3o fonte de erros.<\/p>\n<\/div>
V\u00e1rios par\u00e2metros influenciam o estado dos estoques<\/h2><\/div>Tudo isso porque, em um mesmo per\u00edodo, v\u00e1rios par\u00e2metros podem modificar os comportamentos de compra. Pode se tratar da m\u00eddia, das tend\u00eancias de consumo (efeito \u00abGlobal Shoppers\u00bb para as categorias pertinentes a uma clientela tur\u00edstica, como o luxo, mudan\u00e7a de regulamenta\u00e7\u00e3o), do lan\u00e7amento de um novo produto em uma categoria raramente renovada, de uma crise sanit\u00e1ria (!), de novos comportamentos etc. Al\u00e9m disso, esse tipo de previs\u00e3o n\u00e3o leva em conta a evolu\u00e7\u00e3o dos valores, ou seja, sua potencial intermit\u00eancia, pois eles \u00abperdem\u00bb as vendas como se fossem for\u00e7osamente regulares. Ou, uma ruptura de estoque pode, no passado, levar \u00e0 interrup\u00e7\u00e3o tempor\u00e1ria das vendas de um produto ou de toda uma categoria. Essas rupturas s\u00e3o, portanto, interpretadas como um sinal de des\u00e2nimo dos consumidores, embora possam, ao contr\u00e1rio, marcar vendas mais altas do que o normal. Al\u00e9m disso, \u00e9 importante observar que uma ruptura de rayon n\u00e3o significa uma ruptura for\u00e7ada de estoque. Em uma grande superf\u00edcie, \u00e9 dif\u00edcil garantir a reposi\u00e7\u00e3o dos raios em tempo h\u00e1bil. Alinhar a cadeia de aprovisionamento \u00e0 demanda com o aux\u00edlio de uma tecnologia capaz de solucionar esses problemas era, portanto, uma forte aten\u00e7\u00e3o dos distribuidores.<\/p>\n<\/div>
O aprendizado de m\u00e1quina a servi\u00e7o do ser humano nas lojas<\/h2><\/div>\u00c9 mais uma escolha feita com o aprendizado de m\u00e1quina! Para construir modelos capazes de prever as vendas em 4 semestres, \u00e9 preciso levar em conta um m\u00e1ximo de fen\u00f4menos suscet\u00edveis de influenciar a evolu\u00e7\u00e3o das vendas, descrevendo com precis\u00e3o cada tripla Jour x Produit x Magasin por meio de um conjunto de indicadores, como a sazonalidade, as tend\u00eancias ou at\u00e9 mesmo os pre\u00e7os. Por que ser preciso em rela\u00e7\u00e3o a esses tr\u00eas indicadores? Por exemplo, a sazonalidade, se as previs\u00f5es n\u00e3o 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 n\u00e3o a um dia de fim de semana, a uma festa familiar ou religiosa, a um jogo importante de futebol... s\u00e3o outros tantos eventos para os quais o consumo aumenta em determinadas categorias de produtos. Por exemplo, em rela\u00e7\u00e3o aos pre\u00e7os, 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 estrat\u00e9gia de promo\u00e7\u00e3o, o senhor precisa ter a capacidade de avaliar o impacto. O conjunto de par\u00e2metros suscet\u00edveis de influenciar as vendas pode ser analisado por meio de modelos baseados no aprendizado de m\u00e1quina e em t\u00e9cnicas avan\u00e7adas de intelig\u00eancia artificial.<\/p>\n<\/div>
Duas aplica\u00e7\u00f5es concretas do aprendizado de m\u00e1quina em problemas de estoque<\/h2><\/div>Se a tecnologia estiver dispon\u00edvel, ainda assim \u00e9 necess\u00e1rio que os distribuidores possam coletar e analisar a imensa quantidade de dados necess\u00e1rios para essas previs\u00f5es. As fontes de dados s\u00e3o m\u00faltiplas e, portanto, pode ser complexo extrair e reunir os diferentes arquivos Excel e PDF nos quais se encontram as informa\u00e7\u00f5es referentes aos planos m\u00e9dios e outros relat\u00f3rios. O fato de o Big data ser equipado com ferramentas para reunir em um mesmo ponto os dados protegidos \u00e9 uma base fundamental para criar, em seguida, modelos capazes de resolver os problemas relacionados a estoques. Veja a seguir dois exemplos.<\/p>\n<\/div>
A grande maioria dos distribuidores fornece dados de vendas ao longo de v\u00e1rios anos. No entanto, alguns deles podem ser confrontados com opera\u00e7\u00f5es promocionais ou com eventos (can\u00edcula, organiza\u00e7\u00e3o de um evento esportivo de grande envergadura em uma zona pr\u00f3xima) sem precedentes. Para sanar esse d\u00e9ficit, \u00e9 poss\u00edvel combinar os dados hist\u00f3ricos 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 precis\u00e3o nas previs\u00f5es.<\/p>\n<\/div>
Outro problema: evitar a ruptura em rayon quando o produto estiver em estoque. \u00c9 dif\u00edcil exigir que os funcion\u00e1rios de uma grande superf\u00edcie verifiquem continuamente a substitui\u00e7\u00e3o detag\u00e8res. Al\u00e9m disso, a instala\u00e7\u00e3o de c\u00e2meras e capit\u00e9is \u00e9 muito cara. Nesse caso espec\u00edfico, os conjuntos de dados restantes, como as vendas em tempo real, os atributos do artigo e as caracter\u00edsticas dos raios, s\u00e3o suficientes para antecipar as rupturas de estoques de raios. Trata-se, por exemplo, de modelar a frequ\u00eancia do ac\u00famulo, ou seja, o tempo decorrido entre duas vendas de um mesmo produto proposto por um armaz\u00e9m. Em caso de anomalias estat\u00edsticas, um vendedor pode ser retirado do mercado para analisar a situa\u00e7\u00e3o e corrigi-la.<\/p>\n<\/div>
As aplica\u00e7\u00f5es do data e do aprendizado de m\u00e1quina no setor de varejo s\u00e3o m\u00faltiplas, e a previs\u00e3o de vendas n\u00e3o representa apenas uma pequena parte. Al\u00e9m da redu\u00e7\u00e3o do custo dos neg\u00f3cios, otimizando o gerenciamento de estoques, a explora\u00e7\u00e3o dos dados pode ser uma ajuda preciosa no meio, na cadeia de suprimentos ou na avalia\u00e7\u00e3o para ajudar no merchandising. Um verdadeiro adjuvante para o ser humano que, liberado de tarefas muito complexas para obter resultados confi\u00e1veis ou cron\u00f3fagos, pode dedicar mais tempo \u00e0 sua estrat\u00e9gia comercial ou \u00e0 melhoria da experi\u00eancia do cliente.<\/p>\n<\/div><\/div><\/div><\/div><\/article><\/p>","protected":false},"excerpt":{"rendered":"
Al\u00e9m do aumento da taxa de neg\u00f3cios, otimizando a gest\u00e3o de estoques, a explora\u00e7\u00e3o dos dados pode ser uma ajuda preciosa no meio, na cadeia de suprimentos ou no aval para ajudar no merchandising. Um verdadeiro adjuvante para o ser humano, afirma J\u00e9r\u00f4me Petit, Associado, Artefact nesta tribuna da LSA.<\/p>","protected":false},"author":[],"featured_media":66218,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"news-category":[2819],"news-language":[316],"class_list":["post-61112","news","type-news","status-publish","has-post-thumbnail","hentry","news-category-news-france","news-language-fr"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/news\/61112","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/news"}],"about":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/types\/news"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/media\/66218"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/media?parent=61112"}],"wp:term":[{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/author?post=61112"},{"taxonomy":"news-category","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/news-category?post=61112"},{"taxonomy":"news-language","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/news-language?post=61112"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
Tudo isso porque, em um mesmo per\u00edodo, v\u00e1rios par\u00e2metros podem modificar os comportamentos de compra. Pode se tratar da m\u00eddia, das tend\u00eancias de consumo (efeito \u00abGlobal Shoppers\u00bb para as categorias pertinentes a uma clientela tur\u00edstica, como o luxo, mudan\u00e7a de regulamenta\u00e7\u00e3o), do lan\u00e7amento de um novo produto em uma categoria raramente renovada, de uma crise sanit\u00e1ria (!), de novos comportamentos etc. Al\u00e9m disso, esse tipo de previs\u00e3o n\u00e3o leva em conta a evolu\u00e7\u00e3o dos valores, ou seja, sua potencial intermit\u00eancia, pois eles \u00abperdem\u00bb as vendas como se fossem for\u00e7osamente regulares. Ou, uma ruptura de estoque pode, no passado, levar \u00e0 interrup\u00e7\u00e3o tempor\u00e1ria das vendas de um produto ou de toda uma categoria. Essas rupturas s\u00e3o, portanto, interpretadas como um sinal de des\u00e2nimo dos consumidores, embora possam, ao contr\u00e1rio, marcar vendas mais altas do que o normal. Al\u00e9m disso, \u00e9 importante observar que uma ruptura de rayon n\u00e3o significa uma ruptura for\u00e7ada de estoque. Em uma grande superf\u00edcie, \u00e9 dif\u00edcil garantir a reposi\u00e7\u00e3o dos raios em tempo h\u00e1bil. Alinhar a cadeia de aprovisionamento \u00e0 demanda com o aux\u00edlio de uma tecnologia capaz de solucionar esses problemas era, portanto, uma forte aten\u00e7\u00e3o dos distribuidores.<\/p>\n<\/div>
O aprendizado de m\u00e1quina a servi\u00e7o do ser humano nas lojas<\/h2><\/div>\u00c9 mais uma escolha feita com o aprendizado de m\u00e1quina! Para construir modelos capazes de prever as vendas em 4 semestres, \u00e9 preciso levar em conta um m\u00e1ximo de fen\u00f4menos suscet\u00edveis de influenciar a evolu\u00e7\u00e3o das vendas, descrevendo com precis\u00e3o cada tripla Jour x Produit x Magasin por meio de um conjunto de indicadores, como a sazonalidade, as tend\u00eancias ou at\u00e9 mesmo os pre\u00e7os. Por que ser preciso em rela\u00e7\u00e3o a esses tr\u00eas indicadores? Por exemplo, a sazonalidade, se as previs\u00f5es n\u00e3o 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 n\u00e3o a um dia de fim de semana, a uma festa familiar ou religiosa, a um jogo importante de futebol... s\u00e3o outros tantos eventos para os quais o consumo aumenta em determinadas categorias de produtos. Por exemplo, em rela\u00e7\u00e3o aos pre\u00e7os, 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 estrat\u00e9gia de promo\u00e7\u00e3o, o senhor precisa ter a capacidade de avaliar o impacto. O conjunto de par\u00e2metros suscet\u00edveis de influenciar as vendas pode ser analisado por meio de modelos baseados no aprendizado de m\u00e1quina e em t\u00e9cnicas avan\u00e7adas de intelig\u00eancia artificial.<\/p>\n<\/div>
Duas aplica\u00e7\u00f5es concretas do aprendizado de m\u00e1quina em problemas de estoque<\/h2><\/div>Se a tecnologia estiver dispon\u00edvel, ainda assim \u00e9 necess\u00e1rio que os distribuidores possam coletar e analisar a imensa quantidade de dados necess\u00e1rios para essas previs\u00f5es. As fontes de dados s\u00e3o m\u00faltiplas e, portanto, pode ser complexo extrair e reunir os diferentes arquivos Excel e PDF nos quais se encontram as informa\u00e7\u00f5es referentes aos planos m\u00e9dios e outros relat\u00f3rios. O fato de o Big data ser equipado com ferramentas para reunir em um mesmo ponto os dados protegidos \u00e9 uma base fundamental para criar, em seguida, modelos capazes de resolver os problemas relacionados a estoques. Veja a seguir dois exemplos.<\/p>\n<\/div>
A grande maioria dos distribuidores fornece dados de vendas ao longo de v\u00e1rios anos. No entanto, alguns deles podem ser confrontados com opera\u00e7\u00f5es promocionais ou com eventos (can\u00edcula, organiza\u00e7\u00e3o de um evento esportivo de grande envergadura em uma zona pr\u00f3xima) sem precedentes. Para sanar esse d\u00e9ficit, \u00e9 poss\u00edvel combinar os dados hist\u00f3ricos 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 precis\u00e3o nas previs\u00f5es.<\/p>\n<\/div>
Outro problema: evitar a ruptura em rayon quando o produto estiver em estoque. \u00c9 dif\u00edcil exigir que os funcion\u00e1rios de uma grande superf\u00edcie verifiquem continuamente a substitui\u00e7\u00e3o detag\u00e8res. Al\u00e9m disso, a instala\u00e7\u00e3o de c\u00e2meras e capit\u00e9is \u00e9 muito cara. Nesse caso espec\u00edfico, os conjuntos de dados restantes, como as vendas em tempo real, os atributos do artigo e as caracter\u00edsticas dos raios, s\u00e3o suficientes para antecipar as rupturas de estoques de raios. Trata-se, por exemplo, de modelar a frequ\u00eancia do ac\u00famulo, ou seja, o tempo decorrido entre duas vendas de um mesmo produto proposto por um armaz\u00e9m. Em caso de anomalias estat\u00edsticas, um vendedor pode ser retirado do mercado para analisar a situa\u00e7\u00e3o e corrigi-la.<\/p>\n<\/div>
As aplica\u00e7\u00f5es do data e do aprendizado de m\u00e1quina no setor de varejo s\u00e3o m\u00faltiplas, e a previs\u00e3o de vendas n\u00e3o representa apenas uma pequena parte. Al\u00e9m da redu\u00e7\u00e3o do custo dos neg\u00f3cios, otimizando o gerenciamento de estoques, a explora\u00e7\u00e3o dos dados pode ser uma ajuda preciosa no meio, na cadeia de suprimentos ou na avalia\u00e7\u00e3o para ajudar no merchandising. Um verdadeiro adjuvante para o ser humano que, liberado de tarefas muito complexas para obter resultados confi\u00e1veis ou cron\u00f3fagos, pode dedicar mais tempo \u00e0 sua estrat\u00e9gia comercial ou \u00e0 melhoria da experi\u00eancia do cliente.<\/p>\n<\/div><\/div><\/div><\/div><\/article><\/p>","protected":false},"excerpt":{"rendered":"
Al\u00e9m do aumento da taxa de neg\u00f3cios, otimizando a gest\u00e3o de estoques, a explora\u00e7\u00e3o dos dados pode ser uma ajuda preciosa no meio, na cadeia de suprimentos ou no aval para ajudar no merchandising. Um verdadeiro adjuvante para o ser humano, afirma J\u00e9r\u00f4me Petit, Associado, Artefact nesta tribuna da LSA.<\/p>","protected":false},"author":[],"featured_media":66218,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"news-category":[2819],"news-language":[316],"class_list":["post-61112","news","type-news","status-publish","has-post-thumbnail","hentry","news-category-news-france","news-language-fr"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/news\/61112","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/news"}],"about":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/types\/news"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/media\/66218"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/media?parent=61112"}],"wp:term":[{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/author?post=61112"},{"taxonomy":"news-category","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/news-category?post=61112"},{"taxonomy":"news-language","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/news-language?post=61112"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
\u00c9 mais uma escolha feita com o aprendizado de m\u00e1quina! Para construir modelos capazes de prever as vendas em 4 semestres, \u00e9 preciso levar em conta um m\u00e1ximo de fen\u00f4menos suscet\u00edveis de influenciar a evolu\u00e7\u00e3o das vendas, descrevendo com precis\u00e3o cada tripla Jour x Produit x Magasin por meio de um conjunto de indicadores, como a sazonalidade, as tend\u00eancias ou at\u00e9 mesmo os pre\u00e7os. Por que ser preciso em rela\u00e7\u00e3o a esses tr\u00eas indicadores? Por exemplo, a sazonalidade, se as previs\u00f5es n\u00e3o 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 n\u00e3o a um dia de fim de semana, a uma festa familiar ou religiosa, a um jogo importante de futebol... s\u00e3o outros tantos eventos para os quais o consumo aumenta em determinadas categorias de produtos. Por exemplo, em rela\u00e7\u00e3o aos pre\u00e7os, 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 estrat\u00e9gia de promo\u00e7\u00e3o, o senhor precisa ter a capacidade de avaliar o impacto. O conjunto de par\u00e2metros suscet\u00edveis de influenciar as vendas pode ser analisado por meio de modelos baseados no aprendizado de m\u00e1quina e em t\u00e9cnicas avan\u00e7adas de intelig\u00eancia artificial.<\/p>\n<\/div>
Duas aplica\u00e7\u00f5es concretas do aprendizado de m\u00e1quina em problemas de estoque<\/h2><\/div>Se a tecnologia estiver dispon\u00edvel, ainda assim \u00e9 necess\u00e1rio que os distribuidores possam coletar e analisar a imensa quantidade de dados necess\u00e1rios para essas previs\u00f5es. As fontes de dados s\u00e3o m\u00faltiplas e, portanto, pode ser complexo extrair e reunir os diferentes arquivos Excel e PDF nos quais se encontram as informa\u00e7\u00f5es referentes aos planos m\u00e9dios e outros relat\u00f3rios. O fato de o Big data ser equipado com ferramentas para reunir em um mesmo ponto os dados protegidos \u00e9 uma base fundamental para criar, em seguida, modelos capazes de resolver os problemas relacionados a estoques. Veja a seguir dois exemplos.<\/p>\n<\/div>
A grande maioria dos distribuidores fornece dados de vendas ao longo de v\u00e1rios anos. No entanto, alguns deles podem ser confrontados com opera\u00e7\u00f5es promocionais ou com eventos (can\u00edcula, organiza\u00e7\u00e3o de um evento esportivo de grande envergadura em uma zona pr\u00f3xima) sem precedentes. Para sanar esse d\u00e9ficit, \u00e9 poss\u00edvel combinar os dados hist\u00f3ricos 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 precis\u00e3o nas previs\u00f5es.<\/p>\n<\/div>
Outro problema: evitar a ruptura em rayon quando o produto estiver em estoque. \u00c9 dif\u00edcil exigir que os funcion\u00e1rios de uma grande superf\u00edcie verifiquem continuamente a substitui\u00e7\u00e3o detag\u00e8res. Al\u00e9m disso, a instala\u00e7\u00e3o de c\u00e2meras e capit\u00e9is \u00e9 muito cara. Nesse caso espec\u00edfico, os conjuntos de dados restantes, como as vendas em tempo real, os atributos do artigo e as caracter\u00edsticas dos raios, s\u00e3o suficientes para antecipar as rupturas de estoques de raios. Trata-se, por exemplo, de modelar a frequ\u00eancia do ac\u00famulo, ou seja, o tempo decorrido entre duas vendas de um mesmo produto proposto por um armaz\u00e9m. Em caso de anomalias estat\u00edsticas, um vendedor pode ser retirado do mercado para analisar a situa\u00e7\u00e3o e corrigi-la.<\/p>\n<\/div>
As aplica\u00e7\u00f5es do data e do aprendizado de m\u00e1quina no setor de varejo s\u00e3o m\u00faltiplas, e a previs\u00e3o de vendas n\u00e3o representa apenas uma pequena parte. Al\u00e9m da redu\u00e7\u00e3o do custo dos neg\u00f3cios, otimizando o gerenciamento de estoques, a explora\u00e7\u00e3o dos dados pode ser uma ajuda preciosa no meio, na cadeia de suprimentos ou na avalia\u00e7\u00e3o para ajudar no merchandising. Um verdadeiro adjuvante para o ser humano que, liberado de tarefas muito complexas para obter resultados confi\u00e1veis ou cron\u00f3fagos, pode dedicar mais tempo \u00e0 sua estrat\u00e9gia comercial ou \u00e0 melhoria da experi\u00eancia do cliente.<\/p>\n<\/div><\/div><\/div><\/div><\/article><\/p>","protected":false},"excerpt":{"rendered":"
Al\u00e9m do aumento da taxa de neg\u00f3cios, otimizando a gest\u00e3o de estoques, a explora\u00e7\u00e3o dos dados pode ser uma ajuda preciosa no meio, na cadeia de suprimentos ou no aval para ajudar no merchandising. Um verdadeiro adjuvante para o ser humano, afirma J\u00e9r\u00f4me Petit, Associado, Artefact nesta tribuna da LSA.<\/p>","protected":false},"author":[],"featured_media":66218,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"news-category":[2819],"news-language":[316],"class_list":["post-61112","news","type-news","status-publish","has-post-thumbnail","hentry","news-category-news-france","news-language-fr"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/news\/61112","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/news"}],"about":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/types\/news"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/media\/66218"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/media?parent=61112"}],"wp:term":[{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/author?post=61112"},{"taxonomy":"news-category","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/news-category?post=61112"},{"taxonomy":"news-language","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/news-language?post=61112"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
Se a tecnologia estiver dispon\u00edvel, ainda assim \u00e9 necess\u00e1rio que os distribuidores possam coletar e analisar a imensa quantidade de dados necess\u00e1rios para essas previs\u00f5es. As fontes de dados s\u00e3o m\u00faltiplas e, portanto, pode ser complexo extrair e reunir os diferentes arquivos Excel e PDF nos quais se encontram as informa\u00e7\u00f5es referentes aos planos m\u00e9dios e outros relat\u00f3rios. O fato de o Big data ser equipado com ferramentas para reunir em um mesmo ponto os dados protegidos \u00e9 uma base fundamental para criar, em seguida, modelos capazes de resolver os problemas relacionados a estoques. Veja a seguir dois exemplos.<\/p>\n<\/div>
A grande maioria dos distribuidores fornece dados de vendas ao longo de v\u00e1rios anos. No entanto, alguns deles podem ser confrontados com opera\u00e7\u00f5es promocionais ou com eventos (can\u00edcula, organiza\u00e7\u00e3o de um evento esportivo de grande envergadura em uma zona pr\u00f3xima) sem precedentes. Para sanar esse d\u00e9ficit, \u00e9 poss\u00edvel combinar os dados hist\u00f3ricos 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 precis\u00e3o nas previs\u00f5es.<\/p>\n<\/div>
Outro problema: evitar a ruptura em rayon quando o produto estiver em estoque. \u00c9 dif\u00edcil exigir que os funcion\u00e1rios de uma grande superf\u00edcie verifiquem continuamente a substitui\u00e7\u00e3o detag\u00e8res. Al\u00e9m disso, a instala\u00e7\u00e3o de c\u00e2meras e capit\u00e9is \u00e9 muito cara. Nesse caso espec\u00edfico, os conjuntos de dados restantes, como as vendas em tempo real, os atributos do artigo e as caracter\u00edsticas dos raios, s\u00e3o suficientes para antecipar as rupturas de estoques de raios. Trata-se, por exemplo, de modelar a frequ\u00eancia do ac\u00famulo, ou seja, o tempo decorrido entre duas vendas de um mesmo produto proposto por um armaz\u00e9m. Em caso de anomalias estat\u00edsticas, um vendedor pode ser retirado do mercado para analisar a situa\u00e7\u00e3o e corrigi-la.<\/p>\n<\/div>
As aplica\u00e7\u00f5es do data e do aprendizado de m\u00e1quina no setor de varejo s\u00e3o m\u00faltiplas, e a previs\u00e3o de vendas n\u00e3o representa apenas uma pequena parte. Al\u00e9m da redu\u00e7\u00e3o do custo dos neg\u00f3cios, otimizando o gerenciamento de estoques, a explora\u00e7\u00e3o dos dados pode ser uma ajuda preciosa no meio, na cadeia de suprimentos ou na avalia\u00e7\u00e3o para ajudar no merchandising. Um verdadeiro adjuvante para o ser humano que, liberado de tarefas muito complexas para obter resultados confi\u00e1veis ou cron\u00f3fagos, pode dedicar mais tempo \u00e0 sua estrat\u00e9gia comercial ou \u00e0 melhoria da experi\u00eancia do cliente.<\/p>\n<\/div><\/div><\/div><\/div><\/article><\/p>","protected":false},"excerpt":{"rendered":"
Al\u00e9m do aumento da taxa de neg\u00f3cios, otimizando a gest\u00e3o de estoques, a explora\u00e7\u00e3o dos dados pode ser uma ajuda preciosa no meio, na cadeia de suprimentos ou no aval para ajudar no merchandising. Um verdadeiro adjuvante para o ser humano, afirma J\u00e9r\u00f4me Petit, Associado, Artefact nesta tribuna da LSA.<\/p>","protected":false},"author":[],"featured_media":66218,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"news-category":[2819],"news-language":[316],"class_list":["post-61112","news","type-news","status-publish","has-post-thumbnail","hentry","news-category-news-france","news-language-fr"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/news\/61112","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/news"}],"about":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/types\/news"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/media\/66218"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/media?parent=61112"}],"wp:term":[{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/author?post=61112"},{"taxonomy":"news-category","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/news-category?post=61112"},{"taxonomy":"news-language","embeddable":true,"href":"https:\/\/www.artefact.com\/br\/wp-json\/wp\/v2\/news-language?post=61112"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}