Por Cecília Flores Castillo, especialista em otimização de estoque da LEAFIO AI
Imagine perder milhões em produtos que ninguém quer comprar, enquanto clientes buscam desesperadamente por itens que estão em falta. Essa é a realidade de muitas empresas que ainda não adotaram uma estratégia eficaz de previsão de demanda. No varejo, onde a concorrência é feroz e as tendências mudam a cada dia, acertar na previsão é a diferença entre o sucesso e o fracasso.
Cecília Flores Castillo, especialista em otimização de estoque da LEAFIO AI, alerta que a falta de uma previsão precisa está custando caro para o setor.
Neste artigo, vamos desvendar os principais motivos por trás desse problema e como a inteligência artificial pode revolucionar a forma como as empresas gerenciam seus estoques.
Por que é difícil prever a demanda?
Quando um planejador indica que um item vende 213 unidades por dia, ele provavelmente se refere ao CUD (Consumo Unitário Diário), enfatizando o termo “média”.
Na realidade, as vendas diárias da última semana ou mês podem não ter incluído um único dia com exatamente 213 unidades vendidas; em vez disso, poderia ser uma faixa como 199, 220, 233, 187, 210, 228, etc. Essa variabilidade é o motivo pelo qual usamos médias.
No entanto, se encomendássemos exatamente as 213 peças médias, o que aconteceria? A curva de distribuição gaussiana fornece insights sobre essa questão, familiar para aqueles versados em probabilidade e estatística.
A média de 213 unidades estabelece o pico do gráfico, representando uma probabilidade de 50%. Em outras palavras, a demanda real tem a mesma probabilidade de ser inferior ou superior a esse valor.
Aceitar uma probabilidade de 50% de esgotamento é impraticável no varejo, afetando vendas e lucros. Portanto, a inclinação lógica é garantir produtos adicionais para tranquilidade.
O paradoxo surge ao buscar um alto nível de disponibilidade, necessitando de pedidos significativamente acima da média. Cruzar o limite de probabilidade de 95% requer um aumento substancial no estoque para cada porcentagem subsequente.
As complexidades de previsão no varejo decorrem de curvas de distribuição naturais com formas mais intrincadas do que a curva gaussiana ideal. Mesmo para produtos de movimento rápido, essas curvas são assimétricas, e itens menos frequentemente vendidos desviam-se ainda mais da forma perfeita.
Para um item com média de 0,5 unidades por dia, flutuando entre 0, 1, 2 ou 3 unidades, garantir 98% de disponibilidade exige encomendar consideravelmente mais do que as vendas médias.
A busca por alta disponibilidade, no entanto, pode levar a excesso de estoque, potencialmente reduzindo vendas e resultando em várias repercussões econômicas.
No entanto, no âmbito do varejo, analisar curvas de distribuição para planejamento de estoque é uma raridade. O desafio está na individualidade dessas curvas, não apenas variando entre SKUs, mas também dentro do mesmo SKU em diferentes localidades.
Por exemplo, gerenciar 1.000.000 de curvas para uma cadeia de varejo com 10.000 SKUs e 100 lojas é uma tarefa demorada. Consequentemente, essa tarefa é frequentemente abordada usando Excel, com especialistas confiando em suas fórmulas e métodos únicos.
Mesmo que um sistema ERP lide com os cálculos, seus algoritmos são tipicamente simples. A tendência prevalente é aumentar os pedidos para evitar perda de vendas. Como resultado, alguns varejistas podem não supervisionar meticulosamente sua economia de estoque, muitas vezes negligenciando-a até que se torne um problema crítico.
O custo da imprecisão da previsão
Na fase inicial do crescimento de uma empresa, o departamento de vendas geralmente atua como o principal motor, e o modelo de planejamento de demanda segue um padrão familiar: vendas médias mais ajustes para sazonalidade, tendências, campanhas promocionais e um buffer de segurança para garantir disponibilidade robusta e, consequentemente, vendas elevadas.
Embora essa estratégia possa alcançar taxas de disponibilidade de 97% ou até 98%, ela frequentemente resulta em excesso de estoque, levando a custos logísticos e operacionais elevados.
Esse estoque excedente não apenas ocupa espaço valioso de prateleiras e armazéns, mas também afeta negativamente as vendas gerais. À medida que os itens destinados à venda têm precedência, os clientes podem ignorar outros produtos potencialmente mais lucrativos.
Embora o turnover possa aumentar, as margens de lucro diminuem. Além disso, os produtos correm o risco de atingir o fim de sua vida útil, necessitando de baixas e incorrendo em custos adicionais.
Para produtos não alimentícios, o excedente pode ser distribuído entre pontos de venda e armazéns, eventualmente vendido com descontos significativos ou baixado.
Esse processo contribui para o aumento das despesas logísticas e diminui ainda mais o valioso espaço nas prateleiras para produtos mais comercializáveis. À medida que a capacidade de armazenamento fica limitada, as empresas são obrigadas a iniciar projetos de expansão.
Enquanto a fórmula para calcular as perdas de vendas é simples, determinar os custos e perdas abrangentes associados ao excesso de estoque representa um desafio maior devido à sua natureza diversa e nem sempre aparente.
A crença comum de que “eventualmente venderemos este produto” pode ser verdadeira para casos isolados ou SKUs específicos, mas se mostra imprecisa quando aplicada a uma empresa que enfrenta inúmeros estoques excedentes.
O que isso tem a ver com IA?
O enorme volume de dados a analisar supera as capacidades da experiência dos funcionários, intuição e modelos simples de Excel ou ERP. Equilibrar as perspectivas de “vendedores” e “pessoas de finanças” nessa batalha secular requer uma metodologia robusta e modelos matemáticos sofisticados.
Felizmente, a IA surgiu como uma poderosa equalizadora nessa arena. Os algoritmos de IA realizam cálculos e decisões táticas imparcialmente com base em modelos complexos, auxiliando os gerentes em decisões estratégicas cruciais, ao discernir pistas e padrões dentro de vastos conjuntos de dados que podem escapar à percepção humana.
Assim, as empresas modernas não estão mais se perguntando se devem implementar IA para previsão de demanda. A única questão é a velocidade da tomada de decisão e a escolha de soluções apropriadas. E, sem dúvida, a competição de mercado será vencida pelos varejistas que embarcarem nesse trem de partida mais rapidamente.
