Com a tecnologia de aprendizado de máquina, os varejistas podem resolver o problema comum – e caro – de manter alimentos frescos em quantidade excessiva ou insuficiente em estoque.
A “feirinha”, que já era uma arena ferozmente competitiva no varejo de mercearia, está se tornando um campo de batalha ainda mais cheio. Cadeias de lojas de conveniência e e-commerces estão reconhecendo o poder das categorias de alimentos frescos para impulsionar as visitas às lojas, o tamanho da cesta e a fidelidade do cliente. Com os produtos frescos respondendo por até 40% da receita das mercearias e um terço do custo das mercadorias vendidas, acertar no varejo de alimentos frescos é mais importante do que nunca.
Também é mais complexo do que nunca. Alimentos frescos são perecíveis, a demanda é altamente variável e os prazos de entrega costumam ser incertos. Além disso, muitos varejistas agora possuem sortimentos de alimentos frescos mais amplos, que incluem itens exóticos e difíceis de encontrar, bem como itens “ultra-frescos” com prazo de validade não superior a um ou dois dias. Os varejistas estão constantemente tendo que fazer concessões difíceis quando fazem pedidos com fornecedores de alimentos frescos: peça demais e a comida é desperdiçada; peça muito pouco e você perde vendas e reduz a lealdade do cliente. Mas com a demanda flutuando diariamente, como os varejistas podem saber a quantidade certa de pedidos?
A maioria dos sistemas tradicionais de planejamento da cadeia de suprimentos adota uma abordagem fixa e baseada em regras para previsão e reabastecimento. Essa abordagem funciona bem o suficiente para categorias de produtos estáveis e previsíveis, mas comida fresca é muito mais complicada. Como a demanda local e as condições variam de um dia para o outro, os planejadores precisam inserir manualmente diferentes tipos de dados – mudanças de preço ou promoções, por exemplo – em seus sistemas de reabastecimento. Esses processos manuais diários são demorados, propensos a erros e muito dependentes da experiência e dos instintos dos planejadores individuais.
Existe um jeito melhor. Diversos varejistas líderes encontraram uma solução que revoluciona o planejamento da cadeia de suprimentos: machine learning. Com base em algoritmos que permitem que os computadores “aprendam” a partir de dados, mesmo sem programação baseada em regras, o aprendizado de máquina permite que os varejistas automatizem processos anteriormente manuais e melhorem drasticamente a precisão das previsões e pedidos. Os varejistas que usam a tecnologia de aprendizado de máquina para reabastecimento tiveram seu impacto de muitas maneiras – por exemplo, reduções de até 80% nas taxas de indisponibilidade de estoque, queda de mais de 10% nas baixas e dias de estoque disponível e aumentos de margem bruta de até 9%.
As vantagens do aprendizado de máquina no reabastecimento
Ao contrário dos sistemas de software de cadeia de suprimentos padrão, as soluções de aprendizado de máquina podem coletar, analisar e ajustar grandes conjuntos de dados de uma ampla variedade de fontes, sem altos investimentos em pessoal. Um algoritmo de aprendizado de máquina pode fazer previsões de demanda baseadas não apenas em dados históricos de vendas, mas também em outros parâmetros de influência: fatores internos, como campanhas publicitárias e horários de abertura de lojas, e fatores externos, como clima local e feriados. Algoritmos avançados usados atualmente pelos principais varejistas já analisam mais de 50 parâmetros. E os cálculos são feitos em um nível muito mais granular do que os sistemas padrão são capazes de fazer: os varejistas podem determinar o efeito de cada parâmetro em cada SKU em cada loja (e em cada centro de distribuição, quando relevante) diariamente.
Um sistema de aprendizado de máquina também pode levar em conta as restrições da cadeia de suprimentos, como os prazos de entrega do fornecedor e as quantidades mínima ou máxima do pedido. Com base em todas essas considerações, gera propostas de pedidos para toda a gama de produtos a cada 24 horas. Cada proposta de pedido otimiza a disponibilidade do produto, minimizando o risco de desperdício e remarcações, como discutiremos mais detalhadamente abaixo. Os planejadores centrais podem verificar essas propostas, mas descobrimos que, com as melhores soluções de aprendizagem de máquina, a intervenção humana raramente é garantida. O trabalho manual de entrada de dados e administrativo que a equipe precisa fazer em lojas individuais e na sede é, portanto, significativamente reduzido.
As soluções de aprendizado de máquina estão disponíveis como aplicativos de software como serviço (SaaS) baseados na nuvem. Ao contrário de outras soluções de otimização de reabastecimento, que normalmente exigem atualizações nos sistemas de TI de um varejista, os aplicativos SaaS funcionam como uma sobreposição inteligente para sistemas de planejamento de recursos empresariais existentes, tornando-os mais flexíveis e mais rápidos de implementar. Eles também não exigem grandes investimentos na contratação de novos funcionários. Em vez disso, um varejista pode criar recursos dentro da sua própria equipe, eliminar uma quantidade significativa de tarefas de entrada de dados dos planejadores e realocar o tempo valioso da equipe em atividades de valor agregado.
Usando aplicativos preditivos alimentados por aprendizado de máquina, uma rede internacional de supermercados com mais de 1.000 lojas automatizou a maior parte do planejamento central e a tomada de decisões para pedidos diários em um de seus maiores departamentos de alimentos frescos. E como o varejista opera várias fábricas de processamento de alimentos, também foi capaz de integrar os processos de armazém e manufatura – por exemplo, por meio de produção just-in-time – para reduzir o estoque em toda a cadeia de suprimentos, aumentar a disponibilidade do produto na loja e obter produtos mais frescos nas prateleiras das lojas.
As melhores previsões de demanda da categoria
Durante décadas, os varejistas extrapolaram a demanda analisando dados históricos de vendas – uma metodologia obviamente imperfeita que distorce as previsões de demanda para baixo, já que não mede a demanda reprimida. Algoritmos avançados de aprendizado de máquina superam esse problema. Os algoritmos constroem curvas de probabilidade de demanda usando dados de vendas e estoque, fazendo cálculos de custo-benefício que avaliam o risco de desperdício contra o risco de falta de estoque.
Para ilustrar: na exibição, o histograma mostra a probabilidade de demanda para uma combinação específica de data de armazenamento da SKU. Vamos usar os abacaxis na loja # 123 em 10 de junho como exemplo. As barras verticais mostram que estocar quatro abacaxis naquela loja naquele dia provavelmente será suficiente para atender à demanda; a loja provavelmente venderá a maioria ou todos eles, então o risco de ter abacaxis podres na loja é pequeno. Mas e se um cliente quiser comprar um quinto ou sexto abacaxi naquele dia? A loja perderia a receita porque o abacaxi estaria fora de estoque. A curva verde da exposição representa o valor esperado de custos para cada nível de estoque, levando em consideração a perda potencial de receita devido a indisponibilidade de estoque, bem como potenciais remarcações e desperdícios. Neste caso, o algoritmo identifica um nível de estoque de 9 unidades como ótimo.
O sistema pode alinhar decisões de pedidos individuais com as metas estratégicas do varejista e os principais indicadores de desempenho (KPIs). Por exemplo, se o varejista estiver mais preocupado com as margens do que com as receitas, o algoritmo ajustará as decisões de acordo. Ele também pode trabalhar para melhorar vários KPIs ao mesmo tempo.
Algoritmos recém-desenvolvidos podem otimizar simultaneamente o preço e o reabastecimento, levando a aumentos de lucro ainda maiores em categorias novas. Os algoritmos simulam como as mudanças no preço afetarão a demanda. Por exemplo, se uma pequena redução de preço levaria a um aumento significativo no volume de vendas, o sistema recomendaria quantidades maiores de pedidos. Por outro lado, se a demanda por um produto não mudasse muito, mesmo se ele fosse vendido com um grande desconto, o sistema recomendaria quantidades de pedidos menores para minimizar as perdas devido a remarcações. Como as elasticidades de preços mudam constantemente – às vezes, diariamente -, a capacidade de aprendizagem de máquina de integrar continuamente dados sobre preços e reabastecimento pode fazer uma tremenda diferença na lucratividade de um varejista.
Para capturar o valor total que o aprendizado de máquina oferece, os varejistas não devem simplesmente parar na implementação do software. Em vez disso, eles devem aproveitar a oportunidade para refinar simultaneamente sua estratégia de negócios para seus departamentos de alimentos frescos e traduzir essa estratégia em regras detalhadas de sortimento – por exemplo, definir quais subcategorias e SKUs devem estar sempre em estoque em que horas do dia. Os varejistas também devem revisar seus processos de planejamento de cadeia de fornecimento de ponta a ponta, incluindo pedidos em nível de loja e gerenciamento de estoque. Freqüências de entrega podem precisar mudar; Alguns produtos de alimentos frescos podem exigir entregas duas vezes ao dia, por exemplo, para garantir que a loja não fique sem o produto antes do final do dia. Além disso, os varejistas devem fazer ajustes no planejamento de capacidade e na programação de mão-de-obra nos centros de distribuição.
Os processos de pessoas também devem mudar. Os planejadores de demanda, tanto no nível de loja quanto na matriz, gastarão seu tempo de forma diferente e precisarão de novas métricas e incentivos de gerenciamento de desempenho. E, finalmente, os varejistas deveriam reavaliar como trabalham com fornecedores, renegociando alguns contratos com fornecedores e talvez até ajudando fornecedores a ajustar seus próprios processos de previsão e pedidos. Ao adotar essas ações, os varejistas poderão melhorar e sustentar as grandes melhorias que a tecnologia de aprendizado de máquina pode trazer.
Fonte: Mckinsey