O conceito de ponto de equilíbrio entre oferta e demanda é amplamente utilizado para explicar diversas situações do nosso dia-a-dia, desde o pão na padaria do bairro, que pode ser comercializado pelo preço de equilíbrio que iguala as quantidades desejadas pelos compradores e vendedores, até a negociação de papéis de empresas no mercado de ações. No lado da oferta, a definição do preço correto a ser praticado e, principalmente, a quantidade são questões comuns no planejamento e execução de estratégia de diversas empresas.
Neste contexto, como as inovações tecnológicas da área de dados estão se estabelecendo no setor alimentício?
A construção da previsão de demanda
A projeção de demanda muitas vezes é construída por meio de dados históricos de venda, perspectivas de crescimento do setor ou até mesmo metas estipuladas para engajar vendas de determinado produto.
Ao considerar somente esses meios de previsão, sem considerar o crescimento específico de cada SKU (Stock Keeping Unit), as companhias podem cair nas armadilhas da subjetividade ou generalismo.
A expansão de um setor não resulta em um crescimento de mesma magnitude para todo o mix de produtos. Por exemplo, um crescimento anual projetado de 6% para o setor de alimentos implica, necessariamente, em crescimento equivalente para o segmento de carnes nobres?
Possivelmente, não, pois esse nicho de mercado pode ser mais resiliente ou sensível do que o setor alimentício, ou até mesmo pode sofrer com mudanças recentes nos hábitos dos consumidores.
Impactos dos erros da previsão de demanda
Para empresas, principalmente grandes companhias com economias de escala e capilaridade geográfica, um erro na previsão de demanda pode causar diversas consequências, tais como:
- Ruptura de estoque;
- Desperdícios com perecibilidade (O que é FIFO?);
- Quebra na produção;
- Estoque ocioso (slow moving)
- Erros de precificação (pricing)
Essas adversidades impactam diretamente os resultados finais das companhias, uma vez que resultam em perda de market share, aumento de custos ou baixa otimização na diluição dos custos fixos, crescimento na perda de estoques perecíveis, frustração dos colaboradores em relação às metas e principalmente quebra na confiança de clientes recorrentes que dependem do fornecimento para suas operações.
IA na previsão de demanda no setor de alimentos
A indústria alimentícia está situada em um contexto de produtos de alta perecibilidade com as seguintes características:
- Alto giro de estoque;
- Fornecimento paralelo em diferentes localidades;
- Grande número de Skus, pontos de produção e pontos de comercialização;
- Cadeia de suprimentos verticalizada;
- Não linearidade nos padrões dos dados;
- Sazonalidade.
Estas características fazem do setor um nicho de negócio mais sensível aos desvios na previsão de demanda e planejamentos adjacentes.
Oportunidade na cadeia de suprimentos
Como alternativa ao formato tradicional de previsão de demanda, existem oportunidades para a utilização de dados de mercado e IA para auxiliar os gestores no processo de S&OP (Sales & Operations Planning), assim como no processo de S&OE (Sales and Operations Execution).
Durante o processo de S&OP, a previsão de demanda amparada por IA facilita o trabalho das áreas de marketing e vendas no detalhamento de metas, assim como reduz a incerteza e aumenta a previsibilidade para as áreas de supply chain.
Já no processo de S&OE, a IA pode ser utilizada na identificação de novas oportunidades e correções de desvios em relação ao planejado.
Além dos atributos técnicos que a IA pode agregar ao processo, o embasamento em dados reduz os pontos de conflitos entre equipes, diminui disputas históricas entre preferências por SKUs e torna o processo mais transparente entre as áreas.
Previamente, em nosso blog, abordamos os desafios da previsão de demanda na nossa visão (pt. 1 e pt. 2). Nos artigos, citamos os diferenciais da abordagem preditiva em relação à demanda, levando em consideração fatores como a sazonalidade, preferências geográficas/regionais e mudanças no comportamento dos consumidores.
Entendemos que a necessidade de uma abordagem preditiva utilizando dados, principalmente externos à empresa, está cada vez mais latente.
O papel do aprendizado de máquina (machine learning) no setor alimentício
A utilização de IA por meio de técnicas de machine learning associados a um coerente stack tecnológico de analytics (O que é um stack tecnológico?) fornece maior velocidade de informações, organização de dados com diferentes granularidades (região, estado, cidade e bairro), ajustes de sazonalidade, exploração de oportunidades e tomada de decisão em tempo real.
No caso do setor de alimentos, a maior acurácia na previsão de demanda significa:
- Otimização de estoques dentre os Centros de Distribuição (CDs);
- Redução de estoques ociosos;
- Diminuição nas rupturas que causam perda de market share em função de produtos substitutos;
- Redução direta em perdas com perecibilidade (FIFO).
No entanto, o grande desafio técnico e conceitual enfrentado pelos cientistas de dados (O perfil de cientistas de dados na visão da Aquarela) é a modelagem dos datasets de análise (o que são datasets?) que servirão para o treinamento adequado das máquinas.
Vale lembrar que:
“Executar o treinamento de máquina somente com dados do passado fará com que as máquinas repliquem os mesmos erros e acertos do passado, principalmente na questão de precificação. Portanto, o objetivo deve ser criar modelos híbridos que ajudem a IA replicar com mais intensidade e ênfase os comportamentos desejados da estratégia da gestão”.
No caso da Aquarela, o módulo de previsão de demanda do Aquarela Tactics possibilita a obtenção de previsões integradas aos sistemas corporativos e às estratégias de gestão. Ele foi criado com base em dados reais do varejo nacional e algoritmos feitos para atender demandas específicas das áreas de marketing, vendas, supply chain, operações e planejamento (S&OP e S&OE).
Conclusões e recomendações
Nesse artigo, apresentamos as características-chave da operação de previsão de demanda no setor alimentício. Também abordamos, com base em nossas experiências, o papel da estruturação de Analytics e IA na previsão de demanda. Ambos são temas de destaque e de desafios para gestores, matemáticos e cientistas de dados.
As inovações tecnológicas de previsão, sobretudo com uso de algoritmos de Inteligência Artificial, estão cada vez mais presentes na operação das empresas e os seus benefícios já são evidentes.
Além de evitar pontos negativos da subestimação da demanda, a abordagem preditiva, quando bem realizada, possibilita o ganho de market share em produtos atuais e uma grande vantagem competitiva em prever oportunidades em outros nichos.
Leia também: Como escolher o melhor fornecedor de Data Analytics e Inteligência Artificial?
Gostou do artigo? Então, deixe o seu comentário.
Quem é a Aquarela Analytics?
A Aquarela Analytics é vencedora do Prêmio CNI de Inovação e referência nacional na aplicação de Inteligência Artificial Corporativa na indústria e em grandes empresas. Por meio da plataforma Vorteris, da metodologia DCM e o Canvas Analítico (Download e-book gratuito), atende clientes importantes, como: Embraer (aeroespacial), Scania, Mercedes-Benz, Grupo Randon (automotivo), SolarBR Coca-Cola (varejo alimentício), Hospital das Clínicas (saúde), NTS-Brasil (óleo e gás), Auren, SPIC Brasil (energia), Telefônica Vivo (telecomunicações), dentre outros.
Acompanhe os novos conteúdos da Aquarela Analytics no Linkedin e assinando a nossa Newsletter mensal!
Autores
Graduando em Economia pela UDESC, com experiência prévia na área de finanças em Venture Capital & Private Equity.
Fundador e Diretor Comercial da Aquarela, Mestre em Business Information Technology com especialização em logística – Universiteit Twente – Holanda. Escritor e palestrante na área de Ciência e Governança de Dados para indústria e serviços 4.0.
