O uso de modelos de aprendizado de máquinas vem inundando o mundo corporativo. Por meio da identificação de padrões escondidos em uma massa cada vez maior de dados, a Inteligência Artificial permite a tomada de decisões e a gestão dos negócios de maneira mais assertiva, baseada em fatos e dados. Porém, ainda há um potencial inexplorado no varejo: as informações de perdas de estoque.
Prevenção de perdas no varejo: cenário nacional e mudança de abordagem
Em 2022, o valor das perdas no varejo brasileiro foi de aproximadamente R$ 31,7 bilhões ou 1,48% do faturamento segundo dados da ABRAPPE (Associação Brasileira de Prevenção de Perdas). As perdas podem representar a diferença entre o prejuízo e o lucro, principalmente de varejistas que operam com margens baixas. Logo, é um tema estratégico para este setor.
Tipicamente o varejo olha para os dados de perda mirando no retrovisor. Relatórios apontam os itens e lojas com maiores quebras identificadas e perdas desconhecidas e, a partir desses números, planos de ação são montados para sanar algo que já aconteceu. Algumas análises são mais “inteligentes” ao capturar algumas características que possam prever futuras quebras como, por exemplo, o excesso de estoques, a falta de vendas, estoques virtuais, dentre outras características. Porém, estes modelos ainda são paramétricos, ou seja, dependem do ser humano para calibrar a importância de cada variável na perda.
Os modelos de aprendizado de máquina são alimentados com todos os dados acima e com uma série de outras informações passadas para identificar quais padrões na base podem prever o comportamento da quebra no futuro, além de ações para evitar as perdas. Estes modelos podem sinalizar a retirada de itens de sortimento, a revisão da precificação, a mudança do parâmetro de abastecimento, a devolução de itens em excesso de estoque, a rebaixa de preços para itens próximos ao vencimento e assim por diante. Logo, enquanto nas análises tradicionais os dados refletem o passado ou predizem o futuro de acordo com a parametrização de um ser humano, os modelos de aprendizado de máquina aprendem com o passado e se ajustam para predizer o futuro sem a necessidade de intervenção.
Inteligência artificial e os tipos de modelos de aprendizagem de máquina
Os modelos de aprendizagem podem ser supervisionados ou não supervisionados. No modelo supervisionado, o computador recebe os dados rotulados e a saída desses dados. No caso das perdas, um exemplo são todos os dados do produto como pedidos, entradas, saídas, estoque e a saída como sendo o resultado da perda no período. Assim, o modelo aprende qual a relação entre cada um dos dados e a perda. No caso de modelos não supervisionados, o computador recebe os dados rotulados, porém não há dados da saída. Este modelo pode servir para segmentar alguns comportamentos e detectar anomalias nas informações. É possível, por exemplo, detectar um item com comportamentos anormais de venda ou estoque em lojas específicas e que podem causar perdas.
Os modelos de aprendizado de máquina para a predição de perdas têm um grande potencial de trazer eficiências na redução das perdas de estoque, tanto na quebra identificada quanto na perda desconhecida. A sua aplicação não é simples, requer uma grande massa de dados e pessoas dedicadas a entendê-los. Mas os resultados podem ser uma virada importante na forma de atuar contra as perdas nos varejistas.
