Inteligência Artificial e Machine Learning no planejamento da demanda

Já é possível observar a melhora na acuracidade através do aumento no volume de dados tratados e variáveis consideradas nos modelos, permitindo a identificação de padrões imperceptíveis ao "olho humano" e, também, automatização do tratamento dos dados das séries de vendas, melhorando o baseline e possibilitando utilizar informações de venda mais granulares.

Além da melhora na acuracidade do plano tático mensal, o uso de IA e ML no planejamento da demanda também pode auxiliar na identificação de tendências de consumo de longo prazo, orientando a definição de portfólio e o desenvolvimento de novos produtos. Adicionalmente, pode aprimorar os mecanismos de reposição de curto prazo com técnicas de demand sensing.

Outro benefício potencial é a capacidade de simular cenários futuros com base em diferentes conjuntos de variáveis, como mudanças na economia, padrões climáticos ou alterações nas preferências do consumidor. Essas simulações podem ajudar as empresas a se adaptarem rapidamente às mudanças no mercado e tomarem decisões mais adequadas sobre a alocação de recursos.

Abaixo, resumo os potenciais benefícios e cito exemplos de empresas que já estão adotando IA e ML em suas atividades de planejamento:

• Aumento da acuracidade das previsões: identificação de padrões complexos e inclusão de um maior número de variáveis exógenas, melhorando a precisão das previsões de demanda. A Amazon desenvolveu algoritmos para ajudá-la a lidar com os diversos padrões sazonais, estimar o impacto de promoções e eventos específicos, como o lançamento de produtos, bem como antecipar a movimentação de produtos para os seus fulfillment centers;
• Automação do tratamento de dados: automatizar o tratamento de dados das séries de vendas permite o uso de informações mais granulares, o que pode levar a melhores previsões e ajustes no baseline. Walmart automatiza o tratamento de dados de vendas de suas lojas, permitindo que a equipe de planejamento se concentre na análise de tendências e na tomada de decisões estratégicas;
• Identificação de tendências de consumo de longo prazo: a análise avançada de dados pode ajudar as empresas a identificar tendências emergentes, orientando a definição de portfólio e o desenvolvimento de novos produtos. Pharmapacks desenvolveu algoritmos para identificar a crescente demanda por produtos naturais e orgânicos, direcionando esforços para desenvolver e promover produtos que atendam a essa tendência;
• Aprimoramento dos mecanismos de reposição de curto prazo: técnicas de demand sensing podem ser aprimoradas com a ajuda da IA e ML, otimizando a reposição de estoque e reduzindo excessos ou faltas de produtos. A Zara utiliza técnicas de demand sensing para identificar mudanças rápidas na demanda por diferentes estilos e tamanhos, otimizando a reposição de estoque e reduzindo a quantidade de itens encalhados;
• Simulação de cenários futuros: simular cenários baseados em diferentes conjuntos de variáveis, como mudanças na economia ou padrões climáticos, auxilia na tomada de decisões estratégicas. A Tesla simula cenários relacionados a mudanças nas políticas governamentais, como incentivos fiscais para veículos elétricos, e ajusta sua estratégia de produção e distribuição de acordo;
• Otimização de estratégias de marketing e promoção: a compreensão aprofundada dos fatores que impulsionam as vendas pode ajudar as empresas a otimizar suas estratégias de marketing e promoção, aumentando a eficácia dessas ações. Coca-Cola e P&G utilizam IA e ML para analisar o impacto de diferentes promoções e campanhas de marketing no comportamento do consumidor, permitindo que as empresas direcionem seus recursos para ações mais eficazes;
• Adaptação rápida às mudanças no mercado: com análises avançadas e previsões mais precisas, as empresas podem se adaptar mais rapidamente às mudanças no mercado e alocar recursos de forma mais eficiente. A Mercks utiliza IA e ML para monitorar e prever mudanças nas condições do mercado, como a aprovação de novos medicamentos concorrentes, e adapta rapidamente sua estratégia de lançamento e precificação para manter a competitividade.

Essas são apenas alguns exemplos de como a IA e o ML tem sido aplicados com sucesso no planejamento da demanda e no entendimento do mercado. No entanto, a adoção de IA e ML no planejamento da demanda enfrenta barreiras significativas, como baixa maturidade do processo atual, falta de conhecimento técnico e de integração na cadeia para obtenção de dados. 

Superar esses desafios envolve melhorar a maturidade do processo de S&OP e IBP, capacitar a equipe em modelos clássicos de previsão de vendas e ferramentas de Analytics, e avançar na colaboração na cadeia de suprimentos. A implementação de uma plataforma de dados unificada, que permita a coleta, processamento e análise de informações de várias fontes, é crucial para o sucesso dessas iniciativas.

*Leonardo Julianelli, Sócio Executivo ILOS