por
Rodrigo Castro*
O uso do Machine Learning já era uma
tendência no mundo corporativo. Agora, com a aceleração da Transformação
Digital impulsionada pela Covid-19, haverá uma massa de dados cada vez maior,
que irá requisitar ainda mais modelos de aprendizado de máquinas para apoiar na
identificação de padrões escondidos, o que permite o uso da Inteligência
Artificial para a tomada de decisões e a gestão dos negócios de maneira mais
assertiva, baseada única e exclusivamente em fatos.
Nota-se que ainda há potenciais
inexplorados nas empresas, como é o caso de informações ligadas a perdas de
estoque. Segundo a Associação Brasileira de Prevenção de Perdas (ABRAPPE), o
índice médio de perdas anuais no setor de varejo chega a, aproximadamente, R$
21,46 bilhões. As perdas representam a diferença entre o prejuízo e o lucro,
principalmente para varejistas que operam com margens baixas. Sendo assim,
podemos perceber que o tema é estratégico para o setor.
Tipicamente, o varejo olha para os dados
de perdas mirando no retrovisor. Ou seja, relatórios apontam os itens e as
lojas com maiores quebras identificadas e perdas desconhecidas e, a partir
desses números, montam planos de ação para sanar algo que já aconteceu. Algumas
análises são mais inteligentes ao capturar características que possam prever
futuras quebras como, por exemplo, o excesso de estoques, a falta de vendas,
estoques virtuais, dentre outros gargalos. Entretanto, estes modelos ainda são
paramétricos e dependem do ser humano para calibrar a importância de cada
variável na perda.
Os modelos de aprendizado de máquina,
por sua vez, 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, como uma possível reaceleração da
pandemia, cujas perdas serão ainda maiores para alguns itens, enquanto outros
elevam sua demanda. 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.
Os mecanismos 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 se refere a todas as informações do produto como pedidos, entradas, 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 entender, mas os resultados podem ser uma virada na forma
de atuar contra as perdas no varejo, especialmente agora, em um momento de
readequação da operação para manter a sobrevivência do negócio.
*Rodrigo
Castro é diretor de riscos e performance na ICTS Protiviti, empresa
especializada em soluções para gestão de riscos, compliance, auditoria interna,
investigação, proteção e privacidade de dados.