Como reduzir perdas causadas pela pandemia usando Machine Learning e Inteligência Artificial?

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.

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.

Sobre a ICTS Protiviti

A ICTS Protiviti é uma empresa brasileira que combina o alcance global e o conhecimento e inovação em gestão de riscos, compliance, auditoria, investigação e proteção de dados da Protiviti, com a segurança, eficiência e independência da plataforma tecnológica de serviços especializados da ICTS Outsourcing (canal de denúncias, diligência de terceiros, monitoramento de fraudes e de comportamentos antiéticos, e treinamentos on-line).

A união de deep expertise, com capacidade de transformação e excelência operacional, proporciona aos seus clientes um portfólio abrangente de soluções que endereçam os principais riscos, problemas e desafios de negócio, protegendo e maximizando o valor das organizações, e ajudando seus líderes a encararem o futuro com confiança e alcançarem resultados extraordinários num mundo dinâmico.

Reconhecida como Empresa Pró-Ética por 3 anos consecutivos, conta no Brasil com mais de 300 profissionais em 4 escritórios - São Paulo, Barueri, Rio de Janeiro e Belo Horizonte, que atendem cerca de 600 empresas de diferentes portes e segmentos.

No mundo, são mais de 4.500 profissionais atuando por meio de uma rede de subsidiárias e firmas-membro independentes. Empresa reconhecida como Great Place To Work e com faturamento anual superior a USD 1 bilhão, opera 85 escritórios em 27 países, que atendem a 60% das empresas da FORTUNE 1000®.