No ano passado, um 3PL de Ontário me chamou como consultor. Eles queriam previsão de demanda com IA, a demo do fornecedor estava impecável e o contrato estava praticamente assinado. Passei dois dias no local e, ao voltar, disse ao dono logo de cara: se gastar esse dinheiro agora, ele some. Não porque o algoritmo fosse ruim — mas porque, de seus mais de 20,000 SKUs, mais de 4,000 sequer tinham código de barras. Os separadores identificavam o produto de memória. Nenhum algoritmo na Terra consegue prever a parte do seu estoque que vive na cabeça de alguém.
Essa é a forma mais comum de a IA morrer em um armazém: ela morre pelos dados, não pela tecnologia. Acompanhei uma dúzia de pilotos de IA ao longo dos anos, e sete ou oito em cada dez fracassos remontam a uma preparação de dados que nunca aconteceu. Os fornecedores não vão te contar isso por conta própria — eles ganham dinheiro vendendo licenças, então adorariam que você assinasse cedo. Aqui está minha própria lista de verificação: antes de a IA entrar em produção, três categorias de dados do armazém precisam ser organizadas primeiro. Se uma categoria não atingir o mínimo, não lance o caso de uso que depende dela. Você vai economizar mais do que imagina.
Dados mestres: SKU, localizações, lotes — «mais ou menos» não basta
Os dados mestres são o alicerce sobre o qual todo modelo de IA se apoia. Atributos de SKU ausentes, códigos de localização bagunçados, informações de lote remendadas à mão: na operação tradicional, tudo isso dá para disfarçar com o conhecimento tribal dos veteranos. No momento em que a IA entra em cena, cada lacuna vira uma mina terrestre.
Imponho aos meus clientes três mínimos rígidos. Primeiro, integridade dos dados mestres de SKU acima de 95 %: dimensões, peso, especificações de embalagem, classe ABC. Se faltarem, o slotting e o planejamento de ondas da IA são lixo entra, lixo sai. Não acredite nesse papo de que «o algoritmo preenche as lacunas sozinho»: dimensões erradas em 10 % significam que cada recomendação de caixa está errada.
Segundo, 100 % das localizações precisam ser escaneáveis. A IA que despacha AMRs e otimiza rotas de deslocamento pressupõe que cada localização do sistema corresponde a uma física. Já vi um galpão com 12,000 localizações no sistema em que uma auditoria de piso encontrou mais de 300 localizações fantasmas: etiquetas caídas, racks removidos, mas continuavam no banco de dados. Jogue isso para uma IA e cada rota que ela planejar é ficção.
Terceiro, os dados de lote e validade precisam fechar o ciclo. Para armazéns de alimentos e farmácia que usam IA de alerta de validade, sem registros de entrada e saída em nível de lote não há amostras de treinamento. Esses são os dados mais lentos de reconstruir, porque o histórico normalmente não existe — você começa a coletar hoje e espera um trimestre inteiro.
Como resolver? Não lance uma campanha de limpeza. Meu método: amostre 200 SKUs, calcule a taxa de erro dos dados mestres. Acima de 15 %, você precisa de uma reconstrução sistemática — orce de dois a três meses. Abaixo de 5 %, dá para lançar a IA e complementar em paralelo. Faça essa conta antes, não depois de o algoritmo entrar em produção.
Dados de eventos: os registros de data e hora devem ser contínuos, ou o histórico não vale nada
A IA aprende como o seu armazém realmente funciona, e seu livro-texto é cada scan, cada putaway, cada carimbo de data e hora de onda. O maior problema aqui não são os dados ausentes — são os dados quebrados.
Muitos armazéns escaneiam recebimento, putaway e picking religiosamente, e depois tocam pack e ship no papel. Os carimbos de data e hora param no meio do caminho. Uma IA tentando aprender o verdadeiro tempo de ciclo do pedido bate num beco sem saída no meio da lição. Outros deixam o turno da noite pular scans para bater a meta, deixando trechos inteiros do registro em branco — um modelo treinado com esses dados vai subestimar sistematicamente a capacidade do turno da noite.
Meu mínimo de aceitação: cobertura de scan acima de 90 % em cada etapa-chave, contínua por três meses. Ainda não chegou lá? Duas soluções. A barata é gestão de conformidade de scan: coloque a taxa de scan no KPI do turno e a cobertura sobe em dois meses com custo quase zero. A cara é hardware, como unidades automáticas de pesagem e scan nas estações de pack. Normalmente recomendo a barata primeiro — corrija o hábito, consiga continuidade, e depois falamos de IA.
Mais uma coisa: guarde pelo menos seis meses de histórico cobrindo um ciclo completo de baixa e pico. Um modelo treinado só com dados de pico vai chorar lobo a temporada de baixa inteira, e vice-versa. Quando um fornecedor diz «três meses de dados bastam», esse é o som de alguém que quer receber antes.
Dados de resultados: sem um boletim, a IA nunca se forma
As duas primeiras categorias são entradas. Esta são saídas: logs de divergência de inventário cíclico, registros de erros de picking, taxas de entrega no prazo, classificação de motivos de devolução. Os modelos precisam de dados de resultados para saber se estão certos. Sem eles, depois da entrada em produção você nem consegue dizer se o modelo está melhorando ou alucinando.
Isso é o mais ignorado porque os dados de resultados vivem em todo lugar: divergências numa planilha, reclamações no e-mail, motivos de devolução na cabeça de alguém. No ano passado avaliei um cliente para inventário cíclico com visão por IA e encontrei dois anos de registros de divergência guardados só como totais — sem detalhe por SKU. O modelo nem conseguia aprender onde estavam os erros. Seu teto de precisão era óbvio antes de começar.
A solução é um log mestre de resultados: data, SKU, etapa do processo, tipo de problema, impacto em dinheiro. Registre à mão por dois meses para criar o hábito, e depois sistematize. Também tem um benefício colateral: muitos problemas de gestão surgem só desse log. Você ganha uma melhoria de gestão antes de a IA sequer chegar.
Realidade do orçamento: a preparação de dados consome 60–70 % do projeto. Não se surpreenda.
Honestamente: num piloto de IA, a preparação de dados tipicamente consome 60 a 70 por cento do tempo e do esforço; a seleção e a implantação do algoritmo ficam com o resto. Os planos de projeto dos fornecedores raramente dizem isso — eles listam a preparação de dados como «duas semanas de cooperação do cliente». Acredite, e seu projeto atrasa três meses no mínimo.
Meu conselho: faça uma avaliação de saúde dos dados antes do kickoff, pontuando cada uma das três categorias de zero a dez. Abaixo de 18 no total, nem fale de IA ainda — execute a preparação de dados como seu próprio projeto de três a seis meses, e depois volte. Acima de 24, vá direto ao POC. Já fiz essa avaliação para cinco ou seis clientes, e cada vez ela matou um ou dois projetos condenados. As economias são dinheiro de verdade.
A verdade crua: a preparação de dados não tem glamour. É tudo trabalho braçal, por isso ninguém se oferece — os fornecedores pulam, e ninguém por dentro assume. Mas na era da IA, dados são as novas prateleiras. Prateleiras bagunçadas significam produto perdido; dados bagunçados significam que sua IA é decoração. Despeje primeiro a fundação, e a parte do algoritmo fica fácil.
Traduzido do inglês. Em caso de divergência, prevalece a versão em inglês.
