Vou dizer direto: antes de a IA fazer qualquer coisa útil no seu armazém, a preparação de dados precisa acontecer primeiro. Já vi projetos demais comprarem software caro, assistirem a uma demonstração linda e depois desmoronarem no primeiro dia — e a causa raiz era sempre os dados. Dados mestres que não batem, registros de transações cheios de buracos, exceções que ninguém se deu ao trabalho de anotar. Alimente uma IA com isso e você terá um sistema que nunca pisou em um armazém dizendo aos seus separadores por onde andar. Quanto mais inteligente ele é, mais rápido erra. Este artigo não é sobre modelos ou algoritmos. É sobre os três tipos de dados que você precisa limpar antes de a IA entrar em operação, a ordem para fazê-lo e como saber quando cada um está pronto.
No outono de 2023, pediram-me para revisar um armazém 3PL a leste de Los Angeles — 120,000 pés quadrados, cerca de 4,000 pedidos por dia. Eles tinham acabado de gastar $180,000 em um sistema de IA de rotas de separação feito para reduzir a distância que os separadores caminhavam por dia. Na primeira semana após o lançamento, os separadores estavam caminhando cerca de 2 quilômetros a mais por dia, não menos. Passamos três dias perseguindo o problema. Não era o algoritmo. Eram os dados: o mesmo produto vivia no sistema sob três números de item diferentes, e as localizações dos bins tinham sido digitadas à mão cinco anos antes, com mais de 60 dos mais de 400 bins com o nível errado. A IA fez exatamente o que lhe disseram, com dados errados. O sistema ficou parado por dois meses enquanto a equipe voltava e limpava os dados. Aqueles $180,000 compraram uma lição: se a preparação de dados não estiver concluída, o projeto de IA nem começou.
A preparação de dados começa pelos dados mestres: acerte o básico
Dados mestres são três tabelas: produtos, localizações, fornecedores. Pense nelas como o registro de família do armazém. Se o registro estiver errado, todos os documentos e todos os cálculos a jusante também estarão errados. As versões sujas são iguais em todo lugar que vou: um produto com três números de item — um criado pelo setor de compras, um sincronizado de um marketplace, um inventado pelo próprio armazém. Códigos de bin misturando maiúsculas e minúsculas e espaços soltos, de modo que o sistema trata um bin como se fossem dois. Um fornecedor escrito de cinco formas diferentes na mesma coluna.
Limpar isso é um trabalho pouco glamoroso, e esse é o ponto. Decida um único número de item por produto e mapeie o restante — sem números novos, sem exceções. Depois percorra cada bin com uma lista impressa e corrija os erros na hora, com o supervisor do armazém assinando cada corredor. Em seguida, preencha as lacunas nos atributos de fornecedores e produtos, com uma lista de campos faltantes e um prazo para compras e operações fechá-los. Há dois lados nisso: parece trabalho manual sem nenhuma tecnologia, e também é a única coisa que decide se a IA consegue fazer aritmética básica corretamente. Meu critério de aceitação é direto: campos de dados mestres completos em pelo menos 98%, zero números de item duplicados, cada bin verificado pessoalmente. Até atingir esse nível, não gaste mais um dólar.
Preparação de dados para dados transacionais: não alimente o modelo com lixo
Na primavera de 2024, um armazém de e-commerce em Chicago pediu-me para analisar sua previsão de reposição com IA. O sistema queria pedir $30,000 de um pequeno eletrodoméstico porque estava «girando rápido». Vasculhei as transações e encontrei a história: metade daquela suposta rotação eram devoluções sendo recolocadas na prateleira, e a outra metade eram registros de saída contados duas vezes durante ajustes de contagem cíclica. As vendas reais eram cerca de 60% do que o sistema acreditava. Se aquele pedido de $30,000 tivesse sido feito, pelo menos metade dele ficaria parado no armazém por seis meses.
Os dados transacionais se sujam de um jeito diferente dos dados mestres. Os dados mestres estão errados na origem; os dados transacionais vazam ao longo do caminho. Devoluções que nunca são registradas no mesmo dia. Mercadorias danificadas tratadas sem registro. Variações de contagem corrigidas editando o número no sistema e sem deixar rastro. Tickets de papel digitados com um dia de atraso. A solução não é reconstruir o histórico — é tapar os vazamentos. Devoluções, danos e ajustes de contagem entram no sistema no mesmo dia, e um registro com campos faltantes não pode ser salvo. Os tickets de papel são digitados no mesmo dia, e qualquer coisa que passe a noite conta como exceção. Uma vez por semana, pedidos, estoque e finanças são conciliados, e qualquer diferença é investigada no mesmo dia. O critério de aceitação: campos faltantes abaixo de 2% nos quatro tipos principais de transação, diferenças de conciliação resolvidas no mesmo dia. Se o histórico estiver sujo demais para salvar, corte uma janela limpa de semanas recentes para a IA aprender. Um trecho curto e limpo vale mais do que três anos de dados sujos.
Exceções e feedback: sem eles, a IA nunca aprende
Este é o mais fácil dos três de ignorar, e o que decide se a IA melhora com o tempo. Dados de exceções são tudo o que deu errado: faltas de estoque, envios errados, danos, pedidos atrasados, reclamações de clientes. Dados de feedback são o que as pessoas fizeram com as sugestões da IA: aceitaram ou rejeitaram, e por quê. Na maioria dos armazéns, nenhum dos dois existe. As exceções viajam de boca em boca. Se a IA acertou ou errou, ninguém anota. Sem um ciclo de feedback, a IA comete o mesmo erro hoje, amanhã e no mês que vem — idêntico, todas as vezes.
No verão de 2024, visitei um armazém de autopeças perto de Dallas. A IA emitia uma lista de reposição toda manhã, e as operações rejeitavam cerca de um terço dela por experiência — sem jamais registrar uma única razão. Três meses depois, a IA continuava fazendo as mesmas sugestões e as operações continuavam rejeitando-as. Três meses de aprendizado, desperdiçados. Corrigir isso não exige um grande projeto: cada exceção recebe um registro, uma causa e uma resolução — uma frase basta. Cada sugestão da IA recebe uma marca de aceita ou rejeitada, e cada rejeição recebe uma razão de uma linha. Um mês disso é um bom material de treinamento para a próxima rodada. Aqui está a parte contraintuitiva: quanto mais dados de exceções você guarda, mais baratos ficam os erros da IA, porque o sistema pode aprender com eles. Um armazém sem registros de exceções parece tranquilo na superfície enquanto o mesmo erro se repete sem que ninguém perceba.
Em que ordem, e quanto custa
Siga os três na ordem acima: dados mestres, dados transacionais e, depois, exceções e feedback. A ordem não é flexível. Sem dados mestres acordados, a conciliação nunca fecha. Sem tapar os vazamentos nas transações, os registros de exceções não têm um caso ao qual se vincular. A tabela abaixo é uma estimativa ilustrativa para um armazém de médio porte — 3,000 pedidos por dia, 2,000 bins. Os números são um exemplo hipotético, não um benchmark do setor:
| Tipo de dado | Como costuma ser | Trabalho de limpeza | Critério de aceitação | Custo ilustrativo |
|---|---|---|---|---|
| Dados mestres | Um produto, vários números de item; códigos de bin errados | Um número por produto; percorrer cada bin | Campos completos em 98%+; zero duplicados | 2–3 semanas, ~$10,000 |
| Dados transacionais | Devoluções sem registro; contagens editadas sem rastro | Entrada no mesmo dia; conciliação tripla semanal | Campos faltantes abaixo de 2%; diferenças resolvidas no mesmo dia | 3–4 semanas, ~$15,000 |
| Exceções e feedback | Boca a boca; rejeições sem motivo | Cada exceção registrada; cada sugestão marcada | Registro, causa e resolução arquivados | 1–2 semanas, ~$5,000 |
Somando tudo, o trabalho completo leva cerca de 6 a 9 semanas e custa $30,000. Parece um custo extra em cima do projeto de IA, até você precificar a alternativa: dois meses de retrabalho e um sistema de $180,000 parado. A preparação de dados não é uma linha de custo. É o ingresso para o projeto de IA — se você não pode pagá-lo, ainda não entre.
Então, da próxima vez que um fornecedor disser que dados sujos não são problema porque o modelo vai aprender sozinho, faça uma pergunta: quando ele aprender a coisa errada, quem vai pagar por isso? Se ele não souber responder, coloque o negócio em espera, limpe primeiro os dados e fale de IA depois.
Por Lao Mi, Veterano da cadeia de suprimentos (20 anos) Traduzido do inglês. Em caso de divergência, prevalece a versão em inglês.







