O forecasting de demanda com IA e o reabastecimento de armazém tornaram-se uma daquelas expressões que aparecem em todas as apresentações de fornecedores e em todos os painéis de conferências. A promessa parece simples: prever a demanda com mais precisão, e o armazém naturalmente terá menos estoque e perderá menos vendas. No entanto, muitos armazéns que adotaram ferramentas de previsão relatam um resultado desconcertante. Suas previsões melhoraram, de forma mensurável, mas seus armazéns não. As prateleiras continuaram cheias, os produtos de baixo giro continuaram acumulando poeira, e o telefone continuou tocando na alta temporada com um cliente perguntando onde estava seu pedido.

Esta não é uma história sobre modelos ruins. É uma história sobre tudo o que acontece depois que o modelo produz um número.

Considere um distribuidor de bens de consumo no leste da China. Antes da alta temporada do ano passado, a empresa adotou uma ferramenta de previsão de demanda, e a correspondência entre a previsão e as vendas reais melhorou de verdade. A equipe de compras sentiu que o problema estava resolvido. Quando a temporada terminou e a contagem de estoque chegou, vários dos produtos mais vendidos estavam com mais inventário do que no ano anterior, enquanto duas linhas de produto menores, com as quais ninguém se preocupava, haviam se esgotado. A previsão não estava tremendamente errada. O que deu errado foram as etapas que vieram depois.

Um segundo caso vem de um distribuidor de alimentos no sul. Suas previsões eram igualmente respeitáveis, mas os prazos de entrega dos fornecedores variavam de forma imprevisível. Às vezes uma entrega chegava em uma semana; às vezes levava a maior parte de um mês. Para evitar rupturas de estoque, o armazém planejava em torno do prazo de entrega mais longo plausível. A previsão podia dizer aproximadamente quanto seria vendido no mês seguinte, mas não podia dizer quando as mercadorias deveriam chegar nem em que tamanho de lote. Quando o estoque chegava, o pico de vendas muitas vezes já havia passado, e o restante ficava esperando o próximo ciclo.

Quando a previsão está certa e o reabastecimento ainda falha

A lacuna está na tradução. Uma previsão fala em totais sobre um período futuro. O reabastecimento precisa responder a três perguntas diferentes: quando pedir, quanto pedir e quanto colchão manter. Se qualquer uma delas for respondida de forma errada, um total preciso não salva você. Essa lacuna de tradução é onde o forecasting de demanda com IA e o reabastecimento de armazém mais frequentemente falham na prática, não dentro do modelo, mas na passagem da previsão para os pedidos reais.

Três tipos de desalinhamento aparecem repetidamente. O primeiro é o desalinhamento de lote: a previsão é produzida diariamente, mas as compras pedem em caminhões cheios ou quantidades mínimas do fornecedor, de modo que os números são arredondados até assumir outra forma. O segundo é o desalinhamento de ritmo: a previsão é uma curva suave, mas o reabastecimento chega em pulsos, com o estoque aterrissando em rajadas enquanto as vendas o drenam gradualmente, de modo que o inventário oscila para cima e para baixo. O terceiro é o desalinhamento de responsabilidade: o algoritmo é dono da previsão, um comprador é dono da decisão de reabastecimento, e os dois lados trabalham com premissas diferentes. O número do sistema é ajustado manualmente na camada de execução, e no final ninguém consegue dizer exatamente com qual regra o armazém está realmente operando.

Segundo vários relatórios do setor, o efeito do erro de previsão sobre o inventário costuma ser menor do que o efeito de parâmetros de reabastecimento mal definidos. Isso parece contraintuitivo, mas a lógica é simples. Os erros de previsão flutuam em torno da demanda real, às vezes acima, às vezes abaixo. Uma regra de reabastecimento errada amplifica cada flutuação em uma única direção. Ela nunca se corrige sozinha.

O trade-off entre estoque de segurança e reabastecimento

O estoque de segurança é a peça mais mal compreendida deste quebra-cabeça. Muitas equipes o tratam como um seguro e presumem que ter mais só pode ajudar. Mas, uma vez definido alto demais, ele deixa de ser seguro e se torna inventário permanente. Pior, muitas vezes é definido como uma única regra geral para todas as categorias, sem distinção entre produtos em que uma ruptura é cara e produtos em que o excesso de estoque é caro.

Uma forma útil de olhar para isso é colocar três quantidades lado a lado: quanto a demanda varia, quanto tempo o reabastecimento realmente leva e quanto custa realmente uma única ruptura de estoque. Maior variabilidade e prazos mais longos justificam mais colchão; essa parte é sólida. Mas, se o próprio prazo de entrega pode ser encurtado por negociação, outro fornecedor ou entregas fracionadas, então acumular estoque de segurança é apenas pagar a frouxidão da cadeia de suprimentos com inventário. Por outro lado, produtos com prazos curtos e reabastecimento flexível podem operar com pouco estoque de segurança, liberando capital para os itens que realmente precisam de um colchão.

A tabela abaixo é um modelo que sugiro que as equipes alinhem antes de mudar qualquer parâmetro. Ela não é uma resposta por si só; ela força quatro conjuntos de premissas a ficarem na mesma página, que é onde a maioria dos armazéns nunca os colocou.

| Decisão | Prática comum | O que dá errado | Um melhor ponto de partida | | Quantidade do pedido | Arredondar para caminhões cheios ou mínimos | Uma demanda pequena é inflada até virar um grande estoque | Dividir os pedidos para acompanhar o ritmo da demanda, aceitando reabastecimentos menores e mais frequentes | | Momento do pedido | Pedir em um dia fixo da semana | Mudanças na demanda esperam um ciclo completo antes que alguém reaja | Acionar quando o estoque atinge um limite, não em uma data do calendário | | Estoque de segurança | Um único percentual geral para todos os produtos | Produtos de alto giro ficam em falta enquanto os de baixo giro se acumulam | Classificar os produtos pelo custo de ruptura versus o custo de excesso de estoque | | Prazo de entrega | Usar o prazo mais curto prometido pelo fornecedor | Qualquer atraso causa uma ruptura, corrigida depois com mais estoque | Planejar com base na faixa superior realista das chegadas reais, não na promessa |

Muitos armazéns não carecem de dados. Carecem de um conjunto compartilhado de premissas sobre essas quatro decisões, e cada decisão foi tomada silenciosamente, de forma isolada.

Da precisão da previsão à saúde do armazém

Há um desalinhamento mais profundo na forma como o sucesso é medido. A equipe de previsão é julgada pela precisão, o armazém pelos giros de inventário e pelas taxas de ruptura, e as compras pelo custo de compra. Cada métrica pode parecer boa isoladamente enquanto a combinação falha. Quando a precisão da previsão melhora alguns pontos e o giro de inventário não se move, o primeiro suspeito não deveria ser o modelo. Deveria ser se as métricas estão lutando entre si.

Segundo observações publicadas do setor, os armazéns que realmente se beneficiam da previsão tendem a não ser os que têm os modelos mais avançados. São os que gerenciam previsão, reabastecimento e estoque de segurança sob um único conjunto de regras. Seu hábito compartilhado não tem glamour: a saída da previsão se conecta diretamente aos parâmetros de reabastecimento, as mudanças de parâmetros são registradas e revisadas, e as substituições manuais deixam um rastro em vez de acontecerem em silêncio.

Olhando adiante, as ferramentas de previsão continuarão melhorando e ficando mais baratas. Isso não significa que os problemas de armazém desaparecerão por conta própria. As ferramentas respondem se o cálculo é preciso. Os armazéns ainda precisam responder o que acontece depois do cálculo, o que é mais confuso, mais difícil de padronizar e, em última análise, o que determina se o inventário está saudável.

Portanto, talvez a pergunta certa já não seja quanto mais precisas as previsões podem ficar. O forecasting de demanda com IA e o reabastecimento de armazém devem ser julgados pelo que acontece com o estoque e os níveis de serviço depois que a previsão é produzida, porque é aí que o dinheiro é economizado ou desperdiçado. Trata-se de saber se, agora que as previsões são boas o suficiente, os armazéns estão dispostos a refazer suas regras de reabastecimento e seu estoque de segurança do zero. Quando uma previsão precisa ainda deixa um armazém com excesso de estoque, o que transbordou raramente foi a credibilidade do modelo. Foi a camada de execução que ninguém havia levado a sério por muito tempo. E quantas operações vão parar para alinhar essas quatro decisões, em vez de comprar um modelo mais caro, é em si uma pergunta aberta que vale a pena acompanhar.

Por Dr. Chen, Pesquisador de cadeia de suprimentos Traduzido do inglês. Em caso de divergência, prevalece a versão em inglês.