O telefone tocou às 2h da manhã, com o tipo de alerta que domina toda conversa sobre detecção de anomalias de estoque com IA em armazéns. Um supervisor noturno de um armazém terceirizado no leste da China atendeu e soube que o estoque contábil de uma categoria de produto já não correspondia ao estoque disponível para picking, e a diferença não era pequena. Seu primeiro instinto foi se vestir e ir até lá de carro. Seu segundo instinto foi melhor: ele perguntou quantas vezes aquele mesmo alerta havia disparado naquela semana. Era a terceira. Nas duas primeiras vezes, alguém tinha ido e encontrado a mesma história nas duas ocasiões: documentação em trânsito que ainda não havia sido contabilizada. Ele ficou em casa e, pela manhã, os números já tinham se conciliado sozinhos. Essa distância entre o primeiro instinto e o segundo é onde vive todo esse assunto. Um sistema de alertas que grita "lá vem o lobo!" toda noite não torna um armazém mais seguro. Ele treina as pessoas a ignorar alertas, o que é pior do que não ter alerta nenhum.

Esse padrão ficou mais comum por uma razão estrutural, não misteriosa. Os armazéns hoje operam mais sistemas do que antes: um sistema de gestão de armazém, um sistema de pedidos, um sistema de transporte e, muitas vezes, o próprio sistema do cliente, cada um com seus próprios livros. Cada passagem entre sistemas é uma chance de defasagem de sincronização. Ao mesmo tempo, os modelos de detecção realmente melhoraram. Eles conseguem identificar padrões em milhões de movimentações, como um endereço com falta de algumas unidades toda quarta-feira. O problema é que um modelo entrega uma probabilidade e uma classificação, não um veredicto. Tratar uma probabilidade como veredicto multiplica as ligações telefônicas às 2h da manhã.

Os alertas de detecção de anomalias de estoque com IA em armazéns caem em três grupos

Antes de falar de modelos, convém classificar as discrepâncias em três grupos. O primeiro é perda ou dano real: as unidades sumiram fisicamente, quebraram, venceram ou se misturaram com outro produto. O segundo é uma discrepância falsa: a mercadoria está bem e os livros estão errados, por erro de digitação, código de barras trocado ou endereço digitado errado. O terceiro é uma defasagem de sincronização: não há nada de errado nem com a mercadoria nem com os livros, mas dois sistemas tiraram instantâneos em momentos diferentes, de modo que estoque em trânsito, documentação não contabilizada, trocas de lote ou uma janela de congelamento de contagem os fazem divergir temporariamente.

A distinção importa porque o custo de lidar com cada grupo é completamente diferente. A perda real exige lacrar os endereços afetados, verificar as imagens das câmeras e levantar os registros de movimentação. Uma discrepância falsa exige corrigir a etapa de entrada de dados e sua revisão. Uma defasagem de sincronização exige a resposta mais barata disponível: esperar até o próximo ponto de conciliação, quando ela normalmente se resolve sozinha. Grande parte da fadiga de alertas vem de tratar o terceiro grupo como se fosse o primeiro, mandando gente à noite para investigar algo que já teria se resolvido até o café da manhã. O erro inverso é igualmente caro. Tratar uma perda real como defasagem de sincronização faz com que ela apareça no inventário de fim de mês como um número grande e difícil de explicar, com responsabilidade impossível de rastrear.

Um armazém de fulfillment de bens de consumo compartilhou uma revisão que ilustra o ponto. Ao longo de um mês de alertas noturnos, mais da metade havia se resolvido até a manhã seguinte sem intervenção, e apenas uma pequena fração exigiu alguém no local. A solução deles não foi um modelo novo. Eles acrescentaram duas perguntas de triagem antes de qualquer alerta chegar a uma pessoa: com que frequência essa diferença apareceu recentemente e os documentos relacionados ainda estão inacabados? Essas duas perguntas filtraram a maioria das defasagens de sincronização, e os supervisores voltaram a levar a sério os alertas restantes.

O que os dados de detecção de anomalias de estoque com IA em armazéns realmente dizem

O valor é a forma óbvia de classificar os alertas, mas o valor sozinho deixa passar dois tipos perigosos. O primeiro é a discrepância de alta frequência: cada ocorrência é pequena, mas a mesma diferença se repete, o que geralmente aponta para um vazamento de processo, como uma etapa em que pequenas quantidades são rotineiramente sub-registradas e se acumulam em silêncio. O segundo é a discrepância de propagação rápida: um endereço hoje, três amanhã, uma categoria inteira até o fim da semana. Esse padrão geralmente significa que algo mudou a montante, por exemplo, um fornecedor mudou as dimensões da embalagem enquanto a regra de leitura do código de barras permaneceu a mesma.

Um modelo de triagem mais estável avalia três dimensões: valor, recorrência e propagação. Se duas das três ultrapassarem seus limites, o alerta é elevado para investigação no local. Se apenas uma for alta, ele vai para uma lista de observação com rechecagem programada, e o sistema a recalcula automaticamente nesse momento. Os limites não precisam ser precisos. O que importa é que cada nível corresponda a uma ação concreta. Um item na lista de observação recebe uma rechecagem programada. Um item elevado recebe uma investigação e, quando cabível, um congelamento dos endereços afetados. Quando essa correspondência existe, um alerta deixa de ser uma notificação e se torna uma ordem de serviço com um destino.

Eis o julgamento contraintuitivo que confunde muitas equipes: uma queda no número de alertas não é necessariamente uma boa notícia. Se os limites forem afrouxados, ou se a equipe começar a corrigir os livros à mão fora do sistema, o número de alertas parece maravilhoso enquanto as discrepâncias reais se acumulam fora dos livros. A saúde de um sistema de detecção não pode ser julgada apenas pelo volume de alertas. Duas métricas juntas contam uma história mais verdadeira: a proporção de alertas que se revelam discrepâncias reais e o tempo médio do alerta até a confirmação. Quando ambas se movem na direção certa, o sistema está realmente melhorando. Quando só uma parece boa, geralmente alguém ajustou as definições em vez da operação.

De uma discrepância ao passo quebrado

Os modelos conseguem localizar anomalias, mas a atribuição ainda pertence às pessoas. Uma cadeia de raciocínio útil funciona assim: primeiro confirmar o estado físico, se a mercadoria está presente e em boas condições; depois examinar os registros recentes de entradas, saídas e transferências para ver se a diferença surgiu de repente ou se acumulou gradualmente; depois verificar se o mesmo produto, zona ou turno apresenta diferenças semelhantes, para distinguir um caso isolado de um padrão; depois chegar à etapa do processo mais provavelmente responsável: recebimento, inspeção de qualidade, armazenagem, picking, conferência ou expedição.

A etapa mais frequentemente pulada é a pergunta sobre surgimento repentino versus gradual, e ela muda completamente a solução. Uma diferença repentina geralmente remonta a um evento específico, como uma troca de sistema ou uma importação em massa. Uma diferença gradual geralmente remonta ao desgaste do processo, como uma etapa de conferência que as pessoas silenciosamente deixaram de executar. Equipes que só reparam o caso individual acabam jogando o jogo do martelo: este produto consertado hoje, outro produto amanhã, com a mesma causa raiz intacta. Distinguir os dois tipos de surgimento é o que transforma o combate a incêndios em reparo.

A economia pertence à mesma conversa. Lidar com um alerta custa tempo de resposta do supervisor, verificação no local, revisão de documentos e, às vezes, espera ociosa enquanto os endereços estão congelados. Multiplique isso pelo volume de alertas e você tem o custo operacional do sistema de alertas. Do outro lado está o custo de uma discrepância real não detectada: mercadoria perdida, indenizações e confiança do cliente abalada. Há um ponto de equilíbrio entre os dois. Alertas sensíveis demais afogam a equipe em custos operacionais; alertas frouxos demais deixam as perdas não detectadas explodirem no fim do mês. Os limites de cada armazém devem ficar perto do seu próprio ponto de equilíbrio, não ser copiados da configuração de outro operador.

Nível de triagem Gatilho Ação
Lista de observação Uma dimensão alta Rechecagem programada, sem visita ao local
Elevado Duas dimensões altas Verificação no local, congelar os endereços afetados
Crítico Perda real confirmada ou propagação rápida Investigação completa, notificação ao cliente se necessário

A tendência: alertas mais precisos, julgamento humano mais difícil

Olhando adiante, a detecção evoluirá em duas linhas. Primeiro, os modelos recorrerão a mais fontes de dados, combinando registros de estoque com ondas de pedidos, rastreamento de transporte e resultados de inspeção, de modo que as defasagens de sincronização sejam identificadas com mais precisão e os falsos alarmes diminuam. Segundo, os alertas se aproximarão da própria ação, chegando não como um simples aviso, mas com um próximo passo sugerido, como quais documentos verificar primeiro ou quais endereços congelar.

Mas há um julgamento que vale a pena preservar: quanto mais preciso o modelo, maior a responsabilidade carregada pelos poucos alertas que ainda chegam a uma pessoa. As discrepâncias rotineiras são tratadas automaticamente, deixando para as pessoas os casos que o próprio modelo não conseguiu resolver, que tendem a ser grandes e complexos. O supervisor noturno de amanhã pode receber menos ligações, mas cada ligação será mais difícil de responder.

Voltando àquela ligação telefônica das 2h da manhã. Se ela merecia resposta nunca dependeu do alerta em si. Dependia de um sistema de triagem já tê-la classificado, pontuado e filtrado antes de chegar a uma pessoa. Sem esse sistema, até o melhor modelo só produz mais ligações telefônicas. Com ele, o modelo finalmente começa a economizar o tempo das pessoas. Como esse sistema deve ser no seu armazém é algo que só surge da revisão das suas próprias discrepâncias, um caso de cada vez.

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