A conclusão logo de cara: a otimização do slotting é um dos casos de uso da IA em um armazém mais fáceis de justificar com um ROI concreto. Duas condições: seus dados não podem ser lixo, e não espere que o algoritmo tome decisões por você. É um analista incansável, não um gerente.
Os últimos anos trouxeram um desfile de histórias de IA em armazéns — inspeção por visão, empilhadeiras autônomas, picking por voz. Demos empolgantes, todas. Mas, na minha experiência, o projeto de IA que realmente faz operadores de armazéns pequenos e médios abrirem a carteira é bem menos glamouroso: um algoritmo que diz onde cada SKU deve ficar. A matemática é simplesmente mais fácil de acreditar. Cada passo que um operador não caminha é dinheiro.
O que o algoritmo realmente consome
Deixa eu desmistificar primeiro: algoritmos de slotting não são mágica. Um gerente de armazém veterano com dez anos de Excel poderia construir à mão 70 ou 80 por cento do resultado. A vantagem da IA não é ser mais esperta — é recalcular tudo toda semana sem ficar entediada. Nenhum humano tem essa resistência.
As entradas são quatro coisas. Primeiro, o histórico de linhas de pedido: quantas vezes cada SKU foi pedido nos últimos meses. Isso é o núcleo de tudo. Segundo, a frequência de picking unitário — e note, são linhas de picking, não unidades enviadas. Um SKU que envia 100 unidades em um pedido custa uma viagem até a posição; um SKU pedido 50 vezes por dia como pedidos de peça única custa 50 viagens. O segundo pertence perto do início do percurso de picking. Terceiro, a afinidade de SKU: itens frequentemente comprados juntos devem ficar juntos. O algoritmo chama de afinidade; os operadores chamam de "prático". Quarto, atributos físicos: dimensões, peso, posição — o pesado vai para baixo, o volumoso não cabe em posições pequenas.
As saídas são refrescantemente práticas: uma recomendação de re-slotting ABC (quais SKUs pertencem à zona dourada de picking), uma lista de ajustes de faces de picking avançadas e sugestões de reposição. Note a palavra "recomendação". A melhor implementação que vi: toda segunda-feira de manhã o sistema produz uma lista de sugestões, o gerente de armazém gasta 30 minutos revisando-a e decide o que executar. Essa meia hora de julgamento humano cobre exatamente o que falta ao algoritmo — ele não sabe da promoção da próxima semana, e não sabe que um fornecedor vai mudar a embalagem de um produto.
Um exemplo concreto: um centro de distribuição de e-commerce que vende artigos para o lar descobriu através do algoritmo que lençóis com elástico e fronhas apareciam juntos em 70% dos pedidos. Movê-los para faces de picking adjacentes cortou a distância percorrida desses pedidos em quase um terço. Um humano poderia ter pensado nisso — mas nenhum cérebro consegue calcular as combinações por pares de 8,000 SKUs.
A matemática do ROI: milhas não caminhadas são dinheiro
Aqui vai o enquadramento. O picking é o trabalho manual mais caro em um armazém, e estudos de campo mostram consistentemente que os operadores caminham milhas por turno, com bem mais da metade do tempo gasto viajando em vez de realmente separar. A otimização do slotting traz os produtos de giro rápido para a porta do operador e empurra os de giro lento para o fundo. Um intervalo típico de melhoria que vejo citado é de 10 a 20 por cento menos distância percorrida. Parece modesto até você multiplicar por quadro de funcionários e salário por hora.
Do lado dos custos, essa capacidade vem como um módulo de slotting dentro do seu WMS ou como uma assinatura SaaS avulsa, com preço por tamanho da instalação e contagem de SKU — peça o preço atual ao fornecedor. Minha regra de ouro é direta: compare o custo anual do software com as horas de mão de obra economizadas vezes sua taxa salarial. Retorno em menos de um ano? Vai fundo. Mais de dois anos? Faça um piloto primeiro.
Para verificar os resultados, existe um método pouco glamouroso que funciona: o modo sombra. Ainda não aja sobre as sugestões do algoritmo — rode-as contra duas semanas de pedidos históricos reais e compare a distância total percorrida sob "layout sugerido" versus "layout atual". Melhor ainda, faça um teste A/B: duas zonas de picking comparáveis, uma seguindo o algoritmo, outra fazendo as coisas do jeito antigo, por um mês. Compare a produtividade do picking e as taxas de erro. Os números falarão mais alto do que qualquer apresentação de vendas.
Aqui um enquadramento de custos: um centro de distribuição de e-commerce de médio porte com 40 operadores. Se a otimização economizar 20 minutos de caminhada por dia para cada operador, multiplique as horas anuais economizadas pela sua taxa salarial e compare com o custo anual do software. A pegadinha: o tempo economizado precisa ser medido — use pedômetros ou os carimbos de tempo das tarefas do WMS durante o piloto, não estimativas no olhômetro.
Onde ele quebra? Três armadilhas que vi de perto. Primeira, dados sujos: códigos de barras mal etiquetados, registros de posição errados, devoluções nunca guardadas. Lixo entra, lixo sai — chegue a uma precisão de inventário acima de 95% antes de começar, ou nem se incomode. Segunda, o arranque a frio de produtos novos: um SKU novo não tem histórico de pedidos, então o algoritmo não sabe nada sobre ele. Posicione-o por julgamento de categoria, revise em um mês. Terceira, a sazonalidade: a posição do campeão de vendas do Natal vira peso morto em janeiro. Um algoritmo que tira a média do ano inteiro vai fazer sugestões bobas — boas soluções fatiam por estação, ou ao menos deixam você fixar manualmente os SKUs sazonais.
Não implemente no armazém inteiro no primeiro dia
Esta é a parte que eu mais quero que você ouça: comece pela sua zona de picking mais dolorosa, não pelo prédio inteiro. Uma categoria, uma área, quatro a seis semanas, deixe os dados decidirem. Se funcionar, expanda. Se não, suas perdas estão contidas.
E um julgamento sobre encaixe: centros de fulfillment B2C e operações 3PL de SKUs mistos com muito picking unitário veem os maiores ganhos. Uma operação atacadista movimentando paletes completos para dentro e para fora? Pule — mal há percurso de picking para otimizar, e o dinheiro do software provavelmente vai pelo ralo.
Seu primeiro passo concreto, possível hoje à noite: exporte 90 dias de dados de linhas de pedido e verifique que fatia das linhas de picking os 20% melhores SKUs representam. Mais de 60%? Seus produtos de giro rápido provavelmente estão espalhados pelo prédio e seu slotting é uma bagunça — vale a pena tentar. Só 30%? Sua velocidade de SKU é plana, o algoritmo não pode te ajudar muito, e você deveria gastar o dinheiro em outro lugar.
O passo dois é a seleção do fornecedor, e agora você negocia com força: traga seus dados do piloto e peça preço baseado em resultados ou pelo menos um teste de três meses. Fornecedores dispostos a amarrar taxas a resultados geralmente têm um algoritmo de verdade; os que só falam de licenças muitas vezes estão vendendo uma planilha disfarçada de IA.
Uma última cautela: não execute as movimentações todas de uma vez. Realocar centenas de posições em uma semana deixa os operadores perdidos por dias, as taxas de erro disparam e seus dados do piloto ficam arruinados. Minha regra: mova um lote de produtos de giro rápido por semana, dê três dias ao chão de fábrica para se ajustar. Devagar é suave, suave é rápido.
Traduzido do inglês. Em caso de divergência, prevalece a versão em inglês.
