Vamos começar pela conclusão: a preparação de dados para IA é onde a maioria dos projetos de IA em armazém se ganha ou se perde, e quase não tem nada a ver com escolher um modelo. Em mais de 30 implantações de WMS que liderei, o padrão se repete sempre. Uma equipe gasta seu orçamento numa demonstração do algoritmo, depois conecta os dados de produção e descobre que metade dos códigos de localização não confere, que as contagens de estoque não batem com os livros e que dois em cada dez pedidos históricos não têm campos essenciais. O modelo não está errado. Ele simplesmente não tem nada sólido com que trabalhar.
No outono de 2024, eu estava em campo num armazém 3PL no leste da China. O cliente queria sugestões de reposição com IA, e a demonstração parecia ótima. No momento em que conectamos os dados reais, tudo desmoronou: o mesmo produto tinha três códigos diferentes em três sistemas, metade dos registros de picking não tinha informação de localização, e um quinto dos pedidos de saída dos últimos seis meses não tinha dados de peso. Paramos o projeto por seis semanas só para corrigir os dados. Já vi esse mesmo fracasso três vezes, e o roteiro é sempre o mesmo. O lado do negócio quer ver resultados rápido, o lado técnico quer fazer uma demonstração rápido, e a preparação de dados é tratada como algo que se faz por fora. Trabalhos secundários sempre voltam para cobrar o dobro.
A preparação de dados para IA abrange três tipos diferentes de dados
A preparação de dados para IA abrange três tipos de dados, e confundi-los é como as equipes perdem semanas. O primeiro são os dados mestres: produtos, localizações, fornecedores, clientes. Dados mestres tratam de unicidade. Um produto recebe um código e um nome. Uma localização recebe uma coordenada e um status. Quando os dados mestres estão sujos, cada julgamento que a IA faz é construído sobre uma base errada. A verificação é simples: exporte a tabela de produtos e deduplique-a separadamente por nome, especificação e código de barras. Mescle os duplicados antes de fazer qualquer outra coisa.
O segundo tipo são os dados transacionais: pedidos de recebimento, pedidos de expedição, pedidos de transferência, folhas de contagem. Este é o único livro-texto que a IA tem para aprender como um armazém realmente funciona. Dados transacionais tratam de completude. Um pedido sem marca de tempo nunca aconteceu. Um registro de picking sem localização não tem caminho. Meu método é a amostragem mensal: extrair 100 pedidos aleatoriamente a cada mês e acompanhar cada um do início ao fim. Se a taxa de campos ausentes passar de um em dez, os dados daquele mês ficam fora do conjunto de treinamento.
O terceiro tipo são os dados de status: instantâneos de estoque, ocupação de localizações, status de equipamentos. Dados de status tratam de atualidade. A IA precisa do armazém como ele é agora, não como era no mês passado. Muitos armazéns atualizam os instantâneos de estoque uma vez por noite num trabalho em lote, então as mudanças feitas durante o dia só aparecem no dia seguinte. Recomendações construídas sobre esse tipo de dado chegam depois que a mercadoria já se moveu.
Cada tipo de dado se suja à sua maneira. Os dados mestres se bagunçam, os dados transacionais se perdem, os dados de status ficam defasados. Limpá-los com um único processo é o mesmo que não limpá-los.
A ordem importa, e fazê-la ao contrário é o erro clássico
A ordem certa é dados mestres primeiro, depois dados transacionais, depois dados de status. Os dados mestres são o dicionário. Se o dicionário está errado, cada tradução depois dele está errada. Vi um projeto gastar três semanas limpando pedidos históricos, só para descobrir que o esquema de codificação de produtos tinha mudado duas vezes e que metade dos códigos daqueles pedidos já estava aposentada. Três semanas perdidas.
O que conta como «pronto» para os dados mestres? Minha lista de verificação de go-live tem três barreiras duras: os códigos de produto são cem por cento únicos, os códigos de localização correspondem um a um às localizações físicas, e os nomes de fornecedores e clientes estão deduplicados. Se essas barreiras não forem cumpridas, não avance. Avançar só acumula juros sobre o retrabalho.
Para os dados transacionais, há um atalho: não tente limpar todo o histórico. Pegue o trecho contínuo mais recente de dados de boa qualidade, digamos os últimos três meses, e exija que seja completo e consistente. A IA aprende padrões, não arqueologia. Três meses de dados limpos valem mais que dois anos de histórico meio sujo.
Os dados de status são os mais difíceis, porque o teste não é uma limpeza única, mas uma capacidade duradoura. Antes do go-live, faça uma pergunta: uma mudança de estoque pode aparecer no sistema dentro de uma hora após acontecer? Se não, as sugestões da IA estarão sempre um passo atrás. Nenhuma implantação de IA corrige essa lacuna. Ela só disfarça o atraso.
Vamos às contas: o que a preparação de dados para IA economiza para você
Tome um armazém de porte médio como exemplo: 500 pedidos por dia, três linhas por pedido em média. Isso dá 45,000 linhas transacionais por mês. Com uma taxa de campos ausentes de um em dez, isso significa 4,500 registros quebrados por mês, e mais de 50,000 num ano. Quando a IA entra em operação e começa a dar sugestões estranhas, corrigir essas 50,000 linhas custa várias vezes o que teria custado antes do go-live, porque o negócio já está rodando sobre os dados sujos e não pode parar.
Por isso a preparação de dados merece sua própria linha de orçamento e seu próprio cronograma. Na minha experiência, ela deve ocupar pelo menos um terço de todo o cronograma do projeto de IA. Qualquer coisa a menos, e é provável que o projeto volte para retrabalho dentro de dois meses após o go-live. Os gerentes costumam franzir a testa diante dessa proporção porque a preparação de dados não produz nada visível. Isso é verdade, e também é o que decide se tudo o que vem depois é real.
Aqui vai um julgamento contraintuitivo: mais dados não são dados melhores. Muitos armazéns começam com «temos cinco anos de histórico», o que soa abundante. Abra e você encontra duas mudanças de sistema, três revisões das regras de codificação e seis meses de livros manuais no meio. Cinco anos assim valem menos que três meses de dados consistentes. A IA não tem medo de dados pequenos. Ela tem medo de dados que se contradizem.
Há também um problema de propriedade que é ignorado. O lado do negócio acha que dados são um trabalho técnico, o lado técnico acha que é um trabalho do negócio, e no fim ninguém é dono deles. Em cada início de projeto eu escrevo: o negócio é dono dos dados mestres, as operações são donas da completude transacional e a equipe de sistemas é dona da atualidade do status. Três donos, uma verificação semanal de contagens. Propriedade pouco clara sempre termina num livro bagunçado.
Mais dois pontos de falha que continuo vendo. Um é uma mudança na regra de codificação que ninguém anuncia. Um código de produto ganha um dígito, um esquema de códigos de barras muda, e a IA continua reconhecendo a mercadoria pelas regras antigas. Cada mudança de regra vai para o registro de alterações e para todas as partes interessadas no mesmo dia, não apenas uma mensagem num pequeno grupo de chat. O outro é misturar dados de teste com dados de produção. Pedidos de teste, pedidos de treinamento e pedidos de simulação misturados nas transações ensinam à IA padrões que nunca aconteceram. Elimine-os antes do go-live e mantenha um ambiente de teste separado. Compartilhar um ambiente para economizar esforço é uma falsa economia.
Minha lista de verificação de go-live termina sempre com a mesma linha: encontre um picker da linha de frente, mostre-lhe uma sugestão da IA e pergunte: «Isto parece o nosso armazém?» Se ele assentir, a preparação de dados está pronta. Se ele balançar a cabeça, volte e continue limpando. O modelo nunca vai lhe dizer que os dados estão sujos. Só as pessoas do chão podem.
Por Lin Xiao, Consultor de implementação de WMS Traduzido do inglês. Em caso de divergência, prevalece a versão em inglês.







