Mês passado, um vendedor de IA apareceu no meu armazém oferecendo instalar um "cérebro inteligente" para a minha operação. Perguntei o que esse cérebro comia. "Dados", disse ele. Quantos? "Quanto mais, melhor", disse ele. Eu disse: tenho um armazém de 3,000 metros quadrados, e o máximo que posso te dar é uma planilha de Excel. Aceita ou não.
A cara que ele fez foi como num encontro às cegas em que te perguntam quantas casas você tem e você responde que tem uma scooter elétrica.
Aquela conversa ficou na minha cabeça, então deixa eu responder a pergunta com honestidade: quantos dados uma IA de armazém precisa? Não com teoria, mas com o que realmente aconteceu com a gente, pequenos donos de armazém. A barreira de dados nos assustou, e sobrevivemos com gambiarras caseiras.
Nosso dilema: os dados que os vendedores de IA querem são dados que eu nunca vou ter
Deixa eu começar com a história do meu vizinho Wang, como aviso a todos.
Wang tem um armazém de autopeças, menor que o meu, umas 20 pessoas. Ano passado um vendedor propôs reconhecimento visual para contagem e inspeção automáticas: "Instalamos algumas câmeras e em três meses funciona". Wang achou que era feito sob medida para ele. Assinou na hora.
Depois vieram os requisitos: instalar 6 câmeras, gravar 8 horas por dia, coletar 3 meses de vídeo, e então pagar alguém para etiquetar cada imagem antes mesmo de começar o treinamento. Wang cerrou os dentes e fez: quase 100,000 yuanes em câmeras e instalação, dezenas de milhares a mais em etiquetagem. Três meses depois o vendedor voltou, deu uma olhada nos dados e disse: iluminação ruim, ângulos insuficientes, refaçam.
Wang explodiu. Mais de 100,000 yuanes gastos, nenhuma IA à vista. As câmeras agora pendem da parede como monitores de segurança muito caros.
A maior lição do desastre de Wang: o que um vendedor de IA chama de "poucos dados" pode ser uma quantidade astronômica para um armazém pequeno. Eles querem dados limpos, etiquetados, cobrindo todos os cenários. Nós, armazéns pequenos, mal sabemos soletrar "dados": entradas e saídas registradas em papeizinhos escritos à mão, inventário vivendo na cabeça do velho contador, rotas de picking vivendo nas pernas dos trabalhadores veteranos.
Então aqui vai a verdade desconfortável de cara: quantos dados a IA de armazém precisa depende inteiramente de qual IA estamos falando. A tabela abaixo é o que eu montei depois de ser "educado" por rodada após rodada de vendedores. Todo número de origem vendedor está marcado como tal: não os tratem como verdade absoluta.
Três sabores de IA em armazém, três barreiras de dados muito diferentes
| Tipo de IA | Quantos dados (segundo os vendedores, apenas para referência) | O que meu pequeno armazém realmente tem | Meu veredito |
|---|---|---|---|
| Visão computacional (contagem / inspeção / detecção de anomalias) | Centenas de imagens etiquetadas por SKU para começar; um representante de um vendedor me disse "prepare 5,000 imagens etiquetadas como aquecimento" | Menos de 800 SKUs no total, e nem uma única imagem etiquetada entre eles | A barreira mais alta, de longe. Os custos de etiquetagem são assustadores. Armazéns pequenos, abstenham-se. |
| Previsão de demanda (sugestões de reposição) | De 12 a 18 meses de histórico de linhas de pedido, segundo o white paper de um vendedor de previsão | Os dados de pedidos existem — no Excel — mas devoluções, promoções e sinalizadores de falta são uma bagunça | Os dados existem mas estão sujos. Limpá-los custa mais esforço do que coletá-los. |
| Programação de mão de obra / otimização de ondas | De 3 a 6 meses de registros de tarefas de picking com carimbos de tempo, pessoal e volumes | Tenho folhas de presença. Não tenho registros no nível de tarefa. | Não há dimensões suficientes. Nem a IA consegue cozinhar sem ingredientes. |
Viram o padrão? Não há uma única resposta para quantos dados a IA de armazém precisa. Visão computacional é um poço sem fundo, previsão é uma queima lenta, otimização é uma maníaca por detalhes. Quando um vendedor diz "quanto mais, melhor", a tradução é "o que você tem agora não basta".
Mas isso não significa que os armazéns pequenos estejam excluídos da IA. Na verdade, eu tropecei numa conclusão contraintuitiva.
A parte contraintuitiva: aos armazéns pequenos não falta volume de dados — falta limpeza de dados
Ano passado fiz algo profundamente sem glamour: não comprei nenhuma IA e dei a cada picker um scanner de código de barras, exigindo 100% de escaneamento na entrada e na saída. As reclamações foram imediatas: "isso é burocracia inútil", disseram. Escrever à mão levava 10 segundos; escanear levava 15.
Três meses depois, nossa taxa de escaneamento foi de 60% para 98%. Então algo mágico aconteceu: rodei uma análise ABC de velocidade sobre três meses de dados de escaneamento no Excel e movi nossos SKUs de classe A (os 20% de SKUs por trás de 70% do volume de saída) para os slots mais próximos das estações de embalagem. Os pickers andaram em média 1,5 quilômetro a menos por dia. A eficiência de picking subiu de um jeito que dava para ver a olho nu.
Isso me ensinou a verdadeira lição: a IA não come "big data" — ela come dados pequenos e limpos. Nós, armazéns pequenos, nunca vamos acumular 18 meses de dados, mas três meses de dados limpos de escaneamento estão totalmente ao nosso alcance. E três meses de dados limpos valem mais que três anos de papeizinhos desordenados escritos à mão.
O engenheiro de um vendedor uma vez me disse algo honesto em off: "Para armazéns do seu tamanho, o volume de dados nunca é o problema. O problema é que os seus dados estão todos errados. Alimente dados errados à IA e ela só erra mais rápido, e com mais confiança." Grosseiro, mas verdade.
Nosso manual caseiro: três passos, primeiro digital, IA depois
Experiência ganha com muito suor, compartilhada com os colegas pequenos donos de armazém. Três passos — não pulem nenhum:
Passo um: levem sua taxa de escaneamento acima de 95%. Não comprem IA. Comprem scanners de código de barras. Algumas centenas de yuanes cada um; equipar o armazém inteiro custa menos de 10,000. Esta é a base de tudo. Abaixo de 95% de taxa de escaneamento, seus dados de inventário são estoque de Schrödinger: existem e não existem ao mesmo tempo.
Passo dois: usem regras em vez de IA. Classificação ABC, pontos de pedido, loteamento de ondas: fórmulas de Excel e regras fixas dão conta de tudo. Sem machine learning. Nossa reposição agora roda numa regra tosca: estoque de segurança igual a três dias de saída média. As faltas caíram de sete ou oito por mês para uma ou duas. Tosco, mas funciona, e é grátis.
Passo três: quando tiverem 12 meses de dados limpos, aí falem de IA de previsão. Notem a palavra "limpos". Nosso plano é que daqui a um ano, armados com um ano inteiro de dados de pedidos com 98% de taxa de escaneamento, seremos nós a escolher os vendedores — não o contrário.
Investimento total dos três passos: menos de 20,000 yuanes. Comparem com o projeto de reconhecimento visual do Wang de mais de 100,000 yuanes que foi pelo ralo. Digam-me vocês qual foi o melhor negócio.
Três palavras honestas sobre quantos dados a IA de armazém realmente precisa
Primeiro, não se assustem com o "volume de dados" nem se deslumbrem com a "IA". Quantos dados a IA de armazém precisa não tem resposta universal: visão e previsão diferem em uma ordem de magnitude. Definam primeiro o problema específico, depois perguntem pela barreira de dados.
Segundo, resolvam "temos dados?" antes de "temos dados suficientes?". Scanners, PDAs, até um modelo decente de Excel superam qualquer software de IA. A digitalização é a lição de casa prévia da IA. Reprovem nessa lição e a IA chega ao vazio.
Terceiro, dados sujos são piores que falta de dados. Doze meses de dados sujos perdem para três meses de dados limpos. A IA não vai limpar seus dados por vocês: ela vai aprender seus erros perfeitamente e depois errar com total confiança.
E um fecho autodepreciativo: nós, armazéns pequenos, não podemos nos dar ao luxo de queimar dinheiro, então cada yuan tem que cair onde conta. As grandes empresas podem queimar dinheiro coletando dados primeiro e se preocupar com resultados depois. Nós não. Nós precisamos de resultados primeiro, depois dados, depois IA.
Armazéns pequenos têm seu próprio jeito de sobreviver. Vamos comer esta refeição de dados mordida por mordida — e um dia também vamos nos sentar à mesa da IA. Com nosso próprio convite, não com a caridade de outro.
Por Xiao Ma, Pequeno Dono de Armazém
Traduzido do inglês. Em caso de divergência, prevalece a versão em inglês.
