Excerpt: A maioria dos fracassos da IA em armazéns não são fracassos de algoritmo. São fracassos de qualidade de dados de IA em armazém: códigos de produto duplicados, registros de localização que já não correspondem à realidade e unidades que ninguém padronizou. Este artigo explica como limpar os dados mestres antes da automação e por que a ordem importa.
Nos últimos dois anos, quase todos os armazéns que visitei tinham uma história de IA para contar, e o padrão nos casos fracassados é notavelmente consistente. Quando um projeto corre mal, as pessoas culpam o algoritmo: a previsão falhou, a recomendação não fazia sentido, o sistema ficava mais confuso quanto mais era usado. No entanto, quanto mais escuto, mais suspeito que grande parte da culpa está em outro lugar. Um modelo não conhece o seu armazém. Ele só conhece os dados que você lhe fornece. É por isso que a qualidade de dados de IA em armazém, e não a seleção do modelo, costuma ser a verdadeira história por trás de uma implantação fracassada. Quando esses dados estão sujos, cada conclusão produzida pelo modelo carrega a forma dessa sujeira, e quanto mais rápido ele calcula e mais bonito parece o painel, mais confiantemente errado ele se torna.
A qualidade de dados de IA em armazém começa pelos dados mestres, não pelo modelo
Eis um julgamento que vai contra o instinto habitual: quanto mais sujos forem os seus dados, menos você deve se apressar para um algoritmo mais inteligente. Muitos gerentes presumem que um modelo suficientemente esperto corrigirá sozinho os dados ruins. Na prática, acontece o oposto. Um modelo capaz é bom em encontrar padrões nos dados, e aprenderá os padrões dentro dos dados sujos com a mesma diligência, para depois apresentá-los com altos escores de confiança. Problemas que um planejador humano talvez tivesse percebido por intuição chegam agora envoltos na autoridade de um número gerado por máquina, e ninguém ousa questioná-los. Os problemas de dados mestres não desaparecem quando a IA chega. Eles passam de erros ocasionais a erros sistemáticos, e os erros sistemáticos são todos parecidos, o que os torna mais difíceis, e não mais fáceis, de detectar.
Nos projetos que acompanhei, os dados mestres sujos caem sempre nas mesmas poucas categorias: códigos que não são únicos, registros de localização que já não correspondem ao chão de fábrica e unidades e códigos de barras que nunca foram padronizados. Cada um parece um pequeno defeito isoladamente. Alimentados juntos em um modelo, somam um desastre.
Três armazéns, três tipos de dados mestres sujos
No outono de 2023, um armazém terceirizado em Zhejiang que lida com pequenos eletrodomésticos ligou um modelo de previsão de reposição. Todos os dias o sistema recomendava diligentemente repor uma chaleira elétrica específica, e as ordens de reposição pareciam perfeitamente profissionais. No chão de fábrica, porém, ninguém conseguia encontrar o estoque. Foram necessárias duas semanas de investigação para descobrir a causa: um produto existia no sistema sob três códigos diferentes. O setor de compras havia criado um, a equipe de e-commerce havia criado outro para se conectar a uma plataforma de vendas, e o próprio armazém havia acrescentado um terceiro durante uma contagem de estoque que não fechou. Cada código carregava seu próprio registro de inventário. O modelo somou os três e concluiu que o estoque era abundante, quando na realidade apenas um código continha mercadoria vendável. O armazém ficou sem estoque por três dias no pico da temporada, o cliente cobrou penalidades previstas em contrato e a equipe do projeto acabou desligando o modelo. O modelo nunca foi o problema.
Na primavera de 2024, um armazém em Guangdong implantou a otimização de picking por ondas, com o modelo recomendando planos de carregamento com base nas dimensões das localizações. Ele calculou que um caminhão poderia levar quarenta caixas. Os motoristas acabaram esperando no cais por mais de duas horas enquanto a equipe descobria que apenas vinte e oito caixas cabiam de fato. O comprimento, a largura e a altura nos dados mestres de localização haviam sido medidos à mão três anos antes, e ninguém os havia atualizado depois que embalagens e paletes mudaram. O modelo apertou seu plano ao máximo contra dimensões vencidas, e a realidade transbordou já no primeiro carregamento. Daquele dia em diante, a equipe de chão parou de confiar nos conselhos de carregamento do sistema, e o projeto de otimização passou a existir apenas no nome.
Um terceiro armazém tinha a confusão de códigos de barras mais reveladora. Códigos de barras de fornecedores, códigos internos e códigos de plataformas eram usados de forma intercambiável, de modo que cerca de três em cada dez leituras precisavam de intervenção manual. Quando a inspeção visual por IA foi acrescentada, a taxa de falsos alarmes permaneceu teimosamente alta, e após dois meses ajustando parâmetros os engenheiros admitiram a verdade: as câmeras e o algoritmo estavam bem, mas os dados mestres continham duas imagens de referência diferentes para o mesmo produto, então a máquina nunca conseguiria uma correspondência limpa.
Faça as contas antes de limpar qualquer coisa
Muitos proprietários se arrepiam ao ouvir as palavras governança de dados, porque soa como um poço de dinheiro sem fim. Minha sugestão é fazer primeiro as contas, e fazer os dois lados do balanço:
| Tarefa | Custo de limpar | Custo de não limpar | | Tornar os códigos de produto únicos | Duas ou três pessoas por cerca de duas semanas de verificação e fusão | Erros sistemáticos de previsão e penalidades por falta de estoque no pico da temporada | | Conciliar as localizações com o chão de fábrica | Uma contagem completa de estoque mais verificações pontuais de rotina | Conselhos de carregamento e picking que continuam errados até a equipe deixar de acreditar no sistema | | Padronizar unidades e códigos de barras | Acordar regras e limpar documentos históricos | Intervenções de leitura e falsos alarmes de inspeção, com soluções manuais se acumulando |
Segundo as análises post mortem desses armazéns, o custo de limpar costuma equivaler a uma fração do que custa refazer um modelo fracassado. O custo de não limpar se acumula mensalmente, porque cada decisão errada consome a confiança do chão de fábrica no sistema. Uma vez perdida essa confiança, um projeto de IA não fracassou tecnicamente. Fracassou organizacionalmente. Em outras palavras, o trabalho de qualidade de dados de IA em armazém é uma linha orçamentária que se paga sozinha, enquanto ignorá-lo cobra juros todos os meses.
A sequência importa tanto quanto o trabalho em si. Meu julgamento, com base nesses casos, é que os dados mestres vêm primeiro, os dados transacionais em segundo e a seleção do modelo por último. Os dados mestres são o cadastro do armazém: se o cadastro estiver errado, cada documento construído sobre ele herda o erro.
O padrão de limpo pode ser reduzido a três testes. Na identidade, um produto recebe exatamente um código, e qualquer código excedente deve ser fundido, congelado e reconhecido de forma consistente em todos os sistemas. Nas localizações, o registro deve corresponder ao chão de fábrica, com dimensões, capacidade de carga e disponibilidade medidas em vez de presumidas, e certamente não medidas uma vez e confiadas por três anos. Nas unidades e códigos de barras, a conversão entre unidades de recebimento, unidades de armazenagem e unidades de expedição deve estar escrita no sistema, as regras de código de barras devem ser uniformes em todo o armazém, e um embarque de fornecedor com o rótulo errado deve ser barrado no recebimento em vez de ser reconhecido à mão depois.
Se os três testes passarem, então falemos de seleção de algoritmo. Se algum falhar, o orçamento é melhor gasto limpando primeiro. Isso não é cautela por cautela. É o que a aritmética aponta.
Uma tendência que vale acompanhar: a qualidade de dados como novo portão de entrada
Olhando dois ou três anos à frente, eu faria um julgamento com evidências por trás: a qualidade dos dados mestres está se tornando o ingresso de entrada para projetos de IA em armazém. Algoritmos e poder de computação continuam ficando mais baratos, enquanto dados limpos, confiáveis e definidos de forma consistente estão ficando mais escassos e, portanto, mais valiosos. Clientes auditando um armazém, plataformas integrando um vendedor e fornecedores de automação avaliando um local perguntarão cada vez mais primeiro uma coisa: seus dados mestres sobrevivem a uma inspeção? Em resumo, a qualidade de dados de IA em armazém está passando de uma tarefa de back office a um argumento de venda.
Portanto, a pergunta que eu deixaria para qualquer armazém que hoje esteja buscando IA é simples. Você estaria disposto a publicar sua verificação de saúde dos dados mestres? Se a resposta honesta for não, a resposta para a pergunta maior já está clara. A IA pode esperar. Limpar os dados, não.
Por Dr. Chen, Pesquisador de cadeia de suprimentos
Traduzido do inglês. Em caso de divergência, prevalece a versão em inglês.







