Uma empresa de materiais de construção teve um elevado nível de stockouts (rupturas de estoque) de produto acabado em sua operação no Brasil devido a um espaço limitado de armazém. Com isso não conseguiam manter o nível adequado de estoque de segurança, o que foi agravado pela pandemia em função da volatilidade adicional da demanda.
| Indústria | Área Funcional / Caso de Uso | Caso de Uso Técnico |
| Materiais de Construção | – Supply Chain – Abastecimento – Planejamento de Estoques – Previsão de Demanda | – Captura de Dados – Machine Learning – Combinação de Modelos |
Os Desafios
Sem espaço no armazém e sem dados históricos que explicassem o novo padrão de demanda, o cliente decidiu explorar sua flexibilidade operacional e criar um processo formal de reação para mitigar o risco de stockouts. Os diretores da empresa decidiram passar direto para as previsões de estoque em vez de construir todo um ciclo de demand sensing de curto prazo e planejamento operacional, que seria custoso tanto em tempo quanto monetariamente. Com isso, foram muito bem-sucedidos em manter uma solução pragmática, simples de executar e interpretar.
Como a DHAUZ ajudou
A DHAUZ desenvolveu uma estrutura de dados altamente escalável associada a um pipeline de integrações de diferentes fontes de informações. Através disso, conseguimos abrigar e coletar dados armazenados em sistemas de TI e relatórios descritivos diários. Os dados necessários foram destinados a dar plena visibilidade da operação dos dois anos anteriores, diariamente, como níveis de estoque, estoques em trânsito, planos e programações de produção, previsões de demanda e consumo, pedidos já em carteira, histórico de rupturas e muito mais.
Tendo os dados prontos, a equipe DHAUZ treinou um algoritmo de Gradient-Boosting que usa tree-based learning para o problema supervisionado de classificar se haverá um estoque para um determinado armazém e produto para a próxima semana. A abordagem para tornar os resultados sólidos entre regiões e famílias de produtos foi treinar o algoritmo com diferentes horizontes temporais, comparando a precisão e identificando novas variáveis que explicariam desvios em determinadas áreas.
Onde Chegamos
Após dois meses, a iniciativa lançou um algoritmo com mais de 80% de precisão e F1 acima de 0,7 para 87 produtos distintos nos 5 maiores armazéns em volume.
De acordo com o Diretor de Planejamento & Preenchimento da Cadeia de Suprimentos: “os modelos de IA criados pela DHAUZ tiveram resultados muito melhores do que o esperado na previsão de estoques e vamos configurar uma cadeia de reação com base em seus resultados e melhoraremos em uma escala sem precedentes nossos resultados”.
