US$400 mil/CD é a economia obtida, logo no início da implementação da solução, com redução de estoque de segurança – cerca de R$ 1,6 milhão

Com o uso de inteligência artificial e machine learning, a previsão de demanda pode se tornar cada vez mais precisa. Uma das ferramentas que utilizam essas tecnologias é o SR Demand ForecastingAI, da Symphony RetailAI , que já está disponível para o mercado brasileiro. Em uso por redes nos Estados Unidos e na Europa, a solução tem gerado bons resultados. Entenda a ferramenta.

Como funciona:

• Conforme informações da Symphony, a ferramenta é capaz de realizar previsões robustas em grandes volumes de dados e garantir ao varejista um feedback imediato
• Considera lançamentos, itens de baixo giro e venda regular nas estimativas
• Tem capacidade de lidar, no caso dos produtos perecíveis, com aspectos específicos, como validade reduzida e previsões diárias ou até em períodos menores
• A Symphony afirma que o SR Demand ForecastingAI não se limita a uma previsão estatística, mas analisa todo o histórico, incluindo o comportamento e o padrão de vendas
• Devido à capacidade de aprendizagem contínua (machine learning), incorpora todos os fatores que possam trazer algum impacto em vendas, seja positivo ou negativo. Dessa forma, diz a empresa, consegue “responder” a perguntas muito específicas para o varejista, como “O que vai acontecer com a demanda se chover no parque da Disney no dia mais movimentado do ano?”

 

[noticiasRelacionadas]

Benefícios para o varejo

• Reduz significativamente a intervenção manual
• Minimiza erros típicos do processo de previsão
• Otimiza o tempo no planejamento de demanda
• Diminui a ruptura
• A partir da análise de dados do consumidor, aponta tendências e anomalias antes ocultas, pois considera fatores como clima, promoções, sazonalidade e características locais, etc.
• Reduz perdas, sobretudo nos perecíveis – produtos que, segundo o fornecedor, não são contemplados nos modelos tradicionais de previsão

Pré-requisitos para o uso

• O sistema pode funcionar com volume pequeno de dados, por exemplo, acumulados em 20 semanas
• O melhor, contudo, é acima de três anos, pois esse histórico traz mais benefícios para análises sazonais
• No caso de itens sem histórico algum, como os lançamentos, a solução associa o produto a outros similares, permitindo conhecer melhor o padrão de compras 

Quer ter acesso a mais conteúdo exclusivo da SA Varejo? Então nos siga nas redes sociais:    LinkedIn   ,   Instagram   e   Facebook   !