Posts

Desafios para a Utilização de Inteligência Artificial e Machine Learning no Planejamento da Demanda

No post anterior, comentei sobre de que forma o uso de ferramentas de Analytics baseadas em Inteligência Artificial (IA) e Machine Learning (ML) no processo de planejamento da demanda poderiam melhorar a acuracidade, mas que existiam barreiras para sua adoção pelas empresas.

Neste texto, pretendo listar alguns destes desafios e maneiras de sobrepassá-los:

  • Baixa maturidade no processo de planejamento atual

O que é? Processo de planejamento da demanda rudimentar e desintegrado, onde as áreas organizacionais analisam informações e tomam decisões independentemente. Com isso, não há espaço para o aprendizado contínuo a respeito do impacto das ações comerciais e de trade marketing sobre a demanda, tampouco um conhecimento profundo das variáveis exógenas a serem consideradas no planejamento. O sucesso no uso efetivo de Advanced Analytics, com IA e ML, depende de inputs de informação adequada e processos decisórios alinhados, o que só existe em processos maduros de S&OP e IBP.

O que fazer? Engajar as áreas comercial, trade marketing e financeira nos processos de S&OP/IBP, garantindo a discussão sobre o impacto das ações de mercado sobre a demanda e uma visão financeira detalhada dos planos, o que permitirá criar um processo analítico e decisório que se beneficiará do uso de Analytics.

  • Falta de conhecimento técnico da equipe

O que é? Em muitas empresas, as equipes responsáveis pelo processo de previsão de vendas possuem apenas conhecimento elementar sobre os modelos extrapolativos e causais, dependendo enormemente de ferramentas especializadas para realizar a projeção da demanda, o que resulta na subutilização do potencial das mesmas. Quando falamos em IA e ML, além da exigência de conhecimentos técnicos mais sofisticados, como programação em Python e R, é necessário ter domínio dos fatores que influenciam o comportamento das vendas, seja para “treinar” o algoritmo ou viabilizar o acesso a informações exógenas através de APIs (Application Programming Interface). Infelizmente, os cientistas de dados, como são chamados os profissionais com este conhecimento, ainda são raros e muito disputados.

O que fazer? Começar o quanto antes a capacitação da equipe nos modelos clássicos de previsão de vendas, em ferramentas de Analytics e, em paralelo, “minerar” alguns cientistas de dados para a equipe.

  • Falta de integração e colaboração na cadeia de suprimentos

O que é? O relacionamento entre parceiros comerciais ainda é baseado em relações adversativas, com disputa de margem em processos negociais, que levam a uma proteção de informações críticas para o planejamento da demanda, como dados de sell out e estoques, como forma de maximizar o poder de barganha nas negociações. Além disso, as estruturas das bases de dados foram construídas pensando mais na proteção do que no compartilhamento das informações, o que exige um esforço considerável para conexão de dados que possam alimentar algoritmos de Analytics. Em outras palavras, muitas das informações desejáveis não estão disponíveis ou não são acessíveis em uma estrutura compatível.

O que fazer? É necessário avançar rapidamente em mecanismos de colaboração na cadeia de suprimentos, como o CPFR, além de começar um movimento mais profundo – e difícil – de repensar a arquitetura de dados, privilegiando o intercâmbio de informações.

E para você? Quais são os maiores obstáculos para a utilização de Advanced Analytics no planejamento da demanda? Compartilhe conosco nas redes sociais do ILOS! Grande abraço!

Analytics em Planejamento da Demanda – O que esperar?

São inúmeros os relatórios, artigos e menções sobre como o uso de ferramentas de Analytics baseadas em Inteligência Artificial (IA) e Machine Learning (ML) poderão auxiliar nos processos de planejamento da demanda, melhorando a acuracidade afetada pelo aumento da complexidade no portfólio, nos canais de distribuição e, também, no ambiente competitivo.

Hoje, na maioria das empresas, o tamanho da equipe responsável por tratar e analisar os dados com as ferramentas tradicionais de séries temporais e modelos de regressão impõe uma limitação nas possibilidades de análise, obrigando ao agrupamento de séries para previsões top-down, restringindo o número de variáveis exógenas inseridas no modelo e o tratamento e manutenção do baseline de poucas séries, o que prejudica a acuracidade.

Mas o que podemos esperar dessas novas soluções?

Em primeiro lugar, é necessário compreender que a melhora da acuracidade virá pelos aspectos de Augmentation e Automation do processo de planejamento da demanda. Augmentation se refere ao crescimento no volume de dados tratados e variáveis consideradas nos modelos, permitindo a identificação de padrões imperceptíveis ao “olho humano”. Já Automation aborda a possibilidade de automatizar o tratamento dos dados das séries de vendas, corrigindo o baseline e usando informações de venda mais granulares, que sem os ajustes adequados resulta em erros maiores.

Além da melhora na acuracidade do plano tático mensal, podemos esperar a identificação de tendências de consumo de longo prazo, ajudando na definição de portfólio e no desenvolvimento de novos produtos, e também a sofisticação dos mecanismos de reposição de curtíssimo prazo, com mecanismos de demand sensing.

No entanto, ainda existem barreiras significativas para a adoção de IA e ML no processo de planejamento da demanda, como a baixa maturidade do processo atual, falta de conhecimento técnico e de integração na cadeia para obtenção de dados, entre outros aspectos, que pretendo abordar em um próximo post.

E sua empresa? Já utiliza mecanismos de IA e ML no processo de planejamento da demanda? Compartilhe conosco nas redes sociais do ILOS! Grande abraço!