IA corta análise de demanda de 14 dias para 6 horas

Um sistema de inteligência artificial reduziu de aproximadamente duas semanas para seis horas o tempo necessário para elaborar previsões de demanda de mais de 5 mil itens do mercado de pneus.

A tecnologia foi implementada na operação da Cantu Inc., que reúne produtos nacionais e importados distribuídos por mais de 40 filiais e centros de distribuição no Brasil. A organização completa alcança 240 unidades nas Américas, aumentando a quantidade de variáveis que precisam ser consideradas no planejamento dos estoques.

Antes da automação, as previsões eram preparadas manualmente e apresentavam um erro de 62%, medido pelo Weighted Mean Absolute Percentage Error (WMAPE). Problemas na qualidade dos cadastros e as variações sazonais e econômicas também dificultavam a análise.

Machine learning substitui processo manual

O projeto utiliza modelos tradicionais de machine learning, sem depender de agentes ou aplicações de IA generativa. A escolha priorizou algoritmos preditivos destinados a identificar padrões nos históricos de vendas e calcular a demanda esperada para cada item.

Os dados das operações nacionais e internacionais são capturados, tratados e saneados pelo AWS Glue. Em seguida, os históricos de vendas e cadastros são centralizados em um data lake baseado no Amazon S3.

O processamento dos modelos ocorre no Databricks, executado em clusters do Amazon EC2. AWS Step Functions e AWS Lambda automatizam a sequência de tarefas, desde a preparação dos dados até a geração das previsões, reduzindo a necessidade de intervenção manual.

Previsão chega ao nível de item e estado

Além de reduzir o processamento para seis horas, o sistema passou a produzir previsões por SKU individual e por Unidade Federativa. Anteriormente, as análises eram realizadas por grupos de produtos, oferecendo menor precisão sobre onde e quando cada item seria necessário.

A empresa informa que o erro medido pelo WMAPE diminuiu 15% durante os primeiros cinco meses de operação. O material divulgado, entretanto, não esclarece se isso representa uma redução relativa de 15% sobre o índice anterior de 62% ou uma queda de 15 pontos percentuais.

Segundo a companhia, a melhora contribuiu para uma economia de dezenas de milhões de reais por meio da redução de estoques parados, rupturas e custos logísticos. Não foram apresentados o período considerado, a composição do cálculo ou uma verificação independente desses valores.

As próximas etapas preveem o uso do Amazon SageMaker Unified Studio para administrar o ciclo dos modelos, do Amazon QuickSight para dashboards e do Amazon Bedrock para aplicações de IA generativa. Essas aplicações futuras poderão apoiar análises macroeconômicas e assistentes para a cadeia de suprimentos, mas ainda não fazem parte do núcleo responsável pelos resultados divulgados.

Image by DC Studio on Magnific