IA no varejo: aplicações no mercado da indústria 4.0

IA no varejo: aplicações no mercado da indústria 4.0

Atualmente, vivenciamos os avanços tecnológicos presentes nas indústrias, impactando diretamente nos processos de construção, desenvolvimento e entrega de produtos ao consumidor. A competitividade de mercado está se centrando cada vez mais nos pilares tecnológicos e digitais, tornando assim a automatização e digitalização dos processos mais recorrentes nas empresas. O impacto gerado pela indústria 4.0 criou um horizonte de oportunidades para o mercado de varejo sair na frente e competir em maiores níveis com concorrentes, buscando maiores classificações em relação à entrega, qualidade, eficiência e eficácia nos processos até a chegada do produto ao consumidor.

IA no varejo

Além disso, os avanços em Inteligência Artificial, Machine Learning e IoT (Internet of Things) proporcionam novos horizontes para os diversos ramos dentro da indústria do varejo. A automatização dos processos de estocagem, monitoramento de rotas, estratégias de armazenamentos de materiais, previsão de demanda e satisfação dos clientes são exemplos de procedimentos adotados por meio dessas tecnologias para se obter melhores resultados no mercado.

Estamos vivenciando a era dos dados. Estar preparado para ela, orientando os processos internos aos dados, possibilitará às empresas imergirem neste oceano de oportunidades, resultando assim na redução de custos a partir de análises de perdas e desperdícios, e em mais sustentabilidade, competitividade e aprovação no mercado. 

Supply chain e S&OP

Dentre as diferentes áreas operacionais da indústria, a inteligência artificial se destaca fortemente na cadeia de suprimentos, promovendo mais automatizações nos processos de produção. Traçando um caminho procedural das operações junto à IA, percebe-se que o ciclo abrange desde a implementação de tecnologias inteligentes nos processos de vendas e operações (S&OP), intensificando assim as análises para melhores estratégias de venda com auxílio da área de marketing, até melhores formatos para operar e a automatização de trabalhos exaustivos e repetitivos.

Por meio do avanço da Internet das Coisas, torna-se mais eficiente a captação dos dados de diferentes etapas da produção. A obtenção de dados desde a primeira tarefa até a entrega ao consumidor final já não é mais um problema, com possibilidade de extrair dados de produção, por exemplo, robôs implementados para armazenamento, aplicativos para os motoristas, produtos conectados à internet, entre diversas formas de coletar dados com IoT. Outro ponto importante é a ponte entre os interessados através de análises de dados avançadas com Machine Learning e IA, visando filtrar os fornecedores de matérias primas e os fornecedores finais que estejam mais alinhados com os interesses da empresa e também de obter uma menor perda nos processos de obtenção de materiais e entrega ao consumidor.

As tecnologias de IA, ML e IoT também influenciam a geração de receitas, exponenciando os lucros e melhores resultados junto ao gerenciamento de relações com os clientes e fornecedores. Um exemplo disso é a precificação dinâmica inteligente, que utiliza a inteligência artificial e adota estratégias baseadas no mercado e nos consumidores para determinar o melhor preço (não necessariamente o maior, mas o preço mais adequado para competir no mercado), visando ao aumento da receita. 

Demand Forecasting 

Em relação aos processos de previsão de demanda, a efetivação de IA e ML produzem uma assertividade de cerca de 90%, gerando impacto e melhorias nas previsões de demandas baseadas em análises avançadas de diferentes dados, como: condição climática, situação econômica do mercado, quantidades disponíveis, desejo do consumidor e previsibilidade de consumo. Além disso, as análises avançadas e modelos inteligentes que possuem um aprendizado contínuo por meio de maiores coletas de dados e tempo proporcionam ações preditivas em tempo real, auxiliando as decisões de forma assistida pelos profissionais. Isso diminui as falhas e riscos nas operações com tomadas de decisões, podendo alterá-las em caso de predições negativas e que possam gerar diversos impactos.

Ademais, na área de laticínios e produtos perecíveis, a IA possui grande força, visto que as estratégias para mercadorias com datas curtas e logística mais frágil precisam ser muito mais aguçadas. Essa contribuição é sustentada mediante a coleta de dados, de informações e da criação de modelos preditivos de demanda que entreguem melhores estratégias para armazenamento dos produtos, definição das melhores rotas, diminuição no desperdício de combustível e previsão de geolocalização nos casos dos produtos de maior demanda para não mantê-los em estoques distantes, facilitando assim a preservação dos produtos até a sua entrega final.

Big Data

Esse é um termo que vem ganhando grande proporção e espaço no contexto da indústria 4.0, representando a grande massa de dados, coleta intensiva e importância da inteligência artificial e aprendizado de máquina para tratar essas informações que podem agregar muito valor às empresas. Representado pelos milhares de dados produzidos pelas diferentes etapas e vivências do mercado, o big data inclui dados de compra, navegações online dos consumidores, dados de mídia e marketing, satisfação dos clientes com o serviço e/ou produto, entre outras diversas informações.

O processo de coleta e armazenamento de dados é complexo e analisar milhares de dados se torna uma tarefa humana impossível. Assim, a IA e modelos inteligentes baseados em aprendizado de máquina caminham juntos com o big data para integrar os dados externos de mercado e internos da empresa de forma que torne possível uma previsão e planejamento de demanda, maiores receitas, lucro, diminuição de desperdícios e sustentabilidade.

Logística 4.0 

É notório os avanços que a indústria 4.0 vem alocando. Por exemplo: diversas automatizações nos processos de produção, digitalização de produtos para testes de melhorias, rapidez na informação e implementação de resultados.

Com a indústria 4.0 vem a logística 4.0, direcionada para a otimização nos processos de embarque e desembarque das mercadorias. Automatizações e uso de IA em diversas etapas da logística, como a organização dos produtos nos armazéns feitas por robôs que, por meio de IA, organizam de forma estratégica e hierárquica os produtos para facilitar e aumentar a velocidade de operações de carga. 

Além disso, é possível gerar previsões de acontecimentos em rodovias, como obras que interrompem os trajetos, fazendo o uso de IA e análise dos dados em tempo real. Isso permite a adoção de uma melhor rota em tempo presente, sem se basear no passado histórico e desperdiçar recursos, resultando também na satisfação do cliente e rapidez na entrega. Aproveitamento de rotas, uso inadequado e desnecessário de veículos, maiores emissões de gases, altos custos com combustíveis e manutenção são problemas interrompidos pelas diretivas da logística 4.0, visando mais assertividade, inteligência, sustentabilidade, maior receita e satisfação do consumidor e fornecedor.

IA no varejo – Considerações finais

A implementação de IA e machine learning por meio de modelos inteligentes não é uma tarefa fácil e instantânea. Entretanto, o resultado de toda a preparação e construção dessas tecnologias direcionadas às especificidades do negócio resultarão em diversos benefícios. 

O poder da IA proporciona uma visão inteligente de mercado, previsão de demanda com maiores taxas de acerto, diminuição na perda de produtos por validade ou saturação de armazéns e precisão nos ajustes de preços sustentados mediante diferentes variáveis que podem influenciar na variação de receita. Além disso, por meio de análises avançadas de dados é possível filtrar os fornecedores buscando os que entregam mais resultados e estão mais alinhados com os valores da empresa. 

Esses pontos positivos vão ao encontro do uso de IA para obter melhores resultados sustentáveis, visando ao aproveitamento de rotas, entrega contínua e análise de melhores rotas, redução nos custos e emissão de gases.

O acesso gerado pelas análises avançadas e IA de toda a cadeia de suprimentos e operações da empresa resulta em grande previsibilidade de riscos ou falhas nas etapas iniciais, de preparação e entrega ao cliente final. Esse poder de previsibilidade e estratégias inteligentes consolida a ideia de gerenciamento de riscos em tempo real, diminuição drástica de falhas e desperdícios, controle unificado das etapas de vendas, operações, produção e entrega das mercadorias. Enfim, empresas mais inteligentes e sustentáveis nunca estiveram tão perto de serem consolidadas. O caminho a seguir só depende de preparação e organização para uma maior inteligência e previsibilidade.

Gostou do artigo sobre as aplicações de IA no varejo? Então deixe o seu comentário.

Quem é a Aquarela Analytics?

A Aquarela Analytics é pioneira e referência nacional na aplicação de Inteligência Artificial na indústria e em grandes empresas. Por meio da plataforma Vortx e da metodolgia DCIM (Download e-book gratuito), atende clientes importantes, como: Embraer (aeroespacial), Scania e Grupo Randon (automotivo), SolarBR Coca-Cola (alimentício), Hospital das Clínicas (saúde), NTS-Brasil (óleo e gás), Votorantim (energia), dentre outros. Fique atento às novas publicações diárias da Aquarela Analytics no Linkedin e assinando a nossa Newsletter mensal! 

Autor

5 desafios reais de dados no setor de alimentos

5 desafios reais de dados no setor de alimentos

O setor de alimentos e a segurança alimentar são uma preocupação global e o Brasil é um dos principais responsáveis pela demanda mundial de alimentos (Estadão). Nesse sentido, quais os principais desafios relacionados à gestão de dados para a otimização da eficiência operacional do Brasil no setor alimentício/agronegócio que hoje representa 21% do PIB do Brasil?

Este artigo aborda o tema com o viés da experiência da Aquarela em projetos de Advanced Analytics e de Inteligência Artificial realizados em grandes operações no Brasil.  O risco da falta de informações é tão relevante como o seu excesso e a falta de análise, podendo impactar a eficiência da cadeia logística do setor como um todo. 

Abaixo, elaboramos alguns destes principais riscos. 

Caracterização do setor de alimentos

O setor de alimentos é bastante variado devido à grande extensão da cadeia produtiva, que vai desde os insumos agrícolas, a industrialização, logística do transporte até a comercialização nos mercados consumidores e por fim o consumidor final. 

Como características fundamentais, o setor de alimentos está diretamente ligado a fatores que podem ter grande variabilidade e pouco controle, tais como: 

  • Clima (temperatura, volume de água, luminosidade e outros);
  • Fatores econômicos, como flutuações de moeda;
  • Infraestrutura;
  • Demanda do mercado interno/externo.

Além desses fatores, abaixo elencamos alguns relacionados à gestão dos dados. Também mostramos como eles, se bem organizados, podem ajudar a mitigar os efeitos das variáveis não controláveis da cadeia de suprimentos de alimentos.

01 – Incompletude das informações

A cadeia de suprimentos é bastante grande. Isso torna os dados complexos e de difícil interpretação devido às diferentes fases de cada processo, cultura e região. Além disso, faz com que muitas decisões importantes de planejamento ocorram com bastante limitação informacional e alto risco. Em outras palavras, as decisões são tomadas sem uma visão do cenário completo da cadeia, seguindo, em grande parte, a intuição dos gestores. 

A falta de informação de qualidade é um grande risco. Se hoje faltam dados, imaginem como era o cenário há 10 ou 20 anos. 

Nos últimos anos, o campo, a indústria e o varejo têm mostrado grandes avanços em seus processos de informatização com diversas soluções de rastreabilidade. Com a evolução das tecnologias da indústria 4.0 (IOT e o 5G) nos próximos anos, é provável que o mercado de alimentos, desde o setor agrícola e industrial até o comercial, detenham informações mais completas para tomada de decisão do que as que estão estão disponíveis hoje. 

02 – Dados de várias fontes

Se os dados estão se tornando cada vez mais presentes com o desenvolvimento da informatização e comunicação, então o próximo problema é tentar analisar dados em fontes múltiplas e desconexas. 

Diferentes dados são frequentemente armazenados em diferentes sistemas, levando assim a análises incompletas ou imprecisas. Combinar dados manualmente para formar dataset (o que são datasets?) de análise é um trabalho bastante pesado e demorado e pode limitar as percepções da realidade das operações. 

O que se busca é a construção de Data Lakes aderentes ao tipo de gestão para democratizar o acesso aos dados por profissionais do mercado, otimizando desse modo suas atividades com soluções de analytics cada vez mais poderosas. Isso não apenas libera tempo gasto no acesso a fontes múltiplas, como também permite comparações cruzadas e garante que os dados sejam completos.

03 – Dados de baixa qualidade

Ter dados incorretos pode ser tão ou mais prejudicial do que não tê-los. Nada é mais prejudicial à análise de dados do que dados imprecisos, principalmente se a ideia é utilizar as práticas de ciência de dados e machine learning. Sem uma boa entrada, a saída não será confiável. 

Uma das principais causas de dados imprecisos são os erros manuais cometidos durante a entrada de dados, principalmente quando são informações coletadas de maneira manual. Outro problema são os dados assimétricos: quando as informações de um sistema não refletem as alterações feitas em outro sistema e assim o deixa desatualizado.

Os projetos de planejamento estratégico de analytics buscam mitigar e/ou eliminar esses problemas. Isso acontece a partir de processos sistemáticos de dicionarização de dados, levantamento de processos, funções, assim por diante. Abaixo, deixamos alguns artigos relacionados:

04 – Falta de talentos em dados

Algumas organizações e empresas, de um modo geral, não conseguem atingir melhores índices de eficiência nas operações, pois sofrem com a falta de talento na área de análise de dados. Em outras palavras, mesmo que a empresa detenha tecnologias e dados coerentes, ainda sim a mão de obra para executar as análises e os planos de ações conta muito no final do dia. 

Esse desafio pode ser mitigado de três maneiras: 

  • Desenvolver um stack tecnológico analítico sempre atualizado e aderente ao negócio e com materiais de capacitação atualizados.
  • Adicionar as competências analíticas no processo de contratação. Além disso, investir na capacitação constante da equipe sobre as novas tecnologias de dados relacionadas ao stack tecnológico da operação. 
  • Utilizar a terceirização de analytics para aceleração do processo. Neste artigo, por exemplo, elencamos os principais aspectos a serem considerados para definir a escolha de um bom fornecedor. 

05 – Personalização de valores e as características de produto no setor de alimentos

Embora, segundo a Embrapa, cerca de 75% de todo setor alimentício mundial esteja baseado em apenas 12 tipos de plantas e 5 tipos de animais, são milhares de produtos diferentes, comercializados de múltiplas maneiras, preços e prazos no mercado consumidor final.

Apenas como exemplo, na área de proteína animal, o processo de comercialização da carne de gado exige investimentos, infraestrutura, prazos e processos bastante diferentes do que seria para a produção da carne suína ou mesmo a de frango. 

Já que os processos são diferentes, os dados gerados pela cadeia de produção também se tornam distintos, exigindo personalizações nos sistemas de informação e bancos de dados. Como consequência, há alterações em modelos de:

A recomendação é a parametrização dos sistemas com base em classificações mais comuns no mercado e foco nos produtos mais importantes do ponto de vista estratégico (margem de contribuição, volume ou preço de vendas). 

5 desafios reais de dados no setor de alimentos – Considerações finais

Neste artigo, fizemos um apanhado de alguns pontos relevantes sobre os desafios reais de dados na área de alimentos, setor que o Brasil desponta como um dos principais atores globais. 

Trata-se de uma área complexa com diversos fatores de risco e grandes oportunidades de otimização com o uso cada vez mais intensivo de dados. Anteriormente, escrevemos um artigo relacionado às estratégias de dados para a comercialização de energia e que em partes tem os mesmos desafios ligados à tomada de decisão no setor alimentício. 

Nós, na Aquarela Analytics, trabalhamos constantemente com estes desafios de tornar o complexo algo simples e com mitigação de riscos. Por isso, se ficar com dúvidas, entre em contato conosco! 

Quem é a Aquarela Analytics?

A Aquarela Analytics é pioneira e referência nacional na aplicação de Inteligência Artificial na indústria e em grandes empresas. Por meio da plataforma Vortx e da metodolgia DCIM (Download e-book gratuito), atende clientes importantes, como: Embraer (aeroespacial), Scania e Grupo Randon (automotivo), SolarBR Coca-Cola (alimentício), Hospital das Clínicas (saúde), NTS-Brasil (óleo e gás), Votorantim (energia), dentre outros. Fique atento às novas publicações diárias da Aquarela Analytics no Linkedin e assinando a nossa Newsletter mensal! 

Autor

IA na negociação de compra e venda de energia

IA na negociação de compra e venda de energia

Há um termo no mundo dos negócios que está sempre presente na rotina de qualquer profissional, independentemente do cargo hierárquico: Negociação.

Negociar é uma arte que envolve algumas etapas, e uma delas é a busca por informações, afinal, quem entra numa negociação sem estar munido de informações estratégicas? 

No artigo de hoje, vamos falar sobre a Inteligência Artificial e estratégias de Data Analytics que contribuem para negociações complexas de compra e venda de energia. Então, para isso, vamos fazer um paralelo com a técnica de negociação BATNA.

O que é o BATNA

Já ouviu falar em BATNA? BATNA é um conceito desenvolvido por dois grandes negociadores,  William Ury e Roger Fisher e significa ‘Best Alternative to a Negotiated Agreement’, que, em português, pode ser interpretado como a “Melhor Alternativa ao Acordo Negociado” ou então “Melhor Alternativa para Negociar o Acordo”.

Sabe quando a negociação fica travada e então cria-se um impasse entre as partes? É justamente nesse momento que pode se aplicar o BATNA. É aí que entra a provocação na introdução deste artigo: “Quem entra numa negociação sem estar munido de informações estratégicas?”. Não confie apenas no seu poder de persuasão. 

Na ilustração abaixo, temos: de um lado, o comprador;  de outro lado, o vendedor de um imóvel.  No exemplo, leva-se em conta apenas o custo como a variável a ser analisada (lembrando que custo não é o único fator que influencia no preço de compra e venda de um imóvel). 

Fonte  – Negotiation made simple.

Antes de iniciar a negociação, o vendedor deve ter bem definido seus limites de preço:

  • o preço bom;
  • o preço ótimo;  
  • o menor preço possível. 

Mas, convenhamos que do outro lado o comprador também definiu as suas faixas de preço, o quanto está disposto a pagar, suas preferências.

ZOPA

Já que não é possível ler a mente do comprador (situação de assimetria de informação entre os indivíduos), o vendedor pode fazer perguntas estratégicas na tentativa de descobrir as preferências dele, e a partir daí coletar essas informações para conseguir uma boa negociação, que seja interessante para ambas as partes. 

No exemplo acima, o negócio é fechado na ZOPA, Zona de Acordo Possível. Ela pode ser interpretada como a área de negociações modo ganha-ganha. Isso quer dizer também que, provavelmente, valores negociados fora da ZOPA podem acarretar em uma negociação Ganha-Perde.  

Percebe o quanto a negociação é sobre informação? Por isso, no tópico a seguir, vamos relatar de forma bem objetiva como as informações são fundamentais na negociação para a comercialização de energia.

Comercialização de energia e precificação

Antes de mostrar como a IA é uma poderosa aliada na negociação no mercado de energia, vamos falar brevemente como funciona a comercialização nesse mercado.

Para negociar contratos no mercado de energia, é necessário que o distribuidor, gerador, comercializador, sejam membros do SIN (Sistema Interligado Nacional), pois as negociações de compra e venda ocorrem nesse sistema e são gerenciadas pela CCEE, Câmara de Comercialização de Energia Elétrica

A fim de valorar/precificar a energia no Mercado de Curto Prazo, a CCEE utiliza o PLD (Preço de Liquidação de Diferenças) como referência para os preços no Mercado Livre de Energia.

Assim como em qualquer outro tipo de mercado, a regra é a mesma para comercialização: 

“Se o preço sobe, os traders querem vender, se os preços caem, os traders querem comprar. No entanto, para uma boa negociação, é necessário considerar não somente o momento atual. A previsibilidade é fundamental para o aumento da confiabilidade na operação, acompanhar a volatilidade e flutuação do mercado, para melhor alocação dos recursos de capitais disponíveis, e assim consequentemente aumento dos retornos”.

Percebe o quão é importante identificar oportunidades de ganhos e os riscos presentes nesse mercado a partir de várias fontes de informação? 

Além da variedade de fontes de informação, também é importante ter um bom entendimento sobre a natureza de cada tipo de dado, conforme mostramos na figura abaixo, extraída do artigo Natureza dos dados e estrutura para Data Science.

E agora, onde entra a Inteligência Artificial para negociação e comercialização no mercado de energia? Vamos explicar.

Fatores de influência na negociação de compra e venda de energia

Os especialistas que atuam no mercado de energia, conhecidos como traders, sabem que são múltiplos os fatores que implicam em uma boa negociação. Assim, para conseguir realizar as melhores negociações de compra e venda, os experts desse mercado precisam estar munidos de informações estratégicas, tais como: 

  • Quais as condições hidrológicas previstas a curto, médio e longo prazo? 
  • Qual o fluxo do mercado? 
  • Como identificar possíveis padrões ou mudanças de comportamento nos dados? 
  • Como identificar liquidez? 
  • Quais as particularidades das bacias hidrográficas  por região? 

Esses foram apenas alguns exemplos básicos de fatores que podem influenciar as negociações do valor da energia. Temos, nesse cenário, análises de múltiplas variáveis, também conhecidas como análises multivariadas ou até, de forma mais simples, multicolunar (tabela com diversas colunas).  

A maioria das variáveis relativas ao processo de decisão normalmente se encontram apartadas uma das outras, tornando complexa a análise por um humano. Como resultado, perde-se a oportunidade de identificar padrões valiosos nos dados, automatizar processos e eventualmente dar escalabilidade aos resultados do negócio. 

Facilitadores nas negociações de compra e venda de energia

Uma das formas mais eficazes de solucionar ou pelo menos contornar esses problemas é aproveitar a onda de digitalização da economia para uso das melhores práticas de governança de dados e assim integrar indicadores de forma harmoniosa em datasets (o que são datasets?) coerentes ao negócio, se possível utilizando arquiteturas de microsserviços (Impactos dos microsserviços em projetos de Analytics).

Com datasets de boa qualidade, a complexidade de análise pode ser otimizada utilizando Inteligência Artificial. Aliás, somente com datasets bem estruturados que a IA será capaz de gerar resultados válidos para a negociação.

Técnicas de analytics podem ajudar a fazer melhores inferências sobre a posição dos limites do BATNA, ajudando a identificar outliers que podem afetar de forma considerável as análises, viesar os resultados e causar impactos negativos nas negociações. 

Em complemento, os algoritmos de Machine Learning podem ainda ser treinados para identificar soluções ótimas de negociação dentro da ZOPA e até permitir a automação de comportamentos inteligentes e decisões autônomas de precificação. Afinal, bons retornos são sempre esperados, mas os riscos em uma operação também precisam ser mitigados, considerando o curto, médio e longo prazo. 

IA na negociação de compra e venda de energia – Conclusões e recomendações

Nesse artigo, falamos sobre a importância de obter informações estratégicas para negociação de compra e venda de energia, apresentamos o conceito BATNA e como abordagens de Data Analytics e IA podem contribuir para melhores negociações e até a automação do processo. 

Os feelings dos especialistas são importantes, mas não suficientes para aumentar o market share de uma comercializadora e aumentar a margem de assertividade. Consideramos que as novas tecnologias e metodologias de dados são um “must have” para o mercado de comercialização como um todo.  

Abaixo, listamos algumas dicas que fazem a diferença na implementação de processos digitalizados de apoio à decisão:

Gostou desse artigo? Então, deixe o seu comentário.

Quem é a Aquarela Analytics?

A Aquarela Analytics é pioneira e referência nacional na aplicação de Inteligência Artificial na indústria e em grandes empresas. Por meio da plataforma Vortx e da metodolgia DCIM (Download e-book gratuito), atende clientes importantes, como: Embraer (aeroespacial), Scania e Grupo Randon (automotivo), SolarBR Coca-Cola (alimentício), Hospital das Clínicas (saúde), NTS-Brasil (óleo e gás), Votorantim (energia), dentre outros. Fique atento às novas publicações diárias da Aquarela Analytics no Linkedin e assinando a nossa Newsletter mensal! 

Autores

Um conto sobre a importância da previsão de demanda

Um conto sobre a importância da previsão de demanda

Esses dias me deparei com uma história lúdica e bem-humorada sobre a previsão do tempo que também serve para uma reflexão sobre a importância da previsão de demanda e os riscos atrelados à qualidade das fontes de dados para a análise da previsão. 

Anteriormente, já escrevemos aqui no blog sobre a evolução dos níveis de conhecimento do dado bruto até o nível de “sabedoria” (Dos dados à inovação). Na história, vamos apresentar o chefe da tribo e sua sabedoria, além dos planos de ações tomados a partir de suas análises. 

Previsão de Frio e o Plano de Ação

Conta a história (amplamente replicada na internet) que havia um uma tribo que perdeu seu Cacique (o líder da tribo). Como consequência, um novo Cacique foi eleito e prontamente assumiu as atividades, mesmo que com menos experiência sobre questões de administração e coordenação de atividades. 

Neste caso, o “chefe” era ainda relativamente novo e não tinha aprendido profundamente os segredos de meteorologia como o velho sábio. Mesmo assim, para não gerar insegurança para a tribo em sua posição de liderança, e logo nas primeiras decisões, ele olhou para o céu, estendeu as mãos e disse em tom sereno, mas firme:

— Atenção a todos, sinto que teremos um inverno muito rigoroso pela frente. Por isso, solicito que nossos membros mais fortes comecem a buscar e reunir a lenha. 

Dois dias depois, já havia sido recolhido bastante material para o fogo. Preocupado com a sua própria previsão do tempo, foi ao telefone e perguntou ao instituto de meteorologia. Então, ouviu a seguinte resposta:

— Sim, o inverno deste ano será bastante frio!

5 dias mais tarde e com as temperaturas ainda altas, ligou novamente e ouviu a confirmação:

— Sim, neste ano, o inverno será rigoroso!

Voltou à sua tribo e disse:

— Atenção, teremos um inverno muito rigoroso mesmo. Peço para que todos, incluindo mulheres e crianças, colaborem com o recolhimento de madeira e com o reparo das cabanas! 

A resposta

Passou mais uma semana quente. E, com dúvidas sobre a chegada do frio, o Cacique ligou novamente para o instituto:

— Tem certeza de que teremos um inverno tão forte?

— Sim. Temos, sim. De fato, esse ano será um frio histórico na região. 

Então, o Cacique perguntou: 

— Como vocês podem ter tanta certeza de que o inverno será tão rigoroso se nunca tivemos um frio desses por aqui?

O atendente respondeu:

— É porque os índios estão recolhendo lenha pra caramba, e nunca vimos isso acontecer. 

A importância da previsão de demanda – Conclusões e recomendações

Essa história traz vários pontos de reflexão para o mundo analytics, pois mostra como o desconhecimento do processo de negócio pode gerar grandes impactos. Além disso, ela traz uma lição sobre a importância da gestão do conhecimento. No caso relatado, o antigo Cacique era o criador e mantenedor do processo, seu conhecimento não foi transferido a ninguém e isso ocasionou problemas à tribo.

Aos novos analistas, ficam as seguintes recomendações: 

  • Manter o senso crítico independente da ferramenta e do cenário de negócio;
  • Verificar as fontes de dados (datasets) continuamente;
  • Buscar informações tanto interna como externamente pode ajudar na qualidade das predições, desde que os dados sejam complementares;
  • Embora as predições nunca sejam 100% perfeitas, é tarefa do gestor acompanhar diariamente a evolução do previsto com o realizado (O desafio da previsão de demanda);
  • Fazer testes sobre todos os dados, sempre validando a fonte de origem. 

Quem é a Aquarela Analytics?

A Aquarela Analytics é pioneira e referência nacional na aplicação de Inteligência Artificial na indústria e em grandes empresas. Por meio da plataforma Vortx e da metodolgia DCIM (Download e-book gratuito), atende clientes importantes, como: Embraer (aeroespacial), Scania e Grupo Randon (automotivo), SolarBR Coca-Cola (alimentício), Hospital das Clínicas (saúde), NTS-Brasil (óleo e gás), Votorantim (energia), dentre outros. Fique atento às novas publicações diárias da Aquarela Analytics no Linkedin e assinando a nossa Newsletter mensal! 

Autor

Precificação dinâmica na educação privada – Case de sucesso

Precificação dinâmica na educação privada – Case de sucesso

A definição de preços é uma atividade estratégica aos negócios, que exige uma contínua análise e o compartilhamento de informações entre departamentos para que seja assertiva e vantajosa financeiramente. No decorrer dos anos, ela vem sendo otimizada por meio da tecnologia, por processos inteligentes e cada vez mais dinâmicos. 

A estratégia de precificação dinâmica inteligente é utilizada para gerar preços a partir da análise de informações captadas no mercado (concorrência) e até em valores probabilísticos gerados pelo uso de IA. Essa abordagem inovadora ganhou destaque entre as organizações de diversos setores, passando a ser adotada pelas principais empresas do mundo digital (dados da Forbes) ou em processo de transformação digital  ao oferecer agilidade na adaptação ao mercado, competitividade, além da maximização dos lucros. 

Precificação avançada na educação privada

Hoje vamos abordar em nosso blog a precificação dinâmica na educação privada, já que é uma das decisões mais importantes e desafiadoras no setor. 

Como valorizar a marca e, ao mesmo tempo, considerar as possibilidades de investimento dos seus alunos? Como precificar corretamente em um mercado onde é frequente a oferta de bolsas de estudo? E ainda, como definir a mensalidade/bolsa de estudo ideal para cada aluno e garantir a uniformidade da aplicação das políticas de precificação corporativas?

Para responder a esses questionamentos, preparamos um material apresentando o nosso case de sucesso relacionado à precificação avançada no segmento de educação privada.

O estudo de caso aborda o problema de negócio do nosso cliente, imerso em um complexo sistema de precificação não automatizado, com extensas regras para definir a mensalidade/bolsa de estudo ideal para cada aluno; a jornada, marcada pela estruturação do processo de precificação; e os resultados gerados para a instituição de ensino (o que o cliente ganhou).

Conclusão – Precificação dinâmica na educação privada

Como vimos, a estratégia da precificação dinâmica vem ganhando destaque no setor educacional. Porém, seu processo de implementação é complexo, demandando de fornecedores de inteligência artificial e data analytics qualificados e reconhecidos no mercado. Leia também – Como escolher o melhor fornecedor de Data Analytics e Inteligência Artificial

Ficou com alguma dúvida sobre o nosso case de sucesso de precificação dinâmica na educação privada? Então, deixe o seu comentário.

Saiba mais sobre o Smart Pricing, módulo do Aquarela Tactics, e fale com nossos especialistas.

Quem é a Aquarela Analytics?

A Aquarela Analytics é pioneira e referência nacional na aplicação de Inteligência Artificial na indústria e em grandes empresas. Por meio da plataforma Vortx e da metodolgia DCIM (Download e-book gratuito), atende clientes importantes, como: Embraer (aeroespacial), Scania e Grupo Randon (automotivo), SolarBR Coca-Cola (alimentício), Hospital das Clínicas (saúde), NTS-Brasil (óleo e gás), Votorantim (energia), dentre outros. Fique atento às novas publicações diárias da Aquarela Analytics no Linkedin e assinando a nossa Newsletter mensal! 

Autores

Previsão de demanda: tudo o que você precisa saber sobre o tema

Previsão de demanda: tudo o que você precisa saber sobre o tema

Nos negócios e em nossas vidas pessoais fazemos previsões e estimativas sobre eventos futuros. Por exemplo, a estimativa de tempo gasto para chegar na casa de um amigo ou da quantidade de comida necessária para um jantar para diversas pessoas. E a decisão tomada com base na previsão pode nos fazer chegar no horário certo do encontro e comprar a comida na quantidade necessária ou não. Pensando nisso, preparamos este artigo sobre previsão de demanda, abordando conceitos, importância para os negócios e sua evolução ao longo dos anos.

O que é previsão de demanda?

Previsão de demanda, como o próprio nome diz, é a obtenção da estimativa da demanda futura. Isso é feito com as informações disponíveis no momento presente. As previsões podem ser geradas por meio de modelos matemáticos, que se utilizam de dados históricos; por métodos qualitativos, como experiência da gestão ou opinião de experts; ou ainda a combinação dos dois. Quanto, quando e onde são perguntas que buscam ser respondidas por meio da realização de previsões. É importante destacar que as predições não são o mesmo que alvos, porém são estimativas sobre o que ocorrerá. As decisões tomadas com base nos resultados das previsões e a preparação para o futuro resultam no planejamento. Por isso, realizar boas estimativas sobre o futuro é o propósito principal da previsão. 

Qual a importância da previsão de demanda?

Previsão de demanda é uma atividade importante que influencia empresas de diversos segmentos, tais como: varejo, bens de consumo, indústria farmacêutica, automotiva, setor de eletrônicos, maquinário pesado, entre outros.  Leia também: O papel da IA na previsão de demanda na indústria alimentícia.

As previsões de demanda são utilizadas para o planejamento das empresas, visto que todo plano precisa se basear em uma previsão. Além disso, a gestão de processos e a gestão da logística são áreas que se beneficiam de previsões de demanda de qualidade. Assim, as predições são de suma importância, pois possibilitam que os gerentes planejem atividades mais assertivas em direção aos objetivos estratégicos do negócio. É útil ainda para o processo tático e estratégico das empresas. A área de planejamento aplica previsões em seu dia a dia, as quais podem servir de insumo para o time de vendas e marketing a fim de ajudar com insights na geração da demanda e organizar suas ações. 

Os negócios, em sua maioria, precisam realizar previsões em relação aos seus produtos para elaborar um planejamento efetivo tanto no curto quanto no longo prazo. Assim, previsões de demanda são cruciais para as empresas, já que afetam planejamento de estoque, planejamento logístico, programação da produção, planejamento de fluxo de caixa, decisão sobre contratações de novos colaboradores, decisões de compras, entre outros. Previsões de baixa qualidade ou a falta delas podem levar a uma tomada de decisão errônea. Dessa forma, os negócios se preparam de maneira incorreta para o futuro. 

Benefícios

Melhores previsões podem resultar em melhores níveis de serviço, retenção de clientes, redução de custos e redução de desperdícios (excesso de estoque e produtos não vendidos). Além disso, produções de emergência para atender a demanda são mitigadas, pois com a previsão as empresas podem se planejar e tomar decisões que permitam uma resposta proativa.

Não estar preparado para a demanda pode gerar perdas incalculáveis, como redução de market share. Por exemplo, quando o cliente precisa do produto, mas não encontra a marca desejada, ele pode substituir por outras. As empresas não podem mais esperar que a demanda ocorra para reagir e ter o produto certo, no local certo e no tempo certo. Além disso, o aumento exponencial na performance de cadeias logísticas de algumas empresas só foi possível com melhorias nas previsões de demanda. Empresas investem para que consigam prever melhor o futuro, pois sabem que isso gera retorno financeiro. É importante saber o que está acontecendo no ponto de venda para obtenção de uma previsão de demanda mais assertiva. 

Como é a classificação dos horizontes de previsões?

A previsão de demanda pode ser classificada em relação ao horizonte futuro no tempo que se aplica. As três categorias de classificação em relação ao horizonte de tempo são:

  • Previsão de curto alcance: geralmente menor que 3 meses, mas pode ir até 1 ano. Utilizada para planejamento de compras, programação de produção, níveis de mão de obra, níveis de produção.
  • Previsão de médio alcance: geralmente de 3 meses até 1 ano, contudo pode ir de 1 ano até 3 anos. Útil para planejamento de vendas, análise de planos de operação, planejamento de produção e orçamento.
  • Previsão de longo alcance: possui 3 ou mais anos. Esse tipo de previsão pode ser aplicado para planejar novos produtos, expansão, além da pesquisa e desenvolvimento.

Previsões de curto alcance tendem a ser mais assertivas do que previsões de longo alcance.

Quais as principais categorias dos métodos de previsão de demanda?

Os métodos de previsão de demanda dividem-se em três categorias básicas, as quais são:

  1. Qualitativos: métodos que se baseiam nas opiniões de gestores, especialistas, equipe de vendas e questionários de clientes a fim de estimar o valor quantitativo de demanda.
  2. Séries temporais: abordagem estatística que depende de dados históricos para prever a demanda futura. Por esses métodos, há o reconhecimento de tendências e padrões sazonais.
  3. Modelos causais: método quantitativo de previsão de demanda que se utiliza de dados históricos em conjunto com variáveis independentes, tais como: condições econômicas, ações dos concorrentes e campanhas promocionais.

Independentemente da categoria do método de previsão de demanda, um pré-requisito é que haja algum padrão ou relação que possa ser identificado e modelado.

Evolução da previsão de demanda ao longo da história

As organizações começaram a criar departamentos e funções de previsão de demanda ao final de 1980. Entretanto, esse tema já era explorado nas décadas anteriores na academia e por segmentos em que os produtos precisam de diversas partes para serem montados. O início das previsões de demanda nas empresas, em sua maioria, consistiu em modelos simples de estatística, como médias móveis (moving averaging), suavização exponencial simples (simple exponential smoothing), e julgamento por instinto. 

Os avanços tecnológicos em armazenamento e processamento de dados (Big Data) posicionaram a previsão de demanda como um dos atores principais na geração de valor para o Supply Chain. Como resultado desses avanços, as previsões de demanda estão melhorando cada vez mais.

Conclusões e Recomendações

Prever a demanda futura é um desafio que as empresas têm que enfrentar para conseguir tomar decisões que gerem melhores resultados. A previsão de demanda é uma atividade essencial para o planejamento das empresas, pois ela gera diversos benefícios, como: redução de desperdícios, melhor alocação dos recursos, aumento de vendas e receita. Assim, auxilia as organizações a terem o produto certo, no local certo e no tempo certo.

Leia também: O desafio da previsão de demanda na visão da Aquarela.

Busque continuamente melhorar o processo e as tecnologias de previsão de demanda em sua empresa para acompanhar esse mundo em constante mudança. O Aquarela Tactics possui um módulo de previsão de demanda que pode lhe auxiliar nessa jornada para saber com antecedência o que esperar do mercado consumidor e otimizar suas decisões.

Quem é a Aquarela Analytics?

A Aquarela Analytics é pioneira e referência nacional na aplicação de Inteligência Artificial na indústria e em grandes empresas. Por meio da plataforma Vortx e da metodolgia DCIM (Download e-book gratuito), atende clientes importantes, como: Embraer (aeroespacial), Scania e Grupo Randon (automotivo), SolarBR Coca-Cola (alimentício), Hospital das Clínicas (saúde), NTS-Brasil (óleo e gás), Votorantim (energia), dentre outros. Fique atento às novas publicações diárias da Aquarela Analytics no Linkedin e assinando a nossa Newsletter mensal! 

Autor