Homepage Newsletter Opinião

Rutura de stocks e substituição de produtos na idade da inteligência artificial

Por a 30 de Outubro de 2020 as 12:46

Graca_Luis-SM__1941 (1)Luis Graça, Senior Business Development Manager no SAS Portugal

O aumento na eficiência das cadeias de distribuição tem invariavelmente aumentado a pressão sobre a disponibilidade de stock de produtos, sejam eles bens perecíveis ou bens com duração alargada. Somos todos testemunhas destes fenómenos aquando da greve dos motoristas de materiais perigosos ou na recente crise resultante do Covid-19 (ex.: papel higiénico).

Por outro lado, a indisponibilidade de produtos nos habituais locais de fornecimento (lojas, farmácias, bomba de combustível, entre outros) gera frustração e insatisfação nos clientes levando, muitas vezes, à troca de um fornecedor com maior indisponibilidade por outro, com melhor disponibilidade ou com maior amplitude de produtos que possam substituir a necessidade do cliente.

Existem setores, como o retalho alimentar, onde a substituição é mais tolerada pelos clientes, sendo possível em lojas online escolher substituição de produtos por produtos de linha branca, ou quando vamos a um supermercado para comprar leite, invariavelmente saímos com leite mesmo que não seja a nossa marca preferida.

A analítica avançada aplicada à análise de programas de fidelização ou às transações de venda permite determinar comportamentos de compra e de preferência, permitindo assim classificar se um cliente é mais orientado ao preço ou está fidelizado a uma marca ou a uma característica de produto. Esta informação combinada com disponibilidade de produtos em stock pode ser uma ferramenta valiosa na recomendação de produtos substitutos, alinhados com as preferências do cliente com incremento de satisfação deste, uma vez que num maior número de vezes viu as suas necessidades satisfeitas.

Para este efeito, é necessário analisar as transações de venda, que em alguns casos podem chegar aos milhões de transações por mês, bem como programas de fidelização, caso existam, para ligar essas transações a clientes. Esta análise é facilitada quando existem programas de fidelização, que permitem ligar uma transação a um cliente, mas também pode ser efetuada sem estes programas de fidelização ainda que com menor precisão e fiabilidade. Para tal, é necessário construir árvores de decisão que sistematize o processo de compra do cliente com recurso a modelos analíticos avançados (graphical clustering ou word2vec). Posteriormente, e aquando da visita do cliente (física ou digital) ao seu fornecedor habitual, é necessário implementar os algoritmos de recomendação em tempo real, apresentando as recomendações no site internet, aplicação móvel, quiosque, entre outros, que conjuguem preferências dos clientes e disponibilidade de produtos, bem como outros produtos que possam ser alternativas válidas para esses clientes.

O processamento dos volumes massivos de informação relativa a transações e preferências de cliente pode ser uma tarefa “titânica” para as folhas de cálculo que sobrevivem nas organizações e que, muitas vezes, foram úteis no passado. São necessárias abordagens mais musculadas em termos de processamento e capacidades analíticas sem que, no entanto, seja necessário constituir um “programa Apolo” para enviar um homem à lua. Atualmente, o poder computacional da cloud conjugado com ferramentas gráficas de analítica avançada e machine learning sem necessidade de programação/no-code (mas que também permitem programação) estão ao alcance de qualquer pequena e média organização.

Para mais informação sobre estes e outros assuntos relacionados sobre a rutura de stocks e substituição de produtos (short-term product substitution) recomendo que vejam o vídeo do link: https://www.sas.com/pt_pt/industry/retail/solutions-for-covid19.html#m-intelligent-short-term-product-substitution.

 

Deixe aqui o seu comentário

O seu endereço de email não será publicado. Campos obrigatórios marcados com *