Desempenho do linear e prevenção de ruturas de stock

Como é que um software de planogramas baseado em IA melhora o desempenho do linear quando o sortido e a procura mudam?

O ganho não vem de um planograma em concreto, mas da frequência com que um layout pode ser corrigido: um software de planogramas baseado em IA recalcula a atribuição de espaço à medida que mudam as vendas, o sortido e o equipamento, e é isso que impede que o desempenho do linear se degrade entre resets de categoria. O Retano Shelfplan constrói cada layout a partir da geometria do equipamento, dos dados mestre de produto (dimensões, embalagem, restrições de colocação) e dos resultados de venda ordenados por faturação, unidades ou margem. Os facings são depois dimensionados para que a quota de superfície de linear ocupada por um produto corresponda ao seu peso no critério escolhido, dentro dos limites definidos para cada classe ABC.

O que separa a geração automática do desenho assistido por regras, no retalho alimentar e nos bens de grande consumo, é a escala do recálculo. Os layouts podem ser regenerados em massa — uma loja, um formato ou toda a cadeia — e o resultado regressa como um resumo de alterações e a lista de artigos que o algoritmo não conseguiu colocar, de modo que o category manager trabalha sobre as exceções em vez de redesenhar lineares.

O desempenho do linear é depois medido com os mesmos dados com que o layout foi construído: receita por unidade de superfície de linear ocupada e útil, resultados de venda visualizados diretamente sobre o layout do equipamento e análise de zonas quentes da área de vendas. Quando os serviços analíticos estão ligados, as recomendações de layout chegam como alterações concretas de facings, comparáveis com a versão atual antes de serem aplicadas.

Que funcionalidades de um software de planogramas e space planning devem ser verificadas com os dados reais da rede?

As funcionalidades que valem a pena verificar com dados reais de loja são as que determinam quanto trabalho manual sobra depois do go-live. Duas são sistematicamente subestimadas durante a avaliação: os dados mestre de que o sistema precisa antes de conseguir gerar seja o que for, e que parte do equipamento real da cadeia consegue representar.

• Qualidade dos dados mestre — como se comporta o sistema quando faltam dimensões ou atributos de embalagem para parte do sortido, e como essas lacunas são preenchidas antes de gerar o primeiro layout. O Retano Shelfplan guarda as dimensões físicas numa base de dados dedicada com importação e exportação em massa, e a implementação inclui normalizar o que já existe nos sistemas do retalhista.
• Equipamento não padronizado sem desenvolvimentos à medida — ganchos e zonas perfuradas, cestos, zonas verticais e equipamento sem uma estrutura de prateleiras padrão, geridos através de templates de equipamento reutilizáveis em vez de uma configuração separada por loja.
• Gestão de exceções — uma lista legível dos artigos que o algoritmo não conseguiu colocar e uma forma de os resolver sem reconstruir o layout de raiz.
• Recálculo à escala da rede de lojas, para que um reset de categoria não se transforme num projeto manual de várias semanas.
• Ligação à execução em loja — tarefas de layout na aplicação móvel, confirmação fotográfica, captura do realograma e verificação automática da conformidade através do Retano VeriShelf AI.
• Troca de dados com o planeamento adjacente — o Retano Shelfplan trabalha com o Retano Catman e transmite a capacidade do linear ao Retano SCM.

O histórico de versões, a comparação de planogramas e a aprovação eletrónica são o padrão de base nesta categoria de software, não fatores de diferenciação.

O que veem realmente as ferramentas de IA que detetam ruturas de stock através da digitalização do linear e da visão computacional?

Estas ferramentas comparam a imagem do linear com o planograma aprovado e classificam os desvios por tipo: artigo ausente, menos facings do que os previstos, produto em posição errada, produto alheio no linear, layout que se afastou do padrão. O produto em falta é apenas um desses tipos. O Retano VeriShelf AI aplica um modelo de reconhecimento pré-treinado com imagens de retalho e adaptado ao sortido de cada loja: os desvios são registados sem necessidade de um supervisor presente, uma tarefa corretiva chega ao colaborador de loja quase de imediato e o resultado da verificação regressa ao Retano Shelfplan, onde é mantido o planograma com que foi confrontado.

De todos os tipos de desvio, é o espaço vazio que exige uma leitura cuidadosa, sobretudo no retalho alimentar e nos bens de grande consumo. A visão computacional reporta o estado do linear no momento da captura, não o estado do stock: um vazio pode significar que o artigo está esgotado em toda a cadeia, que está parado no armazém da loja ou que foi deslocado para outro equipamento. Separar esses casos exige dados de stock e de reposição a par da imagem. A colocação incorreta não tem essa ressalva: o desvio face ao planograma vê-se na própria imagem.

Duas condições operacionais fixam o teto prático. A consistência na captura de imagens importa mais do que parece: iluminação, ângulo e enquadramento foram onde os primeiros projetos de reconhecimento de linear perdiam precisão, e essa disciplina depende das equipas de loja, não do modelo. A frequência de captura determina o resto: um equipamento fotografado uma vez por semana devolve um retrato semanal da disponibilidade no linear, por mais exata que seja cada leitura.

O que causa as ruturas de stock no linear dos supermercados e como é que os retalhistas as resolvem com software?

No retalho alimentar, as ruturas de stock remetem para quatro causas distintas, e perceber qual predomina numa categoria importa mais do que a escolha da ferramenta. As quatro medem-se no mesmo ponto — o linear — mas distinguem-se pelo facto de o produto faltar também na loja ou apenas no facing, e é isso que decide qual o sistema que ajuda. As estimativas do setor situam habitualmente a proporção de SKU ausentes do linear entre cerca de 5% e 10% num dado momento, subindo durante as promoções; os valores variam consoante a categoria, o formato e o método de medição, pelo que indicam uma ordem de grandeza e não um objetivo sobre o qual planear.

Os erros de previsão da procura produzem faltas reais, sem stock em nenhum ponto da loja. Uma capacidade de linear desalinhada da frequência de entrega esvazia o facing entre entregas nos artigos de elevada rotação, enquanto a mercadoria continua disponível noutros pontos da cadeia. As falhas de execução deixam o produto na loja mas fora do linear: no armazém da loja, no equipamento errado ou por repor depois de um reset promocional. A inexatidão dos registos de stock mascara as outras três causas, porque o sistema mostra existências que o linear não tem.

Nenhuma ferramenta isolada fecha as quatro causas: estão em processos diferentes, pelo que os sistemas também diferem. O Retano SCM atua no lado da encomenda. O Retano Shelfplan atua sobre a capacidade: a capacidade de linear obtida do planograma alimenta o planeamento da cadeia de abastecimento, de modo que o número de facings e a frequência de entrega são definidos um em função do outro e não separadamente. O Retano VeriShelf AI atua sobre a execução. A exatidão dos registos é a única causa que o software revela mas não resolve: exige disciplina de contagem na loja.