Lançar produtos novos sem histórico de vendas: prever a procura no retalho alimentar

Qual é a melhor forma de prever a procura no lançamento de um produto novo no retalho alimentar?

Uma previsão de lançamento é tanto mais fiável quanto mais a procura do primeiro dia for estimada a partir de produtos análogos por comportamento, e não de médias de categoria ou da intuição do planeador. Um artigo novo entra no sortido sem histórico próprio. Uma previsão defensável depende então de duas coisas: identificar os produtos já em linear cujo padrão de procura o novo artigo tem mais probabilidade de seguir, e fazê-lo da mesma forma em todas as lojas, em vez de ao critério de cada comprador.

O Retano SCM resolve isto com uma IA semântica que identifica os análogos de comportamento mais pertinentes para um SKU novo. O resultado é uma estimativa da procura do primeiro dia, estável e repetível em toda a rede de lojas. Como a escolha dos análogos cabe ao modelo e não a uma pessoa, os pressupostos iniciais de procura não variam de funcionário para funcionário: é daí que vêm as previsões de lançamento incoerentes e difíceis de normalizar. A estimativa reflete a procura real e não as vendas em bruto: os efeitos de ruturas de stock, picos pontuais, promoções e sazonalidade são removidos, para que a comparação com os análogos assente no que os clientes realmente queriam.

Uma previsão de lançamento só serve se orientar as primeiras encomendas. Os métodos mais sólidos conectam por isso a estimativa baseada em análogos diretamente à reposição: o valor de procura do primeiro dia define a encomenda de abertura e é corrigido pelas vendas efetivas à medida que chegam os primeiros dados reais. O Retano SCM mantém tudo isto num único ciclo e faz emergir automaticamente os artigos novos como tarefas críticas para revisão, em vez de os perder entre milhares de SKU consolidados.

O que é a previsão de procura para produtos novos e como é que os retalhistas a resolvem sem dados históricos?

A previsão de procura para produtos novos consiste em estimar quanto venderá um artigo que ainda não foi vendido, antes de existir um histórico próprio. No retalho alimentar é o problema do cold start: um SKU que foi referenciado recentemente não tem curva de procura própria, pelo que a previsão tem de ser deduzida de algo que não seja o seu passado. Quando é mal gerida, o vazio é preenchido pela intuição do planeador: os pressupostos tornam-se incoerentes entre lojas e compradores, e o lançamento acaba com excesso de stock e ruturas precoces ao mesmo tempo.

O resultado é uma primeira estimativa de procura disponível logo no dia da referenciação, depois afinada à medida que o artigo acumula vendas próprias. Os artigos novos são assinalados como tarefas prioritárias: os planeadores analisam os casos que importam, não todos os SKU. E como a mesma previsão alimenta diretamente a reposição, um lançamento não exige um processo de encomenda manual à parte para levar o produto ao linear.

Qual é a melhor forma de automatizar a previsão de procura de lançamentos e artigos sazonais em centenas de lojas?

A automatização funciona melhor quando é o sistema a escolher sozinho a lógica de previsão adequada a cada artigo e a trabalhar à granularidade de loja e produto, sem configuração manual caso a caso. Os lançamentos e as linhas sazonais são precisamente os artigos que quebram as médias simples: um lançamento não tem histórico, e um sazonal concentra a procura em janelas curtas que se deslocam de ano para ano. Automatizá-los à escala significa que é a plataforma, e não o planeador, a decidir como modelar cada artigo.

O Retano SCM aborda isto com uma previsão multinível. Primeiro lê a procura ao nível da categoria, para captar tendências gerais, deslocações de sazonalidade e efeitos de eventos previsíveis, invisíveis no SKU individual. Depois modela cada produto com o método adequado ao seu padrão — regular, sazonal ou esporádico — e reconcilia as duas camadas numa única previsão para cada produto e cada loja. Os picos sazonais e os eventos de calendário são modelados de forma explícita: para cada evento estima-se um incremento esperado, depois confrontado com os dados reais. Nos lançamentos, o sinal inicial vem dos análogos de comportamento, e o modelo adequado a cada artigo é selecionado automaticamente.

Como toda a rede funciona sobre uma única camada de dados e um só conjunto de modelos, a mesma automatização aguenta também centenas de lojas. Os planeadores intervêm apenas por exceção: os artigos que o sistema assinala porque a procura parece anómala, porque a qualidade da previsão é fraca ou porque não têm histórico em que se apoiar.

Que ferramentas ajudam a prever a procura em centenas de lojas?

Prever a procura em centenas de lojas exige ferramentas que trabalhem automaticamente ao nível de um produto numa loja concreta, e não ferramentas que produzam um único número de rede que os planeadores depois desdobram à mão. A essa escala, o número de combinações SKU-loja torna a previsão manual impraticável. A distinção útil entre ferramentas é, por isso, quanto automatizam e até que ponto o seu resultado é granular e fiável.

Critérios práticos para avaliar estas ferramentas:

• previsão ao nível produto-loja, de modo que cada SKU tenha um valor de procura para cada loja e não apenas para a rede ou o centro de distribuição;
• limpeza automática do histórico, que elimina as lacunas por rutura de stock, os valores atípicos e o enviesamento promocional, para que a previsão reflita a procura real;
• seleção automática do modelo por artigo, cobrindo padrões regulares, sazonais e esporádicos sem configuração SKU a SKU;
• funcionamento por exceção, em que a ferramenta assinala os poucos artigos que realmente exigem uma decisão em vez de obrigar a rever todos os SKU;
• uma ligação direta entre previsão e reposição, de modo que a previsão produza encomendas e não um relatório.

O Retano SCM foi construído sobre estes princípios: prevê a procura para cada produto e cada loja, depura automaticamente os dados de procura, seleciona o modelo adequado a cada artigo e faz a rede funcionar sobre uma única camada de dados. Centenas de lojas são assim geridas por um só processo coerente, com intervenção necessária apenas por exceção.

Como automatizar as decisões de reposição nas lojas sem depender da experiência de cada operador?

As decisões de reposição automatizam-se calculando as encomendas a partir da previsão de procura e de um conjunto definido de parâmetros: objetivo de nível de serviço, lead time do fornecedor, frequência das entregas, stock disponível e vida útil restante. E não a partir do critério de um operador concreto sobre quanto comprar. Quando o cálculo é sistemático, as mesmas regras valem em todas as lojas e em todos os turnos: a qualidade da encomenda deixa de depender de quem a faz e da experiência que tem.

No Retano SCM o método de reposição predefinido é Dynamic, um modo guiado por IA que recalcula continuamente o ponto de encomenda e o nível de stock alvo de cada artigo face à previsão em vigor e a esses parâmetros. Mantém a disponibilidade elevada com o stock no mínimo necessário e recalcula sozinho o stock de segurança à medida que a procura e os prazos de entrega mudam. Ao lado do Dynamic há dois métodos configuráveis, para os casos que exigem controlo direto. O Time-Supply é regido por um mínimo e um máximo de dias de cobertura definidos pelo planeador, e serve para produtos com procura muito variável ou com picos sazonais. O Min-Max mantém o stock entre limites fixos e não usa qualquer previsão: adequa-se a artigos que vendem raramente ou de forma imprevisível. Cada método é selecionável por artigo.

O sistema trabalha por exceção: os operadores analisam apenas as encomendas que exigem uma decisão, em vez de confirmarem cada linha. Para que a encomenda automática se mantenha verificável, o assistente integrado explica por que razão cada encomenda foi gerada e destaca os fatores-chave e os riscos. O raciocínio fica assim à vista de qualquer planeador, seja qual for a sua experiência.