Aprendizado de Máquina para prever vendas de cerveja (enquanto elas ainda não sabem beber...)

Previsão de Vendas é um dos processos mais importantes dentro de uma organização: seu resultado impacta as ações táticas e estratégicas da empresa toda. É também um dos processos mais complexos, pois envolve uma grande série de elementos, como ambiente de negócios, mercado, ações executadas pela empresa e pelos competidores, pelos fornecedores, pelos distribuidores, pelo governo. E afeta custos, lucratividade, imagem de marca e market-share.

O senso comum por si só já estabelece a importância de uma boa previsão, mas nunca é demais reforçar. Uma previsão de vendas imprecisa prejudica a rentabilidade podendo trazer muitas consequências para um negócio, desde ineficiências pequenas, que podem ser corrigidas, até situações muito mais graves. Se uma venda ocorre abaixo do previsto, há uma elevação de estoque, que causa aumento de capital de giro, aumento dos custos de armazenagem e até perdas por deterioração. Quando falta um item especifico no estoque, há uma perda de venda e do lucro resultante. Se a situação se repete regularmente, causa a insatisfação do cliente que, no longo prazo, pode levá-lo a ir para o concorrente.

Os avanços mais recentes em aquisição e capacidade de processamento de dados fizeram com que diversos modelos, antes trabalhosos ou complexos demais, pudessem ser usados como técnicas de aprendizado de máquina aumentando o leque de possibilidades da Ciência de Dados para a obtenção de melhores resultados.

Séries temporais são métodos usados para a predição futura, mantidas as premissas adotadas, quando há uma dependência temporal na análise dos dados. Numa visão mais simples, quando a sequência de apresentação dos dados é importante. Eu apliquei diversas técnicas de aprendizado de máquina usando séries temporais para a predição de vendas de cerveja por SKU e por loja, a partir de um conjunto de dados reais (disponíveis publicamente em Volume Forecasting  Kaggle). O histórico de vendas e vários atributos que influenciam as vendas foram estudados, como preços, temperatura ambiente, localização da loja, renda e população, histórico de produção de cerveja e refrigerantes e calendário de eventos e feriados. Os valores dos atributos precisam ser previamente preparados seguindo os padrões exigidos por cada modelo para que a predição ocorra seguindo os preceitos matemáticos e estatísticos, então os mesmos foram pré-processados com as adequações e transformações necessárias, agrupados e em seguida apresentados aos modelos para treinamento e predição.

Obtive resultados tão elevados quanto 89% de acurácia, através de uma combinação de modelos naive até os estado-da-arte de redes neurais. Na minha experiência como gestor de Supply Chain, tendo convivido com previsões com acurácia muito mais baixa, e tendo que aconselhar e tomar decisões de grande impacto, posso assegurar que ficaria muito aliviado em ter em mãos esse nível de acerto. Em prol da saúde do negócio.

Os modelos de aprendizado de máquina podem ser usados para a previsão de vendas em qualquer setor da economia em que você esteja atuando: comércio, indústria ou serviços. Para isso recomendo alguns passos básicos:

• Cuide da qualidade dos dados de base
• Extraia informações dos dados que sejam relevantes para o negócio
• Construa planos de ação de implementação
• Acompanhe e revise o plano de ação

Devo aplicar aprendizado de máquina no meu negócio? Devo usar o conhecimento extraído dos dados ou continuar confiando na experiência dos meus especialistas? A resposta não é óbvia, mas parece que o melhor dos mundos é aquele em que os especialistas tomam decisões armados com dados e modelos tão bons.

Fale com a Zinneke. Nós vamos encontrar consultores capazes de ajudá-lo nesta jornada.

___

João Luiz Pacher tem paixão por aprender com os dados e aplicá-los no desenvolvimento das pessoas e dos negócios. Depois de liderar times internacionais na Solvay, concretizou sua imersão na era digital com um MBA em Ciência de Dados e é atualmente Cientista de Dados na Dotz. E gosta de dados até mais do que de cerveja...

#aprendizadodemáquina #datascience #sériestemporais #previsãodevendas

Photo by Christin Hume on Unsplash . Thanks !