Summary
- Emprega análise de séries temporais, modelos de regressão, algoritmos de aprendizado de máquina (ARIMA, Prophet, redes neurais LSTM) e métodos de inferência causal, incorporando promoções, feriados, clima e indicadores econômicos como características preditivas.
- Os benefícios incluem a redução de rupturas e excessos de estoque, melhoria do fluxo de caixa por meio da otimização do capital de giro, aumento da satisfação do cliente com o atendimento confiável da demanda e planejamento estratégico da capacidade de produção e distribuição.
- Os desafios envolvem o gerenciamento da volatilidade da demanda, a previsão de novos produtos sem dados históricos, a incorporação de sinais de mercado em tempo real e o equilíbrio entre a granularidade da precisão da previsão (nível de SKU versus nível de categoria) e a complexidade computacional.
O que é previsão da demanda?
- Previsão da demanda é o processo de projetar a demanda do consumidor (em relação à receita futura). Especificamente, ela projeta a variedade de produtos que as pessoas comprarão usando dados quantitativos e qualitativos.
- Os varejistas estão enfrentando um problema de trilhões de dólares devido a indisponibilidade de produtos quando os consumidores precisam deles. A má previsão de demanda faz com que as empresas coloquem o produto errado na prateleira ou gera um problema ainda maior: estoques esgotados na loja
Como o lakehouse para o setor de varejo pode ajudar na previsão da demanda?
- O Lakehouse para Varejo permite acesso em tempo real aos dados. Mudar do acesso, análise e compute baseados em batch permitirá que os dados estejam "sempre ativos", o que promove decisões em tempo real e business intelligence. O Lakehouse usa tecnologias que incluem Delta, DLT, Autoloader e Photon para que as organizações tenham à disposição dados para decisões em tempo real.
- O lakehouse para o setor de varejo oferece suporte aos maiores jobs de dados em intervalos quase em tempo real. Por exemplo, os clientes estão trazendo quase 400 milhões de eventos por dia a partir de sistemas de log transacional em intervalos de 15 segundos. Devido à interrupção na geração de relatórios e análise que ocorre durante o processamento de dados, a maioria dos clientes de varejo carrega dados em seu data warehouse durante um batch noturno. Algumas empresas estão carregando dados semanalmente ou mensalmente.
- A arquitetura do lakehouse orientada a eventos oferece um método mais simples de ingestão e processamento de dados em batch e streaming do que abordagens legadas, como arquiteturas lambda. Essa arquitetura lida com a captura de dados de alterações e fornece conformidade com transações ACID.
- O DLT simplifica a criação de pipelines de dados e cria automaticamente uma linhagem para auxiliar no gerenciamento contínuo.
- O lakehouse permite a ingestão de dados em stream em tempo real e até análises de dados de streaming. Os data warehouses exigem a extração, transformação, carregamento e extração adicional do data warehouse para executar qualquer análise.
- O Photon fornece desempenho de consulta recorde, permitindo que os usuários consultem até mesmo os maiores conjuntos de dados para potencializar decisões em tempo real em ferramentas de BI.
Relatório
O manual de IA agêntica para empresas
Quais fontes de dados são necessárias para prever demanda com sucesso?
- A previsão da demanda é parte integrante da entrega de produtos aos consumidores. Para entregar produtos aos consumidores com sucesso, os varejistas devem trabalhar com os fabricantes nesses processos operacionais e casos de uso: planejamento de vendas e operações (S&OP), otimização da cadeia de suprimentos, controle e otimização de estoque e programação de produção. Os dados se originam de várias fontes que alimentam os modelos de previsão da demanda, incluindo:
- Ponto de venda: a transação de vendas está na forma de dados estruturados em tempo real
- Demanda histórica: a demanda histórica pode ser alojada em sistemas de planejamento de recursos empresariais (SAP) e geralmente estruturada em formato de batch
- Dados externos: feeds em redes sociais, notícias e informações sobre concorrentes geralmente estão em formato não estruturado em tempo real
- Fluxo de cliques: semiestruturado em tempo real
- Dados externos: até o clima pode ser um fator para determinar a demanda (por exemplo, tornados ou furacões)