IA para Alocação de Inventário em Múltiplos Armazéns: Enviando a Partir da Localização Certa

Um varejista de equipamentos de fitness para casa com três armazéns (New Jersey, Texas e Nevada) estava enviando 38% dos seus pedidos a partir do armazém errado. Por errado, quero dizer um armazém que não era o mais próximo do cliente. Pedidos da Califórnia eram enviados de New Jersey porque era lá que o estoque estava. O custo médio de envio nessas remessas de costa a costa era de $14,80 comparado a $6,20 para pedidos atendidos a partir do armazém mais próximo.

Após implementar um sistema de alocação de inventário baseado em IA que posicionava o estoque com base na demanda regional prevista, a taxa de envio a partir do armazém mais próximo melhorou de 62% para 84%. Os custos anuais de envio caíram aproximadamente $1,2 milhão em cerca de $28 milhões de receita. A melhoria não veio da adição de capacidade de armazém, mas de decisões mais inteligentes sobre onde posicionar o inventário existente.

O Problema Central: A Demanda Não É Distribuída Uniformemente

Se você vende nacionalmente a partir de múltiplos armazéns e aloca o inventário uniformemente entre as localizações, quase certamente está alocando de forma errada. A demanda por produtos específicos varia significativamente por geografia. Um varejista que vende roupas para atividades ao ar livre pode ver 4x mais demanda por jaquetas de chuva no Noroeste do Pacífico comparado ao Arizona, enquanto produtos de proteção solar mostram o padrão oposto.

A abordagem ingênua é alocar com base na participação de cada armazém na demanda total histórica. Se o seu armazém da Costa Leste atendeu 45% dos pedidos no último trimestre, você coloca 45% do novo inventário lá. Isso ignora a variação geográfica no nível do produto. A distribuição geral de pedidos pode ser 45/30/25 entre seus três armazéns, mas um SKU específico pode ter uma demanda que se divide em 20/50/30 devido a preferências regionais, padrões climáticos locais ou diferenças demográficas.

O Que o Modelo de Alocação com IA Otimiza

O modelo de alocação resolve um problema de otimização com restrições. Ele busca minimizar o custo total de fulfillment (custo de envio mais custo de manuseio) enquanto mantém níveis de serviço adequados (taxa de disponibilidade em estoque e velocidade de entrega) em todas as regiões, respeitando as restrições de capacidade dos armazéns e considerando o inventário em trânsito e em pedido.

O principal input é uma previsão de demanda detalhada por SKU e região. Em vez de prever a demanda total e depois dividi-la entre os armazéns, o modelo prevê a demanda na área de atendimento de cada armazém de forma independente. Um cliente em Denver pode ser atendido pelo armazém do Texas ou de Nevada dependendo do produto, dos níveis de estoque atuais e das tarifas da transportadora, então o modelo considera áreas de atendimento sobrepostas.

Matrizes de custo de envio mapeiam o custo real de enviar cada produto (com base no peso e dimensões) de cada armazém para cada zona de entrega. Esses não são cálculos simples de distância. A precificação das transportadoras inclui estruturas de tarifas baseadas em zonas, cobranças por peso dimensional e descontos por volume que variam por armazém. O modelo usa suas tarifas negociadas reais para uma otimização precisa de custos.

O output é uma recomendação de alocação para cada remessa de reposição recebida. Em vez de dividir um pedido de compra de 1.000 unidades igualmente entre três armazéns, o modelo pode recomendar 250 para New Jersey, 450 para Texas e 300 para Nevada com base na previsão de demanda atual, no estoque existente em cada localização e no cenário de entrega que minimiza custos.

Lógica de Transferência: Quando Mover Inventário Entre Armazéns

Às vezes a alocação inicial está errada, ou os padrões de demanda mudam no meio da temporada. O modelo também gera recomendações de transferência, sugerindo quando é economicamente viável mover inventário de um armazém para outro. Esse cálculo compara o custo da transferência entre armazéns (frete mais manuseio em ambas as pontas) com a economia esperada ao atender pedidos futuros a partir de uma localização mais próxima.

Uma transferência faz sentido quando o armazém receptor tem projeção de ficar sem estoque dentro do prazo de entrega de um novo pedido de reposição, o armazém remetente tem excesso de inventário além das suas necessidades projetadas para os próximos 30 dias, e o custo da transferência é menor do que a economia agregada de custo de envio nos pedidos que de outra forma seriam enviados de uma localização mais distante.

A matemática das transferências frequentemente funciona para produtos leves e de alta rotatividade. Mover um pallet de produtos de cuidados com a pele de New Jersey para Nevada pode custar $180 em frete LTL, mas se isso evitar que 200 pedidos sejam enviados de costa a costa a um custo incremental de $8,60 cada, a economia é de $1.720 menos o custo de transferência de $180. Para itens pesados ou volumosos, o custo de transferência é maior e a matemática funciona com menos frequência.

Lidando com Envios Divididos

Pedidos com múltiplos itens criam um problema de otimização secundário. Se um cliente pede três itens e um só está disponível no armazém da Costa Leste enquanto os outros dois estão no armazém da Costa Oeste, você tem três opções: enviar tudo da Costa Leste (dois itens viajam mais do que o necessário), dividir o envio em dois pacotes (custo total de envio maior, mas entrega mais rápida para os dois itens da Costa Oeste), ou esperar até que todos os itens estejam disponíveis em uma localização (entrega geral mais lenta).

O modelo de IA avalia essas opções para cada pedido com múltiplos itens com base na diferença real de custo, nas expectativas de entrega do cliente (padrão vs. expresso) e se o cliente demonstrou sensibilidade a envios divididos no passado (alguns clientes reclamam de receber múltiplos pacotes). A escolha ideal varia por pedido e não existe uma única melhor política.

Reduzir envios divididos é frequentemente uma oportunidade de economia maior do que otimizar a alocação de itens únicos. Um varejista de artigos para casa descobriu que 22% dos seus pedidos com múltiplos itens estavam sendo enviados como envios divididos a um custo incremental médio de $7,40 por pedido. Ao ajustar a alocação de inventário para garantir que itens frequentemente comprados juntos estivessem estocados no mesmo armazém, eles reduziram os envios divididos para 13% e economizaram $340.000 anualmente.

Requisitos de Dados e Implementação

Construir um modelo de alocação eficaz requer vários conjuntos de dados: pedidos históricos com localização do cliente (nível de CEP), dados de fulfillment do armazém (qual armazém enviou cada pedido), tabelas de tarifas de transportadoras para todas as transportadoras e níveis de serviço ativos, posições de inventário atuais em cada armazém atualizadas pelo menos diariamente, e dados de pedidos de compra para reposição recebida.

O modelo em si pode ser um solver de programação linear para a otimização de alocação, combinado com um modelo de previsão de demanda (gradient boosting ou rede neural) para as previsões de demanda regional. Solvers de código aberto como Google OR-Tools ou PuLP lidam bem com a otimização, e a previsão de demanda pode usar qualquer framework padrão de ML.

A integração com seu WMS (Sistema de Gerenciamento de Armazém) e OMS (Sistema de Gerenciamento de Pedidos) é essencial. As recomendações de alocação precisam fluir para o seu processo de recebimento para que o inventário recebido seja direcionado ao armazém correto. A lógica de roteamento de pedidos no seu OMS precisa considerar as prioridades de armazém do modelo de alocação ao atribuir localizações de fulfillment para novos pedidos.

Para varejistas de ecommerce que operam múltiplos centros de fulfillment, a alocação de inventário é um daqueles problemas que parece gerenciável até você fazer as contas. A diferença entre uma alocação ingênua de divisão igual e uma otimizada normalmente varia de 15-25% em economia total de custos de envio. Em um negócio de $20 milhões gastando 8% da receita em envio, isso representa de $240.000 a $400.000 por ano, o que é suficiente para financiar o sistema de alocação muitas vezes e ainda sobrar dinheiro para outras melhorias.