Como o Machine Learning Prevê Rupturas de Estoque 3 Semanas Antes de Acontecerem

Uma varejista de beleza de médio porte com cerca de 3.500 SKUs tinha um problema persistente. Todo mês, 8-12% dos seus produtos mais vendidos chegavam a estoque zero antes da reposição chegar. Cada ruptura de estoque em um item popular custava cerca de $2.800 por dia em vendas perdidas, sem contar os danos à fidelidade do cliente e o investimento em anúncios desperdiçado direcionando tráfego para páginas de produtos sem estoque.

A equipe de estoque verificava os níveis diariamente e fazia pedidos de reposição quando o inventário atingia um limite predeterminado. O problema era que o limite era estático, um número fixo de unidades baseado na média de vendas diárias dos últimos 90 dias. Quando a demanda disparava devido a uma menção viral no TikTok ou um concorrente ficando sem estoque de um produto similar, o limite estático não conseguia reagir rápido o suficiente.

Por Que Pontos de Reposição Estáticos Falham

Um ponto de reposição estático assume que a demanda futura será semelhante à demanda passada e que os prazos de entrega dos fornecedores são consistentes. Ambas as suposições se quebram regularmente. A demanda por SKUs individuais no e-commerce é irregular. Um produto pode vender 20 unidades por dia durante três semanas e de repente vender 60 unidades por dia porque um influenciador o mencionou, um concorrente aumentou o preço, ou uma mudança sazonal entrou em ação. Quando você percebe a aceleração na sua verificação diária de estoque, pode já estar duas semanas dentro de uma demanda elevada com um prazo de entrega de três semanas do fornecedor pela frente.

Os prazos de entrega dos fornecedores são igualmente variáveis. Um fornecedor que normalmente entrega em 14 dias pode levar 21 dias durante sua alta temporada, após uma escassez de matéria-prima ou devido a atrasos no envio. Se o seu ponto de reposição assume um prazo de entrega de 14 dias e o prazo real é de 21 dias, você tem uma lacuna de sete dias onde está vendendo estoque que pensava já estar reposto.

O Que o Modelo de ML Monitora

Um modelo de previsão de ruptura de estoque processa múltiplos fluxos de dados simultaneamente. A entrada principal é a velocidade de vendas, não como uma média simples, mas como uma série temporal com componentes de tendência e sazonalidade. O modelo detecta aceleração (vendendo mais rápido que na semana passada), desaceleração e padrões cíclicos específicos de cada SKU.

A posição de estoque (estoque atual em mãos mais unidades em trânsito menos unidades alocadas para pedidos pendentes) fornece ao modelo o lado da oferta da equação. Combinado com a demanda prevista, o modelo calcula uma métrica estimada de dias de suprimento que se atualiza dinamicamente.

Os dados de desempenho do fornecedor adicionam uma dimensão crucial. Ao rastrear as datas de entrega reais versus esperadas para cada fornecedor ao longo do tempo, o modelo constrói uma distribuição de prazos de entrega prováveis em vez de usar uma estimativa pontual única. Se o Fornecedor A entrega em 12-18 dias com uma mediana de 14, o modelo usa a distribuição completa ao calcular a probabilidade de ruptura de estoque.

Sinais externos fornecem alertas antecipados de mudanças na demanda. Volume de buscas pelo produto ou categoria no Google, menções nas redes sociais, níveis de estoque dos concorrentes (frequentemente detectáveis através de suas páginas de produtos mostrando disponibilidade limitada) e calendários sazonais alimentam a previsão de demanda. Um pico repentino no volume de buscas do Google para um produto frequentemente precede um pico de vendas em 5-10 dias, o que dá ao modelo um sinal antecipado de que a trajetória atual do estoque pode não se manter.

A Janela de Alerta de Três Semanas

O modelo gera uma probabilidade de ruptura de estoque para cada SKU em vários horizontes temporais: 7 dias, 14 dias e 21 dias à frente. Um alerta típico pode ser assim: SKU #4892 (Sérum de Vitamina C 30ml) atualmente tem 340 unidades em estoque. Na velocidade de vendas atual de 28 unidades por dia, o estoque se esgota em aproximadamente 12 dias. No entanto, a tendência de demanda mostra aceleração de 15% semana a semana. A estimativa ajustada de esgotamento é de 9 dias. O próximo carregamento de reposição de 500 unidades tem chegada prevista em 16 dias com base na distribuição de prazos de entrega do fornecedor. A probabilidade de ruptura de estoque em 14 dias é de 78%.

Com essa janela de três semanas, a equipe de estoque tem opções. Podem acelerar o pedido existente com o fornecedor, potencialmente pagando um valor extra por envio mais rápido. Podem fazer um pedido menor de emergência com um fornecedor alternativo que tenha prazos de entrega mais curtos. Podem reduzir o investimento em marketing do produto para desacelerar a demanda enquanto mantêm as vendas orgânicas. Podem configurar uma notificação de volta ao estoque para capturar a demanda durante qualquer período de ruptura.

Sem o alerta antecipado, nenhuma dessas opções de mitigação está disponível. Quando um humano percebe que o estoque está baixo através de verificações manuais, o prazo de entrega já consumiu o estoque restante.

Construindo o Modelo

A implementação técnica usa uma combinação de previsão de séries temporais para demanda (tipicamente Prophet ou um modelo LSTM personalizado) e um modelo de classificação para probabilidade de ruptura de estoque. O modelo de classificação recebe a previsão de demanda, a posição atual do estoque e a distribuição de prazos de entrega do fornecedor como entradas e gera uma probabilidade de ruptura dentro de cada janela temporal.

Os dados de treinamento vêm dos seus registros históricos de estoque. Cada ruptura de estoque passada é um exemplo positivo, e cada SKU que manteve estoque adequado durante um determinado período é um exemplo negativo. Você precisa de pelo menos 12-18 meses de snapshots diários de estoque com dados de vendas correspondentes para treinar um modelo útil. Se você não tem armazenado os níveis diários de estoque, comece agora porque esses dados são surpreendentemente difíceis de reconstruir retroativamente.

A engenharia de features é onde a maior parte do valor é criada. Números brutos de vendas são menos úteis do que features derivadas como velocidade média móvel de 7 dias, variação de velocidade semana a semana, coeficiente de variação nas vendas diárias (uma medida de volatilidade da demanda) e razão entre a velocidade atual e a média de 90 dias. Essas features derivadas ajudam o modelo a distinguir entre um produto de venda constante se aproximando do seu ponto de reposição e um produto experimentando um pico de demanda que consumirá o estoque muito mais rápido do que o esperado.

Integração Com Sistemas Existentes

O modelo precisa se conectar ao seu fluxo de trabalho de gestão de estoque, não substituí-lo. A abordagem mais comum é um painel de alertas diários que mostra os SKUs classificados por risco de ruptura, com ações recomendadas para cada um. Os planejadores de estoque revisam o painel toda manhã e tomam ações nos itens de alto risco.

Implementações mais avançadas automatizam a resposta para ações de baixo risco. Se o modelo prevê uma ruptura de estoque e a ação recomendada é fazer um pedido padrão com um fornecedor existente, o sistema pode gerar o pedido de compra automaticamente e colocá-lo na fila para aprovação com um clique pelo gerente de estoque. Isso mantém um humano no processo para a decisão enquanto elimina o trabalho manual de criar o pedido.

Para varejistas de e-commerce gerenciando milhares de SKUs, o monitoramento manual de estoque simplesmente não escala. Um humano verificando 3.500 SKUs por dia inevitavelmente perderá aqueles que estão silenciosamente acelerando em direção a uma ruptura de estoque. O modelo de ML verifica cada SKU a cada hora, captura os padrões sutis e destaca os que precisam de atenção. A varejista de beleza que iniciou essa conversa reduziu sua taxa de ruptura de estoque de 8-12% para menos de 3% em seis meses após implantar seu modelo de previsão, o que se traduziu em aproximadamente $940.000 em receita anual recuperada.