Ao contrário do que pensa o senso comum, furtos e roubos, apesar de representativos, não são as principais causas das perdas em estoque. Os grandes vilões são vencimento e a avaria em produtos, que, somente no setor supermercadista, são responsáveis por 75% das perdas totais. No setor farmacêutico este índice chega a 60%.
Recentemente uma pesquisa da consultoria global Planet Retail RNG revelou que as perdas entre os varejistas giram em torno de 1,99% do faturamento. Outro estudo, do Labfin/Provar com a Fundação Instituto de Administração (FIA), apontou número semelhante, de 1,96%, em 2017.
Estes índices mercadológicos comprovam a necessidade de prestar atenção nas perdas, já que a sua prevenção é um tema recorrente em setores que o uso de estoque é intensivo, citando aí as indústrias de bens de consumo, alimentos, têxtil, varejo e comércio eletrônico. O mais preocupante é que em segmentos como o varejo por exemplo, nos quais as margens são apertadas, a perda pode ser proporcionalmente igual ao lucro líquido do negócio. Por isso, é comum que as empresas mantenham áreas dedicadas a resolver este problema.
Entre as três principais causas recorrentes de vencimento e deterioração de produtos estão: má organização dos estoques e não cumprimento do PVPS (Primeiro a Vencer é o Primeiro a Sair); compras acima da demanda para aproveitar descontos na aquisição de grandes volumes; e algoritmos de reabastecimento e lot sizing obsoletos.
No primeiro caso, o realinhamento dos processos internos e a capacitação da equipe mitigam o problema. Quanto às compras acima da demanda, o varejo passou a adotar a negociação de reembolso das perdas de avaria e vencimento junto aos fornecedores, por meio de ressarcimento financeiro, o que abate os resultados negativos. Já o terceiro item, é um problema estrutural e, atualmente, pode ser resolvido com as tecnologias disruptivas, como o Machine Learning.
No cenário atual, os algoritmos de reabastecimento e lot sizing dos varejistas geralmente vêm embarcados dentro dos sistemas de gestão, conhecidos como ERPs, como um módulo do sistema. Por não ser a principal especialização dos desenvolvedores de sistemas de gestão, as soluções geralmente são alicerçadas em alguns modelos estatísticos simplificados que são utilizados para uma infinidade de itens. Modelos simplificados que consideram poucas variáveis, geram sugestões de reabastecimento com baixa precisão, o que pode levar ao excesso de estoque – causa das avarias e vencimentos ou falta de estoque – causadora da ruptura de vendas.
Para calcular o tamanho desse problema, suponha um varejista com 200 lojas e 10.000 tipos de produtos. Cada produto possui um comportamento distinto de venda por loja. Logo, temos 2 milhões de comportamentos distintos que deveriam ser tratados. Se este varejista tiver, na melhor das hipóteses, 100 modelos de reabastecimento e for aplicá-los ao seu ambiente, seriam 200 milhões de testes. Na prática, a solução adotada é agregar os comportamentos, reduzir as variáveis analisadas e, por consequência, reabastecer mal os pontos de venda, gerando perdas e rupturas.
Modelos de inteligência artificial aplicados ao reabastecimento permitem que cada produto, de cada loja tenha uma análise única e customizada, baseada em variáveis endógenas e exógenas, gerando uma previsão de abastecimento singular e muito mais alinhada à realidade. Uma solução de Machine Learning apresentada pela Protiviti, em parceria com a empresa TEVEC conseguiu reduzir 15% do estoque de um varejista, trazendo redução de 20% das perdas por vencimento e 30% das rupturas. Estes números podem representar a diferença entre a perda e a lucratividade do negócio.
As métricas mostram que esta solução é implementada com grande sucesso e diferencial. Porém, como toda a nova tecnologia, gera incertezas e desconfianças. Confiar na inteligência das máquinas ainda traz desconforto. É fato. A análise mais efetiva das técnicas, metodologias e tecnologias a utilizar deve considerar os resultados, afinal, os números falam por si só.
* Rodrigo Castro é líder da Prática de Prevenção de Perdas da Protiviti
