Machine learning no varejo: Uma panaceia ou um placebo?

Fonte: https://www.forbes.com/councils/forbestechcouncil/2024/07/05/machine-learning-in-retail-a-panacea-or-a-placebo/

À medida que a era digital continua a se desenvolver, os varejistas estão implementando cada vez mais tecnologias de machine learning no varejo para obter a tão necessária vantagem competitiva. Desde a previsão de demanda e o gerenciamento da cadeia de suprimentos até a precificação dinâmica, a análise do comportamento do cliente, a detecção de fraudes e a estimativa do valor do tempo de vida do cliente, os algoritmos de ML são usados para várias tarefas nas empresas de varejo.

As promessas são claras: campanhas de marketing lucrativas e direcionadas, maior satisfação do cliente, estratégias de preços otimizadas, cadeias de suprimentos eficientes e, por fim, lucros máximos. No entanto, por que às vezes ouvimos ceticismo dos varejistas em relação a essa tecnologia inovadora?

Aqui, gostaria de me aprofundar no fascinante mundo da tecnologia de aprendizado de máquina. Isso o ajudará a entender melhor como ela funciona e, mais importante, por que às vezes não funciona como esperamos e quais medidas tomar para maximizar os benefícios das soluções baseadas em ML.

Quando as empresas começam a implementar um software baseado em IA, elas geralmente esperam lucros enormes e instantâneos, processos totalmente automatizados e algoritmos que produzem resultados muito mais precisos do que os de planejadores experientes e modelos estatísticos.

No entanto, um artigo da Harvard Business Review sobre as armadilhas dos algoritmos de precificação nos traz alguns exemplos curiosos de modelos de aprendizado de máquina que produziram resultados inesperados, como um armário de US$ 14.000 na Wayfair ou o aumento de 400% nos preços do Uber durante períodos de agitação coletiva. É improvável que as empresas tenham previsto esses resultados quando implementaram os sistemas de aprendizado de máquina. Além disso, a decepção é quase inevitável se o retorno do investimento demorar muito. Então, qual é o grande problema?

A intuição humana ainda desempenha um papel fundamental no setor de varejo. Gerentes experientes podem reconhecer padrões e fatores contextuais que o ML pode ignorar. Por exemplo, um aumento repentino nas vendas pode sugerir imediatamente algum evento para um ser humano, enquanto uma máquina pode ter dificuldade para entender a causa.

Além disso, os algoritmos de aprendizado de máquina normalmente não levam em conta ações futuras planejadas. As estratégias de varejo geralmente envolvem mudanças como a implementação de padrões de serviço, treinamento de pessoal, reformas de lojas (melhorando o design e o layout ou expandindo o estacionamento) ou estratégias de marketing que não estão refletidas nos dados históricos. Como resultado, os modelos de ML, que são inerentemente voltados para o passado, podem não conseguir prever o impacto dessas iniciativas futuras.

O mundo em rápida mudança apresenta outro desafio significativo para o aprendizado de máquina no setor de varejo. Os dados históricos, nos quais os modelos de ML se baseiam, podem ficar desatualizados rapidamente. A pandemia da COVID-19, por exemplo, mudou radicalmente o comportamento de compra, tornando irrelevantes os dados dos anos anteriores. Da mesma forma, os dados dos anos de pandemia tornaram-se irrelevantes no mundo pós-quarentena. Mudanças climáticas, conflitos locais e tendências econômicas também introduzem novas variáveis que os dados anteriores não refletem.

Coletar, limpar e atualizar esse conjunto de dados diversificado e em constante mudança é uma tarefa monumental. No momento em que os dados são processados, talvez já precisem ser atualizados, diminuindo a eficácia dos modelos de aprendizado de máquina.

O machine learning no varejo se baseia em informações como IA generativa ou processamento de linguagem natural. Ele se baseia em grandes quantidades de dados coletados para desenvolver algoritmos e fazer previsões. No entanto, a qualidade e o escopo dos dados geralmente precisam ser melhorados. A maioria dos varejistas tem acesso a conjuntos básicos, como dados históricos de vendas, estoque e preços. Porém, muitos outros fatores que influenciam significativamente a demanda e as vendas, como tendências de mercado ou grandes dados de clientes, não são capturados.

Um exemplo envolve o gerenciamento de estoque. Suponhamos que uma loja tenha um produto em estoque, mas ele não esteja vendendo. Os algoritmos podem considerar esse item invendável e recomendar sua exclusão do sortimento. No entanto, e se o produto estiver apenas fora da prateleira? A maioria dos algoritmos de aprendizado de máquina não consegue levar em conta esses detalhes. Levamos alguns anos para treinar nossos modelos para detectar essas anomalias e levá-las em consideração.

A conclusão é óbvia. O aprendizado de máquina no varejo vai além do acesso a big data. A qualidade e a "pureza" desses dados também são cruciais. Seu fornecedor de software deve ser capaz de ajudar a limpar as informações e treinar os modelos para interpretar as causas mais prováveis de desvio.

Os varejistas se tornaram hábeis em prever a demanda considerando fatores previsíveis como sazonalidade e feriados. A tecnologia moderna permite o monitoramento fácil dos preços dos concorrentes por meio de canais on-line. Entretanto, o comportamento do consumidor é influenciado por inúmeras outras variáveis.

Aqui está apenas um exemplo brilhante. As promoções de varejo geralmente são coordenadas com fabricantes que fornecem suporte de marketing. Se um fabricante fizer uma campanha publicitária significativa na TV, isso pode aumentar a eficácia da promoção, mas se a próxima campanha não tiver esse impulso publicitário, os resultados serão diferentes. Infelizmente, os bancos de dados dos varejistas geralmente não incluem detalhes sobre esses esforços de marketing externo, o que leva a modelos de dados incompletos.

As condições climáticas, por exemplo, também afetam a demanda por produtos específicos. Da mesma forma, grandes eventos como jogos de futebol podem provocar picos de vendas nas cidades-sede e em todo o país por meio de streaming on-line.

Novamente, surge a importância do suporte e da orientação de qualidade do fornecedor do software. Ele deve configurar adequadamente o sistema e treinar sua equipe sobre como utilizar entradas e índices adicionais de forma eficaz.

O uso do machine learning no varejo abre oportunidades interessantes para o setor. Ele pode fornecer insights valiosos e otimizar a maioria dos processos. No entanto, as limitações temporárias destacam que não se trata de uma solução única para todos os casos.

O sucesso do aprendizado de máquina no varejo depende da qualidade e da abrangência dos dados que ele processa, bem como de sua capacidade de se adaptar a condições e nuances contextuais que mudam rapidamente. E o fator mais importante aqui é a seleção de um sistema e de um provedor que entendam completamente as nuances exclusivas de seus negócios e produtos.

Em essência, o aprendizado de máquina no varejo é uma ferramenta que, quando usada adequadamente e em conjunto com o conhecimento humano, pode aprimorar as experiências dos clientes e simplificar as operações de varejo. No entanto, para revolucionar o setor de varejo, as empresas e os fornecedores de software devem continuar a inovar e integrar diversas fontes de dados para aproveitar o potencial do aprendizado de máquina.