Machine learning no varejo: Solução milagrosa ou efeito placebo?
Em um panorama de constante evolução digital, varejistas buscam cada vez mais a vantagem competitiva por meio da implementação de tecnologias de aprendizado de máquina (machine learning – ML), como aponta Jane Medwin, CEO da LEAFIO AI Retail Solutions.
De acordo com Medwin, a aplicação de algoritmos de ML abrange uma variedade de tarefas no varejo, desde previsão de demanda e gerenciamento da cadeia de suprimentos até preços dinâmicos, análise do comportamento do cliente, detecção de fraudes e estimativa do valor vitalício do cliente.
As promessas são claras: campanhas de marketing lucrativas e direcionadas, maior satisfação do cliente, estratégias de preços otimizadas, cadeias de suprimentos eficientes e, em última análise, lucros máximos. No entanto, Medwin também destaca o ceticismo de alguns varejistas em relação a essa tecnologia inovadora.
Para entender melhor o funcionamento do machine learning, bem como os motivos pelos quais, às vezes, seus resultados não correspondem às expectativas, e as medidas necessárias para maximizar os benefícios das soluções baseadas em ML, vamos nos aprofundar nesse fascinante mundo tecnológico.
Expectativas vs. realidade
Quando as empresas começam a implementar softwares baseados em IA, muitas vezes esperam lucros enormes 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 ML produzindo resultados inesperados, como um armário de US$ 14.000 na Wayfair ou os preços da Uber subindo 400% durante períodos de agitação coletiva.
É improvável que as empresas tenham previsto esses resultados quando implementaram sistemas de aprendizado de máquina. Além disso, a decepção é quase inevitável se o retorno sobre o investimento demorar muito. Então, qual é o problema? Intuição.
Humanos vs. precisão da máquina
A intuição humana ainda desempenha um papel crucial 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 humano, enquanto uma máquina pode ter dificuldades para entender a causa.
Além disso, os algoritmos de machine learning normalmente não levam em conta ações futuras planejadas. As estratégias de varejo geralmente envolvem mudanças como a implementação de padrões de serviço, treinamento de equipe, reformas de lojas (melhorando o design e o layout ou expandindo o estacionamento) ou estratégias de marketing que não se refletem em dados históricos. Como resultado, os modelos de ML, que são inerentemente retrospectivos, podem não conseguir prever o impacto dessas iniciativas futuras.
O Desafio da mudança
O mundo em rápida mudança apresenta outro desafio significativo para o aprendizado de máquina no setor de varejo. Dados históricos, nos quais os modelos de ML se baseiam, podem rapidamente se tornar obsoletos.
A pandemia de COVID-19, por exemplo, mudou radicalmente o comportamento de compra, tornando irrelevantes os dados dos anos anteriores. Da mesma forma, os dados dos anos da pandemia tornaram-se irrelevantes no mundo pós-quarentena. Mudanças climáticas, conflitos locais e tendências econômicas também introduzem novas variáveis que os dados passados 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, eles podem já precisar ser atualizados, diminuindo a eficácia dos modelos de aprendizado de máquina.
O Dilema dos dados
O aprendizado de máquina no varejo prospera com informações como IA generativa ou processamento de linguagem natural. Ele depende de grandes quantidades de dados coletados para desenvolver algoritmos e fazer previsões. No entanto, a qualidade e o escopo dos dados muitas vezes deixam a desejar.
A maioria dos varejistas tem acesso a conjuntos básicos, como dados históricos de vendas, estoque e preços. No entanto, muitos outros fatores que influenciam significativamente a demanda e as vendas, como tendências de mercado ou dados abrangentes de clientes, não são capturados.
Um exemplo envolve o gerenciamento de estoque. Suponha que uma loja tenha um produto em estoque, mas ele não esteja vendendo. Os algoritmos podem considerar este 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. Levou 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 grandes volumes de dados. A qualidade e a “pureza” desses dados também são cruciais.
Seu provedor de software deve ser capaz de ajudar a limpar as informações e treinar os modelos para interpretar as causas mais prováveis de desvio.
Influências contextuais
Os varejistas se tornaram especialistas 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 online. No entanto, o comportamento do consumidor é influenciado por inúmeras outras variáveis.
Aqui está apenas um exemplo claro. As promoções de varejo são normalmente coordenadas com os fabricantes que fornecem apoio de marketing. Se um fabricante realizar 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 externos de marketing, levando a modelos de dados incompletos. As condições climáticas, por exemplo, também afetam a demanda por produtos específicos.
Da mesma forma, grandes eventos como partidas de futebol podem desencadear picos de vendas nas cidades-sede e em todo o país por meio de streaming online. Novamente, surge a importância do suporte e da orientação de qualidade do seu provedor de software.
Eles devem configurar adequadamente o sistema e treinar sua equipe sobre como utilizar entradas e proporções adicionais de forma eficaz.
Qual é a conclusão?
O uso do aprendizado de máquina no setor de varejo abre oportunidades empolgantes 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 problemas.
O sucesso do aprendizado de máquina no varejo depende da qualidade e abrangência dos dados que ele processa, bem como de sua capacidade de se adaptar às condições em rápida mudança e às nuances contextuais. E o fator mais crítico aqui é selecionar um sistema e um provedor que entendam completamente as nuances exclusivas do seu negócio e produtos.
Em essência, o aprendizado de máquina no varejo é uma ferramenta que, quando usada adequadamente e em conjunto com a experiência humana, pode melhorar as experiências dos clientes e otimizar 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.