Estocando muito de um produto, ou não o suficiente, custa aos varejistas centenas de bilhões de dólares anualmente. Se eles estocarem muito pouco e acabarem, o cliente provavelmente levará seus negócios para outro lugar, custando dinheiro ao varejista. Se eles estocarem muito, no entanto, o varejista acaba com excesso de estoque.

Um próximo artigo em Pesquisa Operacional , co-autoria do professor visitante do MIT Sloan Amr Farahat, PhD '04, e Joonkyum Lee, professor assistente na Sogang Business School na Coreia do Sul, apresenta uma nova maneira de lidar com este problema. Sua abordagem baseada em dados pode ajudar os varejistas a tomar decisões mais informadas e aumentar os lucros.

Embora o fato de os varejistas simplesmente reabastecerem um item quando ele acabar pode parecer razoável, essa abordagem não funciona para muitos. "Os compradores não vão esperar até que o varejista reabasteça para fazer uma compra, "Farahat disse.

Em vez de, os varejistas precisam prever com antecedência quanto vão vender de itens específicos. Isso não é fácil, especialmente para produtos cujos prazos de reposição são longos em comparação com a duração da temporada de pico de vendas.

O efeito da substituição

Ajudar, Farahat e Lee desenvolveram o que chamam de transformação de similaridade aproximada.

"Este algoritmo reconhece que há uma relação entre quanto estoque os varejistas e seus lucros. Essa relação é complicada, então, nós o substituímos por um mais simples que fornece um limite superior nas vendas, mas é um limite superior rígido. Lidar com isso mais simples, ainda aproximado, a função de vendas leva eventualmente a melhores decisões, "Farahat disse.

Os varejistas normalmente baseiam suas decisões de estocagem nas vendas anteriores, levando em consideração a época do ano, como a economia está indo, o que está na moda, e quais novos produtos foram lançados para vender, entre outras coisas.

De acordo com Farahat, se um varejista estoca um único item, determinar a quantidade ideal de estoque para transportar é simples. Quando um vendedor vende muitos itens, isso se torna mais complicado porque os clientes substituem um item por outro. "Se eu quiser comprar uma camisa azul listrada de presente, e não encontro o tamanho que preciso em estoque na Macy's, em vez de decidir comprar o presente em uma loja diferente, Posso olhar para uma camisa azul sólida, uma camisa roxa listrada, ou uma marca diferente. Efeitos de substituição complexos estão acontecendo - é a natureza da escolha do consumidor, "Farahat disse.

Uma vez que os consumidores podem tomar várias decisões com base no inventário que está disponível, é praticamente impossível determinar os níveis de estoque ideais. "Matematicamente, este é um dos problemas mais desafiadores da ciência da computação, "Farahat disse.

Uma abordagem baseada em dados

Determinar precisamente as necessidades de estoque ideais é inatingível, mas a transformação de similaridade aproximada produz recomendações baseadas em "aproximações comprovadamente boas". A pesquisa de Farahat e Lee indica que, ao seguir essas recomendações, alguns varejistas podem esperar aumentos de lucro de 2 a 3 por cento.

Ele consegue isso usando os dados que os varejistas já coletaram de seus clientes, como as expectativas de tráfego com base na temporada e como os consumidores fazem suas escolhas. Em seguida, aproxima uma previsão de vendas que pode ajudar nas decisões de estoque.

"Estamos tentando fazer recomendações para os varejistas que eles possam usar como ponto de partida para suas decisões finais. Para podermos fazer isso, precisamos construir sobre os recursos de análise preditiva que muitos varejistas já estão desenvolvendo, "Farahat disse.

À medida que as empresas aprimoram seus recursos de coleta de dados, a qualidade desses dados melhorará - e o algoritmo de Farahat e Lee se tornará mais útil. "À medida que esses modelos e previsões se tornam mais precisos, esta peça de tomada de decisão prescritiva torna-se mais relevante, "Farahat disse.

Compartilhando a pesquisa

Farahat e Lee realizaram milhares de experimentos numéricos baseados em experiências de varejistas para testar seu algoritmo. Todos esses testes indicaram que o algoritmo funciona tão bem ou melhor do que os métodos anteriores para ajudar os varejistas a planejar seu estoque, uma vez que fornece limites superiores mais rígidos, ou expectativas de lucro mais precisas, em mais de 99 por cento dos testes.

The researchers would still like to test the approximate similarity transformation with retailers. Por enquanto, no entanto, they have made it available on GitHub for two reasons:They want colleagues who could build on their work to be able to do so without having to start from scratch; and "if a company has some in-house capabilities that they can take this and test it they are welcome to do so."