Todos os retalhistas têm uma estratégia de IA

Entre em praticamente qualquer grande retalhista atualmente e encontrará o mesmo paradoxo. O data lake é maior do que nunca. Existe um modelo de previsão, um otimizador de preços, uma ferramenta de gestão de sortido, um planeador de força de trabalho, um sistema de otimização da última milha — e agora também dois ou três projetos-piloto de IA generativa. A maioria funciona, no sentido técnico do termo. E, no entanto, as decisões que realmente influenciam a demonstração de resultados — o que comprar, para onde enviar, como dimensionar equipas em loja, quando promover, o que fazer quando o cliente não está em casa — continuam a parecer reativas, continuam a depender das mesmas cinco pessoas e continuam a gerar surpresas todas as segundas-feiras de manhã.

O instinto é atribuir a culpa ao nível de maturidade da IA. Mais dados, melhores modelos, mais agentes. Consideramos que esse diagnóstico está errado. Depois de trabalharmos com retalhistas dos setores alimentar, moda, eletrónica, bricolage e quick commerce, observamos um padrão diferente: a IA funciona. Simplesmente está aplicada à pergunta errada, da forma errada, para a decisão em causa.

‍

A maioria dos retalhistas não tem um problema de IA. Tem um problema de adequação da IA.

A conversa em torno da IA no retalho reduziu-se a dois extremos: projetos-piloto de IA generativa que produzem demonstrações e modelos preditivos que produzem dashboards. Nenhum deles influencia diretamente as decisões operacionais que determinam o custo de servir, a disponibilidade e a experiência do cliente.

A IA analítica é a terceira categoria, e a que mais importa para as operações. Trata-se da utilização disciplinada de dados, modelos e sistemas de aprendizagem para melhorar decisões operacionais recorrentes — aprovisionamento, reposição, alocação, fulfillment, última milha e devoluções. Inclui machine learning, mas também modelação estocástica, otimização, inferência causal e, cada vez mais, os mecanismos que integram estas abordagens.

A pergunta que os executivos do retalho deveriam colocar raramente é: “Precisamos de um modelo de IA?”. Está mais próxima de: “Que papel devem os dados desempenhar na decisão que estamos a tentar tomar?”.

Com base num enquadramento recente que desenvolvemos, verificamos que as iniciativas de IA analítica no retalho se enquadram em quatro modos muito distintos, cada um com uma definição diferente de sucesso, um perfil de custos diferente e uma razão diferente para falhar.

Confundir estes quatro modos é a razão mais comum para os programas de IA no retalho ficarem aquém das expectativas. É também o problema mais fácil de corrigir.

Os quatro modos da IA analítica no retalho

Quer os dados estejam fora do modelo de decisão (influenciando-o ou avaliando-o) ou dentro do modelo de decisão (alimentando-o), e quer o objetivo seja conceber o modelo ou permitir a sua utilização — estes dois eixos produzem quatro modos distintos. Os nomes são técnicos; as implicações são comerciais.

‍

‍

Estes modos não constituem uma escala de maturidade. Um retalhista que execute uma personalização sofisticada baseada em enriquecimento de inputs pode continuar sem visibilidade sobre se a sua política de reposição está estruturalmente correta. Um retalhista com um motor de roteamento paramétrico perfeitamente calibrado pode não fazer ideia se este reduziu efetivamente o custo de servir. Os modos são complementares, não sequenciais — e uma estratégia de IA séria no retalho distribui investimento pelos quatro, em vez de privilegiar apenas o mais mediático.

Três padrões que custam dinheiro real aos retalhistas

1. Tratar um problema estrutural como um problema de afinação

Uma cadeia alimentar convencida de que o seu modelo de previsão está errado continua a reentreiná-lo com dados mais recentes. A previsão está correta. O problema é que a lógica de reposição assume que o prazo de vida útil dos produtos se comporta da mesma forma que antes de o sortido ter aumentado 30%. Esta é uma questão relacionada com pressupostos e não com parâmetros, e nenhuma quantidade de afinação do modelo irá revelá-la.

2. Comprar um otimizador quando o estrangulamento está na integração de dados

Um retalhista de moda investe numa sofisticada ferramenta de alocação. Dezoito meses depois, apenas duas regiões estão operacionais e o restante negócio continua a funcionar com folhas de cálculo. O modelo nunca foi a limitação. A limitação consistia em disponibilizar dados fiáveis de clusters de lojas, curvas de tamanhos e histórico de markdowns ao modelo, com a cadência necessária para que o negócio confiasse nele. Este é trabalho paramétrico. É pouco atrativo. E é aí que reside grande parte do valor.

3. Deixar os dados não estruturados de lado

Notas de devolução, tickets de apoio ao cliente, vídeo em loja, pesquisas efetuadas pelos clientes, e-mails de fornecedores. A maioria dos retalhistas possui todos estes dados e quase nenhum os utiliza para suportar decisões. A IA de enriquecimento de inputs — transformar esse sinal em inputs operacionais para decisões de inventário, sortido, fulfillment ou última milha — é onde ocorrerá o próximo ciclo de diferenciação competitiva, particularmente à medida que o omnicanal e o quick commerce reduzem o custo de estar errado. É aqui, e não nos chatbots, que os modelos generativos demonstram valor operacional.

E, por detrás destes três padrões, existe um problema transversal: a maioria dos retalhistas não consegue explicar, com evidência credível, o que a sua última implementação de IA realmente alterou. A avaliação de impacto — a disciplina de tratar o lançamento de um modelo como um ensaio clínico e não como um lançamento de produto — continua a ser rara. É também o fator que distingue organizações que acumulam retornos sobre IA daquelas que apenas acumulam ferramentas.

‍

Um diagnóstico de 60 segundos para o comité executivo

Antes de aprovar a próxima iniciativa de IA, preste atenção à linguagem utilizada na reunião. A forma como o problema é descrito geralmente revela qual o modo que realmente é necessário — e qual o modo que a equipa está prestes a implementar.

‍

Se a linguagem utilizada na sala e o modo da iniciativa proposta não coincidirem, está prestes a financiar uma ferramenta que funcionará exatamente como prometido, mas que desapontará quando colocada em produção.

Onde vemos a próxima vaga de criação de valor

Ao longo dos nossos projetos mais recentes no retalho, quatro mudanças surgem de forma consistente:

• ‍Da previsão para a deteção de sinais. Os sinais de procura provenientes de pesquisas online, meteorologia, eventos locais e preços da concorrência estão suficientemente maduros para passar de uma funcionalidade complementar para um input principal, particularmente em categorias de curta validade e moda.‍
• Do desenho da rede para a orquestração da rede. Lojas como nós de fulfillment, dark stores, microcentros de distribuição urbanos e plataformas de cross-docking deixaram de ser decisões estratégicas independentes. São um único problema contínuo de fluxos, e os retalhistas que o resolvem são aqueles que o abordam de forma paramétrica de ponta a ponta, em vez de o fragmentarem em quatro projetos isolados.‍
• Das devoluções como custo para as devoluções como sinal. Os códigos de motivo de devolução, fotografias e notas em texto livre são algumas das fontes de dados mais ricas e menos utilizadas no retalho. Integrá-las nas decisões de sortido, na avaliação de fornecedores e nos modelos de procura gera impacto mensurável — e quase ninguém o faz bem atualmente.‍
• Da implementação de ferramentas para a demonstração de resultados. Os retalhistas que institucionalizam métodos de avaliação causal — grupos de controlo, implementações faseadas e controlos sintéticos — serão os que vencerão a discussão orçamental em 2027. Todos os outros estarão a defender perceções perante diretores financeiros que deixaram de as aceitar como prova.

Os retalhistas que estão a ganhar vantagem não são os que possuem mais IA. São os que alinham o modo da IA com o tipo de decisão em causa — e que conseguem demonstrar, posteriormente, que essa decisão produziu resultados.

Como utilizar este enquadramento

Se é CEO, COO ou Chief Data Officer de uma organização de retalho, vale a pena colocar três perguntas à sua equipa durante este trimestre:

• Das nossas últimas cinco iniciativas de IA, conseguimos identificar qual o modo de cada uma e confirmar se o modo correspondia ao problema?
• Para cada modelo atualmente em produção, temos evidência credível — não dashboards, evidência — sobre o que mudou após a implementação?
• Que dados não estruturados que já recolhemos permanecem fora das decisões operacionais que poderiam melhorar?

Se as respostas forem desconfortáveis, isso constitui um sinal útil. Normalmente significa que existe valor significativo à espera de ser capturado através de uma reformulação do problema que a equipa ainda não considerou.