Análise de cluster e séries temporais para prevenção de quebra de estoque no setor varejista

Abstract

O setor varejista brasileiro é amplo e diversificado, tanto no setor de comércio eletrônico, quanto em lojas físicas. A variedade dos produtos é grande, e cada vez mais as empresas buscam ter o maior sortimento possível para satisfazer as necessidades dos clientes. Entretanto, é comum que esse sortimento exista sem previsões adequadas de demanda e sem um planejamento estratégico dos seus estoques, resultando em excessos e deterioração, reclassificados como quebra de mercadorias. A existência de quebra de mercadorias sensibiliza diretamente a margem de lucro e gera impactos ambientais negativos. Por este motivo, torna-se necessário realizar previsões de demanda assertivas para garantir a competitividade e crescimento das empresas varejistas. Uma gestão de estoques eficiente envolve planejamento e tomada de decisão. Busca-se operar de maneira contínua, evitar contratempos e erros, aumentar a satisfação do cliente e reduzir os custos associados ao armazenamento dos produtos. A previsão de quebras pode auxiliar o gestor de estoques a reduzir alguns problemas, pois possibilita que decisões sejam tomadas para prevenir a perdas de mercadorias. Nessa pesquisa, considera-se como objeto de estudo uma empresa brasileira do setor varejista, que possui grande sortimento de produtos. Tem-se como objetivo desenvolver um método para realizar previsão de quebra de estoques de mercadorias que possa auxiliar gestores de empresas varejistas. É proposta uma modelagem matemática em duas fases: na primeira utiliza-se a análise de cluster, através do algoritmo K-Means para selecionar departamentos de produtos mais críticos e, na segunda, é realizada uma análise de séries temporais, para identificar padrões e tendências dos departamentos mais críticos. Para realizar os cálculos propostos foi utilizado o software R Studio com auxílio de pacotes e algoritmos já existentes. Na fase inicial da modelagem, a aplicação do K-Means foi bem-sucedida e resultou na seleção dos departamentos 'Alimentos 01', 'Alimentos 07', 'Limpeza 03' e 'Alimentos 08' como os mais críticos para a análise das séries temporais, utilizando os modelos Holt-Winters e Box-Jenkins. Ambos os modelos foram eficazes na realização das previsões de todos os departamentos, apresentando erros entre 2,31% a 4,07%. Entretanto, fatores externos ao modelo, como a pandemia, cujo impacto foi diagnosticado com base no horizonte temporal, afetaram o comportamento das séries temporais, gerando outliers que alteram as observações subsequentes. Esses impactos são notáveis a longo prazo devido à incerteza, mas não comprometem a capacidade preditiva dos modelos. Os resultados indicam que os métodos aplicados foram eficazes e podem servir como ferramentas valiosas para apoiar os gestores na tomada de decisões.