Autor: Fabio Avellar
A participação do machine learning em nosso cotidiano já tem aumentado significativamente nos últimos anos. No varejo, seu uso mais notado tem sido nas soluções de e-commerce. No varejo presencial, ainda há uma série de aplicações como, a definição de sortimento, estoque e escalas de trabalho, por exemplo.
Para quem ainda está pouco habituado com a tecnologia, uma rápida explicação pode te esclarecer. O machine learning utiliza a inteligência artificial para analisar dados e automatizá-los, de modo que padrões e comportamentos humanos gerem modelos analíticos que muito podem ajudar na gestão de informação do seu varejo. Na prática, fica mais fácil de entender.
Diante de dezenas de milhares de itens de um catálogo, o que seria mais adequado para uma loja específica? Parece claro que uma roupa de estilo praiano não deveria estar numa loja em uma estância turística de inverno, mas, e quanto ao perfil do público?
Será que uma loja possui um movimento maior de adolescentes mulheres ou de adultos homens? E será que as adolescentes mulheres que frequentam a loja passam mais tempo olhando calças, saias, vestidos ou blusas? Isso pode ser facilmente aferido pelos próprios vendedores, numa pesquisa rápida.
Mas, e se incluirmos uma outra variável? A estação do ano, por exemplo? Já aumentamos um pouco mais a complexidade e poucos vendedores já conseguirão dizer com precisão qual o perfil, em quais produtos passam mais tempo e em qual estação do ano.
Ainda podemos nos distanciar mais do limite humano médio incluindo mais variáveis. O clima pode ser um bom exemplo. Vejam que agora temos que nos perguntar: Qual o tipo de produto preferido de um perfil específico de clientes que visita a loja no verão, dias antes de um final de semana ensolarado?
O que o machine learning faz é criar um modelo para resolver essas questões com base nos dados capturados do dia-a-dia. Desta forma, podemos definir o sortimento de uma loja específica já prevendo o que seus clientes têm mais chance de buscar em cada data específica.
São diversas as variáveis que podem ser usadas um uma análise como: faixa de horário, dia da semana, dia do mês, mês e estação do ano, além de feriados, localização da loja, clima e temperatura atuais e previstos, sexo, faixa etária e humor do cliente, etc.
As redes que comercializam produtos categorizados como commodities, podem utilizar preços dinâmicos, onde cada loja pode possuir um preço diferente para cada produto, de forma a maximizar o lucro com base na concorrência, perfil econômico e demais aspectos da vizinhança. A localização das lojas pode também ser reavaliada com base em análises estatísticas da região e tráfego.
Fabio Avellar é executive partner da ICX Labs.
