A procura, vista antes de acontecer.
Uma plataforma de previsão por machine learning que ingere o histórico de vendas, a sazonalidade e sinais em tempo real para prever a procura — para que as equipas planeiem stocks, efetivos e despesas com confiança, em vez de a olho.
O fresco não perdoa nenhuma aproximação.
Uma operação de refeições frescas vive ou morre do número de amanhã: cozinhe demais e a margem vai para o lixo, cozinhe de menos e os frigoríficos ficam vazios ao meio-dia. O planeamento assentava na experiência e em folhas de cálculo — bons instintos, nenhuma memória e nenhuma forma de escalar numa rede de frigoríficos em crescimento.
Construímos a plataforma que se lembra de tudo: dois anos de histórico de vendas, a sazonalidade, a meteorologia e os sinais em tempo real da frota de frigoríficos, destilados em previsões de procura por local e por prato. Stocks, efetivos e despesas planeiam-se agora sobre um número que mereceu a sua confiança — 98% de precisão em produção.
Em produção, o modelo planeia o dia antes de a cozinha o começar: 98% de precisão de previsão, 58% menos ruturas e 41% menos excesso de stock — com monitorização de desvio e reentreinos programados para se manter fiável quando a procura muda.
O instinto não escala.
Bons planeadores conduziam a operação à experiência — que não se copia para os dez locais seguintes.
O número de amanhã era um palpite.
O fresco pune os dois sentidos do erro, todos os dias, sem exceção.
- A sobreprodução — margem literalmente deitada ao lixo no fim de cada dia.
- As ruturas — frigoríficos vazios ao meio-dia são receita e confiança perdidas.
- Uma memória de folha de cálculo — o planeamento não tinha nenhuma recordação sistemática da sazonalidade.
- Um instinto local — a experiência ficava com um planeador, num local.
Um número que mereceu a sua confiança.
Previsões de procura por local e por prato, destiladas do histórico, da sazonalidade e dos sinais da frota em tempo real.
- 98% de precisão — de qualidade de produção, medida em contínuo.
- Sinais à entrada — histórico de vendas, meteorologia, sazonalidade e telemetria dos frigoríficos.
- Vistas de planeamento à saída — stocks, efetivos e despesas alinhados sobre um único número.
- Autocorretor — o reentreino automatizado mantém o modelo honesto à medida que a rede cresce.
De sinais a um plano.
O ciclo completo — ingestão, predição, vistas de planeamento e o reentreino que mantém tudo honesto.
Ingestão de sinais
Histórico de vendas, sazonalidade, efeitos de calendário e telemetria da frota em tempo real, através de pipelines cuidados.
Modelos de previsão da procura
Predições por local e por prato, afinadas ao horizonte em que os planeadores realmente compram.
Vistas de planeamento de stocks
Previsões traduzidas em quantidades de encomenda e planos de produção — não curvas em bruto.
Planeamento de efetivos e despesas
A mesma curva de procura conduz as escalas das equipas e os orçamentos de compra.
Monitorização do desvio
A precisão seguida em contínuo face à realidade, com alertas quando o mundo muda.
Reentreino programado
Os modelos reentreinam-se automaticamente com dados frescos — a precisão sobrevive ao próximo trimestre, e ao seguinte.
Ganhar a confiança dos planeadores.
Quatro fases — incluindo meses a correr em silêncio ao lado dos humanos.
Conceptualização
Enquadramento da função de custo com os operadores: uma refeição deitada fora contra um frigorífico vazio.
Design
Vistas de planeamento que dizem o que cozinhar — não painéis que respondem «depende».
Desenvolvimento
A ingestão, o pipeline de features, os modelos e o ciclo de reentreino automatizado.
Implementação
Ensaio em modo shadow face aos planos humanos, depois transição local a local.
O que nos tirou o sono.
Os problemas que decidiam se o produto funcionava, pura e simplesmente.
A confiança antes da automação
Os planeadores ignoram uma caixa negra. O modelo correu em modo shadow face aos planos humanos até que o seu historial — e não a sua matemática — ganhou o debate.
Locais que partem do zero
Os novos locais não têm histórico. A transferência a partir de locais semelhantes dá previsões desde o primeiro dia, que convergem à medida que os dados locais chegam.
O desvio numa rede que muda
Os menus rodam, abrem locais, as estações mudam. Reentreino automatizado e monitorização da precisão mantêm os 98% honestos ao longo do tempo.
Stack tecnológica.
Um ciclo de aprendizagem sobre toda a rede de frigoríficos.
Os números que os donos vigiam.
A plataforma pagou-se a si própria logo no primeiro trimestre — e depois foi alargada ao planeamento da procura.
Um número de produção, medido contra o que realmente se vendeu — não uma bazófia de conjunto de teste.
Os momentos de frigorífico vazio desabaram; o almoço está lá quando o cliente está.
Menos fresco cozinhado para o lixo — margem e sustentabilidade, a mesma alavanca.
“A plataforma de previsão pagou-se a si própria logo no primeiro trimestre. Seis meses depois, pedimos à CODT que aplicasse a mesma abordagem ao planeamento da procura — tratam ambos como um único produto.”
Continue a explorar.
Todos os projetos aqui estão em produção, foram pagos e geram receita para os seus donos.
Tem um problema que vale a pena
resolver bem?
Conte-nos sobre o seu produto, o seu prazo e as suas limitações. Respondemos no prazo de um dia útil com uma avaliação honesta sobre adequação, âmbito e a equipa certa.