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.
Traga a sua versão do problema da Forecasting Model. Quatro horas, grátis, com a equipa que entregou este projeto.
Marcar o workshop gratuitoO 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.
Resultados na FeelEat.
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.
Quer números como estes? É isto que acontece depois de nos escrever.
Antes, o planeamento era feito por hábito e palpite. Agora a previsão diz-nos, frigorífico a frigorífico, que pratos enviar e quantos, com base em quem trabalha em cada empresa e no que realmente compra. A minha equipa verifica o plano em vez de o construir do zero.
Continue a explorar.
Todos os projetos aqui estão em produção, foram pagos e geram receita para os seus donos.
Perguntas frequentes
Coloque-o num briefing. Um engenheiro sénior — não um vendedor — responde no prazo de um dia útil.
What does the demand forecasting platform do?
It is a machine-learning platform, built by CODT Technologies, that turns past sales into a plan for what to cook and stock next. Its forecasts are 98% accurate and drive FeelEat’s ordering and restocking.
What business results did the forecasting model achieve?
Stockouts fell by 58% and excess stock by 41%. That means less food thrown away and fewer empty fridges.
Is the model the hard part of a forecasting platform?
No. The model itself was the smaller part of the work. Most of the effort went into the data pipelines, the checks that warn when accuracy slips, and the planning screens people look at each morning.
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.