Centralização de dados e Machine Learning para planejamento logístico granular de milhares de SKUs.

O planejamento logístico da Master enfrentava o desafio da dispersão de informações. Os dados de demanda estavam espalhados por diferentes silos, o que resultava em uma visão muito macro e "agrupada" das vendas. Essa falta de granularidade dificultava a gestão de estoque e a produção de itens específicos (SKUs), gerando riscos de excesso de inventário para alguns produtos e rupturas para outros. Era necessário "inteligenciar" o processo para que cada peça do portfólio tivesse sua própria curva de previsão.

A DB identificou que a solução não passava apenas por um novo algoritmo, mas por uma mudança na infraestrutura de dados. O diagnóstico apontou que a centralização em um Data Lake era o primeiro passo para garantir a integridade das informações. Além disso, para lidar com a escala de milhares de SKUs, o modelo de Machine Learning precisava de uma arquitetura escalável (Databricks) que permitisse não apenas prever, mas "servir" essas previsões de forma rápida para os tomadores de decisão.

Construímos um pipeline de dados ponta a ponta, conectando o Data Lake da Master ao modelo preditivo. Desenvolvemos o modelo de Machine Learning focado em séries temporais de vendas, treinado para reconhecer padrões individuais por SKU. Para garantir que essa inteligência fosse consumível no dia a dia, implementamos o Model Serving via Databricks, transformando o modelo em um serviço de alta disponibilidade que entrega previsões em tempo real. Isso centralizou a visão da demanda, eliminando as discrepâncias de informações dispersas e fornecendo uma base sólida para o planejamento logístico e de suprimentos.