Como a Cantu reduziu em 15% o erro de previsão de demanda com IA na AWS

Paulo Laurentys, Chief Operations Officer (COO) e sócio da A3Data; Manuela Nascimento, Diretora de Marketing da Cantu Inc. Engenheira de Alimentos e Luana Fares, Arquiteta de Soluções da AWS.

No mercado automotivo e de reposição de peças, prever a demanda com precisão sustenta a eficiência operacional. A Cantu, distribuidora de pneus e suprimentos automotivos fundada em 2006, atende mais de 15 mil clientes ativos a partir de mais de 240 unidades e centros de distribuição nas Américas, com portfólio que vai de linhas de passeio e carga aos segmentos OTR (fora de estrada) e agrícola, marcas próprias como Speedmax e Gripmaster e a loja online PNEUSTORE.

Com essa escala, prever a demanda no nível de cada item e localidade tornou-se um desafio central para a cadeia de suprimentos da empresa.

Desafio de prever o futuro a nível granular

No dinâmico mercado automotivo e de reposição de peças, prever a demanda com precisão não é apenas uma vantagem competitiva, é a engrenagem que move toda a eficiência operacional. Para a Cantu., no entanto, essa engrenagem operava com atritos significativos, acumulados ao longo de anos de crescimento acelerado e expansão geográfica.

O processo de forecasting da empresa (previsão de séries temporais, técnica que utiliza dados históricos ordenados no tempo para prever valores futuros, muito usada para predição de estoques, preços e demanda) enfrentava uma combinação de desafios que se reforçavam mutuamente, tornando qualquer tentativa de melhoria incremental insuficiente diante da escala do problema:

• Mais de 5.000 Stock Keeping Units (SKU) distribuídos em mais de 40 filiais e centros de distribuição, nas 5 regiões do Brasil, com restrições operacionais entre itens nacionais e importados, submetidos a influências de sazonalidades e flutuações macroeconômicas e microeconômicas locais e globais.
• Weighted Mean Absolute Percentage Error (WMAPE) de 62%, indicando uma margem de erro expressiva nas previsões e sinalizando oportunidade concreta de melhoria.
• Ciclo de previsão de até 2 semanas para gerar insights úteis, atrasando a tomada de decisões estratégicas em um mercado que exige agilidade.
• Falhas crônicas na qualidade dos dados cadastrais, que comprometiam a confiabilidade de qualquer modelo analítico aplicado sobre esses dados.
• Granularidade insuficiente, com previsões realizadas apenas a nível de grupos de SKUs, sem a precisão necessária para uma gestão eficiente de estoque por unidade e localidade.

Como destacou Paulo Laurentys, COO da A3Data, parceira responsável pela implementação: “A complexidade vai muito além de aplicar um modelo matemático tradicional; trata-se de cruzar variáveis altamente voláteis e interdependentes. Exige também um saneamento de dados hercúleo, onde qualquer distorção no histórico pode resultar em falta de produto na ponta ou em um estoque milionário.”

Arquitetura de solução na AWS

Para superar esses desafios, a Cantu Inc. adotou uma abordagem robusta e moderna de dados na AWS, fazendo uso de recursos avançados de Machine Learning em ambiente seguro, governado e escalável. A solução foi concebida não somente para resolver os problemas imediatos, mas para construir uma fundação de dados capaz de sustentar a evolução contínua da empresa, e foi entregue em 5 meses.

Cada componente da arquitetura foi escolhido com uma justificativa técnica clara, diretamente conectada a uma dor específica do negócio:

O AWS Glue foi o ponto de partida para endereçar um dos problemas mais críticos e frequentemente subestimados em projetos de dados: a qualidade dos dados de origem. Por meio de jobs de ETL (Extract, Transform, Load), o Glue realizou o saneamento das falhas crônicas nos dados cadastrais das operações nacional e internacional, catalogando as informações de forma estruturada e criando uma base confiável sobre a qual os modelos preditivos puderam operar. Sem esse trabalho fundamental, qualquer algoritmo de forecasting, por mais sofisticado que fosse, produziria resultados comprometidos.

Com os dados tratados, o Amazon S3 assumiu o papel de Data Lake (repositório central de dados brutos e tratados) centralizado, armazenando os históricos de vendas e cadastros de forma segura e altamente disponível. Foi o elemento arquitetural que eliminou os silos entre os dados internos e de importação, uma fragmentação que, anteriormente, tornava impossível ter uma visão unificada e confiável do negócio.

o Databricks foi hospedado sobre a infraestrutura da AWS, absorvendo as instâncias EC2 como sua camada de computação. Sobre essa base, o Databricks abstraiu a complexidade da infraestrutura de Big Data, permitindo que clusters computacionais de alta performance fossem provisionados e escalados no EC2 sem a necessidade de gerenciar os detalhes de baixo nível da infraestrutura distribuída. O resultado foi a capacidade de processar algoritmos preditivos para os mais de 5.000 SKUs de forma paralela e veloz, atacando diretamente a morosidade que tornava o ciclo de previsão tão longo.

Por fim, a automação do pipeline, que transformou um processo manual de semanas em um fluxo orquestrado e confiável, foi viabilizada pela combinação de AWS Step Functions e AWS Lambda. O Step Functions assumiu a orquestração de todo o pipeline de dados de ponta a ponta, coordenando cada etapa do fluxo com visibilidade e controle. O Lambda, por sua vez, executou tarefas serverless de forma orientada a eventos, automatizando a tomada de decisão em cada ponto do processo sem a necessidade de servidores dedicados.

Resultados

A modernização da plataforma de dados e a automação do forecast trouxeram ganhos expressivos e imediatos para a eficiência operacional da Cantu Inc. Os resultados alcançados em 5 meses de projeto demonstram que a combinação entre arquitetura bem projetada, qualidade de dados e processamento escalável pode transformar radicalmente a capacidade analítica de uma organização:

• Redução de 15% no WMAPE, implicando em dezenas de milhões de reais economizados por melhor fluxo de caixa na aquisição dos itens, redução de estoques excessivos, redução de custos logísticos desnecessários e eliminação de custos de oportunidade por ruptura de estoque
• Ciclo de previsão reduzido de 2 semanas para 6 horas, viabilizando análises mais frequentes frente a cenários dinâmicos de decisão e liberando a equipe para focar na tomada de decisão em si, ao invés de atividades operacionais
• Granularidade de previsão elevada de grupos de SKUs para nível de SKU + Unidade de Federação (UF), melhorando significativamente a gestão e o controle dos processos envolvidos

“Alcançamos uma melhoria de 15% do nosso forecast em apenas 5 meses, um ganho inicial que já trará muito impacto positivo para nossa jornada. Acreditamos que esse resultado representa apenas um início. Vamos refinar a solução cada vez mais e buscar ainda mais excelência.” — Manuela Nascimento, Diretora de Marketing da Cantu Inc.

Evolução

A arquitetura foi concebida desde o início com visão de futuro. O roadmap de evolução tecnológica da Cantu Inc. prevê a expansão da plataforma com serviços nativos da AWS que ampliarão ainda mais a inteligência e a democratização dos dados em toda a organização.

O Amazon SageMaker Unified Studio é empregado para aprimorar o ciclo de vida de Machine Learning Operations (MLOps), permitindo o treinamento, deploy e monitoramento avançado dos modelos de Machine Learning de forma centralizada, evoluindo o que hoje é um pipeline de previsão para um conjunto de serviços gerenciados de inteligência artificial.

O Amazon Quick viabilizará a democratização dos dados por meio de dashboards de Business Intelligence rápidos, interativos e com insights gerados por IA diretamente para os tomadores de decisão em toda a organização.

E o Amazon Bedrock abrirá as portas para a Inteligência artificial generativa, possibilitando análises qualitativas de mercado, resumos de cenários macroeconômicos e assistentes inteligentes para a cadeia de suprimentos.

Com a AWS, a Cantu superou os gargalos logísticos do presente, construindo uma fundação baseada em dados, necessária para liderar o futuro do setores de distribuição.

Conclusão

Neste blog post, mostramos como a Cantu reduziu em 15% o erro de previsão de demanda em 5 meses, encurtou o ciclo de previsão de 2 semanas para 6 horas e elevou a granularidade ao nível de SKU por Unidade de Federação (UF). O AWS Glue tratou a qualidade dos dados; sobre essa base, o Amazon S3, o Databricks em Amazon EC2, o AWS Step Functions e o AWS Lambda formaram o pipeline de previsão.

Para começar, conheça o nas páginas dos serviços, consulte a documentação da AWS e experimente os serviços no Console de Gerenciamento da AWS.

Autores

	Paulo Laurentys é Chief Operations Officer (COO) e sócio da A3Data, consultoria de dados e inteligência artificial e certificada pela AWS na competência de IA Generativa (GenAI). Ao longo de sua carreira, Paulo Laurentys tem acumulado mais de 20 anos de experiência em tecnologia e consultoria em inúmeras empresas de grande porte, liderando iniciativas de alto valor de negócio pela aplicação de tecnologias emergentes. Possui certificações internacionais em dados e Inteligência Artificial (IA) pelo MIT, Johns Hopkins e Kellogg Northwestern, bem como certificações técnicas de cloud AWS e de Data Protection Officer pela EXIN Holanda. Ocupou cargos de liderança em empresas de alto crescimento como Inter e Accenture.
	Manuela Nascimento é Diretora de Marketing da Cantu Inc. Engenheira de Alimentos, com MBA em Marketing pela Fundação Getúlio Vargas, reúne quase 20 anos de experiência em marketing, gestão de marcas e negócios. Antes de ingressar na companhia, passou por empresas como Nestlé, Danone e Bridgestone, onde atuou por sete anos no setor automotivo e de pneus. Na Cantu Inc., lidera o marketing da marca corporativa e de negócios como PNEUSTORE, Speedmax e Gripmaster, além das frentes de experiência do cliente, escuta ativa e presença digital. Sua atuação também acompanha a integração dos canais físicos e digitais da companhia e o fortalecimento do relacionamento com consumidores, clientes e parceiros comerciais.
	Luana Fares é Arquiteta de Soluções da AWS, onde faz parte da comunidade técnica de containers com foco em Amazon ECS. Formada em Ciência da Computação, atua diretamente com clientes de diferentes segmentos para transformar desafios complexos em arquiteturas simples, escaláveis e prontas para produção.