C&A planeja estoques e consumo nas lojas com Inteligência Artificial AWS

Atuando no Brasil desde 1976, a C&A, com 288 lojas, 4 centros de distribuição e cerca de 15 mil associados, é uma das maiores redes varejistas do País. Para garantir a distribuição e a disponibilidade de cerca de 200 categorias de produtos em todas as lojas, a rede começou a usar inteligência artificial em nuvem para fazer as projeções de distribuição e consumo. Conforme o projeto ganhou escala, o tempo de execução passou a se tornar um gargalo. Como solução o processo foi migrado para a estrutura da AWS, atendendo as novas necessidades de velocidade e performance.

Como uma das maiores redes varejistas do país, a C&A tem como um de seus principais processos a correta distribuição de seus milhares de produtos para cada uma de suas 288 lojas. Para que eles estejam disponíveis, é preciso prever a demanda para cada cor, tipo e tamanho, e distribuí-los segundo seus níveis de estoque.  

O gerente sênior de Advanced Analytics da C&A, Caio Momesso, lembra que antes o processo de distribuição era definido por meio de regras simples e ajustes manuais, feitos por uma equipe dedicada ao assunto. “Este processo de previsão de demanda foi reconstruído pela equipe de cientistas de dados da C&A, e passou a considerar sazonalidades, efeitos regionais, atributos de produto e níveis de estoque, usando para isso algoritmos de inteligência artificial que processam milhões de dados em minutos, testando cenários e chegando ao melhor resultado”, explica.

A rede trabalha com cerca de 2 mil novos SKUs (Stock Keeping Units) por semana. São produtos que precisam ser comprados, enviados ao estoque central e, depois, distribuídos para as lojas. “Além disso, a projeção precisa considerar o ciclo de vida do produto, geralmente de oito semanas”, diz, lembrando que qualquer erro pode causar um impacto grande, seja pela falta do produto, seja por seu excesso, o que obrigaria a loja a fazer descontos.

Para aprimorar o processo e torná-lo mais acurado, a C&A decidiu investir em uma solução de machine learning. Seu desenvolvimento começou com a equipe interna que, depois de criar um modelo, realizou uma prova de conceito, inicialmente rodando em computadores on-premises. Com a crescente necessidade de processamento, o time de Momesso decidiu buscar uma solução em nuvem, inicialmente uma solução concorrente da AWS.

O responsável pela engenharia de dados da equipe de analytics, Bruno Lourenço, comenta: “Na cloud anterior foi preciso reescrever todo o código do modelo para expandir a capacidade de paralelização. Conseguimos um bom resultado em termos de tempo de execução, mas a administração dos custos de operação do cluster se mostrou um desafio: não conseguíamos rastrear com precisão os valores que eram cobrados. Conforme aumentávamos o volume de dados, o custo crescia exponencialmente”.

Como a C&A trabalha com 200 categorias de produtos, elas foram implementados na solução aos poucos. No início de 2019, quando 57 categorias estavam sendo analisadas, o time de dados começou a sentir as dores do crescimento. “O processo começou a ficar lento. Vimos que a solução funcionava bem como piloto, mas ainda não era escalável ”, afirma Momesso.

“Isso preocupou, porque sabíamos que o ambiente iria crescer bastante e iriamos precisar redesenhar toda a solução . Esse foi o momento crítico para decidir mudar de provedor”, completa Lourenço.

Naquele momento, a C&A já contava com o processamento de seu comércio eletrônico na AWS e, de acordo com Lourenço, havia colaboradores no time já com experiência na plataforma. “Com isso nos sentimos mais seguros de que a AWS seria uma boa alternativa para experimentarmos”, lembra Lourenço.

Para nortear a migração, a C&A tinha um planejamento de longo prazo: era necessário solucionar a questão do tempo de processamento e criar um ambiente que pudesse ser expandido no futuro. Momesso ressalta que os investimentos feitos pela AWS para colocar ferramentas de Machine Learning em sua nuvem também foram determinantes para a escolha.

Ao todo, o processo durou três meses. “Foi preciso transcrever o ambiente e repensar o modelo para conseguir custos menores e um processamento melhor”, afirma Lourenço. Durante algum tempo o funcionamento da solução ocorreu em paralelo, fazendo o benchmark dos dois ambientes. “Quando ficamos confortáveis em relação a custos e resultados, em fevereiro deste ano, desligamos o provedor anterior” diz.

Lourenço explica que a estratégia de execução foi montada sobre diversos serviços AWS, com a consultoria da AWS Professional Services. “O Amazon SageMaker é o principal deles, mas acabamos conectando várias peças para criar o pipeline completo”, afirma. Na estrutura atual, o SageMaker é a mesa de trabalho da equipe de ciência de dados da C&A, o que tem garantido mais agilidade e escalabilidade ao processo. “Hoje é muito fácil aumentar ou reduzir o uso de máquina quando preciso”, compara.

Outra solução utilizada é a Amazon CloudWatch, que funciona como central de consulta. O AWS CodeCommit é utilizado para fazer o beat dos códigos utilizados, uma funcionalidade com a qual o time não contava antes. Os eventos estão concentrados no AWS Lambda, que cria os data frames de calendário, e o input e output de dados começa e termina em buckets do Amazon Simple Storage Service (Amazon S3). Todo o ambiente produtivo é conectado via AWS Direct Connect e coordenado pelo AWS Step Functions. Lourenço destaca ainda o uso das soluções AWS CloudFormation e Amazon Elastic Container Registry (Amazon ECR). Com essa configuração, a C&A conta hoje com cerca de 300 máquinas para fazer o tuning e cerca de 50 máquinas para fazer a predição.

Ele explica que, quando a migração foi feita para a AWS, optou-se por manter os códigos em Python. “Para isso, paralelizamos as execuções, criando cópias de máquinas que recebiam frações diferentes de input e, mais à frente, geravam um input único. Dentro da máquina também usamos o recurso de paralização em threads. Estamos usando o máximo das possibilidades de paralelismo para ganhar tempo. Com isso, conseguimos corrigir eventuais erros apenas na fração onde eles ocorrem”, destaca.

Com a estrutura em funcionamento, Momesso lembra que o primeiro ganho foi obtido no tempo do processamento do volume de dados. O executivo explica que o desafio era processar todas as 200 categorias de produtos em, no máximo, 7 horas. Na cloud anterior, as 57 categorias implementadas eram processadas em 11 horas. “Havia o desafio de fazer isso em um volume de horas menor. Hoje processamos todas as 200 categorias de produtos em menos de 3 horas”, diz.

Lourenço também destaca a melhora na governança dos erros, lembrando que a equipe passou a ter controle sobre o input dos dados. “Conseguimos fazer uma validação prévia para ver se os inputs necessários consideravam os requisitos mínimos para serem utilizados. Não tínhamos esse pre-check antes. O Amazon CloudWatch nos dá uma leitura exata do que aconteceu”, explica.

Outros pontos apontados pelos executivos são um melhor nível de controle dos ambientes de desenvolvimento e produção e mais acuracidade no controle de custos, com informações precisas sobre o custo de geração dos algoritmos. Com isso, Momesso diz que os erros de acuracidade foram reduzidos em 61% e que os custos de processamento de dados foram reduzidos de 4 a 5 vezes.

Ele lembra que o modelo anterior não conseguia capturar sazonalidades regionais, como as festas de São João no Nordeste, e as lojas ficavam desabastecidas em algumas categorias de produtos. “Desde a adoção do novo modelo essas lojas não passam mais por isso. O modelo anterior também tinha dificuldade de prever a demanda dos produtos nas lojas menores, que possuem comportamento mais volátil. Após a implementação do novo modelo, as lojas pequenas foram as que mais se beneficiaram, apresentando os maiores aumentos na disponibilidade de produtos e no crescimento da venda.

Atualmente 75% dos produtos de moda vendidos pela C&A são distribuídos utilizando essa solução de inteligência artificial. Momesso explica que a ideia é expandir o modelo preditivo para orientar o desenvolvimento de novos produtos, indicando os atributos de maior demanda, como por exemplo “calças com cintura alta” ou “vestidos com manga bufante”.

Em outra frente, a rede tem planos de utilizar o Amazon Redshift como ponto de entrada e saída de dados. “Vamos substituir o trânsito de dados do datawarehouse para Amazon S3. É um projeto que já está em andamento e queremos expandir mais ainda o uso”, revela Lourenço.