Causal Impact analisa vendas no Carrefour com machine learning

São Paulo — InkDesign News —
A análise da mudança nas vendas em resposta à indisponibilidade de produtos está se tornando cada vez mais relevante, principalmente com o avanço de técnicas de machine learning e deep learning, permitindo que empresas como o Carrefour gerenciem riscos de forma mais eficaz.

Arquitetura de modelo

A abordagem de análise da mudança nas vendas utiliza o modelo Causal Impact, desenvolvido por uma equipe do Google. Este modelo se baseia em modelos de séries temporais estruturais bayesianos, permitindo uma análise contrafactual que isola o efeito da indisponibilidade de um produto. É crucial, em um ambiente de varejo como o da Carrefour, considerar tanto a perda de vendas quanto a transferência de vendas para outros produtos.

“A análise causal é uma ferramenta essencial para entender como fatores influenciam um ao outro.”
(“Causal approaches aim to understand causal relationships between variables, explaining how one affects another by isolating the effect we are trying to analyze from all other existing effects.”)

— Equipe do Google, Desenvolvedores do Causal Impact

Os resultados do modelo dependem da escolha cuidadosa de covariáveis que devem captar tendências sem se deixar influenciar pela intervenção. A seleção é feita com base na cointegração e correlação com a série temporal alvo.

Treinamento e otimização

Durante o processo de treinamento, o modelo Causal Impact revelou-se sensível à qualidade dos dados fornecidos. Como afirmado pelos especialistas, “garbage in, garbage out” é um princípio fundamental que deve ser sempre considerado.

“Independentemente das variáveis utilizadas, o Causal Impact sempre produzirá um resultado.”
(“Regardless of the covariates used, Causal Impact will always produce a result, sometimes with very high probability, even in cases where results are unrealistic.”)

— Analisadores de dados, Carrefour

Os critérios para a seleção de covariáveis foram refinados após avaliações práticas, mas ainda existem áreas para melhorias, especialmente em relação ao número de séries selecionadas e à definição de limites de cointegração.

Resultados e métricas

Analisando casos de indisponibilidade total de produtos, a pesquisa observou uma mudança significativa nas vendas, com uma taxa de deslocamento de até 31,2% em algumas situações. Através do uso de covariáveis, as estimativas resultaram em um aumento de 22% nas vendas, com uma probabilidade de 99,9% de significância estatística.

“A abordagem de Causal Impact possibilita uma análise robusta das consequências da indisponibilidade de produtos.”
(“The Causal Impact approach allows for a robust analysis of the consequences of product unavailability.”)

— Equipe de análise de dados, Carrefour

Essas análises não apenas ajudam a entender o impacto imediato da falta de produtos, mas também fornecem insights valiosos para a otimização da oferta e gestão de estoques.

Concluindo, o uso do modelo Causal Impact evidencia a importância de análises avançadas em machine learning nas operações de varejo, permitindo à Carrefour e a outras empresas gerenciar melhor as variáveis que afetam as vendas e aprimorar a experiência do cliente.

Fonte: (Towards Data Science – AI, ML & Deep Learning)