Saint-Gobain reduz rupturas de estoque com modelo preditivo de demanda

Uma das estratégias mais assertivas de indústrias que fornecem matéria-prima à construção civil é o uso programado da inteligência artificial para reduzir rupturas de estoque. Ferramentas como o data analytics e machine learning simbolizam inovação e trabalham para combater perdas no setor.

Quem mostra isso na prática é a Saint-Gobain. Devido ao grande aumento na demanda por produtos em suas lojas durante a pandemia da Covid-19, a empresa precisou adotar um modelo preditivo baseado em dados. O objetivo era reduzir drasticamente suas rupturas de estoque.

O resultado? A empresa alcançou incríveis 80% de acuracidade — ou seja, mais precisão e exatidão dos dados em relação ao que consta no sistema de gestão de estoques e as mercadorias que de fato estavam armazenadas em espaços físicos.

A seguir, você conhece os detalhes que o Diretor-Executivo de Supply Chain da Saint-Gobain, Cristiano Raimundo, apresentou durante o 16^o Summit CICLO PIT STOP Supply Chain. Descubra como o uso da tecnologia  na previsão de rupturas da cadeia logística da empresa trouxe impactos positivos em tempos de tantas perdas.

Como a Saint-Gobain chegou até o modelo de IA preditivo

Surgida na França há mais de 360 anos, a Saint-Gobain é uma gigante global que opera com fábricas, centros de armazenamento e até mineradoras. Mas é na construção civil que está seu principal foco de atuação

No Brasil, uma de suas marcas mais conhecidas é a Telhanorte, referência nacional no ramo de vendas em atacado para obras de todos os portes — da mais simples reforma até complexos empreendimentos da construção civil.

Em meados de 2020, quando a crise sanitária da pandemia da Covid-19 avançou no Brasil, a Saint-Gobain começou a enfrentar  oscilações nas vendas e um crescimento errático da demanda. O motivo? Não havia produtos suficientes para atender ao setor de construção, que vivia um pico de demanda naquele momento.

O desafio era claro: com rupturas de estoque chegando a até 15%, era preciso agir rápido. Mas como resolver esse problema em meio a tantas incertezas?

Dois modelos distintos para diferentes respostas ao problema

Diante do cenário desafiador, a Saint Gobain adotou duas frentes de ação com modelos distintos para enfrentar as rupturas de estoque.

Primeiro, construiu um modelo de previsão de rupturas baseado em dados. A análise dessas informações permitiu entender melhor o nível das rupturas e, a partir disso, foi possível definir uma estratégia para contornar a situação, com diferentes abordagens.

• Criar uma rotina semanal de planejamento de demanda e operações (S&OE);
• Aprimorar inputs e acuracidade das informações para esse planejamento.

Depois, a Saint Gobain desenvolveu um modelo mais rápido: um algoritmo de previsão de rupturas e combinação de variáveis. Simultaneamente, a Saint Gobain criou um método de solução para os problemas centrais dessas rupturas, seguindo uma linha coerente com as seguintes prerrogativas:

– Identificação e estruturação de variáveis;

– Limpeza e engenharia de dados;

– Modelagem e avaliação;

– Fine tunning (refinar e ajustar o sistema de inteligência artificial durante o processo para obter melhor desempenho).

Por outro lado, elaborou-se uma ferramenta estatística voltada a criar essa combinação. Também foram determinados  parâmetros básicos, prevendo as potenciais rupturas semanais e reduzindo, assim, os riscos de novas perdas.

O machine learning e a conexão com o sistema preditivo

O uso do machine learning foi essencial para esse objetivo. Com esta tecnologia em que as máquinas passam a “aprender sozinhas” e aprimorar o seu trabalho sem precisar de uma programação, a empresa conseguiu elevar os seus estoques para garantir mais vendas.

Nesse sentido, foi possível otimizar tempo e tarefas, diminuir custos, aumentar a eficiência e incrementar o modelo preditivo de demanda. Assim, a Telhanorte passou a operar com as seguintes estratégias:

• Melhor desempenho na gestão de insumos no nível de compra e estoque (otimização do processo de aquisição e armazenamento de mercadorias, para que não faltem ou sobrem materiais);
• Atendimento da demanda prevista pela área comercial;
• Transferências em lead time (com redução do tempo total entre o pedido e a entrega);
• Automação das interfaces de dados;
• Avaliação de novas variáveis;
• Ampliação para outras famílias do produto;
• Uso de lógicas semelhantes para solução de problemas.

Como complemento às ações anteriores, foi adotado um processo de produção sobre como a cadeia de suprimentos da construção civil trabalharia com a demanda abaixo do plano inicial. A análise considerou variáveis como preço e sazonalidade, e foi embasada em uma investigação exploratória que deu suporte à tomada de decisões estáticas.

Resultado: mais de 80% de acuracidade na redução de rupturas de estoque

Entre os principais resultados, destaca-se uma acuracidade de mais de 80% alcançada após apenas dois meses de calibragem do modelo. Cristiano Raimundo reitera a possibilidade de, com essas estratégias, reduzir a ruptura drasticamente, ganhando eficiência nos processos logísticos e disponibilizando os produtos a quem precisava — seja quem compra em pequena ou grande escala.

“Incorporar o modelo preditivo na rotina de atividades das equipes de planejamento garante o seu uso nas tomadas de decisão e colabora muito para reduzir a porcentagem de ruptura de estoque”, diz Cristiano.

Quer continuar nessa jornada?

O próximo passo é o 39º Simpósio Supply Chain, nos dias 26 e 27 de agosto de 2025, em São Paulo (SP).
Prepare-se para dois dias de imersão total, networking de alto nível e insights transformadores.
➡ Acompanhe as novidades e garanta sua inscrição: https://simposiosupplychain.com.br

Fique por dentro! Cadastre-se e receba conteúdos exclusivos.