Contexto
Um distribuidor farmacêutico em Genebra abastece farmácias suíças com mais de 5.000 SKUs. As rupturas geravam urgências, frete caro e perda de venda. A previsão em Excel com médias simples ignorava sazonalidade, cantão e lançamentos. Precisava-se de planejamento baseado em dados, hospedado em Azure na Suíça e ligado ao ERP.
Solução
Implementamos forecasting no Azure Machine Learning:
- Dados: vendas históricas por referência e cantão, lançamentos, promoções, sazonalidade (vacinas, alergias), dados meteo e capacidade logística.
- Pré-processamento: limpeza de outliers, imputação de faltantes, desagregação por cantão.
- Modelos: AutoML de séries temporais testando Prophet, LightGBM, ARIMA e híbridos; um modelo por família para balancear precisão/custo.
- Métricas: MAPE/WAPE por família, validação cruzada temporal; seleção por erro e estabilidade.
- Deploy: endpoints gerenciados no Azure ML, inferência diária à noite. Dados/endpoints em Switzerland North.
- Integração: previsões alimentam estoque de segurança no ERP via API. Power BI mostra demanda prevista, cobertura e alertas por cantão/referência.
Operação
Toda noite, atualiza vendas e recalcula previsão. Um fluxo Power Automate alerta se a cobertura cai abaixo do limite ou se surge pico previsto (frio intenso, surtos). Compras ajusta pedidos antes da falta.
Resultados
- Rupturas: -70%.
- Menos reposição emergencial e frete urgente.
- Cobertura otimizada: menos capital parado sem perder serviço.
- Melhor serviço às farmácias: menos pedidos fracionados, mais entregas completas.
Segurança
Dados e modelos no Azure Suíça. Acesso via Azure AD; auditoria ativa. Sem assistentes genéricos ou serviços externos, só stack Azure/M365.
Futuro
Adicionar sinais de mercado (dados públicos de saúde), simular promoções e ajustar estoque de segurança dinamicamente por risco regional.
Conclusão
Com Azure ML e Power Platform, a previsão fica proativa: menos urgências, melhor caixa e serviço superior, mantendo a soberania de dados na Suíça.