LeArtigo (1)

Prévia do material em texto

www.mundologist ica.com.br
Artigo 
publicado 
na edição 94
M A I / J U N 2 0 2 3
Acesse nosso site:
www.mundologistica.com.br 42 
“UMA FÁBRICA DE DECISÕES”: 
O POTENCIAL DO USO DE 
DADOS NO PLANEJAMENTO 
DE DEMANDA
A previsão de demanda não é 
uma prática necessariamente re-
cente. Surgida na teoria econômica, 
com foco em gestão de estoques, 
estima-se que previsão de demanda 
tenha se tornado mais elaborada a 
partir dos anos 1950, com a propos-
ta de modelos matemáticos de pes-
quisadores como Richard Bellman, 
Harold Kuhn e Kenneth Arrow.
Foi a partir do fim dos anos 1980 
que essa área começou a ganhar es-
paço cativo nas organizações. Essa 
tendência se solidificou nas décadas 
seguintes, graças à conexão cada 
vez mais intrínseca nas cadeias glo-
bais de suprimentos.
É seguro dizer que nunca se 
olhou para a previsão de demanda 
com tanto afinco como se olha hoje, 
em 2023. Alguns fatores, acentu-
ados pela já referida globalização, 
deram vazão para que esse processo 
se tornasse tão elementar, como a 
eclosão de grupos de consumido-
res cada vez mais heterogêneos, a 
demanda por personalizar o aten-
dimento a esses grupos e os fatores 
imprevisíveis para os quais, de algu-
ma forma, é preciso se prevenir.
E não é difícil presumir essa com-
plexidade. Basta relembrar a tensão 
gerada pela pandemia de Covid-19 
ou pensar que a internet possibilita 
que qualquer produto seja compra-
do em qualquer canto do mundo.
Em entrevista exclusiva para a edição 94 da 
MundoLogísitca, o Dr. Donald Neumann 
falou da importância de priorizar as 
competências em relação aos softwares, 
o status das empresas que mudaram o 
mindset em prol da análise de dados e o 
potencial de tecnologias como a Inteligência 
Artificial para a gestão de demanda
Por Christian Presa (christian@mundologistica.com.br)
43 mundo logística
Tudo isso ganhou um novo con-
torno com o uso de dados. Mas, se-
gundo o Principal Data Scientist na 
QuantumBlack, Dr. Donald Neu-
mann, isso não quer dizer, nem de 
longe, que a previsão de demanda 
se tornou um processo mais fácil. 
Pelo contrário: ficou mais difícil. 
“Parece um raciocínio contraintui-
tivo, mas é como se o monte de feno 
crescesse e você tivesse que encon-
trar a agulha no meio dele”, disse.
Os benefícios, no entanto, jus-
tificam encarar essa jornada: com 
exclusividade para a edição 94 da 
MundoLogística, Neumann cha-
mou o uso de dados na previsão de 
demanda de “fábrica de decisões”. 
Além disso, o consultor destacou a 
importância de priorizar as compe-
tências em relação aos softwares, o 
status das empresas que mudaram o 
mindset em prol da análise de dados 
e muito mais. 
 Nunca se 
olhou para a 
previsão de 
demanda com 
tanto afinco como 
se olha hoje, em 
2023.
Com formações em instituições nacionais e do 
exterior, Donald Neumann soma mais de 20 anos de 
carreira como gestor, professor e consultor
www.mundologistica.com.br 44 
“Uma fábrica de decisões”: o potencial do uso de dados no planejamento de demanda
O mundo foi impactado por 
questões recentes – pandemia de 
Covid-19, a guerra no leste eu-
ropeu, alta do preço do barril de 
petróleo, etc. – que geraram ins-
tabilidade e crise na cadeia global 
de suprimentos. Como são fatores 
imprevisíveis, o demand planning 
pode, de fato, auxiliar em momen-
tos como esses?
Esse é um ótimo ponto. Obvia-
mente, eventos extremos como foi a 
pandemia de Covid-19 e a Guerra 
da Ucrânia são completamente im-
previsíveis do ponto de vista mate-
mático ou com o uso de dados. E 
a frequência que esses eventos têm 
acontecido nos parece maior por-
que o mundo está completamente 
interligado. Então, hoje, uma guerra 
na Ucrânia afeta a nossa cadeia de 
uma forma muito mais profunda do 
que antigamente, pois, obviamente, 
as cadeias são globais. Agora, por 
outro lado, a gente poderia pensar 
que isso elimina a nossa capacida-
de de fazer uma previsão, quando 
o que a gente vê é o contrário. Em-
bora não seja possível prever um 
determinado evento como esse, a 
previsão de demanda, se usada da 
maneira correta, pode ajudar na 
avaliação de cenários em que eles 
podem acontecer. Quais são os ce-
nários possíveis que podem se des-
dobrar de um determinado evento? 
Uma previsão de demanda bem fei-
ta considera isso. Esse é o aspecto 
estatístico da previsão, no qual eu 
não quero acertar exatamente qual 
vai ser o preço do diesel, mas pos-
so prever faixas de variação que me 
permitem gerenciar a cadeia de su-
primentos com foco em aumentar a 
resiliência dela. Então, [é sobre] tra-
balhar com essa incerteza de uma 
maneira mais correta e mais ade-
quada do que, efetivamente, querer 
acertar o evento e querer operar a 
sua cadeia no máximo [de eficiên-
cia] ou com pouca flexibilidade.
O planejamento de deman-
da nada mais seria do que “olhar 
para o retrovisor” e “aprender 
com experiências” como essas que 
citamos. Existe uma forma ideal – 
ou mais correta – de apurar esse 
olhar e esse aprendizado, ao longo 
do tempo?
No momento em que estamos, 
com o mundo extremamente co-
nectado, é difícil prever exatamen-
te os principais fatores que afetam 
a sua cadeia – seja a demanda ou 
sejam determinados preços. Ago-
ra, uma mudança de mindset que 
a gente tem visto que ajuda muito 
as empresas é, ao invés de prever 
exatamente qual vai ser a minha 
demanda, eu conseguir olhar para 
o retrovisor e entender quais são os 
cenários prováveis. Isso envolve me-
lhorar não apenas o seu processo e 
a sua tecnologia de previsão. Afinal, 
você não está mais querendo prever 
a quantidade de commodity que 
será vendida no estado de São Pau-
lo. Você quer prever uma distribui-
ção estatística. Então, isso tem um 
impacto direto em como você faz a 
previsão. Além disso, é necessário 
habilitar processos para não mais 
trabalhar com número definido, e 
sim com uma distribuição estatísti-
ca. Isso tem um impacto grande na 
organização, porque quando se fala, 
por exemplo, nas definições de es-
toques de segurança, a sua decisão 
passa a ser não mais com base em 
uma demanda específica, mas em 
uma distribuição que pode variar 
ao longo do tempo. A distribuição 
do erro de previsão mudou depois 
de um evento extremo como foi a 
Covid-19, porque o nosso com-
portamento mudou. Esse é o salto 
de sucesso que a gente tem visto: 
você olhar para trás, analisar os 
seus dados, para entender qual é a 
distribuição mais provável no futu-
ro. E não só para a eficiência da sua 
cadeia. Ou seja, eu não quero a ca-
deia mais eficiente do mundo, mas 
sim uma cadeia eficiente de acordo 
com um nível de resiliência. Geral-
mente, essas coisas têm um trade 
off importante, pois você aumenta 
a eficiência e diminui a resiliência. 
Mas, no mundo como o de hoje, 
com tantas mudanças, não se pode 
diminuir a resiliência ao máximo 
porque uma pequena variação no 
seu plano pode ter um impacto 
muito grande na sua cadeia. Eu 
diria que olhar para trás é útil se a 
gente olhar do jeito certo. Se a gente 
quiser buscar outras coisas ocorri-
das no passado para prever quan-
do vai ser a próxima, é impossível. 
Mas fazer isso para entender quais 
foram as variações é importante, 
sempre balanceando esse trade off 
entre eficiência e resiliência.
No caso da pandemia de Co-
vid-19, especificamente, o período 
de crise sanitária e de lockdowns 
durou cerca de dois anos. Nesse 
período, houve um tempo para 
que as cadeias se adaptassem e en-
tendessem como esse novo mundo 
funcionaria?
Acho que ainda estamos apren-
dendo. Existem cadeias que foram 
tão profundamente afetadas que 
ainda têm sofrido um processo de 
recuperação. Seja pelo lado da de-
manda, porque o perfil do consu-
midor mudou, seja do lado da ofer-
ta, porque houve uma migração de 
LEIA A ENTREVISTA NA ÍNTEGRA!
45 mundo logística
matéria-prima de uma cadeia para 
outra. Acredito que ainda vá levar 
uns dois anos para estabilizar nes-
se meio. Mas “sai” covid e “entra” 
a guerra. Então, acho que é muito 
difícil dizer que teremos um perío-
do de estabilidade. A genteprecisa 
aprender a lidar com essa incerteza, 
pois essa é a direção em que tere-
mos mais sucesso.
Você citou as questões técnicas 
e de software, que são muito im-
portantes, mas a previsão de de-
manda também exige uma visão 
apurada de mercado. Nesse sen-
tido, como deve ser a conexão das 
áreas de logística e suprimentos 
com outros setores da economia?
Essa pergunta tem diversas di-
mensões. A primeira, e provavel-
mente uma das mais importantes, 
é sobre você ter acesso a volume e 
variedade de dados. E isso, muitas 
vezes, depende de você e do seu 
próprio dado. Inclusive, muitas 
empresas que passam por trans-
formações de sistemas têm dificul-
dade com os próprios dados. Mas 
também pode haver uma relação 
com outras entidades que possuem 
dados que podem te ajudar, desde a 
compra de dados de outros setores 
que podem ser importantes para 
você até o levantamento de dados 
públicos. Enquanto antes a gente 
olhava para os dados de venda, hoje 
isso não basta porque os dados de 
venda não são suficientes para me-
dir a incerteza à qual você pode 
expor a sua cadeia. Tem uma se-
gunda dimensão importante que é 
a dimensão técnica e envolve a apli-
cação de data science e Inteligência 
Artificial. No caso da ciência de da-
dos, utilizamos essas técnicas para, 
a partir desses dados, entender 
qual é a distribuição possível para 
o futuro. Obviamente, esses dados 
precisam estar embalados em um 
software para que não fiquem inu-
tilizados. Há uma conexão muito 
grande entre o modelo matemáti-
co e a utilização de um software na 
organização. Outra dimensão, que 
talvez toque ainda mais o pessoal 
da logística, é, entre aspas, ensinar 
a organização a trabalhar com a in-
certeza. Para quem vem das áreas 
de Supply Chain e logística, o foco 
é abastecer o centro de distribuição, 
então quero saber exatamente qual 
será o consumo de amanhã para 
calcular o número de caminhões 
que serão usados e, com esse nú-
mero de caminhões, eu possa dis-
tribuir uma quantidade exata, com 
uma medição de estoque específica. 
Mas esse cenário é tão ideal que se 
torna platônico. Hoje, com as varia-
ções que a gente vê, não tem como 
saber exatamente quanto eu vou 
vender. Então, a transformação im-
portante de mindset que deve ocor-
rer na logística e na gestão da cadeia 
de suprimentos é aprender a traba-
lhar com a distribuição estatística. 
Possivelmente, em alguns momen-
tos, a sua decisão não vai ser ótima, 
do ponto de vista de custos ou de 
eficiência. Mas ela vai te garantir a 
resiliência para problemas que pos-
sam acontecer – e que a gente sabe 
que acontecem. Isso é difícil, pois o 
ser humano não está acostumado 
a trabalhar com uma distribuição 
de probabilidade. Entra aqui uma 
segunda área de aplicação da Inteli-
gência Artificial, com sistemas que 
substituem o cálculo anterior [de-
terminístico] por algoritmos [esta-
tísticos] que auxiliam a logística e 
se descolam [indo além] da previ-
são de demanda. É se perguntar o 
seguinte: mesmo sem saber quanto 
eu vou vender, quanto eu deveria 
entregar e distribuir? Então, o que 
a gente tem visto é uma conexão de 
você melhorar o lado de previsão 
de demanda com essa parte mais 
estatística, mas, em conjunto com 
isso, melhorar também os sistemas 
de apoio à logística para você tomar 
uma decisão considerando essa in-
certeza. Essa mudança é relativa-
mente grande não só no sistema, 
mas também na cabeça das pessoas.
Sabemos da dificuldade extra 
de planejar demanda em alguns 
segmentos – como produtos pere-
cíveis, por exemplo –, mas existe 
algum setor em que o planeja-
mento de demanda pode ser uma 
referência para outras cadeias? Ou 
são apenas dificuldades diferentes 
para segmentos diferentes?
É muito difícil você citar uma 
cadeia referência, porque cada ca-
deia tem seu problema. No caso 
do produto perecível, o risco de 
perda muito alto e você precisa 
prever muito bem o curto prazo. 
Então, toda a estrutura da sua ca-
deia é baseada nessa característica 
do produto. Obviamente, dada essa 
infraestrutura, a previsão no cur-
to prazo é muito difícil. Por outro 
lado, quando você pensa em uma 
cadeia aeronáutica, por exemplo, 
você entra em um problema de pre-
visão relacionado ao longo prazo. 
É difícil falar de uma cadeia que é 
referência. O que podemos falar 
são de soluções e mindsets que têm 
funcionado em diferentes cadeias e 
permitido que elas operem em um 
patamar diferente de eficiência, que 
é justamente tirar o foco de acer-
tar e focar em medir a incerteza e 
trabalhar com ela. Isso envolve a 
aplicação de mudanças na cabeça 
das pessoas, mas também de usar 
Inteligência e dados não só na pre-
www.mundologistica.com.br 46 
visão, mas também na execução da 
cadeia. Essa combinação é muito 
promissora na manutenção de um 
certo nível de resiliência e de uma 
eficiência adequada para a cadeia.
Você faz questão de enfatizar a 
posição de protagonismo que os 
dados têm no mercado contem-
porâneo – o que dá protagonismo, 
evidentemente, ao cientista de da-
dos. Por que esse cenário é tão re-
levante, em termos de se executar 
o planejamento de demanda?
No final das contas, o dado é a 
nossa matéria-prima. Outro dia, em 
uma conversa, eu fiz analogia dizen-
do o seguinte: quando você começa 
a desenvolver uma competência de 
ciência de dados na sua organiza-
ção, é como se você estabelecesse 
uma nova fábrica nela. Você tem a 
fábrica tradicional que compra ma-
téria-prima, transforma e entrega 
via logística de suprimentos, mas 
você passa a ter uma segunda fábri-
ca, que é a fábrica de decisões. Você 
tem máquinas (os algoritmos) para 
transformar a matéria-prima (os 
dados) em melhores decisões. Gos-
to dessa analogia porque ela põe a 
devida importância nesse processo. 
Todo mundo entende que a máqui-
na para se você tirar o operador, 
mas muitas pessoas não raciocinam 
dessa forma quando você propõe 
isso sobre a ciência de dados. Elas 
acham que se têm os dados e o algo-
ritmo, não é preciso ter o operador. 
Isso não é verdade. Se você tem uma 
fábrica de inteligência, a máquina 
(o algoritmo de previsão) precisa 
ser operada por um operador, que é 
o cientista de dados. Não é possível 
desconectar essas duas coisas. É por 
isso que o profissional de logística e 
Supply Chain que tem a capacidade 
de operar essa máquina e trabalhar 
com a incerteza do dado para deri-
var o que pode acontecer no futuro 
obviamente está um passo à frente. 
Não é o que a gente, que vem de 
logística, via no passado. A gente 
estava acostumado a ter uma pre-
visão e trabalhar a partir disso, mas 
o mundo de hoje não admite essa 
simplificação porque a incerteza é 
muito grande.
Por ser uma atividade tão fun-
damental para o pleno funciona-
mento da cadeia de suprimentos – 
seja ela global ou regional –, você 
acredita que os profissionais do 
setor estão devidamente conscien-
tes do que é preciso ser feito e da 
importância disso?
Eu acho que eles estão cientes, 
sim. A gente conversa com múl-
tiplos profissionais de diferentes 
níveis em organizações de ponta, 
então a gente vê uma preocupação 
muito grande com essa questão de 
como usar melhor os dados para 
a gestão de uma cadeia. Com esse 
hype do ChatGPT, se tornou mais 
tangível para as pessoas o que é pos-
sível fazer. Agora, o que acho que 
não está tão claro e que a direção 
ainda está um pouco inadequada é 
como desenvolver isso. A gente vê 
um foco grande em ferramentas e, 
muitas vezes, não é aí que está o di-
ferencial. Existem especialistas para 
montar e criar esses algoritmos. O 
profissional que opera na logística 
e na cadeia de suprimentos tem um 
foco um pouco diferente, que é ter 
a capacidade de entender o resulta-
do. Ele não precisa necessariamente 
fazer, mas sim interpretar uma dis-
tribuição de frequência, na prática. 
“Uma fábrica de decisões”: o potencial do uso de dados no planejamento de demanda
47 mundo logística
Isso retoma, muitas vezes, para os 
conceitos fundamentais de estatísti-
ca e matemática que a gente tende a 
guardar na gaveta.Em geral, quan-
do converso com essas pessoas, eu 
falo que elas não precisam fazer uma 
rede neural, mas é importante que 
elas consigam entender a abstração 
de uma distribuição de frequência e 
o que isso significa na sua operação. 
Então, eu diria que a ciência está lá, 
mas o caminho percorrido muitas 
vezes é mais complexo, mais difícil 
e, por vezes, desnecessário. A gente 
precisa é da pessoa de negócios para 
interpretar os resultados e tomar as 
decisões.
Com o aumento da geração de 
dados e do acesso facilitado que se 
tem a eles, dá para dizer que ficou 
mais fácil fazer demand planning?
É uma pergunta complicada de 
se responder, mas eu diria que fi-
cou mais difícil. Há 20 ou 30 anos, 
quando os mercados não eram tão 
conectados, você tinha os dados de 
venda da sua empresa para fazer 
uma série temporal e uma previsão 
de demanda. Só que, embora hou-
vesse poucos dados, eram dados 
significativos porque a sua empresa 
estava desconectada de um mundo. 
Então, aquele histórico do que ha-
via no passado era muito mais re-
levante para prever o que vai acon-
tecer amanhã. Hoje, há muito mais 
dados e você precisa disso, porque 
se você olhar apenas a sua venda e 
desconectar sua previsão da empre-
sa da complexidade do mundo em 
que está inserida, você perde muita 
qualidade na previsão. A sua em-
presa está conectada e a sua venda 
depende da venda do competidor, 
do preço, de tomada de decisão po-
lítica e outras questões. Minha visão 
é que a quantidade de dados tornou 
muito mais difícil fazer previsão 
de demanda porque você preci-
sa reconhecer os padrões em um 
conjunto de dados muito maior. E 
isso não é um trabalho trivial, pois 
é preciso de gente especializada 
para ser feito. Parece um raciocí-
nio contraintuitivo, mas é como se 
o feno crescesse e você tivesse que 
encontrar a agulha no meio dele.
Nesse contexto, o ChatGPT e 
outras IAs conversacionais têm 
feito barulho com a possibilida-
de de transformar operações – e 
isso vai além da cadeia de supri-
mentos, inclusive. De que forma 
o planejamento de demanda pode 
se beneficiar de tecnologias como 
essas?
Essa é uma pergunta interessan-
te e aqui, nesse contexto, ela talvez 
seja um pouco especulativa, pois 
esses modelos de linguagem são 
muito recentes. Na QuantumBlack, 
a gente tem estudado muito e de-
senvolvido algumas provas de con-
ceito em diferentes áreas e eu, parti-
cularmente, tenho me aprofundado 
muito nesse tema. Hoje, acho difícil 
que a gente possa prever todos os 
casos de uso que esses algoritmos 
vão nos oferecer. Falando espe-
cialmente da gestão de demanda e 
da previsão de vendas, um caso de 
aplicação que acho interessante é o 
de auxiliar a explicação do modelo 
e da previsão. É muito comum você 
desenvolver um modelo de previ-
são complexo e, quando o resultado 
desse modelo chega nas camadas 
mais elevadas da organização, há 
um questionamento e uma discor-
dância em relação a essa previsão. 
É muito difícil, hoje, extrair do seu 
algoritmo de previsão a explicação 
do porquê de forma simples. Mui-
tas vezes, a gente consegue levantar 
as correlações, mas é um trabalho 
para especialistas porque se tra-
ta de um modelo matemático. No 
caso da previsão [de demanda], eu 
vejo potencial desse tipo de tec-
nologia facilitar a interação com o 
modelo. Existem vários aspectos 
técnicos para a gente chegar nesse 
estágio, mas são coisas que a gente 
tem discutido sobre como utilizar 
essas tecnologias em conjunto com 
a previsão. Além disso, há uma apli-
cação enorme, em logística como 
um todo, para se ter uma interação 
muito mais simples de quem está 
na execução com os planos de dis-
tribuição e execução para entender 
tudo isso em uma interface muito 
mais conversacional e natural. Se 
você extrapolar um pouco e for 
para a gestão de demanda, é possí-
vel turbinar seus modelos de perso-
É por isso que o 
profissional de 
logística e Supply 
Chain que tem 
a capacidade 
de operar essa 
máquina e 
trabalhar com a 
incerteza do dado 
para derivar o que 
pode acontecer no 
futuro obviamente 
está um passo à 
frente. 
www.mundologistica.com.br 48 
nalização, trazendo para eles uma 
camada de criatividade em que eu 
passo a impactar o consumidor de 
uma forma muito mais natural. 
Isso, por sua vez, pode melhorar a 
sua demanda em casos em que, por 
exemplo, você não está atingindo a 
meta da semana. As aplicações des-
se tipo de tecnologia são enormes 
e nós temos investido bastante em 
entender e detalhar esses casos para 
desenvolvê-los.
Além de  softwares  voltados 
para a gestão de dados e IA con-
versacionais, quais outras tec-
nologias são fundamentais para 
o demand planning?
O software, especificamente, tal-
vez seja o menor dos problemas. 
Eu expandiria a sua pergunta para 
quais são as competências que a 
gente precisa ter. Se você vai usar 
software A ou B para desenvolver 
o seu modelo, é menos relevante. O 
que é relevante é ter pessoas e co-
nhecimento para desenvolver esse 
tipo de modelo, mas, uma vez de-
senvolvido, você precisa ter compe-
tência para manter. Então, quando 
a gente fala disso, é preciso ter uma 
competência analítica importan-
te com plataformas disponíveis na 
nuvem para que você consiga colo-
car isso em produção. O diferencial 
está no seu dado e no seu conheci-
mento para usar o seu dado. A gen-
te trabalha com múltiplos clientes 
em múltiplas plataformas e nós 
conseguimos gerar bastante valor 
independentemente do software, 
porque não é aí que a gente ganha o 
jogo. O jogo é ganho ao usar o dado 
correto, criando o modelo adequa-
damente e mexendo na cabeça das 
pessoas para que elas aprendam 
a como utilizar esses dados e essa 
saída. No caso do pessoal de Logís-
tica e Supply Chain, a gente ajuda 
implantando modelos para auxiliar 
as pessoas da operação a usar uma 
previsão de forma mais adequada. 
Então, eu vejo que essa pergunta 
[sobre software] ter se tornado me-
nos relevante. Nos anos 80, a gente 
perguntava qual o computador que 
a pessoa tinha porque, naquela épo-
ca, a capacidade de processamento 
era muito importante e hoje nin-
guém pergunta isso. O importan-
te não é o hardware em si, e sim o 
que você faz com ele. Na parte de 
Analytics, eu vejo dessa forma. É 
muito menos relevante o software 
que você usa e muito mais relevante 
o que você faz com os seus dados, 
qual o modelo que você desenvolve, 
qual é o problema que você está re-
solvendo e como ele se integra com 
o negócio.
Na sua visão, o que ainda falta 
para que o planejamento de de-
manda vá para o próximo nível e 
alcance o que se chama de “estado 
da arte” para uma determinada 
operação?
Essa é uma boa pergunta porque 
estou muito envolvido com esse 
tema. O que vejo é que aqueles que 
estão um passo à frente estão lá por 
uma questão de mindset. Criar efe-
tivamente uma competência de pre-
visão que conecta com uma compe-
tência de Supply Chain e logística 
para lidar com essa previsão de for-
ma adequada é algo que você não 
faz de hoje para amanhã. Os que 
estão um passo à frente têm feito in-
vestimentos sistemáticos e têm uma 
crença de que é preciso utilizar essas 
tecnologias porque a complexidade 
é muito grande. Guerras e pande-
mias acontecem, há diferentes de-
cisões políticas e, se não houver o 
uso dessas tecnologias, a empresa 
vai sofrer. É, também, um mindset 
de testar rapidamente e descartar 
o que não funcionar. Então, as or-
ganizações que têm feito [demand 
planning] de uma forma um pouco 
mais estruturada dentro do que às 
vezes chamamos de transformação 
digital são aquelas que vejo que têm 
tido mais sucesso com esse tipo de 
coisa. Não é fácil fazer isso. Quando 
a gente usa o ChatGPT, a gente tem 
a sensação de que é muito simples, 
mas foram décadas de pessoas in-
vestindo nisso. A consistência é o 
mais importante. Em geral, quando 
esses hypes explodem, continuam 
evoluindo aqueles que têm uma 
visão mais clara, que acreditam no 
valor disso e que entendem que 
capturar esse valor exige um inves-
timento em pessoas. Não é a visãomais fácil, mas é a que funciona.
“Uma fábrica de decisões”: o potencial do uso de dados no planejamento de demanda
É muito menos 
relevante o 
software que você 
usa e muito mais 
relevante o que 
você faz com os 
seus dados, qual 
o modelo que 
você desenvolve, 
qual é o problema 
que você está 
resolvendo e como 
ele se integra com 
o negócio.