Decathlon adota modelo de IA Chronos-2 para prever demanda em escala global
A Decathlon, uma das maiores redes varejistas de artigos esportivos do mundo, com mais de 100 mil colaboradores e 400 milhões de usuários, passou a utilizar o Chronos-2 como peça central do seu sistema de previsão de demanda. O modelo, baseado em inteligência artificial e desenvolvido como um modelo de fundação para séries temporais, foi escolhido após uma avaliação rigorosa conduzida pela própria empresa com seus dados de varejo.
A previsão de demanda é considerada a espinha dorsal das operações da cadeia de suprimentos no varejo. No caso da Decathlon, o desafio é ampliado pela escala e diversidade do negócio, com dezenas de milhares de produtos distribuídos em mais de 80 modalidades esportivas e vendidos em múltiplos continentes, cada um com padrões de demanda altamente sazonais. Produtos como luvas de esqui e pranchas de surf, por exemplo, possuem sinais de demanda completamente diferentes, mas ambos precisam ser previstos com precisão para evitar rupturas de estoque ou excessos.
O sistema de previsão da empresa estima as vendas semanais de todos os produtos em dois horizontes críticos. O primeiro é uma janela de reposição de 12 semanas, usada pelos planejadores de compras para fazer pedidos junto aos parceiros industriais. O segundo é um horizonte estratégico de 52 semanas voltado para projeções de estoque de longo prazo e planejamento de capacidade. O sistema roda semanalmente em múltiplas zonas de suprimento, como Europa, Índia, China, Sudeste Asiático, América Latina e, em breve, Oriente Médio e África, cobrindo até 25 mil produtos por zona.
Antes da adoção do Chronos-2, a Decathlon utilizava uma abordagem híbrida com o Amazon SageMaker AI DeepAR para previsões de curto prazo, combinada com o método estatístico Holt-Winters para horizontes mais longos. A partir de 2024, a empresa passou a empregar o Temporal Fusion Transformer (TFT) com covariáveis, que melhorou a acurácia em horizontes longos. Apesar dos avanços, essas abordagens exigiam retreinamento semanal e não escalavam facilmente para novas regiões, demandando esforço extra de engenharia.
Para decidir qual modelo de fundação adotar, a Decathlon conduziu um benchmark em larga escala com seus próprios dados de varejo. A avaliação utilizou 101 cortes temporais ao longo de quase dois anos, abrangendo aproximadamente 25 mil produtos únicos por corte e 39 mil séries temporais no período total. A métrica principal foi o Weighted Absolute Percentage Error (WAPE), que mede o erro percentual ponderado das previsões, complementada por outras métricas como RMSE e viés.
Os resultados mostraram que o Chronos-2 ajustado superou consistentemente todos os demais modelos avaliados em ambos os horizontes. Mesmo no modo zero-shot, em que o modelo realiza previsões sem treinamento prévio em dados específicos do domínio, o Chronos-2 igualou ou superou o modelo de produção que era retreinado semanalmente. O ajuste fino com dados específicos reduziu ainda mais o erro de previsão em alguns pontos percentuais. Outro diferencial foi o suporte nativo a covariáveis por meio de um mecanismo de atenção em grupo, que permite incorporar variáveis externas ao modelo sem necessidade de soluções improvisadas.
A arquitetura implantada na nuvem da AWS combina um pipeline de preparação de dados em PySpark, um job de ajuste fino baseado na biblioteca AutoGluon executado a cada seis meses e um registro de modelos gerenciado pelo MLflow. As inferências semanais são feitas em instâncias EC2, com tempos de aproximadamente 40 segundos para 7 mil séries temporais na América Latina e 75 segundos para 15 mil séries no Sudeste Asiático. O custo estimado de cada execução semanal é de cerca de 0,03 dólares, valor considerado irrelevante pela empresa.
Os ganhos de acurácia foram expressivos. Na zona do Sudeste Asiático, o WAPE no horizonte de 12 semanas caiu de 39% para 28%, uma redução de 11 pontos percentuais. Na América Latina, a redução foi de 15 pontos percentuais, de 53% para 38%. No horizonte de 52 semanas, as quedas foram de 6 e 9 pontos percentuais, respectivamente. Cada ponto de melhoria no WAPE no horizonte de reposição se traduz em aproximadamente 0,3 dia de redução de estoque, 0,3 ponto de aumento na disponibilidade de produtos e 0,4 ponto de incremento nas vendas.
Além da precisão, a migração para o Chronos-2 trouxe ganhos operacionais relevantes. O tempo de implantação em uma nova região caiu de cerca de seis meses, com três pessoas envolvidas, para dois a três meses com uma equipe reduzida. A frequência de retreinamento foi de semanal para semestral, e a complexidade de engenharia diminuiu ao eliminar a necessidade de múltiplos seeds de treinamento.
A Decathlon já tem o Chronos-2 em produção nas zonas do Sudeste Asiático e da América Latina e trabalha para estender a solução às demais regiões, com meta de implantação completa em 2026. Entre os próximos passos estão a adoção de uma abordagem de ensemble baseada em Mistura de Especialistas, a integração de dados externos como preço e clima como covariáveis e a exploração das capacidades de aprendizado cruzado do modelo para produtos novos.
