A Dynamic Adaptive Fusion Transformer for Zero-Inflated Intermittent Spare Parts Demand Forecasting

No complex mundo das cadeias de suprimentos, manter as peças certas em estoque é um constante exercício de equilíbrio. Se uma fábrica ou uma companhia aérea ficar sem um componente específico, as operações podem parar, causando atrasos dispendiosos. Mas se um armazém estiver cheio de peças que nunca são usadas, o dinheiro fica parado nas prateleiras e os itens podem eventualmente tornar-se obsoletos. Este desafio é especialmente difícil para peças de reposição usadas em máquinas e veículos. Ao contrário da demanda por itens cotidianos como pão ou baterias, que as pessoas compram regularmente, as peças de reposição muitas vezes permanecem intocadas por meses ou até anos, apenas para serem necessárias subitamente quando uma máquina quebra. Este padrão, onde longos períodos de silêncio são interrompidos por solicitações raras e imprevisíveis, cria um problema de previsão único. As ferramentas de previsão padrão, que funcionam bem para vendas constantes, frequentemente falham aqui. Elas tendem a supor que uma peça será necessária em breve simplesmente porque a matemática diz que sim, levando a um acúmulo de inventário desnecessário, ou perdem o momento raro em que uma peça é realmente necessária.

Uma equipe de pesquisadores do Colégio de Logística da Força Aérea na China desenvolveu uma nova abordagem para resolver este quebra-cabeça específico. Eles criaram um modelo de computador sofisticado projetado para lidar com esses padrões de demanda erráticos e "inflados por zero", onde a maioria dos meses não apresenta demanda alguma. Os pesquisadores testaram seu sistema usando um conjunto de dados do mundo real contendo registros de demanda para mais de 2.600 peças de reposição diferentes, acompanhando seu uso ao longo de um período de mais de quatro anos. O objetivo era prever se uma peça seria necessária nos meses seguintes e, se fosse o caso, quantas unidades seriam necessárias. Seu novo modelo, que eles chamam de Dynamic Adaptive Fusion Transformer (Transformador de Fusão Adaptativa Dinâmica), funciona dividindo a tarefa de previsão em duas questões distintas: primeiro, a peça será necessária? e segundo, se for necessária, quantas serão requeridas? Ao tratar estas como problemas separados e depois combinar cuidadosamente as respostas, o modelo aprende a reconhecer a diferença entre uma verdadeira falta de necessidade e um pico raro de demanda.

Os pesquisadores descobriram que esta abordagem dividida, combinada com um mecanismo que permite ao modelo ajustar sua própria confiança, melhorou significativamente a precisão. Em seus testes, o novo modelo foi muito melhor em evitar alarmes falsos do que os métodos anteriores. Quando a demanda real por uma peça era zero, o novo modelo previa uma necessidade próxima de zero, efetivamente impedindo o armazém de encomendar peças que ficariam apenas paradas acumulando poeira. Especificamente, o modelo reduziu o erro na previsão de meses de demanda zero a um nível muito baixo, superando amplamente os métodos estatísticos tradicionais e outras ferramentas modernas de aprendizado de máquina. No entanto, o estudo também revelou uma compensação. Embora o modelo tenha se tornado excelente em saber quando não encomendar, ele ocasionalmente tornou-se ligeiramente mais cauteloso ao prever grandes picos repentinos de demanda. Ele suprimiu com sucesso o ruído dos falsos positivos, mas às vezes subestimou o tamanho de um pedido urgente e genuíno.

Para entender como isso funciona, imagine o modelo como um sistema que primeiro verifica um calendário e um registro histórico para decidir se um pedido é provável. Se o histórico mostra que a peça não é usada há muito tempo, o sistema inclina-se fortemente para prever zero. Se o histórico mostra atividade recente, o sistema volta sua atenção para estimar a quantidade. Os pesquisadores construíram um sistema de "portaria" (gating) que atua como um controlador de tráfego, decidindo quanto peso dar à suposição de "isso vai acontecer?" versus a de "quantos serão?". Isso permite que o modelo seja flexível. Em meses onde os dados sugerem um período de quietude, o modelo prevê zero com confiança. Em meses onde os dados sugerem atividade, ele abre a porta para prever um número positivo. Este ajuste dinâmico é o que permite ao sistema lidar com a extrema imprevisibilidade das peças de reposição sem se confundir com os longos períodos de silêncio.

Os experimentos mostraram que este método é particularmente eficaz para peças que são raramente usadas, mas críticas quando necessárias. Ao reduzir o número de vezes que o modelo prevê incorretamente uma necessidade para uma peça que não é realmente necessária, o sistema ajuda as organizações a economizar dinheiro no armazenamento e a evitar o desperdício de encomendar estoque obsoleto. Os pesquisadores observaram que, embora o modelo não seja perfeito em prever o tamanho exato de um pico de demanda súbito e massivo, sua capacidade de evitar alarmes falsos é uma grande melhoria. No contexto da gestão de inventário, onde o custo de manter estoque extra pode ser alto, esta precisão é valiosa. O estudo sugere que, para muitas peças de reposição, a melhor estratégia é ser muito cuidadoso ao prever uma necessidade, a menos que a evidência seja forte, em vez de supor que a demanda possa aparecer apenas para estar seguro.

Os pesquisadores testaram seu modelo contra vários outros métodos, incluindo técnicas estatísticas antigas e novos modelos de aprendizado profundo. Os resultados foram claros: o novo modelo produziu menos erros totais e foi muito melhor em identificar meses onde não haveria demanda. De fato, ao olhar especificamente para os meses em que nenhuma peça era necessária, as previsões do novo modelo estavam significativamente mais próximas de zero do que as dos outros métodos. Isso significa que ele evitou com sucesso a armadilha comum das "previsões positivas espúrias", onde um modelo vê um padrão que não existe e encomenda peças desnecessariamente. O estudo também confirmou que cada parte de seu novo sistema desempenhava um papel vital. Remover a parte que verifica a ocorrência da demanda tornou o modelo pior no tratamento de meses de demanda zero, enquanto remover a parte que verifica o tamanho da demanda o tornou menos preciso quando as peças eram realmente necessárias. A combinação desses elementos, gerenciada pelo mecanismo de fusão adaptativa, criou um sistema mais robusto do que qualquer componente isolado.

Embora o modelo se destaque em prevenir o excesso de pedidos, os pesquisadores reconheceram que ainda há espaço para melhorias no que diz respeito à previsão da magnitude de eventos raros e de alto volume. Em seus testes, o modelo às vezes previu um número menor de peças do que eram realmente necessárias durante um surto repentino. Isso sugere que, embora o sistema seja excelente em saber quando permanecer em silêncio, ele ainda pode ser um pouco conservador quando o ruído de um pico real de demanda chega. Os autores propõem que trabalhos futuros poderiam envolver a adição de regras específicas para lidar com esses picos extremos ou a combinação da saída do modelo com políticas de estoque de segurança para garantir que peças críticas nunca sejam perdidas. Por enquanto, o estudo demonstra que, ao decompor o problema de previsão em partes menores e mais gerenciáveis e permitir que o modelo decida como ponderá-las, é possível criar um sistema muito mais inteligente para gerir o mundo imprevisível das peças de reposição.

As implicações deste trabalho estendem-se para além dos setores militar ou de aviação, onde os pesquisadores se baseiam. Qualquer indústria que dependa da manutenção de equipamentos com peças usadas infrequentemente poderia beneficiar-se desta abordagem. Da manufatura industrial à reparação automóvel, o desafio de prever a demanda intermitente é universal. O sucesso do Dynamic Adaptive Fusion Transformer sugere que o futuro da gestão de inventário não reside em tentar forçar uma previsão única e simples sobre dados complexos, mas em construir sistemas que possam compreender os diferentes estados de demanda e adaptar a sua estratégia em conformidade. Ao aprender a distinguir entre uma verdadeira falta de necessidade e um momento raro de alta atividade, estes sistemas podem ajudar as empresas a operar de forma mais eficiente, mantendo as suas cadeias de suprimentos enxutas sem arriscar a disponibilidade das peças de que mais precisam.