Ciência de Dados
Demanda prevista por loja e SKU
Modelo de forecast retreinado semanalmente, com risco de ruptura por produto e ação sugerida — substituindo a previsão por intuição. PREENCHER uma frase de abertura com o cliente/segmento (anonimizado, se preciso).
O problema
PREENCHER O que o cliente vivia antes? Reposição no chute, ruptura ou excesso de estoque, custo disso em R$/mês. Use a dor concreta e, se possível, um número de partida.
A abordagem
PREENCHER Como a LFG entrou: diagnóstico, dados usados (vendas, sazonalidade, feriados, campanhas), por que modelo por loja/SKU e não global.
A solução
PREENCHER O que foi construído: pipeline, modelo, frequência de retreino, como a ação sugerida chega ao lojista (dashboard, alerta, WhatsApp).
O resultado
PREENCHER Resultados verificáveis: variação de ruptura, acurácia (MAPE), R$ economizados, adoção. Anonimize o cliente, nunca o número. Marque o que for ilustrativo.
- ex.: ruptura de X% para Y% em Z meses
- ex.: MAPE de 8,7% (confirmar)
Por que importa
PREENCHER A lição / o diferencial: o time que projetou continua rodando, retreino contínuo, etc. Conecte ao princípio da LFG ("a terceira fase nunca acaba").