Title

Estoques inteligentes com dados: Inteligência Artificial aplicada ao cálculo da necessidade líquida na cadeia siderúrgica

Data-driven Smart Inventory: Artificial Intelligence Applied to Net Requirements Calculation in the Steel Supply Chain

Authorship

LIMA, KELI; ROCHA, CARLA; SANTOS, SERGIO MENDES DOS

LIMA, KELI

I am this author

ROCHA, CARLA

I am this author

SANTOS, SERGIO MENDES DOS

I am this author

DOI

10.5151/2594-360X-43383

Downloads

Abstract

O mercado siderúrgico apresenta alta volatilidade de preços, variabilidade da demanda e pressão por agilidade, exigindo maior assertividade na gestão de estoques integrada à cadeia de suprimentos. Diante desse cenário, a Prada Distribuição, unidade estratégica do Grupo CSN, implementou um modelo de gestão de estoques inteligentes baseado em ciência de dados, fundamentado na aplicação de técnicas de Inteligência Artificial e Machine Learning suportadas por um Data Lake corporativo, com seleção dinâmica de modelos por SKU. O modelo anterior apresentava limitações na resposta à variabilidade da demanda, comprometendo a acuracidade das previsões e elevando os níveis de estoques de baixo giro. Com a nova abordagem, observou-se maior alinhamento entre demanda e suprimento, ganhos em agilidade decisória e melhor balanceamento dos estoques, evidenciando que a aplicação de modelos preditivos e algoritmos de otimização aprimora o dimensionamento da necessidade de materiais e a consistência do processo decisório.

The steel industry is characterized by high price volatility, demand variability, and increasing pressure for agility, requiring greater accuracy in inventory management across the supply chain. In this context, Prada Distribuição, a strategic unit of the CSN Group, implemented a data-driven intelligent inventory management model, based on the application of Artificial Intelligence and Machine Learning techniques supported by a corporate Data Lake, with dynamic model selection per SKU. The previous model showed limitations in responding to demand variability, compromising forecast accuracy and resulting in slow-moving inventory. With the new approach, improved alignment between demand and supply was achieved, along with gains in decision-making agility and better inventory balance, demonstrating that the application of predictive models and optimization algorithms enhances material requirement planning and strengthens decision-making consistency.

Keywords

Gestão de Estoques, Inteligência Artificial, Machine Learning, Planejamento de Demanda

Artificial Intelligence, Demand Forecasting, Inventory Management, Supply Chain