H&M GroupH&M · Suécia · 2024

IA para grade, demanda e realocação

Demanda varia por mercado, loja e tamanho; decisões imprecisas geram excesso, ruptura e produção desnecessária. A solução adotada foi: Conjunto de modelos de IA para realocação de produtos, previsão de demanda por loja e previsão de demanda de tamanhos por mercado.

EscaladoEvidência B · Moderada

Escala: Global / múltiplos mercadosInício: 2023

RELATO DO CASE

O que a empresa fez

O problema original: Demanda varia por mercado, loja e tamanho; decisões imprecisas geram excesso, ruptura e produção desnecessária.
Como era antes: Planejamento em níveis mais agregados e menor capacidade de prever demanda de tamanhos e realocar produto de forma sistemática.

O objetivo: Aumentar precisão do sortimento, alinhar oferta e demanda e reduzir excesso de estoque.
A solução de IA: Conjunto de modelos de IA para realocação de produtos, previsão de demanda por loja e previsão de demanda de tamanhos por mercado.

Como funciona

Modelos estimam demanda e sugerem realocação/ajuste de disponibilidade; o modelo de size & fit estima necessidade de tamanhos em diferentes mercados.

Forecast → alocação/grade → monitoramento de demanda → realocação → aprendizado.

Dados utilizados

Vendas; estoque; mercado; loja; tamanho; produto; histórico de demanda.

Decisão apoiada

Que produto e tamanho deve estar em qual mercado/loja e quando deve ser realocado?

Ação gerada

Ajuste de grade, realocação e refinamento do forecast.

O que continua sob decisão humana

Sim

O que fica com a IA: Conjunto de modelos de IA para realocação de produtos, previsão de demanda por loja e previsão de demanda de tamanhos por mercado.
Quem utiliza: Planejamento; merchandising; supply chain; times de produto.
Integração ao processo: Forecast → alocação/grade → monitoramento de demanda → realocação → aprendizado.
Limitações: A fonte não divulga percentual específico de redução de estoque atribuível a cada modelo.
Riscos reportados no case: A fonte não divulga percentual específico de redução de estoque atribuível a cada modelo.

EVIDÊNCIAS DO CASE

Resultados publicados

Resultado qualitativo

A fonte descreve implantação e benefícios

Não há métrica quantitativa medida cadastrada para apresentar como resultado.

Resultado / benefício: H&M relata que o conjunto de melhorias com IA contribui para redução de estoque em relação às vendas e menor produção de amostras físicas.
Benefícios: Menos excesso; melhor disponibilidade de tamanhos; melhor alinhamento oferta-demanda; menor desperdício.

Evidência B

Disclosure oficial informa escala operacional e contribuição qualitativa; não isola uplift financeiro.

O nível representa a força da evidência disponível na biblioteca, não uma avaliação da empresa.

Problemas AMEM relacionados

Capacidades de IA utilizadas

Forecasting e Séries Temporais

Papel: Prever
Aplicação: No case IA para grade, demanda e realocação, a capacidade “Forecasting e Séries Temporais” contribui para: Modelos estimam demanda e sugerem realocação/ajuste de disponibilidade; o modelo de size & fit estima necessidade de tamanhos em diferentes mercados. A saída apoia a decisão: Que produto e tamanho deve estar em qual mercado/loja e quando deve ser realocado?
Tecnologia: Forecasting; ML preditivo; Otimização
Fornecedor: H&M Group — modelos internos

Importância5 / 5

Otimização Prescritiva

Papel: Otimizar
Aplicação: No case IA para grade, demanda e realocação, a capacidade “Otimização Prescritiva” contribui para: Modelos estimam demanda e sugerem realocação/ajuste de disponibilidade; o modelo de size & fit estima necessidade de tamanhos em diferentes mercados. A saída apoia a decisão: Que produto e tamanho deve estar em qual mercado/loja e quando deve ser realocado?
Tecnologia: Forecasting; ML preditivo; Otimização
Fornecedor: H&M Group — modelos internos

Importância4 / 5

Scoring Preditivo de Potencial, Propensão e Risco

Papel: Gerar score preditivo
Aplicação: No case IA para grade, demanda e realocação, a capacidade “Scoring Preditivo de Potencial, Propensão e Risco” contribui para: Modelos estimam demanda e sugerem realocação/ajuste de disponibilidade; o modelo de size & fit estima necessidade de tamanhos em diferentes mercados. A saída apoia a decisão: Que produto e tamanho deve estar em qual mercado/loja e quando deve ser realocado?
Tecnologia: Forecasting; ML preditivo; Otimização
Fornecedor: H&M Group — modelos internos

Importância4 / 5

INTERPRETAÇÃO EDITORIAL · AMEM / RECTRIX

Como este case pode inspirar sua empresa?

Avaliação editorial para apoio à análise durante o Workshop AMEM.

Aprendizado executivo: Forecast, grade e redistribuição devem funcionar como um ciclo integrado, não como análises independentes.
Aplicação AMEM: Prever demanda por SKU/tamanho/canal e sugerir reposição ou remanejamento entre clientes, lojas ou depósitos.
MVP sugerido: Selecionar uma família de produtos com histórico robusto e prever 8–12 semanas de demanda por tamanho/canal.
Dados mínimos do MVP: Vendas; estoque; tamanho; SKU; loja/canal; lead time; calendário; devoluções/rupturas.

Impacto AMEM5 / 5Replicabilidade4 / 5Complexidade4 / 5Score AMEM4,05 / 5

Sugestões para experimentação no contexto AMEM. Não são resultados publicados nem garantias de desempenho.

RASTREABILIDADE

Fontes e evidências

Fonte única disponível. Este case está documentado por uma única fonte cadastrada; considere a força de evidência indicada.

Fonte principalRelatório anual

H&M Group Sustainability Disclosure 2023

H&M Group · 2024

O que a fonte sustenta: A fonte sustenta a existência/funcionamento do case “IA para grade, demanda e realocação” e, conforme aplicável, os resultados descritos: H&M relata que o conjunto de melhorias com IA contribui para redução de estoque em relação às vendas e menor produção de amostras físicas.
Tipo de evidência: Funcionamento
Confiança no claim: Média

Resultados publicados pelas próprias empresas ou por parceiros/fornecedores devem ser interpretados no escopo declarado; ausência de auditoria independente quando não indicada.

Abrir fonte