Saneamento cadastral • Reconciliação físico × sistema • Governança de estoque • AS-IS / TO-BE
Visualizar o estudo de caso · Documentação · Competências
Nota de confidencialidade: estudo de caso baseado em uma experiência profissional real. O cliente, a localidade, os registros operacionais e as evidências originais foram omitidos ou transformados. Os exemplos visuais e a base deste repositório são sintéticos. Delage RX e SIGMA são citados apenas como tecnologias presentes no contexto analisado; as observações referem-se à configuração e ao uso encontrados no projeto, não a uma avaliação geral dos produtos.
Este projeto documenta uma iniciativa de diagnóstico operacional, saneamento de dados e reconciliação de estoque em um centro de distribuição com requisitos de controle, qualidade e rastreabilidade. O trabalho conectou inventário físico, processos logísticos, regras de negócio e dados provenientes de diferentes fontes.
O escopo inicialmente estimado em aproximadamente 4 mil SKUs foi ampliado após o diagnóstico em campo e alcançou cerca de 7,8 mil SKUs. Como não havia uma única fonte automaticamente confiável, a validação combinou evidências físicas, dados cadastrais e registros do Portal de Origem, WMS Delage RX e SIGMA.
| Evidência do projeto | Síntese |
|---|---|
| Escopo real | Aproximadamente 7,8 mil SKUs |
| Expansão do escopo | Quase 2× a estimativa inicial |
| Fontes conciliadas | 4 fontes físicas e sistêmicas |
| Diagnóstico | 12 GAPs críticos agrupados em três categorias |
| Qualidade de dados | 6 dimensões avaliadas |
Demonstração conceitual reconstruída com dados fictícios. Nenhuma tela, registro ou imagem do ambiente real foi utilizada.
A operação apresentava divergências entre estoque físico e saldos sistêmicos, baixa padronização de dados mestres e dependência de validações manuais. O diagnóstico avaliou lote, validade, fabricante, unidade de medida, fornecedor, posição de estoque, integrações, disponibilidade das plataformas e comportamento do recurso nativo de IA empregado na coleta.
flowchart LR
A[Portal de Origem] --> E[Reconciliação]
B[WMS Delage RX] --> E
C[SIGMA] --> E
D[Inventário físico] --> E
E --> F[Regras de qualidade]
F --> G[Correção e revalidação]
G --> H[Governança]
| Categoria | GAPs | Síntese |
|---|---|---|
| Processos e operação física | 01 e 04 | Mistura de lotes e posições bloqueadas ou alocadas |
| Dados mestres e governança | 02, 03, 05 e 07 | Evidências fotográficas, duplicidades, padronização e dependência do cadastro |
| Tecnologia, integrações e infraestrutura | 06, 08, 09, 10, 11 e 12 | Conversões, validações, disponibilidade, IA, mudanças e segregação de ambientes |
- Mistura de lotes: formação de pallets com lotes diferentes, afetando rastreabilidade e FEFO.
- Governança de fotos: evidência genérica sem associação suficiente a lote, endereço, embalagem ou unidade.
- Sobrescrita de evidências: substituição de imagens anteriores e perda do histórico visual.
- Posições alocadas ou bloqueadas: impedimentos para movimentação e atualização do saldo físico.
- Governança cadastral: duplicidades e divergências em fabricantes, unidades e máscaras.
- Integração Portal × Delage RX: parametrizações e conversões gerando quantidades inconsistentes.
- Dependência do cadastro mestre: coletores propagando erros existentes na origem.
- Validações preventivas insuficientes: ausência de travas na entrada do processo.
- Disponibilidade das plataformas: instabilidades causando paradas e atrasos.
- Leitura de lotes por IA: divergências exigindo intervenção manual autorizada.
- Gestão de mudanças: alterações sistêmicas sem comunicação prévia suficiente.
- Segregação de ambientes: inconsistência de direcionamento entre homologação e produção.
O efeito combinado produzia retrabalho, perda de produtividade, divergências físico × sistema e risco de rastreabilidade. O detalhamento está em Diagnóstico de qualidade dos dados.
- Completude: presença dos atributos necessários para identificar e movimentar o item.
- Consistência: compatibilidade entre sistemas e realidade física.
- Unicidade: prevenção de duplicidades de item, fornecedor e cadastro.
- Validade: aderência de datas, lotes e regras de shelf life.
- Acurácia: correspondência entre quantidade, embalagem, unidade e posição.
- Rastreabilidade: capacidade de reconstruir origem, tratamento e movimentação.
| Etapa | Atuação | Evidência gerada |
|---|---|---|
| Descoberta | Acompanhamento em campo, entrevistas e observação dos fluxos | Mapa do cenário AS-IS |
| Inventário | Conferência física e identificação dos atributos críticos | Base de divergências |
| Reconciliação | Comparação entre fontes e classificação das inconsistências | Matriz físico × sistema |
| Saneamento | Padronização, correção e revalidação dos registros | Dados tratados e regras de validação |
| Redesenho | Definição de controles, responsabilidades e fluxo futuro | Cenário TO-BE e backlog |
| Governança | Indicadores, procedimentos e acompanhamento de reincidências | Modelo de melhoria contínua |
O cenário futuro migra de ajustes reativos para um modelo baseado em prevenção na origem, governança de dados, supervisão humana e rastreabilidade ponta a ponta.
flowchart TD
A[Recebimento físico e lógico] --> B[Validar cadastro, lote, validade e unidade]
B --> C{Dados e evidências consistentes?}
C -- Sim --> D[Coleta e execução no WMS]
D --> E{Leitura de IA aderente?}
E -- Sim --> F[Sincronização monitorada entre sistemas]
E -- Não --> G[Confirmação humana]
G --> F
F --> H{Físico e sistemas aderentes?}
H -- Sim --> I[Estoque governado e rastreável]
H -- Não --> J[Registrar e classificar a exceção]
J --> K[Tratar causa raiz e revalidar]
K --> F
I --> L[Indicadores e melhoria contínua]
- Dados mestres: dicionário de atributos, unicidade, conversões e aprovação cadastral.
- Operação física: segregação de lotes, endereçamento válido e aplicação de FEFO.
- Sistemas e evidências: histórico fotográfico, regras de precedência e reconciliação.
- IA e coleta digital: supervisão humana, registro de divergências e telemetria funcional.
- Infraestrutura e mudanças: segregação de ambientes, change management e contingência.
No diagnóstico, as respostas do recurso nativo de IA foram comparadas às evidências físicas. O TO-BE recomenda registrar sistematicamente as divergências de leitura, incluindo categoria, resultado apresentado, resultado confirmado, intervenção e data da ocorrência.
Taxa de falha da IA = (leituras divergentes ÷ leituras validadas) × 100
Quando houver baixa confiança, conflito com a evidência física ou reincidência de um padrão, a ocorrência deve seguir para confirmação humana antes da atualização definitiva dos sistemas. Essa abordagem de Human-in-the-Loop reduz o risco de propagação silenciosa de inconsistências e gera evidências para monitoramento, ajuste de parâmetros e evolução do recurso.
- escopo real de aproximadamente 7,8 mil SKUs;
- volume próximo do dobro da estimativa inicial de aproximadamente 4 mil SKUs;
- conciliação de quatro fontes: Portal de Origem, Delage RX, SIGMA e inventário físico;
- identificação e estruturação de 12 GAPs críticos.
- diagnóstico sistêmico e operacional baseado em evidências;
- mapeamento AS-IS/TO-BE dos fluxos críticos do centro de distribuição;
- classificação de causas e riscos relacionados às divergências;
- regras para validação de lote, validade, fabricante, unidade, fornecedor e posição;
- avaliação operacional do recurso nativo de IA utilizado na coleta;
- relatórios comparativos entre estoque físico e sistemas;
- procedimentos, recomendações de governança e direcionamento para indicadores;
- alinhamento entre operação, área técnica e responsáveis pelo processo.
- matriz de riscos e plano de ação 5W2H;
- prevenção de inconsistências na origem;
- gestão estruturada de exceções e evidências;
- revalidação obrigatória após o saneamento;
- telemetria funcional e supervisão humana sobre a IA;
- medição de reincidência e melhoria contínua.
O case não atribui percentuais de acurácia ou melhoria sem linha de base, fórmula documentada e medição formal comparável. Benefícios do TO-BE são apresentados como resultados esperados, não como ganhos já realizados.
| Indicador | Fórmula sugerida | Objetivo |
|---|---|---|
| Acurácia de estoque | (SKUs sem divergência ÷ SKUs inventariados) × 100 | Medir aderência físico × sistema |
| Completude cadastral | (Registros completos ÷ registros avaliados) × 100 | Acompanhar atributos obrigatórios |
| Divergências por categoria | (Total por causa ÷ total de divergências) × 100 | Priorizar causas raízes |
| Taxa de reincidência | (Ocorrências repetidas ÷ ocorrências tratadas) × 100 | Avaliar eficácia da correção |
| Tempo de tratamento | Data de conclusão − data de identificação | Medir eficiência do saneamento |
| Falha de leitura/IA | (Leituras divergentes ÷ leituras validadas) × 100 | Monitorar confiabilidade funcional |
| Itens sem posição válida | (SKUs sem endereço ÷ SKUs inventariados) × 100 | Melhorar endereçamento e produtividade |
A versão mobile percorre os blocos em recortes próprios para preservar a legibilidade. Abrir o flowchart completo em alta resolução.
Business Analysis Data Quality Data Governance Data Cleansing Data Validation Data Reconciliation Master Data BPMN AS-IS / TO-BE Supply Chain WMS Root Cause Analysis Human-in-the-Loop Lean Six Sigma Gestão de Stakeholders
- Contexto e desafio
- Metodologia e execução
- Diagnóstico de qualidade dos dados e 12 GAPs
- Processos AS-IS e arquitetura TO-BE
- Indicadores, resultados e critérios de evidência
- Governança, riscos, IA e aprendizados
- Guia de publicação no GitHub Pages
O arquivo data/amostra_inventario_sintetica.csv contém registros fictícios criados exclusivamente para demonstrar as regras de qualidade descritas neste case. Ele não deriva de exportações, capturas ou dados do ambiente real.
Laís Carolline Pinto Moreira
Business Analyst | Data, Systems & Process Analyst
LinkedIn · Portfólio no GitHub