Depoimentos de gestores e equipes técnicas que trabalham com os modelos da Nexora AI no dia a dia.
Contratamos a Nexora AI para prever a demanda de hortifruti nas nossas 28 lojas. O modelo acertou 89% das variações semanais no primeiro trimestre. Reduzimos o desperdício em 22% e liberamos R$ 1,2 milhão que estava parado em estoque. A equipe deles participou de reuniões com os gerentes de loja para ajustar o modelo à realidade de cada unidade.
Precisávamos automatizar a triagem de pedidos que chegavam por e-mail, PDF e WhatsApp. A Nexora AI construiu um classificador que lê o documento, extrai os dados relevantes e alimenta nosso ERP. O tempo de processamento caiu de 45 minutos por lote para 8 minutos. Minha equipe agora foca em atendimento ao cliente em vez de copiar dados de um sistema para outro.
O sistema de visão computacional que instalaram na nossa linha de produção detecta trincas de 0,3 mm em peças metálicas. Antes, dependíamos de inspeção visual humana, que é boa mas cansa. Depois do turno da noite, a taxa de defeitos que passavam despercebidos era alta. Agora o modelo roda 24 horas e a taxa de falsos negativos está em 1,8%.
Participei do programa de mentoria de 12 semanas. Sou analista de dados numa empresa de saúde e queria aprender a colocar modelos em produção, não só treinar no Jupyter. O programa cobriu MLflow, deploy em Docker e monitoramento de drift. Saí com um modelo de previsão de readmissão hospitalar rodando no ambiente de homologação do hospital.
Contratamos a consultoria diagnóstica porque não sabíamos por onde começar. Em duas semanas, recebemos um relatório com três cenários de aplicação de IA, cada um com estimativa de ROI e cronograma. Escolhemos o cenário de automação de atendimento e o MVP ficou pronto em cinco semanas. O relatório sozinho já valeu o investimento porque evitou que gastássemos dinheiro num projeto de visão computacional que não fazia sentido para o nosso caso.
Trabalho com a Nexora AI há dois anos. Já passamos por três ciclos de retreinamento do modelo de previsão de inadimplência. O que me impressiona é a transparência: eles mostram exatamente onde o modelo erra e propõem ajustes com dados concretos. A acurácia atual está em 91% e o modelo nos poupa cerca de R$ 180 mil por mês em créditos que teriam virado prejuízo.
Como a análise preditiva transformou a gestão de estoque de uma rede de supermercados paranaense.
A Rede SuperBom operava 28 lojas no Paraná e enfrentava um dilema recorrente: excesso de estoque em alguns produtos perecíveis e falta em outros. O desperdício de hortifruti chegava a 14% do volume comprado. As previsões eram feitas manualmente por gerentes de loja, com base em experiência pessoal e planilhas simples.
Coletamos 18 meses de dados de vendas, clima, calendário de feriados e promoções. Treinamos um modelo de gradient boosting que gera previsões semanais por SKU e por loja. O modelo considera sazonalidade, efeito de chuva na demanda de saladas e o impacto de promoções em lojas vizinhas.
Integramos as previsões diretamente ao sistema de compras da rede via API. O comprador recebe uma sugestão de pedido toda segunda-feira e pode ajustar antes de confirmar. Implantamos o sistema piloto em 6 lojas e, após dois meses de validação, expandimos para toda a rede.
Conte o seu problema e vamos avaliar juntos se a inteligência artificial é a ferramenta certa. Sem compromisso na primeira conversa.
Falar com a equipe