Você está na página 1de 97

UNIVERSIDADE PRESBITERIANA MACKENZIE CURSO DE PS-GRADUAO Tecnologia da Informao

DANIEL MONTEIRO VAZ

A Inteligncia Analtica na Gesto Eficiente de Promoes: uma Abordagem Prtica e Conceitual.

So Paulo 2008

DANIEL MONTEIRO VAZ

A Inteligncia Analtica na Gesto Eficiente de Promoes: uma Abordagem Prtica e Conceitual.

Monografia apresentada ao Curso de Tecnologia da Informao - Anlise de Sistemas da Universidade Presbiteriana Mackenzie. rea de concentrao: Anlise de Sistemas

Orientadora: Profa. Dra. lida Jacomini Nunes

So Paulo 2

2008

DEDICATRIA

Daniela, minha esposa, pelo incentivo e compreenso. Aos meus pais, pelo ensinamento dos valores que me permitiram a realizao deste trabalho.

RESUMO

O setor de varejo de alimentos no Brasil sofreu profundas mudanas aps a implementao do Plano Real, em Julho de 1994. A nivelao dos preos e o fim dos ganhos com especulao financeira obrigaram as companhias a melhorarem suas habilidades gerenciais para compensarem a perda financeira e melhorarem processos para se tornarem mais competitivas. Neste cenrio, a Tecnologia da Informao (TI) tem sido utilizada na automao de processos, proporcionando uma melhor gesto dos negcios atravs da reduo de custos dentro da cadeia de suprimentos. A promoo passou a ser utilizada mais freqentemente no s como principal estratgia para atrao de novos consumidores, mas tambm com a finalidade de aumentar as receitas atravs da locao de espaos em gndolas. O objetivo deste estudo analisar o processo de promoo dentro de uma companhia de varejo, concebendo um modelo para previso de demanda utilizando anlise de dados. Este modelo ser elaborado baseado nos conceitos e definies sobre Inteligncia Analtica e Data Mining apresentado por alguns autores. Para satisfazer o objetivo proposto, uma pesquisa de campo foi realizada dentro de uma empresa de supermercados, com lojas distribudas em partes do territrio nacional, buscandose conhecer processos especficos e conceitos sobre atividades do varejo.

Palavras-Chaves: Inteligncia Analitica, Previso de Demanda, Promoo

ABSTRACT

The retail sector in Brazil had suffered deep changes after Real plans implantation, in July 1994. The prices nivelation and the end of the profits with financial speculation forced companies to improve their management skills for compensating losses with financial profitability and improving process to become more competitive. In this scenario, the Technology of the Information (I.T.) had been used for process automation, improving business management through operational costs reduces inside the supply chain. The promotion had been used more frequently, not only as main strategy for new consumers attraction, but also to increase profits through spaces location. This study has the objective to analyze the promocional process inside a retail company, concepting a model for retail demad forecasting using data analysis. This model will be elaborated based on concepts and definitions about Analytical Intelligence and Data Mining presented by some authors. To satisfy the proposed objective, a field research was made in a supermarket company, with stores distributed in some parts of the country, searching to know specific processes and concepts about retail activities.

Keywords: Analitical Intelligence, Demand Forecasting, Promotion.

LISTA DE FIGURAS
Fig. 1 Transformando Dados em Informao..........................................................24 Fig. 2 Viso da Empresa por Camadas de Informao Fonte: Laudon e Laudon (2001)..................................................................................25 Fig. 3 Arquitetura de um Sistema BI Fonte: BARBIERI, 2001..............................................................................................27 Fig. 4 Exemplo Arquitetura Star Schema Fonte: ORACLE...........................................................................................................29 Fig. 5 Representao Grfica do OLAP...................................................................31 Fig. 6 Anlise % da ruptura por Regio / Loja.........................................................33 Fig. 7 Agrupamento do % da ruptura por Regio....................................................34 Fig. 8 Viso detalhamento do produto / loja.............................................................34 Fig. 9 Software Modelo Rede Neural para Previso de Valores.............................41 Fig. 10 Clculo Composio Preo de Venda ........................................................47 Fig. 11 Demonstrativo Composio Preo de Venda .............................................47 Fig. 12 Exemplo tabela Classificao Mercadolgica..............................................49 Fig. 13 Exemplo Anlise Participao Famlias ......................................................50 Fig. 14 Exemplo Ao Cross Merchandising Fonte: www.editionsduboisbaudry.fr...........................................................................52 Fig. 15 Exemplo Alocao de Espao Promocional................................................53 Fig. 16 Exemplo Lmina Promocional.....................................................................53 Fig. 17 Registro vendas com variao Preo / Demanda ......................................54 Fig. 18 Aplicao clculo Elasticidade / Demanda .................................................55 Fig. 19 Sumarizao Desvio nas quantidades .....................................................57 Fig. 20 Minerao dados histrico de venda bombom Garoto ...............................58 Fig. 21 Anlise Elasticidade X Preo Mdio X Demanda Mdia ............................59 Fig. 22 Anlise de reposio da Demanda .............................................................63 Fig. 23 Integrao do Processo Promocional..........................................................67 Fig. 24 Demonstrao Tela de Incluso de Eventos...............................................71 Fig. 25 Seleo do evento e carregamento da planilha de produtos......................71 Fig. 26 Exemplo Estrutura para Armazenamento de Eventos.................................72 Fig. 27 Demonstrao Tabela Registro Histrico de Vendas..................................73 Fig. 28 Exemplo estrutura para Armazenamento Dados Venda por Eventos.........74 Fig. 29 Stored Procedure responsvel pela sumarizao Preo X Demanda........75 Fig. 30 Fluxo Processo Minerao e Transformao dos dados de Demanda.......76 Fig. 31 Estrutura da Tabela B_PROD_COMPLEMENTO com os dados completamente carregados.........................................................................................77 Fig. 32 Modelo para Previso de Vendas................................................................82 Fig. 33 Abordagens de previso de vendas com uso de dados individuais e modelagem de sries temporais.................................................................................82 Fig. 34 Abordagens de previso de vendas com utilizando RNAs..........................83

LISTA DE TABELAS
Tabela 1 Sumarizao dados coletados amostra....................................................15 Tabela 2 Relao dos eventos disparados pelas Stored Procedures....................78 Tabela 3 Anlise alavancagem tipo de evento........................................................79 Tabela 4 Comparativo da Demanda Prevista X Realizada.....................................80

LISTA DE SIGLAS
%REP BI CD CM DM DW EAN ECF ECR Ed EDI EP Percentual de Reposio Business Intelligence - Inteligncia nos Negcios Centro de Distribuio Classificao Mercadolgica Data Mining - Minerao de Dados Data Warehouse European Article Numbering - Numerao Europeu de Artigos Emissor de Cupom Fiscal Efficient Consumer Response - Resposta Eficiente ao Consumidor Elasticidade Preo da Demanda Eletronic Data Interchante - Transferncia Eletrnica de Dados Estoque Padro (ou Estoque Objetivo) Extract, Transformation and Load Extrao, Transformao e ETL Preparao GCP Gesto Central de Promoes IA Inteligncia Analtica IC Inteligncia Competitiva KPI Key Performance Indicators - Indicadores chave de performance MB Margem Bruta MC Margem Cadastrada NC Necessidade de Compra ODS Operation Data Store - Operao de Armazenamento de dados OLAP On-line Analytical Processing Processamento Analtico Online PC Pedido de Compra PDV Ponto de Venda PR Ponto de Reposio PV Preo de Venda RFID Radio-frequency identification - Identificao por Radio-Frequncia RNA Redes Neurais Artificiais SAD Sistemas Apoio Deciso SCM Supply Chain Management - Gerenciador da Cadeia de Suprimentos SGBDR Sistemas de Gerenciamento de Banco de Dados Relacionais SI Sistemas de Informao SIG Sistema de Informao Gerencial SPT Sistemas de Processamento Transacional VM Venda Mdia (ou Demanda Mdia) VMI Vendor Managed Inventory - Estoque Gerenciado pelo Fornecedor

SUMRIO

12

CAPTULO 1: INTRODUO

O comrcio varejista sofreu profundas transformaes no Brasil a partir de 1995, quando as redes de supermercados passaram a enfrentar uma acirrada competitividade no setor. Esta concorrncia ocorreu, em primeiro lugar, em funo da entrada de novos grupos e investimentos estrangeiros no pas, motivados pela estabilizao econmica favorecida pelo Plano Real, e tambm pelo surgimento de um consumidor com maior poder de compra e hbitos de consumo diferenciado. Como conseqncia, empresas de auto-servio, em particular as grandes redes de supermercados, reforaram investimentos em Tecnologia da Informao (TI) buscando oferecer maior comodidade ao consumidor e auxiliando os gestores a buscar ganhos na gesto de produtos. Neste aspecto, destaca-se a importncia da identificao universal atravs do cdigo de barras (EAN-13), contribuindo para o incio da automao comercial, e, posteriormente, sua utilizao para integrao logstica entre Fornecedores, Supermercados e Centros de Distribuio. Desde ento, o setor vem se reinventando, beneficiando-se das informaes em seus repositrios de dados para compreender o comportamento do seu consumidor, projetar padres de tendncias e, desta forma, elaborar estratgias de negcio mais ousadas. O conceito Business Intelligence (BI), popularizado por Howard Dresner em 1989, permitiu o compartilhamento das informaes de diversos sistemas legados, agrupados e armazenados em estruturas especiais conhecidas como Data Warehouses (DW), sendo aos poucos incorporados no varejo, onde a anlise incansvel dos dados visava buscar potenciais de ganhos dentro da cadeia de suprimento. No presente estudo observar-se- como as empresas de varejo esto utilizando tecnologias baseadas em Inteligncia Analtica para estudar informaes

13

armazenadas em DWs na simulao de cenrios. Para isso, faz-se necessrio conceituar BI e Inteligncia Analtica, demonstrando sua aplicao prtica utilizando um processo de planejamento de demanda promocional em uma rede de supermercados. Observa-se a utilizao constante da promoo como um dos principais meios para os supermercados alavancarem suas vendas e fidelizarem seus clientes. Uma pesquisa realizada pela LatinPanel para a ABRASNET, em Maro de 2006, aponta que 23% das famlias faz suas compras com base nos produtos das promoes. Justifica-se tratar da questo da promoo neste estudo porque ela est associada diretamente imagem dos supermercados, e conforme ser observado no detalhamento deste processo, percebe-se que uma promoo no planejada criteriosamente pode surtir um efeito contrrio. Caso a demanda no seja estimada de maneira correta, o supermercadista corre o risco de ficar sem o produto durante a promoo, e com isto desapontar seus clientes. Por outro lado, a sobra de estoque dos itens que foram comprados em excesso compromete o capital de giro e causam impactos diretos nas perdas. A projeo de venda baseada em regras intuitivas dos negociadores, e no so realizados estudos complementares que comprovem se a promoo compensa ou no a eventual reduo das margens. Diante do problema exposto, sugere-se o desenvolvimento de um modelo de Inteligncia Analtica como forma de automao do processo de compras de produtos promocionais, permitindo a projeo da demanda de acordo com o preo ou margem de lucro a ser praticado. Com isso, pretende-se criar um modelo que possa ser aplicvel no somente ao setor varejista, mas em reas cujas caractersticas se assemelhem. O presente estudo se justifica por demonstrar conceitos de Business Intelligence e Inteligncia Analtica, e sua aplicao prtica na otimizao e reduo de custos operacionais em um processo j existente. Neste caso, estuda-se particularmente o emprego da Inteligncia Analtica para melhorar o processo de compras, baseado em equaes matemticas e anlise de um comportamento histrico de vendas, garantindo o abastecimento do produto durante a promoo com o menor nvel de estoque. Para a aplicao prtica destes conceitos, escolheu-se o abastecimento

14

das promoes por se tratar de uma atividade foco para o varejo de alimentos, e por estar associada diretamente competitividade das empresas do setor. O presente estudo tem como objetivo analisar, em primeiro momento, como as mudanas polticas ocorridas em 1995 contriburam para a reestruturao do setor, onde a forte competitividade obrigou as empresas a diversificar seus servios e aprimorar tcnicas de gesto para reduzir custos operacionais. Neste ponto, abordase a importncia da T.I., em particular na automao comercial, trazendo benefcios tanto para o consumidor quanto para os gestores do negcio. Esta anlise se faz necessria para que se possa compreender que: primeiro: as promoes so indispensveis no processo de competitividade, exigindo um pr-planejamento criterioso, e segundo: demonstrar o aprimoramento deste processo atravs do uso de novas tecnologias. Aps a compreenso dos conceitos, sero identificadas as premissas bsicas para elaborao de um modelo de previso de demanda, utilizando dados provenientes do registro das vendas de itens promocionais armazenados em um repositrio de dados. Quanto aos objetivos especficos, busca-se: Apresentar conceitos e exemplos de ferramentas utilizadas

especificamente no tratamento e garimpo de grandes volumes de dados; Abordar o processo de abastecimento promocional dentro da cadeia logstica, apresentando as tecnologias atualmente empregadas; Elaborar as teorias e memrias de clculo necessrias a serem aplicadas no modelo de Inteligncia Analtica de projeo de demanda; Compor uma base de estudo, atravs da extrao de dados transacionais de uma base histrica de vendas real, analisando o comportamento de um grupo de 6.163 itens; Projetar o comportamento de venda destes itens, considerando a margem de lucro a ser empregada e o tipo de anncio; Propor a elaborao de uma ferramenta para tratamento da gesto promocional dentro de uma cadeia de suprimentos. Os conceitos, assim como a pesquisa histrica do texto, foram realizados com base em referncias bibliogrficas extradas de fontes primrias e secundrias, de autores

15

nacionais, internacionais e tambm de publicaes especializadas do setor. Informaes complementares e estatsticas foram extradas de associaes de supermercados, representada pela ABRAS e a APAS. Informaes tcnicas relacionadas T.I. e sua aplicao no ramo varejista foram extradas de entidades como o grupo GSI BRASIL (antiga EAN BRASIL, responsvel pela implantao do padro EAN) e ECR BRASIL. Quanto ao estudo de caso, foi realizada uma pesquisa utilizando-se uma base de dados extrada da filial de um grande grupo varejista, com mais de 100 pontos de venda espalhados em territrio nacional. Foi desenvolvida uma estrutura TI que permitisse a aplicao dos conceitos de Inteligncia Analtica que sero abordados no decorrer deste estudo. Os processos de ressuprimento, precificao e gesto das promoes foram realizados atravs de observaes in loco em procedimentos atuais adotados pela rede de supermercados. Os dados apresentados neste estudo foram extrados de uma base real de uma das filiais do grupo. Foram coletados dados relativos s vendas do perodo de Janeiro de 2008 a Julho de 2008, totalizando 07 meses. Posteriormente, foram identificados e catalogados todos os eventos promocionais deste perodo, permitindo conhecer os impactos causados por uma promoo sobre o preo e demanda, influenciando o comportamento das vendas de um produto. A tabela 1 indica informaes especficas da amostragem recolhida.
Nmero de Registros de Venda Quantidade de Itens Nmero Registros Venda Promocional Quantidade de Itens Promocionais

1.175.286

17.044

129.683

11,03%

6.163

36,16%

Tabela 1 Sumarizao dados coletados amostra

Existem alguns aspectos que devem ser considerados quanto aplicao prtica do modelo de Inteligncia Analtica que aqui ser abordado. Primeiramente, parte do sucesso de qualquer modelo BI provm do grau da qualidade e integrao de dados corporativos; O sistema funcionar de forma ineficaz caso a aplicao dos algoritmos propostos ocorra sobre uma base com dados de baixa qualidade. Em segundo lugar, nunca ser descartada a interveno humana, e esta se far sempre quando necessria, principalmente na especificao de regras ou parmetros de fatos que possam influenciar o comportamento das projees (por exemplo,

16

sazonalidades de venda de determinados produtos, abertura de novos concorrentes, etc). Outro aspecto, de natureza prtica, est relacionado aos problemas logsticos e distribuio tanto do fornecedor quanto do varejista. Neste caso, problemas tcnicos relacionados ao nvel de servio de ressuprimento (ineficincia nas entregas, atrasos ou problemas de produo) podem comprometer a eficcia do modelo analtico. No estaremos considerando tais fatores logsticos neste estudo, por se tratar de um tema que merea ateno parte, e partiremos da pressuposio de uma reposio linear e perfeita dos produtos. Entretanto, falhas de entregas ou nvel de servio do fornecedor podem ser incorporados ao clculo, para projeo futura de estoque de segurana. O ltimo ponto a ser considerado que na maioria das vezes a compra de produtos promocionais vem atrelada a um volume extra de compra, uma prtica comum no varejo denominado BONIFICAO. A bonificao acertada mediante a negociao entre o fornecedor e o varejista, podendo ser concedida em mercadoria ou abatimento de preo, permitindo ao varejista vender o produto por um preo abaixo do normal sem causar danos em sua margem de lucro. Nas negociaes de itens promocionais, quanto maior for o volume de compra negociado, maior ser o valor da bonificao concedida pelo fornecedor. Para atingir os objetivos propostos, ser necessrio dividir este estudo em seis captulos. Na introduo, contextualizado o tema do estudo e feita a exposio do problema, da hiptese, justificativa, objetivos e metodologia, alm da apresentao da estrutura do trabalho. O Captulo 2, intitulado Concorrncia e Informatizao do Varejo no Brasil, traa um panorama dos acontecimentos polticos e econmicos ocorridos na dcada de 1990 que obrigaram os supermercados a mudar de postura no s para atender um consumidor mais exigente, mas tambm melhorar processos de gesto, com a finalidade de reduzir custos operacionais. importante conhecer a histria do varejo no Brasil por dois motivos: Demonstrar a importncia da TI como mecanismo fundamental para automao e gesto eficiente, e por destacar a importncia do Plano Real como ponto de partida para o movimento de grande competitividade no

17

setor, que perdura at os dias atuais. Em relao a sistemas, destaca-se a importncia da implantao do padro EAN de identificao de mercadorias permitindo a integrao da cadeia logstica com fornecedores, e o surgimento de sistemas orientados deciso estratgica. O Captulo 3, intitulado Utilizao De Sistemas Estratgicos X Sistemas Analticos, apresenta um breve relato histrico sobre evoluo dos sistemas corporativos e sua atual importncia para elaborao de estratgias. Conceitua-se tambm o nvel da informao por camadas dentro da empresa (camadas de informao) e apresenta a arquitetura do modelo Business Intelligence. introduzido o conceito de Inteligncia Analtica (IA), e sinalizado cases de sua utilizao para otimizao de custos e eficincia na cadeia de distribuio das grandes corporaes, baseando-se em projees e estimativas de demanda futura. O captulo 4, intitulado Gesto de Preos No Varejo aborda a atividade do varejo em si, e detalha a importncia da promoo como principal ferramenta utilizada pelos supermercados para atrao de consumidores em um ambiente de forte competitividade. Conceitua-se o modelo de gesto de preos, apresentando composio de preo de venda, mark-up e custo. Conceitua-se a classificao mercadolgica e sua utilizao na gesto de produtos. Estes pressupostos serviro como base para compreenso da atividade promocional em si, tais como anlises sobre impactos no mix de produtos e conceitos de elasticidade-preo da demanda e sensibilidade de produtos; a compreenso destes conceitos fundamental para elaborao das variveis de um modelo de previso de demanda. O captulo 5, intitulado Gesto de Abastecimento No Varejo demonstra conceitos utilizados no varejo para reposio automtica de mercadorias e clculos utilizados para ressuprimento automtico. A finalidade de se conhecer este processo de analisar a sua eficcia sobre o abastecimento dos produtos que fazem parte de uma promoo. Por fim, no captulo 6, intitulado Modelo de Previso Promocional apresentado a estrutura do prottipo desenvolvido com base nos referenciais tericos demonstrados nos captulos anteriores.

18

CAPTULO 2: INFORMATIZAO DO VAREJO NO BRASIL

Pode-se concluir que o grande impulso para a revoluo do setor varejista ocorrida no Brasil deve-se reforma monetria imposta pelo Plano Real, lanado em Julho de 1994 pelo governo Itamar Franco. O Plano Real permitiu a estabilizao da economia, quebrando quase um quarto de sculo de inflao elevada, e o consumidor brasileiro, acostumado a uma taxa mdia de inflao em torno de 50% ao ms, subitamente viu-se diante de taxas de 1,7% nos primeiros seis meses de 1995. Em tempos de inflao alta, o consumidor via-se obrigado a fazer grandes volumes de compra uma nica vez durante o ms para evitar a desvalorizao salarial. A estabilizao da economia permitiu ao consumidor comprar mais vezes ao longo do ms, garantindo-lhe um tempo maior para pesquisar preos e servios. Se por um lado o aumento do poder de compra contribua positivamente para o crescimento da economia brasileira, por outro trazia uma mudana radical nos hbitos de consumo, visto que o consumidor se tornara mais exigente e passava a valorizar aspectos relacionados qualidade ou convenincia dos servios, atendimento e conforto. Alm do mais, o consumidor estava se conscientizando sobre seus direitos, garantidos pelo Cdigo do Consumidor. Diante deste novo cenrio, o varejo teve que se readaptar para atender os diferentes perfis e hbitos de consumo, buscando melhorias em seu negcio visando manter a fidelidade do cliente. Exemplos de melhorias realizados nas lojas de supermercados: limpeza e organizao da loja, empacotador, etiqueta de preos nos produtos, folhetos de ofertas e promoes, entrega a domiclio, estacionamento, horrios especiais, entre

19

outros. A adequao do sortimento de mercadorias e ajuste da poltica de preos de acordo com os preos praticados pelos concorrentes mais prximos tornou-se essencial, em funo do preo ser o diferencial que pesava mais no momento de deciso do consumidor. Paralelamente, intensificou-se a entrada de grandes grupos e capital estrangeiro no pas, que viam no cenrio de estabilizao o ambiente ideal para expanso de seus negcios. Como exemplo, pode-se citar a entrada da rede norte-americana WalMart, em 1995, o grupo holands Royal Ahold, em 1996, grupo portugus Jernimo Martins, em 1997, e o grupo francs Casino, em 1999 (CARVALHO, 2006, p.24). Os grupos estrangeiros j instalados no Brasil, como o grupo francs Carrefour (1975) e a rede portuguesa Sonae (1989), receberam investimento de seus pases de origem para expandirem suas operaes dentro do Brasil, motivados pelo potencial do crescimento da economia. O investimento estrangeiro trouxe consigo um imperativo tecnolgico e de profissionalizao, atravs de prticas modernas de gesto empresarial, alm de inovao, qualidade e estrutura enxuta (CARVALHO, apud CARVALHO et. al., 2005). Convm destacar que as empresas brasileiras de varejo, nas pocas de inflao alta, tinham se habituado ao ganho fcil do lucro oriundo das aplicaes financeiras obtidas com as receitas de vendas vista. Esta operao consistia em comprar a mercadoria a prazo do fornecedor, vender vista para o consumidor e aplicar o montante em operaes financeiras. As aplicaes financeiras rendiam dividendos de um dia para outro, e muitas vezes estes ganhos representavam mais que a operao do varejo em si, o que contribua para o encobrimento de vrias falhas operacionais. Com o fim da inflao, estas empresas se viram obrigadas a implantar polticas de reestruturao e reduzir seus custos ao mximo para suprir a carncia das receitas financeiras. As empresas que no puderam se adaptar a esta nova realidade tiveram que encerrar suas atividades, a exemplo das redes Mesbla, Mappin e a G. Aronson, grandes grupos varejistas que no conseguiram estabelecer um plano de gesto eficiente. A busca pela excelncia em prestao de servios ao consumidor e a necessidade de reduo de custos atravs da agilidade e eficincia operacional foram os principais propulsores do processo de informatizao no varejo. Este processo j

20

tinha se iniciado no final da dcada de 1980, onde os S.I (Sistemas de Informao) eram empregados tanto na automatizao de rotinas contbeis, recursos humanos e financeiras, como tambm em operao com produtos (compra e estocagem). A introduo do conceito de identificao de mercadoria atravs de uma numerao nica e universal se tornou possvel atravs do EAN1. O padro EAN-13 permitia a identificao do produto, independente do pas onde este tenha sido produzido, atravs de uma representao grfica em forma de barras. O cdigo de barras impresso na embalagem era lido por um scanner tico e traduzido em dados numricos. O EAN-13 foi introduzido no Brasil oficialmente em Maio de 1985, proporcionando o incio da automao comercial, embora sua adoo ocorresse de maneira lenta tanto por parte da indstria quanto do varejo. A utilizao de identificao automtica iniciava uma nova fase no setor, quando programas e equipamentos foram desenvolvidos para automatizar as atividades de frente de loja. Nesta poca surgiram os primeiros PDVs2 que utilizavam a leitura de cdigos e emissores de Cupom Fiscal (ECF) para registro rpido de mercadorias, diminuindo o tempo de permanncia do consumidor nas filas. Outros perifricos de apoio foram lanados simultaneamente, como Balanas Eletrnicas, Impressoras Trmicas de Etiquetas (utilizadas para sinalizao de preos em gndolas) e Terminais de Consulta de Preos. O resgate do registro de venda dos PDVs era efetuado a partir do comando de encerramento no prprio caixa, que por sua vez enviava para os sistemas de retaguarda. Se por um lado a TI proporcionava rapidez e agilidade no atendimento ao consumidor, por outro fornecia dados essenciais para otimizao da gesto de produtos. Desta forma, informaes sobre desempenho de vendas, preo e margem por produto extradas do registro de vendas permitia aos gestores de categoria um maior conhecimento sobre circulao de seus produtos e potenciais de ganhos dentro do mix3. Alm do mais, a identificao pelo EAN permitiu a integrao da cadeia logstica entre o supermercado, o fornecedor e os centros de distribuio, servindo como base para novas tecnologias SCM4, ECR5 e EDI6.
1 2

European Article Numbering Ponto de Venda 3 Mix Sortimento de produtos 4 Supply Chain Management Gerenciamento da Cadeia de Suprimentos 5 Efficient Consumer Response Resposta Eficiente ao Consumidor 6 Eletronic Data Interchange Transferncia Eletrnica de Dados

21

Atualmente, o que se observa no setor o constante emprego de tecnologias cujo foco principal a produtividade com reduo de mo de obra. Entre as novas solues de negcio propostas pelos fabricantes de TI, destaca-se o uso da Etiquetas Eletrnica nas Gndolas, o Self-Checkout (Cliente registra suas compras sem o auxlio de um operador), a tecnologia Wireless (Sem Fio) empregada para comunicao entre equipamentos e Identificao do produto por Radiofreqncia (RFID), um mecanismo de identificao remota que permitir o rastreamento total de um produto, desde a indstria, at o consumidor. Embora agregue grandes benefcios ao negcio, estas tecnologias existentes ainda no so utilizadas no mercado por ainda apresentarem um alto custo de implantao. (SUPERHIPER, 2008). No quesito estratgico, sistemas de TI foram desenvolvidos especificamente para executivos avaliarem o desempenho do negcio atravs de indicadores-chaves de performance (KPI - Key Performance Indicators) e para tomarem decises com maior preciso. Neste aspecto, a evoluo da tecnologia viabilizou a segregao de grandes volumes de dados em estruturas especiais, contribuindo para a integrao de dados corporativos, para posteriormente serem analisadas e exploradas pelos analistas de negcio. Dentre os vrios benefcios trazidos por estas tecnologias, destaca-se a simulao de cenrios, permitindo a empresa planejar suas aes antes da concorrncia. A utilizao da informao estratgica com base em dados coletados de sistemas legados dentro de uma organizao uma prtica que remonta desde a dcada de 70, quando foram desenvolvidas as primeiras solues tecnolgicas voltadas aos analistas de negcio. Estes programas forneciam informaes consolidadas e de fcil acesso para apoiar a tomada de deciso, porm exigiam programao intensa e no disponibilizavam informaes em tempo hbil. Alm disso, apresentavam altos custos de implantao. Com o advento dos bancos de dados relacionais, dos PCs e das interfaces grficas como o Windows, comearam a surgir os primeiros produtos realmente direcionados aos analistas de negcios, possibilitando rapidez e maior flexibilidade de anlise (SERRA, 2002). A gesto eficiente das informaes sempre foi considerada um dos maiores desafios enfrentados pelas empresas. A falta de integrao de vrios sistemas aplicativos

22

existentes impedia que as informaes conquistadas nos ltimos anos fossem utilizadas de maneira inteligente. As empresas que utilizarem a tecnologia da informao de forma ineficiente para entender as necessidades de seus clientes sero ultrapassadas em desempenho, vendas e produtividade, podendo inclusive encerrar suas atividades em poucos anos (SINGN,2001).
Comandar a empresa por meio de computadores em vez de papis no somente uma questo de modernidade, mas principalmente de agilidade e preciso. Em funo da complexidade das operaes e da competio no mercado, as empresas esto sendo obrigadas a dinamizar seu processo de deciso (FURLAN, 1997).

Desta forma, o isolamento e armazenamento dos dados-chaves podem ser utilizados com bastante eficincia no sentido de se traar um plano de ao estratgico, possibilitando uma viso abrangente e unificada do negcio, ilustrando seu comportamento histrico e apontando referncias para o futuro. Embora as ferramentas BI tenham contribudo para a unificao e agrupamento rpido da informao, o que se observa atualmente no varejo a necessidade de se trabalhar com um modelo de Inteligncia Analtica. Sua aplicao prtica tem se demonstrado extremamente til em atividades de pricing, anlises financeiras, gesto de operaes, atrao e reteno de clientes e relacionamento com fornecedores (HARRIS, DAVENPORT, 2007). O processo feito atravs do levantamento e anlise detalhada de uma base histrica projetando uma tendncia futura de acordo com as regras de negcio. Ricardo Carlotto, em entrevista concedida revista SUPERMERCADO MODERNO, explica as diferenas entre BI e Inteligncia Analtica, sendo que o BI se restringe a levantar o histrico da empresa e tecer avaliaes sobre ele, sem projetar o futuro (SM, 2008). Por exemplo, a rede norte-americana Wal-Mart, uma das pioneiras na utilizao desta tecnologia, descobriu que as pessoas que vo a algumas de suas lojas s quintas-feiras para comprar fraldas Huggies tendem a adquirir cerca de dezenove itens adicionais. Com base nesta informao, as quintas-feiras so feitas alteraes na localizao de alguns itens na loja, permitindo que os clientes encontrem e comprem os itens de seu interesse com maior facilidade (MENCONI, 1998 apud GONALVES, 2001, p.13).

23

CAPTULO 3: SISTEMAS ESTRATGICOS x SISTEMAS ANALTICOS

Na dcada de 1960, os sistemas de informao passaram a ser utilizados pelas grandes companhias para automatizao de tarefas manuais, diminuindo consideravelmente o trabalho repetitivo e gerando considerveis ganhos de produtividade. Inicialmente, estes softwares se restringiam a controles de faturamento, estoque, folha de pagamento, finanas e contabilidade, e seu processamento ocorria de forma centralizada, em computadores de grande porte, conhecidos como mainframes. O surgimento da arquitetura Cliente/Servidor, no incio dos anos 90, permitiu a descentralizao do processamento e reduo de custos em aquisio de hardware (GONALVES, 2003).
Aos poucos, porm, as empresas foram se sensibilizando para a importncia da informao na gesto de negcios. Contagiadas pela informtica, que passa a substituir o tradicional processamento de dados, as empresas superam resistncias e incorporam essa nova ferramenta empresarial. Com a informtica, as empresas integraram os seus sistemas, mesmo com algumas redundncias (REZENDE, 2002).

tecnologia

Cliente/Servidor

permitiu

que

informaes

fossem

extradas

diretamente de um banco de dados, combinadas e analisadas com outros relatrios gerados em planilhas eletrnicas. Com estas novas facilidades, os usurios deixavam de ficar limitados aos relatrios estticos fornecidos pelos sistemas centralizados (GONALVES, 2003), e o computador se torna importante na organizao, deixando de ser uma atividade secundria para agregar mais eficincia ao negcio.

24

Se por um lado a descentralizao do processamento de dados trouxe vrios benefcios s organizaes, por outro contribuiu para o surgimento de problemas relacionados a controle, capacidade e integrao de dados. Os gestores de negcio desperdiavam seu tempo analisando dados que muitas vezes se mostravam inconsistentes diante da proliferao de planilhas. Alm disso, o nmero de acessos e consultas transacionais impactavam diretamente na performance dos servidores. Estes problemas seriam resolvidos com implantao das novas tecnologias de armazenamento de dados via Datawarehouse (DW) e ERP. Com a integrao dos dados corporativos, vieram os conceitos de inteligncia do negcio, que consistiam na anlise da informao bruta e operacional e sua transformao em informao estratgica. 3.1 Sistemas de Informao Antes de se conceituar Sistemas de Informao, preciso compreender o conceito de DADOS e INFORMAO sob a tica de TI. Os DADOS constituem os fatos puros ou descries simblicas de elementos, eventos, atividades ou transaes. Os dados servem de base para o tratamento sobre os quais o computador efetua as operaes, mas no esto organizados, portanto, no transmitem qualquer significado. A INFORMAO a organizao de um conjunto de dados de forma significativa. Dados tornam-se informao quando so organizados de uma maneira lgica. Para se tornarem informao, necessrio agregar um PROCESSAMENTO, ou seja, um conjunto de tarefas executadas em seqncia lgica, com o objetivo de atingir um resultado definido. A transformao de dados em informao tarefa principal dos Sistemas de Informao (SI).

Fig. 1 Transformando Dados em Informao

Na definio de Laudon e Laudon, um Sistema de Informao o conjunto de elementos ou componentes inter-relacionados que coleta, armazena, processa e

25

distribui dados e informaes com a finalidade de facilitar o planejamento, o controle, a coordenao, a anlise e o processo decisrio em empresas e outras organizaes. 3.2 Camadas de Informao Os SI podem ser classificados de acordo com o nvel hierrquico a que os sistemas do suporte: operacional, gerencial ou estratgico. A figura 2 ilustra os nveis de camada da informao dentro de um ambiente empresarial:

Fig. 2 Viso da Empresa por Camadas de Informao Fonte: Laudon e Laudon (2001)

No Nvel Operacional, encontram-se os Sistemas de Processamento Transacional (SPT). Os SPT so sistemas altamente estruturados, ligados diretamente s transaes elementares e atividades de rotina de uma empresa, tais como: emisso de pedidos, emisso de notas fiscais, controles contbeis, controles de estoques. Estes sistemas permitem aos gerentes operacionais o monitoramento e controle das atividades do negcio. No Nvel de Conhecimento, encontram-se os Sistemas de Informao Gerencial (SIG). Os SIG fornecem resumos das transaes operacionais realizados nos SPT, permitindo comparaes histricas e indicadores de desempenhos. Geralmente eles so dependentes de sistemas de processamento de transaes subjacentes para os seus dados, so pouco flexveis e tm pequena capacidade analtica.

26

No Nvel Estratgico, encontram-se os Sistemas de Apoio Deciso (SAD), que Laudon e Laudon (2001) classifica tambm como sistemas de apoio aos executivos (ESS Executive Support Systems). A principal caracterstica destes sistemas sua capacidade de atender decises no estruturadas, como projeo e / ou simulao de cenrios. Estes sistemas utilizam ferramentas avanadas que permitem a compactao e reordenao dos dados de modo a se transformarem em informaes que ajudam a administrao snior a enfocar assuntos estratgicos do negcio. Os ESS fornecem uma resposta prtica aos executivos que acessam a riqueza de informaes disponveis em seus sistemas de computadores. 3.3 O Business Intelligence O termo BI foi popularizado em 1989 por Howard Dresner, do Gartner Group, e descreve um conjunto de conceitos e mtodos utilizados para melhorar as tomadas de decises de negcios usando uma base de fatos de um sistema de suporte. Barbieri (2001,p.34) conceitua BI como a utilizao de variadas fontes de informao para se definir estratgias de competitividade nos negcios da empresa. Ou seja, BI o conjunto de estruturas e ferramentas que permitem o armazenamento, agrupamento e transformao dos dados, facilitando a informao para o tomador de decises. A estrutura de armazenamento denominada DataWarehouse (DW) e DataMarts (DM). As ferramentas so os softwares que permitem o recolhimento e apresentao dos dados, de forma resumida ou analtica. A essncia do BI est em definir regras e tcnicas de formatao adequada para estas informaes, transformando-as em depsitos estruturados de dados, que por sua vez sero compartilhados por toda a organizao. (BARBIERI, 2001). 3.3.1 BI - Arquitetura Um sistema BI projetado seguindo as estruturas abaixo definidas (BARBIERI, 2001, p.48):

27

DATAWAREHOUSE (DW), DATAMARTS (DM) e OPERATION DATA STORE (ODS Operao de Armazenamento de Dados): Compe as estruturas especiais que armazenam as informaes capazes de sustentar a camada de inteligncia da empresa; O ODS pode ser entendido como um cadastro consolidador, uma ponte entre o legado e o DW, onde ficam mantidas as caractersticas de granularidade e estruturao dos sistemas consolidados. FERRAMENTAS ETL (Extract, Transformation and Load Extrao, Transformao e Carga): So responsveis pela transformao dos dados transacionais em informao corporativa. As ferramentas ETL realizam a coleta, limpeza, preparao e carga dos dados nos DW. FERRAMENTAS DE OPERAES ESPECIAIS DE TRATAMENTO: So as ferramentas que possibilitam o manuseio dos dados, operadores dimensionais, possibilitando uma forma mltipla e combinada de anlise. As principais ferramentas so o OLAP e DataMining.

Fig. 3 Arquitetura de um Sistema BI Fonte: BARBIERI, 2001

3.3.2 Datawarehouse e Datamarts

28

Serra (2002, p.140) define DataWarehouse como um banco de dados voltado para suporte deciso de usurios finais, derivado de diversos outros bancos de dados operacionais. A meta principal de um DW a criao de uma visualizao lgica nica dos dados residentes de diversas aplicaes dentro de um ambiente empresarial, coletados ao longo do tempo e usados para comparaes, tendncias e previses, fornecendo aos usurios um modelo de trabalho nico.
Data Warehouse o processo de integrao dos dados corporativos de uma empresa em um nico repositrio, a partir do qual os usurios finais podem facilmente executar consultas, gerar relatrios e fazer anlises (GONALVES, 2003, p.11).

O conceito do DW foi originalmente lanado pela IBM como uma proposta de soluo chamada Information Warehouse. O DW era a estrutura fsica, funcionando como um repositrio que separava os dados operacionais para serem utilizados como sistemas de suporte deciso dentro da organizao. A idia era o aproveitamento destes dados visando a melhoria da qualidade dos servios e atendimento ao cliente, ajudando a companhia a avaliar as atividades emergentes do seu negcio (GONALVES,2003). O aspecto mais relevante na criao de um DW a garantia da qualidade dos dados. Serra (2002) complementa, citando que a definio bem desenhada do DW objetiva satisfazer as necessidades de anlise de informaes dos usurios, como monitorar e comparar as operaes atuais com as passadas, podendo desta forma prever as situaes futuras. A modelagem de dados mais utilizada conhecida como Star Schema (Esquema Estrela), ou Modelagem Multidimensional. Neste modelo, os fatos principais so listados numa Tabela de Fatos, contribuindo para agilidade nas pesquisas. Desta forma, vrias tabelas dimensionais so ligadas s tabelas de fatos, que por sua vez indicam como as agregaes de dados relacionais podem ser analisadas. Este tipo de modelagem dimensional de dados a que oferece melhor desempenho.

29

Fig. 4 Exemplo Arquitetura Star Schema Fonte: ORACLE

O desempenho o fator fundamental para um sistema que gerencia grande volume de dados, e todos os clculos resultantes de um processamento transacional devero ser considerados no momento da modelagem do DW. Ao se projetar um campo de data, por exemplo, deve-se projetar tambm campos adicionais para armazenar o ano, o ms e o trimestre onde a data se encontra. O espao em disco resultante do complemento desta informao ser maior, em compensao, no sero realizados clculos adicionais quando ocorrerem as consultas ou sumarizaes por perodo (ALCANTARA, 2006). Um DW pode armazenar grandes volumes de informao, porm este volume pode ser dividido em unidades lgicas menores, conhecidas como DataMarts. O conceito do DataMart, na definio de SERRA (2002), um pequeno DataWarehouse, porm reduzido uma dimenso departamental. O DM um atrativo por possuir baixo custo e menor tempo de implantao, com crescentes avanos tecnolgicos. Construir um DW uma tarefa cara e consome muito tempo. As empresas esto investindo milhes em DW, que nos ltimos anos adquiriu muita fora devido ao sucesso dos SGBDR e tambm devido reduo dos custos e aumento do desempenho dos hardwares utilizados (HARRISON, 1998 apud GONALVES,

30

2003, p.10). Uma alternativa apresentada pelos arquitetos BI criar Datamarts para cada departamento ou rea especfica da empresa, e posteriormente consolidar os dados destes Datamarts em um DW. 3.3.3 Ferramentas ETL As ferramentas ETL (Extract, Transformation and Load - Extrao, Tratamento e Carga) so responsveis por lerem os diversos formatos de arquivos utilizados pela organizao, incluindo sistemas transacionais, planilhas, arquivos textos e arquivos do tipo DBF. Aps a extrao da informao destes arquivos, ocorre o tratamento dos dados (identificao, catlogo, alteraes de acordo com as regras de negcio) e o armazenamento no DW. A extrao realizada atravs da execuo de uma rotinas de processamento, onde os dados so atualizados uma ou algumas vezes por dia e posteriormente armazenados em uma Staging rea, onde ocorre o tratamento, padronizao e transformao das informaes operacionais para carga na arquitetura BI. O processo de movimentao um dos mais crticos de um DW, pois baseia-se em rotinas trabalhosas e complexas para garantir a integridade dos dados. 3.3.4 Ferramentas DataMining Datamining, como o prprio nome sugere em ingls, a tecnologia que permite a minerao dos dados contidos nos DW e DM, buscando uma co-relao entre eles. O objetivo do Mining identificar anomalias ou oportunidades, atravs do relacionamento entre os dados, para ento diagnosticar o comportamento do negcio. A busca por novos padres realizada atravs de algoritmos complexos envolvendo computao aritmtica, blocos de inteligncia artificial, redes neurais e rvores de deciso baseada em regras de induo. Barbieri (2001) completa que os conceitos de garimpagem esto relacionados com a nova tendncia de se buscar correlaes escondidas em altos volumes de dados e que nem so evidentes aos analistas de negcio. A anlise por parte dos gestores torna-se essencial para a descoberta de novas oportunidades de negcio, e acima de tudo, elaborao de novas estratgias para o futuro. 3.3.5 Cubo OLAP

31

OLAP so consultas com acesso casual nico e tratamento dos dados segundo parmetros nunca antes utilizados, geralmente executado de forma interativa e heurstica (INMON,1997). As aplicaes OLAP (OnLine Analitical Processing Processamento Analtico OnLine) permitem aos usurios analisar rapidamente dados sumarizados de maneira multidimensional ou hierrquica, permitindo tambm sua consolidao em diversos nveis. O processamento analtico On-Line representa a possibilidade de se trabalhar os dados com operadores dimensionais, visualizando e analisando dados corporativos com alta flexibilidade e combinaes de anlise. O OLAP criado na mquina cliente ou no servidor, retornando os dados oriundos de uma consulta especfica no banco de dados.

Fig. 5 Representao Grfica do OLAP

A viso multidimensional mais til para os analistas do que a viso tabular tradicional utilizada nos sistemas de processamento de transao. Ela mais natural, fcil e intuitiva, permitindo uma viso das informaes em diferentes perspectivas. Isso auxilia efetivamente o tomador de deciso, pois ele pode verificar tendncias nos dados, utilizando dados resumidos, trocando as dimenses de lugar e navegando atravs de suas hierarquias. Dessa forma, os usurios podem testar suas hipteses e pensar sobre questes que no haviam ainda sido levantadas antes. Um cubo OLAP apresenta algumas tecnologias que permitem o manuseio da informao de acordo com as preferncias do usurio, sendo elas o Slice-and-Dice, Drill Down/Up e a Criao de Queries.

32

O SLICE-AND-DICE a tecnologia que permite a anlise da informao sobre diferentes perspectivas, permitindo ao usurio modelar a informao de acordo com suas necessidades. Esta tecnologia permite que linhas de uma tabela possam ser convertidas em colunas, etc. O DRILL DOWN / UP permite fazer uma explorao da informao em diferentes nveis de detalhe. A tecnologia de QUERIES exige do usurio um conhecimento mnimo de informtica, permitindo criar de maneira simples e transparente consultas para obter as informaes desejadas. 3.3.6 Metadados O conceito de Metadados de "dados sobre os dados", ou seja, so dados de alto nvel com definies tcnicas (fonte de origem, memria de clculo e informaes bibliogrficas) que descrevem dados de um nvel inferior. A principal funcionalidade dos metadados prover administrao de dados inferiores e garantir a consistncia dos mesmos. Os metadados geralmente apresentam trs camadas diferentes: Metadados Operacionais: Definem a estrutura dos dados mantidos pelos bancos operacionais, usados pelas aplicaes de produo da empresa. Metadados Centrais de um DW: So orientados por assunto e definem como os dados transformados devem ser interpretados, incluem definies de agregao e campos calculados, assim como vises sobre cruzamentos de assuntos. Metadados do Nvel do Usurio: Organizam os metadados do DW para conceitos que sejam familiares e adequados aos usurios finais.

3.3.7 Exemplificando operaes OLAP: Usando BI no Varejo A seguir detalharemos uma prtica comum da utilizao de BI no varejo. Supomos que uma rede de supermercados, com lojas distribudas em todo o territrio

33

nacional, deseja efetuar uma anlise percentual de ruptura (falta de produtos) de suas lojas para melhorar a gesto de compra de produtos. O alto ndice de ruptura indica um provvel problema de abastecimento na regio, causando impactos negativos na imagem do negcio e prejudicando o volume de vendas. Primeiramente, preciso saber se o problema especfico de uma determinada regio ou loja, para posteriormente realizar a identificao dos itens que permanecem em ruptura por mais tempo. Para os itens que aparecem em ruptura no maior nmero de lojas, a empresa pode optar pela excluso destes itens do sortimento, ou estudar uma forma de trabalhar com abastecimento centralizado. Executando-se algumas variaes de Drills, pode-se analisar os percentuais de ruptura por regio. A figura 6 ilustra a viso da informao do topo da camada de nvel estratgico.

Fig. 6 Anlise % da ruptura por Regio / Loja Fonte: MicroStrategy

Esta anlise ainda pode ser feita utilizando-se os filtros de consulta, obtendo um maior detalhamento por setor, categoria de produtos, etc. Deste modo, o usurio poderia se concentrar apenas nas lojas com o maior percentual de rupturas e procurar entender o que ocorre de errado nessas lojas; Ao mesmo tempo, pode analisar outros dados para entender quais aes so executadas nas lojas que possuem menor ndice de rupturas, e adot-las como modelo a ser imitado por todas as outras. Ao analisar um conjunto de dados de forma agregada, muitos detalhes permanecem invisveis. A anlise dimensional no s trata os dados agregados como projees

34

de um hiper-cubo, mas tambm possibilita visualizar o hiper-cubo de maneira integral.

Fig. 7 Agrupamento do % da ruptura por Regio Fonte: MicroStrategy

A anlise multidimensional permite tambm que os dados possam ser manipulados pelo usurio de modo que as linhas se tornem colunas, ou vice-versa, revelando aspectos que no haviam sido percebidos antes.

Fig. 8 Viso detalhamento do produto / loja Fonte: MicroStrategy

O detalhamento destas anlises executado atravs das operaes OLAP, que lem as tabelas onde ficam armazenadas estas informaes dentro do DW e permite que os dados sejam explorados visualmente, como se a tabela estivesse sendo dobrada sobre si mesma. Neste exemplo, poderamos ter uma rotao em que as rupturas passam a ter uma dimenso e as lojas passa a ser valores (exemplo: quantidade de lojas). A explorao continua atravs do Drill down e Drill up de acordo com o nvel de detalhamento solicitado pelo usurio.

35

Conforme visto anteriormente, a caracterstica de Drills permite a visualizao dos relatrios na tela sem necessariamente ter que imprimi-los. O usurio tem liberdade de examinar as informaes de diversas maneiras e, ao final, pode imprimir e at mesmo salvar as vises mais importantes para uma futura consulta. 3.4 Principais Indicadores utilizados em Varejo Receita Diria de vendas: Corresponde ao Total das Vendas, Receitas e Impostos de um determinado perodo, agrupadas por setor, grupo ou subgrupo de produtos; Itens de Maior e Menor Venda: Apurao diria ou por perodo dos produtos de maior venda e os de menor demanda; Ganhos e Perdas de Margem: Lista dos itens de acordo com rentabilidade, permitindo sua classificao por percentual aplicado ou massa de margem, utilizados principalmente para estratgias de promoo; Nmero de Clientes por Perodo: Nmero de clientes por perodo, dia e at mesmo faixa horria; Venda do perodo, ordenado por dias: Atravs destes dados, possvel estabelecer critrios de promoo que atendam datas especficas quanto a vendas; Vendas por Faixa Horria: Informao aberta por faixa horria extremamente til para organizao de escala de funcionrios, proporcionando ao cliente um melhor atendimento; Comparaes de venda entre perodos: Compara informaes de venda de um perodo com o mesmo perodo no ano anterior. Esta informao pode ser detalhada por setor, grupo, subgrupo e itens. Estes dados permitem ao gestor analisar motivos em relao ao aumento ou diminuio de vendas e identificar as causas que levaram atual posio nos indicadores;

36

Produtos em Ruptura: Lista os itens que permaneceram em ruptura (estoque zero) com maior freqncia, identificando possveis falhas na cadeia de abastecimento ou problemas com fornecedor;

Performance por Fornecedor: Analisa o desempenho de servios prestados por fornecedor (tempo de entrega, prazo de pagamento, opes de ofertas, mix de produtos);

Pesquisas de Pricing: Estas informaes so alimentadas diariamente atravs de pesquisas de preos realizadas em concorrentes. O gestor utiliza estas informaes para comparar preos, rever o mix de margem e sortimento de mercadorias.

3.5 Inteligncia Analtica Conceitos e Metodologias As anlises de desempenho sempre foram realizadas pelas empresas, de uma forma ou de outra, para detectar qual produto vende mais ou qual fornece maior margem de lucro. Porm, o acirramento da competitividade exigiu das empresas maior agilidade no processo de deciso, ao mesmo tempo em que a informatizao das atividades contribua para proliferao de sistemas e planilhas corporativas, gerando redundncias e inconsistncias. Alm disso, era necessrio aprofundar a anlise da informao, procura de respostas ou pontos que no haviam sido observados antes. O BI permitiu que a unificao da informao se tornasse uma realidade, garantindo seu armazenamento de forma a criar um histrico de operaes. A idia era aproveitar estes dados para as respostas dos executivos quanto sade dos negcios, ou auxiliar nas aes a serem adotadas a curto prazo. No obstante, o mercado global de BI teve um crescimento de 12,5% em 2007, e a previso do Gartner Group de crescimento a 8,6% ao ano a partir de 2011. Se por um lado o BI fornecia as ferramentas necessrias para se explorar a informao em vrias camadas, por outro disponibilizava aos analistas de negcio uma extensa base com dados de alta qualidade, servindo de fonte para pesquisas, previses e simulao de cenrios. Enquanto o BI mostrava o porqu e como, estes analistas desejavam saber o onde e quando.

37

Estas anlises utilizavam tcnicas avanadas, que consistiam em usar estatstica avanada e aprendizado de mquina para agrupar massas de dados de acordo com semelhanas de padres, e estudar as correlaes e interdependncias entre eles. Um comportamento novo que surgia e comeasse a se repetir com freqncia poderia indicar a presena de oportunidades. Portanto, o que se chama de Inteligncia Analtica corresponde a um subsistema do BI, que consiste em utilizar tcnicas de Mining para a tomada de decises mais precisas, melhor embasadas em evidncias e constataes e com maior probabilidade de acerto. Davenport explica a Inteligncia Analtica como "... a utilizao extensiva de dados, anlises quantitativas e estatsticas, modelos explicativos e preditivos e gesto baseada em fatos para orientar decises e aes" (DAVENPORT, 2007, p. 8). As empresas que minerarem seus dados com maior intensidade e preciso sero lderes nos segmentos em que atuam. A Amazon.com e a NetFlix, por exemplo, fazem anlises exaustivas em seus histricos de vendas, locaes e avaliao de produtos para prever o que poder agradar seus consumidores. O Wal-Mart coleta dados de seus consumidores para garantir que seus clientes tenham os produtos que desejarem, no momento em que desejarem e ao preo que desejarem. Estas informaes permitem a essas empresas desenvolverem aes de marketing cada vez mais direcionadas ao seu pblico-alvo. Estes modelos de anlise tambm podem ser empregados nas demais atividades, como por exemplo, o planejamento da cadeia de suprimentos e gerenciamento logstico. O modelo de negcio da Amazon e da NetFlix requer um gerenciamento constante de fluxo para novos produtos, fornecedores, clientes, promoes e a entrega dos pedidos diretamente at seus clientes nas datas prometidas. A UPS e FedEx aproveitaram a Inteligncia Analtica para otimizar rotas de entrega (DAVENPORT, 2007). Existem vrios campos de atuao em que as tcnicas de anlise podem ser empregadas. Por exemplo, pode-se utilizar Inteligncia Analtica para projetar ou simular comportamentos do trfego nas grandes metrpoles, mercado de aes, gesto de finanas, gesto de RH, gesto de custos, Pricing... So vrias as

38

possibilidades de utilizao deste recurso, desde que se tenha os dados disponveis numa base slida e confivel. O modelo ento construdo com base nas premissas da explorao, e aprimorado constantemente para se tornar cada vez mais inteligente e eficaz; Quanto maior o histrico de dados armazenados no banco, maior a exatido da consulta. 3.5.1 Modelos de Data Mining Os softwares de inteligncia analtica atualmente disponveis no mercado utilizam modelos especficos para extrair informaes relevantes da camada do negcio. Carvalho (2005) relaciona alguns destes modelos e suas caractersticas, conforme apresentado abaixo: Classificao: A classificao responsvel pelo reconhecimento de padres e relacionamentos dos registros de acordo com seus atributos. Os algoritmos aplicados neste processo utilizam tcnicas de rvores de deciso e / ou redes neurais; geralmente so utilizados algoritmos de estimativa para verificar se o dado est de acordo com a classificao. Modelos de Predio (Forecasting): os modelos de predio baseiamse em uma srie de relaes e padres hipotticos, utilizando tcnicas estatsticas para prever uma situao em um campo dos dados, baseando-se nas informaes dos demais campos do objeto. Por exemplo, ao utilizar uma srie de dados de transaes bancrias, um modelo poder predizer se a natureza de uma transao fraudulenta. Um exemplo de sua aplicao est nas previses meteorolgicas. Modelos de Estimativa: estimam um valor aproximado com base em outros valores referente a situaes semelhantes na qual se tem conhecimento. As ferramentas mais utilizadas para estimar grandezas so tambm Redes Neurais Artificiais, Estatstica, Algoritmos Genticos e Simulated Annealing. Relacionamento entre Variveis: explora relacionamentos

independentes que podem existir entre os itens de acordo com suas variveis. So utilizadas tcnicas estatsticas como regresso linear simples, mltipla e modelos lineares por transformao para verificar o

39

relacionamento funcional que possa existir entre duas variveis quantitativas. A associao pode ocorrer atravs de atributos de um mesmo item, por exemplo: De todos os consumidores que compram leite, 64% compram po - ou associaes entre diferentes itens, por exemplo: Toda vez que o estoque de um item abaixa 5%, um estoque de outro item aumenta 13% entre 2 a 6 semanas depois. Anlise de Agrupamento (Cluster): utiliza algoritmos capazes de agrupar os objetos que possuem semelhanas entre seus atributos, formando grupos com registros similares. O objetivo do agrupamento descobrir os diferentes grupos existentes em dados poucos conhecidos, como, por exemplo, grupos de clientes que possuem um comportamento de compra semelhante. Sumarizao: O processo de sumarizao visa descartar valores invlidos durante o pr-processamento dos dados. Estes valores so obtidos atravs do clculo de medidas estatsticas, como mnimo, mximo, mdia, mediana e desvio padro e distribuio de freqncia. Descoberta no-supervisionada de Relaes: consistem em tcnicas automticas do Data Mining encontrem padres e relacionamentos. Modelos de Visualizao: A visualizao dos dados em forma de grficos permite que a informao descoberta possa ser facilmente compreendida por analistas humanos. As tcnicas de visualizaes esto se tornando comuns para descoberta de novos padres. Apesar dos softwares existentes no mercado e relatrios emitidos por grandes sistemas empresariais (SAP, Oracle), a inteligncia analtica pode ser realizada tambm atravs do uso de planilhas corporativas, embora muito do seu sucesso ainda dependa dos gestores da informao (DAVENPORT, 2007). A proposta deste estudo demonstrar a aplicao da Inteligncia Analtica contribuindo na otimizao da cadeia de suprimentos no mercado de varejo. Neste caso, as aplicaes analticas podem ser utilizadas para determinao das interseces das curvas de oferta e demanda para otimizar o estoque e minimizar estoques excedentes ou escassos (DAVENPORT, 2007, p. 120). Ou seja, o sistema

40

analisa o comportamento histrico da curva de demanda por produto, preo e tipo de promoo, e com base nesses dados projeta um volume de compras que garantir o abastecimento ideal sem estoque excedente.
A disciplina da gesto da cadeia de suprimentos possui profundas razes no domnio analtico. As empresas que se sobressarem nessa rea possuem um histrico de dcadas de utilizao de analise quantitativa para otimizar a logstica (DAVENPORT, 2007, p. 124).

O prottipo para abastecimento promocional ser elaborado de acordo com as regras utilizadas em um modelo de predio. Por utilizarem algoritmos de estatstica, os modelos preditivos necessitam de premissas ou variveis para analisar os dados. No caso de um novo modelo a ser desenvolvido, ser necessrio selecionar todas as variveis que possam vir a influenciar o comportamento estatstico, assim como a relao entre elas. Neste caso, modelos preditivos no so recomendados quando se lida com um grande nmero de variveis. Alm de trabalhoso, corre-se o risco de que as relaes potencialmente interessantes sejam esquecidas. Neste estudo, detalharemos todos aspectos da atividade do varejo para compreender todas as variveis possveis que possam ser incorporadas no prottipo analtico. Modelos complexos que requerem um grande nmero de variveis utilizam tcnicas de Inteligncia Artificial, como algoritmos de induo para descobrimento de regras e associaes em bases de dados com o mnimo de premissas. A principal premissa que toda a informao gerada pelo analista encontra-se na base; o algoritmo ento trabalha os dados e sugere os relacionamentos e possveis modelos atravs da anlise do conjunto de dados. Posteriormente, informaes estatsticas so geradas para avaliar a preciso do modelo.

41

Fig. 9 Software Modelo Rede Neural para Previso de Valores Fonte: www.alyuda.com

3.5.2 Metodologias aplicadas em Data Mining O processo de minerao utiliza vrias tcnicas e mtodos, cada um servindo para um propsito diferente. Goebel (1999) relaciona as metodologias mais comuns utilizadas em Mining: Mtodos Estatsticos: Utilizado deste os primeiros modelos de DataMining, as tcnicas estattiscas so utilizadas para concepo de hipteses e / ou clculo de probabilidades, exigindo engenheiros experientes para construir modelos que descrevem o comportamento do dado atravs dos mtodos clssicos de matemtica. Case-Based Reasoning (CBR): O CBR a tecnologia que procura resolver um determinado problema utilizando experincia e solues encontradas no passado. Dado um novo problema particular, o CBR examina o tratamento de outros problemas e busca por tratamentos similares. Se um tratamento similar existir, ento a soluo aplicada ao novo problema, e adicionado ao CBR para ser consultado como referncia futura. Redes Neurais: As Redes Neurais consiste numa classe de sistemas modelados para simular um celebro humano. Um clebro humano

42

composto por milhes de neurnios interconectados, cada neurnio enviando uma parte da informao processada para outro. Como no celebro humano, as redes neurais possuem a capacidade de aprender, a partir de um conjunto de registros de entrada (inputs) e o resultado do processamento (output). Arvores de Deciso: As tcnicas conhecidas como rvores de deciso consistem em representar uma srie de regras que conduzem a uma classe ou a um valor. O objetivo principal a separao ou agrupamento dos dados de acordo com suas caractersticas. Essas regras podem ser expressas como declaraes lgicas numa linguagem de programao SQL. Regras de Induo: As Regras de Induo buscam correlaes estatsticas entre atributos, utilizados nos modelos de Relacionamento entre Variveis. Redes Bayesianas: As Redes Bayesianas so representaes grficas de distribuies probabilsticas derivadas da contagem da ocorrncia dos dados num determinado conjunto. Algoritmos Genticos, Programao Evolucionria: Esta tcnica consiste na formulao de estratgias de otimizao algortmica inspiradas nos princpios observados na evoluo natural. Dada uma coleo de solues de problemas que competem entre si, so selecionadas e combinadas as melhores. Com este comportamento espera-se obter um ganho incremental na qualidade da soluo. Os algoritmos genticos usam os operadores de seleo, cruzamento e mutao para desenvolver sucessivas geraes de solues. Com a evoluo do algoritmo, somente as solues com maior poder de previso sobrevivem, at convergirem numa soluo ideal. A tcnica de algoritmos genticos apropriada s tarefas de classificao e clustering. Lgica Fuzzy: A lgica Fuzzy uma metodologia para representao e processamento de incertezas. As incertezas so encontradas em vrias formas nos bancos de dados: impreciso, no especificaes, inconsistncias, informaes vagas ou difusas. Lgica Fuzzy est

43

baseada na teoria dos conjuntos nebulosos, e difere dos sistemas lgicos tradicionais por tratar de raciocnio aproximados, em vez de exatos. Rough Sets: Assim como a Lgica Fuzzi, o Rough Set um conceito matemtico que trata a incerteza nos dados. A premissa central na filosofia de Rough Sets a classificao de objetos, interpretao e caracterizao para processar o no-discernimento entre elementos.

3.5.3 Exemplo de Informaes obtidas com Mining no Varejo Informaes extradas atravs de minerao de dados no varejo (NIELSEN, 2008): Quais itens so freqentemente comprados em combinao (por exemplo, cereais e leite; mostarda, po e salsicha; fralda e comida para recm-nascido)? Quais itens so freqentemente adquiridos numa compra em torno de R$ 100,00? Quais itens so freqentemente comprados por famlias (uma famlia pode ser identificada atravs dos tipos de certos produtos que so tipicamente adquiridos por crianas)? Quais itens so freqentemente comprados por pessoas fazendo pequenas compras? Como a mudana de preo (aumento ou diminuio) ter impacto no volume de vendas e no utilitrio? Quais itens oferecem a maior oportunidade de fazer um ajuste de preo? Os consumidores so mais sensveis aos preos absolutos ou ao diferencial no preo contra os principais concorrentes? Existe alguma ameaa crtica com relao ao preo que possa criar um salto na curva de elasticidade tradicional? Quais contas e consumidores reagem em maior escala s mudanas de preo?

44

Existem diferenas importantes na cadeia nomeada na elasticidade de preo?

3.6 Concluses Este captulo permitiu explorar o potencial da Tecnologia da Informao nos negcios, demonstrando sua utilizao para melhorar desempenho e favorecer vantagens competitivas. Particularmente no varejo, so infinitas as possibilidades de emprego de T.I. O que antes era uma atividade voltada apenas para automao e controle de processos transformou-se numa poderosa ferramenta capaz de simular cenrios, permitindo aos gestores tomarem decises baseadas em previses, fatos e constataes. Investimentos em estruturas DWs, sistemas BI e tcnicas modernas de Mining permitiram que grandes empresas de varejo, como o Wal Mart, pudessem utilizar informaes colhidas de seus repositrios de dados para realizarem melhorias significativas no atendimento ao consumidor e planejamento logstico.

45

CAPTULO 4: GESTO DE PREOS NO VAREJO

Antes de iniciarmos o estudo de que trata o presente captulo, deve-se, primeiramente, conceituar o aspecto do varejo, assim como o detalhamento de suas atividades-chave e operacionalizao, que serviro para o embasamento dos pressupostos tericos nos quais se basear o raciocnio de clculo a ser adotado pelo modelo de Inteligncia Analtica. PARENTE (2000, p. 22) define o varejo como [...] todas as atividades que englobam o processo de venda de produtos e servios para atender a uma necessidade pessoal do consumidor final. Sua principal caracterstica o emprego das funes clssicas de operao comercial: procurar, selecionar, negociar e adquirir produtos; comercializar e entregar ao consumidor final. A principal fonte de receita provm da margem de lucro (mark-up) que o varejista aplica sobre o custo do produto. No entanto, em funo da alta competitividade existente no setor, os supermercados esto adequando cada vez mais os preos de seus artigos, redefinindo polticas de preos de seus produtos de acordo com os preos praticados pelos seus concorrentes (WERNKE, 2005, p.147). Aps a implantao do Plano Real, as empresas de varejo passaram a buscar fontes alternativas de receita para compensar a eventual perda de margem em funo da concorrncia direta. Destacam-se os ganhos com financiamento de compras com o cliente final, atravs de cartes com bandeira prpria, integrao logstica, - onde o fornecedor concede uma verba para o supermercadista realizar a distribuio de seus produtos -, e as verbas oriundas de negociaes entre o

46

fornecedor e o varejista (bonificaes), utilizadas para reduo do custo da mercadoria. 4.1 O Mix de Produtos A composio do sortimento de produtos (mix de produtos) uma das atividades fundamentais do varejo, com o objetivo de selecionar quais produtos sero vendidos em uma loja. O universo de produtos selecionado de acordo com as necessidades dos consumidores que se esta atendendo, porm dispor de uma variedade muito ampla de produtos implica no aumento de custos de armazenamento. Portanto, a manuteno do mix dever ocorrer periodicamente, excluindo os itens com baixo desempenho em vendas e incorporando produtos similares s categorias de melhor performance. Os supermercados de grande porte (hipermercados) podem comercializar at 50 mil itens ou mais (PARENTE, 2000). 4.2 Clculo da Margem e Definio do Preo de Venda De todas as variveis do marketing mix, a deciso preo aquela que mais rapidamente afeta a competitividade, o volume de vendas, as margens e a lucratividade das empresas varejistas (PARENTE, 2000, p. 160). Para a definio da poltica de preos deve-se levar em considerao uma srie de fatores, entre eles: comportamento do consumidor, exclusividade do produto, concorrncia direta, etc. O preo de venda de um produto calculado atravs do acrscimo de um percentual de lucro (margem) incidente sobre o custo de aquisio do mesmo. importante observar que as despesas envolvidas na aquisio deste produto, tais como valor do frete, despesas financeiras, tributao, etc., j devem ser consideradas na composio do custo final. Portanto, se a margem de um determinado produto for igual a 0 (zero), significa que o varejista no ir ganhar nada no momento em que o produto for vendido, porm a venda de todas as unidades dever cobrir o gasto com a aquisio do mesmo.

47

COEF_IMPOSTOS : [100 - (ICMS + PIS + COFINS)] / 100 COEF_MARGEM: (100 - MARGEM)/100 PV = [(CUSTO / COEF_IMPOSTOS) / COEF_MARGEM]

Fig. 10 Clculo Composio Preo de Venda

O coeficiente de margem deve ser aplicado no custo independente dos impostos que sero pagos a partir do registro da venda do mesmo. A figura 10 demonstra o clculo de um coeficiente considerando o repasse desta tributao para composio do custo. A margem de lucro dever ser aplicada sobre o montante final.

COMPOSIO Custo Unitrio Produto Impostos Sobre Venda ICMS Pis/Cofins Total Impostos Preo de Venda M0 Margem Aplicada Preo de Venda M - 30%

R$
[1]

0,98
18,00 9,25 27,25 0,37
[3]

[2]

1,35 30,00 57,25 0,58 1,92


[4]

Fig. 11 Demonstrativo Composio Preo de Venda7

A figura 11 demonstra um caso prtico de composio do preo de venda. Neste exemplo, o custo de aquisio unitria de um produto de R$ 0,98 [1] (O custo unitrio representa todas as despesas do varejista com a aquisio do produto, incluindo frete, impostos, descontos e despesas acessrias). Os impostos a serem recolhidos mediante a venda deste produto [2] devero sero acrescidos sobre o custo do mesmo. O varejista no teria lucro nem prejuzo caso decidisse vender este produto a R$ 1,35 (considerando R$ 0,37 que recolheria de ICMS e PIS/COFINS por unidade). Neste caso, se desejasse obter uma margem de lucro de 30% por unidade, este produto deveria ser vendido a R$ 1,92 [4]. A rentabilidade atribuda a um determinado produto resultado de diversos fatores, e definida de acordo com os ganhos ou perdas dentro do sortimento de produtos. Geralmente os supermercados estipulam as margens de lucro para cada produto
7

A numerao entre colchetes corresponde uma representao grfica para entendimento do texto explicativo a seguir.

48

com base nas pesquisas de preos efetuados nos concorrentes mais prximos e buscam a rentabilidade fazendo-se pequenos ajustes dentro do sortimento. Por exemplo, uma prtica comum do setor a venda de determinadas marcas de cerveja com margem negativa, porm com aumento na margem dos demais artigos para compensar a perda. O comportamento do mix sofre variaes de acordo com os percentuais de margem aplicados, exposio do produto, sazonalidade e anncios de promoo. Portanto, os percentuais de margem devem ser revisados constantemente. Para administrar esta quantidade de itens, os varejistas classificam e agrupam estes produtos de acordo com suas caractersticas; Este conceito denomina-se Classificao Mercadolgica. 4.3 Classificao Mercadolgica A Classificao Mercadolgica o agrupamento (ou clusterizao) de produtos que possuem caractersticas semelhantes, com a finalidade de oferecer maior agilidade nos processos gerenciais (como, por exemplo, definio de preos de venda ou parmetros de abastecimento). Um parmetro pode ser atribudo especificamente para um determinado nvel ou subnvel, e o sistema comercial replica a informao para todos os itens agrupados naquele nvel. O exemplo mais comum a gesto de preos, onde o gestor define um percentual de margem a ser aplicado em um determinado nvel, e o sistema replica este percentual para todos os itens que fazem parte dele. A estrutura da Classificao Mercadolgica tambm aproveitada nos sistemas BI para o agrupamento da informao. O agrupamento permite ao gestor analisar o comportamento do produto dentro da categoria, a participao da subfamlia dentro da famlia, participao da famlia sobre as vendas do setor, etc. Conhecendo a participao de cada agrupamento dentro do setor, o gestor define a margem a ser aplicada em determinada famlia, e com base na participao, consegue definir a lucratividade do negcio.

49

SECAO DESCRICAO GRUPO DESCRICAO_GRUPO SUBGRUPODESCRICAO_SUBGRUPO 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA LIQUIDA 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO SUCO CONCENTRADO 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 3 3 3 3 4 4 4 4 4 4 5 5 5 5 5 5 6 6 6 6 6 6 6 6 6 7 7 7 7 7 7 8 8 8 8 8 8 UVA UVA UVA UVA UVA UVA UVA UVA UVA UVA UVA UVA MARACUJA MARACUJA MARACUJA MARACUJA MARACUJA MARACUJA MARACUJA MARACUJA MARACUJA TOMATE TOMATE TOMATE TOMATE ABACAXI ABACAXI ABACAXI ABACAXI ABACAXI ABACAXI GOIABA GOIABA GOIABA GOIABA GOIABA GOIABA CAJU CAJU CAJU CAJU CAJU CAJU CAJU CAJU CAJU MANGA MANGA MANGA MANGA MANGA MANGA OUTROS OUTROS OUTROS OUTROS OUTROS OUTROS

EAN 7896589102302 7896024807304 7896000556066 7891046010626 7891141007477 7896179500051 7896034640199 7898193000036 7896005400081 7898366930511 7898406780120 7896750800204 7622300170059 7896034640182 7898193000029 7891046010428 7896179500020 7896000555359 7896750800013 7896005400036 7898366930528 7896024807250 7891046011029 7896024807106 6925140366769 7896000557056 7896179500044 7891046010121 7898193000043 7896005400012 7898366930542 7891046011128 7896005400043 7896179500037 7898193000050 7896000559265 7898366930504 7896005400029 7896000554369 7896034640175 7896179500013 7891046010220 7898193000012 7896750800167 7896024869739 7898366930535 7896034640229 7898193000067 7896000558381 7896179500068 7891046010824 7896005400050 7896000550064 7896005400104 7896179500099 7896000514448 7896005400111 7898366930559

DESCRICAO SUCO DE UVA NATURAL CONCENTRATO MIORANZA SUCO UVA SUPERBOM 500ML SUCO UVA MAGUARY PET 500ML SUCO UVA MILANI 500ML SUCO UVA AURORA 500ML SUCO UVA JANDAIA 500ML SUCO UVA PARMALAT 500ML SUCO UVA MARAVILHA 500ML PPP SUCO UVA DAFRUTA 500ML SUCO UVA PALMEIRON 500ml SUCO UVA FRUTISA 500ml SUCO UVA CURUMATAN 980ML PPP KIT SUCO MARACUJA MAGUARY 500ML GTS 1COP SUCO MARACUJA PARMALAT GF 500ML SUCO MARACUJA MARAVILHA 500ML PPP SUCO MARACUJA MILANI 500ML SUCO MARACUJA JANDAIA 500ML SUCO MARACUJA MAGUARY PET 500ML SUCO MARACUJA CURUMATAN 980ML PPP SUCO MARACUJA DAFRUTA 500ML SUCO MARACUJA PALMEIRON 500ml SUCO TOMATE TEMP SUPERBOM 500ML SUCO TOMATE MILANI 500ML SUCO TOMATE INTEGRAL SUPERBOM 500ML SUCO TOM CHINES T FUN 190ml SUCO ABACAXI MAGUARY PET 500ML SUCO ABACAXI JANDAIA 500ML SUCO ABACAXI MILANI 500ML SUCO ABACAXI MARAVILHA 500ML PPP SUCO ABACAXI DAFRUTA 500ML SUCO ABACAXI PALMEIRON 500ml SUCO GOIABA MILANI 500ML SUCO GOIABA DAFRUTA 500ML SUCO GOIABA JANDAIA 500ML SUCO GOIABA MARAVILHA 500ML PPP SUCO GOIABA MAGUARY 500ML SUCO GOIABA PALMEIRON 500ml SUCO CAJU DA FRUTA 500ML SUCO CAJU MAGUARY PET 500ML SUCO CAJU PARMALAT 500ML SUCO CAJU JANDAIA 500ML SUCO CAJU MILANI 500ML SUCO CAJU MARAVILHA 500ML PPP SUCO CAJU CURUMATAN 980ML PPP SUCO CAJU CONCENTRADO SUPERBOM 500ML SUCO CAJU PALMEIRON 500ml SUCO MANGA PARMALAT 500ML SUCO MANGA MARAVILHA 500ML PPP SUCO MANGA MAGUARY PET 500ML SUCO MANGA JANDAIA 500ML SUCO MANGA MILANI 500ML SUCO MANGA DAFRUTA 500ML SUCO LARANJA CONCENTRADO MAGUARY 500ML SUCO PITANGA DAFRUTA 500ML SUCO ACEROLA JANDAIA 500ML SUCO PESSEGO MAGUARAY 500ML SUCO ACEROLA DAFRUTA 500ML SUCO PITANGA PALMEIRON 500ml

Fig. 12 Exemplo tabela Classificao Mercadolgica

A figura 13 exemplifica como a classificao mercadolgica permite analisar o comportamento das famlias dentro do setor. A coluna MB demonstra a rentabilidade da subfamlia e sua participao (PART%) atravs de um levantamento histrico de vendas. Com base nessas informaes, o gestor pode redefinir os percentuais de margem (coluna MC Margem Cadastrada) que deseja aplicar sobre uma determinada categoria, de modo que o sistema altere automaticamente os preos para todos os itens pertencentes quela categoria. A Classificao Mercadolgica tambm utilizada para simular os impactos causados pela alterao de preos ou queda nas vendas sobre o negcio, e realizar comparaes de desempenho das famlias em perodos anteriores.

50

Valores Totais: SETOR Lquida Lquida Lquida Lquida Lquida Lquida Lquida Lquida Lquida Lquida Lquida Lquida Lquida Lquida Lquida Lquida Lquida Lquida Lquida Lquida Lquida Lquida Lquida Lquida Lquida Lquida Lquida Lquida Lquida Lquida Lquida Lquida Lquida Lquida Lquida Lquida Lquida GRUPO AGUARDENTES AGUARDENTES AGUARDENTES AGUARDENTES AGUARDENTES SUB

283.648

467.114 462.030 CMV

5.084 LUCRO (R$) PART% 685 491 81 163 1 1.422 1.925 1.310 6 -50 3.192 1.450 496 1.493 991 4.431 140 1.000 -11.822 -884 67 -345 68 105 -11.670 295 617 912 -18 15 -2 195 297 492 208 513 55 1.295 2.071 2.313 285 10 2.608 -124 -13 -18 MB % MC % 30,59% 36,55% 62,00% 38,75% 17,00% 34,73% 27,23% 20,00% 20,55% 35,85% 27,00% 41,70% 30,86% 20,50% 23,56% 41,00% 20,30% 27,71% 68,33% 11,00% 19,20% 24,80% 27,37% 99,00% 62,00% 39,20% 23,18% 41,44% 25,15% 27,00% 23,50% 32,60% 41,50% 32,00% 26,22% 99,00% 63,00%

VENDA (QTD) VENDA (R$) 318 925 12 23 1 1.279 7.199 3.411 92 5.302 16.004 5.995 3.211 2.388 5.080 16.674 96 2.673 151.624 12.160 1.938 3.800 855 2.593 175.739 1.683 3.428 5.111 13 52 65 109 104 213 686 1.852 122 2.963 5.623 2.803 148 1 2.952 76 17 61

CACHACA CANA SAQUE TEQUILA ZIMBRO Total Grupo AGUAS COM GAS 200 A 600ML AGUAS COM GAS 600 A 2000ML AGUAS COM GAS CLUB SODA AGUAS COM GAS TONICA / SABORIZADAS Total Grupo AGUAS SEM GAS 200ML A 600ML AGUAS SEM GAS 600ML A 2000ML AGUAS SEM GAS ACIMA DE 2000ML AGUAS SEM GAS AGUA DE COCO Total Grupo CERVEJAS CLARAS IMPORTADAS LATA CERVEJAS CLARAS IMPORTADAS LONG NECK CERVEJAS CLARAS NACIONAIS LATA CERVEJAS CLARAS NACIONAIS LONG NECK CERVEJAS CLARAS PREMIUM NAC LONG NECK CERVEJAS CLARAS PREMIUM NACIONAL LATA CERVEJAS CLARAS RETORNAVEIS CERVEJAS CLARAS SEM ALCOOL LATA/LONG NECK Total Grupo CERVEJAS ESCURA BOCK LATA CERVEJAS ESCURA BOCK LONG NECK Total Grupo CHAMPAGNES IMPORTADOS DEMI SEC/MEIO DOCE CHAMPAGNES IMPORTADOS SECA/BRUT Total Grupo CHAMPAGNES NACIONAIS SEC/MEIO DOCE DEMI CHAMPAGNES NACIONAIS SECA/BRUT Total Grupo CHAS COPO CHAS LATA CHAS PO CHAS T P 1000ML E ACIMA Total Grupo COMPLEMENTO VITAMINICO COMPLEMENTO VITAMINICO CONHAQUE ALCATRAO CONHAQUE IMPORTADO Total Grupo FILTRADOS BRANCO FILTRADOS SABORES FILTRADOS SIDRAS

4.328 3.642 4.368 3.877 479 398 1.302 1.139 9 8 10.486 9.064 6.536 4.611 5.844 4.534 94 87 5.124 5.173 17.597 14.405 5.126 3.676 2.985 2.489 8.478 6.984 4.871 3.880 21.459 17.029 615 475 8.196 7.196 201.808 213.630 14.690 15.574 4.008 3.941 6.387 6.732 2.925 2.857 3.497 3.391 242.126 253.795 2.392 2.098 6.032 5.415 8.424 7.512 231 248 1.068 1.052 1.298 1.301 1.846 1.651 2.213 1.916 4.059 3.567 877 669 2.280 1.767 291 236 7.530 6.235 10.978 8.907 14.308 11.995 1.452 1.167 29 20 15.790 13.182 372 496 39 52 169 187

41,27% 18,82% 41,66% 12,66% 4,56% 20,32% 12,42% 14,35% 0,08% 12,84% 2,24% 15,68% 37,14% 41,75% 33,21% 28,90% 0,53% 7,37% 29,12% -0,96% 3,77% 22,16% 23,89% 39,44% 13,91% 19,93% 39,51% 21,38% 22,70% 25,55% 4,59% 26,02% 0,25% 29,56% 3,38% 13,89% 83,35% -5,53% 6,07% -5,68% 1,66% 1,71% 2,64% -5,12% 1,21% 2,38% 1,44% 3,11% 51,83% -4,60% 28,40% 14,05% 71,60% 11,40% 1,80% 12,14% 17,77% -7,05% 82,23% 1,44% 0,28% -0,18% 45,48% 11,83% 54,52% 15,51% 0,87% 13,80% 7,99% 31,15% 20,77% 29,02% 2,65% 23,44% 68,59% 20,76% 2,35% 23,25% 90,62% 19,28% 9,20% 24,46% 0,19% 47,52% 3,38% 19,78% 64,11% -24,93% 6,72% -24,57% 29,17% -9,59%

Fig. 13 Exemplo Anlise Participao Famlias

4.4 O Mix de Marketing O mix de marketing, ou composto promocional, a relao de produtos que o varejista usa para atrair os clientes loja e motiv-los compra. O principal objetivo a realizao de uma ao promocional, geralmente de curto prazo, cujo objetivo o aumento no desempenho das vendas. A promoo utilizada de forma intensa no varejo, devido ser este o local onde os consumidores esto em contato direto com os produtos e, portanto, suscetveis ao estmulo de compra (COSTA E CRESCITELLI, 2003). O estmulo ao consumo criado atravs de um conjunto de tcnicas publicitrias, como exposio de produtos, cartazes, anncios em TVs e distribuio de tablides. As promoes ocorrem sempre em parcerias com os fornecedores / distribuidores, que tambm se beneficiam destas campanhas para aumentar o giro de seus produtos e divulgarem suas respectivas marcas. Parente (2000, p. 243) cita as mais relevantes vantagens dos principais meios de divulgao:

51

Propaganda: visa veiculao do anncio para grande audincia. Possui numerosas alternativas de mdia: TV, rdio, revistas, jornais e tablides so os meios mais utilizados. Na mdia impressa, o leitor pode analisar o anncio com maior ateno, e o contexto editorial ajuda o anncio.

Promoo: A promoo busca captar a ateno do cliente atravs do apelo visual. As tcnicas mais comuns praticadas pelos varejistas a aplicao de temas (exemplo: Festival de Inverno, Festival de Vinhos...), ou aes onde o consumidor deva receber algo de valor, como um cupom ou mercadoria gratuita. Vantagens: ajuda a incrementar o trfego e mantm a lealdade do consumidor; aumenta as compras por impulso e clientes podem divertir-se, principalmente com demonstraes e degustaes.

Publicidade: A publicidade pode ser definida como uma ferramenta de relaes pblicas consistindo na comunicao positiva ou negativa referente atividade do varejista, indireta, impessoal, vinculada por uma mdia de massa e no-paga nem creditada a nenhum responsvel. (Lewison, 1997 apud Parente, 2000). A publicidade no possui custo algum para o varejista, e busca transmitir uma imagem de credibilidade para o consumidor. Se bem elaborada, desperta muita ateno dos consumidores.

4.5 Gesto de Preos em Produtos Promocionais Durante um perodo promocional, o varejista normalmente vende o produto pelo preo abaixo da margem ideal, na maior parte das vezes com margem de lucro negativa. O investimento em margem pode ser recuperado ou minimizado atravs de adequaes feitas no prprio mix. Isto significa que o varejista perde muito dinheiro com a promoo de um produto, mas por outro lado realiza pequenos aumentos de preo no sortimento para minimizar seus prejuzos. Ao se fazer uma promoo de macarro, observa-se, um considervel aumento nas vendas de molhos de tomate durante o mesmo perodo. Com base nessas informaes, o varejista pode ou no reajustar o preo destes itens para compensar a eventual perda da margem do macarro.

52

Existem tcnicas e campanhas temticas que induzem o consumidor a efetuar suas compras por impulso. Uma tcnica bastante utilizada em supermercados a exposio casada de produtos, conhecida como Cross Merchandising. O Cross Merchandising serve tanto para incrementar vendas quanto para recuperao de margem: um exemplo de sua utilizao a exposio de saca-rolhas prximos aos vinhos, queijo ralado prximo s massas, espetos e carvo no aougue, etc.

Fig. 14 Exemplo Ao Cross Merchandising Fonte: www.editionsduboisbaudry.fr

Nem sempre possvel recuperar as perdas em margem de uma promoo apenas readequando preos de outros produtos; como veremos adiante, a interferncia da alterao de preos sobre as vendas de determinadas categorias de produtos mnima ou quase nula. Porm, existem outras receitas vinculadas promoo de que os supermercados se beneficiam para compensar as perdas promocionais; algumas destas prticas so observadas a seguir: Receita com Bonificaes Entende-se por bonificao um prmio concedido pelo fornecedor para abatimento de preo de um determinado produto, podendo este ser em valor ou em mercadoria. Os fornecedores utilizam bonificao para incentivarem a venda de seus artigos para o varejo. Normalmente, as negociaes com bonificaes geralmente so atreladas a um volume de compra extra, ou seja, quanto maior for o volume de compra pelo varejista, maior ser a bonificao. No caso das promoes, a bonificao permite a reduo do custo unitrio do produto, de forma a no causar impactos na margem.

53

Receitas com Pontos Promocionais / Espaos Extras consistem em verbas pagas por fornecedores mediante aluguel de pontos promocionais (ilhas, gndolas, terminais, etc) cuja finalidade exposio da marca.

Fig. 15 Exemplo Alocao de Espao Promocional Fonte: Carrefour

Receitas com Propaganda Cooperada consistem em verbas pagas por fornecedores para anncio de produtos em folhetos promocionais (tablides, lminas, revistas, anncio em tv, etc). O varejista responsvel pelas despesas de anncio e distribuio.

Fig. 16 Exemplo Lmina Promocional Fonte: Carrefour

54

importante observar que nem sempre as adequaes de preos no mix compensam as perdas de margem em uma promoo. Isto ocorre porque determinados produtos apresentam uma sensibilidade menor ao consumidor e, portanto, as mudanas de preos causam pouco ou quase nenhum reflexo nas vendas. Por outro lado, determinados produtos apresentam uma sensibilidade maior s alteraes de preos. Neste caso, pequenas alteraes de preo em determinadas marcas de leo de soja, acar refinado, cerveja, arroz, representam um considervel estmulo na venda destes itens. A figura 17 ilustra a influncia dos preos no comportamento das vendas do bombom Garoto sortido; porm este mesmo comportamento no ocorre nas vendas do esmalte Risque, cuja sensibilidade menor.
Venda Unid. Mdia (Dirio) 14 32 47 42 44 75 83 70 56 45 65 96 122 357 463 873 1429 1 1 1 2 1

Produto BOMBOM GAROTO SORTIDO 400G BOMBOM GAROTO SORTIDO 400G BOMBOM GAROTO SORTIDO 400G BOMBOM GAROTO SORTIDO 400G BOMBOM GAROTO SORTIDO 400G BOMBOM GAROTO SORTIDO 400G BOMBOM GAROTO SORTIDO 400G BOMBOM GAROTO SORTIDO 400G BOMBOM GAROTO SORTIDO 400G BOMBOM GAROTO SORTIDO 400G BOMBOM GAROTO SORTIDO 400G BOMBOM GAROTO SORTIDO 400G BOMBOM GAROTO SORTIDO 400G BOMBOM GAROTO SORTIDO 400G BOMBOM GAROTO SORTIDO 400G BOMBOM GAROTO SORTIDO 400G BOMBOM GAROTO SORTIDO 400G ESMALTE RISQUE CINT BLIS PLATINO ESMALTE RISQUE CINT BLIS PLATINO ESMALTE RISQUE CINT BLIS PLATINO ESMALTE RISQUE CINT BLIS PLATINO ESMALTE RISQUE CINT BLIS PLATINO

Sensibilidade Alta Alta Alta Alta Alta Alta Alta Alta Alta Alta Alta Alta Alta Alta Alta Alta Alta Baixa Baixa Baixa Baixa Baixa

Preo 6,29 5,89 5,62 5,59 5,45 5,44 5,39 5,35 5,29 5,22 5,07 4,99 4,98 4,69 4,66 4,55 4,44 3,19 2,99 2,49 2,29 1,88

Fig. 17 Registro vendas com variao Preo / Demanda

Uma anlise no comportamento histrico de vendas pode determinar a sensibilidade de um produto diante das variaes que o mesmo sofre durante um perodo. A sensibilidade pode ser obtida utilizando um conceito conhecido como ElasticidadePreo da Demanda (Ed). 4.6 Elasticidade-Preo da Demanda (Ed) A quantidade demandada de uma determinada mercadoria pode variar de acordo com uma srie de fatores. Dentre tais fatores, um dos mais relevantes o preo de venda que aplicado sobre a mercadoria. Quando o preo de um produto aumenta, a quantidade demandada do mesmo diminui; da mesma forma, quando a situao oposta ocorre, ou seja, quando o preo diminui, a quantidade demandada aumenta,

55

uma vez que o preo menor constitui um estmulo de consumo. Portanto, a Elasticidade-Preo da Demanda ( ) a equao que mede a resposta do consumidor em relao s mudanas de preos (O'SULLIVAN, 2000). Este valor obtido atravs da subtrao da variao percentual da quantidade mdia demandada pela variao percentual dos preos durante um determinado perodo:
=
D P

(1)

Ou seja, se um produto com demanda mdia de 85 unidades com preo unitrio de R$ 2,20 tiver sua venda aumentada para 100 unidades quando o preo cair para R$ 2,00, ento a elasticidade deste produto de 1,5 (conforme demonstrado na figura 18).
100 * (2,20 2,00 ) = 10 % R$2,00

%P =

100 * (100 85) = 15% 100 15% = = 1,5 10% %D =


Fig. 18 Aplicao clculo Elasticidade / Demanda

A informao da elasticidade permite o agrupamento de produtos de acordo com a sensibilidade do mesmo em relao a mudanas de preos. O conceito da diviso por sensibilidade permite ao varejista efetuar controles mais rigorosos quanto ao nvel de abastecimento ou implicaes na deciso do preo de venda. Um caso prtico a definio do calendrio de pesquisas dos estabelecimentos concorrentes: se a sensibilidade de um produto for alta, o varejista precisa pesquisar preos com freqncia maior do que para os produtos com baixa elasticidade. No quesito sensibilidade, os produtos so agrupados de acordo com as caractersticas apresentadas a seguir: Produtos Sensveis (demanda elstica): Quando a elasticidade do produto for maior que 1, a demanda tender a cair caso houver mudana

56

dos preos, ou seja, elevaes no preo de venda provocaro reduo na demanda. Produtos de Demanda Unitria: No caso da elasticidade for igual a 1, na mesma porcentagem que o preo aumentar a demanda ir diminuir. Produtos No-Sensveis (demanda inelstica): Quando a elasticidade for menor que 1, as alteraes de preo efetuadas no causaro efeito algum na demanda do produto. Para o varejista, essencial conhecer a elasticidade de cada um de seus itens, pois, sabendo-se o preo de venda, o varejista saber exatamente quantas unidades sero vendidas do produto durante o perodo promocional. No entanto, apesar desta funcionalidade j estar incorporada no cadastro das grandes empresas, o que se observa que decises de compra de volumes ainda so baseadas atravs do feeling dos negociadores. 4.7 Parmetro de Preo Mdio e Demanda Mdia Para se obter a elasticidade de um produto, primeiramente necessita-se de um parmetro que identifique o preo mdio praticado no perodo, assim como a demanda mdia resultante deste preo. No sistema comercial no existe informao de preo e demanda mdia para cada produto cadastrado. A nica informao da demanda mdia calculada para fins de abastecimento (estes detalhes sero explicados no captulo 5), analisando-se o histrico de vendas. Como estipular um comportamento mdio correlacionando o preo com as quantidades vendidas? Conforme observado anteriormente, existem vrios fatores que contribuem para o comportamento instvel nas vendas, como, por exemplo, falhas no abastecimento, e at o evento promocional em si (quando o mesmo no est identificado no sistema comercial), o que torna invivel a questo: quantas unidades sero vendidas de um determinado produto caso seu preo de venda seja equivalente a X? Esta questo pode ser solucionada atravs de tcnicas de minerao de dados e criao de uma rotina automtica onde a informao possa ser atualizada

57

periodicamente. Estaremos exemplificando aqui um modelo a ser adotado, considerando o comportamento instvel observado nas vendas do bombom Garoto. Ao sumarizar um histrico de 140 dias de venda do bombom Garoto, observa-se que o mesmo sofre fortes variaes em preo e demanda em perodos especficos; os fatos que motivaram estas variaes no esto explicitos no sistema. Porm, este comportamento de venda comprometer clculos futuros quando for realizada a apurao da venda e demanda mdia. Analisando os dados apresentados na figura 19, observaremos que, em determinados intervalos, a variao de preos ocorre quase que diariamente; No varejo, isto significa a probabilidade da loja ter realizado alguma ao especfica, como combate de preo de um concorrente ou liquidao, e, portanto, tais distores devero ser expurgadas no momento em que forem realizados os clculos de venda mdia.
Qtd. Venda Acumul. 70 1.220 36 47 83 96 177 75 83 50 70 56 1.776 45 408 65 2.023 367 1.161 357 361 463 873 1.429 11.391 Qtd Mdia Venda 14 32 36 47 42 32 44 75 83 50 70 56 47 45 45 65 96 122 1.161 357 120 463 873 1.429 5.405

Descriao BOMBOM BOMBOM BOMBOM BOMBOM BOMBOM BOMBOM BOMBOM BOMBOM BOMBOM BOMBOM BOMBOM BOMBOM BOMBOM BOMBOM BOMBOM BOMBOM BOMBOM BOMBOM BOMBOM BOMBOM BOMBOM BOMBOM BOMBOM BOMBOM GAROTO SORTIDO 400G GAROTO SORTIDO 400G GAROTO SORTIDO 400G GAROTO SORTIDO 400G GAROTO SORTIDO 400G GAROTO SORTIDO 400G GAROTO SORTIDO 400G GAROTO SORTIDO 400G GAROTO SORTIDO 400G GAROTO SORTIDO 400G GAROTO SORTIDO 400G GAROTO SORTIDO 400G GAROTO SORTIDO 400G GAROTO SORTIDO 400G GAROTO SORTIDO 400G GAROTO SORTIDO 400G GAROTO SORTIDO 400G GAROTO SORTIDO 400G GAROTO SORTIDO 400G GAROTO SORTIDO 400G GAROTO SORTIDO 400G GAROTO SORTIDO 400G GAROTO SORTIDO 400G GAROTO SORTIDO 400G Total

Frequencia (N. Dias) 5 38 1 1 2 3 4 1 1 1 1 1 38 1 9 1 21 3 1 1 3 1 1 1 140

Preo 6,29 5,89 5,86 5,62 5,59 5,49 5,45 5,44 5,39 5,37 5,35 5,29 5,25 5,22 5,19 5,07 4,99 4,98 4,73 4,69 4,68 4,66 4,55 4,44 125,48

Fig. 19 Sumarizao Desvio nas quantidades

A distoro dos dados podem ter vrias origens, conforme observado abaixo:
Presena de outliers. Podem ser resultado de aes de marketing extraordinrias, ou fenmenos externos com efeito apenas sobre alguns pontos da srie (de curta durao). Normalmente, a ao de outliers de difcil deteco pelos modelos. Presena de cotas de venda. Os vendedores manipulam suas vendas para atingir as cotas, e muitas vezes prorrogam as vendas para ficar mais fcil atingir as cotas do prximo perodo, ou realizam promoes agressivas para atingir as metas do perodo. Este fenmeno conhecido como game playing.

58

Sries de dados contaminadas com dados de fenmenos concorrentes, como o caso da demanda representada pelas entregas ou produo, ao invs de vendas propriamente ditas. Nestes casos as previses tero acurcia invariavelmente baixa, e a nica soluo tentar aproximar os dados do que se quer estudar de fato. Por exemplo, pode-se inserir o valor de pedidos atrasados ou adiantados a fim de aproximar os dados de entregas da demanda verdadeira. Vendas gerenciadas por contas. As contas podem no representar a demanda real, uma vez que tambm esto sujeitas ao game playing. Estratgias para fugir de taxas e impostos, como a produo acelerada no ltimo ms do ano. Estas devem ser detectadas e amenizadas. Polticas empresariais diversas, por questes legais, de marketing ou outras. (GEURTS & WHITLARK, 1996 apud PASSARI, 2003, p.19).

Uma maneira de expurgar estes registros do clculo desconsiderar as variaes de preo que ocorreram em perodos inferiores a 3 dias, pressupondo que aes eventuais com rebaixa de preos ocorrem a curtos intervalos de tempo. Neste caso, estamos adotando o nmero de dias apenas para exemplificarmos o clculo da demanda X preo mdio; Este nmero de dias pode ser substitudo por variaes percentuais ou quaisquer outros parmetros a serem adotados de acordo com as regras, necessidades ou particularidades caractersticas do negcio. Quando sumarizamos novamente estas informaes desconsiderando as variaes inferiores a 03 dias, obtemos uma base confivel para apurao de valores, representada na figura 20.
[1]
Frequencia (N. Dias) 5 38 4 38 9 21 115 Preo Mdio

[2]
Qtd. Venda Acumul. 70 1.220 177 1.776 408 2.023 5.674 Mdia Venda (Qtd) 279 Qtd Mdia Venda 14 32 44 47 45 96

[3]
Venda Valor (R$) 440 7.186 965 9.324 2.118 10.095 30.127 Venda Perodo (R$) 2.202 273.060 3.859 354.312 19.058 211.990 864.480

Descriao BOMBOM GAROTO SORTIDO 400G BOMBOM GAROTO SORTIDO 400G BOMBOM GAROTO SORTIDO 400G BOMBOM GAROTO SORTIDO 400G BOMBOM GAROTO SORTIDO 400G BOMBOM GAROTO SORTIDO 400G Total

Preo 6,29 5,89 5,45 5,25 5,19 4,99

[4]

[5]

5,31

49

Fig. 20 Minerao dados histrico de venda bombom Garoto 8

A quantidade mdia [5] equivale somatria da quantidade de venda acumulada [2] e sua diviso pelo total do nmero de dias [1]. O preo mdio [4] obtido atravs da
8

A numerao entre colchetes corresponde uma representao grfica para entendimento do texto explicativo a seguir.

59

diviso do total da venda em moeda [3] pelo total da quantidade vendida no perodo [2]. Com base nestes dados, podemos dizer que a demanda mdia diria do bombom Garoto ser de 49 unidades caso seja vendido ao preo de R$ 5,31.

Preo Mdio: Venda Mdia

5,31 49

DESCRICAO BOMBOM GAROTO SORTIDO 400G BOMBOM GAROTO SORTIDO 400G BOMBOM GAROTO SORTIDO 400G BOMBOM GAROTO SORTIDO 400G BOMBOM GAROTO SORTIDO 400G BOMBOM GAROTO SORTIDO 400G SOMA

Preo 6,29 5,89 5,45 5,25 5,19 4,99

Venda Mdia (Dirio) 14 32 44 47 45 96

Variao Variao % % Preo Venda 18,46% 10,92% 2,64% 1,13% 2,26% 6,03% 22,98% 0,00% 34,48% 9,69% 4,62% 7,48% 96,60% 152,87%

Elasticidade do produto ------------------------------------>

6,65

Fig. 21 Anlise Elasticidade X Preo Mdio X Demanda Mdia

Com base nessa informao, podemos definir a elasticidade do bombom Garoto aplicando, como padro, o preo e demanda mdia e utilizando a mesma base para calcular a elasticidade do produto. Quando aplicamos a equao da Elasticidade sobre o Preo Mdio e a Venda Mdia obtidos, determinamos que o Ed do bombom Garoto 6,65. Um estudo realizado sobre a base de dados de onde foram extradas estas informaes indica que 48,53% dos itens com movimentao histrica so sensveis s alteraes de preos; Porm quando realizamos este levantamento nos itens que participam com maior freqncia das promoes, este nmero sobe para 64,49%. Isso prova que mais da metade dos produtos que compe uma lista de ofertas possuem a caracterstica da variao no comportamento de venda em funo da alterao de preo. 4.8 Modelo Matemtico Para Projeo da Demanda Conhecendo o conceito, o prximo passo a elaborao de um modelo matemtico que permita projetar a demanda de um produto baseando-se no preo de venda do mesmo. Conforme demonstrado acima, a elasticidade representa em quantos por centos a demanda de um produto se modifica caso o seu preo seja alterado em 1%. Neste caso, considerando que a elasticidade do bombom Garoto de 6,65%,

60

caso decidirmos que o preo de venda ser de R$ 5,07, ento a demanda mdia ser de 64 unidades, pois:
(Elasticidade Preo da Demanda): 6,65 Dm (Demanda Mdia) = 49 Pm (Preo Mdio) = R$ 5,31 Pp (Preo Projetado) = R$ 5,07 Dm (Alavancagem): [(Pm Pp) / Pm] X Dp (Demanda Projetada) = Dm + [Dm X ( Dm X -1)]

Ou:
Dm = [(Pm Pp) / Pm]) X Dm = 0,045 X 6,65 = 0,30 Dp = 49 X (0,30 X -1) Dp = 64 unidades

Observa-se que o valor percentual de Dm a ser encontrado deve ser multiplicado por -1, pois o aumento do preo acarretar a diminuio da demanda. 4.9 Concluses Este captulo conceitua a atividade do varejo em si e, atravs de observaes in loco, constataes e pesquisas bibliogrficas, procura identificar processos e tcnicas que o gestor utiliza para obter a lucratividade atravs do gerenciamento do Mix de produtos. Foi demonstrado que alteraes nos preos podem influenciar no aumento da demanda (quando o preo do produto reduzido) ou na queda (quando o preo sofrer um aumento), e a mensurao destes impactos atravs do clculo da elasticidade-preo da demanda. Com base destes pressupostos tericos, foram elaborados modelos de planilhas eletrnicas que permitissem simular o comportamento da demanda mediante alteraes de preos, utilizando conceitos tpicos do Data Mining, como a sumarizao e anlise de sries temporais. Resultados prticos satisfatrios foram obtidos atravs da aplicao dos conceitos apresentados.

61

CAPTULO 5: GESTO DE ABASTECIMENTO NO VAREJO

No captulo anterior, explicou-se a importncia da definio do preo de venda para a composio do mix de margem de uma loja de varejo, e os impactos da reduo de margens sobre a venda de determinados produtos. Demonstrou-se que o comportamento de venda de um produto pode ou no variar de acordo com alteraes de preo, e com base nesses dados, o varejista pode realizar ajustes no mix para minimizar suas perdas com produtos promocionais. Neste novo captulo, estaremos abordando os processos e conceitos envolvidos nas operaes de retaguarda, buscando conhecer o funcionamento do abastecimento automatizado, cuja finalidade o suprimento da mercadoria no momento certo e na quantidade certa. Conhecer este processo torna-se fundamental para compreenso do modelo de inteligncia analtica que ser proposto neste trabalho. Este captulo foi elaborado tomando por base observaes in loco de processos realizados por uma companhia de varejo, com lojas distribudas em diversas regies do pas, onde todo o processo de compra e distribuio ocorre de forma centralizada. Nesta empresa, a reposio feita de maneira automtica, podendo ocorrer de duas formas: atravs dos Centros de Distribuio (Cds), - onde o processo controlado com maior intensidade - , e entrega da mercadoria nas lojas diretamente pelo fornecedor. 5.1 Parmetros de Abastecimento: Estoque Padro

62

Para cada produto existente no cadastro comercial de cada loja, necessrio informar um parmetro que representa a quantidade mnima que se pretende manter em estoque deste produto. Este parmetro denominado ESTOQUE PADRO (EP), e seu valor geralmente determinado por informaes de mdia diria de venda, Lead Time 9do fornecedor ou do CD que supre a loja, aumentos inesperados da demanda e / ou atraso do fornecimento e a capacidade de armazenamento em gndola. A principal funo do EP (ou Estoque Objetivo) manter um estoque mnimo de cada produto na loja para suportar a demanda de venda at a prxima entrega da mercadoria, evitando assim a ruptura (falta do produto). Este parmetro deve ser elaborado considerando a demanda normal do produto, ou seja, expurgando as vendas promocionais, e sua reviso deve ocorrer periodicamente, com ajustes de acordo com as sazonalidades do setor. Por exemplo, no vero, deve-se reajustar o EP dos protetores solar, no final de ano deve-se reajustar o EP das aves natalinas, em Julho, reforar o EP de farinceos; e assim por diante, pois certamente estes produtos tero um acrscimo de venda nesses perodos. Outro ponto de observao a definio do EP para cada item, definio essa a ser feita com extrema cautela, uma vez que a parametrizao errada de um produto pode provocar obsolescncias ou rupturas no estoque; veremos, mais adiante, os impactos da gesto ineficiente de parmetros. Ilustrando com exemplo prtico, vamos supor que a demanda mdia do azeite portugus Andorinha seja de 16 unidades por dia. Sabendo-se que o fornecedor ou o depsito abastecedor leva em mdia 3 dias para fazer o abastecimento deste produto na loja, conclui-se que a loja necessitar de uma quantidade mnima de 48 unidades para suportar a prxima entrega. Refinando um pouco mais este conceito, podemos representar a equao abaixo como forma de clculo de um EP (padro utilizado pela empresa onde este estudo foi realizado):
E = (V P M * P ) +Q E T

(2)

Onde: VM = Venda Mdia Diria do produto; PE = Prazo de Entrega do produto;


9

Intervalo de tempo decorrido entre a colocao de um pedido e o seu recebimento no estoque

63

QT = Quantidade em Gndola do produto A figura 22 representa o comportamento de estoque de um produto, considerando um EP 60 unidades com mdia de venda de 16 unidades por dia. Nesse caso, o ressuprimento ocorre a cada 3 dias, porm nota-se que em alguns dias este produto esteve em ruptura, portanto, deve-se fazer uma reavaliao deste parmetro.
Extrato de Estoque X Entregas
70 60 50

Quantidade

40 30 20 10 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

Dias de Venda
ENTRADAS ESTOQUE

Fig. 22 Anlise de reposio da Demanda

importante observar a aplicao da Inteligncia Analtica no refinamento destes dados para identificar atrasos no abastecimento e oscilaes da demanda. Desta forma, pode-se aperfeioar a composio do EP considerando um estoque de segurana para minimizar os problemas de abastecimento. Observa-se tambm que a VM jamais dever considerar o desempenho deste produto quando o mesmo estiver em promoo; nestes casos, os volumes especficos da promoo devem ser calculados parte. 5.2 Parmetros de Abastecimento: Ponto de Reposio O PONTO DE REPOSIO (PR) um valor percentual que identifica o momento ideal em que dever ser solicitada a compra de um produto (gerao do pedido de compra). A variao deste percentual depende muito do comportamento de venda da mercadoria, ou seja, quanto maior a demanda do produto, maior ser o seu ponto de reposio. Exemplo: considerando-se o EP de um produto como 60 peas, se o percentual de reposio atribudo a este produto for igual a 50%, isto significa que quando o estoque sistmico deste produto for igual a 30 peas, o sistema ir gerar

64

um pedido para fazer a reposio do produto. Portanto, 30 unidades o ponto de reposio (PR).
P =E * R P R P E

(3)

Onde: EP = Estoque Padro; REP = Percentual de Reposio; O EP e o PR so os parmetros que informam ao sistema de retaguarda quando dever ser gerado o pedido de reposio de um produto e em que momento este pedido ser gerado. Conhecendo-se a composio do EP e do PR, compe-se agora o clculo que o sistema realiza quando gerado o pedido de compra (PC):
P = E P C P R

(4)

5.3 Gesto de Estoques No Brasil, a preocupao em gerir estoques de maneira eficiente surgiu junto com as novas formas de operacionalizao do negcio, quando empresas varejistas tentavam criar novas formas de gesto para manter a lucratividade aps a estabilizao da moeda e a conteno da inflao. A estocagem de produtos implica em custos para o varejista, portanto, quanto menor for o estoque, menor sero seus custos com estocagem. Estes custos podem ser desmembrados da seguinte maneira: Custo de Capital Parado: o valor que a empresa perde por ter investido em estoques em vez de aplicar no mercado financeiro, ganhando a remunerao dos juros. Custo com Perdas e Roubos: So os custos relacionados com extravio ou quebra atravs do manuseio de mercadorias. Custo de Depreciao ou Obsolescncia: o valor que a empresa perde pelo investimento em margem com produtos que se tornam obsoletos ou modelos que se tornam ultrapassados. A obsolescncia o

65

desgaste pelo tempo de exposio ou as sobras de mercadoria que ocorrem no final de uma estao. O desafio na gesto dos estoques est no equilbrio da compra e venda. O gestor tem que garantir o mnimo estoque, mas que seja suficiente para atender a demanda do produto. Se os estoques forem demasiadamente reduzidos, corre-se o grande risco de no atender o cliente. Atualmente, a tecnologia da informao est contribuindo para que informaes de estoque nas lojas possam ser compartilhadas tambm com os fornecedores. Modelos como o VMI (Vendor Managed Inventory - Estoque Gerenciado pelo Fornecedor) ou CPFR (Collaborative Planning Forecast and Replenishment) permitem que dados de estoque e vendas sejam compartilhados para que a ao da reposio seja mais eficiente. O sistema Retail Link do Wal-Mart permite que cada um de seus fornecedores, espalhados em mais de 80 pases, monitorarem a movimentao de seus itens, e com base nesses dados, planejarem sua produo de acordo com a demanda real, ou readequarem prioridades logsticas para evitar a ruptura nos supermercados (DAVENPORT, 2007). 5.4 Abastecimento de Produtos Promocionais Conforme observado nos tpicos anteriores, os parmetros de EP e PR devem ser elaborados sem considerar a demanda promocional do produto. Isso se deve ao fato da compra promocional ser feita separadamente do abastecimento automtico. Normalmente a separao feita em funo da negociao de volumes, mas em termos de automao, esta separao se faz necessria para um sistema entender que a variao no comportamento de venda de um determinado produto se deve ao fato desse mesmo produto estar em promoo durante tal perodo. No varejo, as promoes podem ocorrer de diversas maneiras, sendo que as listadas abaixo so as mais comuns: Anncios em TV: Os anncios em TV possuem um tratamento diferenciado, em funo da agressividade dos preos e marcas lderes de categoria. Por se tratar de veiculao de comerciais em horrios de picos de audincia, este formato permite uma abrangncia maior de

66

consumidores e, portanto, deve-se acompanhar detalhadamente o status de abastecimento destes produtos. Normalmente, anuncia-se uma mdia de 03 a 06 itens, e os anncios podem ser veiculados diariamente ou durante alguns dias na semana. Anncios em Tablides / Encartes semanais: Os tablides ou encartes semanais (vide figura 16) constituem a relao de produtos em promoo, elaborado de acordo com o calendrio promocional da empresa. Normalmente, so anunciados de 300 a 1.000 itens, dependendo da campanha de marketing em vigor. A principal caracterstica dos encartes trazer o consumidor at o supermercado para comprar as ofertas e, ao mesmo tempo, comprar outros produtos aos preos normais. A distribuio dos encartes ocorre em reas estrategicamente definidas, onde se pretende atingir o pblico alvo; Anncios com Lminas Especiais / Sazonais: So encartes especficos elaborados para atender determinadas campanhas sazonais. Por exemplo: Dia das Mes, Festival de Vinhos e Queijos, Festival Eletro, etc. Liquidao / Queima de Estoque: Para as liquidaes, no existe uma quantidade de compra, pois o principal objetivo deste formato a reduo dos estoques obsoletos. A lista de itens definida pela prpria loja, compreendendo produtos sem venda, produtos fora de estao e at mercadorias com pequenos defeitos. Nas liquidaes, as mercadorias so sempre vendidas a preos inferiores ao custo. Observaremos adiante que o tipo de anncio causa diferentes impactos nas vendas de um produto, portanto deve ser considerado como uma das variveis para o algoritmo de projeo de demanda. O planejamento de uma promoo varia de acordo com o tipo de anncio. Para os anncios em TV, o planejamento realizado com 02 semanas de antecedncia. No caso dos tablides, em funo do nmero de produtos que compe um encarte, necessrio programar as atividades com mais de 45 dias de antecedncia, no momento em que os gestores de categoria selecionam os itens e negociam com os

67

fornecedores os preos e condies especiais. Este processo pode ser observado atravs da figura 23.

[1]

Processo
[3] [2]

Fig. 23 Integrao do Processo Promocional10

Aps a negociao com os fornecedores [1], uma lista de produtos enviada para o departamento Gesto Central de Promoo (GCP) [2], responsvel pelo clculo da demanda. O clculo ocorre manualmente, aplicando-se um percentual de alavancagem sobre a demanda mdia item / loja; Tambm so analisados outros

Plateau DV + Publi

aspectos da promoo, por exemplo, se o produto estar exposto em pontos promocionais (ilhas, pontas de gndola, etc) ou se a promoo estar associada a um outro item (kits promocionais, leve mais pague menos, etc). A informao de demanda produto / loja repassada para a rea de Abastecimento [3]. O abastecimento utiliza uma ferramenta especialmente elaborada para verificar os estoques de cada item nas lojas do grupo, assim como os pedidos que esto agendados no sistema. Com base nesses dados, feita uma projeo de quanto ser o estoque inicial de cada item em D-1 da promoo, e apurada a real
10

A numerao entre colchetes corresponde uma representao grfica para entendimento do texto explicativo a seguir.

Estrat promo

68

Necessidade de Compra (NC) de suprimento. O NC a diferena do estoque D-1 e a venda projetada para o perodo da promoo, e sua representao feita atravs da equao:
NC = ( PV (( EA + PP ) (Vm * Nd ))

(5)

Onde: PV = Previso de Venda (Perodo da Promoo) EA = Estoque Atual PP = Pedidos Pendentes, ou pedidos em aberto. Vm = Venda Mdia diria do produto Nd = Nmero de Dias faltantes at o incio da promoo. A necessidade de compra calculada para cada item / loja ser consolidada e realizada pelo Centro de Distribuio (Cd) ou clula de compra responsvel pelo ressuprimento daquelas lojas. Por sua vez os Cds verificam seus estoques e emitem os pedidos de compra para os fornecedores. 5.5 Concluses Este captulo apresentou a metodologia adotada para o ressuprimento automtico de mercadorias. A empresa foco deste estudo realiza o abastecimento utilizando parmetros de reposio, como o Estoque Padro, que representa a quantidade mnima que a empresa deseja manter em estoque do produto at o seu prximo ressuprimento. Esta metodologia de ressuprimento mostra-se eficaz para garantir o abastecimento da demanda contnua, apesar dos parmetros de reposio sofrerem reavaliaes de tempos em tempos, ou de acordo com as sazonalidades. Contudo, a compra de produtos promocionais deve ser realizada de modo independente, onde os volumes so definidos por um departamento central, a GCP (Gesto Central de Promoes), enquanto a distribuio e controle do abastecimento mantido sob a responsabilidade da Logstica. A definio dos volumes de compras por parte da GCP realizada atravs do know-how de profissionais acostumados com as particularidades dos impactos da alterao de preos sobre a demanda de determinadas categorias de produtos.

69

CAPTULO 6: MODELO DE PREVISO PROMOCIONAL

O objetivo deste captulo demonstrar a utilizao dos conceitos explicados nos captulos anteriores para elaborao de um modelo, baseado em Inteligncia Analtica, com o objetivo de melhorar um processo de abastecimento das promoes. Observamos nos captulos anteriores a importncia das promoes como estratgia utilizada pelos supermercados para atrao de novos clientes; Com isso, conclui-se que, para que seja bem sucedida, uma ao promocional deve ser planejada com vrios dias de antecedncia, e que falhas na estimativa da demanda podem ocasionar o desapontamento do cliente (quando a estimativa for inferior e ocorrer falta do produto) ou o excesso de estoque (quando a estimativa for superior). Apesar do alto grau de informatizao presente no varejo, muitos supermercados ainda planejam a compra de seus produtos promocionais atravs do feeling de seus negociadores, no existindo bases de informao necessrias ou estudos complementares que apurem com exatido a performance ou a viabilidade da mesma, ou se a promoo compensou a eventual perda das margens (SUPERHIPER, 2008). Portanto, a criao de uma estrutura DW permitiria o armazenamento destes registros para um estudo sobre tendncias de demandas futuras, baseado no comportamento das vendas de acordo com as oscilaes de preos. Outro ponto de observao que o processo de gerao dos pedidos de compra feito de maneira automatizada, considerando apenas o parmetro que representa a quantidade mnima de estoque definido para cada produto (Estoque Padro). Este

70

parmetro obtido atravs do histrico de venda dos ltimos 70 dias (Venda Mdia), representando a quantidade mnima que dever ter em estoque at o prximo ciclo de ressuprimento, garantindo que no ocorra a falta do produto durante este perodo. Portanto, a gerao automtica do pedido de compra mostra-se eficaz em garantir o abastecimento quando a demanda for contnua. Ao expor o produto a uma promoo, a rebaixa de preos provavelmente acarretar um aumento na demanda, que no est previsto no sistema. Portanto, o processo de gesto de compra e distribuio de volumes promocionais realizado parte, onde as quantidades so definidas por um departamento especfico. A composio destes volumes pode variar de acordo com o tipo de promoo ou o preo de venda a ser praticado. Neste caso, modelos especficos de Data Mining podem predizer o volume que ser vendido durante o perodo da promoo com uma margem mnima de erro. A partir do momento em que se estabelece a demanda futura de um produto, o prximo passo efetuar a compra das quantidades considerando-se o estoque disponvel, lead-time do fornecedor e outras variantes logsticas, j abordadas no captulo 5. Outro benefcio obtido atravs do registro das promoes o fornecimento de informaes adicionais que permitam apurar as condies em que um aumento inexplicvel de venda ocorreu, quais as mdias de divulgao utilizadas e os impactos ocorridos dentro do mix de produtos (SUPERHIPER, 2008). 6.1 Registro da Promoo Partindo da premissa de que todo evento promocional deve ser identificado e armazenado no sistema comercial, prope-se a elaborao de uma aplicao sharepoint (plataforma de colaborao) a ser utilizada pelas reas envolvidas no processo. Esta aplicao estar disponvel para todos os colaboradores, e seu contedo pode ser acessado diretamente atravs de um portal intranet. importante observar que esta aplicao no est vinculada a nenhum mdulo do sistema de gesto comercial da empresa: a estrutura contendo a relao com os itens da promoo criada de maneira independente, sendo que a integrao dos dados ocorrer somente dentro do DW.

71

Observando o fluxo de processos apresentado na figura 23, o cadastro dos eventos dever ser realizado a partir do momento da definio da listagem de produtos pelo departamento Direo de Mercadorias. Obrigatoriamente, informaes complementares referentes ao perodo (data incio e data fim) e tipo de evento (Anncio TV, Lmina ou tablides) tambm devero ser identificadas no sistema.

Fig. 24 Demonstrao Tela de Incluso de Eventos

A planilha contendo a lista produto / loja que estaro participando dos eventos dever ser carregada na aplicao, onde ocorrer a leitura / validao dos dados e o armazenamento em tabelas especficas. Nesta etapa, podem ser criados relatrios crticos que apontem inconsistncias no cadastro (exemplo: produto no cadastrado no sistema comercial) ou no abastecimento (exemplo: produto sem sortimento para uma determinada loja), garantindo a confiabilidade da integrao dos dados.

Fig. 25 Seleo do evento e carregamento da planilha de produtos

Um exemplo da modelagem para esta estrutura de armazenamento apresentado na figura 26:

72

Fig. 26 Exemplo Estrutura para Armazenamento de Eventos

Esta estrutura inicial de armazenamento composta por 05 tabelas, sendo cada uma delas responsvel pelo armazenamento de uma informao especfica. A tabela B_TIPO_EVENTO armazena informaes pertinentes ao tipo de evento, como, por exemplo, percentual de alavancagem a ser aplicado de acordo com o tipo de mdia a ser utilizado. A tabela B_RESPNS armazena informaes pertinentes do responsvel pela abertura / definio do evento no sistema. A tabela B_EVENTO consiste a relao de eventos identificados atravs de um cdigo (Chave Primria) e informaes a respeito da data incio e data trmino. A tabela B_REL_PRODUTOS contm a relao de produtos e preos de venda estimados por loja (os dados so carregados atravs de uma planilha eletrnica), e identificados de acordo com o cdigo do evento (Chave Estrangeira). A tabela B_LOJA abrange a relao das lojas e formatos que fazem parte da operao da empresa. Criamos estas tabelas em um banco de dados, incluindo registros dos eventos realizados pela loja durante os ltimos 6 meses. O levantamento destas informaes foi colhido fazendo-se uso de planilhas eletrnicas contendo anncios difundidos pela matriz do grupo. Contudo, tais planilhas no possuam um padro nico de apresentao de dados, sendo necessrio corrigir manualmente vrios arquivos

73

para adapt-los ao layout das tabelas. Posteriormente, foi executada uma consulta base de movimentao para resgatar o histrico de movimentao destes itens. 6.2 Histrico de Vendas Em cada filial do grupo, um procedimento noturno realizado diariamente para capturar informaes de venda dos Pdvs e integr-las dentro do sistema comercial. Posteriormente, um segundo processo captura os dados do sistema comercial e os envia para um DW consolidado. O servidor, localizado fisicamente na matriz do grupo, disponibiliza as informaes em forma de relatrios e indicadores BI, tanto para os departamentos internos quanto para as filiais, centros de distribuio e at mesmo fornecedores / colaboradores externos.

Fig. 27 Demonstrao Tabela Registro Histrico de Vendas

Uma alternativa proposta para integrar vendas promocionais a criao de uma nova tabela, com a finalidade nica de armazenar dados de vendas por evento / produto / loja, desta forma evitando-se adaptaes na estrutura original. O objetivo de se criar uma nova tabela destinada apenas para o armazenamento das promoes que estes dados podem ser lidos e agrupados parte, servindo de fonte para novos indicadores BI (performance por eventos, vendas, perda de margem, rupturas e outros), considerando a premissa de que pode um mesmo produto participar de dois ou mais eventos simultneos. A atualizao do histrico ocorrer durante a operao noturna responsvel pela atualizao dos dados no DW. A figura 28 ilustra o funcionamento deste processo. No momento em que ocorrer a carga dos dados na tabela de movimentao de

74

vendas [1], o sistema verificar se existe registro da promoo para um determinado produto / loja [2]. Caso afirmativo, ser feita incluso dos valores na tabela de registro B_REGISTRO_VENDAS_EVENTO [3]. Neste modelo, importante observar tambm o registro do preo, custo, margem e at mesmo estoque, visando o reaproveitamento da informao para novos relatrios.

[2]

[3]

[1]

Fig. 28 Exemplo estrutura para Armazenamento Dados Venda por Eventos11

6.3 Informaes de Elasticidade por Produto A Elasticidade-Preo da Demanda, cujos conceitos foram apresentados no captulo 4, constituem um dos principais parmetros de composio para o clculo de projeo de valores. Atualmente, o sistema comercial armazena a demanda mdia obtida pelo histrico das vendas dos ltimos 70 dias, porm esta informao utilizada apenas para efeitos de abastecimento, servindo de parmetro para
11

A numerao entre colchetes corresponde uma representao grfica para entendimento do texto explicativo acima.

75

elaborao do Estoque Padro. Considerando a premissa de que a demanda de um produto pode variar de acordo com o preo com que vendido, propomos que uma tabela seja criada apenas para armazenar a demanda mdia e o preo mdio de acordo com a elasticidade deste produto. Esta estrutura pode ser implementada de diversas formas, todas elas variando de acordo com o nvel de processamento ou volume dos dados que sero garimpados no BD. Porm, neste modelo, adotaremos a criao de uma nova tabela, denominada B_PROD_COMPLEMENTO, onde sero armazenados os valores de demanda mdia, preo mdio e elasticidade obtidos atravs de uma rotina de minerao, baseado nas premissas do modelo apresentado na figura 22, do captulo 4. A criao de uma tabela complementar contribui significativamente para reduo do tempo de processamento no servidor, quando forem realizados os clculos para projeo da demanda futura. Em contrapartida, uma rotina de processamento dever ser adotada, e executada semanalmente, ou diariamente, para garantir a atualizao da tabela complementar.

Fig. 29 Stored Procedure responsvel pela sumarizao Preo X Demanda

Uma forma de se implementar esta rotina consiste na criao de consultas e Stored Procedures
12

que realizam a minerao dos dados de venda, efetuam os clculos

12

Stored Procedures so conjunto de instrues executadas dentro de um banco de dados.

76

para

apurao

da

elasticidade

armazenam

os

resultados

na

tabela

B_PROD_COMPLEMENTO, como pode ser observado na figura 29.

Fig. 30 Fluxo Processo Minerao e Transformao dos dados de Demanda

Cada consulta ou Stored Procedure responsvel por uma etapa do processo, tratando os dados, sumarizando e enviando para um processo seguinte. O processo todo realizado de modo a garantir a integridade e confiabilidade dos dados at o ponto em que estes forem completamente carregados na tabela auxiliar B_PROD_COMPLEMENTO.

77

Fig. 31 Estrutura da Tabela B_PROD_COMPLEMENTO com os dados completamente carregados

Nome do Processo

Entrada
TBL_MOVIMENTACAO_VENDAS.Loja TBL_MOVIMENTACAO_VENDAS.Cdigo TBL_MOVIMENTACAO_VENDAS.Data_Movimento TBL_MOVIMENTACAO_VENDAS.Qtd TBL_MOVIMENTACAO_VENDAS.Preo

Sadas
Loja Cdigo FREQENCIA SOMA_QTD_PERODO SOMA_VENDA_PERODO VM PM Preo Loja Cdigo TOT_NUMERO_DIAS PAR_VM_MDIA TOT_VENDA_PERODO PREO_MEDIO Loja Cdigo PER_VAR_PV PER_VAR_DEMANDA

Operao
FREQENCIA : Contar {Data_Movimento} SOMA_QTD_PERODO: Somar {Qtd} SOMA_VENDA_PERODO: Somar {[Qtd] * [PREO]} VM: {[SOMA_QTD_PERODO] / [FREQENCIA]} PM: {[VM] * [PREO]} Agrupado por Loja, Cdigo e Preo Onde [FREQENCIA] > 3 TOT_NUMERO_DIAS : Somar {FREQENCIA} PAR_VM_MDIA: {[SOMA_QTD_PERODO] /[ TOT_NUMERO_DIAS]} TOT_VENDA_PERODO: Somar {SOMA_VENDA_PERODO} PREO_MEDIO: {[TOT_VENDA_PERODO] / [SOMA_QTD_PERODO]} Agrupado por Loja e Cdigo PER_VAR_PV: ([PM]-[PREO_MEDIO]) / [PREO_MEDIO] PER_VAR_DEMANDA: ([VM]-[PAR_VM_MDIA]) / [PAR_VM_MDIA] Agrupado por Loja e Cdigo

_APURAO_VM_PM

_SUMARIZA_VM_PM

_APURAO_VM_PM.Loja _APURAO_VM_PM.Cdigo _APURAO_VM_PM.SOMA_QTD_PERODO _APURAO_VM_PM.FREQENCIA _APURAO_VM_PM.SOMA_VENDA_PERODO _APURAO_VM_PM.Loja _APURAO_VM_PM.Cdigo _APURAO_VM_PM.FREQENCIA _APURAO_VM_PM.PM _SUMARIZA_VM_PM.PREO_MEDIO _APURAO_VM_PM.VM _SUMARIZA_VM_PM.PAR_VM_MDIA _APURAO_ELASTICIDADE.Loja _APURAO_ELASTICIDADE.Cdigo _APURAO_ELASTICIDADE.PER_VAR_PV _APURAO_ELASTICIDADE.PER_VAR_DEMANDA

_APURAO_ELASTICIDADE

Loja Cdigo TOTAL_PER_VAR_PV TOTAL_PER_VAR_DEMANDA ELASTICIDADE

_SUMARIZA_ELASTICIDADE

TOTAL_PER_VAR_PV: Somar {PER_VAR_PV} TOTAL_PER_VAR_DEMANDA: Somar {PER_VAR_DEMANDA} ELASTICIDADE: [TOTAL_PER_VAR_DEMANDA] / [TOTAL_PER_VAR_PV] Agrupado por Loja e Cdigo

Tabela 2 Relao dos eventos disparados pelas Stored Procedures

78

79

6.4 Elasticidade da demanda por tipo de Evento Alm dos preos, o tipo de veiculao do evento deve ser considerado no momento em que for projetada a demanda para um produto. Isso porque algumas mdias so mais agressivas do que outras. Uma anlise efetuada na base de dados demonstra os impactos causados por tipo de evento sobre a demanda mdia dos itens que participam do mesmo.
Durao Mdia Dias 6 5 7 2 Total Qtd Vendidas 182.625 49.794 171.256 153.132 Total Qtds Demanda Mdia 114.922 43.921 136.239 20.546 Variao Preos % -6,80% -0,20% -7,16% -11,56%

Tipo Evento LAMINAS SAZONAIS TABLIDES TV

Alavancagem % 58,91% 13,37% 25,70% 645,31%

Tabela 3 Anlise alavancagem tipo de evento

Observa-se que produtos que participam de anncios veiculados em TV normalmente tem seus preos reduzidos em mdia 11,56%. A estratgia de veiculao em TV atinge um maior nmero de consumidores, portanto, produtos que participam deste tipo de ao podem sofrer um aumento da demanda em at 645,31%. Por causa da agressividade e perdas em margens, este tipo de anncio possui curta durao (em mdia 02 dias). Este exemplo ilustra que o comportamento promocional pode variar dependendo das mdias utilizadas, portanto imprescindvel conhecer qual o tipo de promoo utilizada no passado. Neste caso, conclui-se que a elasticidade preo da demanda podem variar de acordo com o tipo de evento. Se cadastrarmos no sistema um evento do tipo Anncio em TV, ento, a demanda projetada para este evento dever levar em considerao apenas o histrico das vendas deste tipo de ao. Para efeitos de estudo, estaremos analisando o universo de dados coletados apenas de produtos que participam do evento tablide. 6.5 Aplicao das Variveis Preditivas

80

Depois de definida a estrutura fsica para armazenamento e transformao dos dados, o prximo passo selecionar as variveis preditivas que melhor se adaptaro ao modelo de previso. Aplicamos os conceitos de elasticidade-demanda observados no captulo 4 (Tpico 4.6) sobre um evento real, simulando o volume de previso de venda (utilizando sries temporais) e comparando com os valores reais. O evento em questo refere-se a um tablide que esteve em vigor no perodo de 12/08/2008 a 19/08/2008, e o resumo da amostragem total pode ser observado no quadro abaixo:
Evento Tabloide Agosto II Perodo de 12/08/08 a 19/08/08 Nmero de Itens 603 Demanda Prevista 77.000 Demanda Realizada 78.201 Dif %

1.201 1,56%

Tabela 4 Comparativo da Demanda Prevista X Realizada

Apesar da taxa mnima de erro (1,56%), no detalhe produto a produto, alguns itens apresentaram grandes distores percentuais. A anlise da amostragem produto a produto identificou que os itens que apresentaram maiores distores possuam pouca ou quase nenhuma movimentao; Alm deste, outros fatores foram identificados, como falhas de ressuprimento, que contriburam para a falta da performance nas vendas, e anncio de produtos similares pela concorrncia. Outro ponto a ser observado quanto maior o histrico de dados, maior a preciso do modelo. Neste estudo, utilizou-se uma base histrica baseada na movimentao dos ltimos 6 meses. Alm disto, softwares forecasting possuem a capacidade de analisar o histrico dos desvios de previso: o sistema armazena os resultados previstos e realizados e informaes de desvio em uma tabela de Histria (Branch History Table). Durante a execuo do processo de previso, o modelo incorpora no clculo da demanda junto com o desvio previsto, aplicando o percentual que se aproximou com maior exatido da quantidade demandada. No entanto, o preo no apenas a nica varivel que pode influenciar na deciso de compra do consumidor. Parente (2000) explica que o comportamento de compra do consumidor em uma loja influenciado por fatores ambientais (economia, clima, demografia, poca do ano, tendncias de mercado), pelo composto de marketing
13

13

Composto de Marketing: Conjunto de variveis que compe o esforo de marketing do varejista, e engloba todos os fatores controlveis que o varejista articula (...) para conquistar as preferncias dos consumidores (PARENTE, 2000, pg 61).

81

da loja e o composto de marketing da concorrncia. Produto, preo e promoo fazem parte do composto de marketing, assim como apresentao e ponto de localizao; As demais variveis, como fatores ambientais, so imprevisveis e difceis de mensurar. Sob o ponto de vista operacional, as variveis a seguir devem ser consideradas: Canibalismo: Representa a perda percentual sobre o volume de vendas resultante das aes promovidas pelos concorrentes, geralmente com produtos similares. Hoje, os supermercados mantm uma base de dados com pesquisas de preo que so realizados nos concorrentes mais prximos, possibilitando incorporar estas informaes no modelo de previso. Tipo Evento: conforme abordado no tpico 6.4, a demanda pode variar de acordo com o tipo de mdia utilizada. Aes Promocionais no Ponto de Venda: Deve-se atribuir um percentual de acrscimo sobre a demanda, caso forem planejadas aes promocionais especficas (exemplo: degustao, brindes).

6.6 Aplicao de Modelos para Previso de Demanda Os modelos estatsticos tradicionalmente utilizam Sries Temporais e Modelos de Regresso para previso de valores. As Sries Temporais baseiam-se no histrico de uma varivel, buscando padres que possam descrever o comportamento desta varivel, para depois extrapol-los para o futuro atravs de um dos mtodos aplicveis aos modelos univariados. Modelos de regresso consideram o comportamento de uma varivel a ser prevista como causa e efeito de uma ou mais variveis independentes. Seu princpio descobrir esta forma de relacionamento ou correlao e utiliz-la na previso da varivel dependente.

82

Fig. 32 Modelo para Previso de Vendas Fonte: FuturMaster(www.futurmaster.com)

Para facilitar o processo de deciso, os dados utilizados devem ser o mais atomizados (individuais) possvel, permitindo gerar previses com grande nvel de detalhamento, porm a um horizonte de curto prazo. Na bibliografia, inmeros autores pesquisaram sobre acuracidade de modelos quantitativos para prever demanda, utilizando diferentes tcnicas e abordagens. BARASH & MITCHELL (1998), GORDON (1998), e ALIBAIG & LILLY (1999), por exemplo, exploraram a previso da demanda de modo individual, produto a produto, utilizando sries temporais do histrico de vendas (PASSARI, 2003).

Fig. 33 Abordagens de previso de vendas com uso de dados individuais e modelagem de sries temporais Fonte: PASSARI, 2003

Outros autores, como MENTZER & KENT (1999) e SUBRAHMANYAN (2000), desenvolveram modelos exploratrios do impacto de diversas variveis sobre a previso individual de um produto. Poucos autores, contudo, realizaram estudos a

83

fim de desenvolver modelos que incorporassem o relacionamento existente entre os produtos (PASSARI, 2003). CHAKRABORTY et al. (1992) estudaram o uso das RNA (Redes Neurais Artificiais) e demonstraram ser possvel melhorar a previso de sries temporais e variveis, permitindo incorpor-las em um modelo nico, e no realizar as previses isoladamente.

Fig. 34 Abordagens de previso de vendas com utilizando RNAs Fonte: PASSARI, 2003

A utilizao de RNA tem tido muito sucesso na previso de vendas, dadas suas qualidades de auto-adaptao a dados no-lineares, e sua habilidade para considerar simultaneamente mltiplas variveis tais como: demanda do mercado pelo produto, capacidade de compra dos consumidores, tamanho da populao e preo do produto. A previso de vendas nos supermercados e centrais de atacadistas tem sido bastante estudada e os resultados tm mostrado bom desempenho, quando comparados tanto com as tcnicas estatsticas tradicionais, como a regresso (PASSARI, 2003).
Com o uso de dados separados por produto, pode-se treinar uma rede neural para simular entradas nas variveis explicativas, e assim planejar aes e antecipar seus resultados com alguma preciso. Tomando como exemplo os dados disponveis nesta pesquisa, o gestor pode simular mudanas no preo, no nvel de estoque, na exposio dos produtos na loja (mostrurio), na freqncia de reposio, na taxa de juros e incentivo ao pagamento parcelado, no comissionamento dos vendedores, entre outras, e prever as alteraes na demanda por produto (PASSARI, 2003).

Como ponto de observao, as redes neurais podem prever os impactos refletidos da promoo sobre a demanda de outros itens, um fenmeno conhecido como elasticidade cruzada. Quando um produto participa de um evento promocional, a tendncia aumentar a demanda deste produto e diminuir a demanda de produtos similares. Este relacionamento pode ser medido tambm atravs da elasticidade cruzada, que reflete como a variao do preo de um produto afeta o comportamento de vendas de outros produtos (PARENTE, 2000). 6.7 Gerao da Necessidade de Compra baseado na Demanda Prevista

84

Projetado a demanda unitria por item, a prxima etapa do processo a gerao da Necessidade de Compras, cujos conceitos foram apresentados no final do captulo 5 (subcaptulo 5.4). Tendo-se em vista a demanda projetada de um produto durante o perodo promocional, o prximo passo a aplicao da equao da Necessidade de Compras (Equao 5). Conhecendo-se as quantidades que sero vendidas, desconta-se os volumes em estoque e futuras pendncias de compra (pedidos em aberto) da previso de venda, gerando o volume final que dever ser comprado do fornecedor.

85

CONCLUSO

As mudanas de mercado impostas pelo Plano Real obrigaram as empresas de varejo no Brasil a reverem seus conceitos e metodologias. Neste novo cenrio, as empresas passaram a competir mais entre si, buscando atender um consumidor mais exigente e com maior poder de compra, motivado pela melhor oferta de servios, preos e atendimento. Oferecer os melhores servios a melhores preos implicava em reduzir custos operacionais, e isto s poderia ser obtido atravs de melhorias contnuas dos processos e mecanismos de gesto. Neste ponto, a Tecnologia da Informao contribuiu para a melhoria de servios, atravs da automao comercial, proporcionando mecanismos necessrios para a gesto do negcio, como, por exemplo, reduo de custos logsticos atravs da integrao da cadeia logstica e gerenciamento do mix de produtos. Este estudo demonstrou a evoluo dos Sistemas de Informao, observando como TI vem sendo utilizada estrategicamente pelos supermercados para gerar informaes para agregar valor ao negcio. Diante dos motivos expostos, escolheu-se estudar um processo praticado pelo varejo: a promoo de produtos. A atividade promocional o principal elo entre o consumidor e o supermercadista, sendo o principal meio para atrao / reteno de novos clientes. Alm disso, a atividade promocional esta diretamente vinculada imagem da empresa que o pratica, o que resulta um conjunto de aes e seu prplanejamento com vrios dias de antecedncia. O sucesso da promoo o resultado da sinergia entre os departamentos de Mercadorias (negociao de preos), Logstica (abastecimento dos volumes de compra) e T.I. (ferramentas para

86

controle durante o processo). Uma promoo no planejada acarreta em perda de imagem da empresa com o seu consumidor, ou ento em implicaes no custo de armazenamento, quando os volumes de compra forem superiores da demanda realizada. Durante a pesquisa de campo necessria para conhecer o processo de planejamento de uma promoo, observou-se que: decises sobre o volume de compras realizada de acordo com o feeling dos negociadores, e no existem bases contendo informaes de performance por produto e promoo, para anlises futuras. Portanto, props-se a criao de um mecanismo que permita ao varejista comprar a quantidade ideal para suprir a demanda durante o perodo da promoo, garantindo um saldo mnimo de estoque aps o trmino da mesma. Partindo desta premissa, analisamos o emprego das modernas estruturas para armazenamento de dados, como os Datawarehouses, e abordamos os conceitos por trs do Business Intelligence e Inteligncia Analtica (Data Mining), exemplificando sua ampla utilizao departamental e ressaltando os benefcios trazidos por estas tecnologias. O conhecimento destas tecnologias foi fundamental para a elaborao de um modelo Forecasting que prev a demanda promocional produto a produto. Para tanto, fez-se necessrio a compreenso da atividade de varejo em si para identificar as premissas ou as variveis a serem incorporadas neste modelo de previso. Depois, forma analisadas as metodologias e teorias sobre abastecimento automtico de mercadorias, onde se concluiu que o abastecimento de produtos promocionais deve ser realizado de modo independente. Estas anlises resultaram na concepo de uma soluo tecnolgica baseada em BI e Data Mining para prever com preciso a demanda de volumes promocionais, sugerindo uma arquitetura baseada nos conceitos observados no decorrer deste estudo. Esta estrutura seria capaz de armazenar informaes especficas de movimentao dos produtos que participam de qualquer evento promocional, desde que cadastradas em um sistema SharePoint, permitindo tambm o desenvolvimento de novos relatrios BI (exemplo: desempenho por tablide, impactos de perda de margem das promoes sobre o mix, e outros...), contribuindo com informaes que atualmente no esto disponveis no sistema BI consolidado da empresa.

87

Contudo, o objetivo de se manter uma base de movimentao das promoes a possibilidade de conhecer, estudar e analisar o comportamento da demanda unitria de um produto, assim como as variveis que regem as mudanas de comportamento. Conhecendo-se estas variveis e os impactos que elas proporcionam, pode-se prever com alto grau de preciso qual ser a demanda de um produto, considerando o preo que se planeja vend-lo e o tipo de mdia que ser usado. Testamos a eficcia de um modelo baseado em sries temporais sobre um evento real ocorrido na loja no perodo de 12/08/2008 a 19/08/2008, posteriormente comparando os valores previstos do modelo com a venda realizada na loja. No que diz a respeito do total de volume, a anlise geral do evento trouxe resultados satisfatrios (com 1,56% de margem de erro), porm na anlise produto a produto constatou-se distores entre o previsto x realizado. A anlise destas divergncias apontou falhas no ressuprimento e aes com produtos similares realizadas pelo concorrente, prejudicando a performance das vendas. Para os demais itens, os erros percentuais variavam de 1% a 20%, levando-nos a considerar que um maior histrico de movimentao (de 03 a 06 anos) poderia resultar em dados mais precisos. Outro ponto de observao que, apesar de listarmos as variveis possveis a serem aplicados no modelo, observamos que a atividade do varejo em si extremamente dinmica, onde as variveis sofrem constantes alteraes. Apesar de desenvolvermos um modelo baseado em sries temporais, analisamos tambm a viabilidade de se utilizar modelos baseados RNAs, dadas sua habilidade para considerar simultaneamente mltiplas variveis ambientais. Como resultado deste estudo, conclumos o incrvel potencial da aplicao da Inteligncia Analtica na simulao de cenrios, permitindo que a empresa planeje suas aes com antecedncia, garantindo um atendimento satisfatrio aos seus consumidores sem onerar custos de distribuio. Com isso, conclumos o objetivo geral proposto pelo estudo: estudar a maneira como TI est revolucionando o modus operandi das empresas, propiciando a elaborao de estratgias prticas voltadas competitividade no varejo supermercadista. Como recomendao para novos estudos, sugere-se uma anlise mais aprofundada sobre a aplicabilidade do modelo e seus impactos na gesto do negcio, verificando a relao custo versus benefcios. Outra sugesto o estudo de tcnicas de Data Mining e sua aplicao para identificao de perfil ou hbitos de consumidores no varejo, permitindo

88

empresa elaborar um calendrio de abastecimento contnuo de acordo com a previso do fluxo de movimentao de clientes por dia da seman ou faixa horria.

89

REFERNCIAS

1. ALCANTARA, Igor. Business Intelligence: Elevando a gesto dos negcios a um


novo patamar. Disponvel em: <www.microsoft.com/brasil/technet/colunas/IgorAlcantara/ConceitosBI.mspx>. Acessado em 07 de Julho de 2008.

2. ALIBAIG, Shahbaz; LILLY, Bryan, 1999. Updating your forecasting system: Wisconsin
tissue's experience. The Journal of Business Forecasting Methods & Systems, Fall, v. 18, n.3, pgs. 13-18.

3. ASSOCIAO BRASILEIRA DE SUPERMERCADOS ABRAS. O setor e suas novas


ferramentas tecnolgicas. Disponvel em: <http://www.abrasnet.com.br/super/fevereiro_2008_capa2.asp>. Acessado em 16 de Abril de 2008.

4. BARASH, Mark; MITCHELL, Donald H., 1998. Account based forecasting at Nabisco
biscuit company. Journal of Business Forecasting, n. 31, Summer.

5. BARBIERE, Carlos. BI-Business Intelligence Modelagem e Tecnologia. Rio de


Janeiro: Axcel Books, 2001.

6. BRASIL.Ministrio da Fazenda Esplanada dos Ministrios,


<http://www.fazenda.gov.br/portugues/real/planreal.asp>, acessado em 11 de Abril de 2008. 7. CARREFOUR BRASIL. Disponvel em <http://www.carrefour.com.br>. Acessado em 11 de Abril de 2008.

8. CARVALHO, Alexey. A Utilizao da Tecnologia da Informao em Supermercados:


Proposta De Um Modelo de Maturidade. 2006. 110 f. Dissertao (Mestrado em Tecnologia) Centro Estadual de Educao Tecnolgica Paula Souza,So Paulo, 2006.

90

9. CARVALHO, Luis Alfredo Vidal de. DataMining : A Minerao de Dados no Marketing ,


Medicina, Economia, Engenharia e Administrao. Rio de Janeiro: Cincia Moderna, 2005

10. CHAKRABORTY, K.; MEHROTRA, K; MOHAN, C. K, 1992. Forecasting the behaviour


of multivariate time series using neural networks. Neural Networks, v. 5, n. 6, pgs. 961970.

11. COSTA, Antonio R; CRESCITELLI, Edson. Marketing promocional para mercados


competitivos: planejamento, implementao e controle. So Paulo: Atlas, 2003.

12. DAVENPORT, Thomas; HARRIS, Jeanne. Competio Analtica Vencendo atravs


da Nova Cincia. So Paulo: Elsevier, 2007.

13. ELMASRI, R. Navathe, S.B. Fundamentals of database systems. New Jersey:


Addison-Wesley, 2000.

14. FAYYAD, Usama M. et al. Advances in Knowledge Discovery and Data Mining.
California: AAAI Press, 1996.

15. FURLAN, J. D. Modelagem de Negcio; Akron Books 1997. 16. GAIATECH. Uma Breve Histria de Integrao.Disponvel em:
<http://www.gaiatech.com.br/prod/historia.htm>. Acessado em 23/04/2008.

17. GOEBELl, Michael ; Gruenwald, Le. A Survey of Data Mining and Knowledge
Discovery Software Tools. 1999. 33 f. Disponvel em: <http://research.microsoft.com/research/datamine/SIGKDD/issue1-1/survey.pdf>. Acessado em 14 de Agosto de 2008.

18. GONALVES, Loren P. F. Avaliao de ferramentas de minerao de dados como


fonte de dados relevantes para tomada de deciso: aplicada a Rede Unio de Supermercados.2001 104f. Dissertao (Mestrado em Administrao) - Universidade Federal do Rio Grande do Sul, Porto Alegre, 2001.

19. GONALVES, Mrcio. Extrao de Dados Para Data Warehouse. So Paulo: Axcel
Books. 2003.

20. GORDON, Rich, 1998. A role for the forecasting function. The Journal of Business
Forecasting Methods & Systems, Winter, v. 16, n. 4, pgs. 3-7.

21. GSI BRASIL. Disponvel em <http://www.gs1brasil.org.br>. Acessado em 14 de Abril de


2008.

91

22. HAN, J. Kamber, M. Data mining: concepts and techniques. New Jersey: Morgan
Kaufmann Publishers, 2001.

23. INMON, W. H. Como Construir o Data Warehouse; Traduo: Ana Maria Neto; Guz
Editora Campus 1997.

24. KOTLER, Philip. Administrao de Marketing. 5 ed. So Paulo: Atlas, 1998. 25. LAUDON, K. C.; LAUDON, J. P. Gerenciamento de Sistemas de Informao. Rio de
Janeiro: LTC, 2001. 26. LUKIANOCENKO, Marlucy. Ranking 2006. SUPERHIPER, Rio de Janeiro, ano 32,n.364, p.26-108, maio 2006.

27. LEWISON, D. M. Retailing. Ed. Prentice-Hall, Englewood Cliffs. 28. MATSUBAYASHI, Roberto. Gesto de estoques reduz custos. Disponvel em:
<http://www.manutencaoesuprimentos.com.br/conteudo.php?codigo=42>. Acessado em 12 de Julho de 2008.

29. MENTZER, John T.; KENT, John L., 1999. Forecasting demand in the Longaberger
Company. Marketing Management, Summer, v. 8, n. 2, pgs. 46-50, Chicago.

30. MICROSTRATEGY. Disponvel em: <http://www.microstrategy.com.br>. Acessado em


20 de Agosto de 2008

31. MORITA, ALESSANDRA. Saiba Como Transformar Ofertas em Lucro. Revista


SUPERMERCADO MODERNO, So Paulo, Ano 39, n. 3, p.23-27, Maro 2008.

32. NIELSEN BRASIL. Regular Price Analysis . Disponvel em:


<http://br.nielsen.com/products/ac_pricerelativetest.shtml>. Acessado em 04/09/2008.

33. O'SULLIVAN, Arthur; SHEFFRIN, Steven M. Princpios de Economia. Rio de Janeiro:


LTC, 2000.

34. PARENTE, Juracy. Varejo no Brasil: gesto e estratgia. So Paulo: Atlas, 2000. 35. PASSARI, A.F.L. Explorao de Dados Atomizados para Previso de Vendas no
Varejo Utilizando Redes Neurais. Dissertao (Mestrado em Administrao e Contabilidade). USP: So Paulo, 2003.

36. REVISTA PCWORLD. Um Guia Completo De BI Para Quem Usa A Inteligncia Em


Seus Negcios. Disponvel em: <http://pcworld.uol.com.br/reportagens/2008/01/14>. Acessado em 25/05/2008.

92

37. REZENDE, Denis Alcides. Evoluo da Tecnologia da Informao nos ltimos 45


Anos. Revista FAEBUSINESS, n.4, dez. 2002. Disponvel em: <http://www.fae.edu/publicacoes/pdf/revista_fae_business/n4_dezembro_2002/tecnologia2_ evolucao_da_informacao_nos_ultimos.pdf>. Acessado em 12 de Julho de 2008.

38. SAS BRASIL. Disponvel em: <http://www.sas.com>. Acessado em 18 de Julho de 2008. 39. SERRA, Larcio. A Essncia do Business Intelligence. So Paulo: Thomson. 2002. 40. SINGN, Harry S. Data Warehouse: Conceitos, Tecnologias, Implementao e
Gerenciamento. So Paulo: Makron Books, 2001

41. SOUZA, Walter. 50 anos de supermercado no Brasil. Revista SUPERHIPER, Rio de


Janeiro, ano 28, n.324, p99-114, set.2002

42. SPSS BRASIL. Disponvel em: <http://www.spss.com.br/tecnologias/data_mining.htm>.


Acessado em 18 de Julho de 2008.

43. SUBRAHMANYAN, Saroja, 1998 An exploratory empirical study on how pricing and
inventory decisions are made in a simulated environment. Research paper Series, Faculty of Business Administration, National University of Singapure, Maio, RPS, pgs. 98123.

44. THE GARTNER FELLOWS: Howard Dresners Biography. Disponvel em:


<http://www.gartner.com/research/fellows/asset_79427_1175.jsp>. Acessado em 16 de Maro de 2008.

45. WEBER, Jean E. Matemtica para Economia e Administrao. 2 ed. So Paulo:


Ed.Harbra Ltda, 2001.

46. WERNKE, Rodney. Anlise de custos e preos de venda. So Paulo: Saraiva, 2005.

93

ANEXO A Questionrio aplicado EMPRESA

1. O senhor poderia fornecer alguns dados sobre sua empresa: produtos, nmero de
funcionrios, volume de vendas, faturamento, lojas etc. 2. Qual o setor ou departamento responsvel pela previso dos volumes promocionais?

3. Quantas pessoas trabalham neste setor?


4. Quais os tipos de promoes, ou eventos promocionais, praticadas pela empresa? 5. Qual a periodicidade e o tempo de durao de cada evento promocional? 6. Quantos produtos, em mdia, so selecionados para um tablide?

7. O Sr. pode explicar o processo de planejamento de uma promoo: reas envolvidas e


suas funes, tempo de planejamento, ferramentas utilizadas, etc. 8. O Sr. possui algum registro de vendas somente das aes promocionais? 9. Quais os indicadores ou informaes referente a tablides o Sr. gostaria de ter? 10. O Sr. utiliza dados externos e sobre a concorrncia, e como eles so obtidos?

11. O Sr. pesquisa preo de produtos na concorrncia? Com que freqncia as pesquisas
so realizadas? 12. Quais so as variveis que impactam diretamente na demanda de um produto? 13. Quais so as sazonalidades especficas nas vendas? 14. O Sr. possui algum software que realize projees sobre a demanda de seus produtos? 15. O Sr. poderia nos explicar como funciona o abastecimento automtico de produtos na sua loja?

16. Quais os principais indicadores ou relatrios que o Sr. usa para gerir produtos?
17. Que tipo de informao o Sr. gostaria de receber, e que atualmente no pode ser extrada do seu sistema comercial?

94

18. Sua empresa possui um sistema BI? Os relatrios so compartilhados por todos os usurios? O Sr. poderia nos explicar como funciona o processo de atualizao dos dados?

95

ANEXO B Dicionrio de Dados

TBL_MOVIMENTACAO_VENDAS Descrio do Objeto: Tabela que armazena o registro dirio de venda por produto e filial.
Campo LOJA CODIGO DATA_MOVIMENTO EMB_FOR QTD PRECO CUSTO ICMS MARGEM COD_CUPOM Tipo Integer Integer Date Integer Integer Decimal Decimal Decimal Decimal Integer Descrio Identificador nmero da Loja Identificador Cdigo do Produto Data da Venda identifica embalagem registrado venda no PDV Quantidade registrado no PDV Preo Unitrio do produto vendido Custo Unitrio do Produto Vendido Valor Icms Cobrado Percentual de margem aplicado, de acordo com o Preo de Venda Nmero do documento que identifica a operaao (Cupom Fiscal)

TBL_ITENS_CADASTRO Descrio do Objeto: Tabela que armazena informaes dos produtos comercializados.
Campo CODIGO DP SC GR SB EAN DESCRICAO FORNECEDOR SIST ESTOQUE VM PV CUSTO EMBLG NAT_FISCAL Tipo Integer Integer Integer Integer Integer Integer Character Integer Integer Decimal Decimal Decimal Decimal Integer Integer Descrio Identificador Cdigo do Produto Identificador Departamento ao qual pertence o produto (CM) Identificador Setor ao qual pertence o produto (CM) Identificador Grupo ao qual pertence o produto (CM) Identificador Subgrupo ao qual pertence o produto (CM) Identificador do EAN do produto Descrio do Produto Cdigo do Fornecedor que Abastece o Produto Sistemtica de Abastecimento: 1 - Entrega via Depsito Centralizado 11 - Entrega via Cross Docking 20 - Entrega Direta via Fornecedor Estoque Sistmico do Produto Venda Mdia do Produto (Atualizado Semanalmente) preo de venda praticado Custo da ltima Entrada do produto (Composio do Preo de Venda) Embalagem de fornecimento do produto Natureza Fiscal do produto, para efeitos de clculo de tributao

96

EP REP ICMS

Integer Decimal Decimal

Estoque Padro do produto Percentual para clculo do Ponto de Reposio Icms para composio do Preo de Venda

B_TIPO_EVENTO Descrio do Objeto: Tabela relaciona o tipo de eventos ou aes promocionais praticados pela loja, definindo um grau de alavancagem entre eles.
Campo COD_TIPO_EVENTO DESC_TP_EVENTO PR_ALAVANCAGEM Tipo Integer Character Decimal Descrio Identificador do tipo de Evento Descrio do Tipo de Evento (Anncio TV, Tablide, Revista, Sazonal, etc..) Percentual sobre alavancagem (definido pelo Gestor)

B_EVENTO Descrio do Objeto: Tabela que armazena informaes dos eventos.


Campo COD_EVENTO DSC_EVENTO COD_TIPO_EVENTO DAT_INICL DAT_FIM DAT_ATUALIZACAO Tipo Integer Character Integer Date Date Date Descrio Identificador do Cdigo da Promoo Descrio da Promoo Chave Estrangeira (B_TIPO_EVENTO) - tipo de Promoo Data Incio da Promoo Data Final da Promoo Data da insero do Evento no Sistema

B_REL_PRODUTOS Descrio do Objeto: Tabela que armazena informaes dos produtos e eventos aos quais foram cadastrados.
Campo COD_EVENTO COD_LOJA COD_PRODUTO PRECO_VDA Tipo Integer Integer Integer Decimal Descrio Chave Estrangeira do tipo de evento Codigo da Loja Codigo do Produto Preo de Venda Previsto para a Promoo

B_REGISTRO_VENDAS_EVENTO Descrio do Objeto: Tabela que armazena as vendas somente quando o produto encontra-se em promoo.

97

Campo COD_EVENTO COD_PRODUTO COD_LOJA DATA_MOVIMENTO QTD_VENDA PRECO_VENDA CUSTO_VENDA VALOR_LUCRO PROD_ESTOQUE

Tipo Integer Integer Integer Date Integer Decimal Decimal Decimal Integer

Descrio Chave Estrangeira (B_EVENTO) - Codigo do Evento Chave Estrangeira (B_REL_PRODUTOS)- Codigo do Produto Codigo da Loja Data da Venda Quantidade Vendida em unidades Preo praticado durante a Promoo Custo Unitrio do produto Valor Lucro Estoque Encerrado no dia

B_PROD_COMPLEMENTO Descrio do Objeto: Tabela complementar de TBL_ITENS_CADASTRO que armazena informaes de Demanda Mdia, Preo de Venda Mdio e Elasticidade, para clculo da demanda futura baseada em um preo projetado.
Campo LOJA CODIGO DEMANDA_MEDIA VENDA_MEDIA ELASTICIDADE Tipo Integer Integer Decimal Decimal Decimal Descrio Identificador da Loja Identificador do Produto Clculo da Demanda Mdia Clculo Preo Mdio Clculo da Elasticidade

Você também pode gostar