Escolar Documentos
Profissional Documentos
Cultura Documentos
ESCOLA DE ENGENHARIA
GRADUÇÃO EM ENGENHARIA DE PRODUÇÃO
NITERÓI
2023
ENZO SANT’ANNA RIBEIRO
Niterói
2023
ENZO SANT’ANNA RIBEIRO
________________________________________________________
Orientador – Prof. Dr. Marcelo Maciel Monteiro
Universidade Federal Fluminense
________________________________________________________
Coorientadora – Prof.ª Dr.ª Tatiana Escovedo
Pontifícia Universidade Católica do Rio de Janeiro
________________________________________________________
Examinador – Prof. Dr. Diogo Ferreira de Lima Silva
Universidade Federal Fluminense
AGRADECIMENTOS
Supply chain plays a crucial role in the operational and strategic success of
companies, especially in dynamic and competitive sectors like the beauty products
industry. From this perspective, data visualization emerges as an essential tool to
assist supply chain managers and professionals in gaining better insights into the
complexities and patterns of data related to material and information flows. Through
visualization techniques and tools, large volumes of data can be transformed into
intuitive and easily understandable graphical representations, providing valuable
insights for decision-making. This study presents the case of a global beauty products
company's headquarters, which faces complex challenges and critical decisions in its
supply chain, particularly regarding commemorative boxes, gift sets with multiple
products, also known as coffrets. To sum up, this study highlights the importance of
data visualization as a strategic tool to enhance efficiency and competitiveness for
companies operating within the global supply chain context. As a result, a tool was
delivered that, besides optimizing the old process of the object of study, enhanced the
insights for the management's decision making.
Figura 1 – Evolução do número de artigos que relacionam SCM com BDA por
ano..................................................................................................................... 12
Figura 2 – Número de artigos publicados por país entre 2020 e 2022................ 13
Figura 3 - Vendas globais do mercado de beleza (em bilhões de dólares
$).…………………………………………………………………….......................... 14
Figura 4 – Etapas da Cadeia de Suprimentos.................................................... 16
Figura 5 - Modelo de Diagrama de Cadeia de Suprimentos............................... 19
Figura 6 - Esquema simplificado do planejamento S&OP................................... 21
Figura 7 – Diagrama sobre fontes dos dados...................................................... 23
Figura 8 – Diagrama sobre relacionamento no MS Power BI.............................. 25
Figura 9 – Etapas do estudo de caso.................................................................. 27
Figura 10 – Projeto versus coleta de dados: unidades diferentes de análise..... 27
Figura 11 – Países de atuação da empresa Cosmética X................................... 29
Figura 12 – Fluxo inicial da cadeia de suprimentos make-to-order.................... 30
Figura 13 – Etapa final do fluxo envolvendo produção terceira…………………. 31
Figura 14 – Visão do Modelo no Power BI.......................................................... 37
Figura 15 – Abas da Ferramenta......................................................................... 38
39
Figura 16 – Página de controle...........................................................................
Figura 17 – Topo da aba Production................................................................... 40
Figura 18 – Continuação da aba Production....................................................... 41
Figura 19 – Tabela para extração de dados da aba Production.......................... 42
Figura 20 – Topo da aba Shipment..................................................................... 43
Figura 21 – Continuação da aba Shipment......................................................... 44
Figura 22 – Tabela para extração de dados da aba Shipment............................ 45
SUMÁRIO
1 INTRODUÇÃO ................................................................................................... 11
1.1 CONTEXTO .................................................................................................... 11
1.2 O PROBLEMA DA PESQUISA ....................................................................... 13
1.3 OBJETIVO DA PESQUISA ............................................................................. 15
1.4 QUESTÕES DA PESQUISA .......................................................................... 15
1.5 DELIMITAÇÕES DO ESTUDO ....................................................................... 15
1.6 IMPORTÂNCIA DO ESTUDO ........................................................................ 16
1.7 ORGANIZAÇÃO DO ESTUDO ....................................................................... 17
2 REFERENCIAL TEÓRICO ................................................................................ 18
2.1 CADEIA DE SUPRIMENTOS E CICLO S&OP ................................................ 18
2.1.1 HISTÓRICO ............................................................................................ 18
2.1.2 APLICAÇÕES.......................................................................................... 18
2.1.3 CICLO S&OP........................................................................................... 19
2.2 INTELIGÊNCIA DE DADOS ........................................................................... 21
2.2.1 HISTÓRICO .............................................................................................. 21
2.2.2 BANCO DE DADOS .................................................................................. 22
2.2.3 APLICAÇÕES ........................................................................................... 24
3 METODOLOGIA ................................................................................................ 26
3.1 DEFINIÇÃO DO MÉTODO ............................................................................. 26
3.2 ANÁLISE E COLETA DE DADOS ................................................................... 27
3.3 CRIAÇÃO DA FERRAMENTA EM MS POWER BI ........................................ 28
4 ESTUDO DE CASO ........................................................................................... 28
4.1 DESCRIÇÃO DA EMPRESA .......................................................................... 28
4.2 CONTEXTO DA ÁREA DE APLICAÇÃO........................................................ 29
4.3 COFFRETS E SUA CADEIA DE SUPRIMENTOS ......................................... 30
4.4 DESAFIOS NO OBJETO DE ESTUDO .......................................................... 31
4.5 DEFINIÇÃO DO PROJETO ............................................................................ 32
4.6 INDICADORES UTILIZADOS ......................................................................... 33
4.7 INTELIGÊNCIA DE DADOS ........................................................................... 35
4.8 CRIAÇÃO DOS VISUAIS ............................................................................... 37
4.8.1 PÁGINA CONTROL ................................................................................ 39
4.8.2 PÁGINA PRODUCTION .......................................................................... 40
4.8.3 PÁGINA SHIPMENT ............................................................................... 42
4.9 ANÁLISE CRÍTICA DOS RESULTADOS ....................................................... 45
5 CONCLUSÃO .................................................................................................... 46
5.1 CONSIDERAÇÕES FINAIS............................................................................ 46
5.2 DISCUSSÃO SOBRE AS QUESTÕES DA PESQUISA ................................. 47
5.3 SUGESTÃO DE TRABALHOS FUTUROS ..................................................... 48
REFERÊNCIAS BIBLIOGRÁFICAS ......................................................................... 50
GLOSSÁRIO ............................................................................................................. 53
ANEXOS ................................................................................................................... 55
11
1 INTRODUÇÃO
1.1 CONTEXTO
É notório que o mercado no setor de produtos está se tornando cada vez mais
competitivo no contexto global. Com o surgimento de novas tecnologias e formas de
gerenciamento, as empresas estão expostas a uma verdadeira corrida visando a
diminuição de custos operacionais e o aumento da rentabilidade do seu processo.
Por conta disto, o termo supply chain management (SCM), que em português
significa gerenciamento da cadeia de suprimentos, está se tornando a cada dia mais
conhecido e falado dentro do universo corporativo. Cadeia de suprimentos significa
todos os processos que um produto passa desde a captação de matérias-primas até
a entrega para o consumidor final. Ou seja, são os métodos e operações que
compõem a sua fabricação, logística e distribuição (GRÖSSLER; THUN; MILLING,
2008).
Sendo assim, as grandes multinacionais têm investido muito para ter uma
cadeia de suprimentos eficiente, que tem a robustez para resistir a uma crise como foi
vivenciado na pandemia nos últimos 2 anos, mas também tem a agilidade para tomar
decisões rápidas que vão agregar valor para o cliente, reafirmando o significado de
SCM que é “ o gerenciamento ativo das tarefas e dos relacionamentos na cadeia de
suprimentos, visando maximizar valor ao consumidor e atingir uma vantagem
competitiva sustentável” (BOZARTH; HANDFIELD; WEISS, 2008).
Para atingir esse objetivo, as grandes empresas empregam milhares de
pessoas envolvidas nesse processo, desde trabalhadores nas fábricas e centros de
distribuição, até pessoas envolvidas no business que são tomadores de decisão nessa
cadeia. Neste contexto, o grande volume de informação que está em trânsito neste
fluxo ressalta a importância do tema big data analytics (BDA), que segundo a matéria
Big Data Analytics (IBM, 2023) é “o uso de técnicas analíticas avançadas em conjuntos
de dados muito grandes e diversificados que incluem dados estruturados,
semiestruturados e não estruturados, de diferentes fontes”.
Como exemplo disto, a empresa do mercado alimentício PepsiCo tem
direcionado um grande investimento à área de análise de dados dentro do seu
processo logístico nos últimos anos, segundo a matéria How PepsiCo Tamed Big Data
and Cut Analysis Time by 70% (TABLEAU Blog, 2018). O clássico dilema da cadeia
12
Fonte: Scopus.
13
Fonte: Scopus.
Assim, toda esta cadeia de suprimentos gera uma enorme quantidade de dados
que precisa ser analisada para a tomada de decisão em relação a direcionamentos
para o futuro pela gerência e diretoria na sede global de operações da empresa.
Diante disto, diversos relatórios e dashboards são criados para sistematizar os dados
de uma forma clara e visual para a sua análise e é exatamente este contexto que é
analisado nesta pesquisa.
Neste cenário, relatou-se por parte de uma equipe específica de Global Supply
Chain que, para a obtenção dos dados necessários dos diferentes stakeholders,
gastava se grande parte do tempo da sua rotina, por ser necessário entrar em
diferentes sistemas para extrair os dados. Além disto, as análises dos seus principais
indicadores eram feitas através de um processo operacional, sem uma visão dinâmica
das diferentes combinações de filtros para uma tomada de decisão em um contexto
específico.
Para o levantamento da situação atual e dos problemas enfrentados, foi feito
um questionário qualitativo, para a obtenção das informações através de entrevistas.
Segue os pontos abordados nessa pesquisa:
1- Qual o seu escopo na equipe?
2- Qual processo é visto como um gargalo na rotina da equipe?
3- Quais os principais indicadores que você utiliza nas suas análises?
4- Quais análises que vocês não realizam por não tere, as ferramentas ideias
que agregaria valor à cadeia de suprimentos da sua área?
Após a confecção do questionário, ele foi aplicado para a realidade de uma das
equipes de Supply Chain, que é composta por 1 gerente, 3 analistas e 1 estagiário e
teve as respostas qualitativas tabuladas em um documento.
15
2 REFERENCIAL TEÓRICO
2.1.1 HISTÓRICO
2.1.2 APLICAÇÕES
e com mais dados e informações. Sobre isto, o modelo na Figura 5 mostra como o
sistema básico de uma cadeia de suprimentos funciona. É possível notar como a
informação de pedidos dos clientes é passada por todas as etapas (variáveis) e a
chegada dos pedidos no vendedor retroalimenta todo o sistema. Dessa forma, o nível
de pedidos influencia o quanto será produzido na fábrica e os estoques de cada
variável irão influenciar o fluxo de produtos da fábrica para o armazém, distribuidor e
vendedor.
Com este complexo fluxo logístico, é nítido que os dados estão entre os
atributos mais valiosos para a tomada de decisão do negócio. Com presença em 150
países e um portfólio de mais de 20 marcas, a capacidade de analisar uma grande
quantidade de dados passa a ser um pré-requisito para que empresas como estas
consigam gerenciar a sua cadeia de suprimentos de forma eficiente, possuindo uma
visão global do fluxo logístico para tomada de decisão (SAHAY; RANJAN, 2008).
2.2.1 HISTÓRICO
(KIMBALL, 2002). Ele passa por um processo de ETL para padronizar os dados. Por
fim, o Data Lake é um repositório flexível que armazena dados em seu formato bruto
e original, possibilitando a análise de grandes volumes de dados diversificados. Sendo
assim, é possível definir a estrutura do objeto de estudo como um Data Warehouse,
que é diretamente conectado a ferramentas de manipulação de dados, como o MS
Excel.
Como a estrutura acima é muito complexa, há diversas equipes de tecnologia
da informação trabalhando para assegurar o bom funcionamento e a resolução dos
problemas técnicos no Data Warehouse, pois ele é atualizado todos os dias pela noite,
armazenando os dados passados de cada dia de todos os indicadores e capturando
o que é chamado de “snapshot”, que seria a imagem daquele dia da projeção dos
indicadores que são referentes ao futuro. Portanto, casa haja algum bloqueio durante
tal atualização diária, os times de TI são acionados para rapidamente solucionar o
incidente e garantir o bom funcionamento dos dados, que é a principal ferramenta de
todo o time global de cadeia de suprimentos.
2.2.3 APLICAÇÕES
as datas. Sendo assim, a tabela fato se relaciona com cada dimensão através de uma
chave primária correspondente, que é uma informação única a cada dimensão.
Como exemplo, caso houvesse uma tabela sobre os clientes, a chave primária
não poderia ser o nome, a data de nascimento ou o endereço, pois outras pessoas
podem possuir esta mesma informação. Neste caso, o ideal seria que a chave primária
fosse o CPF do cliente, fazendo com que na tabela de fato a única informação sobre
o cliente fosse o CPF e na teórica dimensão “Cliente” houvesse uma coluna com o
CPF e outras colunas com informações secundárias como nome, sexo e endereço.
Por fim, essas duas tabelas seriam relacionadas por meio do campo CPF de cada
uma delas.
Desta forma, ao exibir os gráficos e tabelas no Power BI, o usuário deve colocar
as dimensões presentes nas tabelas dimensão, como por exemplo o CustomerID e
Customer Name da tabela Customer na figura acima, mas todos os valores e medidas
devem ser oriundos da tabela fatos. Nota-se também que o relacionamento entre as
tabelas tem sentido único, isto faz com que apenas a dimensão filtre o fato, garantindo
a integridade do reporte. Por conta disto, todos os botões de filtro e segmentação de
26
dados também devem estar associados as tabelas dimensão, pois por não possuir
duplicatas nas suas chaves primárias, ela garante a qualidade dos dados filtrados
apresentados.
3 METODOLOGIA
4 ESTUDO DE CASO
Produtos enviados
Shipped SUM(Deliveries CDC) MSBI
aos países afiliados
Número total de
Total SUM(Projected Needs, produtos da
MSBI
Campaign Deliveries CDC) campanha (projetado
+ enviado)
Shipment Produtos que já foram
Under SUM(Under faturados e estão
VL06O (Dataflow)
Preparation Preparation) sendo preparados
para o envio
Total de itens
Invoice SUM(Shipped, Under
faturados (enviados + Medida Calculada
Trend Preparation)
em preparação)
Total de itens
Produced SUM(Production ESC) produzidos nos MSBI
Production subcontratados
Total SUM(Production ESC, Número total de
MSBI
Campaign Production Plan ESC) produtos da
35
campanha (projetado
+ produzido)
Itens produzidos que
Quality
SUM(Quality Control) estão no controle de MSBI
Control
qualidade
Fonte: Empresa Estudada.
Um relacionamento muitos para muitos ocorre quando duas tabelas têm várias
ocorrências correspondentes em comum, ou seja, um registro em uma tabela pode
estar associado a vários registros em outra tabela, e vice-versa. Essa situação pode
causar duplicação de dados e ambiguidade nas informações, dificultando a
interpretação dos resultados.
Por esse motivo, é recomendado que os relacionamentos entre as tabelas
sejam estabelecidos com base em uma coluna com valores únicos, que possam ser
utilizados como chave para identificar cada registro. Dessa forma, as análises e
visualizações serão mais precisas e confiáveis, e os usuários poderão obter
informações mais claras e objetivas. O diagrama de relacionamentos das tabelas é
apresentado na Figura 14.
Para finalizar, a Figura 19 possui uma tabela com todas os dados abertos por
SKU, para facilitar a extração de dados para a análise em Excel, feita para os usuários
que preferem usar desta forma ao invés de usar a planilha conectada com o banco de
dados do Power BI.
caixas comemorativas, com um mapa mundial que apresenta uma escala de cor que
varia de acordo com a % de unidades faturadas na campanha. Ao lado, há um gráfico
de barras com a visão de envio por Zonas de países.
uma matriz com visões sobre os tipos de coffrets e fábricas subcontratadas e um visual
à direita para trazer agilidade a visualização e tomada de decisão.
Já no final da página, a imagem abaixo apresenta uma tabela que possui todas
os dados analisados no relatório abertos ao nível de produto, para facilitar a extração
de dados para serem manipulados no Excel.
45
analisar o andamento da produção e envio dos coffrets das suas marcas. Neste ponto,
o único trabalho que a equipe tinha era de atualizar as suas planilhas para a obtenção
dos novos dados, pois o modelo das análises já estava montado. A questão é que,
como cada analista e estagiário tinha a sua própria forma de analisar, a consolidação
de todas as informações para uma microanálise era impactada, fazendo com que este
processo se tornasse moroso.
Por último, muitas vezes os diretores precisam de uma análise rápida para
tomada de decisão, onde seja possível que eles visualizem de forma dinâmica uma
visão geral dos indicadores e filtrem para obterem mais detalhes conforme sua
necessidade. Como o processo anterior tinha como ferramenta o Excel com um
grande volume de dados, o tempo de processamento para mudar as visões nas
tabelas dinâmicas retardava a tomada de decisão e não fornecia visões intuitivas para
facilitar o insight da alta gestão. Como apresentado na seção anterior, a solução
unifica todos os dados, possibilitando o filtro cruzado entre diversas dimensões, o que
faz com que, ao mesmo tempo que é possível obter uma macro visão do fluxo, os
usuários podem combinar diferentes filtros para chegar a um nível de detalhe mínimo.
5 CONCLUSÃO
sentido para que durante a criação do dashboard pudesse ser oferecido um produto
personalizado para os stakeholders.
Em conclusão, o uso de dados para a tomada de decisão no fluxo logístico é
fundamental para o sucesso de uma empresa de produtos de beleza de luxo,
especialmente quando se trata de um gerenciamento a nível global. Desta forma, a
solução permite acompanhar esses fatores de forma automática e otimizada, além de
ter insights sobre de onde os gaps estão vindo. Por conta disto, a empresa deve
continuar a investir em tais tecnologias e na capacitação de seus funcionários nesta
área.
REFERÊNCIAS BIBLIOGRÁFICAS
ASLAM, H.; KHAN, A. Q.; RASHID, K.; REHMAN, S.-u. Achieving supply chain
resilience: the role of supply chain ambidexterity and supply chain agility.
Journal of Manufacturing Technology Management, v. 31, n. 6, p. 1185-1204, 2020.
DECARLO, T.; ROY, T.; BARONE, M. How sales manager experience and
historical data trends affect decision making. European Journal of Marketing, v.
49, n. 9-10, p. 1484-1504, 2015.
GIL, A. C. Como Elaborar Projetos de Pesquisa. 4. ed. São Paulo: Atlas, 2002.
IBM Site. Big Data Analytics. >. Acesso em: 15 jul. 2023. Disponível em:
<https://www.ibm.com/analytics/big-data-analytics
JHA, A. K.; AGI, M.; NGAI, E. W. T. A note on big data analytics capability
development in supply chain. Decision Support Systems, v. 138, 2020.
L'ORÉAL. The world of beauty in 2020. />. Acesso em: 5 mar. 2023. Disponível em:
<https://www.loreal-finance.com/en/annual-report-2020/cosmetics-market-2-1-0
bi/guidance/star-schema>.
NAGAPPAN, R. The iron triangle and Agile. [S.l: s.n.], 2020. Acesso em: 5 nov.
2022. Disponível em: https://uxdesign.cc/the-iron-triangle-and-agile-7b66d3c72a51
PIDD, M. Tools for thinking: modelling in management science. [S.l: s.n.], 1996.
RIES, E. The Lean Startup: Como criar empresas de sucesso com rapidez e
eficiência. 1. ed. São Paulo: Makron Books, 2011.
SILVER, N. The Signal and the Noise: Why So Many Predictions Fail - But Some
Don't. New York: Penguin Books, 2012.
SINEK, S. Start with Why: How Great Leaders Inspire Everyone to Take Action. 1.
ed. New York: Portfolio/Penguin, 2011.
STAKE, R. E. The art of case study research. Sage Publications, Inc., 1995.
TABLEAU. How PepsiCo Tamed Big Data and Cut Analysis Time by 70%.
Tableau Blog, [S.l.], 12 jan. 2018. Acesso em: 26 jan. 2023. Disponível em:
https://www.tableau.com/blog/how-pepsico-tamed-big-data-and-cut-analysis-time-70-
59205.
WALLACE, T.; STAHL, R. Sales & Operations Planning: The “How-to” Handbook.
3. ed. [S.l.]: IMAM, 2001.
YIN, R. K. Case Study Research: Design and Methods. 6ª ed. Thousand Oaks, CA:
Sage, 2017.
YIN, R. K. Qualitative Research from Start to Finish. 2ª ed. New York, NY: The
Guilford Press, 2016.
GLOSSÁRIO
Big Data Analytics (BDA): É a prática de análise de grandes volumes de dados complexos (big data)
para obter insights, identificar padrões, tomar decisões informadas e gerar valor para as organizações.
Business Intelligence: Refere-se ao conjunto de práticas, tecnologias e processos utilizados para
coletar, organizar, analisar e apresentar informações relevantes para apoiar a tomada de decisões
estratégicas nas organizações.
Coffrets: São caixas comemorativas ou kits presenteáveis que contêm mais de um produto, geralmente
utilizados no setor de beleza como forma de oferecer aos consumidores uma variedade de produtos
em uma única embalagem.
Dashboards: São painéis de controle visual que apresentam informações e métricas relevantes de
forma clara e concisa, permitindo que os usuários acompanhem e monitorem indicadores-chave de
desempenho e tomem decisões com base nesses dados.
Extract, Transform and Load (ETL): É um processo utilizado para extrair, transformar e carregar
dados de diferentes fontes para um local centralizado, geralmente um data warehouse ou um sistema
de armazenamento de dados. O processo ETL envolve a extração dos dados de suas fontes originais,
a transformação desses dados para um formato adequado e a carga dos dados em um destino final.
Inputs: São os elementos ou informações fornecidas como entradas para um processo, análise ou
sistema. No contexto da cadeia de suprimentos, podem incluir dados de demanda, previsões,
informações sobre estoques e outros dados relevantes.
Kick off: É um termo usado para descrever o início oficial ou o lançamento de um projeto, iniciativa ou
atividade. Geralmente, envolve uma reunião ou evento que marca o começo formal e a mobilização das
equipes envolvidas.
KPI: É a sigla para "Key Performance Indicator" (Indicador-chave de Desempenho). São métricas ou
medidas utilizadas para avaliar o desempenho e o progresso de uma organização em relação a seus
objetivos estratégicos. Os KPIs são selecionados para refletir os aspectos mais críticos do desempenho
e auxiliar na tomada de decisões baseadas em dados.
Lead Time: É o tempo necessário para realizar uma determinada atividade ou processo, como o tempo
decorrido entre a colocação de um pedido e a entrega do produto.
Masterdata: Refere-se aos dados mestres ou informações principais de uma empresa, como
informações sobre clientes, fornecedores, produtos, materiais, entre outros. Os dados mestres são
considerados as informações fundamentais que servem como base para várias operações e processos
de negócios.
54
One-shot: É um termo utilizado para descrever um produto que tem um lançamento único para o meu
mercado, ou seja, que tem venda durante 3 meses e depois ele não é mais produzido.
Sales and Operations Planning (S&OP): É um processo de planejamento que integra as áreas de
vendas e operações de uma empresa, alinhando a demanda de mercado com a capacidade de
produção e os recursos disponíveis.
SKU: É a sigla para "Stock Keeping Unit" (Unidade de Manutenção de Estoque). Refere-se a um código
ou identificador único atribuído a um produto específico para fins de controle de estoque e
gerenciamento de inventário.
Snapshot: Forma de armazenamento dos indicadores projetados, para se ter um histórico diário da
mudança dos valores de projeção.
ANEXOS