Projeto Final - Enzo Sant'Anna Ribeiro

UNIVERSIDADE FEDERAL FLUMINENSE
ESCOLA DE ENGENHARIA
GRADUÇÃO EM ENGENHARIA DE PRODUÇÃO
ENZO SANT’ANNA RIBEIRO
APLICAÇÃO DE BUSINESS INTELLIGENCE NA CADEIA DE SUPRIMENTO

GLOBAL DE COFFRETS DE UMA EMPRESA DO SETOR DE BELEZA
NITERÓI
2023

Projeto Final apresentado ao curso de

Graduação em Engenharia de Produção da
Universidade Federal Fluminense, como
requisito parcial para obtenção do Grau de
Bacharel em Engenharia de Produção.
Orientador: Prof. Dr. Marcelo Maciel

Monteiro.
Coorientadora: Prof.ª Dr.ª Tatiana Escovedo.
Niterói
2023

Projeto Final apresentado ao curso de

Graduação em Engenharia de Produção da
Universidade Federal Fluminense, como
requisito parcial para obtenção do Grau de
Bacharel em Engenharia de Produção
Trabalho de Conclusão de Curso apresentado e aprovado em: 14 / 07 / 2023
________________________________________________________
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
Primeiramente, gostaria de expressar minha profunda gratidão a Jesus, que esteve

do meu lado durante toda a minha graduação e me capacitou para vencer cada etapa
ao longo desses 5 anos.
À minha família, meu alicerce, meu eterno agradecimento. Vocês sempre estiveram
ao meu lado, me encorajando, me motivando e me amparando durante todo esse
percurso. Todo o investimento que vocês fizeram na minha vida me capacitou a
ingressar na minha faculdade dos sonhos e percorrer esse trajeto até a minha
formatura. À Rafaela, minha namorada, que foi minha companheira durante todas as
etapas deste processo. Seu amor, paciência e compreensão foram essenciais para
que eu conseguisse chegar até aqui.
Ao professor Marcelo Maciel, meu orientador, sou imensamente grato por sua
dedicação, conhecimento e orientação ao longo deste projeto. Suas sugestões e
conselhos foram essenciais e contribuíram significativamente para o desenvolvimento
e aprimoramento do meu trabalho. Sou privilegiado por ter tido um orientador que está
atuando no mercado da minha área de pesquisa.
À professora Tatiana Escovedo, minha coorientadora, agradeço por sua
disponibilidade, incentivo e contribuição para o meu projeto. Seus insights e
orientações foram fundamentais para a qualidade final do trabalho.
Não posso deixar de agradecer à Universidade Federal Fluminense (UFF) por
fornecer um ambiente acadêmico excepcional e por todo o suporte e recursos que me
foram oferecidos ao longo dessa jornada. Agradeço também a todos os professores e
funcionários da instituição, que compartilharam seus conhecimentos e experiências,
contribuindo para minha formação como engenheiro de produção.
Por fim, gostaria de expressar minha gratidão a todos aqueles que, de alguma forma,
fizeram parte da minha trajetória acadêmica, incluindo colegas de classe, amigos e
demais pessoas que me apoiaram ao longo do caminho. Seus encorajamentos,
discussões e colaborações foram essenciais para meu crescimento pessoal e
profissional.
RESUMO
A cadeia de suprimentos é um componente fundamental para o sucesso operacional

e estratégico das empresas, especialmente em um setor tão dinâmico e competitivo
como o de produtos de beleza. Sob essa ótica, a visualização de dados emerge como
uma ferramenta essencial para auxiliar gestores e profissionais da cadeia de
suprimentos a compreenderem melhor as complexidades e os padrões dos dados
relacionados aos fluxos de materiais e informações. Por meio de técnicas e
ferramentas de visualização, é possível transformar grandes volumes de dados em
representações gráficas intuitivas e de fácil compreensão, proporcionando insights
valiosos para a tomada de decisões. Neste estudo, é apresentado o caso da sede de
operações de uma empresa global do setor de beleza, que enfrenta desafios
complexos e decisões críticas em sua cadeia de suprimentos das caixas
comemorativas, kits presenteáveis com mais de um produto, também conhecidos
como coffrets. Por fim, este estudo destaca a importância da visualização de dados
como uma ferramenta estratégica para aprimorar a eficiência e a competitividade das
empresas no cenário global da cadeia de suprimentos. Como resultado, foi entregue
uma ferramenta que, além de otimizar o antigo processo do objeto de estudo,
potencializou os insights para tomada de decisão da gerência.
Palavras-chave: Inteligência de Negócios; Cadeia de Suprimentos; Caixas

Promocionais; Mercado de Beleza.
ABSTRACT
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.
Keywords: Business Intelligence; Supply Chain; Promotional Boxes; Beauty Market.

LISTA DE TABELAS
Tabela 1 – Definição dos indicadores utilizados ……………………………………. 34

Tabela 2 – Forma de importação das tabelas ………………………………………. 36
LISTA DE FIGURAS
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
de suprimentos é que, caso a empresa receba mais estoque do que o recomendado,

ela desperdiça recursos, mas por outro lado, caso ela tenha uma demanda maior do
que o seu estoque, ela perde capital. Para balancear tal equação, a PepsiCo faz sua
equação logística com base em um alto volume de dados que ela recebe de mais de
200 países que está presente.
Neste cenário, o time de Collaborative Planning, Forecasting, and
Replenishment (CPFR) da empresa, responsável por prover análises colaborativas
que visam encontrar a quantidade ideal de estoque que deve ser enviada para os seus
clientes, reduziu em 70% o seu tempo de reportar os indicadores depois de aplicar
boas práticas de análise e visualização de uma grande quantidade de dados
logísticos.
Portanto, assim como visto no exemplo acima, entende-se que o big data
analytics e o supply chain management são temas que caminham juntos e que estão
se tornando cada vez mais relevantes em todos os ramos do mercado. Para entender
melhor essa relação, realizou-se uma pesquisa no Scopus, acervo digital de
periódicos e artigos, e a concluiu-se que, de fato, o número de artigos que relacionam
esses dois tópicos cresce a cada ano. É possível entender tal relação na Figura 1, que
representa o crescimento de artigos publicados com as palavras-chave big data
analytics e supply chain management, onde é possível notar que de 2019 para 2022
a evolução já é de 80% no número de artigos publicados (144 em 2019 e 259 em
2022).
Figura 1 – Evolução do número de artigos que relacionam SCM com BDA por ano.
Fonte: Scopus.
13
Além disto, é válido afirmar que o impacto da análise de grande quantidade de

dados na cadeia de suprimentos é um assunto global, que impacta negócios e
processos ao redor de todo o mundo. Todavia, nota-se uma concentração de artigos
publicados com as duas palavras-cheve em países específicos, como apresentado na
Figura 2.
Figura 2 – Número de artigos publicados por país entre 2020 e 2022.
Fonte: Scopus.
1.2 O PROBLEMA DA PESQUISA
Tendo em vista o contexto mencionado, esta pesquisa visa apresentar soluções

para a realidade da cadeia de suprimentos e big data analytics em uma empresa
global do ramo de cosméticos e produtos de beleza. Esta companhia tem uma cadeia
de suprimentos robusta e complexa, com fábricas espalhadas ao redor do mundo,
diversos centros de distribuição internacionais de onde são enviados os produtos e
também centros de distribuição locais nos países onde os seus produtos são
comercializados. Ou seja, o fluxo do produto começa na fábrica e termina na venda
do varejista para o consumidor.
Além das informações destacadas acima, percebe-se também que o setor de
beleza apresenta um crescimento exponencial desde 2005, como pode ser observado
na Figura 3. Como consequência desta crescente, nota-se também o aumento do
número de dados deste mercado, analisando varejistas, concorrentes e consumidores
finais.
14
Figura 3 - Vendas globais do mercado de beleza (em bilhões de dólares $).
Fonte: Adaptado de (McKinsey & Company, 2020)
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
1.3 OBJETIVO DA PESQUISA
O objetivo final da pesquisa é construir um painel que ajude a solucionar as não

conformidades identificadas pela equipe, de forma a gerar mais valor para a
companhia.
1.4 QUESTÕES DA PESQUISA
A partir do objetivo apresentado na seção anterior, o estudo responde os

seguintes questionamentos:
• Como construir análises robustas através de grandes banco de dados na
cadeia de suprimentos?
• Como é possível nortear a tomada de decisão da gerência através da
visualização de dados?
• Qual é o impacto do business intelligence na rotina de um time S&OP (Sales
and Operations Planning) global?
• Qual o ganho obtido com a solução proposta?
1.5 DELIMITAÇÕES DO ESTUDO
O presente estudo faz uma análise da inteligência de negócio envolvida na

cadeia de suprimentos da equipe responsável por gerir o fluxo do coffret, itens
promocionais que vem uma caixa personalizada com mais de um produto dentro.
Sendo assim, esta equipe atua na gestão do fluxo destes itens desde a produção até
o envio para os centros de distribuição das filiais espalhadas ao redor do mundo.
Desta maneira, como esta cadeia gera uma grande quantidade de dados a
serem analisados, esta pesquisa apresenta uma solução para que este fluxo seja
otimizado e para que, através de ferramentas de visualização de dados, a tomada de
decisão nesta cadeia de suprimentos seja facilitada.
Portanto, vale ressaltar que esta solução é específica e personalizada para o
time S&OP global de coffrets, tendo em vista que a sua rotina de trabalho se difere
das outras equipes de supply. Pois enquanto as outras gerenciam um catálogo fixo e
lançamentos ao longo do ano, o time S&OP de varejo e animações, como é chamada
a equipe responsável pelas caixas comemorativas, realiza a gestão de itens que são
16
chamados de one-shot, ou seja, são produzidos apenas para uma sazonalidade

específica e, por conta disto, possuem um fluxograma completamente diferente.
A renomada consultoria americana McKinsey&Company segmenta a cadeia de
suprimentos em 7 etapas, que vão desde o processo S&OP até o consumidor final,
como é possível observar na Figura 4.
Figura 4 – Etapas da Cadeia de Suprimentos.
Fonte: Adaptado de (McKinsey & Company, 2016).
Sob esta ótica, o presente trabalho está delimitado a um estudo de caso do

impacto da inteligência de dados em 3 etapas do fluxo logístico completo, sendo elas
demonstradas abaixo:
• Etapa (a): Planejamento de vendas, estoque e operações
• Etapa (c): Produção dos coffrets nas fábricas
• Etapa (e): Transporte para os países afiliados
1.6 IMPORTÂNCIA DO ESTUDO
No meio acadêmico, o presente estudo tem sua contribuição para o campo da

Logística, com aplicação de conceitos aprendidos na disciplina de Banco de Dados,
tendo em vista que, além da pesquisa apresentar detalhadamente toda a cadeia
logística do objeto de estudo, ela aplica os conceitos de big data analytics para
otimizar a tomada de decisão.
17
O conceito de BDA é de extrema importância para o mercado, pois é fato que

não se pode ter informações sem dados (SILVER, 2012). Isto reafirma a relevância
do presente estudo para estruturar uma tomada de decisão ágil baseada em dados, e
não apenas na intuição da gerência. Desta forma, a pesquisa conecta tanto a essência
da Engenharia de Produção, que é a logística, quanto conceitos de Indústria 4.0,
possibilitando que o trabalho seja uma fonte rica de estudo para o meio acadêmico.
No âmbito do mercado, o estudo permite a possibilidade de aplicação de uma
ferramenta de inteligência de negócio em uma empresa multinacional que se encontra
entre as líderes do mercado de beleza brasileiro e internacional. A possibilidade de
aplicação de uma ferramenta corporativa baseada em conceitos acadêmicos em uma
equipe que não possuía essa análise, mostra que ainda há oportunidades para serem
exploradas e o encontro entre o meio acadêmico e o mercado pode ser muito rico.
Assim, os métodos e os resultados aqui alcançados podem ser replicados em outras
empresas, adaptando as necessidades específicas de cada estudo de caso.
1.7 ORGANIZAÇÃO DO ESTUDO
A apresentação deste estudo foi dividida em cinco capítulos:

• O Capítulo 1 traz a contextualização e introdução para o problema a ser
abordado no trabalho, os objetivos gerais e mais específicos do trabalho, os
questionamentos que irão permear e guiar o estudo e que serão
respondidos ao seu final. Além disso, explica-se a importância do estudo
abordado e as delimitações do seu escopo;
• Em seguida no Capítulo 2, o objetivo é ampliar a compreensão acerca da
Inteligência de Dados e dos processos da cadeia de suprimentos através
da literatura existente sobre o assunto. Assim, é possível familiarizar o leitor
com a definição teórica, a fim de haver maior entendimento com a aplicação
prática e sustentar academicamente os resultados obtidos;
• No Capítulo 3 apresenta-se a metodologia aplicada no trabalho,
esclarecendo a forma de abordagem para a coleta e análise de informações,
além das etapas utilizadas para aplicação das ferramentas ao longo do
projeto;
• O Capítulo 4 aprofunda o problema e o estudo de caso com o histórico da
empresa estudada e o contexto da sua operação com variáveis e processos
18
chaves. Será apresentada a aplicação do HUB de visualização de dados

construído e a análise crítica dos resultados;
• Por fim, o Capítulo 5 tem como objetivo concluir a discussão inicial, trazendo
as respostas encontradas para as questões propostas no primeiro capítulo,
considerações finais e sugestões de próximos passos e evoluções deste
trabalho.
2 REFERENCIAL TEÓRICO
2.1 CADEIA DE SUPRIMENTOS E CICLO S&OP
2.1.1 HISTÓRICO
O termo “gestão da cadeia de suprimentos” foi utilizado pela primeira vez na

afirmação que a cadeia de suprimentos é o processo de planejamento, implementação
e controle das operações, com o objetivo de satisfazer os requisitos do cliente da
forma mais eficiente possível. O gerenciamento da cadeia de fornecimento abrange
toda a movimentação e armazenamento de matérias-primas, estoque em processo e
produtos acabados, desde o ponto de origem até o ponto de consumo (OLIVER,
1982).
Por mais que o consultor britânico Keith Oliver tenha sido o primeiro a utilizar
publicamente o termo, entende-se que o conceito de Supply Chain Management
surgiu no início do século XX como parte da terceira revolução industrial, por esta ter
resultado em linhas de montagem mais eficazes para acelerar a produção e otimizar
a entrega do produto final ao cliente.
Sendo assim, concluiu-se que uma cadeia de suprimentos eficiente reduz os
custos envolvidos na operação e aumentam a satisfação do cliente, por estes
receberem uma jornada de atendimento melhorada desde a compra até a entrega dos
produtos.
2.1.2 APLICAÇÕES
É notório que a complexidade das cadeias de suprimentos aumentou muito ao

longo das últimas décadas, com a influência de um mundo cada vez mais globalizado
19
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.
Figura 5 - Modelo de Diagrama de Cadeia de Suprimentos.
Fonte: Adaptado de (GRÖSSLER; THUN; MILLING, 2008).
Quando o fluxo acima é aplicado em uma empresa global, como a estudada

nesta pesquisa, a cadeia se torna ainda mais complexa pois envolve fábricas
localizadas em outros continentes produzindo para diversas partes do mundo. Por
conta disto, estas empresas comportam centenas de pessoas trabalhando nas
diferentes instâncias da cadeia de suprimentos, desde trabalhadores nas fábricas até
equipes responsáveis em cada um dos países afiliados.
Portanto, pode-se resumir que o objetivo final do SCM seja garantir os 7R’s (the
seven rights) da logística ao longo de todo o seu fluxo, que é ter o produto certo, na
quantidade certa, em boa condição, no lugar certo, no tempo de entrega acordado
para o consumidor certo e no preço acordado (CRISTOPHER, 2005).
2.1.3 CICLO S&OP
De forma resumida, Sales and Operations Planning (S&OP) é um processo

chave dentro da cadeia de suprimentos e é usado para balancear demanda com a
20
capacidade da cadeia de suprimentos (TUOMIKANGAS; KAIPIA, 2014). Além disso,

o processo atende um propósito maior de alinhamento da parte operacional da cadeia
com os objetivos estratégicos da empresa. Isso acontece normalmente através de
reuniões mensais que definem planos de ação funcionais com áreas diversas como
Comercial, Marketing, Supply Chain e Finanças, além de alinhar a demanda a
estratégia definida (PEDROSO; DA SILVA; TATE, 2016).
Como a empresa analisada tem uma atuação global, o processo S&OP é
realizado através da metodologia bottom-up (GIBSON, 1979), onde cada filial nacional
da empresa realiza uma previsão de vendas mensal e a transmite para a sede global.
Ao receber as previsões, a sede faz uma macro análise dos números para entender o
quanto as suas fábricas vão ter a capacidade de produzir e enviar para os países
afiliados. A partir dessa confirmação do plano de produção pela fábrica, a equipe
S&OP global retorna para cada um dos países o quanto do seu pedido será entregue.
Sendo assim, é válido ressaltar que um bom planejamento da demanda evita
outros efeitos negativos na cadeia como ineficiência no atendimento a clientes,
redução do giro do estoque e alto índice de obsolescência agravada pela grande
diversidade de produtos (DE CASTRO MELO; ALCÂNTARA, 2011). Portanto, a
previsão de vendas é um processo chave tanto para a cadeia de suprimentos quanto
para a saúde financeira da empresa.
A Figura 6 exemplifica um esquema simplificado das macro atividades que
fazem parte do processo. Pode-se notar os desdobramentos do planejamento
necessários desde a estratégia definida até chegar na execução. A demanda e a
oferta são inputs fundamentais nesse sentido.
21
Figura 6 - Esquema simplificado do planejamento S&OP.
Fonte: (WALLACE; STAHL, 2001).
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 INTELIGÊNCIA DE DADOS
2.2.1 HISTÓRICO
De início, a revista Decision Support Systems resume de forma clara e objetiva

a relevância da inteligência de dados no trecho “As grandes análises de dados (Big
Data Analytics) estão ganhando importância em todos os aspectos da gestão
empresarial. Isto é impulsionado por ambos a presença de dados em larga escala e o
desejo da gerência de enraizar as decisões nos dados. Extensas pesquisas
demonstram que as funções de gestão da cadeia de abastecimento e operações estão
entre as maiores fontes e usuários de dados na empresa. Portanto, seus processos
de tomada de decisão se beneficiariam do uso crescente das tecnologias BDA.
22
Entretanto, ainda há uma falta de compreensão do que determina a capacidade de

uma empresa de construir a capacidade do BDA de ganhar uma vantagem
competitiva.” (JHA; AGI; NGAI, 2020).
Sob essa ótica, percebe-se que por mais que o conceito de Big Data seja
recente, pois surgiu na década de 1960 quando começaram a surgir os primeiros data
centers, ele se desenvolveu de uma forma exponencial nos últimos 50 anos, fazendo
com que hoje o termo BDA já esteja presente na realidade de muitas empresas de
grande porte. A análise de grande quantidade de dados é uma ferramenta
importantíssima do Business Intelligence, pois à medida que companhia cresce e os
seus processos logísticos ganham escala, as ferramentas convencionais não são
mais capazes de suportar suas análises para tomada de decisão.
Sendo assim, é válido destacar que o processo para ter análise de dados que
realmente agreguem valor a tomada de decisão da cadeia de suprimentos é complexo
e envolve análises do histórico, da situação atual e também análises preditivas
(ROZADOS; TJAHJONO, 2014) e toda essa construção se inicia com uma arquitetura
de dados concreta e robusta nos bancos de dados. Porém, uma vez que os dados
são otimizados e as análises automatizadas, eles contribuem para que a cadeia de
suprimentos seja ágil e consiga se ajustar proativa e reativamente a incertezas que
podem surgir (ASLAM, 2020).
Na empresa usada como objeto de estudo há uma equipe de 4 pessoas que é
responsável pela excelência de dados em todas as ferramentas usadas para análise
e tomada de decisão na cadeia de suprimentos. Esta equipe é composta por um
gerente, dois analistas e um estagiário, onde cada um é responsável por garantir a
qualidade dos dados em diferentes ferramentas de BDA.
2.2.2 BANCO DE DADOS
Banco de dados é uma coleção de dados inter-relacionados, representando

informações sobre um domínio específico (KORTH, 2013). Dessa forma, um banco
de dados pode ser abastecido com diversas fontes de dados e, através de
relacionamentos entre as diversas tabelas, esses dados podem ser manipulados para
gerar análises e informações.
Como o objeto de estudo é a sede global de uma grande empresa de produtos
de beleza, pode-se afirmar que há diferentes fontes de informação envolvidas na sua
23
cadeia de suprimentos. Por conta disso, o processo de tomada de decisão envolve

dados das suas fábricas, do centro de distribuição internacional, e informações do
processo logístico de cada uma das suas filiais espalhadas ao redor do globo. Por
conta disto, é necessário ferramentas com uma ótima arquitetura para que todos
esses dados sejam disponibilizados para análises. Sobre isso, a Figura 7 apresenta
um diagrama que facilita a compressão dos diferentes sistemas que alimentam o
banco de dados.
Figura 7 – Diagrama sobre fontes dos dados.
Fonte: Empresa Estudada.
Há 2 principais tipos de tabela que são fonte para um banco de dados

(MICROSOFT, 2023):
1- Tabela Fato: apresenta valores e medidas que mudam a cada mês, como
por exemplo quantidade produzida ou estoque em cada país afiliado;
2- Tabela Dimensão: apresenta informação sobre um determinado critério, ou
seja, pode ser uma tabela com informações acerca do produto ou com
dados de cada cliente.
Ademais, é importante entender as principais diferenças entre os conceitos de
Banco de Dados, Data Warehouse e Data Lake. O Banco de Dados é uma estrutura
organizada para armazenar e recuperar dados de forma eficiente, geralmente usada
em aplicações que requerem acesso rápido e consistente aos dados.
Já o Data Warehouse, por outro lado, é um repositório centralizado que
armazena dados históricos de diversas fontes para análise e relatórios gerenciais
24
(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
Ter bancos de dados eficientes é o primeiro passo para a construção de

ferramentas que serão aplicadas para gerar análises com big data na cadeia de
suprimentos. Através de uma arquitetura de dados estruturada e uma ferramenta de
análise otimizada, a empresa pode obter um melhor entendimento do comportamento
do consumidor, ter alta transparência ao longo do seu fluxo logístico e aumentar o seu
nível de eficiência operacional (KACHE; SEURING, 2017).
Neste contexto, a solução mais usada pelas companhias é o MS Power BI,
plataforma que possibilita o usuário importar bancos de dados, criar relacionamento
entre eles e, a partir disto, criar visualizações inteligentes para direcionar a tomada de
decisão através de dados concretos. No programa destacado acima, após as fontes
de dados serem conectadas, é necessário criar relacionamentos entre as tabelas dos
tipos dimensão e fato, através de chaves primárias, como é apresentado na Figura 8.
Nesta figura, é possível perceber que a tabela central chamada “Sales” é um
fato, ou seja, apresenta os valores de vendas, e as tabelas ao redor são as dimensões,
que possuem informações complementares sobre o produto, o consumidor, as lojas e
25
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.
Figura 8 – Diagrama sobre relacionamento no MS Power BI.
Fonte: Power BI Star Schema - Core BTS, 2021.
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
3.1 DEFINIÇÃO DO MÉTODO
Neste estudo, foi adotado o tipo de pesquisa qualitativa, que busca

compreender em profundidade as percepções, opiniões e experiências dos
participantes relacionados ao uso da ferramenta de visualização de dados na cadeia
de suprimentos da equipe estudada.
Além disso, a abordagem utilizada neste estudo é o estudo de caso único. O
estudo de caso permite uma investigação aprofundada e contextualizada do objeto de
estudo, fornecendo uma compreensão holística do impacto da solução proposta neste
projeto no dia a dia do objeto de estudo. Um estudo de caso único permite uma análise
minuciosa e aprofundada do caso selecionado, se adaptando particularmente no
exame de fenômenos complexos (YIN, 2017).
Os participantes deste estudo de caso são os profissionais do time S&OP global
de coffrets, incluindo gestores, analistas e outros stakeholders que serão usuários da
entrega final. Será adotada uma amostragem intencional, selecionando participantes
com experiência e conhecimento relevante sobre oportunidades de maximizar os
ganhos para a companhia através de uma otimização neste fluxo.
Logo, a metodologia é definida como um estudo de caso do Tipo 1, único e
holístico (YIN, 2017). Em relação à intenção, os estudos de caso podem ser
intrínsecos, coletivos ou instrumental único. Como neste levantamento, o pesquisador
se concentra em uma questão e depois seleciona um caso para solucionar esta
questão, a intenção é de um estudo de caso instrumental único (STAKE, 1995).
Portanto, com a definição do tipo de estudo de caso, foram delimitadas as
etapas, conforme o esquema a seguir, para que o planejamento chegasse ao
resultado desejado de propor uma ferramenta através da análise dos dados obtidos
que solucionasse a problemática inicial.
27
Figura 9 – Etapas do estudo de caso.
Fonte: Como Elaborar Projetos de Pesquisa (GIL, 2002).
3.2 ANÁLISE E COLETA DE DADOS
Para a coleta de dados através da pesquisa qualitativa, foram feitas entrevistas

individuais com os participantes, utilizando um roteiro semiestruturado presente no
ANEXO 1. As entrevistas permitiram explorar as percepções, experiências, desafios
e benefícios que uma ferramenta de visualização de dados traria no processo atual e
elas foram realizadas com toda equipe logística das caixas comemorativas. Estas
conversas foram transcritas para posterior análise das informações obtidas.
Um fator essencial nesta etapa, foi realizar entrevistas com todo o time, para
que a contextualização não fosse enviesada com as perspectivas de apenas um
indivíduo, mas estivesse alinhada com toda a equipe e organização, como se pode
ver na figura abaixo.
Figura 10 – Projeto versus coleta de dados: unidades diferentes de análise.
Fonte: (COSMOS, 2005).
Ademais, foram coletadas as planilhas que a equipe estudada utiliza para a

análise da cadeia de suprimentos. Esses documentos forneceram informações
adicionais sobre oportunidades de otimização do processo e de visões que são
importantes de serem adicionadas no reporte para facilitar os insights para tomada de
decisão.
28
3.3 CRIAÇÃO DA FERRAMENTA EM MS POWER BI
A partir da delimitação do estudo e da definição do método de pesquisa, a

última etapa é a criação do reporte, em alinhamento com os diversos stakeholders e
com testes de uso para que garantir pleno funcionamento. Sendo assim, a execução
do estudo de caso será abordada no próximo capítulo.
4 ESTUDO DE CASO
4.1 DESCRIÇÃO DA EMPRESA
O objeto de estudo deste trabalho é a sede global de um grupo internacional

do ramo de perfumaria e cosméticos que atua em mais de 100 países em todos os
continentes. A empresa busca tornar a beleza acessível a todos, desenvolvendo
produtos que atendam à diversidade de pessoas e a diferentes faixas de preço. A
empresa tem mais de 100 anos de atuação e seus objetivos incluem promover a
equidade social, a sustentabilidade e a diversidade, conforme declarado em seu site.
Devido a questões de sigilo corporativo, o nome da empresa é omitido e todos os
dados numéricos e indicadores apresentados serão normalizados para garantir a
proporcionalidade e uma visão coerente da ferramenta a ser usada como solução do
projeto. A empresa será referida como "Cosméticos X" ao longo deste trabalho.
Cosméticos X possui um catálogo amplo de marcas nacionais e internacionais,
que abrange diversas categorias de produtos de beleza, como fragrâncias,
maquiagens, produtos capilares e itens dermatológicos. A empresa tem como
estratégia atender a um público diverso, oferecendo um portfólio variado de produtos
com preços ajustados a diferentes perfis de consumidores. O catálogo é dividido por
segmento de atuação para que a empresa possa se especializar e concentrar seus
esforços em diferentes realidades de mercado e canais de distribuição.
Este estudo se concentra apenas na divisão responsável pelas marcas de luxo
do grupo. Os produtos são divididos em três categorias: fragrâncias, maquiagens e
tratamento de pele, que são representados por 26 marcas no portfólio da divisão.
O modelo de negócio desta divisão é principalmente de venda para clientes
intermediários, sejam lojas físicas ou virtuais, que por sua vez vendem os produtos ao
consumidor final. Essa venda para o cliente intermediário é conhecida como sell in.
29
No entanto, a empresa também considera importante acompanhar as vendas diretas

ao consumidor final, conhecidas como sell out, para obter um posicionamento de
mercado e garantir o escoamento dos produtos.
4.2 CONTEXTO DA ÁREA DE APLICAÇÃO
Pelo fato das marcas de luxo trabalhadas serem estrangeiras, todos os

produtos são importados dos Estados Unidos, da França ou do Japão. Como se trata
de um mercado mais seletivo, a fim de garantir o padrão de qualidade esperado pelos
consumidores, todos os produtos possuem produção internacional. Isso adiciona uma
complexidade gerencial ao negócio devido aos longos lead times para importação e
custos atrelados a operação.
Dessa forma, a abordagem deste trabalho foca na realidade da sede de
operações da França, onde mais de 75% do catálogo da divisão de luxo é produzido
e enviado para os países afiliados presentes nos 6 continentes, como é possível
observar na Figura 11.
Figura 11 – Países de atuação da empresa Cosmética X.
O processo de produção e importação abordado nesse estudo é o dos coffrets

de luxo, também chamados de caixas comemorativas. Sendo assim, com todo o
catálogo de marcas apresentado, o projeto visa solucionar, através da inteligência e
visualização de dados, não conformidades do fluxo logísitico dos coffrets de luxo
produzidos na França e enviados para todas as suas filiais.
30
4.3 COFFRETS E SUA CADEIA DE SUPRIMENTOS
Tais produtos tem um papel estratégico no posicionamento da empresa, pois

eles são itens de alto valor agregado, por serem formados de uma combinação de
produtos dentro de uma caixa presenteável, e sazonais, ou seja, são feitos para
campanhas específicas ao longo do ano – a campanha de primavera e de Natal. Por
conta disto, as caixas comemorativas são produtos do tipo one-shot, produtos que tem
um lançamento único para o meu mercado, e a sua produção caracterizada como
make-to-order, pois os coffrets são fabricados somente após a recepção do pedido.
Essa abordagem pode ser uma fonte de vantagem competitiva para as
empresas, pois permite que elas produzam produtos personalizados de acordo com
as necessidades e preferências dos clientes. No entanto, observa-se que a produção
make-to-order pode levar a um tempo de espera mais longo entre o pedido e a entrega
do produto, o que pode ser um desafio para algumas empresas (PORTER, 1985).
Tendo isto em vista, é importante ressaltar que o pedido das unidades de
coffrets é feito através de books de lançamento, que são abertos entre 1 e 2 anos de
antecedência, para que todos os países possam colocar no sistema o número de
unidades desejadas de cada SKU e para quando a partir do lead-time inicial o país
deseja receber tais unidades. O tempo entre abertura e fechamento de um book para
as filiais é de 15 dias eentre 15 e 30 dias após o seu fechamento os países recebem
um feedback da equipe global S&OP de coffrets, localizada na França, de quantas
unidades foram realmente confirmadas.
A partir da agregação de todos os pedidos confirmados, os responsáveis pelo
fluxo logístico das caixas comemorativas transformam essas unidades em um plano
de produção, como pode se observar na Figura 12. Desta maneira, a cadeia de
suprimentos desses produtos é caracterizada como make-to-order e não make-to-
stock, como é realizada no catálogo comum.
Figura 12 – Fluxo inicial da cadeia de suprimentos make-to-order.

31
Após a primeira etapa da cadeia de suprimentos explicitada acima, os coffrets

tem o plano de produção enviado para as fábricas, mas com a particularidade que a
companhia Cosmética X produz apenas os produtos do catálogo, fazendo com que as
caixas comemorativas que formam o produto final tenham a sua produção tercerizada.
Dessa forma, quando a caixa comemorativa é composta por um perfume, uma
miniatura e um hidratante que vem dentro de uma embalagem presenteável e
sazional, todos os produtos da empresa são produzidos nas suas fábricas (perfume,
miniatura e hidratante), enviados para o subcontratado que produz as caixas de
embalagem, colocando os produtos recebidos dentro e, após isso, enviando já o
coffret para o Centro de Distribuição Internacional da Cosmética X. Em seguida, o
produto já está preparado para ser enviado para todos os países para ser
comercializado, como é apresentado na Figura 13.
Figura 13 – Etapa final do fluxo envolvendo produção terceira.
4.4 DESAFIOS NO OBJETO DE ESTUDO
A partir do entendimento do fluxo logístico particular desta categoria de

produtos, é válido ressaltar o cenário desafiador no qual a equipe S&OP responsável
pelos kits sazonais está inserida. Produtos que não possuem um estoque de
segurança, parte da produção realizada em terceiros e o transporte dos componentes
entre as partes fazem com que a complexidade seja um fator presente nesta cadeia
de suprimentos.
Além disto, todo o time S&OP Global de Luxo, responsável por fazer toda a
gestão da cadeia de suprimentos internacional, possui uma equipe dedicada a apoiar
os seus processos com ferramentas de inteligência de dados, chamada de Supply &
Data Excellence. Esta equipe provê ferramentas em MS Power BI com os dados
logísticos e lidera os processos que envolvem interface com os países afiliados e
centros de distribuição, tendo um posicionamento estratégico dentro do negócio.
32
Todavia, como destacado acima, as particularidades da cadeia de suprimentos

das caixas comemorativas fazem com que essa categoria específica não seja
englobada nos reportes existentes de forma eficaz, fazendo com que esta equipe seja
afetada por uma rotina operacional sem ferramentas de inteligência de dados
eficientes.
4.5 DEFINIÇÃO DO PROJETO
Neste contexto, o projeto foi definido para solucionar a problemática levantada

e otimizar a rotina das equipes envolvidas no fluxo das caixas comemorativas,
aumentando o nível de inteligência de negócio para a tomada de decisão. Após a
escolha do tema da pesquisa, realizou-se uma reunião de levantamento inicial,
chamada de kick off, para o entendimento das não conformidades e alinhamento dos
objetos finais que a solução final deve atingir. Para confirmar as não conformidades e
definir o propósito da ferramenta, também se aplicou uma pesquisa qualitativa em
formato de entrevistas com os membros da equipe S&OP, como apresentado na
metodologia.
Seguindo a lógica metodologia de entendimento do “porquê” antes do “o que”
(SINEK, 2011), definiu-se o escopo da solução, que é um aplicativo na ferramenta MS
Power BI, com análises tanto sobre o envio dos coffrets para os países afiliados
quanto sobre a produção deles nas fábricas terceiras. Isso porque, entendeu-se que
essa proposta solucionaria o “porquê” do projeto, que é otimizar a rotina dos
trabalhadores e gerar insights diários sobre o andamento do fluxo logístico.
O BI é considerado uma ferramenta poderosa para melhorar o desempenho da
cadeia de suprimentos. Esses sistemas aproveitam os ativos de informações
relevantes para facilitar decisões rápidas e mais informadas, melhorando
significativamente a eficácia e a eficiência da cadeia de suprimentos (YIU, 2020).
Portanto, para iniciar a criação da ferramenta, a primeira etapa foi a escolha
dos indicadores que são essenciais para as análises geradas. Após isso, pode-se criar
a conexão do aplicativo com o banco de dados e obter os dados necessários para
criar os visuais desejados. Em seguida, o desenvolvimento do produto foi gerenciado
através da metodologia MVP, ou "Minimum Viable Product", que é uma estratégia de
desenvolvimento de produtos e gestão de projetos que consiste em criar uma versão
33
mínima do produto com as características mais importantes, a fim de obter um

feedback dos stakeholders o mais rápido possível.
A partir disto, eram definidos sprints quinzenais, ou seja, um conjunto de
entregas que seria feito durante as próximas 2 semanas para agregar valor ao produto
para o cliente. No final destes ciclos, era realizada uma reunião de alinhamento com
o gerente da equipe S&OP de coffrets, para a entrega do reporte parcial, com o
objetivo de que os usuários finais já testassem e utilizassem o produto ao longo do
desenvolvimento de projeto. O andamento das tarefas dos sprints foi gerenciado em
um quadro kanban feito na ferramenta Trello.
Desta forma, através de reuniões de alinhamento semanal com o cliente, foi
possível apresentar evoluções ágeis na construção dos visuais e dos indicadores no
dashboard, para que eles pudessem ser testados e validados em paralelo a evolução
do projeto. Isto fez com que o andamento fosse rápido e eficiente (RIES, 2011) e
sempre alinhado a necessidade final, evitando do produto ser entregue e não estar de
acordo com a expectativa da equipe S&OP das caixas comemorativas. Em paralelo,
foi desenvolvido um guia do usuário (presente no ANEXO 3) e um guia do
administrador. O primeiro com boas práticas de usabilidade da ferramenta, já o
segundo com informações técnicas e detalhes para a gestão de conhecimento de
como a solução foi construída.
4.6 INDICADORES UTILIZADOS
Nesta etapa da pesquisa é evidenciado quais são os indicadores utilizados e a

origem de cada grupo de dados importado para a construção da solução. De início,
vale ressaltar que há 3 grupos que originam os dados utilizados na ferramenta de
inteligência de negócio construída para a cadeia de suprimentos dos coffrets, sendo
eles:
• MSBI: Ferramenta de big data analytics através de um cubo de banco de
dados, que é uma estrutura de dados multidimensional que permite a
análise rápida e eficiente de grandes quantidades de informações
organizadas de várias maneiras diferentes. Desta forma, o MSBI consolida
todos os dados do fluxo logístico da Cosmética X, disponibilizando desde
informações de produção e envio internacional até dados sobre o sell in para
os clientes em todos os países afiliados.
34
• Dataflow Centro de Distribuição Internacional: O dataflow é uma

funcionalidade muito interessante que permite que, através de uma
importação de dados unificada, diversos usuários diferentes consigam se
conectar e utilizar as tabelas ali presentes. Para isto, o Centro de
Distribuição Internacional da Cosmética X possui um robô que faz diferentes
extrações diárias do sistema e os disponibiliza automaticamente no fluxo de
dados do MS Power BI.
• Planilha no Sharepoint online: Para informações sobre o catálogo e outras
dimensões, os dados são disponibilizados através de planilhas MS Excel
que são gerenciadas pelo analista de masterdata e disponibilizados para
todos os stakeholders se conectarem e fazerem uso dos dados.
Assim, é possível criar as medidas para os indicadores da ferramenta de
visualização de dados através das informações e tabelas utilizadas. Na tabela abaixo
é possível observar a definição de cada indicador disponibilizado no dashboard, com
detalhes dos seus significados de negócio e sua origem.
Tabela 1 – Definição dos indicadores utilizados.

Relatório Indicador Fórmula Definição Fonte
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
Através dos indicadores apresentados acima e de uma manipulação dos dados

inteligente, é possível gerar análises que geram insights para os stakeholders. Para
os times de Supply Chain, Development e Marketing responsáveis pelas caixas
comemorativa, faz mais sentido ver os dados em unidades, já para a equipe
responsável pela logística no Centro de Distribuição Internacional, as análises são
feitas em número de pallets. Por conta disso, também se importou uma tabela do
Dataflow que apresenta o número de unidades por pallet de cada produto. Através
disto, foi possível criar medidas que fizessem a transformação dos indicadores de
acordo com a visão solicitada, agradando todos as partes interessadas.
4.7 INTELIGÊNCIA DE DADOS
A seção de Inteligência de Dados é uma parte fundamental do estudo de caso,

pois trata do processo de coleta, transformação e organização dos dados para que
possam ser utilizados posteriormente na criação de análises e visualizações no Power
BI. De acordo com Thomas C. Redman, autor americano e consultor de gestão de
dados, a governança de dados é o pré-requisito para qualquer projeto bem-sucedido
que envolva dados (REDMAN, 2013).
Tendo isto em vista, a etapa de importação dos dados feita da melhor forma
possível e a criação dos relacionamentos entre as tabelas, são etapas fundamentais
para a construção de uma inteligência de dados concreta e robusta, que facilita no
desenvolvimento do produto final do estudo de caso, que é um reporte que direciona
a tomada de decisão na cadeia global de suprimentos dos coffrets da empresa de
beleza Cosmética X.
Em primeiro lugar, foi utilizado o Power Query, uma ferramenta de ETL (Extract,
Transform and Load) que permite a importação, limpeza e transformação de dados de
diversas fontes para o Power BI. Nesta etapa, foram importadas as tabelas
36
apresentadas na Tabela 2, que apresenta de forma detalhada qual foi o tipo de

importação realizado na ferramenta.
Tabela 2 – Forma de importação das tabelas.

Relatório Tabela Informação Tipo de Importação Fonte
Em preparação para IDC

fVL06O_P48 Power BI Dataflow
envio Dataflow
Fatos Enviados para os
fActualsNeeds Analysis Services MSBI
Shipment países
Projetados para serem
fProjectedNeeds Analysis Services MSBI
enviados
Em controle de
fQualityControl Analysis Services MSBI
qualidade na fábrica
Fatos
fActualsProduction Coffrets produzidos Analysis Services MSBI
Production
fProjectedProduction Produção projetada Analysis Services MSBI
Dados sobre os países

dCDC Analysis Services MSBI
afiliados
Informação dos
DMasterData Excel Web Sharepoint
produtos
dCalendar Tabela Calendário Criado no PowerQuey -

Dimensões
IDC
dSQ01_PALET Conversor para Pallets Power BI Dataflow
Dataflow
Informação das
dMasterdata_Sets Excel Web Sharepoint
campanhas
Calendário com quebra
dWeekSnapshot Analysis Services MSBI
semanal
Além disso, relacionamentos entre fatos e dimensões foram estabelecidos,

permitindo a criação de análises mais complexas e precisas. O entendimento desses
relacionamentos é fundamental para o desenvolvimento de visualizações e
dashboards eficazes no Power BI. O tipo de relacionamento criado entre as tabelas
foi o de “um para muitos” ou “um para um”, pois a criação de relacionamentos muitos
para muitos é desencorajada, pois pode gerar resultados inesperados e imprecisos
nas análises e visualizações.
37
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.
Figura 14 – Visão do Modelo no Power BI.
Fonte: Ferramenta Desenvolvida.
4.8 CRIAÇÃO DOS VISUAIS
Com todas as tabelas importadas, relacionamentos criados e medidas

calculadas, a última etapa de execução do estudo de caso é a criação dos visuais
para a análise. Dessa forma, a partir do levantamento das prioridades feito através do
38
questionário qualitativo abordado na seção METODOLOGIA, foram definidas

visualizações a serem criadas e posteriormente validadas com a equipe S&OP das
caixas comemorativas.
As diretrizes definidas através do formulário e de reuniões realizadas em
conjunto com o gerente do time logístico foram:
• Construir uma visão One Page, onde teríamos a consolidação das análises
de produção (aba PRODUCTION) em uma página e de envio para os países
em outra (aba SHIPMENT).
Para introduzir as delimitações do objeto de estudo e facilitar a navegação
na ferramenta, teve-se a ideia de construir uma aba de introdução (aba
CONTROL);
Figura 15 – Abas da Ferramenta.
• Utilizar a paleta de cores da divisão de Luxo da empresa, que é baseada no

preto e no dourado e com outras cores dentro desta combinação;
• Colocar uma barra com todos os filtros que podem ser aplicados no relatório,
sejam eles filtros temporais, sobre os países, fábricas ou informações dos
produtos;
• Apresentar no topo do dashboard, uma visão geral com os números mais
importantes e, em seguida, criar os gráficos e visuais com informações a
nível marca, fábrica e país;
• Ter ao final de cada página uma tabela para os stakeholders poderem extrair
os dados com facilidade.
Tais diretrizes somadas com o processo criativo de desenvolvimento tiveram
os resultados apresentados nas figuras abaixo. Vale ressaltar que para todas as
representações dos visuais a seguir foram retirados o nome da empresa e das suas
marcas e os valores dos indicadores foram ajustados com um multiplicador para seguir
as normas de confidencialidade da empresa Cosmética X.
39
4.8.1 PÁGINA CONTROL
Figura 16 – Página de controle.
Na figura acima, é possível ver a página de controle da ferramenta no Power

BI. Essa visão inicial tem como objetivo delimitar o uso da ferramenta e explicar o
escopo de cada uma das visões. Sendo assim, ao lado do botão Production, que ao
ser clicado direciona o usuário para as análises sobre a produção das caixas
comemorativas, há uma descrição que explica que essa página mostra a produção
dos coffrets nas fábricas subcontratadas no escopo da Europa, com análises a nível
das marcas e das fábricas terceiras.
Logo abaixo, há o botão Shipment, que direciona para a página acerca dos
produtos enviados para os países. Na descrição à direita, é explicado que essa
visualização mostra os envios das caixas sazonais para os países afiliados no escopo
da Europa, com visões a nível de marca, país e fábrica subcontratada.
Em seguida, existem 2 hiperlinks para facilitar a usabilidade do reporte. O
primeiro é o “Excel”, que, ao ser clicado, direciona o usuário para uma planilha
conectada no dashboard, presente no ANEXO 2, e o segundo é o guia do usuário
apresentado no ANEXO 3, com todas as informações e detalhes sobre a ferramenta.
Este conta com uma parte direcionada ao guia para todos os stakeholders e outra em
uma visão para o “administrador”.
40
4.8.2 PÁGINA PRODUCTION
A Figura 17 representa a primeira parte da página com as análises de produção,

onde na parte superior temos o principal indicador em um gráfico de rosca (%
produzidos versus o total) seguido de uma seção com os filtros disponíveis para serem
usados. Em seguida, é possível observar 3 caixas com os valores do número de
coffrets a serem produzidos naquela campanha, quantos já foram produzidos e estão
presos em controle de qualidade, e quantos ainda estão para serem produzidos. Logo
na direita, há um gráfico com a quebra desses indicadores entre as marcas e abaixo
há uma comparação entre as unidades produzidas nesse ano versus o ano anterior.
Já na parte de baixo da imagem, foi criado um triângulo de evolução do plano
de produção, para que seja analisado quanto era previsto para ser produzido a nível
semanal entre as últimas semanas versus o que foi produzido.
Figura 17 – Topo da aba Production.

41
Em seguida, a Figura 18 representa a continuação da página com as análises

de produção, com uma visão matricial que é reportada para as Zonas (que gerem
grupos de países, por exemplo, a Zona LATAM é responsável por todos os países da
América Latina). As matrizes demonstradas abaixo apresentam um resumo dos
indicadores de produção abertos pelas fábricas terceiras e por marca. A ferramenta
também possui uma segunda seção de filtros para que o usuário não tenha que se
deslocar ao topo para filtrar.
Após a visão para reportar as Zonas, há uma seção específica para se
aprofundar na dimensão das fábricas subcontratadas, com um gráfico para facilitar o
output da situação de cada fábrica e uma matriz com os tipos das caixas.
Figura 18 – Continuação da aba Production.

42
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.
Figura 19 – Tabela para extração de dados da aba Production.
4.8.3 PÁGINA SHIPMENT
A última página do produto desenvolvido no estudo de caso é a Shipment, que

contém os dados sobre o envio dos coffrets para os países ao redor do mundo. Neste
cenário, a Figura 20 mostra que esta visualização é composta por uma barra de filtros
localizada à direita e com os principais indicadores no topo, iniciando com a % Invoice
Trend, que é a porcentagem de produtos que já foram faturados para serem enviados
versus o total da campanha, que é apresentado em um cartão logo em seguida. A
porcentagem de produtos faturados é equivalente a soma do racional com coffrets que
já foram enviados com os que estão em preparação para serem enviados (já estão
prontos só não saíram ainda do Centro de Distribuição Internacional). O último cartão
Remaining dá visibilidade sobre as unidades que ainda não foram faturadas para o
envio.
Abaixo dos cartões, há um gráfico que dá visibilidade da situação por marca e
outro que compara com o ritmo mensal de envio da mesma campanha no ano anterior.
Em seguida, há uma seção que conta com análises geográficas sobre o envio das
43
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.
Figura 20 – Topo da aba Shipment.
Em continuação, a Figura 21 representa o meio da página com as análises de

envio, com matrizes que estão no formato para serem reportadas para as Zonas. Tais
visões apresentam uma visão geral dos indicadores abertos por Zona/país e por
marca. A ferramenta também possui uma segunda seção de filtros para que o usuário
não tenha que se deslocar ao topo para filtrar.
Abaixo da seção de reporte para as Zonas, há análises com abertura nas
fábricas terceirizadas, para entender qual fábrica tem que acelerar o seu plano de
produção para que os envios sejam realizados por completos. Esta parte conta com
44
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.
Figura 21 – Continuação da aba Shipment.
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
Figura 22 – Tabela para extração de dados da aba Shipment.
4.9 ANÁLISE CRÍTICA DOS RESULTADOS
Como destacado na seção 1.2, a problemática levantada para a

fundamentação do estudo de caso era baseada em 3 pilares:
• Tempo excessivo gasto para obter dados para analisar a cadeia de
suprimentos global por parte do time S&OP responsável pelos coffrets;
• Processo operacional e falta de padrão na análise dos KPI’s (Indicadores
Chaves de Desempenho) deste fluxo;
• Falta de visualizações dinâmicas com filtros cruzados para tomada de
decisão da alta gestão.
Neste viés, após a aplicação do estudo de caso no objeto de estudo, é possível
ressaltar que todos os pontos acima foram solucionados. Em primeiro lugar, cada
integrante da equipe logística fazia em média 4 extrações por dia de diferentes
sistemas para ter os dados necessários para realizar as análises. Tendo em vista que
a equipe é composta por 4 pessoas que cuidavam da parte operacional (3 analistas e
1 estagiário) e que cada extração durava em média 3 minutos (tempo médio passado
pelo gerente), estima-se que eram gastos 48 minutos por dia da equipe ara realizar
as extrações, equivalente a 240 minutos por semana e a 211,2 horas por ano. A nova
ferramenta é atualizada diariamente automaticamente através de conexões diretas
com o cubo de análise de dados, sem precisar de extrações manuais do time.
Em seguida, após a obtenção dos dados, eles eram copiados para planilhas
que eram usadas como fonte de dados para a planilha que cada analista tinha para
46
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
5.1 CONSIDERAÇÕES FINAIS
Este projeto de conclusão de curso abordou o uso da Inteligência de Dados na

cadeia de suprimentos das caixas comemorativas sazonais de uma empresa de
produtos de beleza de luxo, com ênfase na perspectiva da sede global da empresa.
Foi apresentado como a análise de dados pode ser usada para melhorar a eficiência
e a rentabilidade da cadeia de suprimentos, aumentando a precisão do planejamento
da produção e a satisfação do cliente.
Os resultados da análise demonstraram que a implementação de técnicas de
Inteligência de Dados, como comparações com campanhas anteriores e abertura dos
dados por marca e país, pode ajudar a empresa Cosméticas X a controlar indicadores
de produção dos coffrets nas fábricas terceiras e o envio dos mesmos para os países
afiliados de forma automatizada e otimizada. Além disso, o alinhamento com os
usuários finais da ferramenta permitiu o entendimento de visões e filtros que faziam
47
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.
5.2 DISCUSSÃO SOBRE AS QUESTÕES DA PESQUISA
Através da revisão da literatura e da análise dos dados coletados, a pesquisa

identificou diversos desafios enfrentados por empresas globais do setor de beleza em
relação à tomada de decisões na cadeia de suprimentos. A falta de visibilidade dos
dados em tempo real, a complexidade da cadeia de suprimentos, a variação no plano
de produção e a gestão de envio para outros países foram destacados como alguns
dos principais desafios.
A partir disto, constata-se que a visualização de dados desempenha um papel
fundamental na tomada de decisões eficaz na cadeia de suprimentos. Através da
visualização adequada dos dados, os gestores podem obter insights valiosos sobre o
desempenho da cadeia de suprimentos, identificar padrões, tendências e anomalias,
e tomar decisões embasadas em informações sólidas. A visualização de dados
permite uma compreensão mais rápida e clara do cenário geral, facilitando a
identificação de gargalos, pontos de melhoria e oportunidades de otimização.
Sendo assim, ao longo da pesquisa, foram exploradas diferentes formas de
aplicação da visualização de dados em uma empresa global do setor de beleza.
Identificou-se que a utilização de dashboards interativos, gráficos intuitivos e mapas
visuais são algumas das abordagens eficazes para representar dados relevantes da
cadeia de suprimentos. Essas ferramentas permitem que os gestores tenham acesso
a informações em tempo real, como indicadores-chave de desempenho (KPIs), níveis
de estoque, previsões de demanda e níveis de produção. Além disso, a visualização
de dados pode ser utilizada para monitorar o desempenho das fábricas
48
subcontratadas, identificar gargalos na cadeia logística e realizar simulações para

avaliar diferentes cenários de decisão.
Por fim, fica claro que os benefícios da implementação de técnicas de
visualização de dados em uma empresa global do setor de beleza são significativos.
Assim como na contextualização inicial é apresentado que a companhia PepsiCo
reduziu em 70% o tempo de análise de indicadores do fluxo logístico feito pelo time
CPFR através de boas práticas e reportes com inteligência de dados, o impacto do
projeto na empresa Cosmética X foi muito positivo. Isso aponta que tal solução é
sustentável e pode ser adotada de forma semelhante por outras empresas que sofrem
com questões similares.
5.3 SUGESTÃO DE TRABALHOS FUTUROS
Como continuação deste trabalho, poderia ser desenvolvido uma ferramenta

similar para a equipe S&OP dos Produtos Livres de Venda, que também está
posicionada dentro da estrutura de Retail & Animation no organograma do objeto de
estudo. Esta equipe é responsável pelos brindes que não contém “molho”, ou seja,
que não possuem o líquido do perfume, da maquiagem ou de tratamento de pele.
Como exemplo de produtos, há mochilas, pochetes, móveis que são enviados aos
países para serem usados no ponto de venda. Da mesma forma como os coffrets,
estes itens também são produzidos em fábricas terceiras, enviados para o Centro de
Distribuição Internacional e em seguida para os países afiliados, seguindo, assim, o
mesmo fluxo logístico apresentado na seção 2.1.
Além disso, para complementar os benefícios das análises descritivas
desenvolvidas neste estudo de caso para a equipe S&OP Global de coffrets, há uma
oportunidade de incorporar técnicas de análises de dados preditivas para a
identificação de riscos nos planos de produção nas fábricas terceiras e de possíveis
variações na demanda das caixas comemorativas recebidas nos books dos países
afiliados, através de linguagens como o python.
Por fim, durante a pesquisa teórica do presente trabalho, foi possível observar
que ainda existem poucos estudos de casos na literatura de Inteligência de Dados
sobre a cadeia de suprimentos de produtos livres de venda. Por ser um processo
chave e complexo pelo seu fluxo logístico específico, é um assunto que possui
49
relevância e permite aplicabilidade da solução, portanto seria interessante serem

desenvolvidos mais trabalhos sobre este tema.
50
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.
BOZARTH, C. C.; HANDFIELD, R. B.; WEISS, H. J. Introduction to operations and

supply chain management. Harlow: Pearson Prentice Hall, 2008.
CHRISTOPHER, Martin. Logistics & Supply Chain Management: Creating Value-

Adding Networks. 3rd ed. Great Britain: FT Press, 2005.
DE CASTRO MELO, D.; ALCÂNTARA, R. L. C. A gestão da demanda em cadeias

de suprimentos: uma abordagem além da previsão de vendas. Gestão e
Produção, v. 18, n. 4, p. 809-824, 2011.
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.
GIBSON, J. J. The Ecological Approach to Visual Perception. Lawrence Erlbaum

Associates, 1979.
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
INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA. Painel de

Indicadores. Acesso em: 8 mai. 2023. Disponível em:
https://www.ibge.gov.br/indicadores.
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.
KACHE, F.; SEURING, S. Challenges and opportunities of digital information at

the intersection of Big Data Analytics and supply chain management.
International Journal of Operations & Production Management, v. 37, n. 1, p. 10-36,
2017.
KIMBALL, R. The Data Warehouse Toolkit: The Definitive Guide to Dimensional

Modeling. 2nd ed. New York: Wiley, 2002.
KORTH, H. Sistema de Banco de Dados. 6. ed. São Paulo: Pearson, 2013.
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
MICROSOFT. Entenda o esquema em estrela e a importância para o Power BI.

Acesso em: 15 jul. 2023. Disponível em: < https://learn.microsoft.com/pt-br/power-
51
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
PEDROSO, C. B.; DA SILVA, A. L.; TATE, W. L. Sales and Operations Planning

(S&OP): insights from a multi-case study of Brazilian organizations. International
Journal of Production Economics, v. 182, p. 213-229, 2016.
PIDD, M. Tools for thinking: modelling in management science. [S.l: s.n.], 1996.
PORTER, M. Competitive Advantage: Creating and Sustaining Superior

Performance. Nova York: Free Press, 1985.
REDMAN, T. C. Data governance: The prerequisite for successful data projects.

Technics Publications, 2013.
RIES, E. The Lean Startup: Como criar empresas de sucesso com rapidez e
eficiência. 1. ed. São Paulo: Makron Books, 2011.
ROZADOS, I.; TJAHJONO, B. Big data analytics in supply chain management:

trends and related research. In Proceedings of the 6th International Conference on
Operations and Supply Chain Management Bali, 2014.
SABANOGLU, T. Annual growth of the global cosmetics market from 2004 to

2020. Acesso em: 5 nov. 2022. Disponível em:
https://www.statista.com/statistics/297070/growth-rate-of-the-global-cosmetics-
market/.
SAHAY, B. S.; RANJAN, J. Real-time business intelligence in supply chain

analytics. Information Management & Computer Security, v. 16, n. 1, 2008.
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.
TUOMIKANGAS, N.; KAIPIA, R. A coordination framework for sales and

operations planning (S&OP): Synthesis from the literature. International Journal of
Production Economics, v. 154, p. 243-262, 2014. Acesso em: 18 nov. 2022.
Disponível em: http://dx.doi.org/10.1016/j.ijpe.2014.04.026.
52
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. Applications of Case Study Research. 3ª ed. Thousand Oaks, CA:

Sage, 2012.
YIN, R. K. Qualitative Research from Start to Finish. 2ª ed. New York, NY: The
Guilford Press, 2016.
YIU, L. M. D.; YEUNG, A. C. L.; JONG, A. P. L. Business intelligence systems and

operational capability: an empirical analysis of high-tech sectors. Industrial
Management and Data Systems, v. 120, n. 6, p. 1195-1215, 2020.
53
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.
Collaborative Planning, Forecasting, and Replenishment (CPFR): É um modelo de colaboração

entre fornecedores e varejistas que visa otimizar o planejamento, a previsão de demanda e o
reabastecimento, compartilhando informações e trabalhando em conjunto para melhorar a eficiência da
cadeia de suprimentos.
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.
Global Supply Chain: Refere-se à rede de atividades, processos, fornecedores, distribuidores e

parceiros comerciais que operam em escala global, visando atender às demandas de mercado em
diferentes regiões do mundo.
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.
Insights: São percepções ou conclusões significativas e valiosas derivadas da análise de dados ou

informações, que podem levar a uma compreensão mais profunda de um determinado problema ou
oportunidade.
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.
Make-to-order: É um modelo de produção em que os produtos são fabricados ou montados somente

após a recepção de um pedido específico do cliente. Nesse modelo, os produtos não são produzidos
em grande escala e mantidos em estoque, mas sim feitos sob demanda.
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.
Sell In: É o processo de venda de produtos de um fabricante ou fornecedor para um varejista ou

distribuidor, geralmente representando a entrada de produtos no canal de distribuição.
Sell Out: É o processo de venda de produtos de um varejista para os consumidores finais,

representando a saída de produtos do canal de distribuição.
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.
Stakeholders: São as partes interessadas ou envolvidas em um processo, projeto ou organização,

incluindo clientes, fornecedores, colaboradores, acionistas e comunidade.
Supply Chain Management (SCM): Refere-se à gestão estratégica e operacional de todas as

atividades relacionadas à cadeia de suprimentos, desde a obtenção de matérias-primas até a entrega
do produto final ao consumidor.
55
ANEXOS
ANEXO 1 – ENTREVISTA QUALITATIVA COM A EQUIPE RESPONSÁVEL
Fonte: Equipe S&OP Coffrets, 2022.

56
ANEXO 2 – EXCEL CONECTADO À FERRAMENTA
Fonte: (Reporte Equipe S&OP Coffrets, 2022)

57
ANEXO 3 – GUIA DO USUÁRIO

58
59
Fonte: Guia do Usuário Reporte Equipe S&OP Coffrets, 2022.

Projeto Final - Enzo Sant&#39;Anna Ribeiro

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Projeto Final - Enzo Sant&#39;Anna Ribeiro

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL FLUMINENSE

ENZO SANT’ANNA RIBEIRO

APLICAÇÃO DE BUSINESS INTELLIGENCE NA CADEIA DE SUPRIMENTO

APLICAÇÃO DE BUSINESS INTELLIGENCE NA CADEIA DE SUPRIMENTO

Projeto Final apresentado ao curso de

Orientador: Prof. Dr. Marcelo Maciel

APLICAÇÃO DE BUSINESS INTELLIGENCE NA CADEIA DE SUPRIMENTO

Projeto Final apresentado ao curso de

Trabalho de Conclusão de Curso apresentado e aprovado em: 14 / 07 / 2023

Primeiramente, gostaria de expressar minha profunda gratidão a Jesus, que esteve

A cadeia de suprimentos é um componente fundamental para o sucesso operacional

Palavras-chave: Inteligência de Negócios; Cadeia de Suprimentos; Caixas

Keywords: Business Intelligence; Supply Chain; Promotional Boxes; Beauty Market.

Tabela 1 – Definição dos indicadores utilizados ……………………………………. 34

de suprimentos é que, caso a empresa receba mais estoque do que o recomendado,

Além disto, é válido afirmar que o impacto da análise de grande quantidade de

Figura 2 – Número de artigos publicados por país entre 2020 e 2022.

1.2 O PROBLEMA DA PESQUISA

Tendo em vista o contexto mencionado, esta pesquisa visa apresentar soluções

Figura 3 - Vendas globais do mercado de beleza (em bilhões de dólares $).

Fonte: Adaptado de (McKinsey & Company, 2020)

1.3 OBJETIVO DA PESQUISA

O objetivo final da pesquisa é construir um painel que ajude a solucionar as não

1.4 QUESTÕES DA PESQUISA

A partir do objetivo apresentado na seção anterior, o estudo responde os

1.5 DELIMITAÇÕES DO ESTUDO

O presente estudo faz uma análise da inteligência de negócio envolvida na

chamados de one-shot, ou seja, são produzidos apenas para uma sazonalidade

Figura 4 – Etapas da Cadeia de Suprimentos.

Fonte: Adaptado de (McKinsey & Company, 2016).

Sob esta ótica, o presente trabalho está delimitado a um estudo de caso do

1.6 IMPORTÂNCIA DO ESTUDO

No meio acadêmico, o presente estudo tem sua contribuição para o campo da

O conceito de BDA é de extrema importância para o mercado, pois é fato que

1.7 ORGANIZAÇÃO DO ESTUDO

A apresentação deste estudo foi dividida em cinco capítulos:

chaves. Será apresentada a aplicação do HUB de visualização de dados

2.1 CADEIA DE SUPRIMENTOS E CICLO S&OP

O termo “gestão da cadeia de suprimentos” foi utilizado pela primeira vez na

É notório que a complexidade das cadeias de suprimentos aumentou muito ao

Figura 5 - Modelo de Diagrama de Cadeia de Suprimentos.

Fonte: Adaptado de (GRÖSSLER; THUN; MILLING, 2008).

Quando o fluxo acima é aplicado em uma empresa global, como a estudada

2.1.3 CICLO S&OP

De forma resumida, Sales and Operations Planning (S&OP) é um processo

capacidade da cadeia de suprimentos (TUOMIKANGAS; KAIPIA, 2014). Além disso,

Figura 6 - Esquema simplificado do planejamento S&OP.

Fonte: (WALLACE; STAHL, 2001).

2.2 INTELIGÊNCIA DE DADOS

De início, a revista Decision Support Systems resume de forma clara e objetiva

Entretanto, ainda há uma falta de compreensão do que determina a capacidade de

2.2.2 BANCO DE DADOS

Banco de dados é uma coleção de dados inter-relacionados, representando

cadeia de suprimentos. Por conta disso, o processo de tomada de decisão envolve

Figura 7 – Diagrama sobre fontes dos dados.

Fonte: Empresa Estudada.

Há 2 principais tipos de tabela que são fonte para um banco de dados

Ter bancos de dados eficientes é o primeiro passo para a construção de

Figura 8 – Diagrama sobre relacionamento no MS Power BI.

Fonte: Power BI Star Schema - Core BTS, 2021.

3.1 DEFINIÇÃO DO MÉTODO

Neste estudo, foi adotado o tipo de pesquisa qualitativa, que busca

Figura 9 – Etapas do estudo de caso.

Fonte: Como Elaborar Projetos de Pesquisa (GIL, 2002).

Projeto Final - Enzo Sant'Anna Ribeiro

Projeto Final - Enzo Sant'Anna Ribeiro