ESCAVANDO DADOS NO VAREJO

O conceito de Cadeia de Suprimento (Supply Chain) é amplamente utilizado pelas empresas de ponta na área de logística. Neste contexto, são observadas as interfaces entre empresa, fornecedores e clientes, tanto com relação a fluxos de produtos, de informações e financeiros.
O modelo conceitual do processo integrado de decisão da Cadeia de Suprimento foi proposto por Bowersox & Closs e está esquematizado na Figura 1.
Neste modelo, a estruturação do sistema logístico inicia-se através de 4 decisões tomadas junto a profissionais de marketing:

 1998_03_imagem 01
  • Produto: Quais produtos serão postos à venda? Qual o mix de produtos a ser colocado em cada região de vendas?
  • Promoção: Quais políticas de promoção e descontos serão dadas para cada produto em cada região?
  • Preço: Qual nível de preço será praticado para cada produto em cada região de vendas?
  • Praça/Serviço ao cliente: Como será feita a distribuição do produto? Quais locais serão atendidos? Qual o nível de exigência mínima para atendimento? Qual a periodicidade de atendimento? Qual o nível de serviço em termos de disponibilidade de produto que será praticado para cada região/tipo de cliente?

Desse modo, a partir das definições tomadas acima, todas as funções de logística serão planejadas e estruturadas para o atendimento dos diferentes níveis de serviço propostos. Além disso, temos como meta a busca do atendimento dos diferentes níveis de serviço ao menor custo logístico total possível. Um menor custo total significa a redução simultânea dos custos de estoque, transporte, armazenagem, compras e de utilização de tecnologia sem a depreciação do nível de serviço. Uma alteração em um determinado custo logístico influi diretamente em outro. Por exemplo, minimizar o custo de compras adquirindo matéria-prima em maior volume pode aumentar o custo de armazenagem.

Notamos então que a primeira fase, a de “Conhecer o consumidor”, é fundamental para uma boa estruturação e bom desempenho do sistema logístico. No entanto, planejar um sistema baseado no consumidor está se tornando cada vez mais difícil. Principalmente para aqueles profissionais da área de Logística que atuam no setor varejista. Com o acirramento da concorrência e o aparecimento de uma nova forma de comércio através da Internet , os consumidores tornaram-se mais numerosos e de difícil interpretação.

Como responder às questões de Produto, Preço, Promoção e Praça para que a organização logística seja estruturada de forma adequada e eficiente?

O profissional da área logística possui como auxílio para tais questões dois conceitos muito utilizados atualmente nos setores de varejo e de bancos de serviço: Data Warehousing (Armazém de Dados) e Data Mining (Mineração de Dados).

  1. POR QUE UTILIZAR TAIS FERRAMENTAS?

Notamos uma redução nos últimos anos dos preços dos terminais de Ponto de Venda (PDV). Tais equipamentos, além de agilizarem a operação de pagamento nos check-outs podem ser utilizados para coleta de informações de vendas. Aliado à redução de preço dos computadores e à redução do custo de armazenagem de dados, o que notamos é que a maioria das empresas varejistas tem hoje a possibilidade de acumular informações de vendas e de consumidores a um custo acessível. Por outro lado a coleta massiva de dados por si só não contribui para alavancar a estratégia de marketing da empresa. O que acontece atualmente para o profissional da área é o acesso a um grande volume de dados mas a dificuldade para retirar informações para a tomada de decisão. Tais informações podem ser escavadas através de ferramentas de Data Mining.

Antes de entramos em detalhe nos conceitos de Data Warehouse e Data Mining, é interessante mostrarmos algumas histórias de sucesso com a utilização desses dois conceitos:

  • A Wal*Mart é uma das maiores cadeias varejistas dos Estados Unidos. É conhecida por sua política de baixos níveis de estoque e ressuprimento constante de produtos (baixos lotes e alta frequência) além de sua política agressiva com os concorrentes regionais. Utilizando ferramentas de Data Mining que auxiliam a previsão de cada item por cada loja da empresa, modificou seus sistemas de ressuprimento automático de produtos. Além disso, identificou padrões de consumo em cada loja, para a escolha do mix de produtos a ser colocado.
  • A ShopKo, rede varejista americana, utilizou ferramentas de Data Mining para determinar quais produtos são vendidos através da venda indireta de outros produtos. Como resultado, resisistiu à concorrência da Wal*Mart em 90% dos mercados e aumentou suas vendas.
  • O Banco Itaú costumava enviar mais de 1 milhão de malas diretas aos correntistas, com uma taxa de resposta de 2%. Com um banco de dados contendo as movimentações de seus 3 milhões de clientes nos últimos 18 meses, utilizando ferramentas de Data Mining, reduziu em um quinto a conta com despesas postais e aumentou sua taxa de resposta para 30%.
  • Empresas telefônicas dos Estados Unidos obtiveram redução de 45% nas taxas de serviço com novos consumidores utilizando malas diretas personalizadas com Data Mining.
  1. DATA WAREHOUSE E DATA MINING

Mas como essas empresas do setor de varejo obtiveram tais ganhos? Como estruturaram suas redes de suprimento e distribuição para atender as diferentes exigências do mercado? Através da criação de um Data Warehouse e da utilização de técnicas de Data Mining para descoberta de informações em seu grande conjunto de dados.

Um Data Warehouse (Armazém de Dados) é um depósito integrado de informações, disponíveis para análise e para a construção de filtros de busca (queries). Tais informações são coletadas de fontes heterogêneas de dados operacionais e reunidos em um banco de dados, centralizando informações localizadas em diferentes fontes e possibilitando que elas sejam compartilhadas por toda a empresa. Além disso, fontes externas podem ser incluídas num Data Warehouse, além dos dados operacionais da empresa, como informações demográficas de consumidores e informações pessoais de cada cliente.

O Data Mining (Mineração de Dados), por outro lado, é uma metodologia que procura uma descrição lógica ou matemática , eventualmente de natureza complexa, de padrões e associações em um conjunto de dados. No contexto de Data Mining, o aprendizado é um conjunto de técnicas que efetuam duas tarefas principais: (1) generalizar regras através de um conjunto de exemplos conhecidos e (2) detalhar uma estrutura de suas conclusões. Dentre as ferramentas ou tecnologias utilizadas para a implementação de um projeto de Data Mining destacamos: Redes Neurais, Árvores de Decisão, Análises de Séries Temporais, Algoritmos Genéticos, Aproximações Híbridas, Lógica Fuzzy e Ferramentas Estatísticas Convencionais.

Para que as técnicas de Data Mining possam ser utilizadas, geralmente é necessário que a empresa possua um Data Warehouse, ou seja, um banco de dados que reuna as informações passadas de suas atividades operacionais. Isso é necessário porque as técnicas de Data Mining generalizam padrões através de resultados conhecidos do passado. Podemos afirmar então que um Data Warehouse é um requisito para a implementação de um projeto de Data Mining. A Figura 2 resume a relação entre Data Warehouse e Data Mining.

 1998_03_imagem 02
  1. EXEMPLOS DE APLICAÇÕES DE DATA MINING NO SETOR VAREJISTA

O setor varejista é um dos setores onde as técnicas de Data Mining são as mais utilizadas. Isso ocorre porque é um setor onde existem diversas complexidades inerentes às vendas. A venda de cada item é sensível  a fatores de mercado (propaganda e preço) e fatores externos (tendências de moda, renda, competição). Além desses fatores, alguns produtos influem indiretamente na venda de outros produtos. O resultado da interação de todos esses fatores e suas relações são complexas para serem traduzidos através das análises comuns.

Dessa forma, as técnicas de Data Mining surgem como alternativa para tratamento desses tipos de complexidades. Além disso, a base para sua aplicação, a coleta de dados, já é acessível para muitas empresas do setor. As tabelas 1 e 2 a seguir nos mostram a utilização de ponta de Data Mining no Varejo e as empresas representativas de sua utilização no setor varejista americano.

1998_03_imagem 03

As aplicações de Data Mining no varejo podem ser agrupadas em duas categorias principais: Previsão de vendas e Alavancagem de Estratégias de Marketing.

4.1. Previsão de Vendas

A aplicação na previsão de vendas consiste na determinação de uma série temporal através de dados passados. Esse tópico já foi amplamente abordado pelos estatísticos, principalmente com a utilização de método lineares. No entanto, quando os fenômenos são muito complexos e não lineares os métodos comumente utilizados não são suficientes. Nesses casos, métodos adaptativos como redes neurais e árvores de indução têm sido utilizados.

Com relação às árvores de indução, são algoritmos que exploram os dados de vendas passadas para extração de regras de previsão para o futuro. O princípio de indução é relativamente simples, mas sua aplicação para a previsão de vendas pode se tornar complexa. Já uma rede neural é um aproximador de função e produz como saída uma função que minimiza um parâmetro determinado. Através de valores históricos conhecidos, uma rede de funções é criada representando as relações entre variáveis. Tanto para a otimização de árvores de indução e de redes neurais, algoritmos genéticos de busca são utilizados.

Através da utilização dessas ferramentas, o profissional da área de logística pode ter uma maior acurácia na previsão de séries temporais de diversos produtos. Desse modo, pode antecipar decisões como: a criação de estoques de produtos em regiões específicas, envio contínuo de produtos, criação de pontos e ressuprimento de produtos ou modificações nas políticas de preço e promoção. Com decisões preventivas e não reativas, o profissional logístico pode buscar a minimização do custo total logístico praticando um nível de serviço aceitável.

4.2. Otimização de estratégias de marketing

Por outro lado, a aplicação de Data Mining na otimização de estratégias marketing é um problema conceitual mais complexo, baseado na habilidade de fazer previsões em diferentes condições e na geração de modelos de negócios. Temos 5 pontos principais de aplicação:

  • Envio de mala direta: as campanhas de mala direta são caras, sendo importante a limitação da gama de todos os consumidores em subconjuntos de consumidores potenciais. Isso têm sido otimizado com o uso de árvores de indução e de redes neurais.
  • Segmentação de mercado: é um problema mais amplo de reconhecimento de padrões específicos de segmentos de marketing que respondem a uma determinada característica. Dessa forma segmentos de mercado com as mesmas características são identificados. Através da identificação desses segmentos, políticas diferentes de preço, marketing e serviço podem ser implementadas. Para o profissional da área logística, essa informação é de extrema importância. Pode-se determinar diferentes níveis de serviço para cada segmento de mercado, além do nível de serviço mínimo aceitável para cada região.
  • Determinação de perfis de consumidores: padrões de consumo são identificados. Tais perfis podem ser utilizados tanto para direcionamento de promoções de venda como para o planejamento da disposição dos produtos nos pontos de venda (que produtos colocar próximo de outro). Analogamente ao item anterior, as demandas por nível de serviço são identificada para cada tipo de cliente. Alguns clientes não estão dispostos a pagar mais caro por um nível de serviço melhor, estando satisfeito com o nível de serviço praticado.
  • Análises de sensibilidade: consiste na avaliação do impacto da mudança de uma variável em uma outra variável, como por exemplo a elasticidade de preço da demanda. Se uma grande quantidade de dados históricos está disponível, o cálculo de sensibilidades é um problema de generalização de função de um número de valores conhecidos. Dessa forma o impacto de uma mudança de preço na demanda pode ser previsto e diversas análises podem ser feitas.
  • Administração de Categorias de Produtos: consiste em determinar como os produtos são vendidos em cada loja, como as vendas ocorrem com relação à disposição na prateleira, como as promoções podem ser otimizadas e que itens devem ser colocados lado a lado em combinações de layout. Trata-se de uma análise complexa do mix de produtos e sua disposição na loja.
  1. CONCLUSÃO

Com a redução de preço de coletores de dados para os Pontos de Venda no setor varejista, a explosão e barateamento do uso de computadores e a redução do custo de armazenagem de dados, atualmente é possível implementar uma base de dados (Data Warehouse) com as movimentações e características de seus consumidores. Através do uso de técnicas de Data Mining é possível obter informações desse grande conjunto de dados, descobrindo relações entre variáveis e padrões no imenso banco de dados. O profissional da área de logística pode utilizar tais informações para direcionamentos de estratégias de marketing. Através desses direcionamentos, toda a organização logística e seus requisitos operacionais serão definidos, visando atender os diferentes níveis de serviço ao menor custo possível.

Num setor cada vez mais competitivo, conhecer o consumidor ainda é a maior fórmula de sucesso.

  1. BIBLIOGRAFIA

http://www.datawarehousing.com
http://www.data-warehouse.com
http://www.datamining.org