Posts

O uso de “Big Data” no Supply Chain como forma de obter vantagem competitiva

O termo “Big Data” é novo, sendo articulado pela primeira vez no início dos anos 2000 pelo analista industrial Doug Laney, quando foi introduzido o conceito dos 3Vs – volume, velocidade, variedade. “Volume” refere-se à alta quantidade de dados coletada atualmente pelas empresas. Já “Velocidade” está relacionada com a rapidez com que os dados fluem e devem ser tratados. Por fim, “Variedade” está inclusa por conta dos diversos formatos disponíveis para dados, oriundos das mais diferentes fontes. Assim, “Big Data” é um termo que descreve a grande quantidade de informações que circunda uma empresa no dia-a-dia.  O crescimento da possibilidade de armazenamento na nuvem facilitou a manipulação de tais informações, permitindo assim a criação de novos e mais complexos tipos de análises.

O uso de “Big Data” providencia insights nas mais variadas áreas de uma empresa. Trago um exemplo, do ramo automotivo: a partir do monitoramento dos comandos utilizados por motoristas em veículos, é possível entender o comportamento dos usuários e as reações do automóvel, possibilitando o desenvolvimento de melhorias. Caso a empresa esteja presente em redes sociais e possua website, adquire-se conhecimento sobre qual é o perfil dos clientes interessados na marca, quais são os componentes com maior aceitação e quais as demandas do público alvo. Com relação a parte operacional da empresa, é possível utilizar sensores a fim de rastrear a performance de máquinas, otimizar as rotinas de fabricação e, até mesmo, monitorar a saúde e o stress dos funcionários.

Na logística, por meio de análises de amostras de dados grandes e complexas, as diversas peças do Supply Chain são arquitetadas, entregando uma visão abrangente do negócio, evidenciando os gargalos da operação e possibilitando o uso destes dados na obtenção de melhores resultados. Entre os pontos de ataque do “Big Data”, um dos principais é a questão da otimização de rotas. De forma dinâmica e em tempo real, “Big Data” consegue gerar rotas inteligentes que levem em consideração o histórico de envios, o trânsito e as condições meteorológicas, a existência de feriados ou eventos especiais, a probabilidade de o cliente estar disponível para recebimento, entre outros. Desta maneira, leva a questão de aperfeiçoamento de trajetos a outro patamar, reduzindo o consumo de combustível e a emissão de CO2, diminuindo o tempo despedido nas viagens além do número de veículos utilizados, impactando nos custos variáveis de transporte, assim como nos custos com mão de obra. Sem falar na melhora no nível de serviço entregue ao cliente, que recebe sua compra com mais rapidez.

Uma aplicação mais ousada da análise de grande quantidade de dados é a de entrega antecipada, patenteada em 2014 pela Amazon. A partir do estudo de dados que relatam o comportamento de compras dos consumidores é possível prever uma demanda antes que ela ocorra e levar produtos para a ponta da cadeia logística, de forma a reduzir o tempo de entrega caso o pedido venha a acontecer. Padrões de compra, preferências expressas de forma explícita em pesquisas ou questionários, informações demográficas, hábitos de pesquisa, listas de desejos são algumas das fontes de dados para que esta estratégia possa ser implementada.

Fica claro, assim, que a disponibilidade, a análise e a interpretação de dados se tornam um ativo importantíssimo na melhora de uma companhia. As aplicações de “Big Data” numa empresa são muitas, inclusive nas diversas áreas do Supply Chain, seja na comunicação entre os elos da cadeia, na previsão de demanda, no transporte, no gerenciamento de estoques, na segmentação de clientes, ou em qualquer outra. Como resultado, a cadeia logística transforma-se, tornando-se mais transparente, além de mais automatizada, otimizada e com ineficiências e riscos reduzidos, melhorando o nível de serviço entregue aos clientes e reduzindo custos. Os insights provenientes destas análises, somados aos não relacionados à operação logística de uma empresa, são responsáveis por ajudar na tomada de decisões estratégicas e permitir a visualização de novas oportunidades de negócio, dando às empresas vantagens competitivas.

 

Fontes:

How Big Data & Analytics Are Changing The Logistics Sector -> https://datafloq.com/read/big-data-analytics-changing-logistics-industry/4593
Big Data: Challenges and Opportunities in Logistics Systems -> https://www.researchgate.net/publication/321385181_BIG_DATA_CHALLENGES_AND_OPPORTUNITIES_IN_LOGISTICS_SYSTEMS
Whats is the impact of Big Data in the Transportation & Supply Chain Industries? 11 possibilities with Big Data -> https://cerasis.com/big-data-in-the-transportation/
The impacto of big data on route planning -> https://www.amcsrouting.com/newsroom/blog/the-impact-of-big-data-on-route-planning/
7 ways Amazon uses Big Data to Stalk You -> https://www.investopedia.com/articles/insights/090716/7-ways-amazon-uses-big-data-stalk-you-amzn.asp

Amazon Patents “Anticipatory” Shipping — To Start Sending Stuff Before You’ve Bought It ‘https://techcrunch.com/2014/01/18/amazon-pre-ships/

 

Redes sociais para o Supply Chain Management?

Segundo dados do site We Are Social, 37% da população mundial é usuária ativa das principais redes sociais. No Brasil, os usuários passam, em média, 3h43 por dia online nas redes, compartilhando informações, conhecimentos e interesses, dentre outros. Isto é, gerando uma imensa quantidade de dados (ver Figura 1). Algumas das principais redes sociais são Facebook, Instagram, LinkedIn, Twitter, WhatsApp e Youtube, mas blogs colaborativos e redes sociais corporativas, por exemplo, também são redes sociais.

Presented by Coupofy

Figura 1 – Media Social em tempo real

Fonte: Coupofy

 

As empresas também estão, cada vez mais, utilizando as redes sociais, principalmente para se comunicar com os clientes e como ferramenta de marketing. Mas que outros usos podemos dar a essas valiosas ferramentas? Como o Supply Chain Management pode se beneficiar com as redes sociais?

Para começar, as redes sociais são um excelente meio de comunicação, tanto dentro como fora da empresa. Uma mensagem pode avisar ao cliente que o seu pedido está a caminho, evitando possíveis desencontros. Além disso, podemos confirmar o sucesso da operação ou reportar possíveis problemas em tempo real (ex.: quantidade errada de um produto), ganhando tempo de resposta.

As redes sociais incentivam a integração e a colaboração, tanto entre funcionários ou áreas funcionais como entre empresas, sendo um ótimo meio por onde trocar ideias para solucionar problemas ou aprimorar processos. Existem no Brasil, por exemplo, plataformas que conectam profissionais da área de transportes com o intuito de compartilhar informações, conhecimentos e melhores práticas. Outras plataformas ajudam os comerciantes a encontrar transportadores previamente cadastrados para realizar as suas entregas.

Gerar conhecimento a partir das informações advindas das redes sociais pode trazer importantes vantagens para o Supply Chain Management. Entender melhor as necessidades, desejos e tendências de consumo dos clientes, com base no monitoramento constante das redes, possibilita a elaboração de melhores estratégias de forma mais ágil. Desenvolver novas soluções ajustadas às demandas crescentes, verificar a aceitação de um produto antes do seu lançamento e ajustar os planos de estoque segundo o feedback dos clientes são só algumas das vantagens.

Cruzando informações de históricos de vendas, pesquisas, etc. (dados estruturados) com as informações provenientes das redes sociais (dados não estruturados), é possível realizar análises preditivas para antecipar, por exemplo, qual será a demanda de determinado produto ou até conhecer quais serão as novas exigências do mercado, informações muito valiosas na constante busca pelo aperfeiçoamento das operações.

Sem dúvidas as possibilidades são vastas, e em próximos posts poderemos seguir desenvolvendo algumas das ideias citadas ou pensar em novas alternativas. Por enquanto ficam duas perguntas: Como a sua empresa esta utilizando as redes sociais? E os seus concorrentes? Pode ter chegado a hora de “curtir” mais as redes.

 

Referências

<https://wearesocial.com/special-reports/digital-in-2017-global-overview>

<http://www.coupofy.com/social-media-in-realtime/>

O’leary, D. E., THE USE OF SOCIAL MEDIA IN THE SUPPLY CHAIN: SURVEY AND EXTENSIONS. Intell. Sys. Acc. Fin. Mgmt., 18: 121–144, 2011. doi:10.1002/isaf.327

Social Media for the Supply Chain. Leaders in Supply Chain UK – The Chartered Institute of Logistics and Transport, autumn 2015. <https://ciltuk.org.uk/LinkClick.aspx?fileticket=sN_RwSsoYhQ=&portalid=0>

<https://blog.jda.com/the-impact-of-social-media-on-the-supply-chain-is-there-one/>

<http://www.elemica.com/general-supply-chain/social-media-for-b2b-collaboration/>

 

Big Data: como lidar com a diversidade de formatos?

Neste momento, está ocorrendo em São Paulo a Campus Party Brasil 2016, evento de tecnologia que reúne comunidades com interesses tão diversos como entretenimento e desenvolvimento de ferramentas e uso da internet para transformação social. É considerado o evento de tecnologia mais importante do país, propiciando um ambiente de troca de conhecimentos e divulgação de inovações. Lendo sobre o evento, lembrei de um vídeo recente, publicado pelo TEDx New York, onde o cientista de dados Ben Wellington fala sobre o potencial de uso do Big Data para transformação social e a necessidade de alguma padronização no formato dos dados para o pleno aproveitamento das informações disponíveis.

Vídeo 1 – Como nós achamos o pior lugar para estacionar em New York usando Big Data

Fonte: TEDx New York

 

No Vídeo 1, Ben cita inúmeros exemplos de insights que ele obteve a partir de dados disponibilizados por órgãos da prefeitura de New York, dentro de um projeto de visibilidade e Open Data iniciado pelo prefeito Bloomberg. No entanto, ele faz críticas à falta de padronização de dados e o uso excessivo da extensão Portable Document Format (pdf) na divulgação de informações que poderiam ser disponibilizadas em Excel ou no formato Comma-Separated Values (csv), o que dificulta a extração e análise de informações.

Este é, sem dúvidas, um grande desafio para o uso do Big Data na tomada de decisão empresarial. Apesar de estarem disponíveis, os dados só passam a ter valor quando transformados em informações relevantes e disponibilizados para os tomadores de decisão. Surge, pois, três grandes desafios ao lidar com a complexidade dos fluxos de informação, que requer a análise e interpretação de uma quantidade cada vez maior de informações (volume), oriundas de fontes e em formatos distintos (variedade) e a disponibilização praticamente em tempo real para um grande número de envolvidos (velocidade).

Dentre estes desafios, hoje a principal dificuldade parece ser trabalhar e cruzar dados nos mais diferentes formatos, como textos, data base, planilhas, áudio, vídeo, transações financeiras, registros de medidores e sensores, entre outros. Grande parte destes dados não está em formato numérico, o que exige novas e sofisticadas ferramentas de análise, com poucas empresas capazes de utilizá-las consistentemente. Assim, fica o reforço ao apelo de Ben para que se avance na construção de regras para a padronização das informações e o desejo de que a Campus Party seja um sucesso e novos robôs de busca e análise de informações possam ser criados para nos ajudar a avançar no uso do Big Data.

 

Referência

<https://www.ted.com/talks/ben_wellington_how_we_found_the_worst_place_to_park_in_new_york_city_using_big_data?language=pt-br>

<https://pt.wikipedia.org/wiki/Campus_Party_Brasil>

HILBERT, M.; LÓPEZ, P. The World’s Technological Capacity to Store, Communicate, and Compute Information. Science Magazine, v. 332, n. 6025, p. 60–65, 2011.

MANYIKA, J.; CHUI, M.; BROWN, B.; et al. Big data : The next frontier for innovation, competition and Productivity. McKinsey Global Institute, páginas 1–137, 2011.

 

Omni-channel no Brasil

O Omni-channel é uma tendência mundial do varejo e um ideal buscado por empresas de todos os países. Entretanto, especialistas afirmam que ainda não há nenhuma empresa no mundo completamente omni-channel, ou seja, nenhuma organização permite ao cliente transitar de maneira fluida e sem barreiras entre todos os canais de venda e atendimento existentes.

No Brasil, estamos ainda mais distantes deste conceito e o que se vê até o momento são inicitativas omni-channel isoladas. Isso, contudo, não significa que os brasileiros não desejam isso das lojas aqui presentes. Na pesquisa “Hábitos de Compras e Mobile”, divulgada no 32º relatório Webshoppers desenvolvido pela e-bit, foi apontado que muitos consumidores do país estão utilizando smartphones dentro das lojas físicas, seja para comparar preços, pesquisar informações ou até mesmo comprar o produto. Este hábito, detalhado na figura 1, é um exemplo de que os brasileiros já estão se relacionando com a marca através de diferentes canais simultaneamente, indicando para os varejos daqui a necessidade de trabalhar em direção ao omni-channel.

Figura 1 - pesquisa

Figura 1 – Atividades dentro de loja física através de dispositivo móvel

Fonte: Pesquisa e-bit – hábitos de compra e mobile, junho de 2015

Um dos primeiros exemplos de omni-channel no Brasil veio através das empresas bancárias. Muitos bancos já oferecem boas experiências nesse sentido para o cliente, permitindo que este se relacione com a empresa e obtenha informações atualizadas e integradas de sua conta através do website, aplicativo no smartphone ou tablet, SMS do celular, telefone, totens de autoatendimento ou atendimento físico nas agências. No varejo, entretanto, ainda não há nada parecido no país.

Um dos primeiros varejos a apresentar uma iniciativa omni-channel foi a loja de artigos esportivos Centauro. Há alguns anos a empresa do Grupo SBF oferece para os clientes a possibilidade de comprar um produto pela internet e trocá-lo em uma loja física (Figura 2), um dos requisitos do omni-channel.

Figura 2 - Centauro

Figura 2 – Serviço Centauro de troca na loja de um produto comprado online

Fonte: Centauro

 

Outro exemplo de iniciativa omni-channel também vem do segmento de artigos esportivos:  trata-se da Adidas. Entendendo que cada vez mais pessoas vão às lojas físicas apenas para conhecer e experimentar os produtos – fenômeno conhecido como showrooming – a empresa alemã disponibilizou em sua loja virtual a possibilidade do cliente verificar a disponibilidade do produto de seu interesse em lojas físicas mais próximas, conforme ilustrado na Figura 3. Após inserir o CEP da sua localização, o cliente é capaz de ver quais lojas estão mais próximas dele e se o produto está ou não disponível na loja para ele experimentar.

Figura 3 - Adidas

Figura 3 – Serviço da Adidas de verificação de disponibilidade de produtos na loja física

Fonte: Adidas

 

A possibilidade de comprar um produto online e retirá-lo na loja é outro requisito para se alcançar o omni-channel e é uma iniciativa já adotada por algumas grandes empresas como Extra (retira extra), Saraiva (receba na loja) e Fnac (retirada em loja), permitindo aos clientes adquirir o produto a qualquer momento, economizar o frete de entrega e não ter problemas de disponibilidade para receber o entregador.

Na última semana outra grande varejista nacional deu sinais que caminhará na direção do Omni-channel. A Magazine Luiza mudou o seu CEO e o novo ocupante do cargo citou algumas mudanças que acontecerão na empresa nos próximos meses: todas as lojas físicas terão Wi-Fi, o atendimento nas lojas passará a ser feito por smartphones (em um aplicativo o vendedor verá informações de cadastro de produto, cadastro do cliente, fluxo de navegação, relacionamento, pré e pós-venda), haverá maior interação entre vendedores e clientes nas redes sociais, os estoques das lojas serão integrados aos oito centros de distribuição da companhia e a Magazine Luiza passará a oferecer a retirada do produto comprado online nas lojas físicas.

Alguns avanços já foram feitos para se chegar à omnicanalidade no Brasil, mas o caminho ainda é longo:

  • Muitos varejos ainda encaram a loja virtual como uma concorrente da loja física. Não são raros os casos de atitudes agressivas de vendedores com clientes que afirmaram estar na loja apenas para experimentar produtos que comprariam depois online. O que deve acontecer, entretanto, é o oposto, uma vez que o importante é o fortalecimento da marca e a venda do produto, independentemente do canal de contato com o cliente;
  • Grande parte das empresas acha que multi-channel é sinônimo de omni-channel e acredita que apenas lançar aplicativos e criar perfis nas redes sociais é o suficiente, o que é um grande engano. Para se alcançar a omnicanalidade é fundamental que haja uma completa integração entre todos os canais de venda, permitindo ao cliente uma experiência única de compra;
  • É preciso que as lojas tenham um sortimento adequado de produtos para os clientes experimentarem e um local que permita fazer isso de forma confortável;
  • Lojas físicas e CD’s precisam se preparar para realizar operações que não são feitas atualmente, como separação e entrega de pedidos fracionados diretamente para o cliente;
  • As empresas precisam investir em sistemas capazes de processar grandes volumes de dados (Big Data), permitindo que todas as interações feitas pelo cliente com a empresa – seja na loja virtual, no aplicativo móvel, nas redes sociais, telefone ou loja física – sejam analisadas em tempo real e gerem recomendações e ofertas personalizadas.

Nenhuma empresa, seja no Brasil ou no mundo, foi capaz de realizar todas essas iniciativas de forma satisfatória para o cliente e eficiente do ponto de vista operacional e de custos. No entanto, o caminho para isto começa a ficar claro e os mecanismos viabilizadores estão sendo desenvolvidos. Mais e mais veremos empresas apresentando novas soluções omni-channel!

 

Referências

<http://img.ebit.com.br/webshoppers/pdf/32_webshoppers.pdf>

<http://exame.abril.com.br/negocios/noticias/com-novo-ceo-magazine-luiza-quer-ser-o-novo-ebay-brasileiro>

<http://www.emobile.com.br/site/varejo/omnichannel-magazine-luiza/>

BIG DATA E S&OP – OS DOIS PODEM CONVIVER?

Há alguns anos um dos principais assuntos em pauta para os líderes de empresas é o S&OP, ou planejamento de vendas e operações, em português. Concebido nos anos 80, este processo nasceu com o objetivo principal de quebrar as barreiras entre as áreas funcionais, garantindo que todo o planejamento da empresa apontasse para um objetivo comum. A evolução recente deste conceito, da tecnologia de suporte, e o aumento da maturidade do processo em diversas empresas no Brasil e no mundo fizeram surgir o conceito de IBP (Integrated Business Planning), com um escopo um pouco mais abrangente e, notadamente, com uma participação maior do financeiro.

Mas apesar de existir há quase três décadas e já ter sido estabelecido como uma ótima maneira de timonear uma grande companhia, a importância do S&OP ainda não é completamente enxergada no mercado brasileiro, mesmo em grandes empresas. O conceito atinge o mercado em ondas de interesse, e ultimamente temos sentido que o assunto voltou a ficar em alta. Entretanto, hoje um novo nome entra na competição pelos olhos e ouvidos dos executivos, aparecendo repetidamente em discussões de redes sociais e artigos especializados: o Big Data. Alardeada como a nova onda em geração de valor para negócios, a expressão resume as inúmeras novas formas de captura de dados extremamente granulares e geração de informações antes inalcançáveis. Como todas as outras tendências, esta entra agora na disputa pelo tempo e recursos das companhias, e começamos a ver as referências ao Big Data ultrapassarem consideravelmente as referências ao S&OP.

Como entusiastas do planejamento integrado, começamos a avaliar até que ponto estes dois conceitos são concorrentes, e em que pontos ambos convergem. O objetivo deste artigo é explorar as sinergias dos dois processos, mostrando como a chegada do Big Data pode criar novas maneiras de gerar valor no processo de planejamento integrado.

O QUE É BIG DATA

Segundo o McKinsey Global Institute[1], o Big Data é um conjunto de informações cujo tamanho é maior do que os típicos softwares de bancos de dados conseguem capturar, armazenar e analisar. A definição é propositalmente subjetiva e se altera ao longo do tempo, na medida em que a capacidade de processamento e armazenamento de dados evolui. De acordo com a Lei de Moore, a capacidade computacional que conhecemos dobra a cada dois anos. Assim, uma definição mais precisa, em termos de bytes, do que se enquadra no conceito, se perderia facilmente em um pequeno espaço de tempo. Além disso, há também as diferenças entre setores do mercado, já que as ferramentas comumente utilizadas e a quantidade de dados que cada mercado está acostumado a lidar são bastante diferentes.

No mundo de hoje, onde mais de 600 milhões de smartphones estão conectados à internet, 30 bilhões de unidades de informação são compartilhadas mensalmente no Facebook, e pontos de venda tem cada vez mais tecnologia embarcada, as fontes de coleta de informação são abundantes. Esta nova avalanche de dados pode ser tanto de natureza quantitativa como qualitativa. Como exemplos podemos listar as citações de produtos ou estabelecimentos em redes sociais, opiniões de consumidores sobre a qualidade dos produtos em blogs e fóruns, sites de avaliação de produtos, informações de geolocalização de celulares, informações transacionais em pontos de vendas e informações de programas de fidelidade, que podem gerar insights valiosos sobre o comportamento e as preferências do consumidor.

Para a IBM[2], existem quatro dimensões principais que definem o que é Big Data: Volume, variedade, velocidade e veracidade.

  • Volume: Mesmo não tendo um limiar preciso, começamos a falar de Big Data a partir de terabytes (1000 GB) e petabytes (1000 TB) de dados a serem analisados de uma única vez.
  • Variedade: O dado pode ser coletado de diversas formas, estruturadas ou não, como textos de blogs, sons de podcasts e imagens em redes sociais.
  • Velocidade: A informação é gerada em tempo real e deve ser analisada, idealmente, na mesma velocidade para que decisões possam ser tomadas em frações de segundos, como informações de trânsito para sistemas de GPS recalcularem as rotas mais rápidas para o usuário.
  • Veracidade: Na maioria dos casos, não existe filtro de quem está gerando a informação nem de qual é a fonte e a veracidade. Mecanismos de qualificação dos dados devem ser empregados para garantir consistência, completude, atualização e acurácia.

Figura 1 – As dimensões do Big Data

Figura 1 – As dimensões do Big Data
Fonte: IBM

 

Simultaneamente às novas fontes de dados apareceram as novas tecnologias de armazenagem e tratamento destas informações. Diversos provedores de software correram para desenvolver novas soluções que atendessem este novo nicho. Existem várias linhas de desenvolvimento, mas a maioria usa abordagens como bases de dados não-relacionais e processamento em paralelo. Como exemplo podemos citar o Hadoop, uma plataforma open-source originada na Yahoo!, que usa uma abordagem de MapReduce para viabilizar o processamento, armazenamento e análise de grandes volumes de dados em paralelo. Isto é feito basicamente quebrando os dados em pequenos lotes que podem ser processados em diversas máquinas “commodity” ao mesmo tempo. Esta tecnologia caminha de mãos dadas com o processamento em nuvem, que permite que várias máquinas simples funcionem em conjunto, processando grande volume de dados a baixo custo.

UTILIDADES NO S&OP

Fica claro o potencial de geração de valor dos insights que podem ser extraídos desta inédita massa de dados. Segundo o mesmo estudo da IBM citado anteriormente, aproximadamente 49% das empresas que trabalham com Big Data se concentram em trazer resultados direcionados a seus clientes. Podemos citar como exemplos de resultado alcançado os programas de fidelidade de compras em supermercados, que podem sugerir promoções específicas cliente a cliente dependendo da época do ano. Ou uma montadora, que têm acesso ao comportamento dos seus clientes ao volante e desenvolvem tecnologias que tragam mais segurança e melhorem a manutenção preventiva dos veículos.

Mas como o S&OP, um processo de planejamento tático que, por definição, deve analisar a empresa de forma relativamente agregada, pode se beneficiar de dados tão detalhados quanto as vendas diárias de um produto em um ponto de vendas, para um cliente específico? Será que precisamos de um novo paradigma de planejamento, mais adaptado à avalanche de dados que está chegando? O assunto ainda é muito novo e existem poucos relatos de empresas de fato começando a usar estas informações em seus processos de planejamento integrado. Arriscamo-nos então a sugerir algumas maneiras nas quais o Big Data pode ser usado a favor de um S&OP mais robusto.

Tanto nas definições estratégicas como no acompanhamento da execução dos planos, as análises trazem novos direcionamentos que antes seriam impossíveis. Enxergamos os principais benefícios em quatro grandes grupos: compreensão da demanda, lançamento de novos produtos, satisfação do cliente e acompanhamento da execução.

COMPREENSÃO DA DEMANDA: Todo bom processo de planejamento começa com uma boa previsão de vendas. Conhecer o comportamento do mercado e como as ações da empresa impactam a demanda é fundamental para um bom balanceamento das operações, e dados detalhados de consumo podem trazer insights valiosos. Com informações mais detalhadas de clientes, é possível elaborar novas classificações de canais, com maior segregação geográfica e de consumo, podendo haver classificações distintas para a definição de promoções, descontos, tempo de atendimento e de foco da equipe de vendas. Isto permite ações de marketing mais cirúrgicas, com uma abordagem mais científica na mensuração do impacto destas no comportamento do consumidor. A análise da reação dos consumidores a uma ação de marketing por dia, por SKU e por ponto de venda, somada às informações qualitativas das redes sociais, traz a valiosa informação do impacto de cada ação em cada praça, com uma clara análise de retorno do investimento para cada tipo de ação. Isto facilita a modelagem de novas iniciativas para o futuro e embasa premissas de aumento de demanda, mitigando os riscos da sub e super estocagem. Novas tendências de consumo e oportunidades de cross selling podem ser detectadas localmente e extrapoladas para seu mercado regional, indicando oportunidades de direcionamento da equipe de vendas para reforçar produtos específicos do portfólio nos próximos meses, alinhando com a distribuição e a produção para garantir disponibilidade.

LANÇAMENTO DE NOVOS PRODUTOS: Estimar as vendas no começo do ciclo de vida de um produto é um grande desafio para a equipe de planejamento. Por mais que tenhamos diversas pesquisas amostrais de aceitação do produto e projeções da área de marketing, a sua real aceitação no mercado é sempre um ponto de interrogação. Nestes casos, a melhor abordagem é planejar o melhor possível com os dados em mãos, e acompanhar de perto a execução para levantar os alertas certos para a operação quando as vendas desviarem do plano. Com informações em tempo real do consumo de novos produtos nos caixas do varejo, por exemplo, é possível responder de forma mais rápida às incertezas que rondam estes lançamentos e garantir a disponibilidade. Com a visão do que realmente está sendo consumido, evita-se o “efeito chicote” e é possível redirecionar de maneira rápida e eficaz a distribuição geográfica dos produtos (direcionando o abastecimento para mercados que tenham uma melhor aceitação dos novos SKUs), e acionar ações emergenciais de produção e compra de insumos.

SATISFAÇÃO DO CLIENTE: O nível de serviço, junto à previsão de vendas e ao custo de atender o mercado, compõe um dos três principais grupos de indicadores estratégicos a serem acompanhados no S&OP. O monitoramento de redes sociais permite capturar diversas informações a respeito da satisfação dos clientes referente a um produto ou serviço. Números exatos são difíceis de estimar, mas é sabido que apenas uma pequena parte dos consumidores insatisfeitos fazem reclamações formais para a ouvidoria da empresa. Porém, é comum que muitos expressem sua opinião através das redes sociais, alardeando para quem quiser ouvir o quão insatisfeitos estão com um produto ou um serviço. O uso de ferramentas de text mining  para medir a incidência de palavras como “atraso” e “demora” junto à marca da empresa pode desencadear planos de ação específicos para melhorar o tempo de atendimento. Para ilustrar a força das redes sociais, segundo pesquisa da NM Incite [1](joint venture entre Nielsen e McKinsey, criada para estudar o impacto de medias sociais no consumo), no final de 2012, quase 60% dos americanos entre 18 e 24 anos buscam o serviço de atendimento ao cliente através das redes sociais e 71% daqueles que recebem um bom atendimento por este canal recomendam a marca a outras pessoas. O entendimento pleno das necessidades e expectativas dos clientes deve direcionar os custos de supply chain, e o estudo deste “sentimento” do mercado é uma das áreas mais pujantes que se forma em torno do Big Data.

Figura 2 - Resumo dos benefícios do Big Data

Figura 2 – Resumo dos benefícios do Big Data
Fonte: análise McKinsey Global Institute

 

ACOMPANHAMENTO DA EXECUÇÃO: Como falamos anteriormente, informações mais detalhadas de consumo do cliente final permitem aumentar a visibilidade da cadeia e planejar de maneira mais rápida e assertiva o quanto manter em estoque em cada localidade, sem depender da política de estoques ou da qualidade dos sistemas de armazenagem do varejista. Um bom exemplo são produtos que faltam nas gôndolas de supermercadistas e que aparecem em estoque mas estão com problemas de cadastro. Análises de diferenças entre sell in e sell out nestes varejos podem levantar alertas quanto a riscos de ruptura de estoque ou de vencimento de produtos. Quando o fornecedor do produto tiver a visibilidade do consumo do cliente final e não somente dos pedidos do varejista, será possível diagnosticar esse tipo de problema em tempo real, no momento que acontecer, por exemplo, uma queda inesperada das vendas. Isto embasa as análises de riscos e oportunidades que são o fundamento do processo de tomada de decisão no S&OP.

O RISCO DA ANALYSIS PARALYSIS

Mesmo com o aumento da capacidade de análise, é importante lembrar que os recursos continuam limitados, como a capacidade de investimentos em TI, a quantidade de pessoas para traduzir o resultado das análises, e os curtos prazos para as tomadas de decisão. Há ainda a imensa escassez de profissionais qualificados em análise de dados no mercado. Desta forma, um dos perigos do Big data – e mais especificamente para os processos de planejamento que começarem a utilizar as informações – é o de gastar muito tempo gerando análises e informações, sem conseguir chegar a nenhuma conclusão em tempo de se tomar de fato uma ação que agregue valor.

Dentro do período de análise do processo de S&OP, que geralmente ocorre em ciclos mensais, é preciso entender o que aconteceu na operação no passado e planejar o futuro, incluindo a avaliação dos impactos dos desvios de planejamento atuais. Se a quantidade de dados começa a crescer muito, e a possibilidade de análises se abre demais, é muito comum que a equipe do S&OP, responsável por apoiar as decisões dos gestores, não consiga gerar todas as análises em tempo, ou se perca com a “curiosidade” de entender melhor todas as novidades que começam a aparecer.

Por isso, é necessário foco no momento de estruturar como será o trabalho com o Big data dentro da companhia. O investimento em TI não é a única solução para alavancar os resultados da sua empresa com o uso do Big data. Algumas vezes o investimento excessivo em TI pode, inclusive, atrapalhar a evolução dos processos do entendimento do mercado e das suas operações. O ideal é uma combinação de equipe, tecnologia, processos e foco.

CONCLUSÃO

A utilização de Big Data pode trazer um valor expressivo para diversas áreas de companhias nas mais variadas indústrias, desde serviços financeiros até serviços de saúde. Segundo o estudo da McKinsey já citado anteriormente, o bom uso dessas novas informações corresponderia a um acréscimo de 300 bilhões de dólares para o sistema médico americano, 250 bilhões de euros para a administração pública da União Europeia ou de até 60% de aumento de margem dos varejistas americanos.

Exhibit 2

Exhibit 1

Figura 3 – Setores e tipos de benefícios obtidos com o Big Data
Fonte: análise McKinsey Global Institute

 

O processo analítico e decisório do S&OP é um ótimo meio para converter informações em ações e aprimorar significativamente o balanceamento entre vendas e operações, garantindo o alinhamento de toda a empresa a uma meta comum. Isto o torna um grande cliente da implantação de tecnologias de Big Data e, como todo grande cliente, deve estar incluído no levantamento de requisitos do projeto.

Porém é preciso cautela para conseguir transformar estas informações em valor real para o negócio e direcionar a tomada de decisões e planos de ações baseados nos novos insights. Esta mudança deve ser vista como uma virada de chave e não apenas como uma melhoria orgânica do processo. É necessário definir o objetivo a ser atingido com as novas informações, quais tipos de novas análises devem ser possíveis e como gerá-las. Deve-se buscar pessoas que tenham capacidade analítica para transformar terabytes de dados em informações de negócios, dimensionar investimentos em tecnologias de captura, analisar e armazenar  dados e repensar os processos da companhia. Será preciso transmitir a confiança necessária para o time gestor, que terá que cada vez mais que embasar suas decisões em dados do presente ao invés de olhar apenas para informações históricas.

Sobretudo, é preciso avaliar o nível atual de maturidade do processo de planejamento antes de incluir dimensões de Big Data, e garantir que já estamos extraindo tudo que podemos do cenário atual antes de dar o próximo passo. É preciso andar antes de correr.

[1] “Big data: The Next for innovation, competition, and productivity”, McKinsey Global Institute, 2011

[2] “Analytics: The Real-World Use of Big Data; how innovative enterprises extract value from uncertain data”, IBM Institute for Business Value, 2012

[3] “2012 NM Incite Social Care Survey”, NM Incite, 2012

Autor:
Diego de Souza, sócio diretor da Plannera – Soluções em Planejamento
Caio Rodrigues, gerente de projetos do ILOS – Instituto de Logística e Supply Chain

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