Posts

OTIF – Medir para aprimorar o serviço


Introdução

O OTIF (On-Time In-Full) é um importante indicador utilizado na mensuração do nível de serviço de inúmeras empresas, em diferentes indústrias e em diferentes níveis da cadeia de suprimentos. Como o próprio nome diz, ele mede a acuracidade do atendimento dos pedidos dos clientes em duas dimensões: pontualidade da entrega e quantidade solicitada no pedido. Existem algumas referências, como colocado neste post da Beatris Huber sobre performance no processo de entrega, que considera que a parte do in-full deve considerar o “pedido perfeito”, ou seja, não somente a quantidade correta, mas também em perfeito estado, com a documentação completa etc.

Atualmente, muitas empresas definem suas metas e colocam uma grande importância e expectativa sobre tal indicador, visto que a qualidade de serviço é uma forma relevante de diferenciação no mercado. Porém, é muito comum haver dúvidas na seleção da forma de cálculo, que pode ser bastante distinta e tornar o indicador mais “básico” ou “ácido”, no sentido de apresentar valores altos ou baixos a depender da forma de cálculo e de eventuais tolerâncias. Este post aborda as distintas formas de cálculo existentes e alguns aspectos considerados para a escolha do método.

Formas de Cálculo

O OTIF é, de forma geral, um indicador binário, ou seja, assume valor de 0 ou 1. Para cada pedido, é avaliada se a parcela de tempo (on-time) e de quantidade (in-full) foi atendida, e em caso positivo, o pedido recebe OTIF 1. Caso uma das parcelas não tenha sido alcançada, o indicador assume valor 0. Porém, a complexidade no cálculo começa na definição de quais aspectos serão considerados para se definir se cada uma destas parcelas foi atendida.

No artigo “Defining ‘on-time, in-full’ in the consumer sector da McKinsey & Company, são abordadas algumas formas de cálculo existentes, conforme se observa na figura 1. Quando se pensa da dimensão do tempo (On-Time), é possível considerar algumas referências distintas para a data de entrega. Existem casos em que o cálculo da parcela de tempo do indicador considera a data original, ou seja, aquela que se define na hora da tomada do pedido. Esta data pode estar relacionada a um SLA, previamente acordado com o cliente, ou ter sido definida no momento da tomada de pedido pelo time comercial. Uma outra forma de cálculo do prazo pode considerar o agendamento para a entrega do pedido, ou seja, a data que o fornecedor e o cliente definiram como prazo, que pode ser distinta da data anterior por conta de janelas de entrega, feriados etc. Por fim, existe uma outra referência, a data acordada, que seria a data em que fornecedor e cliente definiram como a data de maior probabilidade de que a entrega de fato ocorra. A necessidade de alterar a data “original” e “agendada” para uma data “acordada” pode partir do cliente ou do fornecedor e ter inúmeras razões, como problemas na produção do pedido, falta de espaço para armazenamento, atrasos na expedição etc.

Na dimensão de quantidade (In-Full), também há distintas formas de cálculo. A Order Fill, forma binária que só considera 1 se o pedido entregou a quantidade completa para todo o pedido; o Line Fill, forma binária que considera cada linha do pedido, ou seja, cada SKU, como um item a ser avaliado como 0 ou 1; e a forma não-binária Case Fill, em que se considera o percentual do volume total que foi atendido para um determinado pedido.

A depender das referências utilizadas para o cálculo do OTIF, o valor estipulado para o indicador pode variar dramaticamente. Podemos ter um indicador “mais ácido” ou mais severo, que considera a data original e order fill, ou um indicador “mais básico” ou mais brando, que considera a data acordada e o case fill. No caso da pesquisa conduzida pela McKinsey e a Trading Partner Allaince (TPA), que analisou 24 grandes varejistas e indústrias de bens de consumo, a maior parte utiliza a forma mais “ácida” para o cálculo do On-Time, que seria a data original, em conjunto com a forma mais “básica” para o cálculo do In-Full, que seria o Case Fill (Figura 1). Existe ainda a possibilidade de considerar tolerâncias sobre o valor selecionado, ou seja, o On-Time considerar a data original, mas com uma tolerância de atraso de até 1 dia, por exemplo.

Figura 1 – 79% dos respondentes utilizam a forma Case Fill para o cálculo do In-Full, enquanto 67% utilizam a Data Original para o On-Time. Fonte: McKinsey & Company.

 

Como Definir a Formas de Cálculo Adequada

O Panorama de Customer Service do ILOS apresenta uma pesquisa realizada com os principais players do varejo e os principais indicadores de desempenho logístico da indústria em três grandes segmentos: higiene/limpeza, perecíveis e não-perecíveis. Para os três setores analisados, o maior grau de insatisfação está relacionado à consistência no prazo de entrega e ao ciclo do pedido, sendo que disponibilidade aparece em terceiro lugar (Figura 2). Isso mostra como indicadores que medem prazo e quantidades, como o OTIF, são fundamentais para que as empresas meçam a qualidade de seu serviço e consigam melhorar seu desempenho logístico. Mas, para isso, é fundamental que o indicador esteja sendo medido de forma adequada, para refletir de forma correta o grau de satisfação na visão dos clientes.

Figura 2 – Grau de Insatisfação com as Práticas de Mercado (Rio de Janeiro e São Paulo). Fonte: Panorama ILOS de Customer Service (2015).

 

Para definição desta forma de cálculo mais adequada, é necessário considerar aspectos do segmento em que a empresa está inserida e as expectativas dos clientes quanto ao serviço oferecido. Existem setores, por exemplo, em que a carteira de pedidos é relativamente pequena (poucos pedidos), mas volumosa (grande volume de itens por pedido), e nestes casos considerar o Order Fill pode ser muito agrupado e prejudicar muito o indicador, e talvez o Case Fill seja mais adequado. Por outro lado, se o cliente tem expectativa muito alta quanto à quantidade perfeita do pedido, considerar o indicador Order Fill pode ser mais adequado.

Com relação aos prazos, a data original pode ser a mais próxima da expectativa do cliente quanto à qualidade do serviço oferecido. Porém, muitas vezes o cliente tem uma série de incertezas em sua operação e precisa reagendar com seu fornecedor a entrega de um pedido. Nestes casos, em que as alterações acontecem com muita frequência a pedido do próprio cliente, parece fazer sentido considerar a data acordada, visto que a solicitação partiu do cliente e este novo prazo não deveria penalizar o indicador.

Além da métrica utilizada para o cálculo do on-time e do in-full, é possível considerar algumas tolerâncias de prazos e quantidades, ou seja, “a data original + 1 dia”, ou “a quantidade total por pedido ± 5%”. Desde que estas tolerâncias não afetem a percepção de serviço pela visão do cliente, é possível utilizá-las para melhor alinhar a promessa de serviço com as capacidades operacionais da empresa.

Conclusão

Em suma, a forma de cálculo pode considerar diferentes aspectos, porém o ponto fundamental é ter a métrica alinhada às expectativas dos clientes. É necessário que o indicador represente o nível de satisfação dos clientes quanto ao atendimento e a forma de cálculo precisa estar clara para eles também. Além disso, é indicado que haja gestão sobre o indicador para que, independentemente do valor absoluto que ele assuma, exista monitoramento e ações de melhoria para que a satisfação do cliente quanto ao serviço prestado cresça, permitindo à empresa obter uma importante vantagem competitiva em seu setor.

O 28º Fórum Internacional de Supply Chain, que ocorrerá entre os dias 18 e 20 de outubro de 2022, em formato presencial e online, terá uma trilha de Inteligência em Operações, trazendo cases brasileiros e internacionais para discutir as melhores práticas e soluções adotadas na atualidade por grandes empresas. Para os tomadores de decisão em supply chain e logística, é uma excelente oportunidade, vale a pena participar!

 

Referências:

ILOS Reports

– FourKites – Maximizing On-Time In-Full (OTIF) In The Supply Chain

– McKinsey & Company – Defining ‘on-time, in-full’ in the consumer sector 

FVA: agregando valor ao processo de S&OP

O desafio de muitas empresas durante o processo de Sales and Operations Planning (S&OP) é a construção do plano de demanda. Este é o resultado das etapas iniciais do ciclo mensal de S&OP e, geralmente, envolve algumas atividades, tais como a utilização de modelos estatísticos para projetar as vendas do passado para o futuro, o ajuste dos números por um analista, a revisão pela área comercial e uma reunião de consenso entre várias áreas da empresa em busca de um número que seja suportado por todos. Todas estas atividades consomem tempo e recursos, mas nem sempre o retorno é o desejado. Para facilitar a identificação das etapas que agregam valor ao processo de construção do plano de demanda, muitas empresas adotaram um indicador conhecido como Forecast Value Added ou simplesmente FVA.

O FVA utiliza um método de cálculo simples para determinar como as etapas do processo e os participantes influenciam na precisão da previsão e é usado em conjunto com indicadores tradicionais de medição da acuracidade da previsão, como MAPE, MPE e MAD. A Figura 1 mostra um exemplo do cálculo do FVA.

FVA_Fig1_ILOS

Figura 1 – Exemplo de cálculo de FVA

Fonte: ILOS

 

Suponha que uma empresa tenha vendido 1.000 unidades de um produto no mês passado e, finalizado o período, ela foi medir o quão perto da realidade chegou a sua previsão. Em nosso exemplo, o processo de previsão começa por uma previsão naïve, que nada mais é do que o estabelecimento de um número simples de calcular e que exige mínimo esforço, tal qual a repetição do número de vendas do mês anterior ou a replicação da demanda do mesmo período no ano anterior. Em nosso exemplo, esse número foi 800 e gerou um MAPE de 20%. Por se tratar da primeira atividade do processo, não há FVA atrelada a ela.

Em seguida, uma ferramenta computacional, capaz de testar diversos modelos estatísticos nas bases históricas de venda da empresa e identificar aquele com maior precisão, retornou uma previsão de 910 unidades, mais próximo do que ocorreu na realidade. Esta etapa, portanto, agregou ao processo e o resultado disso é um FVA de 11%, que é a diferença entre o MAPE da etapa 1 e o da etapa 2. Como o MAPE mede o erro, quanto menor for o seu valor, melhor, e por isso o FVA neste caso é positivo.

Após o ajuste do analista, que examinou a previsão gerada pela ferramenta em busca de inconsistências na base histórica de vendas e conseguiu reduzir em 1% o erro, quem revisou os números foi a área comercial. Por se tratar da área da empresa mais próxima do cliente e capaz de ajustar a demanda aos recursos disponíveis, é fundamental que o comercial revise as previsões considerando o seu conhecimento sobre planos promocionais, lançamento de produtos e ações do concorrente. Em nosso exemplo, o comercial elevou sensivelmente a previsão, contribuindo de maneira negativa para o processo.

Em empresas com equipe de vendas menos engajada com o processo, não é incomum uma revisão que acarrete no aumento dos números previstos, seja por conta de um otimismo característico da área ou por um receio de que a área de operações faça um corte no plano e não atenda a 100% todos os pedidos. Para evitar situações como essa, uma alternativa é atrelar o FVA à uma parcela pequena da bonificação dos líderes comerciais. Com este artificio, a expectativa é que a equipe comercial, além de correr atrás da meta de vendas, preocupe-se também com a precisão do plano de vendas, incentivada pela obtenção de uma remuneração maior.

O cálculo e apresentação dos indicadores de FVA no processo de S&OP permitem identificar quais etapas estão agregando ao processo e com que magnitude. No exemplo anterior, apesar do analista ter melhorado o número da previsão, o seu FVA foi muito pequeno. Suponha que a Figura 2 ilustre a contribuição mensal deste analista no ano passado. Em alguns meses, é possível observar um FVA positivo, enquanto em outros a contribuição foi nula ou prejudicial. Será que a revisão que este analista faz dos números é mais valiosa para a empresa do que o custo do seu salário?

FVA_Fig2_ILOS

Figura 2 – Evolutivo mensal do FVA ilustrativo

Fonte: ILOS

 

Este é um exemplo de que nem sempre um FVA positivo significa que a etapa deva ser mantida no processo, pois certas vezes o esforço gasto com a atividade é maior do que o seu benefício. Em situações como essa, é fundamental que a empresa calcule se vale mais para ela alocar o analista em outra atividade na qual ele possa agregar mais valor ou mantê-lo na atividade para obter um aumento na acuracidade da previsão, mesmo que mínimo, por conta do custo do erro associado ao seu processo de planejamento.

Por conta desta busca pela identificação de desperdícios e aumento da produtividade do processo de previsão de vendas, o FVA é considerado um indicador “Lean”. Através de um acompanhamento constante deste indicador, é possível melhorar a acuracidade da previsão sem fazer nenhum investimento adicional. Parece bom, não é mesmo?

 

Referências

<https://www.sas.com/content/dam/SAS/en_us/doc/whitepaper1/forecast-value-added-analysis-106186.pdf>

<http://www.kmworld.com/Articles/Editorial/ViewPoints/Forecast-Value-Added-The-Key-to-Managing-the-Business-Forecasting-Process-87098.aspx>

<http://analytics-magazine.org/value-added-analysis-business-forecasting-effectiveness/>