Posts

Soluções adotadas pelo varejo de moda para enfrentar a pandemia



Como todos sabem, a pandemia provocada pelo Covid-19 teve um enorme reflexo na economia. A intensidade com que cada setor foi penalizado variou bastante de segmento para segmento, contudo. Enquanto supermercados, farmácias e determinados serviços públicos conseguiram reduzir o prejuízo, setores como aviação, turismo e restaurantes foram enormemente afetados por conta do isolamento social adotado para conter a pandemia. Em se tratando do varejo, o setor mais atingido foi o de varejo de moda (vestuário, calçado e tecidos), conforme indica a última pesquisa mensal do comércio divulgada pelo IBGE, referente ao mês de abril (Figura 1). A crise provocada pelo coronavírus diminuiu a renda de muitas famílias, o que impactou no consumo de itens supérfluos, como é o caso de vestuário e calçados. Além disso, a prática do isolamento social freou ainda mais a compra de roupas, já que o convívio social é um dos aspectos que mais estimulam a moda.

varejo de moda - PMC setorial - ILOS Insights

Figura 1: Volume de vendas do comércio varejista e varejista ampliado. Fonte: IBGE – PMC Setorial – abril/2020

Com as lojas físicas fechadas em grande parte das cidades do Brasil e do mundo, muitas marcas viram no varejo virtual a chance de se manterem vivas no mercado. Segundo a Associação Brasileira de Comércio Eletrônico (ABComm), até o começo das ações para conter o coronavírus no País (início da segunda quinzena de março) a média era de 10 mil aberturas de lojas virtuais por mês. O número saltou para 50 mil mensais logo após os decretos de isolamento social, ou seja, um aumento médio de 400% no número de lojas que abriram o comércio eletrônico por mês durante o período da quarentena no Brasil. Em pouco mais de 2 meses de quarentena, foram 107 mil novos estabelecimentos criados na internet. Os setores de calçados e moda estão no Top-6 de segmentos com maior aumento do número de vendas online segundo levantamento da ABComm e da Konduto, com crescimento de 99,44% e 18,38% respectivamente.

Neste mesmo movimento, muitos micros e pequenos negócios aderiram ao marketplace de grandes empresas para conseguir faturar durante a crise e venderem os seus estoques. Uma das principais iniciativas neste sentido veio da Magazine Luiza, que lançou o programa Parceiro Magalu ainda em março, no início do período de quarentena, para atrair esses pequenos comerciantes que ficaram sem cliente por conta do fechamento de suas lojas físicas. Segundo informações da empresa, mais de 20 mil lojistas já se cadastraram no marketplace e passaram a vender mercadorias pela plataforma.

Outra empresa que ampliou o seu marketplace no período foi a B2W, responsável pelas operações da Americanas.com, Submarino e Shoptime. A companhia também criou um hotsite de incentivo ao comércio local, ampliou a oferta de crédito, antecipou repasses de vendas e intensificou o apoio de logística e distribuição, além de treinar e capacitar 2,8 mil vendedores.

Considerando as lojas que já possuíam o seu e-commerce antes do Covid-19, muitas relataram uma grande mudança no portfólio de compra dos consumidores. A adoção do isolamento social fez com que muitos profissionais passassem a trabalhar de casa, o que acarretou na substituição dos trajes geralmente usados: ao invés de roupas sociais e sapatos, roupas confortáveis, como moletons, leggings, pijamas, meias e chinelos.

Com o aumento do número de videoconferências sendo realizadas, um outro fenômeno curioso foi observado: como em geral apenas a parte superior do corpo das pessoas aparece na câmera, muitos trabalhadores se arrumam apenas da cintura para cima. Isto acarretou em um aumento do número de compra de blusas, camisas e casacos em comparação a compra de calças e saias, conforme relatou o vice-presidente do Walmart, Dan Bartlett, durante uma entrevista ao Yahoo! Finance. Esta tendência até foi motivo de brincadeira pela marca de moda masculina Suitsupply em suas redes sociais. Através da publicação da foto de um modelo parcialmente vestido, a marca escreveu em seu Instagram: “Trabalhar em casa não significa comprometer o estilo. Mantenha sua aparência profissional – ao menos da cintura para cima” (Figura 2).

varejo de moda - SuitSupply - ILOS Insights

Figura 2: Propaganda da Suitsupply durante o período da quarentena. Fonte: Instagram da Suitsupply

Essas mudanças no padrão de compras do consumidor e a impossibilidade de se prever isso durante os ciclos prévios de planejamento da demanda tiveram um grande impacto no estoque de muitas empresas, como escreveu a gerente do ILOS Beatris Huber em seu post Efeitos da pandemia no estoque de ciclo. Enquanto determinados itens do portfólio das lojas entraram em falta por conta do aumento inesperado da demanda, outros estão com estoques inflados em razão da queda de consumo. Para atacar este último problema, marcas do varejo de moda como GAP, Calvin Klein, Carter’s e Ralph Lauren disseram que pretendem guardar parte dos seus estoques para as próximas temporadas. Se aproveitando do fato de que o fechamento das lojas físicas impediu que os clientes vissem as atuais coleções do catálogo, essas marcas parecem ter optado por carregar por mais tempo os seus estoques para depois poder vender as suas peças com o preço cheio. Esta estratégia, no entanto, demanda um grande investimento financeiro, já que as empresas de varejo de moda precisarão produzir novas coleções sem ter o dinheiro da venda da coleção antiga, uma vez que esta poderá demorar até 1 ano para ser vendida caso a marca espere a mesma estação do ano para disponibilizar os itens, por exemplo. Além disso, o varejo de moda demandará um espaço físico maior em seus centros de distribuição e lojas para acomodar esse estoque adicional, o que pode acarretar num investimento ainda maior.

Para marcas do segmento de fast fashion, esta estratégia de empacotamento do estoque é mais difícil de ser adotada, já que as tendências da moda têm grande influência em suas coleções, o que faz com que as roupas sofram mais os efeitos da obsolescência. Por conta disso, lojas como Zara e H&M promoveram grandes descontos de preço para conseguir diminuir os seus níveis de estoque e reduzir o encalhe de peças para as próximas estações. Se por um lado essa estratégia reduz os prejuízos no curto prazo, por outro essas marcas podem ter dificuldade para fazer a remarcação dos preços no período pós-pandemia e garantir a adesão dos consumidores ao novo patamar de valores dos itens. Há ainda o risco de reduzir o valor da marca percebido pelo cliente, o que pode trazer grandes consequências no longo prazo.

Após o final da quarentena, as marcas também precisarão trabalhar em suas bases de venda para eliminar os efeitos da pandemia em suas séries históricas e poder utilizá-las novamente para fazer a sua previsão de vendas. Para saber mais sobre isso, consulte o post Como realizar ajustes no planejamento da demanda no pós-pandemia publicado pelo consultor do ILOS Henrique Alvarenga.

Frente a tantos desafios inesperados, este momento exige resiliência e inovação do varejo de moda. Conforme for ocorrendo a flexibilização da quarentena e o fluxo de pessoas nas ruas aumentar, as empresas sobreviventes da crise deverão vivenciar uma situação melhor. No entanto, é difícil imaginar que os antigos hábitos de compra se manterão após a humanidade enfrentar um revés de tamanha proporção. Quem conseguir antever e se adaptar mais rápido a este novo “normal” deverá ter vantagem no mercado.

Referências:

O Estado de S. Paulo – Impacto do coronavírus nos setores
IBGE – Pesquisa mensal do comércio – Abr/2020
IstoÉ Dinheiro – Pandemia do coronavírus faz e-commerce explodir no Brasil
Época Negócios – Com pandemia Brasil registra abertura de mais de uma loja virtual por minuto
Mercado e Consumo – E-commerce do Magalu registra crescimento de 73% no primeiro trimestre
Valor Econômico – Magazine Luíza tem resultado novamente excepcional, diz BB Investimentos
Valor Econômico – Marketplace ganha espaço e muda perfil das entregas
CBS News – Coronavirus: social distancing work from home Walmart tops pants sales
Yahoo Finance – Amid coronavírus, Walmart says its seeing increased sales of tops but not bottoms
Wall Street Journal – Sales are going out of style at these retailers
Instagram SuitSupply

Como realizar ajustes no planejamento da demanda no pós-pandemia


O planejamento da demanda, em tempos de Covid-19, sofreu um impacto gigantesco. Muitas empresas que perceberam variações não esperadas em suas demandas, ora para cima (produtos sanitizantes, alimentos prontos), ora para baixo (passagens aéreas, turismo), tiveram que desligar seus algoritmos e repensar o processo de planejamento, tentando “olhar para o futuro” e esquecer um pouco os dados históricos. Ao fim da quarentena, o processo de planejamento deve retornar ao “novo normal”, e ajustes nos dados históricos serão necessários.

Figura 1 – Durante a pandemia, o planejamento de demanda teve que ser ajustado, visto que os dados passados de vendas não refletem os efeitos durante a pandemia. Após a crise, ajustes precisarão ser feitos nos dados históricos para o retorno do processo normal. Imagem: Jan Vašek por Pixabay

Para lidar com essa mudança sem precedentes no comportamento da demanda, nós do ILOS fizemos uma Live no início de maio para discutir quais ajustes no processo de planejamento da demanda precisariam ser feitos durante e após a pandemia e as tendências prevalentes para o futuro. Um ponto discutido e fundamental é: em que momento devemos considerar o retorno ao processo tradicional de planejamento? E quais ajustes precisam ser feitos nas séries históricas, para podermos retornar ao uso dos algoritmos de previsão?

Para saber em que momento devemos retornar ao processo mensal de planejamento da demanda, sugerimos o cálculo e acompanhamento do coeficiente de variação (CV) diário (ou semanal) das curvas de demanda dos produtos. O coeficiente de variação é a razão entre o desvio padrão médio e a demanda média, de maneira que é um indicador da variabilidade da curva de demanda. Durante a pandemia, o CV aumentou muito, visto que houve grande variabilidade na demanda, portanto é de se esperar que, com o fim da pandemia, este indicador retorno aos valores anteriores. Este, portanto, é um indicativo que o retorno ao processo original pode ser realizado (Figura 2).

ajustes no planejamento da demanda - ILOS Insights

Figura 2 – O cálculo do CV das séries históricas indica o momento de retornar ao uso dos algoritmos de previsão de vendas. Fonte: ILOS

Para o ajuste das séries históricas, é importante entender os componentes das séries de vendas (nível, tendência, ciclo e sazonalidade) e analisar qual será o comportamento futuro da série, de acordo com as expectativas e aferições de mudança no padrão de consumo de determinados produtos, categorias e segmentos. Por exemplo, no caso de papel higiênico, em que houve um aumento momentâneo nas vendas, porém com o padrão de consumo mantido, um ajuste na sazonalidade da série deve ser suficiente. Comparar o índice sazonal do mês em anos anteriores com o fator sazonal de março/20 é uma forma de definir qual o fator multiplicativo deverá ser aplicado nos dados ao longo da crise. Este mesmo procedimento pode ser aplicado para demandas que sofreram quedas abruptas, em que se espera o retorno ao patamar anterior de vendas após a crise do coronavírus.

Já para produtos sanitizantes, também ocorreu um aumento abrupto nas vendas pela necessidade de higienização constante, porém é de se esperar um patamar de vendas superior àquele visto antes da pandemia, pois as pessoas passarão a se preocupar mais com limpeza e higiene. Neste caso, será necessário fazer, além do ajuste da sazonalidade para tratar deste pico de vendas durante a crise, uma correção no nível na série de vendas, pois o padrão de consumo levará a uma maior utilização do produto, de maneira perene (Figura 3).

ajustes no planejamento da demanda - ILOS Insights

Figura 3 – Ajuste de baseline para produtos cuja demanda foi afetada pelo novo coronavírus. Fonte: ILOS

Acompanhar o coeficiente de variação das séries históricas para definir em qual momento devemos retornar ao processo de planejamento tradicional, identificar o comportamento da demanda na nova realidade e realizar os ajustes necessários será fundamental para sair da crise com um processo de planejamento da demanda regularizado. Vale conferir a nossa live para entender quais tendências são esperadas para a demanda no futuro, e como reavaliar o processo de planejamento ao longo da crise.

Transformação digital no supply chain do McDonalds: machine learning para entender, antecipar e influenciar a demanda

Em março de 2019 o McDonalds comprou a Dynamic Yield – startup israelense que desenvolve tecnologias voltadas para personalização da experiência do cliente – por 300 milhões de dólares. A empresa desenvolve inteligências de recomendação com base em machine learning, que está sendo utilizada pelo McDonalds nos displays digitais dos drive-thrus para alterar recomendações de acordo com o horário do dia, clima ou itens populares no momento, por exemplo.

McDonalds

Figuras 1 :McDonalds

Em 2018 a empresa testou a tecnologia em algumas filias nos EUA, com o objetivo de expansão para todas as lojas norte americanas, seguida pelos principais mercados internacionais. A iniciativa vai além da implementação apenas nos drive-thrus, visando todos os canais digitais, como os quiosques de auto-atendimento e o aplicativo global da empresa.

Sete meses depois da compra da Dynamic Yield, em outubro de 2019, a tecnologia já tinha sido aplicada em 9.500 drive-thrus norte americanos, com a meta de finalizar a implementação em todas as filiais dos EUA e da Austrália no fim do mesmo ano.

O McDonalds espera alavancar vendas ao melhorar a experiência de compra do consumidor. A técnica de upselling é algo bem comum na indústria de fast food. Quem nunca foi ao McDonalds e ouviu “Gostaria de aumentar a batata por mais X reais?”. A tecnologia da Dynamic Yield permite que a empresa faça justamente isso, porém de maneira mais inteligente, eficiente e, principalmente, personalizada. Ao possuir dados em tempo real da operação, a empresa pode não somente reagir melhor às necessidades dos consumidores, como também as prever ou influenciá-las.

Além de incremento em receita, a tecnologia também tem o potencial de beneficiar a cadeia de suprimentos da empresa. Se os sistemas e dados da cadeia forem integrados, os principais impactos estão no planejamento da demanda e na possível redução de stock out nos restaurantes. Imagine que uma loja está com níveis muito baixos de estoque do filé de frango do McChicken, seja por erro de previsão ou por problemas de abastecimento. A empresa pode então remover o item temporariamente dos displays, desincentivando a demanda para reduzir o risco de ruptura. Dessa forma, a tecnologia dá ao McDonalds o poder de influenciar a demanda em cada ponto de venda, seja para melhorar a experiência do consumidor e alavancar vendas, ou para cobrir falhas operacionais ou de planejamento.

A possibilidade de reduzir o stock out é especialmente relevante no caso de novos produtos ou de itens sazonais (como os sanduíches da Copa do Mundo), uma vez que é muito difícil prever esse tipo de demanda, ainda mais no nível de filial.

A compra da Dynamic Yield foi uma das grandes ações da empresa de investimento em tecnologia, mas não foi a única. Outras incluem a aquisição de 9,9% (3,7 milhões de dólares) da Plexure (startup de software mobile) em abril de 2019, e a compra da Apprente (avaliada entre 10 e 50 milhões de dólares em 2018) em setembro de 2019 (startup que desenvolve tecnologias de voz com inteligência artificial – o objetivo é automatizar a tomada de pedido nas lojas).

Junto a esses investimentos, o McDonalds também está se transformando do ponto de vista organizacional. Em 2019 a empresa formou o McD Tech Labs (um laboratório tecnológico no Vale do Silício, composto por parte da equipe da Apprente), e no começo de 2020 começou a formar um time focado em engajamento do cliente para os canais digitais, o qual será responsável pelos temas de tomada de pedido, personalização, pagamentos, fidelidade e delivery. As equipes já existentes de tecnologia de marketing e global delivery se juntarão a esse novo time, que será liderado por Lucy Brady, VP sênior de corporate strategy e business development que passará a atuar como chief digital customer engagement officer.

Referências:

CNBC – McDonalds creates digital customer engagement team as part of its tech push. https://www.cnbc.com/2020/01/08/mcdonalds-creates-digital-customer-engagement-team-as-part-of-its-tech-push.html

McDonalds – Q3 2019 earnings call. https://s22.q4cdn.com/972634687/files/doc_downloads/2019/10/CORRECTED-TRANSCRIPT-McDonald’s-Corp.(MCD-US)-Q3-2019-Earnings-Call-22-October-2019-11-00-AM-ET.pdf

Restaurant Dive – McDonald’s buys Dynamic Yield for $300M to improve drive-thru experience. https://www.restaurantdive.com/news/mcdonalds-buys-dynamic-yield-for-300m-to-improve-drive-thru-experience/551316/

Restaurant Dive – McDonald’s acquires AI tech company Apprente. https://www.restaurantdive.com/news/mcdonalds-acquires-ai-tech-company-apprente/562595/

Supply Chain Dive – How McDonald’s super sizes its data for an optimized supply chain. https://www.supplychaindive.com/news/mcdonalds-AI-demand-planning-supply-chain-optimization/553185/

Desafios para a Utilização de Inteligência Artificial e Machine Learning no Planejamento da Demanda

No post anterior, comentei sobre de que forma o uso de ferramentas de Analytics baseadas em Inteligência Artificial (IA) e Machine Learning (ML) no processo de planejamento da demanda poderiam melhorar a acuracidade, mas que existiam barreiras para sua adoção pelas empresas.

Neste texto, pretendo listar alguns destes desafios e maneiras de sobrepassá-los:

  • Baixa maturidade no processo de planejamento atual

O que é? Processo de planejamento da demanda rudimentar e desintegrado, onde as áreas organizacionais analisam informações e tomam decisões independentemente. Com isso, não há espaço para o aprendizado contínuo a respeito do impacto das ações comerciais e de trade marketing sobre a demanda, tampouco um conhecimento profundo das variáveis exógenas a serem consideradas no planejamento. O sucesso no uso efetivo de Advanced Analytics, com IA e ML, depende de inputs de informação adequada e processos decisórios alinhados, o que só existe em processos maduros de S&OP e IBP.

O que fazer? Engajar as áreas comercial, trade marketing e financeira nos processos de S&OP/IBP, garantindo a discussão sobre o impacto das ações de mercado sobre a demanda e uma visão financeira detalhada dos planos, o que permitirá criar um processo analítico e decisório que se beneficiará do uso de Analytics.

  • Falta de conhecimento técnico da equipe

O que é? Em muitas empresas, as equipes responsáveis pelo processo de previsão de vendas possuem apenas conhecimento elementar sobre os modelos extrapolativos e causais, dependendo enormemente de ferramentas especializadas para realizar a projeção da demanda, o que resulta na subutilização do potencial das mesmas. Quando falamos em IA e ML, além da exigência de conhecimentos técnicos mais sofisticados, como programação em Python e R, é necessário ter domínio dos fatores que influenciam o comportamento das vendas, seja para “treinar” o algoritmo ou viabilizar o acesso a informações exógenas através de APIs (Application Programming Interface). Infelizmente, os cientistas de dados, como são chamados os profissionais com este conhecimento, ainda são raros e muito disputados.

O que fazer? Começar o quanto antes a capacitação da equipe nos modelos clássicos de previsão de vendas, em ferramentas de Analytics e, em paralelo, “minerar” alguns cientistas de dados para a equipe.

  • Falta de integração e colaboração na cadeia de suprimentos

O que é? O relacionamento entre parceiros comerciais ainda é baseado em relações adversativas, com disputa de margem em processos negociais, que levam a uma proteção de informações críticas para o planejamento da demanda, como dados de sell out e estoques, como forma de maximizar o poder de barganha nas negociações. Além disso, as estruturas das bases de dados foram construídas pensando mais na proteção do que no compartilhamento das informações, o que exige um esforço considerável para conexão de dados que possam alimentar algoritmos de Analytics. Em outras palavras, muitas das informações desejáveis não estão disponíveis ou não são acessíveis em uma estrutura compatível.

O que fazer? É necessário avançar rapidamente em mecanismos de colaboração na cadeia de suprimentos, como o CPFR, além de começar um movimento mais profundo – e difícil – de repensar a arquitetura de dados, privilegiando o intercâmbio de informações.

E para você? Quais são os maiores obstáculos para a utilização de Advanced Analytics no planejamento da demanda? Compartilhe conosco nas redes sociais do ILOS! Grande abraço!

Analytics em Planejamento da Demanda – O que esperar?

São inúmeros os relatórios, artigos e menções sobre como o uso de ferramentas de Analytics baseadas em Inteligência Artificial (IA) e Machine Learning (ML) poderão auxiliar nos processos de planejamento da demanda, melhorando a acuracidade afetada pelo aumento da complexidade no portfólio, nos canais de distribuição e, também, no ambiente competitivo.

Hoje, na maioria das empresas, o tamanho da equipe responsável por tratar e analisar os dados com as ferramentas tradicionais de séries temporais e modelos de regressão impõe uma limitação nas possibilidades de análise, obrigando ao agrupamento de séries para previsões top-down, restringindo o número de variáveis exógenas inseridas no modelo e o tratamento e manutenção do baseline de poucas séries, o que prejudica a acuracidade.

Mas o que podemos esperar dessas novas soluções?

Em primeiro lugar, é necessário compreender que a melhora da acuracidade virá pelos aspectos de Augmentation e Automation do processo de planejamento da demanda. Augmentation se refere ao crescimento no volume de dados tratados e variáveis consideradas nos modelos, permitindo a identificação de padrões imperceptíveis ao “olho humano”. Já Automation aborda a possibilidade de automatizar o tratamento dos dados das séries de vendas, corrigindo o baseline e usando informações de venda mais granulares, que sem os ajustes adequados resulta em erros maiores.

Além da melhora na acuracidade do plano tático mensal, podemos esperar a identificação de tendências de consumo de longo prazo, ajudando na definição de portfólio e no desenvolvimento de novos produtos, e também a sofisticação dos mecanismos de reposição de curtíssimo prazo, com mecanismos de demand sensing.

No entanto, ainda existem barreiras significativas para a adoção de IA e ML no processo de planejamento da demanda, como a baixa maturidade do processo atual, falta de conhecimento técnico e de integração na cadeia para obtenção de dados, entre outros aspectos, que pretendo abordar em um próximo post.

E sua empresa? Já utiliza mecanismos de IA e ML no processo de planejamento da demanda? Compartilhe conosco nas redes sociais do ILOS! Grande abraço!

 

A previsão de vendas como ferramenta de melhoria da produtividade

Com o advento do pensamento lean e iniciativas de produção just in time, chegou-se a pensar que atividades ligadas à previsão de demanda estavam com os dias contados. Todavia, a necessidade de disparar toda uma cadeia de suprimentos para matérias-prima é um processo que normalmente exige tempo considerável e dificilmente encaixa-se dentro das expectativas de atendimento de um mercado cada vez mais exigente. Diante desse cenário ainda há espaços no mercado para áreas de previsão de demanda e consequentemente gestão de estoques, e junto com elas formas de se aumentar a produtividade operacional da empresa.

Figura 1 – Exemplo de aplicação de técnicas de previsão em uma série real

Fonte: ILOS

 

O Leonardo Julianelli já comentou a respeito das diferentes técnicas de previsão existentes e em que casos elas são melhor aplicadas. Mas os benefícios da boa aplicação dessas técnicas vão muito além da diminuição dos erros de previsão. Diante de uma previsão com boa acurácia, a área de compras consegue realizar pedidos eficientes de matérias prima, que não irão gerar estoques excedentes e/ou obsoletos, nem carregamentos desnecessários e nem utilizarão espaços de armazém dispensáveis. Há casos de simulações realizadas mostrando que em cada 1% de diminuição do erro de previsão, o estoque total de componentes da empresa diminuiu também em 1%, sem contar os ganhos em obsolescência de material e movimentação de armazém.

Outra consequência importante de uma boa previsão está no nível de serviço oferecido aos clientes na forma de fill rate, ou percentual de pedidos completos. Grandes empresas normalmente lidam com um alto número de SKUs e não é incomum encontrar itens em falta no momento do pedido do cliente. Nesse ponto a previsão colabora no aumento do faturamento geral da empresa, uma vez que vendas perdidas por falta de estoque dificilmente são recuperadas diante do acirrado mercado competitivo que a maioria das empresas se situa.

Dessa forma, considerando a produtividade operacional das empresas uma razão entre seu faturamento e seus esforços (ou de forma mensurável, seus custos) a previsão de demanda colabora para a melhoria desse indicador tanto no numerador, aumentando a receita com menos vendas perdidas, quanto no denominador, diminuindo os custos de estoque, armazenagem e colocação de pedidos.

E a sua empresa, tem uma área de previsão de demanda eficiente? Sua produtividade geral pode estar sendo prejudicada por erros de previsão excessivos.

 

Referências:

<http://www.scdigest.com/experts/Logility_17-05-11.php?cid=12384>

<https://www.ilos.com.br/web/impacto-da-crise-economica-na-demanda-como-melhorar-a-previsao-de-vendas/>

Traduzindo o S&OP para execução

O maior desafio do processo de Sales and Operations Planning (S&OP) é a tradução dos resultados e decisões do processo de planejamento mensal para a vida real de programação e execução. Um dos motivos dessa dificuldade é a natureza resumida e agregada das informações tratadas no processo de S&OP. Outro motivo, que impacta principalmente empresas do Fast Moving Consumer Goods, é o dinamismo do mercado que pode tornar o planejamento obsoleto no momento da execução. Os parágrafos a seguir têm o objetivo de debater sobre essas duas questões e propor soluções que viabilizem a execução do planejamento.

Nível de agregação dos dados

Dados agregados são ótimos para análises de trade-off e tomada de decisão, características fundamentais para as reuniões de S&OP. Essa visão resumida, no entanto, dificulta a tradução das decisões em execução. Como perceber que a produção terá sua capacidade excedida no final do mês por causa da concentração da demanda na última semana se o planejamento olha o mês de forma agregada? Para antecipar este problema de capacidade, é necessário enxergar o plano de vendas por semana, e, se for o caso, considerar a formação de um estoque pulmão com a capacidade ociosa no início do mês para atender o pico do final do mês. Outro exemplo é o abastecimento do CD com um produto de baixo giro. Se o plano de abastecimento avalia a transferência em família de produtos por mês, como irá perceber qual o dia certo de transferir determinado SKU?

Os planos de venda e de capacidade devem estar em níveis de desagregação que permita que pontos críticos de capacidade sejam percebidos durante o planejamento. Cada operação precisa avaliar o plano com um nível de agregação diferente dependendo de sua natureza. Enquanto o plano de estoque precisa avaliar a demanda diária de cada SKU, o plano de transferência basta ter a visão do volume em pallets a ser transportado por dia e o plano de compra de insumos por semana. Apesar de cada função de planejamento fazer seus planos no nível de agregação da informação mais útil para o seu objetivo, as análises apresentadas nas reuniões precisam estar em uma única língua para que todos compreendam as interfaces e impactos entre os planos. Essa língua única deve ser mais agregada, mas pode ser aberta quando for necessário maior nível de detalhe para uma discussão específica.

SOP - Ciclos do Planejamento - blog ILOS

Figura 1 – Nível de agregação da informação no S&OP

Fonte: ILOS

A abertura da informação é fundamental para que os pontos críticos de capacidade sejam antecipados e resolvidos durante o processo de planejamento. Caso contrário, esses problemas só serão identificados e solucionados no processo de execução tornando inúteis as decisões tomadas durante o planejamento.

Dinamismo do mercado

Em mercados mais dinâmicos, a acurácia da previsão feita para o mês seguinte pode não ser a melhor possível, pois o nervosismo da demanda torna o forecasting rapidamente obsoleto. Um dos efeitos dessa baixa acurácia é que na hora de executar o plano a demanda é tão diferente do planejado que as áreas operacionais são tentadas a ignorar o planejamento e reagir ao mercado.

Para empresas inseridas em mercados altamente competitivos e dinâmicos, as Fast Moving Consumer Goods, a solução tem sido o acréscimo do ciclo semanal de planejamento ao processo, chamado de Sales and Operations Execution (S&OE). Esse ciclo mais curto de planejamento foi descrito pelo Sócio Executivo Leonardo Julianelli no post sobre o tema e pode ser resumido como o processo de desdobramento do S&OP que busca detalhar os planos de venda atualizados semanalmente para os planos de produção, recebimento e expedição semanais, permitindo ajustes e a melhor alocação de recursos possível frente as variações da demanda. Dessa forma, as mudanças previstas no curto prazo da semana podem ser consideradas no planejamento por meio de pequenas adaptações.

S&OP - Ciclos do Planejamento - blog ILOS

Figura 2 – Ciclos de Planejamento Mensal (S&OP) e Semanal (S&OE)

Fonte: ILOS

É muito importante que o planejamento da demanda seja feito em um nível de agregação da informação que antecipe os problemas que serão enfrentados durante a execução assim como reaja de forma adequada às mudanças mercadológicas por meio de revisões do planejamento em um ciclo mais curto de previsão. Caso contrário, as funções operacionais terão que tomar decisões durante a execução, podendo trazer resultados descolados do planejamento. Afinal de contas, se a execução não reflete o planejamento, para que perder tempo planejando?

Referências

<https://www.ilos.com.br/web/sales-operations-execution/>

<http://www.logility.com/blog/chris-russell/january-2014/translate-sales-and-operations-planning>

GPS, WAZE e o paradigma do Demand Driven Supply Chain

Lembro bem quando surgiram os primeiros sistemas de GPS para uso em veículos de carga e automóveis. Baseados em geolocalização por satélite, eram pouco precisos e nem se atreviam a tentar estimar a duração do deslocamento. Ajudavam muito apenas na localização de veículos e cargas roubados, mas não eram muito úteis para o gerenciamento de viagens.

Na medida em que o mapeamento viário e os mecanismos de geolocalização foram sendo aperfeiçoados, a precisão na localização dos veículos aumentou e os GPS começaram a estimar o tempo de deslocamento, ainda baseado na velocidade permitida das vias, o que resultava em enormes erros na previsão da duração do percurso.

As empresas que ofereciam sistemas de GPS para o mercado, com o passar do tempo, acumularam enormes bases de dados com os registros das viagens realizadas, o que permitiu aprimorar e estimar com mais precisão a localização e o tempo de deslocamento, que então passou a ser baseado na velocidade “histórica” de cada via a cada horário do dia. A precisão melhorou muito, mas ainda ocorriam grandes erros, pois era impossível antecipar acidentes ou quaisquer outras intercorrências de trânsito.

Por fim, sistemas como o WAZE, baseados não apenas na geolocalização, mas também na informação dos usuários, em uma rede colaborativa de informações, está oferecendo uma precisão cada vez maior. Cruzando dados históricos de velocidade, com informações em tempo real dos veículos a sua frente, é possível estimar o tempo de trajeto com uma precisão incrível e oferecer rotas alternativas em tempo real.

Refletindo sobre esta evolução, é possível traçar um paralelo com o conceito de Demand Driven Supply Chain, que propõe uma cadeia “puxada” pela demanda real, em contraponto a gestão “empurrada”, baseada em previsões de vendas, que encontramos na maioria das empresas.

Em um ambiente cada vez mais dinâmico e incerto, a capacidade preditiva com base em históricos de vendas é cada vez menor, o que leva a grandes erros de previsão e custos elevados com excesso de estoque e/ou rupturas. As empresas tentam usar um “GPS” para decidir que caminho escolher, mas o número de “acidentes” e outros problemas leva a erros significativos nestas escolhas.

Com o advento das ferramentas de CPFR, Big Data Analytics e da Internet of Things, podemos antecipar um planejamento da demanda baseado não apenas no histórico, mas nos acontecimentos em tempo real e, até mesmo, na antecipação de alguns eventos. É um novo paradigma sem dúvida, mas real! Estamos próximos do “WAZE” que tornará a cadeia mais Demand Driven!

S&OE: Sales & Operations Execution

No post de 17/02/2016, comentei sobre a importância do desdobramento do plano tático, alinhado no processo de S&OP, em planos operacionais semanais, que garantam a correta execução do que foi planejado. Recebi uma série de solicitações de informações sobre como isto deveria ocorrer, o que me motivou a escrever este novo post.

O processo de desdobramento do S&OP em planos operacionais é comumente conhecido como Sales and Operations Execution, S&OE,  e busca detalhar os planos de vendas para a elaboração dos planos de produção, recebimento e expedição semanais, permitindo ajustes e a melhor alocação de recursos possível frente as variações da demanda.

Em um cenário onde é cada vez mais difícil estimar a demanda e seu comportamento ao longo do mês, o alinhamento no nível tático, com um número mensal, por família de produto e para a empresa como um todo, discutido e acordado no processo de S&OP, não parece ser suficiente para evitar o desalinhamento das decisões das diferentes áreas organizacionais.

É preciso garantir, por exemplo, que um produto de baixo giro, que só é produzido uma vez por mês, entrará no scheduling de produção na semana mais adequada para recomposição de estoques, e não apenas na última semana do mês. Ou ainda que o plano de recebimento semanal está adequado para garantir a disponibilidade dos insumos que serão usados na produção daquela semana.

Na prática, o S&OE é um ciclo de planejamento mais curto, que tem início com a revisão da previsão de vendas para a semana seguinte, análise das necessidades líquidas de estoque decorrentes desta revisão e, a partir daí, a elaboração dos planos de recebimento, produção e expedição da próxima semana. Toda sexta-feira, como conclusão do processo de S&OE, ocorre uma reunião em que os números são discutidos e publicados.

Empresas de Fast Moving Consumer Goods (FMCG), inseridas em mercados altamente competitivos e dinâmicos, são as que mais sentem necessidade de desdobrar seus planos mensais. Já para empresas de setores industriais mais estáveis, com demanda mais previsível ao longo do tempo, e com portfólio de produtos mais restrito, o número do S&OP pode ser suficiente para o desdobramento dos planos operacionais por cada área, sem a necessidade de novos alinhamentos ao longo do mês.

Vieses da racionalidade no planejamento da demanda

Você se considera um ser racional? Provavelmente, sim. Nós aprendemos que o ser humano é o único animal racional, isto é, capaz de analisar situações problemáticas e tomar decisões baseadas exclusivamente na razão, independente das emoções, sentimentos e instintos. Mas será que conseguimos ser totalmente racionais? Em quaisquer situações? A experiência individual e uma rápida reflexão e autocrítica nos mostram que não.

A Universidade de Harvard, importante centro de estudos sobre os processos de julgamento e tomada de decisão, conduziu uma série de experimentos e concluiu que nos ambientes de negócios, onde pressupõe-se decisões racionais, as restrições de tempo e de custo, aliadas a crescente complexidade do mercado e de seus mecanismos competitivos, levam a adoção de um conjunto de regras simplificadoras, conhecidas como heurísticas de decisão, que simplificam o processo, mas conduzem a erros sistemáticos, previsíveis, mas difíceis de serem eliminados.

No processo de planejamento da demanda, o uso destas heurísticas pode ser facilmente identificado, seja para estimar as vendas ou o impacto específico de uma ação comercial, como uma promoção, campanha na mídia ou lançamento de produto. Quanto mais complexo for o ambiente, mais difícil é o processo de interpretação das informações e mais propenso estará o planejador a utilizar inconscientemente alguma regra simplificadora.

Vejamos o seguinte exemplo:

Em determinado momento do tempo, uma empresa resolveu realizar uma promoção, que gerou uma demanda superior a expectativa e ocorreram rupturas no estoque e atrasos na entrega. Podemos reparar na Figura 1 que o nível de estoque posterior a promoção teve um incremento considerável. Porque isto ocorreu? Havia necessidade deste estoque adicional? A resposta é provavelmente não. Trata-se de um viés causado por uma heurística chamada disponibilidade.

julgamento_disponibilidade

Figura 1 – Efeito da heurística da disponibilidade no estoque de uma empresa

 

A realização de uma promoção de vendas altera, em geral, o padrão da demanda no período em que é realizada. Como se trata de um evento específico, a promoção possui um efeito intenso nas decisões de planejamento da demanda para os períodos seguintes e, principalmente, sobre promoções futuras. Uma promoção bem-sucedida, isto é, quando as vendas aumentam significativamente e os estoques são eliminados (algumas vezes ocasionando falta de produtos), resulta em aumento nos níveis de estoques nos períodos subsequentes, como forma de prevenção pela percepção do planejador de que é “mais provável” ocorrer nova ruptura, como mostra a Figura 1.

Os vieses causados pela utilização da heurística da disponibilidade estão relacionados com problemas de informações vívidas e recentes, pois um fato que torna um evento mais “disponível” na memória não o torna obrigatoriamente mais provável. Nem sempre é fácil fazer a distinção do que realmente impacta a probabilidade de um evento ocorrer. O entendimento da heurística da disponibilidade é fundamental em situações de exceção no planejamento da demanda, como promoções e eventos esporádicos.

Outras heurísticas, como a Representatividade, Âncora e Ajustamento, Previsão Retrospectiva e a Armadilha da Confirmação, também desempenham papel relevante no processo de planejamento da demanda. Além de ter um processo estruturado, baseado na utilização de modelos estatísticos de previsão de vendas e na conciliação dos planos comerciais e operacionais, um bom planejamento depende também de planejadores que conheçam estas heurísticas e sejam capazes de reconhecer seus impactos nas ações das áreas envolvidas.

 

Referência

https://www.ilos.com.br/web/problemas-de-julgamento-e-tomada-de-decisao-no-atendimento-da-demanda/