Posts

Joga Pedra na Geni!

Sempre errada!

Maldita previsão de vendas!

E tome ruptura!

Maldita previsão de vendas!

E tome estoque de segurança!

Maldita previsão de vendas!

Nos últimos meses, participando de reuniões com empresas de diversos setores, sobre os mais variados temas e com participantes de diferentes níveis hierárquicos, tenho ouvido de forma recorrente, queixas e acusações contra aquela que parece ser a única culpada pela dificuldade de atendimento do mercado e altos custos operacionais: a previsão de vendas!

As acusações são tantas, e cada vez mais enfáticas, que tenho lembrado muito da música Geni e o Zepelim, de Chico Buarque de Holanda, cujo refrão é:

Joga pedra na Geni!
Joga pedra na Geni!
Ela é feita pra apanhar!
Ela é boa de cuspir!
Ela dá pra qualquer um!
Maldita Geni!

O desejo é sempre o mesmo: um modelo matemático mágico e salvador, capaz de acertar a demanda futura…e no nível de SKU-Cliente, por favor! Nestas reuniões, quase sempre e infelizmente, sou o estraga-prazeres que tem que dizer que este modelo não existe e não existirá.

Não nego que existam oportunidades de melhoria na modelagem matemática de previsão de vendas na maioria das empresas, mas tenho certeza de que não é a única, muito menos a maior, oportunidade para a melhoria do atendimento da demanda.

Escuto muito pouco questionamento sobre os reais motivos que levam ao aumento do erro da previsão de vendas e, consequentemente, aos problemas de ruptura a aumento de custos operacionais. Obviamente, existem fatores não controláveis, como condições climáticas e ações inesperadas da concorrência, que impactam a acuracidade e o atendimento, mas há muitos outros pontos que poderiam ser discutidos e melhorados.

Por exemplo, vejo poucas discussões sobre gestão de portfólio, um fator de enorme complexidade para previsão de vendas e dimensionamento dos estoques, tampouco escuto sobre a necessidade de um maior engajamento da área comercial na definição e execução dos planos, já que é responsável direta por grande parte da variabilidade no comportamento da demanda, ou da necessidade da área de operações quantificar adequadamente sua capacidade de reação.

É sempre mais fácil jogar pedra na Geni!

Mas isso, infelizmente, não vai resolver o problema!

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/>

Distorções do Curto Prazo na Previsão de Vendas

Há algumas semanas atrás, a consultora Fernanda Monteiro escreveu um brilhante ensaio sobre a necessidade de se monitorar um indicador medindo o valor agregado à previsão de vendas por cada etapa do processo, o FVA (Forecast Value Added). Compartilho integralmente de sua visão, reforçando que o controle deste indicador é fundamental para direcionar a tomada de ações corretivas tanto na construção do Plano de Demanda quanto no transcorrer do processo como um todo.

Muitas vezes há destruição de valor durante o processo de planejamento. Isto ocorre, pois, involuntariamente, ao tentarem colaborar, algumas áreas acabam por introduzir seus próprios vieses, piorando a acurácia dos planos e gerando um esforço disfuncional.

Desta forma, o FVA seria um indicador chave para entender tanto quais são os momentos de melhora/piora do plano, visando identificar suas causas e propiciar a tomada de ações gerenciais, quanto avaliando sua magnitude para determinar se os esforços de colaboração estão sendo compensados por uma melhora na previsibilidade e utilidade da informação. Inclusive, pode-se até chegar no limite de assumir que algumas etapas de contribuição podem ser desnecessárias, ao se pesar a relação custo-benefício. Este indicador pode não só estar associado ao valor agregado de cada etapa no S&OP, mas também pode ser utilizado para ajudar a definir qual o melhor horizonte para tomada de decisões.

Semanas atrás, comentei que teoricamente quanto mais encurtado o horizonte de planejamento, quanto mais próximo temporalmente o período que irá acontecer está do momento da análise, melhor seria a capacidade preditiva, dado o fato de haver uma série maior de demanda para ser analisada, e um menor o período disponível para acontecimentos extraordinários. Ocorre que muitas das vezes não é isso que acontece na realidade das empresas, conforme figura abaixo.

Figura 1 – Acurácia de Previsão por Horizonte de Previsão

Fonte: ILOS

 

No gráfico de linhas observamos a série de acurácia de previsão de vendas medida e ajustada semanalmente, desde 12 semanas atrás (S-12) até a semana véspera de quando a acurácia foi medida (S-1). Foi possível identificar 3 momentos muito distintos nesta série: um primeiro momento, referente às 4 primeiras semanas plotadas (de S-12 até S-9), na qual a acurácia de previsão oscila em um mesmo patamar, sem haver um padrão claro de comportamento; um segundo momento referente às 4 semanas seguintes (de S-8 até S-4), no qual o erro de previsão reduz progressiva e substancialmente, associado à incorporação de informações qualitativas à previsão, cujo o horizonte é coincidente de 2 meses (8 semana, portanto); e, por fim, um terceiro momento no qual, apesar da redução horizonte, a previsão não melhora, mas piora.

Figura 2 – Valor Agregado à Previsão de Vendas por Horizonte

Fonte: ILOS

 

Ao analisarmos o indicador de FVA proposto, foi possível identificar que apesar da empresa abrir mão de capacidade de resposta, aceitando uma redução do horizonte de planejamento ao rodar novas previsões mais próximas do fato ocorrido, a previsão piorava. Buscando as explicações para tal evento, conseguimos identificar que quanto mais se aproximava da semana corrente mais as expectativas em relação ao curto prazo traziam vieses que contaminavam o Plano de Demanda. Tal hipótese foi confirmada com a análise seguinte, de viés da previsão.

Figura 3 – Viés da Previsão de Vendas por Horizonte

Fonte: ILOS

 

Na análise acima, percebemos que o viés da previsão ficava cada vez mais otimista com o passar do tempo (MPE negativo significa que previsão>demanda), piorando a acurácia do Plano de Demanda no agregado. Este sintoma pôde ser atribuído a dois principais fatores.

O primeiro é o chamado wishful thinking, um desvio da racionalidade que significa tomar seus desejos por realidade. Como a empresa desejava muito bater suas metas, acabava por ajustar a previsão superestimando os números, sem que houvesse base empírica para tal, de modo que a demanda prevista se aproximava das metas. O que deveria ser o número mais provável das vendas do período seguinte, se tornou o volume almejado de vendas. Este fator se amplificava conforme a dada semana se aproximava, devido ao aumento progressivo de distância em relação à meta, consequência das frustrações consecutivas do volume de vendas.

O segundo fator é relacionado ao próprio mindset da área comercial, que tende a aumentar os volumes planejados para garantir a disponibilidade de seus produtos pelas áreas de Operações, sem pesar adequadamente os custos associados, dado seu comportamento mais perdulário em relação aos recursos. Desta forma, a área de Vendas, com receio que as áreas de Operações não atendam plenamente ao solicitado, se torna mais propensa a superestimar os volumes, de modo que a informação de faturamento colaborada, em vez de ter o volume mais provável informado como um alvo, o tinha como um piso com mais um acréscimo de volume para reduzir o risco de desabastecimento. Paradoxalmente, no processo de planejamento integrado ainda havia a busca por ótimo local em vez do ótimo global.

Por fim, deve-se ter cautela quanto as sucessivas revisões da Previsão de Vendas, que não só podem atrapalhar o desenvolvimento dos Planos Operacionais, como também podem acabar por piorar a capacidade preditiva em vez de melhorá-la. Para mitigar estes problemas é desejável definir um congelamento da previsão, a partir do qual nenhuma mudança pode ser feita, evitando que os Planos sejam distorcidos pelo calor da execução no curto prazo. O momento a partir do qual o saving associado à melhora da previsão não é capaz de cobrir o custo adicional de redução da capacidade de resposta, é uma boa pista para o congelamento, e o FVA é uma das chaves para a definição deste momento.

 

Referências

CORRÊA, HENRIQUE L.; GIANESI, IRINEU G. N.; CAON, MAURO. S&OP – Planejamento de Vendas e Operações (Sales and Operations Planning), Planejamento, Programação e Controle da Produção. Editora Atlas, 2001.

WALLACE, THOMAS F.. Sales & Operations Planning, The How-To Handbook. T. F. Wallace & Company, 1999.

WANKE, P.; JULIANELLI, L. Previsão de Vendas: Processos Organizacionais & Métodos Qualitativos e Quantitativos, Editora Atlas: Rio de Janeiro, 2006.

Racionalização do portfólio de produtos

No ramo do marketing, reconhece-se que ofertar uma variedade de produtos é necessário para aumentar a performance de uma empresa, pois essa variedade permitiria conquistar outros nichos de consumidores, o que estimularia mais vendas e levaria ao aumento de market-share. Por outro lado, também reconhece-se que o excesso de opções pode confundir o consumidor no momento da compra, reduzindo as vantagens em se ofertar essa diversidade de produtos.

Já no gerenciamento de operações, sabemos que a diversidade de SKUs*¹ aumenta a complexidade operacional da previsão de vendas, da gestão de estoques, das operações de armazenagem e picking e do transporte, podendo também impactar as vendas. Uma vez que a diversidade de produtos dificulta a acuracidade da previsão, um desbalanceamento entre produção e demanda pode levar ao stockout de produtos, fazendo com que o cliente decida por um produto substituto que pode ser do concorrente. Na indústria de bens de consumo, isso ocorre com bastante facilidade: se você vai ao mercado comprar uma caixa de leite, mas o produto que deseja está em falta, provavelmente não deixará de comprar, recorrendo a outra marca.

Figura 1  – Gôndola de mercado

 

Daí entra o conceito de racionalização de SKUs, que nada mais é do que usar dados históricos para identificar e eliminar SKUs de baixo desempenho, transferindo os recursos para os produtos que realmente trazem ganho para a empresa. A Unilever é um exemplo de empresa que trabalha continuamente na racionalização de SKUs. Afinal, possui mais de 400 marcas em seu portfólio, trabalhando com milhares de produtos em diversos segmentos e regiões do mundo. Em 2009, as unidades da Unilever do Reino Unido e da Irlanda foram combinadas em um único grupo, e verificaram que 60% de seus produtos contribuiam apenas com 5% de suas vendas, mas compunham 20% de seus níveis de estoque. Já a P&G, outra gigante de bens de consumo, trabalha até no nível de racionalização de marcas. Desde meados de 2015 até outubro do ano passado a empresa cortou e consolidou cerca de 61 marcas, pretendendo descontinuar mais 44.

A Mondelez, fabricante dos cookies Oreo, racionalizou seus SKUs através da padronização do diâmetro dos biscoitos, reduzindo significativamente os custos de produção. Cristian Negrescu, diretor de supply chain global da empresa reporta que a área de marketing ainda é responsável por definir os requisitos dos produtos, mas há um time composto por profissionais de R&D e por profissionais de supply chain que trabalham juntos para introduzir produtos da maneira mais eficiente possível. Uma mudança como essa, envolvendo áreas “conflitantes” dentro da empresa, não é nada fácil, mas certamente traz muitos benefícios, visando o ótimo global do negócio.

*¹ Um SKU (Stock Keeping Unit) referencia um item único de estoque. Qualquer mudança em uma característica de um produto (tamanho, tipo de embalagem, rótulo) resulta em um SKU diferente. Como exemplo, uma garrafa de 1,0L de refrigerante é um SKU diferente de uma garrafa de 1,5L do mesmo refrigerante.

 

Referências:

Industry focus podcast: What is an SKU and why can it matter so much to investors? https://www.fool.com/podcasts/industry-focus

University of Tennessee Supply Chain Forum. Interesting Presentations from Caterpillar, Unilever, Procter & Gamble, Mondelez and More. http://www.scdigest.com/firstthoughts/16-04-15.php?cid=10561

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/>

 

Postponement como mecanismo de redução de estoques

Há algumas semanas, o consultor Gabriel Cruz comentou sobre os efeitos da crise econômica brasileira no custo de estoque das empresas. Fatores como a queda da demanda, o aumento do erro na previsão de vendas e a elevação da taxa de juros básica fizeram com que o custo de oportunidade associado a guarda de estoques aumentasse consideravelmente, tornando-se mais uma preocupação para as empresas nesse momento difícil que o país vive. Neste cenário, uma prática de otimização do fluxo do processo logístico pode ajudar as empresas a reduzir a necessidade de estoques e enfrentar esse desafio. Trata-se do Postponement ou, como é conhecido em português, postergação.

O Postponement consiste em adiar o máximo possível qualquer deslocamento e/ou configuração final dos produtos e serviços na cadeia de suprimentos, ou seja, a ordem é aguardar a finalização do produto/serviço até o momento exato da definição do pedido do cliente. A ideia que sustenta este princípio é a de evitar a geração de estoques para uma grande variedade de produtos, postergando as atividades que criam variedade até o momento mais tarde possível.

A prática é conhecida na literatura acadêmica desde os anos 50, mas os relatos de casos de sucesso surgiram com maior intensidade na década de 90. Um dos mais famosos cases de sucesso vem da Dell. A fabricante de computadores pessoais sob encomenda pratica a postergação ao configurar sistemas de microcomputadores de acordo com as variações dos pedidos dos clientes sobre os modelos disponíveis. Assim, ela mantém estoque de poucos modelos e configura o sistema após o pedido do cliente, ofertando uma grande variedade de opções para o mercado, sem afetar seus estoques.

Outro exemplo vem da marca de roupas italiana Benetton. Mundialmente conhecida pelas cores fortes e contrastantes da sua linha de roupas, a Benetton não tinge seus produtos na hora de fabricá-los. Os produtos são, na verdade, transportados e armazenados na cor cinza (fundo neutro), recebendo o tingimento final pouco antes de serem levados às lojas. Tal procedimento permite a empresa reduzir custos e melhorar o nível de serviço percebido pelo cliente, uma vez que a probabilidade de haver peças sobrando em cores indesejadas ou faltando naquelas que são demandas a cada semana pelos clientes é consideravelmente reduzida.

Figura 1 - Propaganda Benetton

Figura 1 – Marca Benetton é famosa pelas suas roupas de cores chamativas

Fonte: Design Scene

 

A Suvinil, empresa nacional fabricante de tintas, pode ser apontada como uma das primeiras aplicações do postponement no Brasil. O processo da empresa é baseado na produção de 3 a 5 bases de tinta na fábrica e a composição de cores é feita no ponto de venda, através da máquina eletroeletrônica tintométrica, onde é programada a fórmula com a dosagem perfeita de corantes de acordo com a cor especificada pelo consumidor. Com 16 pigmentos é possível chegar a cerca de 2.000 cores. Este procedimento permite a Suvinil obter previsões de venda muito mais acuradas, uma vez a empresa precisa apenas prever a quantidade de latas de tintas vendidas no mês para cada uma das cerca de 5 bases e não de cada uma das 2.000 cores diferentes oferecidas.

Em pesquisa promovida pelo ILOS com empresas brasileiras e publicada no Panorama ILOS – Planejamento no Supply Chain 2015, foi possível perceber a adesão das empresas de diferentes segmentos à prática do Postponement. Empresas do setor químico e petroquímico se destacaram como as maiores adeptas da prática (83%) no país, seguidas do segmento eletroeletrônico e automotivo. Dentre todas as empresas perguntadas na pesquisa, apenas 46% afirmaram incorporar a postergação à estratégia de produção.

Figura 2 - ILOS

Figura 2 – Empresas que incorporam o postponement à estratégia de produção

Fonte: Panorama ILOS – Planejamento no Supply Chain 2015

 

Como indica a pesquisa, o postponement ainda tem muito espaço para crescer no país. A utilização da estratégia de postergação permite às empresas aumentar a acuracidade das suas previsões de venda, uma vez que a modularização de produtos possibilita a previsão de séries consolidadas, mais fáceis de serem previstas. Além disso, a empresa pode manter um estoque de produtos muito menor, sem que isso implique em redução do nível de serviço. Pelo contrário, o postponement muitas vezes permite que as empresas ofereçam ainda mais opções para o cliente e, principalmente, maior disponibilidade dos produtos que ele realmente deseja, evitando o encalhe de itens causado por vendas aquém do planejado de um determinado produto.

Com o aumento crescente da demanda por customização em massa, é esperado que cada vez mais empresas adotem o postponement em seu processo de negócios, chegando ao ponto das organizações utilizarem impressoras 3D para fabricar o produto no momento em que ocorre a demanda pelo cliente. Este é o postponement levado ao limite, e que parece ser a realidade do futuro. Para o presente, reduzir os níveis de estoque e os custos logísticos já é uma vantagem e tanto!

 

Referências

<https://www.ilos.com.br/web/juros-e-recessao-inimigos-do-custo-de-estoques/>

<https://www.ilos.com.br/web/analise-de-mercado/relatorios-de-pesquisa/planejamento-no-supply-chain/>

SAMPAIO, M. O poder estratégico do postponement. Tese (Doutorado em Administração) – Escola de Administração do Estado de São Paulo, Fundação Getúlio Vargas, São Paulo. 2003. <http://bibliotecadigital.fgv.br/dspace/bitstream/handle/10438/2536/86624.pdf?sequence=2&isAllowed=>

Curso Online ILOS de Gestão de Estoques

Gestão da cadeia de suprimentos / Eduardo Magalhães… [et al.] – Rio de Janeiro: Editora FGV, 2013.

Lançamento de novos produtos: Sempre um grande desafio no SCM

Nas últimas décadas, vemos acelerar o ritmo de lançamento de novos produtos pelas empresas, fazendo com que o ciclo de vida torne-se cada vez mais curto e o portfólio a ser gerenciado, mais amplo. Isso é, por si só, um grande desafio para a gestão de Marketing, que precisa desenvolver mecanismos cada vez mais sofisticados para gerenciar o ciclo de vida dos produtos e controlar o efeito portfólio dentro de suas marcas.

A gestão da cadeia de suprimentos também sofre um impacto tremendo, pois precisa viabilizar novos insumos e fornecedores, adaptar o processo produtivo e de distribuição, prever novas e mais instáveis demandas, entre outras dificuldades que resultam deste processo. Na pesquisa que realizamos sobre Planejamento no Supply Chain 2015, com base na qual comentei ontem sobre a integração externa entre empresas, tratamos especificamente sobre a introdução de novos produtos e como o supply chain das empresas lidavam com isso.

Apesar de ser uma prática comum e com grandes impactos em toda a cadeia de suprimentos, o lançamento de produtos ainda é visto como uma espécie de “loteria” para 54% das empresas, que responderam sequer realizar uma previsão de vendas, baseando o lançamento em uma meta pré-estabelecida (em geral, foi o número que “viabilizou” o lançamento!). Daquelas que afirmaram realizar uma previsão de demanda, 41% disseram que o erro é maior do que 50% ou que simplesmente não medem a acurácia da previsão.

Certamente, realizar previsões de vendas para lançamentos é um desafio maior do que para produtos em estágios mais avançados de seu ciclo de vida. No entanto, existem técnicas quantitativas e qualitativas que consideram se os produtos são adições ao portfólio ou inovações, levando a resultados melhores do que o simples “feeling” da área de desenvolvimento de produtos. Além disso, a dificuldade não deve servir de desculpa para o não enfrentamento do problema.

Mais agravante é o fato de 39% das empresas não possuírem quaisquer processos ou ferramentas para avaliação e gestão do risco associado ao lançamento de seus novos produtos, aumentando o tempo de reação da cadeia e os custos associados aos ajustes necessários pós-lançamento.

Com esses dados, não é de se estranhar que nada menos do que 30% das empresas pesquisadas tenham afirmado não possuir mecanismos para o monitoramento dos novos produtos lançados. É isso mesmo: 30%! Parece normal que um terço das grandes empresas brasileiras não monitorem o desempenho de seus lançamentos? Eu não acho!

 

Referência

https://www.ilos.com.br/web/analise-de-mercado/relatorios-de-pesquisa/planejamento-no-supply-chain/

 

Colaboração externa no planejamento da demanda – Uma realidade ainda distante para a maioria das empresas brasileiras

Pesquisa coordenada e executada pelo ILOS, com apoio da Revista Tecnologística, do CSCMP, da Universidade do Arkansas, da BVL e da Universidade Técnica de Berlin, com 105 empresas no Brasil, EUA e Alemanha sobre o Planejamento no Supply Chain mostra que, apesar de ainda estarmos atrás de EUA e Alemanha, muitas empresas brasileiras avançaram no uso de técnicas quantitativas de previsão de vendas e na colaboração entre áreas organizacionais, mas a evolução foi pequena no que se refere a integração com clientes e fornecedores.

Com relação ao uso de técnicas quantitativas de previsão de vendas, nossa pesquisa anterior, de 2010, mostrava que 21% das grandes empresas brasileiras usavam métodos estatísticos mais sofisticados para realizar sua previsão de vendas, percentual que “saltou”, nesta pesquisa, para 53%. Apesar de ser uma evolução significativa, significa que quase 50% das grandes empresas brasileiras ainda realizam suas estimativas de vendas com médias ou com base no conhecimento tácito de seus especialistas comerciais. É um resultado péssimo!

No que se refere a existência do processo de S&OP, o número de empresas que declararam possuir um processo formalizado aumentou de 62% para 75% da amostra entre 2010 e 2015, uma evolução também significativa, aproximando o resultado brasileiro do alemão (78% das empresas possuem S&OP) e diminuindo a diferença para o americano (87% das empresas possuem S&OP).

Entretanto, é no uso de mecanismos de integração externa, como o Vendor Managed Inventory (VMI) e o Collaborative Planning, Forecansting and Replenishment (CPFR), que a comparação das práticas brasileiras com as de outros países fica bastante prejudicada, conforme pode ser observado na Figura 1.

VMI_CPFR

Figura 1 – Colaboração Externa no Planejamento da Demanda

Fonte: Panorama ILOS – Planejamento no Supply Chain 2015

 

Enquanto o VMI é uma realidade na Alemanha, com quase 90% das empresas declarando que utilizam a prática com clientes e fornecedores, e nos EUA, com quase 80% das empresas, no Brasil apenas 40% das grandes empresas afirmam ter alguma iniciativa de VMI. O mesmo resultado se repete em relação ao CPFR, iniciativa presente em 94% das empresas americanas entrevistadas e em 62% das empresas alemãs, contra apenas 40% nas empresas brasileiras.

Estes resultados ilustram de forma inequívoca as oportunidade que ainda temos para evoluirmos no processo de planejamento no Supply Chain. Certamente, caminhamos nas questões internas, mais ainda existem lacunas importantes a serem preenchidas, e precisaremos avançar muito na integração externa se quisermos habilitar as empresas aqui atuantes a participar das cadeias globais de abastecimento.

 

Referência

<https://www.ilos.com.br/web/analise-de-mercado/relatorios-de-pesquisa/planejamento-no-supply-chain/>

 

Organização das informações para previsão de vendas na indústria de bens de consumo

A organização da informação é um fator crítico para uma boa previsão de vendas na indústria de bens de consumo de alto giro, que produz e comercializa os chamados Fast-Moving Consumer Goods. Em geral, existem três dimensões para organização da informação que precisam ser consideradas na estruturação do processo de forecasting: tempo, produto e local. Aqui, farei algumas considerações sobre a dimensão “produto”.

As áreas organizacionais de uma empresa, como marketing, comercial, produção e logística, necessitam da previsão de vendas dos produtos em níveis de agrupamento distintos. Por exemplo, o gerente de produtos analisa as informações em um nível de agregação que permita avaliar o desempenho da família pela qual é responsável. Já o gerente de produção precisa da previsão no nível de SKU, para tentar otimizar o sequenciamento de suas linhas. Fica evidente, pois, a necessidade de gerar estimativas de demanda futura em níveis de agrupamentos diferentes.

Não é razoável que a previsão de vendas seja realizada para todas as possíveis combinações de dados, primeiro porque o esforço necessário seria enorme e, sobretudo, porque cada área organizacional teria um número diferente, uma vez que não seria possível garantir que o somatório das previsões feitas no nível de SKU daria o mesmo resultado que a previsão obtida através da série de vendas consolidada.  Assim, é necessário decidir em que nível de organização a informação será tratada na previsão e como esta será fragmentada (top-down) ou consolidada (bottom-up) posteriormente.

A indústria de bens de consumo costuma organizar a informação para seu processo de previsão de vendas orientada por uma visão interna de marketing, fazendo a previsão de vendas para a família de produtos dentro de uma determinada marca. Apesar de historicamente esta abordagem não ser incorreta, a diversificação recente das linhas de produtos possibilita novas abordagens que resultam em erros menores. Para isso, a empresa precisa deixar de olhar para dentro e alinhar o seu processo de previsão de vendas com o padrão, ou “momento”, de consumo de seus clientes.

Por exemplo, vamos imaginar uma empresa com cinco diferentes linhas de snacks, vendidos em embalagens de 30, 80 e 200 gramas. O consumidor pretende comprar um snack para consumir no cinema, mas não encontrou o pacote de 30 gramas de sua marca preferida. O que é mais fácil de ocorrer: o consumidor comprar outra marca no pacote individual de 30 gramas ou passar no supermercado e comprar seu snack preferido na embalagem de 200 gramas? Em geral, o “momento de consumo” predomina em relação a “preferência de marca” e o consumidor irá escolher outro salgadinho de 30 gramas. Logo, fazer a previsão por marca (“preferência”) costuma levar a um erro maior do que que por embalagem (“momento de consumo”).

Obviamente, esta regra vale apenas se o posicionamento das marcas, ou seja, o perfil do cliente, for o mesmo. Empresas de bens de consumo que possuem diversas marcas de um determinado produto, sabão em pó ou sucos, por exemplo, mas cada marca é direcionada para um público diferente, não se beneficiariam com esta prática. Empresas com marcas (ou linhas) que sejam substitutivas do ponto de vista do consumidor (correlação negativa de vendas), sim, se beneficiam e muito desta prática. Vale a pena fazer o teste!

 

Referências

<https://www.ilos.com.br/web/quais-sao-as-caracteristicas-de-um-planejamento-da-demanda-eficiente-analise-das-definicoes-fundamentais-e-estruturais-do-processo/>

<https://www.ilos.com.br/web/comparacao-entre-as-abordagens-top-down-e-bottom-up-para-previsao-de-vendas/>

Impacto da crise econômica na demanda: como melhorar a previsão de vendas?

O aprofundamento da crise econômica, evidenciado pelos dados de contração de 1,7% do PIB no terceiro trimestre de 2015, está atingindo diretamente o consumo das famílias e, consequentemente, o volume de vendas do varejo. Se até o início deste ano, a crise era mais evidente na indústria, agora já é possível identificá-la com clareza nas séries de vendas de bens de consumo no varejo.

Além dos desafios inerentes a própria queda de demanda, as empresas precisam lidar com o aumento do erro na previsão de vendas. Apesar de não ser possível mitigar completamente este efeito, uma vez que os dados históricos não permitem antever o movimento de queda, pode-se amenizá-lo com o uso de métodos de previsão de vendas que sejam capazes de “reagir” mais rapidamente ou que considerem o impacto do ciclo econômico na série.

Apresentamos, nos exemplos abaixo, os resultados da previsão para as séries de vendas de veículos automotores da Anfavea (dezembro/2011 a novembro/2015) e do índice de vendas no varejo do IBGE (dezembro/2011 a setembro/2015), utilizando os métodos da Decomposição Clássica (com cálculo do ciclo econômico), de Holt-Winters e um terceiro mais simples, onde a previsão é dada pelas vendas do mesmo mês no ano anterior mais a correção realizada pelo crescimento/decrescimento (tendência) médio do último ano, muito utilizado no dia a dia das empresas, conforme pesquisa do ILOS.

Venda de Veículos Novos

Figura 1 – Análise dos Métodos de Previsão de Vendas para Veículos Novos. ILOS.

Figura 1 – Análise dos Métodos de Previsão de Vendas para Veículos Novos

Fonte: ANFAVEA e Análise ILOS

Quando se analisa a série de vendas de veículos novos da Anfavea, observa-se que a queda de demanda tem se acentuado a cada ano. A drástica redução observada nas vendas entre 2014 e 2015, de 22,55% até novembro, é reflexo da retirada dos incentivos fiscais, na figura da redução do IPI, a partir de janeiro deste ano.

Esta queda mais forte na demanda provocou um aumento considerável no erro da previsão de vendas, apontado pelo MAPE, pelos métodos da Decomposição Clássica e do Ajustamento com Tendência. No entanto, observamos uma melhora no resultado do erro pelo método de Holt-Winters, que é capaz de responder mais rapidamente a mudanças bruscas de comportamento no padrão histórico das vendas. Ainda assim, a Decomposição Clássica com o cálculo do ciclo econômico foi o método com menor erro.

Índice de Vendas nos Supermercados

Figura 2 – Análise dos Métodos de Previsão de Vendas para o Índice de Vendas do Varejo. ILOS

Figura 2 – Análise dos Métodos de Previsão de Vendas para o Índice de Vendas do Varejo

Fonte: IBGE e Análise ILOS

Quando analisamos a série histórica do índice de vendas em supermercados do IBGE, vemos que a queda da demanda começa a ser observada apenas em 2014 e se acentua bastante em 2015. Aqui, a inversão do sinal, de crescimento nas vendas em 2013 para decrescimento em 2014, provocou um efeito prejudicial para a previsão de vendas mais intenso do que a acentuação da queda em 2015. Os métodos da Decomposição Clássica com análise do ciclo econômico e de Holt-Winters melhoraram sua capacidade preditiva em relação ao ano passado, com destaque para este segundo método, que com sua capacidade de rápida adaptação tornou-se o mais assertivo.

Os resultados aqui observados em séries de vendas agrupadas valem, de maneira similar, para a previsão de famílias de produtos e mesmo de SKUs em uma empresa. Ou seja, a prática de ajustar os valores do ano anterior com base no crescimento/decrescimento de curto prazo para obter uma previsão de vendas, muito comum no mercado brasileiro, tende a apresentar erros significativamente maiores do que aqueles obtidos com o uso de métodos capazes de considerar o efeito do ciclo da economia na série de vendas e, em momentos de mudança brusca no comportamento do mercado, de métodos que consigam se adaptar mais rapidamente a estas mudanças.

 

Referências

<http://seriesestatisticas.ibge.gov.br/lista_tema.aspx?op=0&no=2&de=3>

<http://www.anfavea.com.br/tabelas.html>

<https://www.ilos.com.br/web/analise-de-mercado/relatorios-de-pesquisa/planejamento-no-supply-chain/>