Perguntas certas, Big Data Analytics e os ganhos inimagináveis para o Varejo

389
6

Em um momento em que as tecnologias de Big Data Analytics proporcionam respostas mais fáceis, ágeis e completas, fazer as perguntas certas passou a ser o grande desafio dos varejistas. Neste artigo, mostraremos quais perguntas são essas e como elas podem se traduzir em ganhos de negócio.

Uso de diferentes tipos de análise para responder perguntas

Segundo o Gartner Group, líder mundial em pesquisa e consultoria em tecnologia da informação, existem quatro estágios ou níveis de maturidade em relação ao uso de análises dentro das empresas.

No primeiro nível, conhecido como análise descritiva, os varejistas procuram responder perguntas referentes ao passado: “o que aconteceu?”. No segundo estágio, os varejistas passam a ter habilidade de realizar uma espécie de diagnóstico relacionado aos resultados de suas operações: “por que aconteceu?”. Nos níveis três e quatro, de maior complexidade, estão inseridas as chamadas análises preditivas (“o que vai acontecer?”) e prescritivas (“o que fazer?”).

Usando perguntas precisas, nos quatro níveis de maturidade, uma varejista de farmácias americana obteve as respostas certas, levando-a ao sucesso na resolução de uma grave adversidade: necessidade urgente de redução de estoque que havia aumentado mais do que o crescimento das vendas, nos 6 anos anteriores.

Uma alternativa encontrada pela varejista para atingir a meta (foco desse artigo) tem a ver com a correta redistribuição de estoque entre lojas. Qual empresa já não precisou recorrer a essa estratégia? Muitos chamam de logística reversa. Eu chamo simplesmente de transferência entre lojas. Em várias empresas pelas quais passei, seja como executivo ou consultor, vivi o mesmo problema da varejista americana: “sobre estoque” de itens numa loja e falta dos mesmos itens em outra.

Se pensarmos bem, em ambos os casos há perda de vendas. Quando há falta de um item, fica fácil imaginar que, se estivesse ali no local e momento certo para o cliente, seria vendido. Mas, no caso de excesso, a perda de vendas pode não parecer tão óbvia. O simples fato de dar mais espaço a um determinado item em função do seu “sobre estoque”, impede o varejista de expor outros produtos que poderiam ser comprados pelo cliente. Como todos nós sabemos, a loja não estica ou encolhe num simples passe de mágica. Fazer ajustes requer esforço.


Leia também: Tipos de análise de Big Data: você conhece todos os 4?


Case: Varejista de Farmácias dos EUA e eficiência operacional

Vamos explorar com mais detalhes o caso da varejista de farmácias dos EUA. Com mais de 6 mil lojas em sua rede, mix de produtos que abrange desde medicamentos até mantimentos em geral, após anos de aquisição de cadeias menores, percebeu:

  • que a expansão geográfica não representava mais um caminho para seu crescimento;
  • que seus estoques haviam inchado em mais de 1 bilhão de dólares.

Plano de Ação

A alta gerência voltou sua atenção para melhorar a excelência operacional da companhia.

Contrataram uma grande empresa de consultoria para ajudá-los a atingir seus objetivos: aumentar a eficácia do capital de giro e reduzir o estoque, melhorando os níveis de serviço. O objetivo, em números, era reduzir 10% do estoque em 1 ano, o que equivalia a 1 bilhão de dólares.

Após extrair mais de 7 terabytes de informações de inventário, de transações das diversas fontes de dados e analisá-las, a equipe e a consultoria utilizaram-se de ferramentas analíticas e técnicas avançadas para chegar a alguns insights:

  • Era fundamental rever os processos de entrega de produtos dos fornecedores para as lojas, privilegiando a centralização de uma gama de itens nos Centros de Distribuição da companhia. Com a centralização, os níveis de estoque diminuiriam, a distribuição para as lojas aconteceria de forma mais inteligente e os farmacêuticos dariam mais atenção ao cliente, em detrimento às tarefas operacionais como, por exemplo, acompanhar o desembarque dos itens dos diversos fornecedores diariamente.
  • Era preciso criar uma cultura de processamento massivo de dados para ajustar as transferências de produtos entre lojas. Ou seja, identificar “sobre estoque” de itens em algumas das suas 6 mil lojas e falta ou baixo estoque em outras para redistribuí-los, transportando o produto certo, para o lugar certo, no momento certo.

O primeiro cuidado tomado pela empresa para orquestrar este movimento de redistribuição entre farmácias foi o de certificar-se de que os dados dos inventários das lojas eram críveis, verdadeiros, reais. Uma vez determinada a veracidade dos dados, a empresa partiu para cruzá-los com dados de predição de vendas.

A predição de vendas só foi possível utilizando-se novamente uma grande massa de dados e técnicas apuradas de análise. A empresa trabalhou seu histórico de transações e identificou tendências de vendas de produtos nas diversas lojas e em suas respectivas regiões. Cada loja foi analisada separadamente, obtendo como resultado uma previsão de venda item por item.

Vale destacar mais uma variável fundamental para o sucesso da análise: a empresa restringiu a predição de vendas das lojas a uma determinada época do ano na qual pretendia realizar a redistribuição de produtos. Ou seja, acrescentou o fator sazonal ao estudo.

Tendo por um lado a previsão de vendas e por outro os dados reais de inventário e estoque de cada loja, a empresa criou seu modelo estatístico. O resultado ideal não saiu de primeira.

Certamente a varejista fez ajustes: limitou o número de transferência e criou clusters (ou grupos) de lojas próximas. Tais medidas permitiriam ganho de tempo e de otimização de rotas, sempre priorizando a redução dos excessos de estoque.

O passo seguinte à construção do modelo foi o de engajamento interno. A direção da empresa comunicou antecipadamente sua estratégia para alguns funcionários que, por sua vez, formaram, entre suas equipes, uma força de trabalho temporária capaz de realizar a delicada tarefa.

Na época prevista, ativaram novamente o modelo estatístico, passaram instruções em tempo real para a força tarefa sobre qual inventário precisava ser enviado e em quais lugares da rede deveria chegar. Durante algum tempo o vai e vem de caminhões, o embarque e desembarque do excesso de estoque conviveram, paralelamente, com as tarefas de recebimento e abastecimento rotineiro das lojas.


Leia também: 11 cases de sucesso com Big Data


Resultado

Como resultado desse incrível trabalho, apoiado em Big Data Analytics e nas perguntas certas, a empresa reduziu em mais de 100 milhões de dólares o estoque em excesso na primeira redistribuição realizada. Só essa primeira ação permitiu à companhia atingir 10% do objetivo geral de ajuste de estoque. Combinada a outras redistribuições e soluções, a empresa viu sua meta ser ultrapassada no prazo estipulado pelos acionistas. A redução final em 1 ano foi de 1,5 bilhão de dólares. As outras soluções encontradas e executadas pela empresa foram:

  • otimização dos níveis de serviço para diferentes categorias de produto;
  • melhor definição de processos, limitando o estoque de produtos em promoção;
  • criação de um novo processo de gerenciamento e acompanhamento dos pedidos junto aos fornecedores;
  • monitoramento ainda mais específico dos pedidos em categorias de alto risco.

Conclusão

A iniciativa de transferência entre lojas para a empresa não era algo novo, desconhecido. Já faziam ajustes de tempos em tempos. Porém, concentravam a logística reversa em poucos segmentos devido à restrição na capacidade de análise e cruzamento de dados. A diferença deste caso para as tentativas anteriores, portanto, versa-se na magnitude, alcance e na perspicácia da empresa em fazer as perguntas mais adequadas, nos diversos níveis, para chegar às repostas certas.

Já imaginou em quantas outras áreas e em quantos outros processos é possível fazer uso do Big Data Analytics? Já imaginou o ganho que o varejo pode obter?

Sobre o autor:

Leonardo Pellegrino é executivo de varejo e consultor de empresas com passagem por GPA (Pão de Açúcar), Dia% Group, Lojas Marisa, Grupo Multiformato e Ernest & Young. Economista e mestre em ciência da informação pela UFMG. Especialista em gestão e uso competitivo da informação. Participante ativo em projetos de inovação que unem varejo e Big Data Analytics.

  • Maria Eduarda Faccin

    alguém sabe me informar de qual varejista o artigo se trata?

  • Os artigos de vocês são sempre interessantes e excelentes 💡👏

    • Hekima

      Obrigado, meu caro!

  • Yo tambien estoy apasionado por este revolucion . Excelene

  • Heloiza Prazeres

    Fantástico este case Leonardo! Estou fazendo uma transição de carreira de gerente de inovação para big data anaçytis por que acho apaixonante a revolução que está acontecendo. Obrigada, muito inspirador!

    • LEONARDO PELLEGRINO

      Heloiza, desejo sucesso na transição de carreira. Também sou apaixonado por esta revolução. Perguntas certas aliadas ao big data analytics permitem às empresas insights e respostas muitas vezes não percebidas. Quem souber agir diante das respostas, beberá água limpa.

Top