CURSO DE PÓS-GRADUAÇÃO
Tecnologia da Informação
São Paulo
2008
DANIEL MONTEIRO VAZ
São Paulo
2
2008
3
DEDICATÓRIA
À Daniela,
minha esposa, pelo incentivo e
compreensão.
The retail sector in Brazil had suffered deep changes after Real plan’s implantation,
in July 1994. The prices nivelation and the end of the profits with financial speculation
forced companies to improve their management skills for compensating losses with
financial profitability and improving process to become more competitive. In this
scenario, the Technology of the Information (I.T.) had been used for process
automation, improving business management through operational costs reduces
inside the supply chain. The promotion had been used more frequently, not only as
main strategy for new consumer’s attraction, but also to increase profits through
spaces location. This study has the objective to analyze the promocional process
inside a retail company, concepting a model for retail demad forecasting using data
analysis. This model will be elaborated based on concepts and definitions about
Analytical Intelligence and Data Mining presented by some authors. To satisfy the
proposed objective, a field research was made in a supermarket company, with
stores distributed in some parts of the country, searching to know specific processes
and concepts about retail activities.
1 CAPÍTULO 1: INTRODUÇÃO
das promoções por se tratar de uma atividade foco para o varejo de alimentos, e por
estar associada diretamente à competitividade das empresas do setor.
Os conceitos, assim como a pesquisa histórica do texto, foram realizados com base
em referências bibliográficas extraídas de fontes primárias e secundárias, de autores
15
Os dados apresentados neste estudo foram extraídos de uma base real de uma das
filiais do grupo. Foram coletados dados relativos às vendas do período de Janeiro de
2008 a Julho de 2008, totalizando 07 meses. Posteriormente, foram identificados e
catalogados todos os eventos promocionais deste período, permitindo conhecer os
impactos causados por uma promoção sobre o preço e demanda, influenciando o
comportamento das vendas de um produto. A tabela 1 indica informações
específicas da amostragem recolhida.
Número de Quantidade de
Quantidade de Número Registros
Registros de Itens
Itens Venda Promocional
Venda Promocionais
1.175.286 17.044 129.683 11,03% 6.163 36,16%
Existem alguns aspectos que devem ser considerados quanto à aplicação prática do
modelo de Inteligência Analítica que aqui será abordado. Primeiramente, parte do
sucesso de qualquer modelo BI provém do grau da qualidade e integração de dados
corporativos; O sistema funcionará de forma ineficaz caso a aplicação dos
algoritmos propostos ocorra sobre uma base com dados de baixa qualidade. Em
segundo lugar, nunca será descartada a intervenção humana, e esta se fará sempre
quando necessária, principalmente na especificação de regras ou parâmetros de
fatos que possam influenciar o comportamento das projeções (por exemplo,
16
O último ponto a ser considerado é que na maioria das vezes a compra de produtos
promocionais vem atrelada a um volume extra de compra, uma prática comum no
varejo denominado BONIFICAÇÃO. A bonificação é acertada mediante a
negociação entre o fornecedor e o varejista, podendo ser concedida em mercadoria
ou abatimento de preço, permitindo ao varejista vender o produto por um preço
abaixo do normal sem causar danos em sua margem de lucro. Nas negociações de
itens promocionais, quanto maior for o volume de compra negociado, maior será o
valor da bonificação concedida pelo fornecedor.
Para atingir os objetivos propostos, será necessário dividir este estudo em seis
capítulos. Na introdução, é contextualizado o tema do estudo e feita a exposição do
problema, da hipótese, justificativa, objetivos e metodologia, além da apresentação
da estrutura do trabalho.
BRASIL
Pode-se concluir que o grande impulso para a revolução do setor varejista ocorrida
no Brasil deve-se à reforma monetária imposta pelo Plano Real, lançado em Julho
de 1994 pelo governo Itamar Franco. O Plano Real permitiu a estabilização da
economia, quebrando quase um quarto de século de inflação elevada, e o
consumidor brasileiro, acostumado a uma taxa média de inflação em torno de 50%
ao mês, subitamente viu-se diante de taxas de 1,7% nos primeiros seis meses de
1995. Em tempos de inflação alta, o consumidor via-se obrigado a fazer grandes
volumes de compra uma única vez durante o mês para evitar a desvalorização
salarial. A estabilização da economia permitiu ao consumidor comprar mais vezes ao
longo do mês, garantindo-lhe um tempo maior para pesquisar preços e serviços. Se
por um lado o aumento do poder de compra contribuía positivamente para o
crescimento da economia brasileira, por outro trazia uma mudança radical nos
hábitos de consumo, visto que o consumidor se tornara mais exigente e passava a
valorizar aspectos relacionados à qualidade ou conveniência dos serviços,
atendimento e conforto. Além do mais, o consumidor estava se conscientizando
sobre seus direitos, garantidos pelo Código do Consumidor. Diante deste novo
cenário, o varejo teve que se readaptar para atender os diferentes perfis e hábitos
de consumo, buscando melhorias em seu negócio visando manter a fidelidade do
cliente. Exemplos de melhorias realizados nas lojas de supermercados: limpeza e
organização da loja, empacotador, etiqueta de preços nos produtos, folhetos de
ofertas e promoções, entrega a domicílio, estacionamento, horários especiais, entre
19
1
European Article Numbering
2
Ponto de Venda
3
Mix – Sortimento de produtos
4
Supply Chain Management – Gerenciamento da Cadeia de Suprimentos
5
Efficient Consumer Response – Resposta Eficiente ao Consumidor
6
Eletronic Data Interchange – Transferência Eletrônica de Dados
21
A gestão eficiente das informações sempre foi considerada um dos maiores desafios
enfrentados pelas empresas. A falta de integração de vários sistemas aplicativos
22
ANALÍTICOS
Os ESS fornecem uma resposta prática aos executivos que acessam a riqueza de
informações disponíveis em seus sistemas de computadores.
O termo “BI” foi popularizado em 1989 por Howard Dresner, do Gartner Group, e
descreve um conjunto de conceitos e métodos utilizados para melhorar as tomadas
de decisões de negócios usando uma base de fatos de um sistema de suporte.
3.3.1 BI - Arquitetura
Serra (2002, p.140) define DataWarehouse como um “banco de dados voltado para
suporte à decisão de usuários finais, derivado de diversos outros bancos de dados
operacionais”. A meta principal de um DW é a criação de uma visualização lógica
única dos dados residentes de diversas aplicações dentro de um ambiente
empresarial, coletados ao longo do tempo e usados para comparações, tendências e
previsões, fornecendo aos usuários um modelo de trabalho único.
2003, p.10). Uma alternativa apresentada pelos arquitetos BI é criar Datamarts para
cada departamento ou área específica da empresa, e posteriormente consolidar os
dados destes Datamarts em um DW.
OLAP são “consultas com acesso casual único e tratamento dos dados segundo
parâmetros nunca antes utilizados, geralmente executado de forma interativa e
heurística” (INMON,1997). As aplicações OLAP (OnLine Analitical Processing –
Processamento Analítico OnLine) permitem aos usuários analisar rapidamente
dados sumarizados de maneira multidimensional ou hierárquica, permitindo também
sua consolidação em diversos níveis. O processamento analítico On-Line representa
a possibilidade de se trabalhar os dados com operadores dimensionais, visualizando
e analisando dados corporativos com alta flexibilidade e combinações de análise.
3.3.6 Metadados
Esta análise ainda pode ser feita utilizando-se os filtros de consulta, obtendo um
maior detalhamento por setor, categoria de produtos, etc. Deste modo, o usuário
poderia se concentrar apenas nas lojas com o maior percentual de rupturas e
procurar entender o que ocorre de errado nessas lojas; Ao mesmo tempo, pode
analisar outros dados para entender quais ações são executadas nas lojas que
possuem menor índice de rupturas, e adotá-las como modelo a ser imitado por todas
as outras.
As empresas que minerarem seus dados com maior intensidade e precisão serão
líderes nos segmentos em que atuam. A Amazon.com e a NetFlix, por exemplo,
fazem análises exaustivas em seus históricos de vendas, locações e avaliação de
produtos para prever o que poderá agradar seus consumidores. O Wal-Mart coleta
dados de seus consumidores para garantir que seus clientes tenham os produtos
que desejarem, no momento em que desejarem e ao preço que desejarem. Estas
informações permitem a essas empresas desenvolverem ações de marketing cada
vez mais direcionadas ao seu público-alvo.
Estes modelos de análise também podem ser empregados nas demais atividades,
como por exemplo, o planejamento da cadeia de suprimentos e gerenciamento
logístico. O modelo de negócio da Amazon e da NetFlix requer um gerenciamento
constante de fluxo para novos produtos, fornecedores, clientes, promoções e a
entrega dos pedidos diretamente até seus clientes nas datas prometidas. A UPS e
FedEx aproveitaram a Inteligência Analítica para otimizar rotas de entrega
(DAVENPORT, 2007).
− Existe alguma ameaça crítica com relação ao preço que possa criar um
salto na curva de elasticidade tradicional?
3.6 – Conclusões
PARENTE (2000, p. 22) define o varejo como “[...] todas as atividades que englobam
o processo de venda de produtos e serviços para atender a uma necessidade
pessoal do consumidor final”. Sua principal característica é o emprego das funções
clássicas de operação comercial: procurar, selecionar, negociar e adquirir produtos;
comercializar e entregar ao consumidor final.
“De todas as variáveis do marketing mix, a decisão preço é aquela que mais
rapidamente afeta a competitividade, o volume de vendas, as margens e a
lucratividade das empresas varejistas” (PARENTE, 2000, p. 160). Para a definição
da política de preços deve-se levar em consideração uma série de fatores, entre
eles: comportamento do consumidor, exclusividade do produto, concorrência direta,
etc.
COMPOSIÇÃO % R$
[1]
Custo Unitário Produto 0,98
Impostos Sobre Venda
ICMS 18,00
Pis/Cofins 9,25 [2]
Total Impostos 27,25 0,37
[3]
Preço de Venda M0 1,35
Margem Aplicada 30,00 0,58
[4]
Preço de Venda M - 30% 57,25 1,92
com base nas pesquisas de preços efetuados nos concorrentes mais próximos e
buscam a rentabilidade fazendo-se pequenos ajustes dentro do sortimento. Por
exemplo, uma prática comum do setor é a venda de determinadas marcas de
cerveja com margem negativa, porém com aumento na margem dos demais artigos
para compensar a perda.
10 LIQUIDA 4 SUCO CONCENTRADO 1 UVA 7896589102302 SUCO DE UVA NATURAL CONCENTRATO MIORANZA
10 LIQUIDA 4 SUCO CONCENTRADO 1 UVA 7896024807304 SUCO UVA SUPERBOM 500ML
10 LIQUIDA 4 SUCO CONCENTRADO 1 UVA 7896000556066 SUCO UVA MAGUARY PET 500ML
10 LIQUIDA 4 SUCO CONCENTRADO 1 UVA 7891046010626 SUCO UVA MILANI 500ML
10 LIQUIDA 4 SUCO CONCENTRADO 1 UVA 7891141007477 SUCO UVA AURORA 500ML
10 LIQUIDA 4 SUCO CONCENTRADO 1 UVA 7896179500051 SUCO UVA JANDAIA 500ML
10 LIQUIDA 4 SUCO CONCENTRADO 1 UVA 7896034640199 SUCO UVA PARMALAT 500ML
10 LIQUIDA 4 SUCO CONCENTRADO 1 UVA 7898193000036 SUCO UVA MARAVILHA 500ML PPP
10 LIQUIDA 4 SUCO CONCENTRADO 1 UVA 7896005400081 SUCO UVA DAFRUTA 500ML
10 LIQUIDA 4 SUCO CONCENTRADO 1 UVA 7898366930511 SUCO UVA PALMEIRON 500ml
10 LIQUIDA 4 SUCO CONCENTRADO 1 UVA 7898406780120 SUCO UVA FRUTISA 500ml
10 LIQUIDA 4 SUCO CONCENTRADO 1 UVA 7896750800204 SUCO UVA CURUMATAN 980ML PPP
10 LIQUIDA 4 SUCO CONCENTRADO 2 MARACUJA 7622300170059 KIT SUCO MARACUJA MAGUARY 500ML GTS 1COP
10 LIQUIDA 4 SUCO CONCENTRADO 2 MARACUJA 7896034640182 SUCO MARACUJA PARMALAT GF 500ML
10 LIQUIDA 4 SUCO CONCENTRADO 2 MARACUJA 7898193000029 SUCO MARACUJA MARAVILHA 500ML PPP
10 LIQUIDA 4 SUCO CONCENTRADO 2 MARACUJA 7891046010428 SUCO MARACUJA MILANI 500ML
10 LIQUIDA 4 SUCO CONCENTRADO 2 MARACUJA 7896179500020 SUCO MARACUJA JANDAIA 500ML
10 LIQUIDA 4 SUCO CONCENTRADO 2 MARACUJA 7896000555359 SUCO MARACUJA MAGUARY PET 500ML
10 LIQUIDA 4 SUCO CONCENTRADO 2 MARACUJA 7896750800013 SUCO MARACUJA CURUMATAN 980ML PPP
10 LIQUIDA 4 SUCO CONCENTRADO 2 MARACUJA 7896005400036 SUCO MARACUJA DAFRUTA 500ML
10 LIQUIDA 4 SUCO CONCENTRADO 2 MARACUJA 7898366930528 SUCO MARACUJA PALMEIRON 500ml
10 LIQUIDA 4 SUCO CONCENTRADO 3 TOMATE 7896024807250 SUCO TOMATE TEMP SUPERBOM 500ML
10 LIQUIDA 4 SUCO CONCENTRADO 3 TOMATE 7891046011029 SUCO TOMATE MILANI 500ML
10 LIQUIDA 4 SUCO CONCENTRADO 3 TOMATE 7896024807106 SUCO TOMATE INTEGRAL SUPERBOM 500ML
10 LIQUIDA 4 SUCO CONCENTRADO 3 TOMATE 6925140366769 SUCO TOM CHINES T FUN 190ml
10 LIQUIDA 4 SUCO CONCENTRADO 4 ABACAXI 7896000557056 SUCO ABACAXI MAGUARY PET 500ML
10 LIQUIDA 4 SUCO CONCENTRADO 4 ABACAXI 7896179500044 SUCO ABACAXI JANDAIA 500ML
10 LIQUIDA 4 SUCO CONCENTRADO 4 ABACAXI 7891046010121 SUCO ABACAXI MILANI 500ML
10 LIQUIDA 4 SUCO CONCENTRADO 4 ABACAXI 7898193000043 SUCO ABACAXI MARAVILHA 500ML PPP
10 LIQUIDA 4 SUCO CONCENTRADO 4 ABACAXI 7896005400012 SUCO ABACAXI DAFRUTA 500ML
10 LIQUIDA 4 SUCO CONCENTRADO 4 ABACAXI 7898366930542 SUCO ABACAXI PALMEIRON 500ml
10 LIQUIDA 4 SUCO CONCENTRADO 5 GOIABA 7891046011128 SUCO GOIABA MILANI 500ML
10 LIQUIDA 4 SUCO CONCENTRADO 5 GOIABA 7896005400043 SUCO GOIABA DAFRUTA 500ML
10 LIQUIDA 4 SUCO CONCENTRADO 5 GOIABA 7896179500037 SUCO GOIABA JANDAIA 500ML
10 LIQUIDA 4 SUCO CONCENTRADO 5 GOIABA 7898193000050 SUCO GOIABA MARAVILHA 500ML PPP
10 LIQUIDA 4 SUCO CONCENTRADO 5 GOIABA 7896000559265 SUCO GOIABA MAGUARY 500ML
10 LIQUIDA 4 SUCO CONCENTRADO 5 GOIABA 7898366930504 SUCO GOIABA PALMEIRON 500ml
10 LIQUIDA 4 SUCO CONCENTRADO 6 CAJU 7896005400029 SUCO CAJU DA FRUTA 500ML
10 LIQUIDA 4 SUCO CONCENTRADO 6 CAJU 7896000554369 SUCO CAJU MAGUARY PET 500ML
10 LIQUIDA 4 SUCO CONCENTRADO 6 CAJU 7896034640175 SUCO CAJU PARMALAT 500ML
10 LIQUIDA 4 SUCO CONCENTRADO 6 CAJU 7896179500013 SUCO CAJU JANDAIA 500ML
10 LIQUIDA 4 SUCO CONCENTRADO 6 CAJU 7891046010220 SUCO CAJU MILANI 500ML
10 LIQUIDA 4 SUCO CONCENTRADO 6 CAJU 7898193000012 SUCO CAJU MARAVILHA 500ML PPP
10 LIQUIDA 4 SUCO CONCENTRADO 6 CAJU 7896750800167 SUCO CAJU CURUMATAN 980ML PPP
10
10
LIQUIDA
LIQUIDA
Fig. 12 – Exemplo tabela Classificação Mercadológica
4
4
SUCO CONCENTRADO
SUCO CONCENTRADO
6
6
CAJU
CAJU
7896024869739
7898366930535
SUCO CAJU CONCENTRADO SUPERBOM 500ML
SUCO CAJU PALMEIRON 500ml
10 LIQUIDA 4 SUCO CONCENTRADO 7 MANGA 7896034640229 SUCO MANGA PARMALAT 500ML
10 LIQUIDA 4 SUCO CONCENTRADO 7 MANGA 7898193000067 SUCO MANGA MARAVILHA 500ML PPP
10 LIQUIDA 4 SUCO CONCENTRADO 7 MANGA 7896000558381 SUCO MANGA MAGUARY PET 500ML
10 LIQUIDA 4 SUCO CONCENTRADO 7 MANGA 7896179500068 SUCO MANGA JANDAIA 500ML
10 LIQUIDA 4 SUCO CONCENTRADO 7 MANGA 7891046010824 SUCO MANGA MILANI 500ML
A figura 13 exemplifica como a classificação mercadológica permite analisar o
10
10
LIQUIDA
LIQUIDA
4
4
SUCO CONCENTRADO
SUCO CONCENTRADO
7
8
MANGA
OUTROS
7896005400050
7896000550064
SUCO MANGA DAFRUTA 500ML
SUCO LARANJA CONCENTRADO MAGUARY 500ML
10 LIQUIDA 4 SUCO CONCENTRADO 8 OUTROS 7896005400104 SUCO PITANGA DAFRUTA 500ML
SETOR GRUPO SUB VENDA (QTD) VENDA (R$) CMV LUCRO (R$) PART% MB % MC %
Líquida AGUARDENTES CACHACA 318 4.328 3.642 685 41,27% 18,82% 30,59%
Líquida AGUARDENTES CANA 925 4.368 3.877 491 41,66% 12,66% 36,55%
Líquida AGUARDENTES SAQUE 12 479 398 81 4,56% 20,32% 62,00%
Líquida AGUARDENTES TEQUILA 23 1.302 1.139 163 12,42% 14,35% 38,75%
Líquida AGUARDENTES ZIMBRO 1 9 8 1 0,08% 12,84% 17,00%
Total Grupo 1.279 10.486 9.064 1.422 2,24% 15,68%
Líquida AGUAS COM GAS 200 A 600ML 7.199 6.536 4.611 1.925 37,14% 41,75% 34,73%
Líquida AGUAS COM GAS 600 A 2000ML 3.411 5.844 4.534 1.310 33,21% 28,90% 27,23%
Líquida AGUAS COM GAS CLUB SODA 92 94 87 6 0,53% 7,37% 20,00%
Líquida AGUAS COM GAS TONICA / SABORIZADAS 5.302 5.124 5.173 -50 29,12% -0,96% 20,55%
Total Grupo 16.004 17.597 14.405 3.192 3,77% 22,16%
Líquida AGUAS SEM GAS 200ML A 600ML 5.995 5.126 3.676 1.450 23,89% 39,44% 35,85%
Líquida AGUAS SEM GAS 600ML A 2000ML 3.211 2.985 2.489 496 13,91% 19,93% 27,00%
Líquida AGUAS SEM GAS ACIMA DE 2000ML 2.388 8.478 6.984 1.493 39,51% 21,38% 41,70%
Líquida AGUAS SEM GAS AGUA DE COCO 5.080 4.871 3.880 991 22,70% 25,55% 30,86%
Total Grupo 16.674 21.459 17.029 4.431 4,59% 26,02%
Líquida CERVEJAS CLARAS IMPORTADAS LATA 96 615 475 140 0,25% 29,56% 20,50%
Líquida CERVEJAS CLARAS IMPORTADAS LONG NECK 2.673 8.196 7.196 1.000 3,38% 13,89% 23,56%
Líquida CERVEJAS CLARAS NACIONAIS LATA 151.624 201.808 213.630 -11.822 83,35% -5,53% 41,00%
Líquida CERVEJAS CLARAS NACIONAIS LONG NECK 12.160 14.690 15.574 -884 6,07% -5,68% 20,30%
Líquida CERVEJAS CLARAS PREMIUM NAC LONG NECK 1.938 4.008 3.941 67 1,66% 1,71% 27,71%
Líquida CERVEJAS CLARAS PREMIUM NACIONAL LATA 3.800 6.387 6.732 -345 2,64% -5,12% 68,33%
Líquida CERVEJAS CLARAS RETORNAVEIS 855 2.925 2.857 68 1,21% 2,38% 11,00%
Líquida CERVEJAS CLARAS SEM ALCOOL LATA/LONG NECK 2.593 3.497 3.391 105 1,44% 3,11% 19,20%
Total Grupo 175.739 242.126 253.795 -11.670 51,83% -4,60%
Líquida CERVEJAS ESCURA BOCK LATA 1.683 2.392 2.098 295 28,40% 14,05% 24,80%
Líquida CERVEJAS ESCURA BOCK LONG NECK 3.428 6.032 5.415 617 71,60% 11,40% 27,37%
Total Grupo 5.111 8.424 7.512 912 1,80% 12,14%
Líquida CHAMPAGNES IMPORTADOS
DEMI SEC/MEIO DOCE 13 231 248 -18 17,77% -7,05% 99,00%
Líquida CHAMPAGNES IMPORTADOS
SECA/BRUT 52 1.068 1.052 15 82,23% 1,44% 62,00%
Total Grupo 65 1.298 1.301 -2 0,28% -0,18%
Líquida CHAMPAGNES NACIONAIS
DEMI SEC/MEIO DOCE 109 1.846 1.651 195 45,48% 11,83% 39,20%
Líquida CHAMPAGNES NACIONAIS
SECA/BRUT 104 2.213 1.916 297 54,52% 15,51% 23,18%
Total Grupo 213 4.059 3.567 492 0,87% 13,80%
Líquida CHAS COPO 686 877 669 208 7,99% 31,15% 41,44%
Líquida CHAS LATA 1.852 2.280 1.767 513 20,77% 29,02% 25,15%
Líquida CHAS PO 122 291 236 55 2,65% 23,44% 27,00%
Líquida CHAS T P 1000ML E ACIMA 2.963 7.530 6.235 1.295 68,59% 20,76% 23,50%
Total Grupo 5.623 10.978 8.907 2.071 2,35% 23,25%
Líquida COMPLEMENTO VITAMINICO
COMPLEMENTO VITAMINICO 2.803 14.308 11.995 2.313 90,62% 19,28% 32,60%
Líquida CONHAQUE ALCATRAO 148 1.452 1.167 285 9,20% 24,46% 41,50%
Líquida CONHAQUE IMPORTADO 1 29 20 10 0,19% 47,52% 32,00%
Total Grupo 2.952 15.790 13.182 2.608 3,38% 19,78%
Líquida FILTRADOS BRANCO 76 372 496 -124 64,11% -24,93% 26,22%
Líquida FILTRADOS SABORES 17 39 52 -13 6,72% -24,57% 99,00%
Líquida FILTRADOS SIDRAS 61 169 187 -18 29,17% -9,59% 63,00%
Venda Unid.
Produto Sensibilidade Preço
Média (Diário)
BOMBOM GAROTO SORTIDO 400G Alta 6,29 14
BOMBOM GAROTO SORTIDO 400G Alta 5,89 32
BOMBOM GAROTO SORTIDO 400G Alta 5,62 47
BOMBOM GAROTO SORTIDO 400G Alta 5,59 42
BOMBOM GAROTO SORTIDO 400G Alta 5,45 44
BOMBOM GAROTO SORTIDO 400G Alta 5,44 75
BOMBOM GAROTO SORTIDO 400G Alta 5,39 83
BOMBOM GAROTO SORTIDO 400G Alta 5,35 70
BOMBOM GAROTO SORTIDO 400G Alta 5,29 56
BOMBOM GAROTO SORTIDO 400G Alta 5,22 45
BOMBOM GAROTO SORTIDO 400G Alta 5,07 65
BOMBOM GAROTO SORTIDO 400G Alta 4,99 96
BOMBOM GAROTO SORTIDO 400G Alta 4,98 122
BOMBOM GAROTO SORTIDO 400G Alta 4,69 357
BOMBOM GAROTO SORTIDO 400G Alta 4,66 463
BOMBOM GAROTO SORTIDO 400G Alta 4,55 873
BOMBOM GAROTO SORTIDO 400G Alta 4,44 1429
ESMALTE RISQUE CINT BLIS PLATINO Baixa 3,19 1
ESMALTE RISQUE CINT BLIS PLATINO Baixa 2,99 1
ESMALTE RISQUE CINT BLIS PLATINO Baixa 2,49 1
ESMALTE RISQUE CINT BLIS PLATINO Baixa 2,29 2
ESMALTE RISQUE CINT BLIS PLATINO Baixa 1,88 1
∆D
η= (1)
∆P
Qtd. Qtd
Frequencia
Descriçao Preço Venda Média
(N. Dias)
Acumul. Venda
BOMBOM GAROTO SORTIDO 400G 5 6,29 70 14
BOMBOM GAROTO SORTIDO 400G 38 5,89 1.220 32
BOMBOM GAROTO SORTIDO 400G 1 5,86 36 36
BOMBOM GAROTO SORTIDO 400G 1 5,62 47 47
BOMBOM GAROTO SORTIDO 400G 2 5,59 83 42
BOMBOM GAROTO SORTIDO 400G 3 5,49 96 32
BOMBOM GAROTO SORTIDO 400G 4 5,45 177 44
BOMBOM GAROTO SORTIDO 400G 1 5,44 75 75
BOMBOM GAROTO SORTIDO 400G 1 5,39 83 83
BOMBOM GAROTO SORTIDO 400G 1 5,37 50 50
BOMBOM GAROTO SORTIDO 400G 1 5,35 70 70
BOMBOM GAROTO SORTIDO 400G 1 5,29 56 56
BOMBOM GAROTO SORTIDO 400G 38 5,25 1.776 47
BOMBOM GAROTO SORTIDO 400G 1 5,22 45 45
BOMBOM GAROTO SORTIDO 400G 9 5,19 408 45
BOMBOM GAROTO SORTIDO 400G 1 5,07 65 65
BOMBOM GAROTO SORTIDO 400G 21 4,99 2.023 96
BOMBOM GAROTO SORTIDO 400G 3 4,98 367 122
BOMBOM GAROTO SORTIDO 400G 1 4,73 1.161 1.161
BOMBOM GAROTO SORTIDO 400G 1 4,69 357 357
BOMBOM GAROTO SORTIDO 400G 3 4,68 361 120
BOMBOM GAROTO SORTIDO 400G 1 4,66 463 463
BOMBOM GAROTO SORTIDO 400G 1 4,55 873 873
BOMBOM GAROTO SORTIDO 400G 1 4,44 1.429 1.429
Total 140 125,48 11.391 5.405
A distorção dos dados podem ter várias origens, conforme observado abaixo:
Média
[4] Preço [5]
Venda
Médio
(Qtd)
5,31 49
8
A numeração entre colchetes corresponde uma representação gráfica para entendimento do texto
explicativo a seguir.
59
divisão do total da venda em moeda [3] pelo total da quantidade vendida no período
[2]. Com base nestes dados, podemos dizer que a demanda média diária do
bombom Garoto será de 49 unidades caso seja vendido ao preço de R$ 5,31.
caso decidirmos que o preço de venda será de R$ 5,07, então a demanda média
será de 64 unidades, pois:
Ou:
4.9 – Conclusões
VAREJO
Este capítulo foi elaborado tomando por base observações in loco de processos
realizados por uma companhia de varejo, com lojas distribuídas em diversas regiões
do país, onde todo o processo de compra e distribuição ocorre de forma
centralizada. Nesta empresa, a reposição é feita de maneira automática, podendo
ocorrer de duas formas: através dos Centros de Distribuição (Cds), - onde o
processo é controlado com maior intensidade - , e entrega da mercadoria nas lojas
diretamente pelo fornecedor.
Ilustrando com exemplo prático, vamos supor que a demanda média do azeite
português Andorinha seja de 16 unidades por dia. Sabendo-se que o fornecedor ou
o depósito abastecedor leva em média 3 dias para fazer o abastecimento deste
produto na loja, conclui-se que a loja necessitará de uma quantidade mínima de 48
unidades para suportar a próxima entrega.
EP = (VM * PE ) + QT (2)
Onde:
VM = Venda Média Diária do produto;
PE = Prazo de Entrega do produto;
9
Intervalo de tempo decorrido entre a colocação de um pedido e o seu recebimento no estoque
63
70
60
50
Quantidade
40
30
20
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Dias de Venda
ENTRADAS ESTOQUE
PR = EP * REP (3)
Onde:
EP = Estoque Padrão;
REP = Percentual de Reposição;
PC = EP −PR (4)
Observaremos adiante que o tipo de anúncio causa diferentes impactos nas vendas
de um produto, portanto deve ser considerado como uma das variáveis para o
algoritmo de projeção de demanda.
[1]
Processo
[2]
[3]
Plateau
Fig. 23 – Integração do Processo Promocional10
DV + Publi
Após a negociação com os fornecedores [1], uma lista de produtos é enviada para o
departamento Gestão Central de Promoção (GCP) [2], responsável pelo cálculo da
demanda. O cálculo ocorre manualmente, aplicando-se um percentual de
alavancagem sobre a demanda média item / loja; Também são analisados outros
aspectos da promoção, por exemplo, se o produto estará exposto em pontos
promocionais (ilhas, pontas de gôndola, etc) ou se a promoção estará associada a
um outro item (kits promocionais, leve mais pague menos, etc).
NC = ( PV − (( EA + PP ) − (Vm * Nd )) (5)
Onde:
PV = Previsão de Venda (Período da Promoção)
EA = Estoque Atual
PP = Pedidos Pendentes, ou pedidos em aberto.
Vm = Venda Média diária do produto
Nd = Número de Dias faltantes até o início da promoção.
5.5 – Conclusões
parâmetro é obtido através do histórico de venda dos últimos 70 dias (Venda Média),
representando a quantidade mínima que deverá ter em estoque até o próximo ciclo
de ressuprimento, garantindo que não ocorra a falta do produto durante este
período. Portanto, a geração automática do pedido de compra mostra-se eficaz em
garantir o abastecimento quando a demanda for contínua. Ao expor o produto a uma
promoção, a rebaixa de preços provavelmente acarretará um aumento na demanda,
que não está previsto no sistema.
A planilha contendo a lista produto / loja que estarão participando dos eventos
deverá ser carregada na aplicação, onde ocorrerá a leitura / validação dos dados e o
armazenamento em tabelas específicas. Nesta etapa, podem ser criados relatórios
críticos que apontem inconsistências no cadastro (exemplo: produto não cadastrado
no sistema comercial) ou no abastecimento (exemplo: produto sem sortimento para
uma determinada loja), garantindo a confiabilidade da integração dos dados.
para adaptá-los ao layout das tabelas. Posteriormente, foi executada uma consulta à
base de movimentação para resgatar o histórico de movimentação destes itens.
[2]
[3]
[1]
11
A numeração entre colchetes corresponde uma representação gráfica para entendimento do texto
explicativo acima.
75
12
Stored Procedures são conjunto de instruções executadas dentro de um banco de dados.
76
78
79
Além dos preços, o tipo de veiculação do evento deve ser considerado no momento
em que for projetada a demanda para um produto. Isso porque algumas mídias são
mais agressivas do que outras. Uma análise efetuada na base de dados demonstra
os impactos causados por tipo de evento sobre a demanda média dos itens que
participam do mesmo.
Este exemplo ilustra que o comportamento promocional pode variar dependendo das
mídias utilizadas, portanto é imprescindível conhecer qual o tipo de promoção
utilizada no passado. Neste caso, conclui-se que a elasticidade preço da demanda
podem variar de acordo com o tipo de evento. Se cadastrarmos no sistema um
evento do tipo Anúncio em TV, então, a demanda projetada para este evento deverá
levar em consideração apenas o histórico das vendas deste tipo de ação.
Apesar da taxa mínima de erro (1,56%), no detalhe produto a produto, alguns itens
apresentaram grandes distorções percentuais. A análise da amostragem produto a
produto identificou que os itens que apresentaram maiores distorções possuíam
pouca ou quase nenhuma movimentação; Além deste, outros fatores foram
identificados, como falhas de ressuprimento, que contribuíram para a falta da
performance nas vendas, e anúncio de produtos similares pela concorrência.
Outro ponto a ser observado é quanto maior o histórico de dados, maior a precisão
do modelo. Neste estudo, utilizou-se uma base histórica baseada na movimentação
dos últimos 6 meses. Além disto, softwares forecasting possuem a capacidade de
analisar o histórico dos desvios de previsão: o sistema armazena os resultados
previstos e realizados e informações de desvio em uma tabela de História (Branch
History Table). Durante a execução do processo de previsão, o modelo incorpora no
cálculo da demanda junto com o desvio previsto, aplicando o percentual que se
aproximou com maior exatidão da quantidade demandada.
No entanto, o preço não é apenas a única variável que pode influenciar na decisão
de compra do consumidor. Parente (2000) explica que o comportamento de compra
do consumidor em uma loja é influenciado por fatores ambientais (economia, clima,
13
demografia, época do ano, tendências de mercado), pelo composto de marketing
13
Composto de Marketing: “Conjunto de variáveis que compõe o esforço de marketing do varejista, e
engloba todos os fatores controláveis que o varejista articula (...) para conquistar as preferências dos
consumidores” (PARENTE, 2000, pág 61).
81
Fig. 33 – Abordagens de previsão de vendas com uso de dados individuais e modelagem de séries
temporais
Fonte: PASSARI, 2003
A utilização de RNA tem tido muito sucesso na previsão de vendas, dadas suas
qualidades de auto-adaptação a dados não-lineares, e sua habilidade para
considerar simultaneamente múltiplas variáveis tais como: demanda do mercado
pelo produto, capacidade de compra dos consumidores, tamanho da população e
preço do produto. A previsão de vendas nos supermercados e centrais de
atacadistas tem sido bastante estudada e os resultados têm mostrado bom
desempenho, quando comparados tanto com as técnicas estatísticas tradicionais,
como a regressão (PASSARI, 2003).
Com o uso de dados separados por produto, pode-se treinar uma rede neural para
simular entradas nas variáveis explicativas, e assim planejar ações e antecipar seus
resultados com alguma precisão. Tomando como exemplo os dados disponíveis
nesta pesquisa, o gestor pode simular mudanças no preço, no nível de estoque, na
exposição dos produtos na loja (mostruário), na freqüência de reposição, na taxa de
juros e incentivo ao pagamento parcelado, no comissionamento dos vendedores,
entre outras, e prever as alterações na demanda por produto (PASSARI, 2003).
7 CONCLUSÃO
REFERÊNCIAS
2. ALIBAIG, Shahbaz; LILLY, Bryan, 1999. Updating your forecasting system: Wisconsin
tissue's experience. The Journal of Business Forecasting Methods & Systems, Fall, v. 18,
n.3, págs. 13-18.
4. BARASH, Mark; MITCHELL, Donald H., 1998. Account based forecasting at Nabisco
biscuit company. Journal of Business Forecasting, n. 31, Summer.
14. FAYYAD, Usama M. et al. Advances in Knowledge Discovery and Data Mining.
California: AAAI Press, 1996.
17. GOEBELl, Michael ; Gruenwald, Le. A Survey of Data Mining and Knowledge
Discovery Software Tools. 1999. 33 f. Disponível em:
<http://research.microsoft.com/research/datamine/SIGKDD/issue1-1/survey.pdf>. Acessado
em 14 de Agosto de 2008.
19. GONÇALVES, Márcio. Extração de Dados Para Data Warehouse. São Paulo: Axcel
Books. 2003.
20. GORDON, Rich, 1998. A role for the forecasting function. The Journal of Business
Forecasting Methods & Systems, Winter, v. 16, n. 4, págs. 3-7.
22. HAN, J. Kamber, M. Data mining: concepts and techniques. New Jersey: Morgan
Kaufmann Publishers, 2001.
23. INMON, W. H. Como Construir o Data Warehouse; Tradução: Ana Maria Neto; Guz
Editora Campus – 1997.
24. KOTLER, Philip. Administração de Marketing. 5ª ed. São Paulo: Atlas, 1998.
26. LUKIANOCENKO, Marlucy. Ranking 2006. SUPERHIPER, Rio de Janeiro, ano 32,n.364,
p.26-108, maio 2006.
29. MENTZER, John T.; KENT, John L., 1999. Forecasting demand in the Longaberger
Company. Marketing Management, Summer, v. 8, n. 2, págs. 46-50, Chicago.
34. PARENTE, Juracy. Varejo no Brasil: gestão e estratégia. São Paulo: Atlas, 2000.
39. SERRA, Laércio. A Essência do Business Intelligence. São Paulo: Thomson. 2002.
43. SUBRAHMANYAN, Saroja, 1998 An exploratory empirical study on how pricing and
inventory decisions are made in a simulated environment. Research paper Series,
Faculty of Business Administration, National University of Singapure, Maio, RPS, págs. 98-
123.
45. WEBER, Jean E. Matemática para Economia e Administração. 2 ed. São Paulo:
Ed.Harbra Ltda, 2001.
46. WERNKE, Rodney. Análise de custos e preços de venda. São Paulo: Saraiva, 2005.
93
1. O senhor poderia fornecer alguns dados sobre sua empresa: produtos, número de
funcionários, volume de vendas, faturamento, lojas etc.
10. O Sr. utiliza dados externos e sobre a concorrência, e como eles são obtidos?
11. O Sr. pesquisa preço de produtos na concorrência? Com que freqüência as pesquisas
são realizadas?
14. O Sr. possui algum software que realize projeções sobre a demanda de seus produtos?
15. O Sr. poderia nos explicar como funciona o abastecimento automático de produtos na
sua loja?
16. Quais os principais indicadores ou relatórios que o Sr. usa para gerir produtos?
17. Que tipo de informação o Sr. gostaria de receber, e que atualmente não pode ser
extraída do seu sistema comercial?
94
18. Sua empresa possui um sistema BI? Os relatórios são compartilhados por todos os
usuários? O Sr. poderia nos explicar como funciona o processo de atualização dos dados?
95
TBL_MOVIMENTACAO_VENDAS
Descrição do Objeto: Tabela que armazena o registro diário de venda por produto e
filial.
Campo Tipo Descrição
LOJA Integer Identificador número da Loja
CODIGO Integer Identificador Código do Produto
DATA_MOVIMENTO Date Data da Venda
EMB_FOR Integer identifica embalagem registrado venda no PDV
QTD Integer Quantidade registrado no PDV
PRECO Decimal Preço Unitário do produto vendido
CUSTO Decimal Custo Unitário do Produto Vendido
ICMS Decimal Valor Icms Cobrado
MARGEM Decimal Percentual de margem aplicado, de acordo com o Preço de Venda
COD_CUPOM Integer Número do documento que identifica a operaçao (Cupom Fiscal)
TBL_ITENS_CADASTRO
B_TIPO_EVENTO
B_EVENTO
B_REL_PRODUTOS
Descrição do Objeto: Tabela que armazena informações dos produtos e eventos aos
quais foram cadastrados.
Campo Tipo Descrição
COD_EVENTO Integer Chave Estrangeira do tipo de evento
COD_LOJA Integer Codigo da Loja
COD_PRODUTO Integer Codigo do Produto
PRECO_VDA Decimal Preço de Venda Previsto para a Promoção
B_REGISTRO_VENDAS_EVENTO
B_PROD_COMPLEMENTO