UNIVERSIDADE PRESBITERIANA MACKENZIE

CURSO DE PÓS-GRADUAÇÃO
Tecnologia da Informação

DANIEL MONTEIRO VAZ

A Inteligência Analítica na Gestão Eficiente de Promoções:

uma Abordagem Prática e Conceitual.

São Paulo
2008
 DANIEL MONTEIRO VAZ

A Inteligência Analítica na Gestão Eficiente de Promoções:

uma Abordagem Prática e Conceitual.

Monografia apresentada ao Curso de Tecnologia

da Informação - Análise de Sistemas da
Universidade Presbiteriana Mackenzie.
Área de concentração: Análise de Sistemas

Orientadora: Profa. Dra. Élida Jacomini Nunes

São Paulo

2
2008

3
DEDICATÓRIA

À Daniela,
minha esposa, pelo incentivo e
compreensão.

Aos meus pais,

pelo ensinamento dos valores que me
permitiram a realização deste trabalho.
 RESUMO

O setor de varejo de alimentos no Brasil sofreu profundas mudanças após a

implementação do Plano Real, em Julho de 1994. A nivelação dos preços e o fim
dos ganhos com especulação financeira obrigaram as companhias a melhorarem
suas habilidades gerenciais para compensarem a perda financeira e melhorarem
processos para se tornarem mais competitivas. Neste cenário, a Tecnologia da
Informação (TI) tem sido utilizada na automação de processos, proporcionando uma
melhor gestão dos negócios através da redução de custos dentro da cadeia de
suprimentos. A promoção passou a ser utilizada mais freqüentemente não só como
principal estratégia para atração de novos consumidores, mas também com a
finalidade de aumentar as receitas através da locação de espaços em gôndolas. O
objetivo deste estudo é analisar o processo de promoção dentro de uma companhia
de varejo, concebendo um modelo para previsão de demanda utilizando análise de
dados. Este modelo será elaborado baseado nos conceitos e definições sobre
Inteligência Analítica e Data Mining apresentado por alguns autores. Para satisfazer
o objetivo proposto, uma pesquisa de campo foi realizada dentro de uma empresa
de supermercados, com lojas distribuídas em partes do território nacional, buscando-
se conhecer processos específicos e conceitos sobre atividades do varejo.

Palavras-Chaves: Inteligência Analitica, Previsão de Demanda, Promoção

 ABSTRACT

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.

Keywords: Analitical Intelligence, Demand Forecasting, Promotion.

 LISTA DE FIGURAS

Fig. 1 – Transformando Dados em Informação..........................................................24

Fig. 2 – Visão da Empresa por Camadas de Informação
Fonte: Laudon e Laudon (2001)..................................................................................25
Fig. 3 – Arquitetura de um Sistema BI
Fonte: BARBIERI, 2001..............................................................................................27
Fig. 4 – Exemplo Arquitetura Star Schema
Fonte: ORACLE...........................................................................................................29
Fig. 5 – Representação Gráfica do OLAP...................................................................31
Fig. 6 – Análise % da ruptura por Região / Loja.........................................................33
Fig. 7 – Agrupamento do % da ruptura por Região....................................................34
Fig. 8 – Visão detalhamento do produto / loja.............................................................34
Fig. 9 – Software Modelo Rede Neural para Previsão de Valores.............................41
Fig. 10 – Cálculo Composição Preço de Venda ........................................................47
Fig. 11 – Demonstrativo Composição Preço de Venda .............................................47
Fig. 12 – Exemplo tabela Classificação Mercadológica..............................................49
Fig. 13 – Exemplo Análise Participação Famílias ......................................................50
Fig. 14 – Exemplo Ação Cross Merchandising
Fonte: www.editionsduboisbaudry.fr...........................................................................52
Fig. 15 – Exemplo Alocação de Espaço Promocional................................................53

Fig. 16 – Exemplo Lâmina Promocional.....................................................................53

Fig. 17 – Registro vendas com variação Preço / Demanda ......................................54
Fig. 18 – Aplicação cálculo Elasticidade / Demanda .................................................55
Fig. 19 – Sumarização – Desvio nas quantidades .....................................................57
Fig. 20 – Mineração dados histórico de venda bombom Garoto ...............................58
Fig. 21 – Análise Elasticidade X Preço Médio X Demanda Média ............................59
Fig. 22 – Análise de reposição da Demanda .............................................................63
Fig. 23 – Integração do Processo Promocional..........................................................67
Fig. 24 – Demonstração Tela de Inclusão de Eventos...............................................71
Fig. 25 – Seleção do evento e carregamento da planilha de produtos......................71
Fig. 26 – Exemplo Estrutura para Armazenamento de Eventos.................................72
Fig. 27 – Demonstração Tabela Registro Histórico de Vendas..................................73
Fig. 28 – Exemplo estrutura para Armazenamento Dados Venda por Eventos.........74
Fig. 29 – Stored Procedure responsável pela sumarização Preço X Demanda........75
Fig. 30 – Fluxo Processo Mineração e Transformação dos dados de Demanda.......76
Fig. 31 – Estrutura da Tabela B_PROD_COMPLEMENTO com os dados
completamente carregados.........................................................................................77
Fig. 32 – Modelo para Previsão de Vendas................................................................82
Fig. 33 – Abordagens de previsão de vendas com uso de dados individuais e
modelagem de séries temporais.................................................................................82
Fig. 34 – Abordagens de previsão de vendas com utilizando RNAs..........................83
 LISTA DE TABELAS

Tabela 1 – Sumarização dados coletados amostra....................................................15

Tabela 2 – Relação dos eventos disparados pelas Stored Procedures....................78
Tabela 3 – Análise alavancagem tipo de evento........................................................79
Tabela 4 – Comparativo da Demanda Prevista X Realizada.....................................80
 LISTA DE SIGLAS
%REP Percentual de Reposição
BI Business Intelligence - Inteligência nos Negócios
CD Centro de Distribuição
CM Classificação Mercadológica
DM Data Mining - Mineração de Dados
DW Data Warehouse
EAN European Article Numbering - Numeração Europeu de Artigos
ECF Emissor de Cupom Fiscal
ECR Efficient Consumer Response - Resposta Eficiente ao Consumidor
Ed Elasticidade Preço da Demanda
EDI Eletronic Data Interchante - Transferência Eletrônica de Dados
EP Estoque Padrão (ou Estoque Objetivo)
Extract, Transformation and Load – Extração, Transformação e
ETL Preparação
GCP Gestão Central de Promoções
IA Inteligência Analítica
IC Inteligência Competitiva
KPI Key Performance Indicators - Indicadores chave de performance
MB Margem Bruta
MC Margem Cadastrada
NC Necessidade de Compra
ODS Operation Data Store - Operação de Armazenamento de dados
OLAP On-line Analytical Processing – Processamento Analítico Online
PC Pedido de Compra
PDV Ponto de Venda
PR Ponto de Reposição
PV Preço de Venda
RFID Radio-frequency identification - Identificação por Radio-Frequência
RNA Redes Neurais Artificiais
SAD Sistemas Apoio à Decisão
SCM Supply Chain Management - Gerenciador da Cadeia de Suprimentos
SGBDR Sistemas de Gerenciamento de Banco de Dados Relacionais
SI Sistemas de Informação
SIG Sistema de Informação Gerencial
SPT Sistemas de Processamento Transacional
VM Venda Média (ou Demanda Média)
VMI Vendor Managed Inventory - Estoque Gerenciado pelo Fornecedor
SUMÁRIO
 12

1 CAPÍTULO 1: INTRODUÇÃO

O comércio varejista sofreu profundas transformações no Brasil a partir de 1995,

quando as redes de supermercados passaram a enfrentar uma acirrada
competitividade no setor. Esta concorrência ocorreu, em primeiro lugar, em função
da entrada de novos grupos e investimentos estrangeiros no país, motivados pela
estabilização econômica favorecida pelo Plano Real, e também pelo surgimento de
um consumidor com maior poder de compra e hábitos de consumo diferenciado.
Como conseqüência, empresas de auto-serviço, em particular as grandes redes de
supermercados, reforçaram investimentos em Tecnologia da Informação (TI)
buscando oferecer maior comodidade ao consumidor e auxiliando os gestores a
buscar ganhos na gestão de produtos. Neste aspecto, destaca-se a importância da
identificação universal através do código de barras (EAN-13), contribuindo para o
início da automação comercial, e, posteriormente, sua utilização para integração
logística entre Fornecedores, Supermercados e Centros de Distribuição. Desde
então, o setor vem se reinventando, beneficiando-se das informações em seus
repositórios de dados para compreender o comportamento do seu consumidor,
projetar padrões de tendências e, desta forma, elaborar estratégias de negócio mais
ousadas. O conceito Business Intelligence (BI), popularizado por Howard Dresner
em 1989, permitiu o compartilhamento das informações de diversos sistemas
legados, agrupados e armazenados em estruturas especiais conhecidas como Data
Warehouses (DW), sendo aos poucos incorporados no varejo, onde a análise
incansável dos dados visava buscar potenciais de ganhos dentro da cadeia de
suprimento. No presente estudo observar-se-á como as empresas de varejo estão
utilizando tecnologias baseadas em Inteligência Analítica para estudar informações
 13

armazenadas em DWs na simulação de cenários. Para isso, faz-se necessário

conceituar BI e Inteligência Analítica, demonstrando sua aplicação prática utilizando
um processo de planejamento de demanda promocional em uma rede de
supermercados.

Observa-se a utilização constante da promoção como um dos principais meios para

os supermercados alavancarem suas vendas e fidelizarem seus clientes. Uma
pesquisa realizada pela LatinPanel para a ABRASNET, em Março de 2006, aponta
que 23% das famílias faz suas compras com base nos produtos das promoções.
Justifica-se tratar da questão da promoção neste estudo porque ela está associada
diretamente à imagem dos supermercados, e conforme será observado no
detalhamento deste processo, percebe-se que uma promoção não planejada
criteriosamente pode surtir um efeito contrário. Caso a demanda não seja estimada
de maneira correta, o supermercadista corre o risco de ficar sem o produto durante a
promoção, e com isto desapontar seus clientes. Por outro lado, a sobra de estoque
dos itens que foram comprados em excesso compromete o capital de giro e causam
impactos diretos nas perdas. A projeção de venda é baseada em regras intuitivas
dos negociadores, e não são realizados estudos complementares que comprovem
se a promoção compensa ou não a eventual redução das margens.

Diante do problema exposto, sugere-se o desenvolvimento de um modelo de

Inteligência Analítica como forma de automação do processo de compras de
produtos promocionais, permitindo a projeção da demanda de acordo com o preço
ou margem de lucro a ser praticado. Com isso, pretende-se criar um modelo que
possa ser aplicável não somente ao setor varejista, mas em áreas cujas
características se assemelhem.

O presente estudo se justifica por demonstrar conceitos de Business Intelligence e

Inteligência Analítica, e sua aplicação prática na otimização e redução de custos
operacionais em um processo já existente. Neste caso, estuda-se particularmente o
emprego da Inteligência Analítica para melhorar o processo de compras, baseado
em equações matemáticas e análise de um comportamento histórico de vendas,
garantindo o abastecimento do produto durante a promoção com o menor nível de
estoque. Para a aplicação prática destes conceitos, escolheu-se o abastecimento
 14

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.

O presente estudo tem como objetivo analisar, em primeiro momento, como as

mudanças políticas ocorridas em 1995 contribuíram para a reestruturação do setor,
onde a forte competitividade obrigou as empresas a diversificar seus serviços e
aprimorar técnicas de gestão para reduzir custos operacionais. Neste ponto, aborda-
se a importância da T.I., em particular na automação comercial, trazendo benefícios
tanto para o consumidor quanto para os gestores do negócio. Esta análise se faz
necessária para que se possa compreender que: primeiro: as promoções são
indispensáveis no processo de competitividade, exigindo um pré-planejamento
criterioso, e segundo: demonstrar o aprimoramento deste processo através do uso
de novas tecnologias. Após a compreensão dos conceitos, serão identificadas as
premissas básicas para elaboração de um modelo de previsão de demanda,
utilizando dados provenientes do registro das vendas de itens promocionais
armazenados em um repositório de dados.

Quanto aos objetivos específicos, busca-se:

− Apresentar conceitos e exemplos de ferramentas utilizadas

especificamente no tratamento e garimpo de grandes volumes de dados;
− Abordar o processo de abastecimento promocional dentro da cadeia
logística, apresentando as tecnologias atualmente empregadas;
− Elaborar as teorias e memórias de cálculo necessárias a serem aplicadas
no modelo de Inteligência Analítica de projeção de demanda;
− Compor uma base de estudo, através da extração de dados transacionais
de uma base histórica de vendas real, analisando o comportamento de
um grupo de 6.163 itens;
− Projetar o comportamento de venda destes itens, considerando a margem
de lucro a ser empregada e o tipo de anúncio;
− Propor a elaboração de uma ferramenta para tratamento da gestão
promocional dentro de uma cadeia de suprimentos.

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

nacionais, internacionais e também de publicações especializadas do setor.

Informações complementares e estatísticas foram extraídas de associações de
supermercados, representada pela ABRAS e a APAS. Informações técnicas
relacionadas à T.I. e sua aplicação no ramo varejista foram extraídas de entidades
como o grupo GSI BRASIL (antiga EAN BRASIL, responsável pela implantação do
padrão EAN) e ECR BRASIL. Quanto ao estudo de caso, foi realizada uma pesquisa
utilizando-se uma base de dados extraída da filial de um grande grupo varejista, com
mais de 100 pontos de venda espalhados em território nacional. Foi desenvolvida
uma estrutura TI que permitisse a aplicação dos conceitos de Inteligência Analítica
que serão abordados no decorrer deste estudo. Os processos de ressuprimento,
precificação e gestão das promoções foram realizados através de observações in
loco em procedimentos atuais adotados pela rede de supermercados.

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%

Tabela 1 – Sumarização dados coletados amostra

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

sazonalidades de venda de determinados produtos, abertura de novos concorrentes,

etc).

Outro aspecto, de natureza prática, está relacionado aos problemas logísticos e

distribuição tanto do fornecedor quanto do varejista. Neste caso, problemas técnicos
relacionados ao nível de serviço de ressuprimento (ineficiência nas entregas, atrasos
ou problemas de produção) podem comprometer a eficácia do modelo analítico. Não
estaremos considerando tais fatores logísticos neste estudo, por se tratar de um
tema que mereça atenção à parte, e partiremos da pressuposição de uma reposição
linear e perfeita dos produtos. Entretanto, falhas de entregas ou nível de serviço do
fornecedor podem ser incorporados ao cálculo, para projeção futura de estoque de
segurança.

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.

O Capítulo 2, intitulado “Concorrência e Informatização do Varejo no Brasil”, traça

um panorama dos acontecimentos políticos e econômicos ocorridos na década de
1990 que obrigaram os supermercados a mudar de postura não só para atender um
consumidor mais exigente, mas também melhorar processos de gestão, com a
finalidade de reduzir custos operacionais. É importante conhecer a história do varejo
no Brasil por dois motivos: Demonstrar a importância da TI como mecanismo
fundamental para automação e gestão eficiente, e por destacar a importância do
Plano Real como ponto de partida para o movimento de grande competitividade no
 17

setor, que perdura até os dias atuais. Em relação a sistemas, destaca-se a

importância da implantação do padrão EAN de identificação de mercadorias
permitindo a integração da cadeia logística com fornecedores, e o surgimento de
sistemas orientados à decisão estratégica.

O Capítulo 3, intitulado “Utilização De Sistemas Estratégicos X Sistemas Analíticos”,

apresenta um breve relato histórico sobre evolução dos sistemas corporativos e sua
atual importância para elaboração de estratégias. Conceitua-se também o nível da
informação por camadas dentro da empresa (camadas de informação) e apresenta a
arquitetura do modelo Business Intelligence. É introduzido o conceito de Inteligência
Analítica (IA), e sinalizado cases de sua utilização para otimização de custos e
eficiência na cadeia de distribuição das grandes corporações, baseando-se em
projeções e estimativas de demanda futura.

O capítulo 4, intitulado “Gestão de Preços No Varejo” aborda a atividade do varejo

em si, e detalha a importância da promoção como principal ferramenta utilizada
pelos supermercados para atração de consumidores em um ambiente de forte
competitividade. Conceitua-se o modelo de gestão de preços, apresentando
composição de preço de venda, mark-up e custo. Conceitua-se a classificação
mercadológica e sua utilização na gestão de produtos. Estes pressupostos servirão
como base para compreensão da atividade promocional em si, tais como análises
sobre impactos no mix de produtos e conceitos de elasticidade-preço da demanda e
sensibilidade de produtos; a compreensão destes conceitos é fundamental para
elaboração das variáveis de um modelo de previsão de demanda.

O capítulo 5, intitulado “Gestão de Abastecimento No Varejo” demonstra conceitos

utilizados no varejo para reposição automática de mercadorias e cálculos utilizados
para ressuprimento automático. A finalidade de se conhecer este processo de é
analisar a sua eficácia sobre o abastecimento dos produtos que fazem parte de uma
promoção.

Por fim, no capítulo 6, intitulado “Modelo de Previsão Promocional” é apresentado a

estrutura do protótipo desenvolvido com base nos referenciais teóricos
demonstrados nos capítulos anteriores.
 18

2 CAPÍTULO 2: INFORMATIZAÇÃO DO VAREJO NO

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

outros. A adequação do sortimento de mercadorias e ajuste da política de preços de

acordo com os preços praticados pelos concorrentes mais próximos tornou-se
essencial, em função do preço ser o diferencial que pesava mais no momento de
decisão do consumidor.

Paralelamente, intensificou-se a entrada de grandes grupos e capital estrangeiro no

país, que viam no cenário de estabilização o ambiente ideal para expansão de seus
negócios. Como exemplo, pode-se citar a entrada da rede norte-americana Wal-
Mart, em 1995, o grupo holandês Royal Ahold, em 1996, grupo português Jerônimo
Martins, em 1997, e o grupo francês Casino, em 1999 (CARVALHO, 2006, p.24). Os
grupos estrangeiros já instalados no Brasil, como o grupo francês Carrefour (1975) e
a rede portuguesa Sonae (1989), receberam investimento de seus países de origem
para expandirem suas operações dentro do Brasil, motivados pelo potencial do
crescimento da economia. “O investimento estrangeiro trouxe consigo um imperativo
tecnológico e de profissionalização, através de práticas modernas de gestão
empresarial, além de inovação, qualidade e estrutura enxuta” (CARVALHO, apud
CARVALHO et. al., 2005).

Convém destacar que as empresas brasileiras de varejo, nas épocas de inflação

alta, tinham se habituado ao ganho fácil do lucro oriundo das aplicações financeiras
obtidas com as receitas de vendas à vista. Esta operação consistia em comprar a
mercadoria a prazo do fornecedor, vender à vista para o consumidor e aplicar o
montante em operações financeiras. As aplicações financeiras rendiam dividendos
de um dia para outro, e muitas vezes estes ganhos representavam mais que a
operação do varejo em si, o que contribuía para o encobrimento de várias falhas
operacionais. Com o fim da inflação, estas empresas se viram obrigadas a implantar
políticas de reestruturação e reduzir seus custos ao máximo para suprir a carência
das receitas financeiras. As empresas que não puderam se adaptar a esta nova
realidade tiveram que encerrar suas atividades, a exemplo das redes Mesbla,
Mappin e a G. Aronson, grandes grupos varejistas que não conseguiram estabelecer
um plano de gestão eficiente.

A busca pela excelência em prestação de serviços ao consumidor e a necessidade

de redução de custos através da agilidade e eficiência operacional foram os
principais propulsores do processo de informatização no varejo. Este processo já
 20

tinha se iniciado no final da década de 1980, onde os S.I (Sistemas de Informação)

eram empregados tanto na automatização de rotinas contábeis, recursos humanos e
financeiras, como também em operação com produtos (compra e estocagem). A
introdução do conceito de identificação de mercadoria através de uma numeração
única e universal se tornou possível através do EAN1. O padrão EAN-13 permitia a
identificação do produto, independente do país onde este tenha sido produzido,
através de uma representação gráfica em forma de barras. O código de barras
impresso na embalagem era lido por um scanner ótico e traduzido em dados
numéricos. O EAN-13 foi introduzido no Brasil oficialmente em Maio de 1985,
proporcionando o início da automação comercial, embora sua adoção ocorresse de
maneira lenta tanto por parte da indústria quanto do varejo. A utilização de
identificação automática iniciava uma nova fase no setor, quando programas e
equipamentos foram desenvolvidos para automatizar as atividades de frente de loja.
Nesta época surgiram os primeiros PDVs2 que utilizavam a leitura de códigos e
emissores de Cupom Fiscal (ECF) para registro rápido de mercadorias, diminuindo o
tempo de permanência do consumidor nas filas. Outros periféricos de apoio foram
lançados simultaneamente, como Balanças Eletrônicas, Impressoras Térmicas de
Etiquetas (utilizadas para sinalização de preços em gôndolas) e Terminais de
Consulta de Preços. O resgate do registro de venda dos PDVs era efetuado a partir
do comando de encerramento no próprio caixa, que por sua vez enviava para os
sistemas de retaguarda.

Se por um lado a TI proporcionava rapidez e agilidade no atendimento ao

consumidor, por outro fornecia dados essenciais para otimização da gestão de
produtos. Desta forma, informações sobre desempenho de vendas, preço e margem
por produto extraídas do registro de vendas permitia aos gestores de categoria um
maior conhecimento sobre circulação de seus produtos e potenciais de ganhos
dentro do mix3. Além do mais, a identificação pelo EAN permitiu a integração da
cadeia logística entre o supermercado, o fornecedor e os centros de distribuição,
servindo como base para novas tecnologias SCM4, ECR5 e EDI6.

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

Atualmente, o que se observa no setor é o constante emprego de tecnologias cujo

foco principal é a produtividade com redução de mão de obra. Entre as novas
soluções de negócio propostas pelos fabricantes de TI, destaca-se o uso da
Etiquetas Eletrônica nas Gôndolas, o Self-Checkout (Cliente registra suas compras
sem o auxílio de um operador), a tecnologia Wireless (Sem Fio) empregada para
comunicação entre equipamentos e Identificação do produto por Radiofreqüência
(RFID), um mecanismo de identificação remota que permitirá o rastreamento total de
um produto, desde a indústria, até o consumidor. Embora agregue grandes
benefícios ao negócio, estas tecnologias existentes ainda não são utilizadas no
mercado por ainda apresentarem um alto custo de implantação. (SUPERHIPER,
2008).

No quesito estratégico, sistemas de TI foram desenvolvidos especificamente para

executivos avaliarem o desempenho do negócio através de indicadores-chaves de
performance (KPI - Key Performance Indicators) e para tomarem decisões com
maior precisão. Neste aspecto, a evolução da tecnologia viabilizou a segregação de
grandes volumes de dados em estruturas especiais, contribuindo para a integração
de dados corporativos, para posteriormente serem analisadas e exploradas pelos
analistas de negócio. Dentre os vários benefícios trazidos por estas tecnologias,
destaca-se a simulação de cenários, permitindo a empresa planejar suas ações
antes da concorrência.

A utilização da informação estratégica com base em dados coletados de sistemas

legados dentro de uma organização é uma prática que remonta desde a década de
70, quando foram desenvolvidas as primeiras soluções tecnológicas voltadas aos
analistas de negócio. Estes programas forneciam informações consolidadas e de
fácil acesso para apoiar a tomada de decisão, porém exigiam programação intensa e
não disponibilizavam informações em tempo hábil. Além disso, apresentavam altos
custos de implantação. Com o advento dos bancos de dados relacionais, dos PC’s e
das interfaces gráficas como o Windows, começaram a surgir os primeiros produtos
realmente direcionados aos analistas de negócios, possibilitando rapidez e maior
flexibilidade de análise (SERRA, 2002).

A gestão eficiente das informações sempre foi considerada um dos maiores desafios
enfrentados pelas empresas. A falta de integração de vários sistemas aplicativos
 22

existentes impedia que as informações conquistadas nos últimos anos fossem

utilizadas de maneira inteligente. As empresas que utilizarem a tecnologia da
informação de forma ineficiente para entender as necessidades de seus clientes
serão ultrapassadas em desempenho, vendas e produtividade, podendo inclusive
encerrar suas atividades em poucos anos (SINGN,2001).

Comandar a empresa por meio de computadores em vez de papéis não é somente

uma questão de modernidade, mas principalmente de agilidade e precisão. Em
função da complexidade das operações e da competição no mercado, as empresas
estão sendo obrigadas a dinamizar seu processo de decisão (FURLAN, 1997).

Desta forma, o isolamento e armazenamento dos dados-chaves podem ser

utilizados com bastante eficiência no sentido de se traçar um plano de ação
estratégico, possibilitando uma visão abrangente e unificada do negócio, ilustrando
seu comportamento histórico e apontando referências para o futuro.

Embora as ferramentas BI tenham contribuído para a unificação e agrupamento

rápido da informação, o que se observa atualmente no varejo a necessidade de se
trabalhar com um modelo de Inteligência Analítica. Sua aplicação prática tem se
demonstrado extremamente útil em atividades de pricing, análises financeiras,
gestão de operações, atração e retenção de clientes e relacionamento com
fornecedores (HARRIS, DAVENPORT, 2007). O processo é feito através do
levantamento e análise detalhada de uma base histórica projetando uma tendência
futura de acordo com as regras de negócio. Ricardo Carlotto, em entrevista
concedida à revista SUPERMERCADO MODERNO, explica as diferenças entre BI e
Inteligência Analítica, sendo que o BI “se restringe a levantar o histórico da empresa
e tecer avaliações sobre ele, sem projetar o futuro” (SM, 2008). Por exemplo, a rede
norte-americana Wal-Mart, uma das pioneiras na utilização desta tecnologia,
descobriu que as pessoas que vão a algumas de suas lojas às quintas-feiras para
comprar fraldas Huggies tendem a adquirir cerca de dezenove itens adicionais. Com
base nesta informação, as quintas-feiras são feitas alterações na localização de
alguns itens na loja, permitindo que os clientes encontrem e comprem os itens de
seu interesse com maior facilidade (MENCONI, 1998 apud GONÇALVES, 2001,
p.13).
 23

3 CAPÍTULO 3: SISTEMAS ESTRATÉGICOS x SISTEMAS

ANALÍTICOS

Na década de 1960, os sistemas de informação passaram a ser utilizados pelas

grandes companhias para automatização de tarefas manuais, diminuindo
consideravelmente o trabalho repetitivo e gerando consideráveis ganhos de
produtividade. Inicialmente, estes softwares se restringiam a controles de
faturamento, estoque, folha de pagamento, finanças e contabilidade, e seu
processamento ocorria de forma centralizada, em computadores de grande porte,
conhecidos como mainframes. O surgimento da arquitetura Cliente/Servidor, no
início dos anos 90, permitiu a descentralização do processamento e redução de
custos em aquisição de hardware (GONÇALVES, 2003).

Aos poucos, porém, as empresas foram se sensibilizando para a importância da

informação na gestão de negócios. Contagiadas pela “informática”, que passa a
substituir o tradicional “processamento de dados”, as empresas superam resistências
e incorporam essa nova ferramenta empresarial. Com a “informática”, as empresas
integraram os seus sistemas, mesmo com algumas redundâncias (REZENDE, 2002).

A tecnologia Cliente/Servidor permitiu que informações fossem extraídas

diretamente de um banco de dados, combinadas e analisadas com outros relatórios
gerados em planilhas eletrônicas. Com estas novas facilidades, os usuários
deixavam de ficar limitados aos relatórios “estáticos” fornecidos pelos sistemas
centralizados (GONÇALVES, 2003), e o computador se torna importante na
organização, deixando de ser uma atividade secundária para agregar mais eficiência
ao negócio.
 24

Se por um lado a descentralização do processamento de dados trouxe vários

benefícios às organizações, por outro contribuiu para o surgimento de problemas
relacionados a controle, capacidade e integração de dados. Os gestores de negócio
desperdiçavam seu tempo analisando dados que muitas vezes se mostravam
inconsistentes diante da proliferação de planilhas. Além disso, o número de acessos
e consultas transacionais impactavam diretamente na performance dos servidores.

Estes problemas seriam resolvidos com implantação das novas tecnologias de

armazenamento de dados via Datawarehouse (DW) e ERP. Com a integração dos
dados corporativos, vieram os conceitos de inteligência do negócio, que consistiam
na análise da informação bruta e operacional e sua transformação em informação
estratégica.

3.1 – Sistemas de Informação

Antes de se conceituar Sistemas de Informação, é preciso compreender o conceito

de DADOS e INFORMAÇÃO sob a ótica de TI.

Os DADOS constituem os fatos puros ou descrições simbólicas de elementos,

eventos, atividades ou transações. Os dados servem de base para o tratamento
sobre os quais o computador efetua as operações, mas não estão organizados,
portanto, não transmitem qualquer significado.

A INFORMAÇÃO é a organização de um conjunto de dados de forma significativa.

Dados tornam-se informação quando são organizados de uma maneira lógica. Para
se tornarem informação, é necessário agregar um PROCESSAMENTO, ou seja, um
conjunto de tarefas executadas em seqüência lógica, com o objetivo de atingir um
resultado definido. A transformação de dados em informação é tarefa principal dos
Sistemas de Informação (SI).

Fig. 1 – Transformando Dados em Informação

Na definição de Laudon e Laudon, um Sistema de Informação é o conjunto de

elementos ou componentes inter-relacionados que coleta, armazena, processa e
 25

distribui dados e informações com a finalidade de facilitar o planejamento, o controle,

a coordenação, a análise e o processo decisório em empresas e outras
organizações.

3.2 – Camadas de Informação

Os SI podem ser classificados de acordo com o nível hierárquico a que os sistemas

dão suporte: operacional, gerencial ou estratégico. A figura 2 ilustra os níveis de
camada da informação dentro de um ambiente empresarial:

Fig. 2 – Visão da Empresa por Camadas de Informação

Fonte: Laudon e Laudon (2001)

No Nível Operacional, encontram-se os Sistemas de Processamento Transacional

(SPT). Os SPT são sistemas altamente estruturados, ligados diretamente às
transações elementares e atividades de rotina de uma empresa, tais como: emissão
de pedidos, emissão de notas fiscais, controles contábeis, controles de estoques.
Estes sistemas permitem aos gerentes operacionais o monitoramento e controle das
atividades do negócio.

No Nível de Conhecimento, encontram-se os Sistemas de Informação Gerencial

(SIG). Os SIG fornecem resumos das transações operacionais realizados nos SPT,
permitindo comparações históricas e indicadores de desempenhos. Geralmente eles
são dependentes de sistemas de processamento de transações subjacentes para os
seus dados, são pouco flexíveis e têm pequena capacidade analítica.
 26

No Nível Estratégico, encontram-se os Sistemas de Apoio à Decisão (SAD), que

Laudon e Laudon (2001) classifica também como sistemas de apoio aos executivos
(ESS –Executive Support Systems). A principal característica destes sistemas é sua
capacidade de atender decisões não estruturadas, como projeção e / ou simulação
de cenários. Estes sistemas utilizam ferramentas avançadas que permitem a
compactação e reordenação dos dados de modo a se transformarem em
informações que ajudam a administração sênior a enfocar assuntos estratégicos do
negócio.

Os ESS fornecem uma resposta prática aos executivos que acessam a riqueza de
informações disponíveis em seus sistemas de computadores.

3.3 – O Business Intelligence

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.

Barbieri (2001,p.34) conceitua BI como a “utilização de variadas fontes de

informação para se definir estratégias de competitividade nos negócios da empresa”.
Ou seja, BI é o conjunto de estruturas e ferramentas que permitem o
armazenamento, agrupamento e transformação dos dados, facilitando a informação
para o tomador de decisões. A estrutura de armazenamento é denominada
DataWarehouse (DW) e DataMarts (DM). As ferramentas são os softwares que
permitem o recolhimento e apresentação dos dados, de forma resumida ou analítica.

A essência do BI está em definir regras e técnicas de formatação adequada para

estas informações, transformando-as em depósitos estruturados de dados, que por
sua vez serão compartilhados por toda a organização. (BARBIERI, 2001).

3.3.1 BI - Arquitetura

Um sistema BI é projetado seguindo as estruturas abaixo definidas (BARBIERI,

2001, p.48):
 27

DATAWAREHOUSE (DW), DATAMARTS (DM) e OPERATION DATA STORE (ODS

– Operação de Armazenamento de Dados): Compõe as estruturas especiais que
armazenam as informações capazes de sustentar a camada de inteligência da
empresa; O ODS pode ser entendido como um cadastro consolidador, uma ponte
entre o legado e o DW, onde ficam mantidas as características de granularidade e
estruturação dos sistemas consolidados.

FERRAMENTAS ETL (Extract, Transformation and Load – Extração, Transformação

e Carga): São responsáveis pela transformação dos dados transacionais em
informação corporativa. As ferramentas ETL realizam a coleta, limpeza, preparação
e carga dos dados nos DW.

FERRAMENTAS DE OPERAÇÕES ESPECIAIS DE TRATAMENTO: São as

ferramentas que possibilitam o manuseio dos dados, operadores dimensionais,
possibilitando uma forma múltipla e combinada de análise. As principais ferramentas
são o OLAP e DataMining.

Fig. 3 – Arquitetura de um Sistema BI

Fonte: BARBIERI, 2001

3.3.2 Datawarehouse e Datamarts

 28

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.

Data Warehouse é o processo de integração dos dados corporativos de uma empresa

em um único repositório, a partir do qual os usuários finais podem facilmente executar
consultas, gerar relatórios e fazer análises (GONÇALVES, 2003, p.11).

O conceito do DW foi originalmente lançado pela IBM como uma proposta de

solução chamada Information Warehouse. O DW era a estrutura física, funcionando
como um repositório que separava os dados operacionais para serem utilizados
como sistemas de suporte à decisão dentro da organização. A idéia era o
aproveitamento destes dados visando a melhoria da qualidade dos serviços e
atendimento ao cliente, ajudando a companhia a avaliar as atividades emergentes
do seu negócio (GONÇALVES,2003).

O aspecto mais relevante na criação de um DW é a garantia da qualidade dos

dados. Serra (2002) complementa, citando que a definição bem desenhada do DW
objetiva satisfazer as necessidades de análise de informações dos usuários, como
monitorar e comparar as operações atuais com as passadas, podendo desta forma
prever as situações futuras.

A modelagem de dados mais utilizada é conhecida como Star Schema (Esquema

Estrela), ou Modelagem Multidimensional. Neste modelo, os fatos principais são
listados numa Tabela de Fatos, contribuindo para agilidade nas pesquisas. Desta
forma, várias tabelas dimensionais são ligadas às tabelas de fatos, que por sua vez
indicam como as agregações de dados relacionais podem ser analisadas. Este tipo
de modelagem dimensional de dados é a que oferece melhor desempenho.
 29

Fig. 4 – Exemplo Arquitetura Star Schema

Fonte: ORACLE

O desempenho é o fator fundamental para um sistema que gerencia grande volume

de dados, e todos os cálculos resultantes de um processamento transacional
deverão ser considerados no momento da modelagem do DW. Ao se projetar um
campo de data, por exemplo, deve-se projetar também campos adicionais para
armazenar o ano, o mês e o trimestre onde a data se encontra. O espaço em disco
resultante do complemento desta informação será maior, em compensação, não
serão realizados cálculos adicionais quando ocorrerem as consultas ou
sumarizações por período (ALCANTARA, 2006).

Um DW pode armazenar grandes volumes de informação, porém este volume pode

ser dividido em unidades lógicas menores, conhecidas como DataMarts. O conceito
do DataMart, na definição de SERRA (2002), é um pequeno DataWarehouse, porém
reduzido à uma dimensão departamental. O DM é um atrativo por possuir baixo
custo e menor tempo de implantação, com crescentes avanços tecnológicos.

Construir um DW é uma tarefa cara e consome muito tempo. As empresas estão

investindo milhões em DW, que nos últimos anos adquiriu muita força devido ao
sucesso dos SGBDR e também devido à redução dos custos e aumento do
desempenho dos hardwares utilizados (HARRISON, 1998 apud GONÇALVES,
 30

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.

3.3.3 Ferramentas ETL

As ferramentas ETL (Extract, Transformation and Load - Extração, Tratamento e

Carga) são responsáveis por lerem os diversos formatos de arquivos utilizados pela
organização, incluindo sistemas transacionais, planilhas, arquivos textos e arquivos
do tipo DBF. Após a extração da informação destes arquivos, ocorre o tratamento
dos dados (identificação, catálogo, alterações de acordo com as regras de negócio)
e o armazenamento no DW.

A extração é realizada através da execução de uma rotinas de processamento, onde

os dados são atualizados uma ou algumas vezes por dia e posteriormente
armazenados em uma Staging Área, onde ocorre o tratamento, padronização e
transformação das informações operacionais para carga na arquitetura BI. O
processo de movimentação é um dos mais críticos de um DW, pois baseia-se em
rotinas trabalhosas e complexas para garantir a integridade dos dados.

3.3.4 Ferramentas DataMining

Datamining, como o próprio nome sugere em inglês, é a tecnologia que permite a

“mineração” dos dados contidos nos DW e DM, buscando uma co-relação entre eles.
O objetivo do Mining é identificar anomalias ou oportunidades, através do
relacionamento entre os dados, para então diagnosticar o comportamento do
negócio. A busca por novos padrões é realizada através de algoritmos complexos
envolvendo computação aritmética, blocos de inteligência artificial, redes neurais e
árvores de decisão baseada em regras de indução. Barbieri (2001) completa que os
conceitos de garimpagem estão relacionados com a nova tendência de se buscar
correlações escondidas em altos volumes de dados e que nem são evidentes aos
analistas de negócio. A análise por parte dos gestores torna-se essencial para a
descoberta de novas oportunidades de negócio, e acima de tudo, elaboração de
novas estratégias para o futuro.

3.3.5 Cubo OLAP

 31

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.

O OLAP é criado na máquina cliente ou no servidor, retornando os dados oriundos

de uma consulta específica no banco de dados.

Fig. 5 – Representação Gráfica do OLAP

A visão multidimensional é mais útil para os analistas do que a visão tabular

tradicional utilizada nos sistemas de processamento de transação. Ela é mais
natural, fácil e intuitiva, permitindo uma visão das informações em diferentes
perspectivas. Isso auxilia efetivamente o tomador de decisão, pois ele pode verificar
tendências nos dados, utilizando dados resumidos, trocando as dimensões de lugar
e navegando através de suas hierarquias. Dessa forma, os usuários podem testar
suas hipóteses e pensar sobre questões que não haviam ainda sido levantadas
antes.

Um cubo OLAP apresenta algumas tecnologias que permitem o manuseio da

informação de acordo com as preferências do usuário, sendo elas o Slice-and-Dice,
Drill Down/Up e a Criação de Queries.
 32

O SLICE-AND-DICE é a tecnologia que permite a análise da informação sobre

diferentes perspectivas, permitindo ao usuário “modelar” a informação de acordo
com suas necessidades. Esta tecnologia permite que linhas de uma tabela possam
ser convertidas em colunas, etc.

O DRILL DOWN / UP permite fazer uma exploração da informação em diferentes

níveis de detalhe.

A tecnologia de QUERIES exige do usuário um conhecimento mínimo de

informática, permitindo criar de maneira simples e transparente consultas para obter
as informações desejadas.

3.3.6 Metadados

O conceito de Metadados é de "dados sobre os dados", ou seja, são dados de alto

nível com definições técnicas (fonte de origem, memória de cálculo e informações
bibliográficas) que descrevem dados de um nível inferior. A principal funcionalidade
dos metadados é prover administração de dados inferiores e garantir a consistência
dos mesmos. Os metadados geralmente apresentam três camadas diferentes:

− Metadados Operacionais: Definem a estrutura dos dados mantidos

pelos bancos operacionais, usados pelas aplicações de produção da
empresa.

− Metadados Centrais de um DW: São orientados por assunto e definem

como os dados transformados devem ser interpretados, incluem
definições de agregação e campos calculados, assim como visões sobre
cruzamentos de assuntos.

− Metadados do Nível do Usuário: Organizam os metadados do DW para

conceitos que sejam familiares e adequados aos usuários finais.

3.3.7 Exemplificando operações OLAP: Usando BI no Varejo

A seguir detalharemos uma prática comum da utilização de BI no varejo. Supomos

que uma rede de supermercados, com lojas distribuídas em todo o território
 33

nacional, deseja efetuar uma análise percentual de ruptura (falta de produtos) de

suas lojas para melhorar a gestão de compra de produtos. O alto índice de ruptura
indica um provável problema de abastecimento na região, causando impactos
negativos na imagem do negócio e prejudicando o volume de vendas.
Primeiramente, é preciso saber se o problema é específico de uma determinada
região ou loja, para posteriormente realizar a identificação dos itens que
permanecem em ruptura por mais tempo. Para os itens que aparecem em ruptura no
maior número de lojas, a empresa pode optar pela exclusão destes itens do
sortimento, ou estudar uma forma de trabalhar com abastecimento centralizado.
Executando-se algumas variações de Drills, pode-se analisar os percentuais de
ruptura por região. A figura 6 ilustra a visão da informação do topo da camada de
nível estratégico.

Fig. 6 – Análise % da ruptura por Região / Loja

Fonte: MicroStrategy

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.

Ao analisar um conjunto de dados de forma agregada, muitos detalhes permanecem

invisíveis. A análise dimensional não só trata os dados agregados como projeções
 34

de um hiper-cubo, mas também possibilita “visualizar” o hiper-cubo de maneira

integral.

Fig. 7 – Agrupamento do % da ruptura por Região

Fonte: MicroStrategy

A análise multidimensional permite também que os dados possam ser manipulados

pelo usuário de modo que as linhas se tornem colunas, ou vice-versa, revelando
aspectos que não haviam sido percebidos antes.

Fig. 8 – Visão detalhamento do produto / loja

Fonte: MicroStrategy

O detalhamento destas análises é executado através das operações OLAP, que

lêem as tabelas onde ficam armazenadas estas informações dentro do DW e
permite que os dados sejam explorados visualmente, como se a tabela estivesse
sendo dobrada sobre si mesma. Neste exemplo, poderíamos ter uma rotação em
que as rupturas passam a ter uma dimensão e as lojas passa a ser valores
(exemplo: quantidade de lojas). A exploração continua através do Drill down e Drill
up de acordo com o nível de detalhamento solicitado pelo usuário.
 35

Conforme visto anteriormente, a característica de Drills permite a visualização dos

relatórios na tela sem necessariamente ter que imprimi-los. O usuário tem liberdade
de examinar as informações de diversas maneiras e, ao final, pode imprimir e até
mesmo salvar as visões mais importantes para uma futura consulta.

3.4 – Principais Indicadores utilizados em Varejo

− Receita Diária de vendas: Corresponde ao Total das Vendas, Receitas e

Impostos de um determinado período, agrupadas por setor, grupo ou
subgrupo de produtos;

− Itens de Maior e Menor Venda: Apuração diária ou por período dos

produtos de maior venda e os de menor demanda;

− Ganhos e Perdas de Margem: Lista dos itens de acordo com

rentabilidade, permitindo sua classificação por percentual aplicado ou
massa de margem, utilizados principalmente para estratégias de
promoção;

− Número de Clientes por Período: Número de clientes por período, dia e

até mesmo faixa horária;

− Venda do período, ordenado por dias: Através destes dados, é possível

estabelecer critérios de promoção que atendam datas específicas quanto
a vendas;

− Vendas por Faixa Horária: Informação aberta por faixa horária

extremamente útil para organização de escala de funcionários,
proporcionando ao cliente um melhor atendimento;

− Comparações de venda entre períodos: Compara informações de

venda de um período com o mesmo período no ano anterior. Esta
informação pode ser detalhada por setor, grupo, subgrupo e itens. Estes
dados permitem ao gestor analisar motivos em relação ao aumento ou
diminuição de vendas e identificar as causas que levaram atual posição
nos indicadores;
 36

− Produtos em Ruptura: Lista os itens que permaneceram em ruptura

(estoque zero) com maior freqüência, identificando possíveis falhas na
cadeia de abastecimento ou problemas com fornecedor;

− Performance por Fornecedor: Analisa o desempenho de serviços

prestados por fornecedor (tempo de entrega, prazo de pagamento,
opções de ofertas, mix de produtos);

− Pesquisas de Pricing: Estas informações são alimentadas diariamente

através de pesquisas de preços realizadas em concorrentes. O gestor
utiliza estas informações para comparar preços, rever o mix de margem e
sortimento de mercadorias.

3.5 – Inteligência Analítica – Conceitos e Metodologias

As análises de desempenho sempre foram realizadas pelas empresas, de uma

forma ou de outra, para detectar qual produto vende mais ou qual fornece maior
margem de lucro. Porém, o acirramento da competitividade exigiu das empresas
maior agilidade no processo de decisão, ao mesmo tempo em que a informatização
das atividades contribuía para proliferação de sistemas e planilhas corporativas,
gerando redundâncias e inconsistências. Além disso, era necessário aprofundar a
análise da informação, à procura de respostas ou pontos que não haviam sido
observados antes.

O BI permitiu que a unificação da informação se tornasse uma realidade, garantindo

seu armazenamento de forma a criar um histórico de operações. A idéia era
aproveitar estes dados para as respostas dos executivos quanto à saúde dos
negócios, ou auxiliar nas ações a serem adotadas a curto prazo. Não obstante, o
mercado global de BI teve um crescimento de 12,5% em 2007, e a previsão do
Gartner Group é de crescimento a 8,6% ao ano a partir de 2011.

Se por um lado o BI fornecia as ferramentas necessárias para se explorar a

informação em várias camadas, por outro disponibilizava aos analistas de negócio
uma extensa base com dados de alta qualidade, servindo de fonte para pesquisas,
previsões e simulação de cenários. Enquanto o BI mostrava o “porquê e como”,
estes analistas desejavam saber o “onde e quando”.
 37

Estas análises utilizavam técnicas avançadas, que consistiam em usar estatística

avançada e aprendizado de máquina para agrupar massas de dados de acordo com
semelhanças de padrões, e estudar as correlações e interdependências entre eles.
Um comportamento novo que surgia e começasse a se repetir com freqüência
poderia indicar a presença de oportunidades.

Portanto, o que se chama de Inteligência Analítica corresponde a um subsistema do

BI, que consiste em utilizar técnicas de Mining para a tomada de decisões mais
precisas, melhor embasadas em evidências e constatações e com maior
probabilidade de acerto. Davenport explica a Inteligência Analítica como "... a
utilização extensiva de dados, análises quantitativas e estatísticas, modelos
explicativos e preditivos e gestão baseada em fatos para orientar decisões e ações"
(DAVENPORT, 2007, p. 8).

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).

Existem vários campos de atuação em que as técnicas de análise podem ser

empregadas. Por exemplo, pode-se utilizar Inteligência Analítica para projetar ou
simular comportamentos do tráfego nas grandes metrópoles, mercado de ações,
gestão de finanças, gestão de RH, gestão de custos, Pricing... São várias as
 38

possibilidades de utilização deste recurso, desde que se tenha os dados disponíveis

numa base sólida e confiável. O modelo então é construído com base nas premissas
da exploração, e aprimorado constantemente para se tornar cada vez mais
inteligente e eficaz; Quanto maior o histórico de dados armazenados no banco,
maior a exatidão da consulta.

3.5.1 Modelos de Data Mining

Os softwares de inteligência analítica atualmente disponíveis no mercado utilizam

modelos específicos para extrair informações relevantes da camada do negócio.
Carvalho (2005) relaciona alguns destes modelos e suas características, conforme
apresentado abaixo:

− Classificação: A classificação é responsável pelo reconhecimento de

padrões e relacionamentos dos registros de acordo com seus atributos.
Os algoritmos aplicados neste processo utilizam técnicas de árvores de
decisão e / ou redes neurais; geralmente são utilizados algoritmos de
estimativa para verificar se o dado está de acordo com a classificação.

− Modelos de Predição (Forecasting): os modelos de predição baseiam-

se em uma série de relações e padrões hipotéticos, utilizando técnicas
estatísticas para prever uma situação em um campo dos dados,
baseando-se nas informações dos demais campos do objeto. Por
exemplo, ao utilizar uma série de dados de transações bancárias, um
modelo poderá predizer se a natureza de uma transação é fraudulenta.
Um exemplo de sua aplicação está nas previsões meteorológicas.

− Modelos de Estimativa: estimam um valor aproximado com base em

outros valores referente a situações semelhantes na qual se tem
conhecimento. As ferramentas mais utilizadas para estimar grandezas
são também Redes Neurais Artificiais, Estatística, Algoritmos Genéticos e
Simulated Annealing.

− Relacionamento entre Variáveis: explora relacionamentos

independentes que podem existir entre os itens de acordo com suas
variáveis. São utilizadas técnicas estatísticas como regressão linear
simples, múltipla e modelos lineares por transformação para verificar o
 39

relacionamento funcional que possa existir entre duas variáveis

quantitativas. A associação pode ocorrer através de atributos de um
mesmo item, por exemplo: “De todos os consumidores que compram leite,
64% compram pão” - ou associações entre diferentes itens, por exemplo:
“Toda vez que o estoque de um item abaixa 5%, um estoque de outro
item aumenta 13% entre 2 a 6 semanas depois”.

− Análise de Agrupamento (Cluster): utiliza algoritmos capazes de

agrupar os objetos que possuem semelhanças entre seus atributos,
formando grupos com registros similares. O objetivo do agrupamento é
descobrir os diferentes grupos existentes em dados poucos conhecidos,
como, por exemplo, grupos de clientes que possuem um comportamento
de compra semelhante.

− Sumarização: O processo de sumarização visa descartar valores

inválidos durante o pré-processamento dos dados. Estes valores são
obtidos através do cálculo de medidas estatísticas, como mínimo,
máximo, média, mediana e desvio padrão e distribuição de freqüência.

− Descoberta não-supervisionada de Relações: consistem em técnicas

automáticas do Data Mining encontrem padrões e relacionamentos.

− Modelos de Visualização: A visualização dos dados em forma de

gráficos permite que a informação descoberta possa ser facilmente
compreendida por analistas humanos. As técnicas de visualizações estão
se tornando comuns para descoberta de novos padrões.

Apesar dos softwares existentes no mercado e relatórios emitidos por grandes

sistemas empresariais (SAP, Oracle), a inteligência analítica pode ser realizada
também através do uso de planilhas corporativas, embora muito do seu sucesso
ainda dependa dos gestores da informação (DAVENPORT, 2007).

A proposta deste estudo é demonstrar a aplicação da Inteligência Analítica

contribuindo na otimização da cadeia de suprimentos no mercado de varejo. Neste
caso, as aplicações analíticas podem ser utilizadas para “determinação das
intersecções das curvas de oferta e demanda para otimizar o estoque e minimizar
estoques excedentes ou escassos” (DAVENPORT, 2007, p. 120). Ou seja, o sistema
 40

analisa o comportamento histórico da curva de demanda por produto, preço e tipo de

promoção, e com base nesses dados projeta um volume de compras que garantirá o
abastecimento ideal sem estoque excedente.

A disciplina da gestão da cadeia de suprimentos possui profundas raízes no domínio

analítico. As empresas que se sobressaírem nessa área possuem um histórico de
décadas de utilização de analise quantitativa para otimizar a logística (DAVENPORT,
2007, p. 124).

O protótipo para abastecimento promocional será elaborado de acordo com as

regras utilizadas em um modelo de predição. Por utilizarem algoritmos de estatística,
os modelos preditivos necessitam de premissas ou variáveis para analisar os dados.
No caso de um novo modelo a ser desenvolvido, será necessário selecionar todas
as variáveis que possam vir a influenciar o comportamento estatístico, assim como a
relação entre elas. Neste caso, modelos preditivos não são recomendados quando
se lida com um grande número de variáveis. Além de trabalhoso, corre-se o risco de
que as relações potencialmente interessantes sejam esquecidas. Neste estudo,
detalharemos todos aspectos da atividade do varejo para compreender todas as
variáveis possíveis que possam ser incorporadas no protótipo analítico.

Modelos complexos que requerem um grande número de variáveis utilizam técnicas

de Inteligência Artificial, como algoritmos de indução para descobrimento de regras e
associações em bases de dados com o mínimo de premissas. A principal premissa é
que toda a informação gerada pelo analista encontra-se na base; o algoritmo então
trabalha os dados e sugere os relacionamentos e possíveis modelos através da
análise do conjunto de dados. Posteriormente, informações estatísticas são geradas
para avaliar a precisão do modelo.
 41

Fig. 9 – Software Modelo Rede Neural para Previsão de Valores

Fonte: www.alyuda.com

3.5.2 Metodologias aplicadas em Data Mining

O processo de mineração utiliza várias técnicas e métodos, cada um servindo para

um propósito diferente. Goebel (1999) relaciona as metodologias mais comuns
utilizadas em Mining:

− Métodos Estatísticos: Utilizado deste os primeiros modelos de

DataMining, as técnicas estatítiscas são utilizadas para concepção de
hipóteses e / ou cálculo de probabilidades, exigindo engenheiros
experientes para construir modelos que descrevem o comportamento do
dado através dos métodos clássicos de matemática.

− Case-Based Reasoning (CBR): O CBR é a tecnologia que procura

resolver um determinado problema utilizando experiência e soluções
encontradas no passado. Dado um novo problema particular, o CBR
examina o tratamento de outros problemas e busca por tratamentos
similares. Se um tratamento similar existir, então a solução é aplicada ao
novo problema, e adicionado ao CBR para ser consultado como
referência futura.

− Redes Neurais: As Redes Neurais consiste numa classe de sistemas

modelados para simular um celebro humano. Um célebro humano é
 42

composto por milhões de neurônios interconectados, cada neurônio

enviando uma parte da informação processada para outro. Como no
celebro humano, as redes neurais possuem a capacidade de “aprender”,
a partir de um conjunto de registros de entrada (inputs) e o resultado do
processamento (output).

− Arvores de Decisão: As técnicas conhecidas como árvores de decisão

consistem em representar uma série de regras que conduzem a uma
classe ou a um valor. O objetivo principal é a separação ou agrupamento
dos dados de acordo com suas características. Essas regras podem ser
expressas como declarações lógicas numa linguagem de programação
SQL.

− Regras de Indução: As Regras de Indução buscam correlações

estatísticas entre atributos, utilizados nos modelos de Relacionamento
entre Variáveis.

− Redes Bayesianas: As Redes Bayesianas são representações gráficas

de distribuições probabilísticas derivadas da contagem da ocorrência dos
dados num determinado conjunto.

− Algoritmos Genéticos, Programação Evolucionária: Esta técnica

consiste na formulação de estratégias de otimização algorítmica
inspiradas nos princípios observados na evolução natural. Dada uma
coleção de soluções de problemas que competem entre si, são
selecionadas e combinadas as melhores. Com este comportamento
espera-se obter um ganho incremental na qualidade da solução. Os
algoritmos genéticos usam os operadores de seleção, cruzamento e
mutação para desenvolver sucessivas gerações de soluções. Com a
evolução do algoritmo, somente as soluções com maior poder de previsão
sobrevivem, até convergirem numa solução ideal. A técnica de algoritmos
genéticos é apropriada às tarefas de classificação e clustering.

− Lógica Fuzzy: A lógica Fuzzy é uma metodologia para representação e

processamento de incertezas. As incertezas são encontradas em várias
formas nos bancos de dados: imprecisão, não especificações,
inconsistências, informações vagas ou difusas. Lógica Fuzzy está
 43

baseada na teoria dos conjuntos nebulosos, e difere dos sistemas lógicos

tradicionais por tratar de raciocínio aproximados, em vez de exatos.

− Rough Sets: Assim como a Lógica Fuzzi, o Rough Set é um conceito

matemático que trata a incerteza nos dados. A premissa central na
filosofia de Rough Sets é a classificação de objetos, interpretação e
caracterização para processar o não-discernimento entre elementos.

3.5.3 Exemplo de Informações obtidas com Mining no Varejo

Informações extraídas através de mineração de dados no varejo (NIELSEN, 2008):

− Quais itens são freqüentemente comprados em combinação (por

exemplo, cereais e leite; mostarda, pão e salsicha; fralda e comida para
recém-nascido)?

− Quais itens são freqüentemente adquiridos numa compra em torno de R$

100,00?

− Quais itens são freqüentemente comprados por famílias (uma família

pode ser identificada através dos tipos de certos produtos que são
tipicamente adquiridos por crianças)?

− Quais itens são freqüentemente comprados por pessoas fazendo

pequenas compras?

− Como a mudança de preço (aumento ou diminuição) terá impacto no

volume de vendas e no utilitário?

− Quais itens oferecem a maior oportunidade de fazer um ajuste de preço?

− Os consumidores são mais sensíveis aos preços absolutos ou ao

diferencial no preço contra os principais concorrentes?

− Existe alguma ameaça crítica com relação ao preço que possa criar um
salto na curva de elasticidade tradicional?

− Quais contas e consumidores reagem em maior escala às mudanças de

preço?
 44

− Existem diferenças importantes na cadeia nomeada na elasticidade de

preço?

3.6 – Conclusões

Este capítulo permitiu explorar o potencial da Tecnologia da Informação nos

negócios, demonstrando sua utilização para melhorar desempenho e favorecer
vantagens competitivas. Particularmente no varejo, são infinitas as possibilidades de
emprego de T.I. O que antes era uma atividade voltada apenas para automação e
controle de processos transformou-se numa poderosa ferramenta capaz de simular
cenários, permitindo aos gestores tomarem decisões baseadas em previsões, fatos
e constatações. Investimentos em estruturas DWs, sistemas BI e técnicas modernas
de Mining permitiram que grandes empresas de varejo, como o Wal Mart, pudessem
utilizar informações colhidas de seus repositórios de dados para realizarem
melhorias significativas no atendimento ao consumidor e planejamento logístico.
 45

4 CAPÍTULO 4: GESTÃO DE PREÇOS NO VAREJO

Antes de iniciarmos o estudo de que trata o presente capítulo, deve-se,

primeiramente, conceituar o aspecto do varejo, assim como o detalhamento de suas
atividades-chave e operacionalização, que servirão para o embasamento dos
pressupostos teóricos nos quais se baseará o raciocínio de cálculo a ser adotado
pelo modelo de Inteligência Analítica.

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.

A principal fonte de receita provém da margem de lucro (mark-up) que o varejista

aplica sobre o custo do produto. No entanto, em função da alta competitividade
existente no setor, os supermercados estão adequando cada vez mais os preços de
seus artigos, redefinindo políticas de preços de seus produtos de acordo com os
preços praticados pelos seus concorrentes (WERNKE, 2005, p.147).

Após a implantação do Plano Real, as empresas de varejo passaram a buscar

fontes alternativas de receita para compensar a eventual perda de margem em
função da concorrência direta. Destacam-se os ganhos com financiamento de
compras com o cliente final, através de cartões com bandeira própria, integração
logística, - onde o fornecedor concede uma verba para o supermercadista realizar a
distribuição de seus produtos -, e as verbas oriundas de negociações entre o
 46

fornecedor e o varejista (bonificações), utilizadas para redução do custo da

mercadoria.

4.1 – O Mix de Produtos

A composição do sortimento de produtos (mix de produtos) é uma das atividades

fundamentais do varejo, com o objetivo de selecionar quais produtos serão vendidos
em uma loja. O universo de produtos é selecionado de acordo com as necessidades
dos consumidores que se esta atendendo, porém dispor de uma variedade muito
ampla de produtos implica no aumento de custos de armazenamento. Portanto, a
manutenção do mix deverá ocorrer periodicamente, excluindo os itens com baixo
desempenho em vendas e incorporando produtos similares às categorias de melhor
performance. Os supermercados de grande porte (hipermercados) podem
comercializar até 50 mil itens ou mais (PARENTE, 2000).

4.2 – Cálculo da Margem e Definição do Preço de Venda

“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.

O preço de venda de um produto é calculado através do acréscimo de um

percentual de lucro (margem) incidente sobre o custo de aquisição do mesmo. É
importante observar que as despesas envolvidas na aquisição deste produto, tais
como valor do frete, despesas financeiras, tributação, etc., já devem ser
consideradas na composição do custo final. Portanto, se a margem de um
determinado produto for igual a 0 (zero), significa que o varejista não irá ganhar
nada no momento em que o produto for vendido, porém a venda de todas as
unidades deverá cobrir o gasto com a aquisição do mesmo.
 47

COEF_IMPOSTOS : [100 - (ICMS + PIS + COFINS)] / 100

COEF_MARGEM: (100 - MARGEM)/100

PV = [(CUSTO / COEF_IMPOSTOS) / COEF_MARGEM]

Fig. 10 – Cálculo Composição Preço de Venda

O coeficiente de margem deve ser aplicado no custo independente dos impostos

que serão pagos a partir do registro da venda do mesmo. A figura 10 demonstra o
cálculo de um coeficiente considerando o repasse desta tributação para composição
do custo. A margem de lucro deverá ser aplicada sobre o montante final.

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

Fig. 11 – Demonstrativo Composição Preço de Venda7

A figura 11 demonstra um caso prático de composição do preço de venda. Neste

exemplo, o custo de aquisição unitária de um produto é de R$ 0,98 [1] (O custo
unitário representa todas as despesas do varejista com a aquisição do produto,
incluindo frete, impostos, descontos e despesas acessórias). Os impostos a serem
recolhidos mediante a venda deste produto [2] deverão serão acrescidos sobre o
custo do mesmo. O varejista não teria lucro nem prejuízo caso decidisse vender este
produto a R$ 1,35 (considerando R$ 0,37 que recolheria de ICMS e PIS/COFINS por
unidade). Neste caso, se desejasse obter uma margem de lucro de 30% por
unidade, este produto deveria ser vendido a R$ 1,92 [4].

A rentabilidade atribuída a um determinado produto é resultado de diversos fatores,

e definida de acordo com os ganhos ou perdas dentro do sortimento de produtos.
Geralmente os supermercados estipulam as margens de lucro para cada produto
7
A numeração entre colchetes corresponde uma representação gráfica para entendimento do texto
explicativo a seguir.
 48

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.

O comportamento do mix sofre variações de acordo com os percentuais de margem

aplicados, exposição do produto, sazonalidade e anúncios de promoção. Portanto,
os percentuais de margem devem ser revisados constantemente.

Para administrar esta quantidade de itens, os varejistas classificam e agrupam estes

produtos de acordo com suas características; Este conceito denomina-se
Classificação Mercadológica.

4.3 – Classificação Mercadológica

A Classificação Mercadológica é o agrupamento (ou clusterização) de produtos que

possuem características semelhantes, com a finalidade de oferecer maior agilidade
nos processos gerenciais (como, por exemplo, definição de preços de venda ou
parâmetros de abastecimento). Um parâmetro pode ser atribuído especificamente
para um determinado nível ou subnível, e o sistema comercial replica a informação
para todos os itens agrupados naquele nível. O exemplo mais comum é a gestão de
preços, onde o gestor define um percentual de margem a ser aplicado em um
determinado nível, e o sistema replica este percentual para todos os itens que fazem
parte dele. A estrutura da Classificação Mercadológica também é aproveitada nos
sistemas BI para o agrupamento da informação. O agrupamento permite ao gestor
analisar o comportamento do produto dentro da categoria, a participação da
subfamília dentro da família, participação da família sobre as vendas do setor, etc.
Conhecendo a participação de cada agrupamento dentro do setor, o gestor define a
margem a ser aplicada em determinada família, e com base na participação,
consegue definir a lucratividade do negócio.
 49

SECAO DESCRICAO GRUPO DESCRICAO_GRUPO SUBGRUPODESCRICAO_SUBGRUPO EAN DESCRICAO

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

comportamento das famílias dentro do setor. A coluna MB demonstra a rentabilidade

10
10
LIQUIDA
LIQUIDA
4
4
SUCO CONCENTRADO
SUCO CONCENTRADO
8
8
OUTROS
OUTROS
7896179500099
7896000514448
SUCO ACEROLA JANDAIA 500ML
SUCO PESSEGO MAGUARAY 500ML
10 LIQUIDA 4 SUCO CONCENTRADO 8 OUTROS 7896005400111 SUCO ACEROLA DAFRUTA 500ML
10 LIQUIDA 4 SUCO CONCENTRADO 8 OUTROS 7898366930559 SUCO PITANGA PALMEIRON 500ml
da subfamília e sua participação (PART%) através de um levantamento histórico de
vendas. Com base nessas informações, o gestor pode redefinir os percentuais de
margem (coluna MC – Margem Cadastrada) que deseja aplicar sobre uma
determinada categoria, de modo que o sistema altere automaticamente os preços
para todos os itens pertencentes àquela categoria. A Classificação Mercadológica
também é utilizada para simular os impactos causados pela alteração de preços ou
queda nas vendas sobre o negócio, e realizar comparações de desempenho das
famílias em períodos anteriores.
 50

Valores Totais: 283.648 467.114 462.030 5.084

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%

Fig. 13 – Exemplo Análise Participação Famílias

4.4 – O Mix de Marketing

O mix de marketing, ou composto promocional, é a relação de produtos que o

varejista usa para atrair os clientes à loja e motivá-los à compra. O principal objetivo
é a realização de uma ação promocional, geralmente de curto prazo, cujo objetivo é
o aumento no desempenho das vendas. A promoção é utilizada de forma intensa no
varejo, devido ser este o local onde os consumidores estão em contato direto com
os produtos e, portanto, suscetíveis ao estímulo de compra (COSTA E
CRESCITELLI, 2003). O estímulo ao consumo é criado através de um conjunto de
técnicas publicitárias, como exposição de produtos, cartazes, anúncios em TVs e
distribuição de tablóides. As promoções ocorrem sempre em parcerias com os
fornecedores / distribuidores, que também se beneficiam destas campanhas para
aumentar o giro de seus produtos e divulgarem suas respectivas marcas. Parente
(2000, p. 243) cita as mais relevantes vantagens dos principais meios de divulgação:
 51

− Propaganda: visa veiculação do anúncio para grande audiência. Possui

numerosas alternativas de mídia: TV, rádio, revistas, jornais e tablóides
são os meios mais utilizados. Na mídia impressa, o leitor pode analisar o
anúncio com maior atenção, e o contexto editorial ajuda o anúncio.

− Promoção: A promoção busca captar a atenção do cliente através do

apelo visual. As técnicas mais comuns praticadas pelos varejistas é a
aplicação de temas (exemplo: Festival de Inverno, Festival de Vinhos...),
ou ações onde o consumidor deva receber algo de valor, como um cupom
ou mercadoria gratuita. Vantagens: ajuda a incrementar o tráfego e
mantém a lealdade do consumidor; aumenta as compras por impulso e
clientes podem divertir-se, principalmente com demonstrações e
degustações.

− Publicidade: A publicidade pode ser definida como uma “ferramenta de

relações públicas consistindo na comunicação positiva ou negativa
referente à atividade do varejista, indireta, impessoal, vinculada por uma
mídia de massa e não-paga nem creditada a nenhum responsável.”
(Lewison, 1997 apud Parente, 2000). A publicidade não possui custo
algum para o varejista, e busca transmitir uma imagem de credibilidade
para o consumidor. Se bem elaborada, desperta muita atenção dos
consumidores.

4.5 – Gestão de Preços em Produtos Promocionais

Durante um período promocional, o varejista normalmente vende o produto pelo

preço abaixo da margem ideal, na maior parte das vezes com margem de lucro
negativa. O investimento em margem pode ser recuperado ou minimizado através
de adequações feitas no próprio mix. Isto significa que o varejista perde muito
dinheiro com a promoção de um produto, mas por outro lado realiza pequenos
aumentos de preço no sortimento para minimizar seus prejuízos. Ao se fazer uma
promoção de macarrão, observa-se, um considerável aumento nas vendas de
molhos de tomate durante o mesmo período. Com base nessas informações, o
varejista pode ou não reajustar o preço destes itens para compensar a eventual
perda da margem do macarrão.
 52

Existem técnicas e campanhas temáticas que induzem o consumidor a efetuar suas

compras por impulso. Uma técnica bastante utilizada em supermercados é a
exposição casada de produtos, conhecida como Cross Merchandising. O Cross
Merchandising serve tanto para incrementar vendas quanto para recuperação de
margem: um exemplo de sua utilização é a exposição de saca-rolhas próximos aos
vinhos, queijo ralado próximo às massas, espetos e carvão no açougue, etc.

Fig. 14 – Exemplo Ação Cross Merchandising

Fonte: www.editionsduboisbaudry.fr

Nem sempre é possível recuperar as perdas em margem de uma promoção apenas

readequando preços de outros produtos; como veremos adiante, a interferência da
alteração de preços sobre as vendas de determinadas categorias de produtos é
mínima ou quase nula. Porém, existem outras receitas vinculadas à promoção de
que os supermercados se beneficiam para compensar as perdas promocionais;
algumas destas práticas são observadas a seguir:

Receita com Bonificações – Entende-se por bonificação um prêmio concedido pelo

fornecedor para abatimento de preço de um determinado produto, podendo este ser
em valor ou em mercadoria. Os fornecedores utilizam bonificação para incentivarem
a venda de seus artigos para o varejo. Normalmente, as negociações com
bonificações geralmente são atreladas a um volume de compra extra, ou seja,
quanto maior for o volume de compra pelo varejista, maior será a bonificação. No
caso das promoções, a bonificação permite a redução do custo unitário do produto,
de forma a não causar impactos na margem.
 53

Receitas com Pontos Promocionais / Espaços Extras – consistem em verbas

pagas por fornecedores mediante aluguel de pontos promocionais (ilhas, gôndolas,
terminais, etc) cuja finalidade é exposição da marca.

Fig. 15 – Exemplo Alocação de Espaço Promocional

Fonte: Carrefour

Receitas com Propaganda Cooperada – consistem em verbas pagas por

fornecedores para anúncio de produtos em folhetos promocionais (tablóides,
lâminas, revistas, anúncio em tv, etc). O varejista é responsável pelas despesas de
anúncio e distribuição.

Fig. 16 – Exemplo Lâmina Promocional

Fonte: Carrefour
 54

É importante observar que nem sempre as adequações de preços no mix

compensam as perdas de margem em uma promoção. Isto ocorre porque
determinados produtos apresentam uma sensibilidade menor ao consumidor e,
portanto, as mudanças de preços causam pouco ou quase nenhum reflexo nas
vendas. Por outro lado, determinados produtos apresentam uma sensibilidade maior
às alterações de preços. Neste caso, pequenas alterações de preço em
determinadas marcas de óleo de soja, açúcar refinado, cerveja, arroz, representam
um considerável estímulo na venda destes itens. A figura 17 ilustra a influência dos
preços no comportamento das vendas do bombom Garoto sortido; porém este
mesmo comportamento não ocorre nas vendas do esmalte Risque, cuja
sensibilidade é menor.

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

Fig. 17 – Registro vendas com variação Preço / Demanda

Uma análise no comportamento histórico de vendas pode determinar a sensibilidade

de um produto diante das variações que o mesmo sofre durante um período. A
sensibilidade pode ser obtida utilizando um conceito conhecido como Elasticidade-
Preço da Demanda (Ed).

4.6 – Elasticidade-Preço da Demanda (Ed)

A quantidade demandada de uma determinada mercadoria pode variar de acordo

com uma série de fatores. Dentre tais fatores, um dos mais relevantes é o preço de
venda que é aplicado sobre a mercadoria. Quando o preço de um produto aumenta,
a quantidade demandada do mesmo diminui; da mesma forma, quando a situação
oposta ocorre, ou seja, quando o preço diminui, a quantidade demandada aumenta,
 55

uma vez que o preço menor constitui um estímulo de consumo. Portanto, a

Elasticidade-Preço da Demanda (η ) é a equação que mede a resposta do
consumidor em relação às mudanças de preços (O'SULLIVAN, 2000). Este valor é
obtido através da subtração da variação percentual da quantidade média
demandada pela variação percentual dos preços durante um determinado período:

∆D
η= (1)
∆P

Ou seja, se um produto com demanda média de 85 unidades com preço unitário de

R$ 2,20 tiver sua venda aumentada para 100 unidades quando o preço cair para R$
2,00, então a elasticidade deste produto é de 1,5 (conforme demonstrado na figura
18).

100 * (2,20 − 2,00 )

%P = = 10 %
R$2,00
100 * (100 − 85)
%D = = 15%
100
15%
η= = 1,5
10%

Fig. 18 – Aplicação cálculo Elasticidade / Demanda

A informação da elasticidade permite o agrupamento de produtos de acordo com a

sensibilidade do mesmo em relação a mudanças de preços. O conceito da divisão
por sensibilidade permite ao varejista efetuar controles mais rigorosos quanto ao
nível de abastecimento ou implicações na decisão do preço de venda. Um caso
prático é a definição do calendário de pesquisas dos estabelecimentos concorrentes:
se a sensibilidade de um produto for alta, o varejista precisa pesquisar preços com
freqüência maior do que para os produtos com baixa elasticidade.

No quesito sensibilidade, os produtos são agrupados de acordo com as

características apresentadas a seguir:

− Produtos Sensíveis (demanda elástica): Quando a elasticidade do

produto for maior que 1, a demanda tenderá a cair caso houver mudança
 56

dos preços, ou seja, elevações no preço de venda provocarão redução na

demanda.
− Produtos de Demanda Unitária: No caso da elasticidade for igual a 1, na
mesma porcentagem que o preço aumentar a demanda irá diminuir.
− Produtos Não-Sensíveis (demanda inelástica): Quando a elasticidade
for menor que 1, as alterações de preço efetuadas não causarão efeito
algum na demanda do produto.

Para o varejista, é essencial conhecer a elasticidade de cada um de seus itens, pois,

sabendo-se o preço de venda, o varejista saberá exatamente quantas unidades
serão vendidas do produto durante o período promocional. No entanto, apesar desta
funcionalidade já estar incorporada no cadastro das grandes empresas, o que se
observa é que decisões de compra de volumes ainda são baseadas através do
“feeling” dos negociadores.

4.7 – Parâmetro de Preço Médio e Demanda Média

Para se obter a elasticidade de um produto, primeiramente necessita-se de um

parâmetro que identifique o preço médio praticado no período, assim como a
demanda média resultante deste preço. No sistema comercial não existe informação
de preço e demanda média para cada produto cadastrado. A única informação da
demanda média é calculada para fins de abastecimento (estes detalhes serão
explicados no capítulo 5), analisando-se o histórico de vendas.

Como estipular um comportamento médio correlacionando o preço com as

quantidades vendidas? Conforme observado anteriormente, existem vários fatores
que contribuem para o comportamento instável nas vendas, como, por exemplo,
falhas no abastecimento, e até o evento promocional em si (quando o mesmo não
está identificado no sistema comercial), o que torna inviável a questão: quantas
unidades serão vendidas de um determinado produto caso seu preço de venda seja
equivalente a X?

Esta questão pode ser solucionada através de técnicas de mineração de dados e

criação de uma rotina automática onde a informação possa ser atualizada
 57

periodicamente. Estaremos exemplificando aqui um modelo a ser adotado,

considerando o comportamento instável observado nas vendas do bombom Garoto.

Ao sumarizar um histórico de 140 dias de venda do bombom Garoto, observa-se que

o mesmo sofre fortes variações em preço e demanda em períodos específicos; os
fatos que motivaram estas variações não estão explicitos no sistema. Porém, este
comportamento de venda comprometerá cálculos futuros quando for realizada a
apuração da venda e demanda média. Analisando os dados apresentados na figura
19, observaremos que, em determinados intervalos, a variação de preços ocorre
quase que diariamente; No varejo, isto significa a probabilidade da loja ter realizado
alguma ação específica, como combate de preço de um concorrente ou liquidação,
e, portanto, tais distorções deverão ser expurgadas no momento em que forem
realizados os cálculos de venda média.

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

Fig. 19 – Sumarização – Desvio nas quantidades

A distorção dos dados podem ter várias origens, conforme observado abaixo:

− Presença de outliers. Podem ser resultado de ações de marketing

extraordinárias, ou fenômenos externos com efeito apenas sobre alguns pontos da
série (de curta duração). Normalmente, a ação de outliers é de difícil detecção pelos
modelos.
− Presença de cotas de venda. Os vendedores manipulam suas vendas para
atingir as cotas, e muitas vezes prorrogam as vendas para ficar mais fácil atingir as
cotas do próximo período, ou realizam promoções agressivas para atingir as metas
do período. Este fenômeno é conhecido como game playing.
 58

− Séries de dados contaminadas com dados de fenômenos concorrentes,

como o caso da demanda representada pelas entregas ou produção, ao invés de
vendas propriamente ditas. Nestes casos as previsões terão acurácia invariavelmente
baixa, e a única solução é tentar aproximar os dados do que se quer estudar de fato.
Por exemplo, pode-se inserir o valor de pedidos atrasados ou adiantados a fim de
aproximar os dados de entregas da demanda verdadeira.
− Vendas gerenciadas por “contas”. As contas podem não representar a
demanda real, uma vez que também estão sujeitas ao game playing.
− Estratégias para fugir de taxas e impostos, como a produção acelerada no
último mês do ano. Estas devem ser detectadas e amenizadas.
− Políticas empresariais diversas, por questões legais, de marketing ou
outras. (GEURTS & WHITLARK, 1996 apud PASSARI, 2003, p.19).

Uma maneira de expurgar estes registros do cálculo é desconsiderar as variações

de preço que ocorreram em períodos inferiores a 3 dias, pressupondo que ações
eventuais com rebaixa de preços ocorrem a curtos intervalos de tempo. Neste caso,
estamos adotando o número de dias apenas para exemplificarmos o cálculo da
demanda X preço médio; Este número de dias pode ser substituído por variações
percentuais ou quaisquer outros parâmetros a serem adotados de acordo com as
regras, necessidades ou particularidades características do negócio.

Quando sumarizamos novamente estas informações desconsiderando as variações

inferiores a 03 dias, obtemos uma base confiável para apuração de valores,
representada na figura 20.

[1] [2] [3]

Qtd. Qtd Venda Venda

Frequencia
Descriçao Preço Venda Média Valor Período
(N. Dias)
Acumul. Venda (R$) (R$)
BOMBOM GAROTO SORTIDO 400G 5 6,29 70 14 440 2.202
BOMBOM GAROTO SORTIDO 400G 38 5,89 1.220 32 7.186 273.060
BOMBOM GAROTO SORTIDO 400G 4 5,45 177 44 965 3.859
BOMBOM GAROTO SORTIDO 400G 38 5,25 1.776 47 9.324 354.312
BOMBOM GAROTO SORTIDO 400G 9 5,19 408 45 2.118 19.058
BOMBOM GAROTO SORTIDO 400G 21 4,99 2.023 96 10.095 211.990
Total 115 5.674 279 30.127 864.480

Média
[4] Preço [5]
Venda
Médio
(Qtd)
5,31 49

Fig. 20 – Mineração dados histórico de venda bombom Garoto 8

A quantidade média [5] equivale à somatória da quantidade de venda acumulada [2]

e sua divisão pelo total do número de dias [1]. O preço médio [4] é obtido através da

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.

Preço Médio: 5,31

Venda Média 49

Venda Média Variação Variação %

DESCRICAO Preço
(Diário) % Preço Venda

BOMBOM GAROTO SORTIDO 400G 6,29 14 18,46% 0,00%

BOMBOM GAROTO SORTIDO 400G 5,89 32 10,92% 34,48%
BOMBOM GAROTO SORTIDO 400G 5,45 44 2,64% 9,69%
BOMBOM GAROTO SORTIDO 400G 5,25 47 1,13% 4,62%
BOMBOM GAROTO SORTIDO 400G 5,19 45 2,26% 7,48%
BOMBOM GAROTO SORTIDO 400G 4,99 96 6,03% 96,60%
SOMA 22,98% 152,87%

Elasticidade do produto ------------------------------------>

6,65

Fig. 21 – Análise Elasticidade X Preço Médio X Demanda Média

Com base nessa informação, podemos definir a elasticidade do bombom Garoto

aplicando, como padrão, o preço e demanda média e utilizando a mesma base para
calcular a elasticidade do produto. Quando aplicamos a equação da Elasticidade
sobre o Preço Médio e a Venda Média obtidos, determinamos que o Ed do bombom
Garoto é 6,65.

Um estudo realizado sobre a base de dados de onde foram extraídas estas

informações indica que 48,53% dos itens com movimentação histórica são sensíveis
às alterações de preços; Porém quando realizamos este levantamento nos itens que
participam com maior freqüência das promoções, este número sobe para 64,49%.
Isso prova que mais da metade dos produtos que compõe uma lista de ofertas
possuem a característica da variação no comportamento de venda em função da
alteração de preço.

4.8 – Modelo Matemático Para Projeção da Demanda

Conhecendo o conceito, o próximo passo é a elaboração de um modelo matemático

que permita projetar a demanda de um produto baseando-se no preço de venda do
mesmo. Conforme demonstrado acima, a elasticidade representa em quantos por
centos a demanda de um produto se modifica caso o seu preço seja alterado em
1%. Neste caso, considerando que a elasticidade do bombom Garoto é de 6,65%,
 60

caso decidirmos que o preço de venda será de R$ 5,07, então a demanda média
será de 64 unidades, pois:

η (Elasticidade Preço da Demanda): 6,65

Dm (Demanda Média) = 49
Pm (Preço Médio) = R$ 5,31
Pp (Preço Projetado) = R$ 5,07
∆ Dm (Alavancagem): [(Pm – Pp) / Pm] X η
Dp (Demanda Projetada) = Dm + [Dm X (∆ Dm X -1)]

Ou:

∆ Dm = [(Pm – Pp) / Pm]) X η

∆ Dm = 0,045 X 6,65 = 0,30
Dp = 49 X (0,30 X -1)
Dp = 64 unidades

Observa-se que o valor percentual de ∆ Dm a ser encontrado deve ser multiplicado

por -1, pois o aumento do preço acarretará a diminuição da demanda.

4.9 – Conclusões

Este capítulo conceitua a atividade do varejo em si e, através de observações in

loco, constatações e pesquisas bibliográficas, procura identificar processos e
técnicas que o gestor utiliza para obter a lucratividade através do gerenciamento do
Mix de produtos. Foi demonstrado que alterações nos preços podem influenciar no
aumento da demanda (quando o preço do produto é reduzido) ou na queda (quando
o preço sofrer um aumento), e a mensuração destes impactos através do cálculo da
elasticidade-preço da demanda. Com base destes pressupostos teóricos, foram
elaborados modelos de planilhas eletrônicas que permitissem simular o
comportamento da demanda mediante alterações de preços, utilizando conceitos
típicos do Data Mining, como a sumarização e análise de séries temporais.
Resultados práticos satisfatórios foram obtidos através da aplicação dos conceitos
apresentados.
 61

5 CAPÍTULO 5: GESTÃO DE ABASTECIMENTO NO

VAREJO

No capítulo anterior, explicou-se a importância da definição do preço de venda para

a composição do mix de margem de uma loja de varejo, e os impactos da redução
de margens sobre a venda de determinados produtos. Demonstrou-se que o
comportamento de venda de um produto pode ou não variar de acordo com
alterações de preço, e com base nesses dados, o varejista pode realizar ajustes no
mix para minimizar suas perdas com produtos promocionais. Neste novo capítulo,
estaremos abordando os processos e conceitos envolvidos nas operações de
retaguarda, buscando conhecer o funcionamento do abastecimento automatizado,
cuja finalidade é o suprimento da mercadoria no momento certo e na quantidade
certa. Conhecer este processo torna-se fundamental para compreensão do modelo
de inteligência analítica que será proposto neste trabalho.

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.

5.1 – Parâmetros de Abastecimento: Estoque Padrão

 62

Para cada produto existente no cadastro comercial de cada loja, é necessário

informar um parâmetro que representa a quantidade mínima que se pretende manter
em estoque deste produto. Este parâmetro é denominado ESTOQUE PADRÃO
(EP), e seu valor é geralmente determinado por informações de média diária de
venda, Lead Time 9do fornecedor ou do CD que supre a loja, aumentos inesperados
da demanda e / ou atraso do fornecimento e a capacidade de armazenamento em
gôndola. A principal função do EP (ou Estoque Objetivo) é manter um estoque
mínimo de cada produto na loja para suportar a demanda de venda até a próxima
entrega da mercadoria, evitando assim a ruptura (falta do produto). Este parâmetro
deve ser elaborado considerando a demanda normal do produto, ou seja,
expurgando as vendas promocionais, e sua revisão deve ocorrer periodicamente,
com ajustes de acordo com as sazonalidades do setor. Por exemplo, no verão,
deve-se reajustar o EP dos protetores solar, no final de ano deve-se reajustar o EP
das aves natalinas, em Julho, reforçar o EP de farináceos; e assim por diante, pois
certamente estes produtos terão um acréscimo de venda nesses períodos. Outro
ponto de observação é a definição do EP para cada item, definição essa a ser feita
com extrema cautela, uma vez que a parametrização errada de um produto pode
provocar obsolescências ou rupturas no estoque; veremos, mais adiante, os
impactos da gestão ineficiente de parâmetros.

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.

Refinando um pouco mais este conceito, podemos representar a equação abaixo

como forma de cálculo de um EP (padrão utilizado pela empresa onde este estudo
foi realizado):

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

QT = Quantidade em Gôndola do produto

A figura 22 representa o comportamento de estoque de um produto, considerando

um EP 60 unidades com média de venda de 16 unidades por dia. Nesse caso, o
ressuprimento ocorre a cada 3 dias, porém nota-se que em alguns dias este produto
esteve em ruptura, portanto, deve-se fazer uma reavaliação deste parâmetro.

Extrato de Estoque X Entregas

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

Fig. 22 – Análise de reposição da Demanda

É importante observar a aplicação da Inteligência Analítica no refinamento destes

dados para identificar atrasos no abastecimento e oscilações da demanda. Desta
forma, pode-se aperfeiçoar a composição do EP considerando um estoque de
segurança para minimizar os problemas de abastecimento. Observa-se também que
a VM jamais deverá considerar o desempenho deste produto quando o mesmo
estiver em promoção; nestes casos, os volumes específicos da promoção devem ser
calculados à parte.

5.2 – Parâmetros de Abastecimento: Ponto de Reposição

O PONTO DE REPOSIÇÃO (PR) é um valor percentual que identifica o momento

ideal em que deverá ser solicitada a compra de um produto (geração do pedido de
compra). A variação deste percentual depende muito do comportamento de venda
da mercadoria, ou seja, quanto maior a demanda do produto, maior será o seu ponto
de reposição. Exemplo: considerando-se o EP de um produto como 60 peças, se o
percentual de reposição atribuído a este produto for igual a 50%, isto significa que
quando o estoque sistêmico deste produto for igual a 30 peças, o sistema irá gerar
 64

um pedido para fazer a reposição do produto. Portanto, 30 unidades é o ponto de

reposição (PR).

PR = EP * REP (3)
Onde:
EP = Estoque Padrão;
REP = Percentual de Reposição;

O EP e o PR são os parâmetros que informam ao sistema de retaguarda quando

deverá ser gerado o pedido de reposição de um produto e em que momento este
pedido será gerado.

Conhecendo-se a composição do EP e do PR, compõe-se agora o cálculo que o

sistema realiza quando é gerado o pedido de compra (PC):

PC = EP −PR (4)

5.3 – Gestão de Estoques

No Brasil, a preocupação em gerir estoques de maneira eficiente surgiu junto com as

novas formas de operacionalização do negócio, quando empresas varejistas
tentavam criar novas formas de gestão para manter a lucratividade após a
estabilização da moeda e a contenção da inflação. A estocagem de produtos implica
em custos para o varejista, portanto, quanto menor for o estoque, menor serão seus
custos com estocagem. Estes custos podem ser desmembrados da seguinte
maneira:

• Custo de Capital Parado: é o valor que a empresa perde por ter

investido em estoques em vez de aplicar no mercado financeiro,
ganhando a remuneração dos juros.
• Custo com Perdas e Roubos: São os custos relacionados com extravio
ou quebra através do manuseio de mercadorias.
• Custo de Depreciação ou Obsolescência: É o valor que a empresa
perde pelo investimento em margem com produtos que se tornam
obsoletos ou modelos que se tornam ultrapassados. A obsolescência é o
 65

desgaste pelo tempo de exposição ou as sobras de mercadoria que

ocorrem no final de uma estação.

O desafio na gestão dos estoques está no equilíbrio da compra e venda. O gestor

tem que garantir o mínimo estoque, mas que seja suficiente para atender a demanda
do produto. Se os estoques forem demasiadamente reduzidos, corre-se o grande
risco de não atender o cliente.

Atualmente, a tecnologia da informação está contribuindo para que informações de

estoque nas lojas possam ser compartilhadas também com os fornecedores.
Modelos como o VMI (Vendor Managed Inventory - Estoque Gerenciado pelo
Fornecedor) ou CPFR (Collaborative Planning Forecast and Replenishment)
permitem que dados de estoque e vendas sejam compartilhados para que a ação da
reposição seja mais eficiente. O sistema Retail Link do Wal-Mart permite que cada
um de seus fornecedores, espalhados em mais de 80 países, monitorarem a
movimentação de seus itens, e com base nesses dados, planejarem sua produção
de acordo com a demanda real, ou readequarem prioridades logísticas para evitar a
ruptura nos supermercados (DAVENPORT, 2007).

5.4 – Abastecimento de Produtos Promocionais

Conforme observado nos tópicos anteriores, os parâmetros de EP e PR devem ser

elaborados sem considerar a demanda promocional do produto. Isso se deve ao fato
da compra promocional ser feita separadamente do abastecimento automático.
Normalmente a separação é feita em função da negociação de volumes, mas em
termos de automação, esta separação se faz necessária para um sistema “entender”
que a variação no comportamento de venda de um determinado produto se deve ao
fato desse mesmo produto estar em promoção durante tal período.

No varejo, as promoções podem ocorrer de diversas maneiras, sendo que as

listadas abaixo são as mais comuns:

− Anúncios em TV: Os anúncios em TV possuem um tratamento

diferenciado, em função da agressividade dos preços e marcas líderes de
categoria. Por se tratar de veiculação de comerciais em horários de picos
de audiência, este formato permite uma abrangência maior de
 66

consumidores e, portanto, deve-se acompanhar detalhadamente o status

de abastecimento destes produtos. Normalmente, anuncia-se uma média
de 03 a 06 itens, e os anúncios podem ser veiculados diariamente ou
durante alguns dias na semana.
− Anúncios em Tablóides / Encartes semanais: Os tablóides ou encartes
semanais (vide figura 16) constituem a relação de produtos em promoção,
elaborado de acordo com o calendário promocional da empresa.
Normalmente, são anunciados de 300 a 1.000 itens, dependendo da
campanha de marketing em vigor. A principal característica dos encartes
é trazer o consumidor até o supermercado para comprar as ofertas e, ao
mesmo tempo, comprar outros produtos aos preços normais. A
distribuição dos encartes ocorre em áreas estrategicamente definidas,
onde se pretende atingir o público alvo;
− Anúncios com Lâminas Especiais / Sazonais: São encartes
específicos elaborados para atender determinadas campanhas sazonais.
Por exemplo: Dia das Mães, Festival de Vinhos e Queijos, Festival Eletro,
etc.
− Liquidação / Queima de Estoque: Para as liquidações, não existe uma
quantidade de compra, pois o principal objetivo deste formato é a redução
dos estoques obsoletos. A lista de itens é definida pela própria loja,
compreendendo produtos sem venda, produtos fora de estação e até
mercadorias com pequenos defeitos. Nas liquidações, as mercadorias são
sempre vendidas a preços inferiores ao custo.

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.

O planejamento de uma promoção varia de acordo com o tipo de anúncio. Para os

anúncios em TV, o planejamento é realizado com 02 semanas de antecedência. No
caso dos tablóides, em função do número de produtos que compõe um encarte, é
necessário programar as atividades com mais de 45 dias de antecedência, no
momento em que os gestores de categoria selecionam os itens e negociam com os
 67

fornecedores os preços e condições especiais. Este processo pode ser observado

através da figura 23.

[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).

A informação de demanda produto / loja é repassada para a área de Abastecimento

[3]. O abastecimento utiliza uma ferramenta especialmente elaborada para verificar
os estoques de cada item nas lojas do grupo, assim como os pedidos que estão
agendados no sistema. Com base nesses dados, é feita uma projeção de quanto
Estrat
promo
será o estoque inicial de cada item em D-1 da promoção, e apurada a real
10
A numeração entre colchetes corresponde uma representação gráfica para entendimento do texto
explicativo a seguir.
 68

Necessidade de Compra (NC) de suprimento. O NC é a diferença do estoque D-1 e

a venda projetada para o período da promoção, e sua representação é feita através
da equação:

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.

A necessidade de compra calculada para cada item / loja será consolidada e

realizada pelo Centro de Distribuição (Cd) ou célula de compra responsável pelo
ressuprimento daquelas lojas. Por sua vez os Cds verificam seus estoques e emitem
os pedidos de compra para os fornecedores.

5.5 – Conclusões

Este capítulo apresentou a metodologia adotada para o ressuprimento automático

de mercadorias. A empresa foco deste estudo realiza o abastecimento utilizando
parâmetros de reposição, como o Estoque Padrão, que representa a quantidade
mínima que a empresa deseja manter em estoque do produto até o seu próximo
ressuprimento. Esta metodologia de ressuprimento mostra-se eficaz para garantir o
abastecimento da demanda contínua, apesar dos parâmetros de reposição sofrerem
reavaliações de tempos em tempos, ou de acordo com as sazonalidades. Contudo,
a compra de produtos promocionais deve ser realizada de modo independente, onde
os volumes são definidos por um departamento central, a GCP (Gestão Central de
Promoções), enquanto a distribuição e controle do abastecimento é mantido sob a
responsabilidade da Logística. A definição dos volumes de compras por parte da
GCP é realizada através do know-how de profissionais acostumados com as
particularidades dos impactos da alteração de preços sobre a demanda de
determinadas categorias de produtos.
 69

6 CAPÍTULO 6: MODELO DE PREVISÃO PROMOCIONAL

O objetivo deste capítulo é demonstrar a utilização dos conceitos explicados nos

capítulos anteriores para elaboração de um modelo, baseado em Inteligência
Analítica, com o objetivo de melhorar um processo de abastecimento das
promoções.

Observamos nos capítulos anteriores a importância das promoções como estratégia

utilizada pelos supermercados para atração de novos clientes; Com isso, conclui-se
que, para que seja bem sucedida, uma ação promocional deve ser planejada com
vários dias de antecedência, e que falhas na estimativa da demanda podem
ocasionar o desapontamento do cliente (quando a estimativa for inferior e ocorrer
falta do produto) ou o excesso de estoque (quando a estimativa for superior). Apesar
do alto grau de informatização presente no varejo, muitos supermercados ainda
planejam a compra de seus produtos promocionais através do feeling de seus
negociadores, não existindo bases de informação necessárias ou estudos
complementares que apurem com exatidão a performance ou a viabilidade da
mesma, ou se a promoção compensou a eventual perda das margens
(SUPERHIPER, 2008). Portanto, a criação de uma estrutura DW permitiria o
armazenamento destes registros para um estudo sobre tendências de demandas
futuras, baseado no comportamento das vendas de acordo com as oscilações de
preços.

Outro ponto de observação é que o processo de geração dos pedidos de compra é

feito de maneira automatizada, considerando apenas o parâmetro que representa a
quantidade mínima de estoque definido para cada produto (Estoque Padrão). Este
 70

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.

Portanto, o processo de gestão de compra e distribuição de volumes promocionais é

realizado à parte, onde as quantidades são definidas por um departamento
específico. A composição destes volumes pode variar de acordo com o tipo de
promoção ou o preço de venda a ser praticado. Neste caso, modelos específicos de
Data Mining podem predizer o volume que será vendido durante o período da
promoção com uma margem mínima de erro. A partir do momento em que se
estabelece a demanda futura de um produto, o próximo passo é efetuar a compra
das quantidades considerando-se o estoque disponível, lead-time do fornecedor e
outras variantes logísticas, já abordadas no capítulo 5.

Outro benefício obtido através do registro das promoções é o fornecimento de

informações adicionais que permitam apurar as condições em que um aumento
inexplicável de venda ocorreu, quais as mídias de divulgação utilizadas e os
impactos ocorridos dentro do mix de produtos (SUPERHIPER, 2008).

6.1 – Registro da Promoção

Partindo da premissa de que todo evento promocional deve ser identificado e

armazenado no sistema comercial, propõe-se a elaboração de uma aplicação
sharepoint (plataforma de colaboração) a ser utilizada pelas áreas envolvidas no
processo. Esta aplicação estará disponível para todos os colaboradores, e seu
conteúdo pode ser acessado diretamente através de um portal intranet. É importante
observar que esta aplicação não está vinculada a nenhum módulo do sistema de
gestão comercial da empresa: a estrutura contendo a relação com os itens da
promoção é criada de maneira independente, sendo que a integração dos dados
ocorrerá somente dentro do DW.
 71

Observando o fluxo de processos apresentado na figura 23, o cadastro dos eventos

deverá ser realizado a partir do momento da definição da listagem de produtos pelo
departamento Direção de Mercadorias. Obrigatoriamente, informações
complementares referentes ao período (data início e data fim) e tipo de evento
(Anúncio TV, Lâmina ou tablóides) também deverão ser identificadas no sistema.

Fig. 24 – Demonstração Tela de Inclusão de Eventos

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.

Fig. 25 – Seleção do evento e carregamento da planilha de produtos

Um exemplo da modelagem para esta estrutura de armazenamento é apresentado

na figura 26:
 72

Fig. 26 – Exemplo Estrutura para Armazenamento de Eventos

Esta estrutura inicial de armazenamento é composta por 05 tabelas, sendo cada

uma delas responsável pelo armazenamento de uma informação específica.

− A tabela B_TIPO_EVENTO armazena informações pertinentes ao tipo de

evento, como, por exemplo, percentual de alavancagem a ser aplicado de
acordo com o tipo de mídia a ser utilizado.
− A tabela B_RESPNS armazena informações pertinentes do responsável
pela abertura / definição do evento no sistema.
− A tabela B_EVENTO consiste a relação de eventos identificados através
de um código (Chave Primária) e informações a respeito da data início e
data término.
− A tabela B_REL_PRODUTOS contém a relação de produtos e preços de
venda estimados por loja (os dados são carregados através de uma
planilha eletrônica), e identificados de acordo com o código do evento
(Chave Estrangeira).
− A tabela B_LOJA abrange a relação das lojas e formatos que fazem parte
da operação da empresa.

Criamos estas tabelas em um banco de dados, incluindo registros dos eventos

realizados pela loja durante os últimos 6 meses. O levantamento destas informações
foi colhido fazendo-se uso de planilhas eletrônicas contendo anúncios difundidos
pela matriz do grupo. Contudo, tais planilhas não possuíam um padrão único de
apresentação de dados, sendo necessário corrigir manualmente vários arquivos
 73

para adaptá-los ao layout das tabelas. Posteriormente, foi executada uma consulta à
base de movimentação para resgatar o histórico de movimentação destes itens.

6.2 – Histórico de Vendas

Em cada filial do grupo, um procedimento noturno é realizado diariamente para

capturar informações de venda dos Pdv’s e integrá-las dentro do sistema comercial.
Posteriormente, um segundo processo captura os dados do sistema comercial e os
envia para um DW consolidado. O servidor, localizado fisicamente na matriz do
grupo, disponibiliza as informações em forma de relatórios e indicadores BI, tanto
para os departamentos internos quanto para as filiais, centros de distribuição e até
mesmo fornecedores / colaboradores externos.

Fig. 27 – Demonstração Tabela Registro Histórico de Vendas

Uma alternativa proposta para integrar vendas promocionais é a criação de uma

nova tabela, com a finalidade única de armazenar dados de vendas por evento /
produto / loja, desta forma evitando-se adaptações na estrutura original. O objetivo
de se criar uma nova tabela destinada apenas para o armazenamento das
promoções é que estes dados podem ser lidos e agrupados à parte, servindo de
fonte para novos indicadores BI (performance por eventos, vendas, perda de
margem, rupturas e outros), considerando a premissa de que pode um mesmo
produto participar de dois ou mais eventos simultâneos.

A atualização do histórico ocorrerá durante a operação noturna responsável pela

atualização dos dados no DW. A figura 28 ilustra o funcionamento deste processo.
No momento em que ocorrer a carga dos dados na tabela de movimentação de
 74

vendas [1], o sistema verificará se existe registro da promoção para um determinado

produto / loja [2]. Caso afirmativo, será feita inclusão dos valores na tabela de
registro B_REGISTRO_VENDAS_EVENTO [3]. Neste modelo, é importante
observar também o registro do preço, custo, margem e até mesmo estoque, visando
o reaproveitamento da informação para novos relatórios.

[2]

[3]

[1]

Fig. 28 – Exemplo estrutura para Armazenamento Dados Venda por Eventos11

6.3 – Informações de Elasticidade por Produto

A Elasticidade-Preço da Demanda, cujos conceitos foram apresentados no capítulo

4, constituem um dos principais parâmetros de composição para o cálculo de
projeção de valores. Atualmente, o sistema comercial armazena a demanda média
obtida pelo histórico das vendas dos últimos 70 dias, porém esta informação é
utilizada apenas para efeitos de abastecimento, servindo de parâmetro para

11
A numeração entre colchetes corresponde uma representação gráfica para entendimento do texto
explicativo acima.
 75

elaboração do Estoque Padrão. Considerando a premissa de que a demanda de um

produto pode variar de acordo com o preço com que é vendido, propomos que uma
tabela seja criada apenas para armazenar a demanda média e o preço médio de
acordo com a elasticidade deste produto. Esta estrutura pode ser implementada de
diversas formas, todas elas variando de acordo com o nível de processamento ou
volume dos dados que serão garimpados no BD. Porém, neste modelo, adotaremos
a criação de uma nova tabela, denominada B_PROD_COMPLEMENTO, onde serão
armazenados os valores de demanda média, preço médio e elasticidade obtidos
através de uma rotina de mineração, baseado nas premissas do modelo
apresentado na figura 22, do capítulo 4. A criação de uma tabela complementar
contribui significativamente para redução do tempo de processamento no servidor,
quando forem realizados os cálculos para projeção da demanda futura. Em
contrapartida, uma rotina de processamento deverá ser adotada, e executada
semanalmente, ou diariamente, para garantir a atualização da tabela complementar.

Fig. 29 – Stored Procedure responsável pela sumarização Preço X Demanda

Uma forma de se implementar esta rotina consiste na criação de consultas e Stored

12
Procedures que realizam a mineração dos dados de venda, efetuam os cálculos

12
Stored Procedures são conjunto de instruções executadas dentro de um banco de dados.
 76

para apuração da elasticidade e armazenam os resultados na tabela

B_PROD_COMPLEMENTO, como pode ser observado na figura 29.

Fig. 30 – Fluxo Processo Mineração e Transformação dos dados de Demanda

Cada consulta ou Stored Procedure é responsável por uma etapa do processo,

tratando os dados, sumarizando e enviando para um processo seguinte. O processo
todo é realizado de modo a garantir a integridade e confiabilidade dos dados até o
ponto em que estes forem completamente carregados na tabela auxiliar
B_PROD_COMPLEMENTO.
 77

Fig. 31 – Estrutura da Tabela B_PROD_COMPLEMENTO com os dados completamente carregados

 Nome do Processo Entrada Saídas Operação

TBL_MOVIMENTACAO_VENDAS.Loja Loja FREQÜENCIA : Contar {Data_Movimento}

TBL_MOVIMENTACAO_VENDAS.Código Código SOMA_QTD_PERÍODO: Somar {Qtd}
TBL_MOVIMENTACAO_VENDAS.Data_Movimento FREQÜENCIA SOMA_VENDA_PERÍODO: Somar {[Qtd] * [PREÇO]}
TBL_MOVIMENTACAO_VENDAS.Qtd SOMA_QTD_PERÍODO VM: {[SOMA_QTD_PERÍODO] / [FREQÜENCIA]}
_APURAÇÃO_VM_PM
TBL_MOVIMENTACAO_VENDAS.Preço SOMA_VENDA_PERÍODO PM: {[VM] * [PREÇO]}
VM Agrupado por Loja, Código e Preço
PM Onde [FREQÜENCIA] > 3
Preço
_APURAÇÃO_VM_PM.Loja Loja TOT_NUMERO_DIAS : Somar {FREQÜENCIA}
_APURAÇÃO_VM_PM.Código Código PAR_VM_MÉDIA: {[SOMA_QTD_PERÍODO] /[ TOT_NUMERO_DIAS]}
_APURAÇÃO_VM_PM.SOMA_QTD_PERÍODO TOT_NUMERO_DIAS TOT_VENDA_PERÍODO: Somar {SOMA_VENDA_PERÍODO}
_SUMARIZA_VM_PM
_APURAÇÃO_VM_PM.FREQÜENCIA PAR_VM_MÉDIA PREÇO_MEDIO: {[TOT_VENDA_PERÍODO] / [SOMA_QTD_PERÍODO]}
_APURAÇÃO_VM_PM.SOMA_VENDA_PERÍODO TOT_VENDA_PERÍODO Agrupado por Loja e Código
PREÇO_MEDIO
_APURAÇÃO_VM_PM.Loja Loja PER_VAR_PV: ([PM]-[PREÇO_MEDIO]) / [PREÇO_MEDIO]
_APURAÇÃO_VM_PM.Código Código PER_VAR_DEMANDA: ([VM]-[PAR_VM_MÉDIA]) / [PAR_VM_MÉDIA]
_APURAÇÃO_VM_PM.FREQÜENCIA PER_VAR_PV
_APURAÇÃO_ELASTICIDADE _APURAÇÃO_VM_PM.PM PER_VAR_DEMANDA Agrupado por Loja e Código
_SUMARIZA_VM_PM.PREÇO_MEDIO
_APURAÇÃO_VM_PM.VM
_SUMARIZA_VM_PM.PAR_VM_MÉDIA
_APURAÇÃO_ELASTICIDADE.Loja Loja TOTAL_PER_VAR_PV: Somar {PER_VAR_PV}
_APURAÇÃO_ELASTICIDADE.Código Código TOTAL_PER_VAR_DEMANDA: Somar {PER_VAR_DEMANDA}
_APURAÇÃO_ELASTICIDADE.PER_VAR_PV TOTAL_PER_VAR_PV ELASTICIDADE: [TOTAL_PER_VAR_DEMANDA] /
_SUMARIZA_ELASTICIDADE [TOTAL_PER_VAR_PV]
_APURAÇÃO_ELASTICIDADE.PER_VAR_DEMANDA TOTAL_PER_VAR_DEMANDA
ELASTICIDADE Agrupado por Loja e Código

Tabela 2 – Relação dos eventos disparados pelas Stored Procedures

78
 79

6.4 –Elasticidade da demanda por tipo de Evento

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.

Duração Total Qtd Total Qtds Variação

Tipo Evento Alavancagem %
Média Dias Vendidas Demanda Média Preços %

LAMINAS 6 182.625 114.922 -6,80% 58,91%

SAZONAIS 5 49.794 43.921 -0,20% 13,37%
TABLÓIDES 7 171.256 136.239 -7,16% 25,70%
TV 2 153.132 20.546 -11,56% 645,31%

Tabela 3 – Análise alavancagem tipo de evento

Observa-se que produtos que participam de anúncios veiculados em TV

normalmente tem seus preços reduzidos em média 11,56%. A estratégia de
veiculação em TV atinge um maior número de consumidores, portanto, produtos que
participam deste tipo de ação podem sofrer um aumento da demanda em até
645,31%. Por causa da agressividade e perdas em margens, este tipo de anúncio
possui curta duração (em média 02 dias).

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.

Para efeitos de estudo, estaremos analisando o universo de dados coletados apenas

de produtos que participam do evento tablóide.

6.5 – Aplicação das Variáveis Preditivas

 80

Depois de definida a estrutura física para armazenamento e transformação dos

dados, o próximo passo é selecionar as variáveis preditivas que melhor se
adaptarão ao modelo de previsão. Aplicamos os conceitos de elasticidade-demanda
observados no capítulo 4 (Tópico 4.6) sobre um evento real, simulando o volume de
previsão de venda (utilizando séries temporais) e comparando com os valores reais.
O evento em questão refere-se a um tablóide que esteve em vigor no período de
12/08/2008 a 19/08/2008, e o resumo da amostragem total pode ser observado no
quadro abaixo:

Número de Demanda Demanda

Evento Período Dif %
Itens Prevista Realizada
de 12/08/08 a
Tabloide Agosto II 603 77.000 78.201 1.201 1,56%
19/08/08

Tabela 4 – Comparativo da Demanda Prevista X Realizada

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

da loja e o composto de marketing da concorrência. Produto, preço e promoção

fazem parte do composto de marketing, assim como apresentação e ponto de
localização; As demais variáveis, como fatores ambientais, são imprevisíveis e
difíceis de mensurar.

Sob o ponto de vista operacional, as variáveis a seguir devem ser consideradas:

− Canibalismo: Representa a perda percentual sobre o volume de vendas

resultante das ações promovidas pelos concorrentes, geralmente com
produtos similares. Hoje, os supermercados mantém uma base de dados
com pesquisas de preço que são realizados nos concorrentes mais
próximos, possibilitando incorporar estas informações no modelo de
previsão.

− Tipo Evento: conforme abordado no tópico 6.4, a demanda pode variar

de acordo com o tipo de mídia utilizada.

− Ações Promocionais no Ponto de Venda: Deve-se atribuir um

percentual de acréscimo sobre a demanda, caso forem planejadas ações
promocionais específicas (exemplo: degustação, brindes).

6.6 – Aplicação de Modelos para Previsão de Demanda

Os modelos estatísticos tradicionalmente utilizam Séries Temporais e Modelos de

Regressão para previsão de valores. As Séries Temporais baseiam-se no histórico
de uma variável, buscando padrões que possam descrever o comportamento desta
variável, para depois extrapolá-los para o futuro através de um dos métodos
aplicáveis aos modelos univariados. Modelos de regressão consideram o
comportamento de uma variável a ser prevista como causa e efeito de uma ou mais
variáveis independentes. Seu princípio é descobrir esta forma de relacionamento ou
correlação e utilizá-la na previsão da variável dependente.
 82

Fig. 32 – Modelo para Previsão de Vendas

Fonte: FuturMaster(www.futurmaster.com)

Para facilitar o processo de decisão, os dados utilizados devem ser o mais

atomizados (individuais) possível, permitindo gerar previsões com grande nível de
detalhamento, porém a um horizonte de curto prazo. Na bibliografia, inúmeros
autores pesquisaram sobre acuracidade de modelos quantitativos para prever
demanda, utilizando diferentes técnicas e abordagens. BARASH & MITCHELL
(1998), GORDON (1998), e ALIBAIG & LILLY (1999), por exemplo, exploraram a
previsão da demanda de modo individual, produto a produto, utilizando séries
temporais do histórico de vendas (PASSARI, 2003).

Fig. 33 – Abordagens de previsão de vendas com uso de dados individuais e modelagem de séries
temporais
Fonte: PASSARI, 2003

Outros autores, como MENTZER & KENT (1999) e SUBRAHMANYAN (2000),

desenvolveram modelos exploratórios do impacto de diversas variáveis sobre a
previsão individual de um produto. Poucos autores, contudo, realizaram estudos a
 83

fim de desenvolver modelos que incorporassem o relacionamento existente entre os

produtos (PASSARI, 2003). CHAKRABORTY et al. (1992) estudaram o uso das RNA
(Redes Neurais Artificiais) e demonstraram ser possível melhorar a previsão de
séries temporais e variáveis, permitindo incorporá-las em um modelo único, e não
realizar as previsões isoladamente.

Fig. 34 – Abordagens de previsão de vendas com utilizando RNAs

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).

Como ponto de observação, as redes neurais podem prever os impactos refletidos

da promoção sobre a demanda de outros itens, um fenômeno conhecido como
elasticidade cruzada. Quando um produto participa de um evento promocional, a
tendência é aumentar a demanda deste produto e diminuir a demanda de produtos
similares. Este relacionamento pode ser medido também através da elasticidade
cruzada, que reflete como a variação do preço de um produto afeta o
comportamento de vendas de outros produtos (PARENTE, 2000).

6.7 – Geração da Necessidade de Compra baseado na Demanda Prevista

 84

Projetado a demanda unitária por item, a próxima etapa do processo é a geração da

Necessidade de Compras, cujos conceitos foram apresentados no final do capítulo 5
(subcapítulo 5.4). Tendo-se em vista a demanda projetada de um produto durante o
período promocional, o próximo passo é a aplicação da equação da Necessidade de
Compras (Equação 5). Conhecendo-se as quantidades que serão vendidas,
desconta-se os volumes em estoque e futuras pendências de compra (pedidos em
aberto) da previsão de venda, gerando o volume final que deverá ser comprado do
fornecedor.
 85

7 CONCLUSÃO

As mudanças de mercado impostas pelo Plano Real obrigaram as empresas de

varejo no Brasil a reverem seus conceitos e metodologias. Neste novo cenário, as
empresas passaram a competir mais entre si, buscando atender um consumidor
mais exigente e com maior poder de compra, motivado pela melhor oferta de
serviços, preços e atendimento. Oferecer os melhores serviços a melhores preços
implicava em reduzir custos operacionais, e isto só poderia ser obtido através de
melhorias contínuas dos processos e mecanismos de gestão. Neste ponto, a
Tecnologia da Informação contribuiu para a melhoria de serviços, através da
automação comercial, proporcionando mecanismos necessários para a gestão do
negócio, como, por exemplo, redução de custos logísticos através da integração da
cadeia logística e gerenciamento do mix de produtos. Este estudo demonstrou a
evolução dos Sistemas de Informação, observando como TI vem sendo utilizada
estrategicamente pelos supermercados para gerar informações para agregar valor
ao negócio.

Diante dos motivos expostos, escolheu-se estudar um processo praticado pelo

varejo: a promoção de produtos. A atividade promocional é o principal elo entre o
consumidor e o supermercadista, sendo o principal meio para atração / retenção de
novos clientes. Além disso, a atividade promocional esta diretamente vinculada à
imagem da empresa que o pratica, o que resulta um conjunto de ações e seu pré-
planejamento com vários dias de antecedência. O sucesso da promoção é o
resultado da sinergia entre os departamentos de Mercadorias (negociação de
preços), Logística (abastecimento dos volumes de compra) e T.I. (ferramentas para
 86

controle durante o processo). Uma promoção não planejada acarreta em perda de

imagem da empresa com o seu consumidor, ou então em implicações no custo de
armazenamento, quando os volumes de compra forem superiores da demanda
realizada.

Durante a pesquisa de campo necessária para conhecer o processo de

planejamento de uma promoção, observou-se que: decisões sobre o volume de
compras é realizada de acordo com o “feeling” dos negociadores, e não existem
bases contendo informações de performance por produto e promoção, para análises
futuras. Portanto, propôs-se a criação de um mecanismo que permita ao varejista
comprar a quantidade ideal para suprir a demanda durante o período da promoção,
garantindo um saldo mínimo de estoque após o término da mesma. Partindo desta
premissa, analisamos o emprego das modernas estruturas para armazenamento de
dados, como os Datawarehouses, e abordamos os conceitos por trás do Business
Intelligence e Inteligência Analítica (Data Mining), exemplificando sua ampla
utilização departamental e ressaltando os benefícios trazidos por estas tecnologias.
O conhecimento destas tecnologias foi fundamental para a elaboração de um
modelo Forecasting que prevê a demanda promocional produto a produto. Para
tanto, fez-se necessário a compreensão da atividade de varejo em si para identificar
as premissas ou as variáveis a serem incorporadas neste modelo de previsão.
Depois, forma analisadas as metodologias e teorias sobre abastecimento automático
de mercadorias, onde se concluiu que o abastecimento de produtos promocionais
deve ser realizado de modo independente. Estas análises resultaram na concepção
de uma solução tecnológica baseada em BI e Data Mining para prever com precisão
a demanda de volumes promocionais, sugerindo uma arquitetura baseada nos
conceitos observados no decorrer deste estudo. Esta estrutura seria capaz de
armazenar informações específicas de movimentação dos produtos que participam
de qualquer evento promocional, desde que cadastradas em um sistema
SharePoint, permitindo também o desenvolvimento de novos relatórios BI (exemplo:
desempenho por tablóide, impactos de perda de margem das promoções sobre o
mix, e outros...), contribuindo com informações que atualmente não estão
disponíveis no sistema BI consolidado da empresa.
 87

Contudo, o objetivo de se manter uma base de movimentação das promoções é a

possibilidade de conhecer, estudar e analisar o comportamento da demanda unitária
de um produto, assim como as variáveis que regem as mudanças de
comportamento. Conhecendo-se estas variáveis e os impactos que elas
proporcionam, pode-se prever com alto grau de precisão qual será a demanda de
um produto, considerando o preço que se planeja vendê-lo e o tipo de mídia que
será usado. Testamos a eficácia de um modelo baseado em séries temporais sobre
um evento real ocorrido na loja no período de 12/08/2008 a 19/08/2008,
posteriormente comparando os valores previstos do modelo com a venda realizada
na loja. No que diz a respeito do total de volume, a análise geral do evento trouxe
resultados satisfatórios (com 1,56% de margem de erro), porém na análise produto a
produto constatou-se distorções entre o previsto x realizado. A análise destas
divergências apontou falhas no ressuprimento e ações com produtos similares
realizadas pelo concorrente, prejudicando a performance das vendas. Para os
demais itens, os erros percentuais variavam de 1% a 20%, levando-nos a considerar
que um maior histórico de movimentação (de 03 a 06 anos) poderia resultar em
dados mais precisos. Outro ponto de observação é que, apesar de listarmos as
variáveis possíveis a serem aplicados no modelo, observamos que a atividade do
varejo em si é extremamente dinâmica, onde as variáveis sofrem constantes
alterações. Apesar de desenvolvermos um modelo baseado em séries temporais,
analisamos também a viabilidade de se utilizar modelos baseados RNAs, dadas sua
habilidade para considerar simultaneamente múltiplas variáveis ambientais.

Como resultado deste estudo, concluímos o incrível potencial da aplicação da

Inteligência Analítica na simulação de cenários, permitindo que a empresa planeje
suas ações com antecedência, garantindo um atendimento satisfatório aos seus
consumidores sem onerar custos de distribuição. Com isso, concluímos o objetivo
geral proposto pelo estudo: estudar a maneira como TI está revolucionando o modus
operandi das empresas, propiciando a elaboração de estratégias práticas voltadas à
competitividade no varejo supermercadista. Como recomendação para novos
estudos, sugere-se uma análise mais aprofundada sobre a aplicabilidade do modelo
e seus impactos na gestão do negócio, verificando a relação custo versus
benefícios. Outra sugestão é o estudo de técnicas de Data Mining e sua aplicação
para identificação de perfil ou hábitos de consumidores no varejo, permitindo à
 88

empresa elaborar um calendário de abastecimento contínuo de acordo com a

previsão do fluxo de movimentação de clientes por dia da seman ou faixa horária.
 89

REFERÊNCIAS

1. ALCANTARA, Igor. Business Intelligence: Elevando a gestão dos negócios a um

novo patamar. Disponível em:
<www.microsoft.com/brasil/technet/colunas/IgorAlcantara/ConceitosBI.mspx>. Acessado em
07 de Julho de 2008.

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.

3. ASSOCIAÇÃO BRASILEIRA DE SUPERMERCADOS – ABRAS. O setor e suas novas

ferramentas tecnológicas. Disponível em:
<http://www.abrasnet.com.br/super/fevereiro_2008_capa2.asp>. Acessado em 16 de Abril
de 2008.

4. BARASH, Mark; MITCHELL, Donald H., 1998. Account based forecasting at Nabisco
biscuit company. Journal of Business Forecasting, n. 31, Summer.

5. BARBIERE, Carlos. BI-Business Intelligence – Modelagem e Tecnologia. Rio de

Janeiro: Axcel Books, 2001.

6. BRASIL.Ministério da Fazenda Esplanada dos Ministérios,

<http://www.fazenda.gov.br/portugues/real/planreal.asp>, acessado em 11 de Abril de 2008.

7. CARREFOUR BRASIL. Disponível em <http://www.carrefour.com.br>. Acessado em 11

de Abril de 2008.

8. CARVALHO, Alexey. A Utilização da Tecnologia da Informação em Supermercados:

Proposta De Um Modelo de Maturidade. 2006. 110 f. Dissertação (Mestrado em
Tecnologia) – Centro Estadual de Educação Tecnológica Paula Souza,São Paulo, 2006.
 90

9. CARVALHO, Luis Alfredo Vidal de. DataMining : A Mineração de Dados no Marketing ,

Medicina, Economia, Engenharia e Administração. Rio de Janeiro: Ciência Moderna,
2005

10. CHAKRABORTY, K.; MEHROTRA, K; MOHAN, C. K, 1992. Forecasting the behaviour

of multivariate time series using neural networks. Neural Networks, v. 5, n. 6, págs. 961-
970.

11. COSTA, Antonio R; CRESCITELLI, Edson. Marketing promocional para mercados

competitivos: planejamento, implementação e controle. São Paulo: Atlas, 2003.

12. DAVENPORT, Thomas; HARRIS, Jeanne. Competição Analítica – Vencendo através

da Nova Ciência. São Paulo: Elsevier, 2007.

13. ELMASRI, R. Navathe, S.B. Fundamentals of database systems. New Jersey:

Addison-Wesley, 2000.

14. FAYYAD, Usama M. et al. Advances in Knowledge Discovery and Data Mining.
California: AAAI Press, 1996.

15. FURLAN, J. D. Modelagem de Negócio; Akron Books – 1997.

16. GAIATECH. Uma Breve História de Integração.Disponível em:

<http://www.gaiatech.com.br/prod/historia.htm>. Acessado em 23/04/2008.

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.

18. GONÇALVES, Loren P. F. Avaliação de ferramentas de mineração de dados como

fonte de dados relevantes para tomada de decisão: aplicada a Rede União de
Supermercados.2001 104f. Dissertação (Mestrado em Administração) - Universidade
Federal do Rio Grande do Sul, Porto Alegre, 2001.

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.

21. GSI BRASIL. Disponível em <http://www.gs1brasil.org.br>. Acessado em 14 de Abril de

2008.
 91

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.

25. LAUDON, K. C.; LAUDON, J. P. Gerenciamento de Sistemas de Informação. Rio de

Janeiro: LTC, 2001.

26. LUKIANOCENKO, Marlucy. Ranking 2006. SUPERHIPER, Rio de Janeiro, ano 32,n.364,
p.26-108, maio 2006.

27. LEWISON, D. M. Retailing. Ed. Prentice-Hall, Englewood Cliffs.

28. MATSUBAYASHI, Roberto. Gestão de estoques reduz custos. Disponível em:

<http://www.manutencaoesuprimentos.com.br/conteudo.php?codigo=42>. Acessado em 12
de Julho de 2008.

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.

30. MICROSTRATEGY. Disponível em: <http://www.microstrategy.com.br>. Acessado em

20 de Agosto de 2008

31. MORITA, ALESSANDRA. Saiba Como Transformar Ofertas em Lucro. Revista

SUPERMERCADO MODERNO, São Paulo, Ano 39, n. 3, p.23-27, Março 2008.

32. NIELSEN BRASIL. Regular Price Analysis . Disponível em:

<http://br.nielsen.com/products/ac_pricerelativetest.shtml>. Acessado em 04/09/2008.

33. O'SULLIVAN, Arthur; SHEFFRIN, Steven M. Princípios de Economia. Rio de Janeiro:

LTC, 2000.

34. PARENTE, Juracy. Varejo no Brasil: gestão e estratégia. São Paulo: Atlas, 2000.

35. PASSARI, A.F.L. Exploração de Dados Atomizados para Previsão de Vendas no

Varejo Utilizando Redes Neurais. Dissertação (Mestrado em Administração e
Contabilidade). USP: São Paulo, 2003.

36. REVISTA PCWORLD. Um Guia Completo De BI Para Quem Usa A Inteligência Em

Seus Negócios. Disponível em: <http://pcworld.uol.com.br/reportagens/2008/01/14>.
Acessado em 25/05/2008.
 92

37. REZENDE, Denis Alcides. Evolução da Tecnologia da Informação nos Últimos 45

Anos. Revista FAEBUSINESS, n.4, dez. 2002. Disponível em:
<http://www.fae.edu/publicacoes/pdf/revista_fae_business/n4_dezembro_2002/tecnologia2_
evolucao_da_informacao_nos_ultimos.pdf>. Acessado em 12 de Julho de 2008.

38. SAS BRASIL. Disponível em: <http://www.sas.com>. Acessado em 18 de Julho de 2008.

39. SERRA, Laércio. A Essência do Business Intelligence. São Paulo: Thomson. 2002.

40. SINGN, Harry S. Data Warehouse: Conceitos, Tecnologias, Implementação e

Gerenciamento. São Paulo: Makron Books, 2001

41. SOUZA, Walter. 50 anos de supermercado no Brasil. Revista SUPERHIPER, Rio de

Janeiro, ano 28, n.324, p99-114, set.2002

42. SPSS BRASIL. Disponível em: <http://www.spss.com.br/tecnologias/data_mining.htm>.

Acessado em 18 de Julho de 2008.

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.

44. THE GARTNER FELLOWS: Howard Dresner´s Biography. Disponível em:

<http://www.gartner.com/research/fellows/asset_79427_1175.jsp>. Acessado em 16 de
Março de 2008.

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

8 ANEXO A — Questionário aplicado à EMPRESA

1. O senhor poderia fornecer alguns dados sobre sua empresa: produtos, número de
funcionários, volume de vendas, faturamento, lojas etc.

2. Qual o setor ou departamento responsável pela previsão dos volumes promocionais?

3. Quantas pessoas trabalham neste setor?

4. Quais os tipos de promoções, ou eventos promocionais, praticadas pela empresa?

5. Qual a periodicidade e o tempo de duração de cada evento promocional?

6. Quantos produtos, em média, são selecionados para um tablóide?

7. O Sr. pode explicar o processo de planejamento de uma promoção: áreas envolvidas e

suas funções, tempo de planejamento, ferramentas utilizadas, etc.

8. O Sr. possui algum registro de vendas somente das ações promocionais?

9. Quais os indicadores ou informações referente a tablóides o Sr. gostaria de ter?

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?

12. Quais são as variáveis que impactam diretamente na demanda de um produto?

13. Quais são as sazonalidades específicas nas vendas?

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

9 ANEXO B — Dicionário de Dados

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

Descrição do Objeto: Tabela que armazena informações dos produtos

comercializados.
Campo Tipo Descrição
CODIGO Integer Identificador Código do Produto
DP Integer Identificador Departamento ao qual pertence o produto (CM)
SC Integer Identificador Setor ao qual pertence o produto (CM)
GR Integer Identificador Grupo ao qual pertence o produto (CM)
SB Integer Identificador Subgrupo ao qual pertence o produto (CM)
EAN Integer Identificador do EAN do produto
DESCRICAO Character Descrição do Produto
FORNECEDOR Integer Código do Fornecedor que Abastece o Produto
Sistemática de Abastecimento:
1 - Entrega via Depósito Centralizado
SIST Integer
11 - Entrega via Cross Docking
20 - Entrega Direta via Fornecedor
ESTOQUE Decimal Estoque Sistêmico do Produto
VM Decimal Venda Média do Produto (Atualizado Semanalmente)
PV Decimal preço de venda praticado
Custo da última Entrada do produto (Composição do Preço de
CUSTO Decimal Venda)
EMBLG Integer Embalagem de fornecimento do produto

NAT_FISCAL Integer Natureza Fiscal do produto, para efeitos de cálculo de tributação

 96

EP Integer Estoque Padrão do produto

REP Decimal Percentual para cálculo do Ponto de Reposição
ICMS Decimal Icms para composição do Preço de Venda

B_TIPO_EVENTO

Descrição do Objeto: Tabela relaciona o tipo de eventos ou ações promocionais

praticados pela loja, definindo um grau de alavancagem entre eles.
Campo Tipo Descrição
COD_TIPO_EVENTO Identificador do tipo de Evento
Integer
Descrição do Tipo de Evento (Anúncio TV, Tablóide, Revista,
DESC_TP_EVENTO Character Sazonal, etc..)
PR_ALAVANCAGEM Decimal Percentual sobre alavancagem (definido pelo Gestor)

B_EVENTO

Descrição do Objeto: Tabela que armazena informações dos eventos.

Campo Tipo Descrição
COD_EVENTO Integer Identificador do Código da Promoção
DSC_EVENTO Character Descrição da Promoção
COD_TIPO_EVENTO Integer Chave Estrangeira (B_TIPO_EVENTO) - tipo de Promoção
DAT_INICL Date Data Início da Promoção
DAT_FIM Date Data Final da Promoção
DAT_ATUALIZACAO Date Data da inserção do Evento no Sistema

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

Descrição do Objeto: Tabela que armazena as vendas somente quando o produto

encontra-se em promoção.
 97

Campo Tipo Descrição

COD_EVENTO Integer Chave Estrangeira (B_EVENTO) - Codigo do Evento
COD_PRODUTO Integer Chave Estrangeira (B_REL_PRODUTOS)- Codigo do Produto
COD_LOJA Integer Codigo da Loja
DATA_MOVIMENTO Date Data da Venda
QTD_VENDA Integer Quantidade Vendida em unidades
PRECO_VENDA Decimal Preço praticado durante a Promoção
CUSTO_VENDA Decimal Custo Unitário do produto
VALOR_LUCRO Decimal Valor Lucro
PROD_ESTOQUE Integer Estoque Encerrado no dia

B_PROD_COMPLEMENTO

Descrição do Objeto: Tabela complementar de TBL_ITENS_CADASTRO que

armazena informações de Demanda Média, Preço de Venda Médio e Elasticidade,
para cálculo da demanda futura baseada em um preço projetado.
Campo Tipo Descrição
LOJA Integer Identificador da Loja
CODIGO Integer Identificador do Produto
DEMANDA_MEDIA Decimal Cálculo da Demanda Média
VENDA_MEDIA Decimal Cálculo Preço Médio
ELASTICIDADE Decimal Cálculo da Elasticidade