1,2 MM decisões (SKU x Loja) por dia

Desafio de
Crescimento e
Rentabilidade.
O uso prático de
Analytics em Varejo
Cinco pontos chaves
 CLIENTES: Consumidores “24X7” com novas (e mais altas) expectativas de nível
de serviço, um ambiente competitivo mais complexo e o fenómeno de
“Retalization”…. Novos Competidores
 CIÊNCIA E ARTE: Mostrar a resposta e o porquê da resposta. Interfaces visuais e
intuitivas são peças chave para ajudar a tomada de decisão.
 MODELO RÁPIDO E ITERATIVO: Construir bons “analytics” precisam de iterações.
Protótipos rápidos (Testar e aprender)
 EVOLUÇÃO TECNOLÓGICA: Soluções integradas e avanço de banco de dados
democratizaram a informação. Ferramentas leves e técnicas apropriadas (in-memory
analytics) fazem a diferença
 NÍVEL TRANSANCIONAL: É necessário ter “organizar a casa” e ter o básico bem
feito antes de pensar em Analytics.
AGENDA
1.
Analytics para varejistas
2.
Estudo de Caso Rihappy PBKids
3.
Conclusões
AGENDA
1.
Analytics para varejistas
Otimização de Negócios: um desafio antigo
“Metade do
investimento é
inútil…
.. O problema é que
não sei qual
metade..”
- John Wanamaker (1838-1892, “Pai” da “Modern Advertising”)
O que significa “Analytics”?
Prescriptivo
O que devo fazer?
Predictivo
O que vai acontecer?
Descriptivo
O que aconteceu?
Por que usar Analytics?
Suponha 10 mil SKUs x 100 Lojas
Manual
Automatizado
 Exército de planejadores  Custo alto
 Sem custo
 Maior chance de erros (digitação, etc.)
 Sem erros de digitação
 Maior chance de super/sub estimar
 Sem “achismos”
 Difícil distinguir o que é ruído e o que é
informação
MAS  Sem “inteligência de
mercado”
Por que usar Analytics?
Suponha 10 mil SKUs x 100 Lojas
Automatizado
Manual
Recomendado
Equipe
especializada e
enxuta para intervir
onde adiciona valor
Aonde Analytics pode ajudar?
Quem são
meus
clientes?
O que devo
vender?
Como
vender
mais?
Como
operar
bem?
Perguntas simples....
Respostas complexas....
“Be simple can be harder than
complex...you have to work”
Steve Jobs
AGENDA
2.
Estudo de Caso Rihappy PBKids
Quais decisões estamos otimizando?
Central de Inteligência Analítica
Preços e Promoções
Supply Chain
Crescimento
Operações de loja
Eficiência
Como estamos fazendo?
Estratégia e Metodologia de Implementação
Base de Dados
Transacional
Informação para
Decisão
Modelos de
Análises
Painéis
Gerenciais
Qual Decisão?
Quais Dados?
Resultado
Cubos de
Informação
Relatórios
Quais Análises?
Sistemas
Transacionais
Quais
estratégias?
Qual
Frequência?
Insights
Validação,
análise e geração
de Relatórios
Padrões
Decisões
Caso de Otimização Planejamento de
Demanda e Abastecimento
• Abastecimento é fundamental, porém é muito
complexo
• Gestão agregada e médias escondem oportunidades
• O retorno esperado
• A implementação é uma jornada
Complexidade
1,2 MM decisões (SKU x Loja) por dia
220 Lojas em
23 Estados
6000 – 7000 SKUs
104 Fornecedores
110 mil recebimentos - 55 milhões km
Complexidade
1 decisões
Estimar Demanda
até Próximo
1,2 MM
(SKU x Loja)
por diaabastecimento
Corrigir Histórico
Efeitos Calendário
Atividade Mkt
Promoções
6000 – 7000 SKUs
Ciclo de104
vidaFornecedores
Mínimo exposição em Loja
220 Lojas em
23 Estados
110 mil recebimentos - 55 milhões km
Complexidade
1,2 MM decisões (SKU x Loja) por dia
2
220 Lojas em
23 Estados
Definir cobertura dado incerteza e estratégia
6000 – 7000 SKUs 104 Fornecedores
110 mil recebimentos - 55 milhões km
Complexidade
1,2 MM decisões (SKU x Loja) por dia
3
Descontar estoque atual e em trânsito
Praza de entrega
Frequência de pedidos
Nível de serviço do fornecedor
220 Lojas em
23 Estados
6000 – 7000 SKUs
104 Fornecedores
110 mil recebimentos - 55 milhões km
Complexidade
1,2 MM decisões (SKU x Loja) por dia
4
Ajustar restrições
Indisponibilidade Fornecedor
Faturamento mínimo
Tamanho
da Caixa
220 Lojas
em
6000 – 7000 SKUs
Sortimento loja
23 Estados
104 Fornecedores
110 mil recebimentos - 55 milhões km
A falha das médias: exemplo
A falha das médias: exemplo
Média móvel das últimas
5 observações
A falha das médias: exemplo
Média móvel não gerou
uma boa estimativa
Modelo econométrico explica a
demanda muito bem
𝐿𝑜𝑔(𝐷𝑒𝑚𝑎𝑛𝑑𝑎)
= (𝐵𝑎𝑠𝑒 𝑆𝑎𝑙𝑒𝑠 𝑅𝑎𝑡𝑒) + (𝐵 𝑥 𝑁𝑜𝑛 − 𝑃𝑟𝑜𝑚𝑜𝑡𝑒𝑑 𝑃𝑟𝑖𝑐𝑒) + (𝐶 𝑥 % 𝐷𝑖𝑠𝑐𝑜𝑢𝑛𝑡)
+ (𝐷 𝑥 % 𝑜𝑓 𝑆𝑡𝑜𝑟𝑒𝑠 𝐶𝑎𝑟𝑟𝑦𝑖𝑛𝑔 𝐼𝑡𝑒𝑚) + (𝐸 𝑥 $ 𝐴𝑑𝑣𝑒𝑟𝑡𝑖𝑠𝑖𝑛𝑔 𝑆𝑝𝑒𝑛𝑑) + …
Real
(azul)
Modelo
(Cinza)
Estoque
Vendas
2-Dec-15
2-Nov-15
2-Oct-15
2-Sep-15
2-Aug-15
2-Jul-15
2-Jun-15
2-May-15
2-Apr-15
2-Mar-15
2-Feb-15
2-Jan-15
2-Dec-14
2-Nov-14
2-Oct-14
2-Sep-14
2-Aug-14
2-Jul-14
500
2-Jun-14
2-May-14
2-Apr-14
2000
2-Mar-14
2-Feb-14
2-Jan-14
Quantidade - Unidades
Gestão no agregado
O resultado agregado pode mascarar oportunidades. O ganho está
no detalhe.
2500
Estoque
1500
1000
Vendas
0
-50
Estoque
Vendas
Preço Medio
17-Dec-15
26-Nov-15
5-Nov-15
15-Oct-15
24-Sep-15
3-Sep-15
13-May-15
22-Apr-15
30-Dec-15
9-Dec-15
18-Nov-15
28-Oct-15
7-Oct-15
16-Sep-15
26-Aug-15
5-Aug-15
15-Jul-15
24-Jun-15
3-Jun-15
Preço Medio
13-Aug-15
23-Jul-15
2-Jul-15
11-Jun-15
Vendas
21-May-15
100
30-Apr-15
800
1-Apr-15
1000
9-Apr-15
11-Mar-15
18-Feb-15
28-Jan-15
7-Jan-15
17-Dec-14
26-Nov-14
5-Nov-14
15-Oct-14
24-Sep-14
3-Sep-14
13-Aug-14
Estoque
19-Mar-15
26-Feb-15
5-Feb-15
Loja B 150
200
15-Jan-15
25-Dec-14
4-Dec-14
13-Nov-14
23-Oct-14
2-Oct-14
11-Sep-14
21-Aug-14
250
23-Jul-14
300
31-Jul-14
Gestão no agregado
Alocação de um mesmo produto em lojas distintas
1200
Estoque em
excesso
600
Loja A 400
200
0
Perda de
Venda
50
0
Capacidade de otimizar a tomada de decisão no
nível micro
1,2 MM decisões (SKU x Loja) por dia
Estimativa no Período
Estoque Segurança
(Frequência + Prazo Entrega)
(Frequência + Prazo Entrega)
( Estoque Loja
5
1
3
5
2
4
Estratégias
Em Trânsito )
Ganho na
rede
Real
Simulado RP = 15 dias
Feb-15
Feb-15
Jan-15
Jan-15
Dec-14
Dec-14
Nov-14
Nov-14
Oct-14
Oct-14
Oct-14
Sep-14
Sep-14
Aug-14
Estoque Histórico
Aug-14
120
Jul-14
Jul-14
Jun-14
Jun-14
May-14
May-14
May-14
Apr-14
Apr-14
Mar-14
Mar-14
Feb-14
Feb-14
Exemplo de
um produto
Estoque (UU)
Oportunidades
140
Estoque Modelo
100
80
60
40
20
0
Ganhos esperados
Indisponibilidade
Eficiência de Abastecimento
Inventory Turns
Eficiência de Inventário
(% SKUs sem Estoque para cobrir Venda)
(Inventário $ / Venda $ )
30 a 40%
60 a 70%
Esta implementação é uma jornada
• COMPLEMENTO
• Estoques
• Dados Cadastrais
• Transacional
• Pré-Requisitos – termos dados confiáveis no nivel de
detalhe a ser planejado:
• Estoque, Prazos
• Eventos (Planejamento)
AGENDA
3.
Conclusões
Cinco pontos chaves
 CLIENTES: Consumidores “24X7” com novas (e mais altas) expectativas de nível
de serviço, um ambiente competitivo mais complexo e o fenómeno de
“Retalization”…. Novos Competidores
 CIÊNCIA E ARTE: Mostrar a resposta e o porquê da resposta. Interfaces visuais e
intuitivas são peças chave para ajudar a tomada de decisão.
 MODELO RÁPIDO E ITERATIVO: Construir bons “analytics” precisam de iterações.
Protótipos rápidos (Testar e aprender)
 EVOLUÇÃO TECNOLÓGICA: Soluções integradas e avanço de banco de dados
democratizaram a informação. Ferramentas leves e técnicas apropriadas (in-memory
analytics) fazem a diferença
 NÍVEL TRANSANCIONAL: É necessário ter “organizar a casa” e ter o básico bem
feito antes de pensar em Analytics.