Para melhorar a acuracidade de suas previsões, algumas empresas varejistas estão aumentando a granularidade das análises.
Contudo, isso desafia os sistemas atuais. Como prever as vendas considerando impactos sazonais, mudanças nas tendências, novas preferências dos clientes, ações de concorrentes diferentes e as repercussões promocionais produto a produto?
A fim de tentar administrar essa enorme quantidade de dados e obter uma visão mais precisa da demanda e das vendas futuras, no menor nível possível, varejistas estão usando Big Data Analytics. Esse é o tema a ser tratado neste novo artigo.
Análises preditivas ganham força
Para tentar antecipar com precisão as tendências de compra ano após ano, mais varejistas investirão em análises preditivas. Essa foi uma das conclusões obtidas pela National Retail Show (NRF) 2017, feira do setor realizada em Nova Iorque, no começo do ano. Assim como os investidores financeiros usam dados passados para prever o desempenho futuro do mercado de ações, as análises preditivas ajudam os varejistas a fazer suposições sofisticadas sobre suas vendas, margens, compras, descontos, custos, estoques, prazos de pagamento e fluxo de caixa.
Segundo especialistas, o mercado de consultoria e softwares associados a análises preditivas movimentou mais de US$ 2,7 bilhões em 2015. Num exercício de futurologia, estes mesmos analistas preveem que esse mercado movimentará algo em torno de US$ 9,2 bilhões até 2020.
E por falar em futuro, conseguir vislumbrá-lo é o sonho de qualquer CEO, diretor ou mesmo gerente de loja. A demanda, o volume de vendas, as premissas de marketing e o possível impacto financeiro no varejo são mais difíceis de se planejar do que em qualquer outra indústria. No varejo existe um universo grande de variáveis a serem consideradas: a quantidade de produtos, os vários clientes, as interferências externas e suas consequências, entre outras. Ao desenvolver um plano estratégico, todos almejam uma previsão de demanda mais precisa.
Empresas que têm em seu DNA planejar e não remediar têm muito mais chance de absorver as novas tecnologias e sobreviver neste mercado dinâmico e competitivo. Segundo o dicionário Aurélio, ‘planejar’ significa projetar (antever), programar, ter a intenção de. Ou seja, planejar significa criar um plano para otimizar o alcance de um determinado objetivo.
No caso dos varejistas, planejar deve estar relacionado ao uso dos recursos disponíveis de forma eficiente, aumentando a produtividade e mitigando riscos para atingir objetivos. É de grande importância, portanto, uma boa previsão das receitas e despesas, criando uma estimativa dos recursos financeiros necessários para o futuro e manutenção da companhia. Mesmo pequenas empresas de varejo estão começando a usar análises preditivas para ampliar seus horizontes.
Na maior parte do varejo brasileiro, a previsão de receitas e despesas é feita nos níveis macro e não micro. A definição das metas globais é, em grande medida, bem arquitetada. No entanto, as definições granulares, infelizmente, não são assim. Atribuo esta questão à dificuldade de manipulação de um grande montante de dados associado a uma complexidade analítica.
Em outras palavras, simplesmente os mecanismos de arquitetura tecnológica e de cálculo que sustentam as ferramentas de orçamentação tradicionais não foram projetados para o volume de dados e para a complexidade do mercado atual. Para driblar o problema, os varejistas departamentalizam suas previsões. Mas, infelizmente, a grande maioria das empresas, quando reúnem as informações em um só plano, percebem diversas incoerências – sendo necessários infindáveis ajustes.
Previsão Granular e Big Data
Os varejistas conhecem o passo a passo da previsão: análise dos ambientes externo e interno associados à definição de objetivos e metas. Ou seja, os varejistas sabem onde pretendem chegar mas, sem a análise granular, linha a linha, não conseguem enxergar como e quando conseguirão atingir os resultados.
Por isso, na formulação do plano de voo seguinte, seja ele de curto ou longo prazo, é muito importante verificar os recursos disponíveis para a implementação da estratégia e definir quais se aplicam mais adequadamente ao caminho escolhido. De nada adianta querer chegar a um crescimento de 10% em vendas, por exemplo, sendo que os recursos atuais levam a uma estabilidade.
Alguns casos de sucesso na predição de vendas e de demanda utilizando Big Data Analytics, além de suas implicações para o negócio, podem ser dados pela Marks & Spencer, Waitrose e Staples, três varejistas de peso.
Marks & Spencer
A Marks & Spencer, varejista multinacional sediada em Londres e especializada em roupas, produtos para o lar e alimentos premium, tem usado a tecnologia para melhorar a previsão da demanda a partir da identificação de alguns elementos. Entre eles, destacam-se padrões associados ao clima, às questões sazonais e às novas tendências de moda.
Segundo informações da empresa, a grande dificuldade de previsão estava relacionada a produtos sazonais ou novos. Para minimizar o erro, a empresa criou um painel de controle que funciona em tempo real, com informações sobre o histórico de vendas, negociações perdidas e disponibilidade do mix de produtos em gôndola. Tais medições retroalimentam suas previsões.
Além disso, a Marks & Spencer compartilha as informações com seus fornecedores no detalhe mais granular possível, apontando rapidamente a necessidade de produção (ou, se já produzido pelo fornecedor, a necessidade de entrega). Identifica, ainda, em quais pontos de venda essa entrega é necessária.
Um dos resultados obtidos pelo uso de Big Data Analytics aconteceu nas lojas de conveniência administradas pela empresa. Poucos dias após o lançamento de uma linha de produtos, disponível em bandeja com 12 unidades, o modelo identificou a necessidade de mudança na quantidade ofertada.
As bandejas de 12 itens deveriam ser reduzidas para apenas 6. Com isso, mais clientes e em uma frequência maior comprariam tais produtos. A empresa, então, transmitiu rapidamente a necessidade aos fornecedores que, por sua vez, se adequaram e garantiram a entrega para os dias subsequentes.
Isso só foi possível por meio de um novo modelo preditivo aliado a uma ferramenta de Big Data Analytics com capacidade para analisar item a item, dia a dia. A rapidez e complexidade são fundamentais, já que a Marks & Spencer administra mais de 900 lojas só no Reino Unido, além de mais de 250 em outros países como Índia, Turquia, Rússia, Grécia, Irlanda, França e Polônia.
Waitrose
Outro exemplo, seguindo a mesma lógica da Marks & Spencer, pode ser dado pela Waitrose. A empresa atua no ramo alimentar britânico com aproximadamente 350 lojas, incluindo 30 de conveniência chamadas de “Little Waitrose”, e possui uma participação no mercado de 5,0%.
A Waitrose desenvolveu um novo sistema de predição de venda e demanda, levando em consideração desempenhos de feriados, promoções e sazonalidade dos últimos anos, que alimenta o processo de pedidos e, consequentemente, reposição dos itens. A ferramenta deu um novo sentido à informação enviada ao fornecedor, reduzindo em 40% as mudanças que antigamente eram comuns nos pedidos de compra dos itens.
Staples
O terceiro caso de uso eficaz das informações para previsão de vendas pode ser dado pela Staples, uma rede americana de material escolar e de escritório com mais de 2 mil lojas e presença em 27 países. A empresa usa Big Data Analytics para processar cerca de 10 milhões de transações de dados todas as semanas. Como resultado, consegue prever as vendas diárias das 4 semanas seguintes, por item, em grande parte dos seus pontos de venda.
A Staples percebeu que analisar a eficiência das promoções por produto, com base na área geográfica, aumentava significativamente a acuracidade das previsões. Consequentemente, a Staples passou a realizar promoções locais. Com isso, viu seus custos nesta linha de despesa caírem aproximadamente 25%.
Conclusão
Prever resultados futuros ainda é uma tarefa difícil, mas não impossível. Com o desenvolvimento das análises, novos modelos preditivos e as tecnologias se tornando mais amigáveis, torna-se fundamental investir tempo e dinheiro nas ferramentas. Treinar os funcionários para saber interpretar os insights e agir também virou condição-chave de sucesso.
As novas tecnologias aplicadas sobre ideias antigas não sinalizam, necessariamente, que a empresa consiga avanços. É preciso ter inteligência para saber quais as variáveis importantes para uma predição mais acurada e, consequentemente, para saber o que fazer com tais resultados.
Fonte: Hekima | Leonardo Pellegrino
Não perca tempo e se inscreva no Programa NRF 2018, com preços especiais para os cinco eventos sobre a maior feira de Varejo do mundo.
