Desafio de Crescimento e Rentabilidade. O uso prático de Analytics em Varejo

Transcrição

1

2 Desafio de Crescimento e Rentabilidade. O uso prático de Analytics em Varejo

3 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. analytics) fazem a diferença Ferramentas leves e técnicas apropriadas (in-memory NÍVEL TRANSANCIONAL: É necessário ter organizar a casa e ter o básico bem feito antes de pensar em Analytics.

4 AGENDA 1. Analytics para varejistas 2. Estudo de Caso Rihappy PBKids 3. Conclusões

5 AGENDA 1. Analytics para varejistas

6 Otimização de Negócios: um desafio antigo Metade do investimento é inútil.. O problema é que não sei qual metade.. - John Wanamaker ( , Pai da Modern Advertising )

7 O que significa Analytics? Prescriptivo O que devo fazer? Predictivo Descriptivo O que vai acontecer? O que aconteceu?

8 Por que usar Analytics? Suponha 10 mil SKUs x 100 Lojas Manual Automatizado Exército de planejadores Custo alto Maior chance de erros (digitação, etc.) Maior chance de super/sub estimar Difícil distinguir o que é ruído e o que é informação MAS Sem custo Sem erros de digitação Sem achismos Sem inteligência de mercado

9 Por que usar Analytics? Suponha 10 mil SKUs x 100 Lojas Manual Automatizado Recomendado Equipe especializada e enxuta para intervir onde adiciona valor

10 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

11 AGENDA 2. Estudo de Caso Rihappy PBKids

12 Quais decisões estamos otimizando? Central de Inteligência Analítica Preços e Promoções Supply Chain Operações de loja Crescimento Eficiência

13 Como estamos fazendo? Estratégia e Metodologia de Implementação Base de Dados Transacional Informação para Decisão Modelos de Análises Resultado Qual Decisão? Painéis Gerenciais Quais Dados? Quais Análises? Cubos de Informação Relatórios Sistemas Transacionais Quais estratégias? Insights Qual Frequência? Validação, análise e geração de Relatórios Padrões Decisões

14 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

15 Complexidade 1,2 MM decisões (SKU x Loja) por dia 220 Lojas em 23 Estados SKUs 104 Fornecedores 110 mil recebimentos - 55 milhões km

16 Complexidade 220 Lojas em 23 Estados 1,2 MM decisões (SKU x Loja) por dia 1 Estimar Demanda até Próximo abastecimento SKUs Corrigir Histórico Efeitos Calendário Atividade Mkt Promoções Ciclo de vida Mínimo exposição em Loja 104 Fornecedores 110 mil recebimentos - 55 milhões km

17 Complexidade 1,2 MM decisões (SKU x Loja) por dia 2 Definir cobertura dado incerteza e estratégia 220 Lojas em 23 Estados SKUs 104 Fornecedores 110 mil recebimentos - 55 milhões km

18 Complexidade 1,2 MM decisões (SKU x Loja) por dia 3 Descontar estoque atual e em trânsito 220 Lojas em 23 Estados Praza de entrega Frequência de pedidos Nível de serviço do fornecedor SKUs 104 Fornecedores 110 mil recebimentos - 55 milhões km

19 Complexidade 1,2 MM decisões (SKU x Loja) por dia 4 Ajustar restrições Indisponibilidade Fornecedor Faturamento mínimo 220 Lojas Tamanho em da Caixa SKUs 104 Fornecedores 23 Estados Sortimento loja 110 mil recebimentos - 55 milhões km

20 A falha das médias: exemplo

21 A falha das médias: exemplo Média móvel das últimas 5 observações

22 A falha das médias: exemplo Média móvel não gerou uma boa estimativa

23 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)

24 2-Jan-14 2-Feb-14 2-Mar-14 2-Apr-14 2-May-14 2-Jun-14 2-Jul-14 2-Aug-14 2-Sep-14 2-Oct-14 2-Nov-14 2-Dec-14 2-Jan-15 2-Feb-15 2-Mar-15 2-Apr-15 2-May-15 2-Jun-15 2-Jul-15 2-Aug-15 2-Sep-15 2-Oct-15 2-Nov-15 2-Dec-15 Quantidade - Unidades Gestão no agregado O resultado agregado pode mascarar oportunidades. O ganho está no detalhe Estoque Vendas 0 Estoque Vendas

25 31-Jul Aug Sep-14 2-Oct Oct Nov-14 4-Dec Dec Jan-15 5-Feb Feb Mar-15 9-Apr Apr May Jun-15 2-Jul Jul Aug-15 3-Sep Sep Oct-15 5-Nov Nov Dec Jul Aug-14 3-Sep Sep Oct-14 5-Nov Nov Dec-14 7-Jan Jan Feb Mar-15 1-Apr Apr May-15 3-Jun Jun Jul-15 5-Aug Aug Sep-15 7-Oct Oct Nov-15 9-Dec Dec-15 Gestão no agregado Alocação de um mesmo produto em lojas distintas Loja A Estoque em excesso Loja B Estoque Vendas Preço Medio Perda de Venda Estoque Vendas Preço Medio

26 Capacidade de otimizar a tomada de decisão no nível micro 1,2 MM decisões (SKU x Loja) por dia Estimativa no Período (Frequência + Prazo Entrega) Estoque Segurança (Frequência + Prazo Entrega) ( Estoque Loja Em Trânsito ) Estratégias 5 2 4

27 Feb-14 Feb-14 Mar-14 Mar-14 Apr-14 Apr-14 May-14 May-14 May-14 Jun-14 Jun-14 Jul-14 Jul-14 Aug-14 Aug-14 Sep-14 Sep-14 Oct-14 Oct-14 Oct-14 Nov-14 Nov-14 Dec-14 Dec-14 Jan-15 Jan-15 Feb-15 Feb-15 Estoque (UU) Oportunidades Exemplo de um produto Estoque Histórico Estoque Modelo 0 Real Simulado RP = 15 dias Ganho na rede

28 Ganhos esperados Indisponibilidade Eficiência de Abastecimento (% SKUs sem Estoque para cobrir Venda) Inventory Turns Eficiência de Inventário (Inventário $ / Venda $ ) 30 a 40% 60 a 70%

29 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)

30 AGENDA 3. Conclusões

31 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. analytics) fazem a diferença Ferramentas leves e técnicas apropriadas (in-memory NÍVEL TRANSANCIONAL: É necessário ter organizar a casa e ter o básico bem feito antes de pensar em Analytics.

32