Supply Chain Strategies O Boticário: a jornada da maior franqueadora mundial de cosméticos na aplicação de Data Science ao Planejamento de Demanda

Transcrição

1 Supply Chain Strategies O Boticário: a jornada da maior franqueadora mundial de cosméticos na aplicação de Data Science ao Planejamento de Demanda Junho de 2018

2 Quem somos? Marina Martins Vieira Gerente de Demanda O Boticário marinav@grupoboticario.com.br Matheus Garibalde Cooordenador de Data Science e Business Analytics - O Boticário limam@oboticario.com.br 2

3 Grupo Boticário: faturamento de R$11 Bi no varejo com 4 unidades Maior franqueadora de cosméticos do mundo Multi-negócios Multi-canal marca chega a 100% do Brasil ~4.000 pontos de venda (~1.750 cidades), Venda Direta e ECOM Faturamento anual de mais de R$11Bi ~300 milhões de produtos vendidos por ano colaboradores diretos e indiretos Inovação ~1.000 novos produtos lançados todo ano 3

4 Alta complexidade de planejamento de demanda no nosso negócio Negócio Canais de venda Consumidor Supply Chain Bens de consumo SKUs de diferentes categorias ~30% vendas do varejo vem de inovação LOJA e VENDA DIRETA: canais com comportamento de consumo muito diferente 4 P s de MKT Oferta e concorrência Produtos com ciclo de vida curto Cadeia de insumos exclusivos e altos leadtimes Concorrência de capacidade nos fornecedores Modelo de franquias 4

5 O modelo de franquias possui dois elos que necessitam de planejamento de demanda Lojas Fornecedores Fábricas CDs Centrais de Revendedoras Serviço SELL-IN? SELL-OUT? Consumidor Final Tempo QUANDO? 5

6 O processo de planejamento de demanda precisava evoluir para acompanhar o negócio Como era nosso processo de planejamento de demanda? Previsão pelo sell-in Sell-out e sell-in desintegrados Área fora das discussões de sell-out Plano sell-in congelado no curto prazo Visão apenas de volume Previsão base estatística simples Previsão incremental subjetiva Sistema APO-DP + CRM + Excel O que precisávamos fazer? Planejar sell-out em volume e $ Gerenciar alavancas de vendas por canal Reduzir erro de planejamento de demanda e impacto no negócio Aumentar produtividade no processo Aumentar diferencial competitivo através da aplicação de Data Science no Planejamento de Demanda 6

7 Mas o que é Data Science aplicada em planejamento de demanda? What happened? Discovery and exploration What is our plan? Cognitive Planning and forecasting Why did it happen? Reporting and analysis * IBM Think 2018 What should we do? Prescriptive - Decision Management What will happen next? Predictive analytics and modeling 7

8 POC Como organizamos o projeto? Pessoas Processo Tecnologia Indicadores Estrutura Organizacional Dimensões do Projeto Processo de Avaliação de Software Gestão do Projeto ~12 meses ~10 meses 8

9 Aplicamos Data Science no planejamento de demanda do Sell-out ao Sell-in Sell-out Sell-in Setup do Sistema Previsão Sell-Out Ajustes dos planejadores (Botton-up) Revisão Top- Down Conversão Sell-Out para Sell-in Ajustes dos planejadores Entrega do plano para produção Neural Networks (Sku/Canal/Ciclo) Decision Tree (Sku/Canal/Ciclo) 9

10 S&OP Machine Learning: Previsão de Demanda Sell-out Neural Networks (Sku/Canal/Ciclo) Error Distribution Redução potencial de 30% no 10 erro médio (MAPE) 29% 53% *Sem a necessidade de limpeza de histórico Neural Networks Holt-Winters Média 46% 65% 10

11 S&OP Machine Learning: Conversão do Sell-out para o Sell-in Decision Tree (Sku/Canal/Ciclo) Volume Sell-in derivado do Sell-Out através de uma Decision Tree Error Distribution Redução potencial de 26% no erro médio (MAPE) 35% 26% Naïve Média 42% Decision Tree 31% 11

12 S&OE Revisão semanal do plano de vendas Ajuste do plano no sellin com base no realizado sellout, estoques e rupture e varejo 12

13 S&OE Acompanhamento diário do Sell-out e Sell-in Gestão de Demanda de Curto Prazo permite: Reação da cadeia a vendas acima e abaixo Criação de ações para alavancar vendas 13

14 Resultados Sell-out Redução de 10p.p. MAPE e 34p.p. BIAS MAPE SELLOUT p. BIAS Redução de 10p.p. MAPE 2017 vs 2016 BIAS SELLOUT Redução de 34p.p. BIAS 2017 vs

15 Resultados Sell-in Redução de 10p.p. MAPE e 21p.p. BIAS MAPE SELLIN Redução de 10p.p. MAPE 2017 vs 2016 BIAS SELLIN Redução de 21p.p. BIAS 2017 vs

16 Resultados Estrutura Organizacional Gestão de Demanda Analytics Longo Prazo Curto Prazo 16

17 Resultados O que resolvemos até agora? POSICIONAMENTO ESTRATÉGICO DE GESTÃO DE DEMANDA NO LONGO PRAZO - S&OP Consenso do plano de vendas pelo Sell-out, com visão financeira, entre Demanda, MKT, Comercial Domínio das alavancas de vendas através do planejamento pelo Sell-out, tendo o Sell-in como consequência Processo S&OP liderado por Demanda, com fóruns para tomada de decisão Indicadores de demanda compartilhados com MKT e Vendas Estoques balanceados na cadeia (Indústria e Franqueados) Aumento de 4 vezes no nº de DFUs planejadas, sem aumento de equipe 17

18 Resultados O que resolvemos até agora? POSICIONAMENTO ESTRATÉGICO DE GESTÃO DE DEMANDA DE CURTO PRAZO - S&OE Monitoramento e análise semanal de desvios de vendas, com revisão do plano no curto prazo Reprojeção do plano sell-in por semana com base no sellout, ruptura e estoques no varejo Ações de curto prazo para alavancagem de vendas Revisão do plano de produção e materiais permitindo reação com agilidade a vendas acima e abaixo Fórum semanal para monitorar execução e tomada de decisão Redução de BIAS no sell-in e ganhos em Nível de Serviço e Estoques 18

19 Resultados O que resolvemos até agora? ANALYTICS COMO PROCESSO E NÃO COMO PROJETO Sistema de planejamento sob medida Modelagem online e em evolução contínua (jornada) Área de Analytics conectada com as necessidades do negócio: Data Scientists e Data Engineers Modelos e BI * Metodologia CRISP - DM 19

20 O futuro: para onde podemos ir? 20

21 Quem somos? Marina Martins Vieira Gerente de Demanda O Boticário marinav@grupoboticario.com.br Matheus Garibalde Cooordenador de Data Science e Business Analytics - O Boticário limam@oboticario.com.br 21

22