Temos acompanhado alterações significativas em alguns produtos das prateleiras de supermercados. Visando não aumentar preços para o cliente, a indústria está diminuindo o tamanho dos produtos e mantendo o preço aproximado ao anterior ou com alguma pequena redução. É o que chamam de REDUFLAÇÃO. Alguns casos começam a chegar nas piadas do dia a dia, como a caixa de bombom que em breve será composta de alguns confetes (aquele redondinho colorido de chocolate), dado a redução do tamanho dos bombons (cujas embalagens individuais ainda estão ”grandes como eram”, sobrando espaço em cada bombom).
Daí nos vem a pergunta: Qual será o limite? Até onde a indústria pode diminuir sem afugentar os clientes?
Biscoitos deixaram de estar verticais nas embalagens e passaram a vir na horizontal para parecer que a embalagem é grande, mas mera ilusão. Os atentos percebem isto lendo o peso das embalagens que sofreram redução.
Enfim, não pegaremos todos os exemplos, mas em geral isto tem ocorrido de alimentos a sabonetes.
Se coloque na posição da diretoria da indústria ao tomar esta decisão. Será que dispõem de dados suficientes para tal? Ou vão arriscar e ver o que dá? Fazem a mudança e acompanham após um mês, trimestre, semestre…
Passados 3 meses houve queda nas vendas em 20%… passados 6 meses a queda aumentou para 30%… O que fazer? Mantemos ou voltamos?
Não é a melhor solução olhar pelo retrovisor e correr o risco de perder espaço para a concorrência. Aqui entra a inteligência artificial com modelos de machine learning que podem ajudar nas previsões e planejamentos.
São muitos dados possíveis e, se a indústria tiver uma boa relação com o varejo, esse cedendo àquela dados para tomada de decisão, será o caminho mais promissor.
Quais dados podemos ter do varejo: O perfil do cliente e as alterações nas compras. Informação vital para esta tomada de decisão. O varejo hoje fornece benefícios para quem concede o CPF na compra, não é “de graça”, claro. Os modelos de machine learning atuam fortemente nas análises, classificações, regressões para tomar decisão de compra. Afinal, espaço na gôndola custa caro e o varejo também não quer perder faturamento porque a indústria resolveu embalar “confete” em forma de bombom.
Com um CPF, ou seja, identificando o comprador, ela consegue perceber casos como estes:
- João tem perfil classe B, comprava biscoitos Wafer de chocolate, média de 3 por semana. Após a redução da quantidade, João passou a comprar do concorrente.
- Maria tem perfil classe C, comprava biscoitos Wafer de morango, média de 1 por semana. Após a redução da quantidade, Maria mudou para biscoitos Mabel.
- Joana tem perfil classe A, comprava biscoitos Wafer de morango, média de 4 por semana. Após a redução da quantidade, Joana aumentou para 6 Wafers.
- Renato tem perfil classe B, comprava biscoitos Wafer de morango e chocolate, média de 2 por semana. Após a redução da quantidade, João passou a comprar apenas 1 de chocolate e mudou para o concorrente.
Aqui já temos amostras de como a IA pode ajudar, primeiro classificando os clientes por perfil. Não é mero dado presente no banco de dados, o supermercado (varejo) não tem dados sobre o rendimento das pessoas, onde moram, poupança. Eles não sabem de cara se o cliente é classe A, B, C ou D… Eles precisam avaliar isso por um método de classificação baseando nas compras. A grande dificuldade é que não é pelo valor de compra apenas. Se João gasta 1.000,00 em compras no mês e Joana 700,00, como sabemos que Joana é classe A e João B? Afinal, Joana gasta menos, pode estar comprando em outro supermercado. O varejo consegue classificar pelos itens que Joana e João compram. Produtos voltados para classe A, B ou C, valor gasto, frequência de compras e o que mais tiverem de dados.
Bom, agora que conseguimos classificar o perfil, vamos às análises. Qual classe foi mais sensível à mudança do tamanho do biscoito? Qual classe mudou para o concorrente e qual deixou de comer biscoitos Wafer? Migraram para outras marcas do mesmo tipo de biscoito ou para outro tipo de biscoito? Estas outras marcas mantiveram o tamanho normal ou também reduziram de tamanho? Alguns clientes podem ficar enfurecidos com a redução, se acharem traídos pela marca e realmente passarem a consumir outros itens, largando de vez o Wafer, a caixa de bombom, etc. E, passados os 3 meses, os 6 meses, qual classe voltou a comprar o Wafer? Qual nunca mais voltou etc.
Estes dados usados em modelos de Machine Learning vão possibilitar ao varejo e à indústria (se tiverem acesso) prever mais à frente o que pode ocorrer, sugerir avanços ou recuos, reposicionar-se frente às classes, avaliar lançamento de algum produto novo que possa ocupar o espaço deixado com a mudança, enfim, vários insights para tomada de decisão.
Pense bem, apenas um BI, uma visualização de dados, não conseguiria chegar a estes resultados facilmente. Só para um produto (nosso exemplo do Wafer ou mesmo o bombom) já é difícil, imagine para os milhares de produtos presentes nas gôndolas? Papel higiênico, farinhas, iogurtes, sorvetes, pães, amendoim, queijos, sabonetes, pasta de dente… uma infinidade.
Se esses dados estão em posse apenas do varejo, esse passa a ter um poder grande frente à indústria, caso realmente tenham modelos de ML que aproveitem os dados gerando valor. O varejo pode apertar a indústria (ou atacado) com informações que eles não têm, reduzindo espaço na gôndola, negociando preços, por exemplo. Se houver uma operação casada entre eles, dados compartilhados, uma avenida de possibilidades surge na cooperação. Não é fácil nem trivial esta parceria, afinal são vários fornecedores, várias marcas, todas querendo “lugar ao sol”. Mas, se eu estivesse na direção da indústria, tentaria esta parceria visando os dados, ou mesmo compraria estes dados do varejo. É comprar ou morrer.
Alguém pode pensar…, mas a indústria faz pesquisas, testes com pessoas antes de lançar produtos, alterá-los… Sim, amostragem e pesquisas ocorrem e ajudam muito, mas são insuficientes em relação à realidade, à complexidade das concorrências, sabores e marcas. A realidade é muito mais complexa, dinâmica e rápida.
Cada vez mais a cadeia de fornecimento depende de dados, de machine learning para gerar mais valor. Quem resistir ou demorar, não vai sobreviver.
