- problema
Problema Inicial
A Centauro apresentava dificuldade em aplicar dentro de sua Área de Negócios uma cultura DataDriven, ou seja, aplicar uma tomada de decisão embasada em dados. A comunicação entre a Área de Negócios e a Área de Dados era muito falha, o que gerava conflitos e desentendimentos nas análises fornecidas. Os principais pontos de dificuldade eram: a determinação dos melhores pareamentos de produtos, ou seja, produtos que complementam a compra do outro; quais produtos deveriam ser considerados Best Sellers (um conceito muito complexo, que para cada pessoa da empresa envolvia uma série de combinações de variáveis, não existindo um senso comum); além de analisar as devoluções dos produtos, de forma a entender os principais motivos e marcas.
- a solução
Nossa Solução
Para solucionar o problema da Centauro, desenvolvemos um script em Pyhton que realizava todas as análises que eles necessitavam. Assim, para o desenvolvimento do projeto acabamos nos dividindo em 4 análises diferentes: análise de cesta geral, pareamento de produtos, análise de devolução e determinação dos Best Sellers. Vou citar com mais detalhes cada um abaixo:
1. Análise de cesta geral: essa análise foi a primeira solicitada. Consistia em analisar aspectos mais gerais da venda, de forma a entender o perfil do consumidor da Centauro. Esta análise continha a quantidade média de itens na cesta, o valor médio da cesta, variedade de itens na cesta, entre outros. Além disso, para calcular esses valores foi feita a divisão em Loja Física, Site, Megaloja e B2B, visto que o perfil de cliente e de compras era muito variado de acordo com o canal de venda.
2. Pareamento de Produtos: para realizar o pareamento de produtos, foi utilizado um código que inicialmente agrupava os itens de um mesmo pedido em uma única linha (para um pedido com vários itens, apareciam várias linhas com um mesmo código unitário de pedido) e, em seguida, contava quantas vezes cada dupla de pedidos apareceu na base de vendas. A partir disso, era possível determinar quais produtos eram mais vendidos juntos. Rodando esse código com a base de 2019, foi possível confirmar a hipótese inicial de que os clientes compravam um “look” na Centauro, ou seja, existia uma forte paridade entre bermuda e camiseta, sendo que, geralmente, ambos eram da mesma marca.
a) Este tipo de análise abre portas para muitos novos insights, como: sugestões no site podem ser mais assertivas, o vendedor pode sugerir algum outro produto para o cliente durante a venda na loja física, pode-se aproximar os dois produtos com paridade forte na loja física, entre outros.
b) Além de contar a quantidade de duplas de produtos que apareciam, foi contabilizado o share daquele par em relação à venda – ou seja, o quanto esse par representava em relação à venda do produto (exemplo: de 5 vendas da calça nike, 3 são com a camiseta nike preta)-, e calculado o valor médio da cesta que continha aquele par.
3. Análise de Devoluções: essa análise é muito importante para uma empresa grande como a Centauro, de forma a conseguir reduzir custos logísticos de devolução, além de conseguir ampliar os argumentos nos acordos com as marcas. Assim, inicialmente analisaram-se os principais motivos de devoluções dos produtos e quanto isso representava, o que permitiu compreender o porquê dos clientes estarem insatisfeitos com o produto e, a partir disso, tomar medidas para evitar essas confusões. Além disso, foi comparado a quantidade de venda de cada marca com a quantidade de devoluções, o que aumenta a margem de negociação com as marcas, baseado em dados, além de analisar se faz sentido manter acordo com aquela marca.
4. Determinação de Best Sellers: esse conceito é muito genérico e permite determinações de diversas formas, envolvendo variáveis diferentes. Para isso, fizemos várias reuniões com o time de Negócios para construir qual seria a melhor regra de clusterização dos produtos em: Fast Sellers, Best Sellers, Intermediários e Slow Movers. Para realizar o cálculo foi calculado giro (a partir das vendas totais/ estoque reconstruído) e a margem (LB Contábil/ Venda Líquida). Foi acordado um peso para esses dois fatores e a partir disso cada produto recebeu uma nota para ser dividido nas categorias. Essa análise permitiu uma padronização dentro da Centauro, visto que cada pessoa realizava sua divisão como queria.
- O RESULTADO
Resultados Finais
A partir desse projeto, a equipe Poli Júnior proporcionou o início de implementação de uma cultura DataDriven na empresa, de forma que o time de Negócios percebeu a relevância de embasar suas decisões em dados históricos. Isso fez com que o time de Negócios, não só tivesse uma melhor compreensão do potencial do time de Dados, mas também compreendesse a importância e a facilidade que os dados possibilitam para a tomada de decisão.
A Centauro apresentou um ganho imediato ao final do projeto que foi a possibilidade de utilização imediata dos dados pelo time de Negócio. Eles já conseguem consumir o resultado das análises, o que permite insights e tomadas de decisões imediatas. À longo prazo, com o time de Dados internalizando os códigos no sistema da empresa, será possível que essas análises fiquem automatizadas e interligadas com a base de dados original.
Além disso, foi possível estabelecer algumas métricas que permitirão a Centauro aumentar suas vendas pelo maior conhecimento das suas vendas e do comportamento de seu público (como os exemplos citados ao longo da etapa de soluções).
