universidade federal do rio de janeiromonografias.poli.ufrj.br/monografias/monopoli10029551.pdf ·...
TRANSCRIPT
Universidade Federal do Rio de Janeiro
ANÁLISE DA EXPANSÃO DE LOJAS NA CASAS PEDRO
UTILIZANDO ANALYTICS PARA A CRIAÇÃO DE UMA
FERRAMENTA DE SUPORTE À EXPANSÃO
João Victor Paiva de Souza
Lior London
2019
ANÁLISE DA EXPANSÃO DE LOJAS NA CASAS PEDRO
Utilizando analytics para a criação de uma
ferramenta de suporte à expansão
João Victor Paiva de Souza
Lior London
Projeto de Graduação apresentado ao Curso de Engenharia
de Produção da Escola Politécnica, Universidade Federal do
Rio de Janeiro, como parte dos requisitos necessários à
obtenção do título de Engenheiro.
Orientador: Roberto Ivo da Rocha Lima Filho
Rio de Janeiro
Agosto de 2019
Souza, João Victor de Paiva
London, Lior
ANÁLISE DA EXPANSÃO DE LOJAS NA CASAS
PEDRO
Utilizando analytics para a criação de uma ferramenta
de suporte à expansão – Rio de Janeiro: UFRJ/ Escola
Politécnica, 2019.
Orientador: Roberto Ivo da Rocha Lima Filho
Projeto de Graduação – UFRJ/ POLI/ Curso de
Engenharia de Produção, 2017.
Referências Bibliográficas: p. 54-55
1. Análise de regressão 2. Varejo alimentício 3.
Expansão de lojas
I. Filho, Roberto Ivo da Rocha Lima II. Universidade
Federal do Rio de Janeiro, UFRJ, Curso de Engenharia de
Produção. III. ANÁLISE DE EXPANSÃO DE LOJAS NA
CASAS PEDRO Utilizando analytics para a criação de uma
ferramenta de suporte à expansão.
Resumo do Projeto de Graduação apresentado à Escola Politécnica UFRJ
como parte dos requisitos necessários para a obtenção do grau de Engenheiro
de Produção.
Análise de Expansão de Lojas na Casas Pedro
Utilizando analytics para a criação de uma ferramenta de suporte à expansão
João Victor Paiva de Souza
Lior London
Agosto/2019
Orientador: Roberto Ivo da Rocha Lima Filho
Curso: Engenharia de Produção
A análise de dados vem provando ser vantajosa para as empresas de varejo
nos últimos anos, fornecendo informações que auxiliam a direção nas tomadas
de decisão. A Casas Pedro é uma varejista de alimentos que foca, além de
outros objetivos, em desenvolvimento de seu potencial de vendas nas lojas
próprias da rede. Para atender essa demanda, foi desenvolvido um modelo de
análise de regressão que busca examinar as relações entre as vendas das
lojas da empresa com informações sociodemográficas.
Palavras-chave: Análise de regressão, Varejo, Expansão.
Abstract of Undergraduate Project presented to POLI/UFRJ as a partial
fulfillment of the requirement for the degree of Industrial Engineering
Store Expansion Analysis of Casas Pedro
Using analytics to create a tool that supports store expansion
João Victor Paiva de Souza
Lior London
Agosto/2019
Advisor: Roberto Ivo da Rocha Lima Filho
Course: Engenharia de Produção
Data analysis has proven to be beneficial for retail companies in recent years by
providing information that aids management in decision making. Casas Pedro is
a food retailer that focuses, among other objectives, on developing its sales
potential in the chain's stores. To meet this demand, a regression analysis
model was developed that seeks to examine the relationship between the
company's store sales and sociodemographic information.
Keywords: Regression analysis, Retail, Expansion.
AGRADECIMENTOS
Nos tornar engenheiros nos fez refletir sobre todos aqueles que
estiveram conosco nessa jornada para que pudesse chegar até aqui. O
caminho nem sempre foi fácil, mas por conta de pessoas especiais tudo se
tornou mais simples e leve.
Como não poderia deixar de ser, agradecemos em primeiro lugar aos
nossos pais, que sempre foram nossos maiores apoiadores e incentivadores
nesse caminho. Agradecemos o afeto incondicional e por sempre acreditarem
em nossos potenciais, fazendo de tudo para que pudéssemos conquistar aquilo
que desejamos. Tenham certeza que sem vocês nada disso seria possível.
Agradecemos, também, aos nossos irmãos e namoradas, que durante todos
esses anos foram grandes parceiros e fortalezas para nos ajudar a superar os
desafios encontrados durante esse período.
Aos nossos colegas de turma, que tivemos a honra de partilhar grandes
momentos durante esses anos da vida acadêmica e com quem pudemos
aprender todos os dias. Com toda a certeza, foram experiências essenciais
para nossa formação como engenheiros de produção, para nossa carreira
profissional e desenvolvimento pessoal.
Agradecemos, por fim, ao nosso orientador, Roberto Ivo da Rocha Lima
Filho, por todo o carinho e atenção que demonstrou conosco durante todos
esses anos e nas orientações concedidas no presente projeto, que foram
primordiais para seu desenvolvimento.
SUMÁRIO
CAPÍTULO 1 - INTRODUÇÃO ......................................................................... 10
1.1. OBJETIVOS .............................................................................................. 11
1.1.1. Objetivos Gerais ..................................................................................... 11
1.1.2. Objetivos Específicos ............................................................................. 11
1.2. ORGANIZAÇÃO E ESTRUTURA DO TRABALHO ................................... 12
CAPÍTULO 2 - REFERENCIAL TEÓRICO ....................................................... 14
2.1. DESCOBERTA DE CONHECIMENTO EM BASE DE DADOS ................. 14
2.2. MODELOS DE REGRESSÃO ................................................................... 15
CAPÍTULO 3 - REVISÃO DA LITERATURA .................................................... 19
CAPÍTULO 4 - ENTENDIMENTO DO NEGÓCIO ............................................ 21
4.1. APRESENTAÇÃO DA CASAS PEDRO .................................................... 21
4.2. ESTRATÉGIA ............................................................................................ 23
4.3. PROBLEMÁTICA ...................................................................................... 24
CAPÍTULO 5 - ENTENDIMENTO DOS DADOS .............................................. 27
5.1. IMPORTÂNCIA ANALÍTICA ...................................................................... 28
5.2. SAZONALIDADE ....................................................................................... 29
5.3. TICKET MÉDIO ......................................................................................... 30
5.4. ATENDIMENTOS ...................................................................................... 32
5.5. MATURAÇÃO DE LOJA ............................................................................ 34
5.6. CANIBALIZAÇÃO ...................................................................................... 35
5.7. METRAGEM .............................................................................................. 36
5.8. QUANTIDADE DE DIAS ÚTEIS E SÁBADOS .......................................... 37
5.9. POPULAÇÃO ............................................................................................ 37
5.10. POPULAÇÃO ECONOMICAMENTE ATIVA ........................................... 38
5.11. RENDA MÉDIA DOMICILIAR .................................................................. 39
CAPÍTULO 6 - MODELAGEM .......................................................................... 40
6.1. MINERAÇÃO DE DADOS ......................................................................... 41
6.2. VALIDAÇÕES INICIAIS ............................................................................. 42
6.3. ATENDIMENTOS ...................................................................................... 43
6.4. TICKET MÉDIO ......................................................................................... 44
CAPÍTULO 7 - ANÁLISE DOS RESULTADOS ................................................ 45
7.1. VALIDAÇÃO DOS MODELOS .................................................................. 45
7.2. ANÁLISE GRÁFICA .................................................................................. 47
7.3. RESULTADOS OBTIDOS ......................................................................... 48
CAPÍTULO 8 - IMPLEMENTAÇÃO .................................................................. 50
CAPÍTULO 9 - PRÓXIMOS PASSOS .............................................................. 52
CONCLUSÃO ................................................................................................... 53
REFERÊNCIAS BIBLIOGRÁFICAS ................................................................. 54
ANEXOS .......................................................................................................... 56
LISTA DE FIGURAS
Figura 1 - Descoberta de Conhecimento em Base de Dados. ......................... 15
Figura 2 - Exemplo de regressão linear.. ......................................................... 16
Figura 3 - Exemplo de distribuição de probabilidade. ....................................... 17
Figura 4 - Média das vendas por mês de 2015 a 2018.. .................................. 30
Figura 5 - Média das vendas por mês por loja de 2015 a 2018........................ 30
Figura 6 - Ticket Médio por mês por loja de 2015 a 2018.. .............................. 31
Figura 7 - Histograma de ticket médio.. ............................................................ 32
Figura 8 - Boxplot de ticket médio. ................................................................... 32
Figura 9 - Média de atendimentos por mês por loja de 2015 a 2018.. ............. 33
Figura 10 - Histograma de atendimentos por mês por loja de 2015 a 2018. .... 34
Figura 11 - Boxplot de atendimentos por mês por loja de 2015 a 2018.. ......... 34
Figura 12 - Raios de influência das lojas extraído do Geofusion.. .................... 36
Figura 13 - Ticket Médio e Atendimentos das lojas.. ........................................ 43
Figura 14 - Correlação TM e Atendimentos...................................................... 43
Figura 15 - Resíduos em função dos valores estimados para a regressão da
quantidade de atendimentos para lojas dos bairros do Rio de Janeiro, com
exceção do Centro.. ......................................................................................... 46
Figura 16 - Distribuição normal teórica e resíduos observados para a regressão
da quantidade de atendimentos para lojas dos bairros do Rio de Janeiro, com
exceção do Centro.. ......................................................................................... 46
Figura 17 - Regressão Atendimentos. .............................................................. 47
Figura 18 - Regressão Ticket Médio.. .............................................................. 48
Figura 19 - Regressão para dados da Ilha do Governador.. ............................ 51
10
CAPÍTULO 1 - INTRODUÇÃO
No contexto de tendência de volta do crescimento econômico do Brasil
e, mais especificamente, da cidade do Rio de Janeiro, é essencial que as
organizações estejam preparadas para aproveitar ao máximo as oportunidades
de negócio que podem surgir. No varejo, como um setor extremamente
dinâmico e competitivo no mercado brasileiro, as empresas devem estar
sempre preocupadas em se desenvolver de forma sustentável e consciente, de
maneira a maximizar o retorno nos investimentos realizados.
Um ganho de escala na operação, junto a maior eficiência operacional
fazem com que se aumente a vantagem competitiva, objetivo de grande
relevância em mercados de grande concorrência. Para tal, diversas ações se
tornam de extrema importância, tais como: aumentar vendas, fidelizar clientes,
expandir área de atuação, selecionar investimentos, otimizar processos,
aumentar o valor percebido no produto pelo cliente e aumentar o valor
percebido na empresa pela sociedade.
Hoje, ferramentas tecnológicas extremamente importantes conseguem
quantificar o que anos atrás era puramente conhecimento tácito e intuitivo,
gerando cada vez mais possibilidades de análise para auxiliar a tomada de
decisão das empresas, diferenciando-as. Assim, elas vêm evoluindo em ritmo
muito acelerado nos últimos anos, buscando endereçar as limitações técnicas
convencionais em lidar com as demandas cada vez mais sofisticadas e
crescentes volumes de dados encontrados.
Historicamente, as empresas familiares brasileiras costumam fazer uso
de análises mais simples e incompletas para tomada de decisão, sendo muitas
vezes apenas qualitativas e baseadas na experiência pessoal dos líderes, o
que se torna um risco à continuidade dessas companhias no mercado
competitivo. Nessa tendência, a Casas Pedro, empresa de varejo alimentício
muito tradicional no cenário carioca, possuía um baixo nível de controle e
poucas ferramentas de auxílio à tomada de decisão.
Nos últimos anos, a partir de uma transição para uma gestão mais
profissional, a Casas Pedro vem buscando aprimorar suas análises e controles
11
para garantir sua prosperidade e seu crescimento saudável. Hoje com 37 lojas
no estado do Rio de Janeiro, a empresa aprimorou processos e adotou
ferramentas robustas de gestão, abrangendo desde controle financeiro e de
estoque até sistemas de ponto de venda e relacionamento com clientes. A
transição tem logrado grande êxito, alcançando resultados com ganhos
consideráveis em relação ao modelo anterior, mesmo sem deixar de prezar
pelos diferenciais de variedade, paixão pelas vendas e qualidade no
atendimento, marcas históricas da varejista.
Entretanto, apesar da evolução recente em diversos setores, uma
inciativa de extrema importância, considerando a visão definida pela empresa e
as tendências do mercado, que recebeu pouca atenção foi a de expansão de
lojas da rede. Atualmente, o processo de decisão é muito baseado em análises
puramente qualitativas dos pontos negociados.
Sendo assim, estre trabalho busca auxiliar a Casas Pedro nas análises
quantitativas para uma melhor tomada de decisão, buscando uma expansão
saudável e sustentável da rede de lojas próprias.
1.1. OBJETIVOS
1.1.1. Objetivos Gerais
O objetivo geral deste trabalho é a formulação de uma ferramenta de
suporte à equipe comercial da Casas Pedro na definição da estratégia de
expansão física da empresa, auxiliando quantitativamente a tomada de decisão
quanto aos locais ideais e prioritários para futuras lojas da rede. Para orientar
este desenvolvimento será elaborado um estudo de caso, a partir de
metodologias estatísticas de análise de dados, baseado nos registros históricos
das lojas da empresa.
1.1.2. Objetivos Específicos
Os objetivos específicos deste trabalho são:
12
Identificar influência de variáveis sociodemográficos no resultado das
lojas;
Identificar influência de fatores físicos das lojas em seu resultado;
Identificar viabilidade e potencial de resultado de possíveis futuras
lojas;
Aumentar o retorno sobre os investimentos da companhia em
expansão;
Incentivar a análise quantitativa do setor comercial.
1.2. ORGANIZAÇÃO E ESTRUTURA DO TRABALHO
Este trabalho está estruturado em: introdução, 8 capítulos de
desenvolvimento (2 a 9) e conclusão. Segue as normas da ABNT de
formatação de trabalhos acadêmicos e foi desenvolvido no período de janeiro a
agosto de 2019.
O segundo capítulo apresenta os fundamentos teóricos utilizados para a
elaboração do estudo apresentado. Nesse é introduzida a metodologia utilizada
para a análise de correlação das vendas da Casas Pedro e apresentado o
modelo que foi utilizado para guiar o desenvolvimento e estrutura do trabalho.
O terceiro capítulo revisa a literatura contemporânea a fim de
contextualizar o cenário acadêmico atual sobre o tema.
O quarto capítulo apresenta uma introdução ao negócio, apresentando a
instituição Casas Pedro como uma empresa de varejo alimentício com metas
agressivas de crescimento no estado do Rio de janeiro. Em seguida, é exposta
a problemática na qual ela está inserida e se inicia a formulação de hipóteses
sobre a possível solução para o problema em questão.
O quinto capítulo aborda o entendimento dos dados, apresentando e
explicitando a base de dados utilizada no trabalho e os resultados de uma
análise exploratória realizada com os mesmos. É explicado, também, o
processo de tratamentos realizados em cada agrupamento de dados e as
13
características intrínsecas ao negócio da companhia que justificam tais
manipulações.
O sexto capítulo desenvolve a descrição do modelo aplicado para a
solução do problema descrito anteriormente. Para tanto, apresenta-se todo o
conteúdo que tange a etapa de modelagem matemática, desde a preparação
dos dados até a seleção do modelo e a definição dos parâmetros utilizados
O sétimo capítulo contempla a validação do modelo apresentado
anteriormente, usando-se de abordagens estatísticas aprendidas ao longo do
curso de Engenharia de Produção para comprovar a efetiva utilização das
regressões obtidas. Depois, são utilizadas abordagens gráficas para melhor
visualizar os resultados obtidos ao longo do presente trabalho.
Já no oitavo capítulo, apresenta-se a forma proposta para utilização do
aprendizado obtido no estudo. Nele se busca aproximar o conhecimento
técnico estatístico da prática de varejo, com grande foco em tornar o modelo
simples ao usuário final.
O nono capítulo aborda possíveis próximos passos que possam
complementar o trabalho em questão, sugerindo um maior aprofundamento em
questões de extrema relevância para o problema levantado anteriormente.
Finalmente, no décimo capítulo, as conclusões do projeto são
desenvolvidas afim de finalizar o estudo realizado.
14
CAPÍTULO 2 - REFERENCIAL TEÓRICO
2.1. DESCOBERTA DE CONHECIMENTO EM BASE DE DADOS
Nos dias de hoje, o avanço das novas tecnologias de informação, a
utilização e a capacidade de armazenamento em bancos de dados estão em
constante crescimento. Consequentemente, a atividade de extrair informações
relevantes dessas bases é uma tarefa cada vez mais complexa e primordial
(WITTEN; FRANK, 2005). Nesse sentido, de acordo com Santos, Menezes e
Hora (2014), surge o processo de seleção de dados chamado de Knowledge
Discovery in Databases – KDD, que significa Descoberta de Conhecimento em
Base de Dados.
Resumidamente, Fayyad, Piatetsky – Shapiro e Smyth (1996) definem o
KDD como “o processo não trivial de identificação de padrões válidos, novos,
potencialmente úteis e, em última instância compreensíveis em dados”. O
processo pode ser definido como a descoberta de padrões, relacionamentos e
tendências significativas por meio de uma cuidadosa análise dos grandes
conjuntos de dados armazenados.
O processo KDD é interativo e iterativo, envolvendo etapas com diversas
decisões do analista. Brachman e Anand (1996) nos trazem uma leitura prática
das etapas envolvidas no processo:
1. Entender os conhecimentos necessários para a identificação do
objetivo do processo KDD;
2. Criar a base de dados: selecionar as informações necessárias,
focando no conjunto de campos essenciais para descoberta desejada;
3. Limpar os dados, removendo os outliers da base e definindo a
estratégia para lidar com dados e campos faltantes, se necessário.
4. Emparelhar a necessidade (passo 1) com a base de dados extraída,
resumindo, classificando, agrupando em clusters, etc.
5. Escolher o algoritmo de mineração de dados, selecionando métodos a
serem utilizados para a busca de padrões nas informações. Inclui
15
decidir os modelos e parâmetros que são apropriados aos dados
extraídos
6. Minerar os dados, procurando por padrões e tendências explicadas
por árvores, regressões e outras métricas de interesse do usuário.
7. Interpretar os resultados obtidos anteriormente para, se necessário,
repetir os passos realizados e se chegar no objetivo inicial.
8. Consolidar o conhecimento adquirido, podendo incorporar o resultado
em um processo existente com objetivo de melhorá-lo.
O processo de Descoberta de Conhecimento em Base de Dados pode
envolver diversas iterações, inclusive loops entre duas etapas em sequência.
Para melhor ilustrar os procedimentos realizados, a Figura 1, inserida abaixo,
resume os passos a serem seguidos:
Figura 1 - Descoberta de Conhecimento em Base de Dados. Fonte: Elaborada pelo autor.
2.2. MODELOS DE REGRESSÃO
O conceito de relações entre variáveis, como entre a renda e os gastos
de uma família, é conhecido e pode se dar de duas formas: a partir de uma
função ou a partir de dados estatísticos (KUTNER, 2005). A relação de
variáveis a partir de uma função é expressa matematicamente através de uma
fórmula. Se X é a variável independente, ou seja, que independe de outras
variáveis e busca explicar a variável objetivo, e Y a variável dependente, ou
seja, a que depende de outras variáveis para ser explicada, a relação funcional
será dada e, um determinado valor de X indica o valor correspondente de Y: 4.
𝑌 = 𝑓(𝑋)
16
Já a relação estatística, diferentemente da relação funcional, não é uma
relação perfeita. Em geral, os dados desse tipo de relação não se posicionam
exatamente em uma função, gerando a necessidade de se explicar o erro da
estimativa, conforme verificado na Figura 2, inserida em seguida.
Figura 2 - Exemplo de regressão linear. Fonte: Elaborada pelo autor.
A análise de regressão começou a ser desenvolvida no final do século 19
por Francis Galton. Galton, que estudou a relação entre a altura dos pais e
seus filhos e notou, a partir dos dados, que o tamanho das crianças (tanto de
pais altos quanto baixos) tende a regredir para a média do grupo. Com isso,
Francis desenvolveu uma tendência da regressão encontrada que,
futuramente, serviu como base para os modelos de regressão atuais1.
Os modelos de regressão expressam, necessariamente, dois
ingredientes essenciais de relações estatísticas: a tendência da variável
dependente Y em relação a variável independente X; e a distribuição de pontos
sobre a curva de relação estatística. Essas duas características são
incorporadas no modelo de regressão assumindo que há uma distribuição de
probabilidade de Y para cada nível de X e que a média dessas distribuições
variam de forma sistemática com X.
1 Disponível em: http://www.ipea.gov.br/portal/images/stories/PDFs/livros/livros/160104_gasto_e_consumo_familiar_vol1_ipea_2007_web.pdf. Acesso em: 24 de agosto. 2019.
17
Figura 3 - Exemplo de distribuição de probabilidade. Fonte: Applied linear statistical model p. 6.
A figura 3, ilustrada acima, exemplifica a distribuição de probabilidade de
Y para diferentes níveis de X. É válido ressaltar que, para mais variáveis (X1,
X2, ...), seriam necessárias mais dimensões para ilustrar graficamente o
resultado da regressão.
A análise de regressão serve, em geral, para três propósitos. Na prática,
esses motivos se entrelaçam, fazendo com que um mesmo modelo sirva para
mais de um objetivo. Para exemplificar as aplicações da análise, usaremos
casos reais da Casas Pedro:
1. Descrição: um estudo de produtos vendidos por região, assumindo
que a variável independente são as características da região e/ou dos
produtos, e que a variável dependente seja a venda de cada produto.
Dessa maneira, seria possível explicar o mix vendido por cada loja;
2. Controle: uma análise do custo operacional de cada loja da rede, a
partir de diversas variáveis, pode servir como controle de despesas da
companhia. Assim, a administração pode agir de maneira focada para
conter gastos excessivos e melhorar o resultado da companhia;
3. Predição: um modelo que resulte na previsão de venda por produto
por loja, a partir de variáveis como vendas recentes, disponibilidade
de produtos, eventos não-recorrentes (feriados), características da
região em que a loja está inserida, entre outras. Com isso, a
administração pode definir a meta de vendas da equipe de loja e
alinhar as expectativas com vendedores e gestores.
18
A existência de relação estatística entre duas variáveis, no entanto, não
implica necessariamente que qualquer valor de Y depende de X. Não importa
quão forte seja a relação, não há obrigatoriamente relação de causalidade. É
possível encontrar, por exemplo, correlação entre o número de lançamentos
espaciais não comerciais no mundo com a quantidade de doutorados de
sociologia adquiridos nos EUA. Essa relação claramente não é de causa-efeito,
mas as análises estatísticas dizem que há uma correlação de quase 80% entre
as variáveis2. Com isso, é de extrema importância que as análises e modelos
estatísticos sejam complementados por análises qualitativas para garantir uma
tomada de decisão efetiva.
2 Data sources: Federal Aviation Administration and National Science Foundation. Disponível em: https://tylervigen.com/spurious-correlations. Acesso em: 24 de agosto. 2019.
19
CAPÍTULO 3 - REVISÃO DA LITERATURA
Com o objetivo de melhor compreender os conceitos abordados no
presente trabalho, foi realizada uma revisão da literatura acerca do tema. Neste
tópico busca-se contextualizar os principais tópicos presentes nos artigos
acadêmicos contemporâneos e, assim, agregar o conhecimento adquirido ao
que já existe no meio.
Convenciona-se dizer que o varejo se efetiva quando a venda do
produto é destinada ao consumidor final, diferentemente do comércio
atacadista, quando há intenção de negócio do produto comercializado. Assim,
a quantidade de mercadoria negociada tende a ser reduzida e o preço
aumentado em relação ao valor do atacado. Uma definição comumente
adotada em artigos acadêmicos é a de Kotler (2000, p. 540) apud Estende
(2005, p. 2):
O varejo engloba todas as atividades relacionadas à venda direta de produtos e serviços aos consumidores finais, para uso pessoal, não relacionada a negócio. Qualquer empresa que forneça um produto ou serviço para o consumidor final está praticando varejo. A venda pode ser realizada de forma pessoal, por correio, por telefone, por máquinas de venda ou pela internet, em uma loja, na rua ou na casa do consumidor. Há diversos tipos de organizações de varejo, e continuamente surgem novos. Existem os varejistas de loja, varejistas sem loja e organizações de varejo.
Outro fator relevante sobre o mercado varejista é sua alta frequência de
retorno dos consumidores. Principalmente quando se trata de mercados e
supermercados, esse é um dos setores com os maiores índices de revisita por
clientes, que podem chegar a ser praticamente toda a população da área em
que estão localizados, ainda que indiretamente, considerando que nem todos
os integrantes de uma residência vão às compras, porém não deixam de
consumir.
Gomez, Mclaughlin e Wittink (2003) alertam que os custos de
substituição entre redes para o consumidor são basicamente deslocar-se até o
concorrente mais próximo, o que demonstra a relevância de certos fatores para
a escolha do local de compra pelo cliente. Nesse sentido, Lu e Lukoma (2011)
testaram quantitativamente as dimensões de localização, serviços adicionais,
20
qualidade do produto, qualidade do serviço, instalações, confiabilidade,
processos, custo-benefício, funcionários e serviços prestados pelos
funcionários em relação à satisfação do cliente. Sobre a localização, sua
ênfase se dá da seguinte forma:
A localização de qualquer loja é muito importante. Localização pode significar conveniência e acessibilidade. Localização também pode se referir ao número de lojas em uma configuração geográfica. De acordo com Martinéz-Ruiz et al (2010, p. 280), sugere-se que, uma vez que a localização é próxima a casa, os custos de substituição associados com a compra, como custos de locomoção e tempo, são substancialmente reduzidos.
Vernor e Rabianski (1933, p. 150) enfatizam que os tipos de lojas
tendem a variar de acordo com seu faturamento bruto obtido por metro
quadrado, aluguel pago por metro quadrado e metragem total. Também
atentam para o fato de que uma visão cuidadosa deve ser feita para que os
pontos não tenham espaço demais, caso contrário terão vendas insuficientes
para justificar a despesa total de aluguel.
Graham e Levy (2009) analisaram a evolução da pesquisa em varejo ao
longo dos anos 2000 e concluíram que os seguintes temas são predominantes:
estratégias de sucesso em serviços; crescimento da internet e do e-commerce,
branding e fidelidade do consumidor, e questões de comportamento
relacionadas à precificação e escolha de lojas. A pesquisa em questão, focada
em mercados emergentes, sinaliza alguns dos desafios de pesquisa para o
campo de varejo atualmente.
No presente trabalho, daremos foco à tendência de escolha de pontos
de venda, conhecimento cada vez mais influente na definição do sucesso ou
fracasso no complicado cenário competitivo do varejo brasileiro.
21
CAPÍTULO 4 - ENTENDIMENTO DO NEGÓCIO
4.1. APRESENTAÇÃO DA CASAS PEDRO
A história da Casas Pedro começa na década de 20, quando um casal
de imigrantes libaneses, devastados pela guerra de seu país, deixam suas
origens para vir morar em um sobrado na região do SAARA, região central do
Rio de Janeiro. Ao chegar, o casal abre uma pequena loja de frutas secas na
parte de baixo de casa. Aos poucos, vão diversificando seus produtos e
aumentando o negócio, focando principalmente na cultura árabe que
acompanhou os fundadores. Com fundação oficial considerada em 1932, a
Casas Pedro surgiu como loja de frutas secas e produtos árabes.
Há quase 90 anos presente no Rio de Janeiro, hoje suas lojas são muito
conhecidas pela diversidade do mix de produtos e pela venda de produtos a
granel. Temperos, grãos, castanhas, oleaginosas, aperitivos, frutas secas,
farinhas, conservas, produtos naturais e pescados são exemplos de categorias
que deliciam os amantes de produtos alimentícios. A empresa possui uma forte
sazonalidade no período de Páscoa e Natal, quando sua operação cresce
consideravelmente puxada pela venda de cestas comemorativas e do chamado
“verdadeiro bacalhau”, importado da Noruega.
A administração da companhia transitou de geração em geração, e hoje
encontra-se na terceira. De origem totalmente familiar, atualmente a direção da
empresa vem passando por um processo de profissionalização, com uma
melhor gestão de resultado e caixa da empresa. Assim, foi incentivada uma
forte estratégia de expansão, que levou a rede a totalizar, atualmente, 37 lojas
espalhadas pelo estado do Rio de Janeiro, apesar da recente crise econômica
do país e do estado que influenciou relevantemente o resultado do varejo
fluminense. A expansão física continua crescendo a uma taxa relevante, guiada
por uma meta de abertura de lojas agressiva, em linha com o Sonho Grande da
empresa: “Ser a Casa de Produtos Alimentícios, com um grupo de 100 lojas
reconhecido como a melhor do segmento para nossos Clientes, Pessoas e
Sócios”.
22
Além das lojas, a Casas Pedro possui um Centro de Distribuição no
bairro de São Cristóvão, onde estão localizadas as áreas de Televendas,
Compras, Planejamento, Manutenção, Logística e Operação. Também possui
um escritório administrativo no Centro do Rio de Janeiro, em cima de uma das
lojas da empresa, onde trabalham os setores de CSC, Gente & Gestão, TI,
Marketing, Financeiro, Fiscal e Nutrição.
O setor comercial, altamente voltado para a performance de vendas em
lojas, encontra-se pulverizado pelas sedes da companhia. O setor conta com
uma área de inteligência comercial, focada em análises quantitativas e novos
modelos de negócio, e 3 supervisores de loja, cada um responsável por de 10
a 15 lojas (que possuem 2 ou 3 gerentes cada), que atua de maneira mais
direta na loja, garantindo que os processos e práticas esperadas estão sendo
realizados no ponto de venda. Historicamente focada na performance diária
das lojas existentes, a equipe comercial conhece profundamente do negócio,
do cliente e da dinâmica de venda no chão de loja, mas ainda possui uma
cultura ainda pouco orientada a dados, cenário que vem se alterando com o
estabelecimento da área de inteligência.
Por mais que seu reconhecimento externo se sustente no tipo e
variedade de produtos que oferece, o diferencial da Casas Pedro se sustenta
internamente pela paixão pelas vendas e capacidade de proporcionar uma
experiência única de atendimento personalizado e caloroso. O foco da gerência
e operação para que as lojas estejam sempre prontas para atender os clientes
da melhor forma possível é o que faz com que a qualidade e a simpatia sejam
reconhecidas pelos clientes fiéis. O atendimento se diferencia,
majoritariamente, pela visão de vendedor mordomo e pelo conceito de
“Disneylândia dos Alimentos”.
A empresa é organizada e integrada pelo sistema de gestão
desenvolvido pela Totvs, o Protheus. O sistema foi implantado em 2015 e
engloba todas as áreas e operações da empresa, contendo registros confiáveis
desde então que servem, cada vez mais, de base para tomada decisões
estratégicas da empresa e concederá os insumos necessários para o presente
estudo.
23
4.2. ESTRATÉGIA
Comum em empresas familiares que passam de geração em geração,
chega um momento que a profissionalização se torna fundamental para a
manutenção da empresa no mercado e crescimento sustentável e contínuo.
Com a Casas Pedro não aconteceu de forma diferente e, na virada de 2012
para 2013, a família, muito influenciada pela terceira geração que estava se
consolidando na liderança da empresa, decidiu se tornar uma potência no
varejo alimentício brasileiro, deixando de ser uma pequena rede com 12 lojas
majoritariamente no Centro e Zona Sul do Rio de Janeiro. Assim, foi criada a
empresa Nova Geração, com Felipe Mussalem – neto de Pedro, fundador
original – como líder executivo – CEO.
Em paralelo ao processo de mudança na organização, a Visagio –
consultoria carioca reconhecida pela expertise em gestão e por diversos casos
de transformação de negócios – entrou como parceira estratégica para apoiar a
profissionalização do negócio com foco no crescimento desejado. A parceria
perdura por anos, fortalecendo laços entre as empresas e fazendo com que,
hoje, consultores e sócios da Visagio atuem em cargos executivos e no
Conselho de Administração da empresa.
Para garantir que a empresa está no caminho certo, metas claras e bem
definidas são agrupadas em três frentes: lucratividade, caixa e longevidade. O
desempenho de cada uma dessas áreas é essencial para atingir o objetivo da
companhia, sendo de suma relevância a mentalidade de curto, médio e longo
prazo.
A performance de cada frente é medida através de indicadores pré-
definidos que são divididos entre as áreas e acompanhados frequentemente
em Comitês e no Conselho Administrativo. Resumidamente, o indicador que
mais representa a lucratividade é o EBITDA - Lucros antes de juros, impostos,
depreciação e amortização, direcionando o foco no crescimento da receita e na
redução de despesas e custos operacionais. Em relação a caixa, dois
indicadores acompanhados de suma importância são: dívida líquida dividida
pelo EBITDA, permitindo gerenciar o nível de endividamento da companhia e
sua capacidade de pagamento, e o ciclo financeiro da empresa, permitindo
24
gerenciar a programação de recebíveis e nível de financiamento da empresa
por fornecedores. Já a longevidade é medida por diversos indicadores, como
Same Store Sales (SSS) – que mede o quanto as lojas venderam a mais em
receita em determinado mês em comparação ao mesmo período do ano
anterior –, pelo desligamento voluntário de talentos – importante para
administrar o índice de retenção de talentos (que tendem a futuramente se
tornar líderes da empresa) –, pelos resultados da Pesquisa de Clima –
essencial para entender o grau de satisfação dos colaboradores com a
empresa – e pelo Net Promoter Score (NPS) – que mede o grau de satisfação
dos clientes com as experiências proporcionadas pela empresa.
A cultura de trabalho da Casas Pedro é bem representada pela sua
missão: “Atender bem para fazer amigos”. A cultura do servir é totalmente
disseminada e visível no dia-a-dia da empresa, seja no Centro de Distribuição,
escritório ou lojas. Do CEO ao escritório, passando pelo CD, a máxima da
empresa é de “servir as lojas, assim como as lojas servem os clientes”, isto é,
com amizade, respeito e eficiência. Dessa forma, todos as áreas da empresa,
incluindo as lojas, possuem indicadores que acompanham o desempenho dos
principais processos que impactam os clientes de cada setor, sejam eles
internos ou externos.
4.3. PROBLEMÁTICA
De acordo com o Sonho Grande citado, percebe-se que a expansão
física é um tema estratégico e de suma importância. No varejo, ganhar escala
na operação de maneira eficaz é um grande diferencial estratégico para as
empresas, dado que permite uma maior diluição das despesas operacionais
fixas (como administrativas ou logísticas), reduzindo sua representatividade e
aumentando a margem EBITDA da empresa; demonstra ao público um valor de
marca mais forte e confiável, aumentando a barreira de entrada para
concorrentes; além de conceder maior poder de barganha e possibilitar
estratégias para redução do custo de mercadorias (como importação dos
produtos diretamente do fornecedor original), fator de grande importância dado
que a margem bruta do varejo alimentício é bem apertada e influencia bastante
o resultado final da empresa.
25
Por outro lado, seguir uma estratégia de expansão física exige uma alta
capacidade de investimento, dado que o capital inicial para abertura de lojas
costuma ser relevante. Além disso, uma estratégia de expansão pouco
eficiente pode ser bastante prejudicial para os resultados da empresa, visto que
aberturas de lojas mal planejadas representam investimentos com retorno
abaixo da taxa mínima de atratividade dos investidores e acionistas, além de
reduzir a lucratividade da empresa, como em casos de canibalização de lojas
(migração de clientes de uma loja para outra) já existentes sem haver uma
geração de lucro adicional para a empresa.
Com a transição de uma organização familiar para uma gestão
profissional, uma das principais conquistas da Casas Pedro foi a capacidade de
investimento proveniente de uma gestão de caixa mais eficiente. Dessa forma,
possibilitou-se uma estratégia de expansão física mais agressiva, visando
alavancar os indicadores de resultado da empresa.
Nos últimos 4 anos, a Casas Pedro mais que triplicou o seu número de
lojas, passando de 11 lojas em 2014 (concentradas majoritariamente no Centro
e Zona Sul do Rio de Janeiro) para 36 lojas em 2018 (espalhadas por todo o
estado). Acompanhando o crescimento no número de lojas e as melhorias
implementadas nos processos de todas as áreas, os indicadores de resultado
(Receita, EBITDA, Margem EBITDA, etc) também apresentaram uma grande
melhoria, levando a empresa para outro patamar no cenário fluminense.
Entretanto, a estratégia de expansão e definição dos pontos de abertura
de novas lojas não foi baseada em dados sociodemográficos dos bairros e
regiões do estado, e sim pelo conhecimento tácito do CEO e outras lideranças,
que tinham bastante conhecimento de pontos comerciais no Rio de Janeiro por
experiências próprias vividas. No início da agressiva expansão, como a
empresa ainda possuía muitas oportunidades de crescimento no estado, esse
fator não foi um grande risco para a empresa, que conseguiu um crescimento
significativo em seu resultado e uma rentabilidade interessante nos
investimentos em novas lojas.
Contudo, no ano de 2018, como a empresa já estava presente na
maioria das principais concentrações comerciais do estado e o Sonho Grande
26
da empresa ainda estava distante, a definição de novos pontos de abertura
baseada apenas no conhecimento e experiência das lideranças ficou mais
complexo e menos eficaz, apesar de ainda ser cobrada uma estratégia
agressiva de expansão. Com isso, o resultado foi de algumas aberturas de
lojas com resultados ruins, baixa rentabilidade, longo prazo de recuperação do
investimento e inclusive canibalizando o resultado de lojas antigas da rede,
reduzindo sua lucratividade.
É consenso na companhia que a expansão é de suma importância para
que os resultados da empresa continuem crescendo, dado que ainda se
encontra a uma distância considerável do sonho de atingir 100 lojas. Dessa
forma, a empresa vem buscando alternativas para ser mais efetiva na
estratégia de expansão – inclusive contratando soluções de GeoMarketing
(abordagem de marketing para entender, enxergar, planejar e atuar através de
inteligência geográfica e estratégia mercadológica) para ter um processo de
definição de pontos mais assertivo, baseado em dados.
Porém, a equipe de expansão da empresa ainda não encontrou o melhor
método para utilizar essas informações de maneira efetiva, o que tornou a
ferramenta contratada subutilizada, retornando ao modelo tácito e pouco
quantitativo de expansão. Dessa forma, o presente projeto busca responder
algumas perguntas da área de expansão da Casas Pedro, tais como:
Como alcançar uma estratégia de expansão baseada em dados?
Como aumentar eficiência da escolha de pontos comerciais,
garantindo os benefícios da expansão e melhorando o resultado da
empresa?
27
CAPÍTULO 5 - ENTENDIMENTO DOS DADOS
Nesta seção, abordaremos os conhecimentos necessários para o
completo entendimento dos dados específicos da Casas Pedro. Com isso,
deseja-se ganhar familiaridade com os termos e números utilizados neste
presente trabalho.
Durante a coleta de informações, foram extraídos diversos dados do
ERP da companhia, explorando tabelas que consolidam, por exemplo,
informações de receita, atendimentos e quantidade de produtos
comercializados por cada loja, incluindo cada item de cada venda, assim como
informações de data, hora e valor pago pelo produto. Como o sistema interno
de gestão foi implementado na Casas Pedro apenas em 2015, e ainda possuiu
um tempo considerável de gestão da mudança, a equipe comercial aconselhou
que, para garantir a confiabilidade das informações, usássemos dados a partir
do ano de 2016. Assim, o histórico disponível para análise é correspondente ao
período entre janeiro de 2016 e julho de 2019.
Após a seleção dos dados da empresa, os alunos buscaram dados
referentes à região em que as lojas se encontram. Para tal foi utilizada a
ferramenta GeoFusion, cuja licença foi adquirida pela companhia em 2018 e
que possibilita um maior entendimento de métricas relacionadas à região em
que cada loja está inserida. Nesta ferramenta encontram-se, por exemplo,
dados sobre renda média, população economicamente ativa do bairro,
população, quantidade de domicílios, área por bairro ou município escolhido.
Outra abordagem utilizada com o GeoFusion foi a definição de um raio a partir
do ponto específico da loja no mapa, de maneira a possibilitar a obtenção de
dados precisos de regiões mais próximas às lojas da Casas Pedro.
É importante frisar que o raio definido no estudo partiu de uma
recomendação do setor comercial da companhia que, após benchmarkings
com outras empresas do setor, entendeu que os raios a ser analisados são de
300 metros e 500 metros a partir dos pontos de venda. Para complementar a
análise, consideramos também os raios de 1000 e 2000 metros a partir do
endereço da loja.
28
Os dados coletados resultaram em uma base com centenas de milhares
de linhas, onde cada uma corresponde a uma venda de uma loja. Buscou-se,
primeiramente, obter um maior conhecimento dos dados extraídos da empresa.
Para tal, foram explicitadas abaixo algumas métricas que explicam os valores
coletados. Antes disso, será apresentada uma breve introdução acerca da
importância da análise correta de indicadores de loja para o varejo de giro.
5.1. IMPORTÂNCIA ANALÍTICA
No varejo antigo, do século XX, pré-tecnológico, media-se taxa de
conversão através de anotações a caneta em cadernos, em “listas da vez”. Era
uma medição semiútil pois, se por um lado os gestores das marcas tinham uma
direção a seguir quanto à eficiência das equipes, por outro, este sempre foi o
índice mais falsificado no varejo, especialmente quando a marca cobrava o
índice constantemente e premiava as lojas com os resultados.
Hoje em dia, porém, há diversos sistemas de várias empresas de
software que oferecem, com valores cada vez mais específicos, formas
eficientes de medição de vários indicadores. Quanto melhor é a marca, mais
ela atrai clientes e passantes – além dos clientes cativos que naturalmente vão
para a loja. A forma como a vitrine é organizada influencia enormemente na
decisão do cliente de entrada ou não no estabelecimento e, por isso, a Casas
Pedro procura posicionar produtos de boa atratividade na entrada das lojas.
Em adição à estratégia citada, é importante integrar a programação da
área de marketing com o calendário anual, principalmente no que diz respeito
às festividades que influenciam os hábitos alimentares da população. É o
exemplo do Natal, da Páscoa, da Páscoa Judaica, da Sexta Feira Santa, entre
outros. Outras medidas também devem ser consideradas para se obter o
melhor resultado de vendas nas lojas, como a escolha correta do sortimento de
produtos oferecido considerando linhas de produto, preço e qualidade
adequadas ao público da loja e o treinamento adequado da equipe de vendas,
que não só contribui para o melhor entendimento do produto oferecido, mas
também aprofunda a relação do consumidor com a marca.
29
Importante ressaltar, também, a importância da análise correta do ticket
médio, medida do aproveitamento em reais da média de todas as vendas
efetuadas em uma loja em determinado período. Assim, as metas de ticket
médio estão entre as mais importantes para se cobrar resultados, uma vez
quanto maior esse indicador, maior será a venda total da loja.
5.2. SAZONALIDADE
Por conhecer a operação da Casas Pedro e saber da existência de
sazonalidade ao longo do ano, é importante ressaltar a causa e a forma de
tratamento deste efeito nos dados analisados. Pela especificidade de produto
vendido, há certa concentração de vendas na época do Natal, festividade
católica que tem por tradição a comida repleta de grãos, oleaginosas e,
principalmente, bacalhau. Nozes, castanhas, passas pretas e brancas e outras
frutas secas são campeãs de venda nesta data, representando um pico de
vendas em comparação aos meses anteriores. Além disso, outra época
sazonal mapeada é a época de Páscoa, principalmente devido ao
reconhecimento da empresa pelos clientes de comercializar o verdadeiro
bacalhau norueguês.
Para representar graficamente o impacto da sazonalidade nos dados
extraídos, o gráfico abaixo mostra a média das vendas por mês no consolidado
dos anos de 2015 a 2018. É possível observar um ponto de máximo no mês de
dezembro:
30
Figura 4 - Média das vendas por mês de 2015 a 2018. Fonte: Elaborada pelo autor.
Dessa forma, visando atenuar o efeito de sazonalidade no presente
projeto, foi realizada a dessazonalização dos dados de venda, sejam eles de
faturamento, atendimentos ou ticket médio. Para esse ajuste, foi utilizado o
método de médias móveis centradas, criando uma base de dados
dessazonalizados para serem considerados no modelo.
Figura 5 - Média das vendas por mês por loja de 2015 a 2018. Fonte: Elaborada pelo autor.
5.3. TICKET MÉDIO
A fórmula de cálculo do ticket médio utilizada pela empresa é a venda
total de um determinado período dividida pela quantidade de atendimentos
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
GERAL
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
31
realizados. Dessa forma, o indicador é diretamente influenciado pelo preço e
quantidade de produtos vendidos por cliente, sendo medidos, respectivamente,
pelos indicadores de Preço Médio e Produtos por Atendimento. Com isso, os
gestores dão um direcionamento para os vendedores tentarem vender produtos
de maior valor agregado ou em maior quantidade, além de incentivar a
realização de venda adicional. Além disso, há uma hipótese dos gestores da
Casas Pedro que lojas inseridas em regiões com uma renda média superior
tendem a possuir ticket médio mais alto.
Para o presente estudo, os dados de ticket médio, extraídos de uma
base de 974 registros, foram dessazonalizados, conforme explicando
anteriormente, visando expurgar os efeitos claros de aumento de ticket médio
nos meses de dezembro, conforme possível visualização na Figura 6.
Figura 6 - Ticket Médio por mês por loja de 2015 a 2018. Fonte: Elaborada pelo autor.
Para complementar a visualização dos dados acima, foi elaborado um
histograma do valor médio das vendas no mês.
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
32
Figura 7 - Histograma de ticket médio. Fonte: Elaborada pelo autor.
Necessária em qualquer análise de dados, a remoção de outliers para
esta medida não se mostrou necessária, uma vez que no boxplot, ilustrado na
Figura 8 a seguir, é possível enxergar que não há valores fora das faixas
determinadas na amostra em questão.
Figura 8 - Boxplot de ticket médio. Fonte: Elaborada pelo autor.
5.4. ATENDIMENTOS
A quantidade de atendimentos é uma métrica comumente estudada
pelas empresas de varejo. Basicamente, ela representada o número de vendas
33
realizadas por cada loja, podendo ser segmentada por horário, vendedor,
caixa, entre outros.
As informações foram extraídas diretamente do banco de dados da
Casas Pedro, e representam a quantidade de atendimentos realizados por mês
por loja entre janeiro de 2016 e julho de 2019, totalizando 974 registros. A
única operação de ajuste realizada foi a dessazonalização dos dados, visando
expurgar os efeitos claros de aumento no número de atendimentos nas épocas
sazonais, conforme possível visualização na Figura X.
Figura 9 - Média de atendimentos por mês por loja de 2015 a 2018. Fonte: Elaborada pelo autor.
Para complementar a visualização dos dados acima, foi elaborado um
histograma do número de atendimentos por mês por loja (Figura 9) além do
box plot (Figura 10), que não indica a necessidade de remoção de outliers.
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
34
Figura 10 - Histograma de atendimentos por mês por loja de 2015 a 2018. Fonte: Elaborada pelo autor.
Figura 11 - Boxplot de atendimentos por mês por loja de 2015 a 2018. Fonte: Elaborada pelo autor.
5.5. MATURAÇÃO DE LOJA
A organização da Casas Pedro costuma considerar o tempo de
maturação das lojas, chamado ramp up, quando se estima o faturamento delas.
É sabido que, no início de sua existência, os pontos de venda começam com
um faturamento abaixo de seu potencial máximo e, após seguidas análises
empíricas, definiu-se o tempo médio de maturação de 12 meses contados a
partir da data de abertura da filial.
35
Tal comportamento foi considerado no estudo pela inserção de uma
variável binária (0 ou 1) como possível variável explicativa dos parâmetros
escolhidos. Definiu-se como 0 os registros de quando a loja não completou seu
ciclo de maturação e 1 nos casos em que as filiais já podem ser consideradas
maduras, ou seja, mais de 12 meses após sua inauguração.
5.6. CANIBALIZAÇÃO
Consideramos, também, os possíveis efeitos de canibalização da rede.
Como explicado anteriormente, a Casas Pedro caminha em direção a seu
Sonho Grande – de chegar a 100 lojas – o que, consequentemente, atrai
grande ênfase em seu projeto de expansão. Com isso, é natural que os pontos
escolhidos para novas aberturas acabem canibalizando pontos já existentes, o
que ocorreu principalmente nos últimos anos. Para tratar o impacto da
competição pelo mesmo consumidor entre lojas diferentes, separamos o
impacto potencial em 4 categorias: existência de lojas da Casas Pedro nos
raios (menor que 300 metros; entre 300 e 500 metros; entre 500 metros e 1
quilômetro e; entre 1 quilômetro e 2 quilômetros). Conforme validado com
gestores da Casas Pedro, acredita-se que lojas distantes em mais de 2
quilômetros não afetam diretamente a demanda conflitante entre elas, o que
pode ser justificado pelo modelo de vendas da companhia ser reconhecido por
ser um mercado de conveniência, usualmente frequentado por moradores e
trabalhadores da região próxima.
Para visualizar tal efeito, extraímos uma visualização da ferramenta de
geolocalização utilizada pela Casas Pedro, chamada GeoFusion, que ilustra a
proximidade entre duas lojas da rede no Rio de Janeiro, uma localizada no
bairro da Tijuca e a outra no Grajaú. É possível perceber na imagem que, para
a loja do Grajaú, não existem lojas concorrentes em nenhum dos raios
definidos. Enquanto isso, a filial Tijuca possui duas lojas impactando nos raios
considerado, sendo uma entre os raios de 300 e 500 metros e outra está entre
500 metros e 1 quilômetro da loja considerada.
Espera-se que a relação de influência seja maior em lojas mais
próximas, ou seja, que a lojas mais próximas impactem mais o resultado das
36
lojas canibalizadas. Para medir esses impactos, adicionamos 12 colunas à
base utilizada que correspondem ao: somatório do número de lojas em cada
faixa de distância; somatório do faturamento gerado por essas lojas e;
somatório da quantidade de atendimentos das mesmas.
Figura 12 - Raios de influência das lojas extraído do Geofusion. Fonte: Elaborada pelo autor.
5.7. METRAGEM
Um dos fatores mapeados que podem impactar diretamente o resultado
de uma loja é o seu tamanho, quantificado pela metragem quadrada do salão
de vendas. A Casas Pedro é muito reconhecida no ramo alimentício pela
variedade de seu mix, que atualmente contempla quase 3000 SKUs ativos,
demandando um espaço mínimo necessário para a exposição desses produtos
sem gerar grandes prejuízos ao aspecto visual do local. Além disso, é uma
hipótese consensual na empresa que espaços menores geram um desconforto
grande aos clientes, prejudicando sua experiência de compra e reduzindo sua
cesta de produtos. Apesar disso, percebe-se que, apesar de ser internamente
reconhecido como um aspecto importante, o padrão de loja da Casas Pedro é
bem enxuto, consideravelmente menor que os principais players do varejo
alimentício, buscando reduzir as despesas de aluguel nas lojas.
37
Nesse cenário, é de grande relevância para a empresa entender melhor
a importância desse critério no resultado da loja, para ajudar nas tomadas de
decisão sobre o espaço ideal para novas lojas, e até mesmo pensar em
ampliação das lojas atuais. Assim, algumas respostas que seriam de grande
valor à empresa seriam das seguintes perguntas:
• A área do salão de venda impacta diretamente o resultado?
• O quanto ter um espaço maior na loja impacta o ticket médio, e
consequentemente o faturamento, por ter condições de expor uma quantidade maior de produtos?
• Quanto a área da loja impacta na compra média dos clientes, dado
que existe a hipótese que em lojas maiores ele se sente mais confortável e tende a comprar mais?
Dessa forma, a área do salão de vendas das lojas foi uma das variáveis
a serem analisadas no projeto, buscando entender e quantificar seu impacto no
desempenho das lojas da Casas Pedro.
5.8. QUANTIDADE DE DIAS ÚTEIS E SÁBADOS
Um fator que influencia diretamente a variação do resultado no varejo é
o número de dias de venda no período. Naturalmente, em um período com
mais dias de venda, é esperado que se alcance um resultado absoluto
superior. Logo, muitas vezes esse fator explica a diferença de resultado
alcançado entre dois períodos.
Dessa forma, como na base de dados utilizada a apuração é mensal, e
por ser um fator que explica diretamente as diferenças de resultado realizado
entre os períodos na Casas Pedro, foi calculada a informação de dias úteis e
sábados de venda por mês para ser avaliada pelo modelo.
5.9. POPULAÇÃO
Um dos indicadores sociodemográficos mais estudados no varejo é a
população da região em que se encontra a operação. É de vital importância
38
para o resultado a ser atingido pelas lojas que os indicadores populacionais
estejam alinhados com a estratégia e modelo de negócio da operação, tanto
considerando o número absoluto de habitantes, quanto o perfil dos clientes da
região. Muitas vezes, varejos de giro, que necessitam de um grande fluxo de
clientes para se sustentar, buscam estar mais próximos de regiões com grande
densidade demográfica.
Vista como um varejo de giro, a hipótese inicial difundida na Casas
Pedro é que é de suma importância ter operação em locais próximos a grandes
centros residenciais. Dessa forma, o dado de população segmentado por
região foi mapeado como de grande importância a ser considerado no estudo.
Buscando ser o mais preciso possível nessa análise, o presente trabalho
considerou a informação da população residente em diversos raios a partir das
lojas, buscando avaliar o impacto da distância e da concentração de habitantes
próximos a operação. Com o auxílio da ferramenta Geofusion, foram extraídas
informações populacionais de raios de 300 metros, 500 metros, 1 quilômetro e
2 quilômetros a partir de cada uma das lojas da Casas Pedro, além do dado
consolidado dos bairros e municípios onde há operação da empresa.
5.10. POPULAÇÃO ECONOMICAMENTE ATIVA
Como expresso anteriormente, para a Casas Pedro, caracterizada como
varejo de giro, é muito importante encontrar pontos de venda em locais de
grande fluxo de pessoas. Como relatado pelo CEO da empresa: “Para nós,
ponto bom é ponto com calçada gasta”. Nesse cenário, indicadores de fluxo
devem ser sempre avaliados durante o processo de expansão e avaliação de
novas lojas. Sendo assim, além da já citada relevância da população, é preciso
buscar análises de todos os potenciais consumidores daquela região, sejam
eles residentes ou trabalhadores.
Dado isso, uma informação muito relevante para previsão de fluxo é a
População Economicamente Ativa. O indicador reflete uma boa perspectiva
sobre o volume dos potenciais consumidores da região, sejam eles habitantes,
trabalhadores formais ou informais, se tornando uma informação de grande
39
importância para comparação entre regiões e para tomada de decisão de
maneira mais consciente com a expectativa de fluxo de cada uma.
Dada a importância do tópico para a Casas Pedro, assim como realizado
para população, foram extraídos, a partir da ferramenta Geofusion, indicadores
de População Economicamente Ativa Diária dos raios de 300 metros, 500
metros, 1 quilômetro e 2 quilômetros a partir de cada uma das lojas da Casas
Pedro, além do dado consolidado dos bairros e municípios, de maneira a
entender e quantificar o impacto desse critério no desempenho das lojas.
5.11. RENDA MÉDIA DOMICILIAR
Além da importância de avaliação de indicativos de fluxo, uma hipótese
bem aceita internamente é que o faturamento tende a ser maior em regiões
onde os clientes possuem maior capacidade de aquisição de produtos, aspecto
relacionado diretamente à condição financeira dos mesmos. Apesar da grande
variedade do mix, os principais produtos da empresa não são considerados
alimentos básicos na cultura brasileira, quando comparados, por exemplo, a
pão, arroz branco ou feijão preto. Dessa forma, entende-se ser importante
priorizar regiões onde a maior parte dos potenciais consumidores, além de
adquirir alimentos de primeira necessidade, também tenham condições
financeiras de usufruir dos produtos carros-chefes da Casas Pedro.
Dessa forma, um indicador explorado pelo projeto para buscar validar
essa hipótese foi o de Renda Média Domiciliar, que estima os rendimentos
médios mensais das famílias, buscando medir a capacidade de aquisição de
bens e serviços em determinada região. Assim como realizado para os
indicadores de fluxo, utilizou-se a ferramenta Geofusion para extrair esse
indicador em determinados raios e bairros de cada uma das lojas da Casas
Pedro, buscando analisar esse impacto sobre o resultado das vendas.
40
CAPÍTULO 6 - MODELAGEM
Tendo sido dada a devida ênfase no entendimento inicial dos dados
trabalhados, é de suma relevância definir o processo de análise que será
realizado. Como citado anteriormente, a explicação estatística do faturamento
de lojas potenciais da Casas Pedro é extremamente relevante para a
companhia e, pensando nisso, dividimos a modelagem em duas métricas a
serem explicadas: Quantidade de Atendimentos e Ticket Médio.
Basicamente, a simples multiplicação entre os dois parâmetros significa,
matematicamente, o faturamento total de uma loja em determinado período.
Como são independentes entre si e tendem a ter comportamentos distintos de
acordo com os perfis de loja, foi separada a modelagem para os dois fatores.
Em ambos os modelos iniciaremos aplicando todos os dados coletados
com o intuito de confirmar quais se mostram estatisticamente relevantes. É
importante ressaltar, entretanto, as hipóteses formuladas para o projeto,
considerando os alinhamentos realizados com gestores da Casas Pedro, antes
da modelagem ser realizada. A intuição inicial era de que a quantidade de
atendimentos poderia ser explicada principalmente por dados de população e
trabalhadores da região, enquanto o ticket médio das lojas poderia seguir uma
tendência de acordo com informações do poder aquisitivo dos locais, ilustrado
pelo indicador de Renda Média Domiciliar. A modelagem a seguir busca validar
ou refutar tais hipóteses, assim como entender que outros aspectos podem ser
relevantes para responder à problemática levantada no trabalho.
Em conversas com a direção da organização estudada, foi possível
perceber diferenciação de perfis de loja de acordo com sua localização. O perfil
de consumidor varia a partir do tipo de população que circula nas regiões,
gerando a necessidade de clusterizar as filiais. Foram definidos 3 clusters,
sendo eles: lojas de bairros residenciais do município do Rio de Janeiro; lojas
do Centro do Rio de Janeiro, que atingem majoritariamente um público de
trabalhadores; e lojas em outros municípios do estado do Rio de Janeiro. Cada
variável a ser explicada (Atendimentos e Ticket Médio) será modelada
separadamente para cada cluster, com o intuito de gerar melhores resultados.
41
Com o entendimento da problemática do trabalho, dos dados
trabalhados e da metodologia utilizada para resolução do problema, segue-se o
estudo com a etapa quantitativa. A seguir, destacaremos os principais marcos
no caminho realizado para a chegada no modelo que se acredita melhor
responder às perguntas formuladas anteriormente.
6.1. MINERAÇÃO DE DADOS
O ser humano sempre aprendeu observando padrões, formulando
hipóteses e testando-as para descobrir regras, e a mineração de dados tem
papel fundamental neste processo. É formada por um conjunto de ferramentas
e técnicas capazes de explorar um conjunto de dados, extraindo ou ajudando a
evidenciar padrões nestes dados e auxiliando na descoberta de conhecimento.
Primeiramente, os dados foram extraídos de suas fontes primárias,
sendo elas:
Banco de Dados da Casas Pedro: Faturamento mensal por loja, quebrado por Ticket Médio e Quantidade de Atendimentos, Metragem da Loja e Maturação da Loja;
GeoFusion: Canibalização, População, População Economicamente Ativa e Renda Média Domiciliar;
IBGE: População, Renda Média Domiciliar;
De posse dos dados, iniciou-se o processo de tratamento das bases. O
primeiro tratamento realizado foi feito já na extração dos dados de venda das
lojas a partir do banco de dados da companhia. A fim de se obter uma amostra
significativa, consolidamos as vendas mensais de cada loja a partir do primeiro
mês completo de vendas. Dessa forma, obtivemos aproximadamente 1.000
registros.
Em seguida inserimos a data de abertura de cada loja, junto com a
variável binária de loja “madura” ou “não-madura”, em que consideramos como
0 os meses em que a loja ainda não tivesse atingido o estado de maturação
considerado (12 meses de operação) e como 1 os meses subsequentes.
42
O Faturamento Bruto, Quantidade de Atendimentos e Ticket Médio
foram extraídos e/ou calculados, com as métricas devidas para cada
parâmetro, como soma ou média ponderada dependendo da variável
diretamente da base de dados do sistema de gestão da Cassa Pedro. A
Metragem do salão de vendas de cada filial e a contagem de Dias Úteis e
Sábados foram obtidas com a gerência da companhia, que armazena tais
informações para controle interno de diversas medidas.
Para informações de População, População Economicamente Ativa e
Renda Média nos raios citados, foi usado o software Geofusion, já citado
anteriormente. Utilizamos uma estimativa para os meses do ano para esses
dados, já que a ferramenta utilizada para extração possui apenas dados
consolidados do ano de 2018. Por isso, extraímos da Pesquisa Nacional por
Amostra de Domicílios Contínua (PNAD Contínua) dados mensais para as
informações em questão. Foi necessário estimar a partir de simples regra de
três os dados coletados no Geofusion para se obter os valores mensais para
cada raio de cada região. Foi utilizado como métrica para ponderação:
População do Geofusion População no Rio de Janeiro
População Economicamente Ativa do Geofusion PEA Brasil
Renda Média Geofusion Renda Média Brasil
Por fim, para detalhar as relações de canibalização das lojas inserindo
dados de lojas próximas, foi necessária a análise loja a loja das filiais que
estavam posicionadas dentro dos raios definidos, considerando as datas de
abertura de cada uma. Com isso, foi possível definir as interrelações entre os
pontos e agregar tal conhecimento à base de dados.
Desta forma, a base de dados resultou em 39 colunas, como mostra o
ANEXO 1.
6.2. VALIDAÇÕES INICIAIS
Como dito anteriormente, foram separados o ticket médio e a quantidade
de atendimentos para a análise. É válido ressaltar que não há relação de
43
dependência entre estas variáveis, confirmado pelo baixo índice de correlação
(0,09) e como pode ser observado no gráfico abaixo:
Figura 13 - Ticket Médio e Atendimentos das lojas. Fonte: Elaborada pelo autor.
Figura 14 - Correlação TM e Atendimentos. Fonte: Elaborada pelo autor.
Em contrapartida, é de se esperar que a multiplicação entre os dois
parâmetros explique o faturamento bruto total das lojas de maneira completa, o
que foi validado com a mensagem ao final da regressão, demonstrando um
ajuste perfeito que pode ser visualizado no ANEXO 2.
6.3. ATENDIMENTOS
Primeiramente, foram inseridos todos os dados para análise de
regressão da quantidade de atendimentos. Como pode ser observado nos
ANEXOS de 3, 5 e 7 (respectivamente bairros do Rio, Centro e outros
municípios), muitas das variáveis inseridas no modelo não se mostraram
significativas e, com isso, selecionamos apenas as variáveis explicativas com
relevância estatística.
44
Além disso, foi utilizado também o input tácito do negócio. É de
conhecimento geral o entendimento que não faz sentido haver intercepto, uma
vez que não há atendimentos se a loja não existir (metragem zerada) ou não
houver dias no mês (DU e DS zerados), por exemplo. Chegamos, assim, às
regressões finais que melhor explicam o comportamento da quantidade de
atendimentos de uma loja da Casas Pedro, demonstradas nos ANEXOS 4, 6 e
8 para os diferentes clusters.
6.4. TICKET MÉDIO
De forma similar ao realizado no item anterior, no primeiro momento
desta etapa optou-se por realizar as regressões lineares para todas as
variáveis elencadas anteriormente. Como esperado, algumas das variáveis
também não se mostraram significativas, como podemos ver nos ANEXOS 9,
11 e 13.
Assim, foi necessário selecionar apenas as variáveis que se mostraram
significativas, além de considerar aspectos qualitativos como os descritos
anteriormente. Repetindo os passos realizados na análise para a regressão de
quantidade de atendimentos, podemos ver os resultados nos anexos 10, 12 e
14, já separados nos grupos de lojas definidos.
45
CAPÍTULO 7 - ANÁLISE DOS RESULTADOS
7.1. VALIDAÇÃO DOS MODELOS
Algumas validações foram realizadas para garantir que o modelo
represente bem as relações entre as variáveis coletadas. Com isso, buscou-se
garantir que os resultados gerados não sejam baseados em erros conceituais
ou teóricos, nem tampouco sejam enviesados por problemas gerados pela má
qualidade dos dados.
Procurou-se validar estatisticamente as regressões obtidas, realizando
testes de hipótese reconhecidamente relevantes para validações dos modelos
encontrados. Os testes de significância utilizados permitem tomar uma decisão
entre duas ou mais hipóteses utilizando os dados observados. Os resultados
dos testes em questão são utilizados para determinar se o estudo científico
pode rejeitar a hipótese nula H0 a um nível de significância preestabelecido.
Conceitualmente, se os testes não forem devidamente atendidos o resultado
não será válido e a informação será incoerente.
Os testes foram realizados para todas as regressões obtidas, porém por
questões práticas, serão demonstrados neste material os de maior relevância.
Primeiramente foi realizado o Teste da Normalidade dos Resíduos,
conhecido como teste de Shapiro-Wilk. Sua importância está no fato de que a
distribuição dos resíduos deve seguir uma distribuição normal e, caso a
pressuposição não seja atendida, é necessário submeter os dados a
transformações, como a angular, raiz quadrada ou logarítmica. Os resultados
dos testes podem ser encontrados nos anexos referentes às regressões
modeladas. Abaixo será destacada uma análise específica da regressão da
quantidade de atendimentos para lojas dos bairros do Rio de Janeiro, com
exceção do Centro. Pela distribuição dos resíduos em função dos valores
estimados para a regressão em questão, pode-se utilizar este gráfico para
observar a independência e a homocedasticidade, já que os resíduos se
distribuem de maneira razoavelmente aleatória e com a mesma amplitude em
torno do zero.
46
Figura 15 - Resíduos em função dos valores estimados para a regressão da quantidade de atendimentos para lojas dos bairros do Rio de Janeiro, com exceção do Centro. Fonte: Elaborada pelo autor.
Em seguida foi testada a homocedasticidade da regressão, ou seja, se
as variâncias dos erros são homogêneas. Isso implica que cada tratamento que
se está sendo comparado deve ter aproximadamente a mesma variância para
que o modelo tenha validade. Quando esse pressuposto não é atendido
dizemos que as variâncias não são homogêneas, ou ainda, que existe
heterocedasticidade. Aplicamos, assim, o teste de Breusch-Pagan em R para
todas as regressões, o que pode ser visualizado nos anexos das respectivas
regressões.
Figura 16 - Distribuição normal teórica e resíduos observados para a regressão da quantidade de atendimentos para lojas dos bairros do Rio de Janeiro, com exceção do Centro. Fonte: Elaborada pelo autor.
47
A imagem acima nos permite confirmar a normalidade dos resíduos, pois
podemos perceber que não há grande fuga dos pontos em relação à reta
teórica.
7.2. ANÁLISE GRÁFICA
Para melhor visualização dos resultados gerados pela análise de
regressão, foram gerados gráficos que visam ilustrar os valores obtidos. Para
tal, foi selecionada, aleatoriamente, uma loja da base para comparar os valores
obtidos no modelo dos valores realizados até então. A loja escolhida foi uma
das que, em janeiro de 2016, já estava em sua fase madura, ou seja, já estava
aberta há mais de 12 meses.
Abaixo podemos perceber a proximidade entre o modelo gerado e as
observações mensais de quantidade de atendimentos.
Figura 17 - Regressão Atendimentos. Fonte: Elaborada pelo autor.
Entretanto, o mesmo não pode ser observado para os dados de ticket
médio, como podemos perceber para o comparativo da mesma loja estudada
acima.
2016
01
2016
03
2016
05
2016
07
2016
09
2016
11
2017
01
2017
03
2017
05
2017
07
2017
09
2017
11
2018
01
2018
03
2018
05
2018
07
2018
09
2018
11
2019
01
2019
03
2019
05
2019
07
Atendimentos REAL Atendimentos Modelo
48
Figura 18 - Regressão Ticket Médio. Fonte: Elaborada pelo autor.
7.3. RESULTADOS OBTIDOS
Resumindo os resultados encontrados nas seções anteriores, é possível
perceber que os modelos de regressão encontrados ao longo do estudo
demonstram significâncias estatísticas distintas. Enquanto a explicação da
quantidade de atendimentos para lojas de bairro do Rio de Janeiro se mostrou
efetiva, todas as outras relações propostas não se mostraram efetivamente
confiáveis. Esta conclusão é confirmada pela análise conjunta dos coeficientes
das regressões, em adição das análises gráficas e dos resíduos. Algumas
possíveis explicações para o conhecimento adquirido não só podem ser
discutidas como sugerem futuros estudos acerca do tema.
A sensação dos gestores da Casas Pedro com relação aos dados
analisados era, desde o início, de que a quantidade de atendimentos poderia
ser mais bem explicada do que os dados de ticket médio, uma vez que o
comportamento da primeira variável tende a depender mais de variáveis
sociodemográficas da região, enquanto o ticket médio depende diretamente da
qualidade de operação das lojas e vendedores, aspectos que não foram
considerados no trabalho por terem um aspecto mais qualitativo. Ao final,
percebe-se que a intuição inicial se confirmou pelos dados.
De maneira complementar, os clusters definidos podem ter influenciado
nos resultados de regressão dos dois últimos grupos (bairros do Centro do Rio
e outros municípios), uma vez que as amostras resultantes dos filtros
20
16
01
20
16
03
20
16
05
20
16
07
20
16
09
20
16
11
20
17
01
20
17
03
20
17
05
20
17
07
20
17
09
20
17
11
20
18
01
20
18
03
20
18
05
20
18
07
2018
09
20
18
11
2019
01
20
19
03
20
19
05
20
19
07
Ticket Médio REAL Ticket Médio Modelo
49
estabelecidos acabaram tendo poucos dados. Dois fatores contribuíram para
tal: a baixa quantidade de lojas nestas regiões em comparação com a
quantidade de lojas no município do Rio de Janeiro e a abertura relativamente
recente de muitas dessas lojas, o que pode ter causado impacto significativo
explicado pela curva de maturação discutida no tópico 6.
50
CAPÍTULO 8 - IMPLEMENTAÇÃO
Segundo Prangsmal, Van Boxtel, Kanselaar e Kirschner (2009), a
visualização de dados é utilizada para comunicar ideias concretas e abstratas
nas áreas de ciência, engenharia e educação. O resultado esperado básico da
modelagem descrita no presente trabalho é a estimação, a partir de um nível
de confiança, do resultado de vendas de uma loja a partir de dados geográficos
e sociológicos da região. A visualização destes resultados foi considerada parte
integral da implementação do estudo e foi pedido, por parte da empresa, uma
forma visual de fácil entendimento para o manuseio correto dos modelos
apresentados.
Com a finalidade de se garantir a usabilidade dos conhecimentos
adquiridos, foi criada uma ferramenta em Excel que, com base em informações
imputadas definidas pelos modelos, se obtenha o potencial de vendas de uma
região determinada. Os parâmetros para essas regras são os mesmos
descritos nas seções anteriores.
Com o intuito de validar o modelo encontrado e como forma de estímulo
à utilização das regressões encontradas, foi realizada uma análise em uma
região do Rio de Janeiro que a Casas Pedro não tem loja. Com isso, o grupo
busca orientar a organização a analisar quantitativamente o potencial de
retorno dos pontos estudados para expansão da rede.
A região escolhida foi a Ilha do Governador que, independentemente de
estar no radar ou não da empresa para uma futura abertura, é uma
possibilidade real de crescimento da marca pela grande quantidade de
interações que os moradores têm nas mídias sociais. De maneira prática, a
equipe de marketing busca aproximar o contato com os clientes através do
Instagram e ocasionalmente, buscando auxiliar a equipe de expansão,
pergunta aos seguidores os locais mais desejados para a abertura de um ponto
comercial da varejista de alimentos.
Utilizando a regressão encontrada neste trabalho para a quantidade de
atendimentos de uma região, é possível demonstrar um valor provável da
quantidade de atendimentos que um ponto genérico, definido pelo Geofusion,
51
tem potencial de atingir. Inserindo os dados no modelo, assim como
informações genéricas de dias úteis e dias de sábado compatíveis com o
restante dos dados analisados, temos o valor de 20.174 atendimentos, como
mostra a tabela abaixo:
Figura 19 - Regressão para dados da Ilha do Governador. Fonte: Elaborada pelo autor.
Em comparação com a faixa de atendimentos das lojas da Casas Pedro,
percebe-se que o valor está posicionado na primeira faixa de grandeza (onde
se situa grande parte da amostra), o que representa um potencial baixo de
atendimentos se comparada com o geral da companhia.
ILHA DO GOVERNADOR DADOS EXTRAÍDOS Beta DADO * Beta
DU 23,00 544,48 12.523
DS 4,00 686,01 2.744
PEA_300 5.890,12 0,49 2.863
PEA_500_1 36.504,52 -0,05 -1.674
PEA_1_2 75.231,15 0,06 4.434
PEA_BAIRRO 114.207,41 -0,04 -4.746
POP_300 15.434,01 -0,73 -11.265
POP_300_500 21.081,38 0,53 11.161
POP_1_2 108.430,50 -0,05 -5.418
POP_BAIRRO 171.920,76 0,05 7.738
RM_300 16.897,23 -0,15 -2.523
RM_BAIRRO 18.769,11 0,23 4.336
ATEND_LOJAS_500_1 0,00 -0,21 0
20.174TOTAL DE ATENDIMENTOS =
52
CAPÍTULO 9 - PRÓXIMOS PASSOS
A modelagem de vendas das lojas da Casas Pedro é o primeiro passo
para outras diversas análises potenciais para a equipe de expansão da
companhia. Como dito ao longo do estudo, as ferramentas utilizadas são pouco
maduras no sentido técnico e ainda se baseiam muito no conhecimento tácito
dos líderes da empresa.
A análise quantitativa de pontos para futuras lojas pode significar um
primeiro passo para que a equipe passe a se especializar em abrir pontos com
maior potencial de maneira que o crescimento da rede de lojas seja mais
assertivo. Os próximos passos sugeridos pelo presente trabalho seriam o
refinamento dos parâmetros encontrados a partir de uma maior gama de dados
a serem inseridos no modelo e, principalmente, a consideração de fatores de
custo no resultado da loja.
Este estudo busca explicar as vendas das lojas a partir de fatores
externos à administração da empresa, mas vale destacar que a principal
métrica para se avaliar o desempenho de uma loja é seu resultado financeiro,
já descontando todos os custos associados à operação. Assim, é importante
frisar que o faturamento bruto das lojas não deve ser o fator final decisório da
equipe de expansão.
Sugere-se, por exemplo, a correta análise de custos de aluguel, pessoal,
energia elétrica, material de limpeza, material de escritório, internet,
manutenção, descontos, investimentos e outros possíveis gastos associados a
uma operação de varejo alimentar. Seguindo a metodologia utilizada, será
possível encontrar correlações entre as saídas de caixa descritas acima e
métricas internas, como quantidade de atendimentos, metragem da loja, tempo
de vida útil do maquinário e outras.
Com isso, espera-se obter o validador final de “go / no go” para a
decisão de abertura de uma loja em determinada região, podendo definir
valores mínimos de lucratividade para auxílio da escolha.
53
CONCLUSÃO
Os resultados obtidos pela análise de regressão entre o faturamento das
lojas da Casas Pedro e variáveis explicativas externas evidenciam a existência
de algum nível de explicação das vendas dos pontos a partir destes fatores.
Algumas relações já eram esperadas pela experiência da administração, mas
nunca haviam sido comprovadas estatisticamente, como, por exemplo, a
relação entre atendimentos e a população da região. Outras relações foram
recebidas pelo setor comercial com relativa surpresa, pois não eram difundidas
entre os funcionários da empresa afim de potencializar o processo de
expansão ao máximo.
A visualização dos resultados em ferramenta de fácil manuseio pela
equipe permite aos funcionários responsáveis uma melhor aproximação do
resultado esperado de uma nova abertura, considerando um nível de confiança
adequadamente selecionado para as estimativas em questão. Desta forma,
espera-se que, a partir deste trabalho, a rede consiga atingir o Sonho Grande
de chegar às 100 lojas mais rápido e, principalmente, de forma mais
sustentável.
Com isso, pode-se considerar que os objetivos do projeto foram
alcançados com rigor. Dessa maneira, cabe ao time da Casas Pedro o bom
uso das informações apresentadas no modelo para aumentar a assertividade
na escolha dos pontos. O produto deste projeto fornece a instituição mais um
insumo que utiliza algumas das tecnologias e metodologias estatísticas mais
modernas para orientar decisões da empresa e suportá-la na conquista de
seus objetivos estratégicos de curto e longo prazo.
54
REFERÊNCIAS BIBLIOGRÁFICAS
KUTNER. Applied Linear Statistical Models. Disponível em: https://d1b10bmlvqabco.cloudfront.net/attach/is282rqc4001vv/is6ccr3fl0e37q/iwfnjvgvl53z/Michael_H_Kutner_Christopher_J._Nachtsheim_JohnBookFi.org.pdf. Acesso em: 24 de agosto. 2019.
MIN HUANG. Assessing Price Elasticity for Private Labels and National Brands: Differences by Income and Store Location. Disponível em: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=901787. Acesso em: 24 de agosto. 2019.
CINTIO. On the Hotelling Principle of Minimum Differentiation: Imitation and Crowd. Disponível em: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=897661. Acesso em: 24 de agosto. 2019.
ZHU. Spatial Competition with Endogenous Location Choices: An Application to Discount Retailing. Disponível em: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=1003313. Acesso em: 24 de agosto. 2019.
CARTER. Store Location in Shopping Centers: Theory and Estimates. Disponível em: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=953798f. Acesso em: 24 de agosto. 2019.
SILVEIRA. VGasto e Consumo. Disponível em: http://www.ipea.gov.br/portal/images/stories/PDFs/livros/livros/160104_gasto_e_consumo_familiar_vol1_ipea_2007_web.pdf. Acesso em: 24 de agosto. 2019.
BRACHMAN, ANAND. THE PROCESS OF KNOWLEDGE IN DATABASES.
CALIFORNIA: AAAI, 1996.
FAYYAD, PIATETSKY, SHAPIRO et al. FROM DATA MINING TO KNOWLEDGE
DISCOVERY IN DATABASES. NEW ENGLAND: AL MAGAZINE, 1996.
GOMEZ, MCLAUGHLIN, WITTINK, DO CHANGES IN CUSTOMER
SATISFACTION LEAD TO CHANGES IN SALES PERFORMANCE IN FOOD
RETAILING?. NEW HAVEN: YA.E, 2003.
GRAHAM, LEVY. RETAIL LOCATION PLANNING IN NA ERA OF MULTI-
CHANNEL GROWTH. LONDON: ROUTLEDGE, 2009.
55
PRANGSMAL, VAN BOXTEL, KANSELAAR et al. CONCRETE AND ABSTRACT VISUALIZATIONS IN HISTORY LEARNING TASKS. LONDON: BRITISH JOURNAL, 2009.
SANTOS, MENEZES, HORA. AVALIAÇÃO DE FERRAMENTAS DE MINERAÇÃO
DE DADOS: UMA ABORDAGEM COM O MODELO TAM. SERGIPE: INTERFACES
CIENTÍFICAS, 2014.
SECCO, Luiz Antônio. A alma, o coração e o cérebro do varejo. 1. ed. São Paulo: Lacre, 2019.
VERNOR, RABIANSKI. MEGATRENDS IN RETAIL REAL ESTATE. LONDON:
KLUWER ACADEMIC PUBLISHERS, 1933.
WITTEN; FRANK, DATA MINING PRACTICAL MACHINE LEARNING TOOLS AND
TECHNIQUES. CALIFORNIA: ELSEVIER, 2005.
56
ANEXOS
ANEXO 1 – BASE DE DADOS COMPLETA. ELABORAÇÃO PRÓPRIA
LOJA
AN
OM
ESM
ATU
RA
CA
OFA
T_BR
UTO
ATEN
DIM
ENTO
STM
PA
PM
M2
DU
DS
BA
RR
A2
01
60
11
59
3.9
91
R$
1
6.0
18
3
7,0
8R
$
3,4
49
,50
R$
1
06
19
5
IPA
NEM
A2
01
60
11
78
2.4
17
R$
2
4.9
43
3
1,3
7R
$
2,9
29
,49
R$
1
26
19
5
GA
VEA
20
16
01
15
00
.25
5R
$
16
.39
9
30
,51
R$
2
,70
9,9
9R
$
10
81
95
CO
PA
CA
BA
NA
20
16
01
18
30
.20
1R
$
28
.90
8
28
,72
R$
2
,63
9,6
3R
$
62
19
5
CO
PA
10
66
20
16
01
16
49
.61
5R
$
22
.43
0
28
,96
R$
2
,72
9,3
9R
$
10
81
95
PA
SSOS 1
10
20
16
01
14
67
.12
5R
$
17
.01
8
27
,45
R$
2
,87
8,4
4R
$
52
19
5
ALFA
ND
EGA
20
16
01
15
30
.21
4R
$
19
.13
8
27
,70
R$
2
,79
8,7
7R
$
74
19
5
TIJUC
A2
01
60
11
43
4.7
27
R$
1
5.0
90
2
8,8
1R
$
2,8
68
,91
R$
3
41
95
BU
ENO
34
62
01
60
11
32
2.9
68
R$
1
1.9
57
2
7,0
1R
$
2,7
48
,69
R$
1
01
19
5
NITER
OI
20
16
01
16
18
.69
5R
$
22
.13
0
27
,96
R$
2
,89
8,5
4R
$
10
81
95
ICA
RA
I2
01
60
11
49
2.4
56
R$
1
8.0
35
2
7,3
1R
$
2,8
18
,59
R$
1
26
19
5
BO
TAFO
GO
20
16
01
15
92
.36
4R
$
21
.47
8
27
,58
R$
2
,84
8,5
7R
$
11
91
95
QU
ITAN
DA
20
16
01
14
82
.86
6R
$
20
.92
4
23
,08
R$
2
,53
8,0
6R
$
84
19
5
TOM
E2
01
60
11
31
0.7
75
R$
1
2.2
75
2
5,3
2R
$
2,6
58
,43
R$
6
61
95
BA
RR
A2
01
60
21
58
2.2
37
R$
1
6.6
00
3
5,0
6R
$
3,3
99
,65
R$
1
06
18
4
IPA
NEM
A2
01
60
21
76
9.8
05
R$
2
5.3
90
3
0,3
1R
$
2,9
79
,51
R$
1
26
18
4
GA
VEA
20
16
02
15
18
.17
3R
$
17
.17
7
30
,15
R$
2
,83
9,9
5R
$
10
81
84
CO
PA
CA
BA
NA
20
16
02
18
08
.92
9R
$
29
.27
7
27
,62
R$
2
,62
9,8
6R
$
62
18
4
CO
PA
10
66
20
16
02
16
28
.11
6R
$
21
.87
8
28
,70
R$
2
,77
9,6
6R
$
10
81
84
PA
SSOS 1
10
20
16
02
14
35
.63
4R
$
16
.38
5
26
,58
R$
2
,82
8,8
0R
$
52
18
4
ALFA
ND
EGA
20
16
02
15
24
.08
0R
$
19
.22
7
27
,25
R$
2
,87
8,8
7R
$
74
18
4
TIJUC
A2
01
60
21
42
8.5
35
R$
1
5.5
87
2
7,4
8R
$
2,8
29
,10
R$
3
41
84
BU
ENO
34
62
01
60
21
31
6.7
50
R$
1
2.1
89
2
5,9
8R
$
2,7
78
,76
R$
1
01
18
4
NITER
OI
20
16
02
16
08
.47
6R
$
22
.44
9
27
,09
R$
2
,92
8,6
5R
$
10
81
84
ICA
RA
I2
01
60
21
52
4.1
64
R$
1
9.0
86
2
7,4
5R
$
2,9
68
,64
R$
1
26
18
4
BO
TAFO
GO
20
16
02
15
94
.78
7R
$
21
.53
1
27
,61
R$
2
,93
8,8
0R
$
11
91
84
QU
ITAN
DA
20
16
02
15
36
.75
2R
$
23
.65
2
22
,68
R$
2
,52
8,3
9R
$
84
18
4
TOM
E2
01
60
21
30
4.7
92
R$
1
2.5
13
2
4,3
5R
$
2,6
78
,50
R$
6
61
84
BA
RR
A2
01
60
31
55
0.0
82
R$
1
7.1
11
3
2,1
4R
$
3,3
71
0,4
0R
$
10
62
24
IPA
NEM
A2
01
60
31
76
1.8
37
R$
2
6.9
16
2
8,2
9R
$
2,9
11
0,5
8R
$
12
62
24
57
PEA
_30
0P
EA_3
00
_50
0P
EA_5
00
_1P
EA_1
_2P
EA_B
AIR
RO
PEA
_MU
NIC
IPIO
7.1
84
7.4
56
22
.79
22
1.5
64
34
3.4
41
#N/D
14
.00
61
3.8
50
31
.10
68
5.8
11
65
.83
5#N
/D
9.5
41
5.2
16
22
.07
38
1.5
15
23
.39
3#N
/D
20
.79
91
9.0
54
52
.02
01
66
.84
31
42
.43
8#N
/D
13
.01
41
3.6
49
46
.18
79
9.4
69
14
2.4
38
#N/D
30
.23
58
7.6
32
29
1.8
84
32
6.8
20
76
1.0
40
#N/D
86
.94
48
7.6
21
26
3.6
97
27
6.0
29
76
1.0
40
#N/D
10
.85
91
9.8
91
86
.60
71
32
.05
01
66
.44
8#N
/D
15
.24
82
9.3
55
23
7.4
00
46
5.3
58
76
1.0
40
#N/D
25
.29
63
6.4
51
39
.87
88
7.3
66
#N/D
40
0.2
32
16
.74
71
8.0
69
49
.81
71
26
.16
3#N
/D4
00
.23
2
12
.03
01
9.6
45
62
.18
61
98
.21
81
83
.35
7#N
/D
10
6.1
06
12
8.1
16
25
2.8
17
22
4.4
23
76
1.0
40
#N/D
20
.38
03
3.1
35
26
3.0
29
42
9.9
72
76
1.0
40
#N/D
7.1
36
7.4
06
22
.64
02
1.4
20
34
1.1
53
#N/D
13
.91
31
3.7
58
30
.89
88
5.2
39
65
.39
6#N
/D
9.4
77
5.1
82
21
.92
68
0.9
72
23
.23
7#N
/D
20
.66
11
8.9
27
51
.67
31
65
.73
21
41
.48
9#N
/D
12
.92
71
3.5
58
45
.88
09
8.8
07
14
1.4
89
#N/D
30
.03
38
7.0
48
28
9.9
39
32
4.6
42
75
5.9
69
#N/D
86
.36
58
7.0
37
26
1.9
40
27
4.1
90
75
5.9
69
#N/D
10
.78
61
9.7
58
86
.03
01
31
.17
01
65
.33
9#N
/D
15
.14
72
9.1
59
23
5.8
18
46
2.2
58
75
5.9
69
#N/D
25
.12
83
6.2
08
39
.61
38
6.7
84
#N/D
39
7.5
65
16
.63
61
7.9
49
49
.48
51
25
.32
2#N
/D3
97
.56
5
11
.95
01
9.5
14
61
.77
21
96
.89
71
82
.13
5#N
/D
10
5.3
99
12
7.2
63
25
1.1
32
22
2.9
28
75
5.9
69
#N/D
20
.24
43
2.9
14
26
1.2
76
42
7.1
07
75
5.9
69
#N/D
7.0
72
7.3
39
22
.43
62
1.2
27
33
8.0
85
#N/D
13
.78
81
3.6
34
30
.62
18
4.4
73
64
.80
8#N
/D
58
PO
P_3
00
PO
P_3
00
_50
0P
OP
_50
0_1
PO
P_1
_2P
OP
_BA
IRR
OP
OP
_MU
NIC
IPIO
1.6
21
3.1
67
10
.62
51
8.3
04
14
0.4
49
#N/D
8.5
61
10
.75
73
9.1
49
80
.00
14
4.1
66
#N/D
6.1
75
4.0
83
16
.76
96
1.7
04
16
.53
6#N
/D
15
.31
32
1.7
44
52
.98
61
37
.61
71
51
.26
7#N
/D
13
.83
62
0.0
33
55
.59
49
3.6
69
15
1.2
67
#N/D
33
39
01
15
.74
88
3.2
38
42
.51
2#N
/D
16
17
42
5.7
30
77
.36
04
2.5
12
#N/D
8.9
31
15
.42
76
3.0
93
15
2.7
16
16
9.2
59
#N/D
43
91
.96
33
4.8
91
86
.41
64
2.5
12
#N/D
1.8
31
5.3
89
26
.18
57
0.7
70
#N/D
48
7.2
38
13
.81
61
5.6
12
48
.95
39
1.8
33
#N/D
48
7.2
38
6.5
82
12
.68
54
1.3
09
14
6.9
00
85
.64
9#N
/D
70
20
12
.29
27
1.5
33
42
.51
2#N
/D
39
51
.36
72
8.4
14
84
.88
54
2.5
12
#N/D
1.6
22
3.1
69
10
.63
01
8.3
12
14
0.5
10
#N/D
8.5
64
10
.76
13
9.1
66
80
.03
64
4.1
85
#N/D
6.1
78
4.0
85
16
.77
66
1.7
31
16
.54
3#N
/D
15
.31
92
1.7
53
53
.00
91
37
.67
61
51
.33
2#N
/D
13
.84
22
0.0
41
55
.61
89
3.7
10
15
1.3
32
#N/D
33
49
02
15
.75
58
3.2
74
42
.53
1#N
/D
16
17
42
5.7
33
77
.39
34
2.5
31
#N/D
8.9
34
15
.43
46
3.1
20
15
2.7
82
16
9.3
33
#N/D
44
01
.96
33
4.9
06
86
.45
34
2.5
31
#N/D
1.8
32
5.3
91
26
.19
77
0.8
01
#N/D
48
7.4
49
13
.82
21
5.6
18
48
.97
49
1.8
72
#N/D
48
7.4
49
6.5
85
12
.69
14
1.3
27
14
6.9
63
85
.68
7#N
/D
71
20
12
.29
37
1.5
64
42
.53
1#N
/D
39
61
.36
72
8.4
27
84
.92
24
2.5
31
#N/D
1.6
23
3.1
70
10
.63
41
8.3
20
14
0.5
71
#N/D
8.5
68
10
.76
63
9.1
83
80
.07
14
4.2
05
#N/D
59
RM
_30
0R
M_3
00
_50
0R
M_5
00
_10
00
RM
_1_2
RM
_BA
IRR
OR
M_M
UN
ICIP
IO
33
.40
8R
$
37
.33
4R
$
34
.74
7R
$
43
.26
0R
$
52
.03
6R
$
#N/D
49
.95
5R
$
51
.14
3R
$
36
.77
1R
$
30
.26
6R
$
49
.60
3R
$
#N/D
53
.49
3R
$
47
.90
9R
$
39
.72
7R
$
44
.07
7R
$
47
.54
3R
$
#N/D
21
.08
7R
$
21
.35
7R
$
20
.62
2R
$
24
.42
4R
$
19
.76
0R
$
#N/D
17
.41
1R
$
18
.52
1R
$
26
.34
5R
$
33
.61
8R
$
19
.76
0R
$
#N/D
3.6
26
R$
3
.59
3R
$
4.3
07
R$
5
.38
3R
$
5.2
13
R$
#N
/D
4.4
86
R$
3
.93
8R
$
3.5
42
R$
5
.28
6R
$
5.2
13
R$
#N
/D
28
.28
0R
$
28
.18
0R
$
24
.20
8R
$
15
.95
4R
$
21
.27
5R
$
#N/D
4.0
59
R$
4
.28
4R
$
4.8
43
R$
5
.13
0R
$
5.2
13
R$
#N
/D
5.8
19
R$
6
.22
0R
$
10
.74
8R
$
21
.07
3R
$
#N/D
10
.90
7R
$
27
.50
9R
$
27
.37
7R
$
23
.15
7R
$
15
.17
9R
$
#N/D
10
.90
7R
$
17
.56
1R
$
24
.10
4R
$
21
.22
0R
$
25
.83
8R
$
22
.35
3R
$
#N/D
5.8
14
R$
5
.42
4R
$
4.4
59
R$
5
.71
0R
$
5.2
13
R$
#N
/D
3.6
48
R$
3
.81
0R
$
4.5
26
R$
5
.32
5R
$
5.2
13
R$
#N
/D
33
.66
4R
$
37
.62
0R
$
35
.01
4R
$
43
.59
2R
$
52
.43
4R
$
#N/D
50
.33
8R
$
51
.53
5R
$
37
.05
2R
$
30
.49
8R
$
49
.98
3R
$
#N/D
53
.90
2R
$
48
.27
7R
$
40
.03
1R
$
44
.41
5R
$
47
.90
7R
$
#N/D
21
.24
8R
$
21
.52
1R
$
20
.78
0R
$
24
.61
2R
$
19
.91
1R
$
#N/D
17
.54
4R
$
18
.66
2R
$
26
.54
7R
$
33
.87
6R
$
19
.91
1R
$
#N/D
3.6
54
R$
3
.62
0R
$
4.3
40
R$
5
.42
4R
$
5.2
53
R$
#N
/D
4.5
21
R$
3
.96
8R
$
3.5
69
R$
5
.32
7R
$
5.2
53
R$
#N
/D
28
.49
7R
$
28
.39
6R
$
24
.39
3R
$
16
.07
6R
$
21
.43
8R
$
#N/D
4.0
90
R$
4
.31
7R
$
4.8
81
R$
5
.16
9R
$
5.2
53
R$
#N
/D
5.8
64
R$
6
.26
8R
$
10
.83
1R
$
21
.23
4R
$
#N/D
10
.99
0R
$
27
.72
0R
$
27
.58
7R
$
23
.33
4R
$
15
.29
5R
$
#N/D
10
.99
0R
$
17
.69
5R
$
24
.28
9R
$
21
.38
3R
$
26
.03
6R
$
22
.52
4R
$
#N/D
5.8
59
R$
5
.46
6R
$
4.4
93
R$
5
.75
4R
$
5.2
53
R$
#N
/D
3.6
76
R$
3
.83
9R
$
4.5
61
R$
5
.36
6R
$
5.2
53
R$
#N
/D
33
.39
3R
$
37
.31
8R
$
34
.73
2R
$
43
.24
1R
$
52
.01
2R
$
#N/D
49
.93
3R
$
51
.12
0R
$
36
.75
4R
$
30
.25
3R
$
49
.58
1R
$
#N/D
60
LOJA
S_30
0LO
JAS_3
00
_50
0LO
JAS_5
00
_1LO
JAS_1
_2
00
00
00
01
00
00
00
02
00
01
03
10
02
20
00
00
11
11
00
01
00
01
00
00
01
12
11
11
00
00
00
01
00
00
00
02
00
01
03
10
02
20
00
00
11
11
00
01
00
01
00
00
01
12
11
11
00
00
00
01
61
FAT_LO
JAS_3
00
FAT_LO
JAS_3
00
_50
0FA
T_LOJA
S_50
0_1
FAT_LO
JAS_1
_2
-R
$
-R
$
-R
$
-R
$
-R
$
-R
$
-R
$
64
9.6
15
R$
-R
$
-R
$
-R
$
-R
$
-R
$
-R
$
-R
$
1.2
41
.97
9R
$
-R
$
-R
$
-R
$
78
2.4
17
R$
-R
$
1.1
63
.95
7R
$
48
2.8
66
R$
-
R$
-R
$
94
9.9
91
R$
6
33
.74
3R
$
-R
$
-R
$
-R
$
-R
$
-R
$
31
0.7
75
R$
4
67
.12
5R
$
53
0.2
14
R$
4
82
.86
6R
$
-R
$
-R
$
-R
$
49
2.4
56
R$
-R
$
-R
$
-R
$
61
8.6
95
R$
-R
$
-R
$
-R
$
-R
$
-R
$
53
0.2
14
R$
4
67
.12
5R
$
63
3.7
43
R$
32
2.9
68
R$
4
67
.12
5R
$
53
0.2
14
R$
4
82
.86
6R
$
-R
$
-R
$
-R
$
-R
$
-R
$
-R
$
-R
$
62
8.1
16
R$
-R
$
-R
$
-R
$
-R
$
-R
$
-R
$
-R
$
1.2
22
.90
3R
$
-R
$
-R
$
-R
$
76
9.8
05
R$
-R
$
1.1
45
.62
3R
$
53
6.7
52
R$
-
R$
-R
$
97
2.3
86
R$
6
21
.54
3R
$
-R
$
-R
$
-R
$
-R
$
-R
$
30
4.7
92
R$
4
35
.63
4R
$
52
4.0
80
R$
5
36
.75
2R
$
-R
$
-R
$
-R
$
52
4.1
64
R$
-R
$
-R
$
-R
$
60
8.4
76
R$
-R
$
-R
$
-R
$
-R
$
-R
$
52
4.0
80
R$
4
35
.63
4R
$
62
1.5
43
R$
31
6.7
50
R$
4
35
.63
4R
$
52
4.0
80
R$
5
36
.75
2R
$
-R
$
-R
$
-R
$
-R
$
-R
$
-R
$
-R
$
64
6.2
45
R$
62
ATEN
D_LO
JAS_3
00
ATEN
D_LO
JAS_3
00
_50
0A
TEND
_LOJA
S_50
0_1
ATEN
D_LO
JAS_1
_2
00
00
00
02
2.4
30
00
00
00
04
3.9
08
00
02
4.9
43
04
3.3
71
20
.92
40
03
7.9
42
24
.23
30
00
00
12
.27
51
7.0
18
19
.13
82
0.9
24
00
01
8.0
35
00
02
2.1
30
00
00
01
9.1
38
17
.01
82
4.2
33
11
.95
71
7.0
18
19
.13
82
0.9
24
00
00
00
02
1.8
78
00
00
00
04
3.4
10
00
02
5.3
90
04
3.9
29
23
.65
20
04
0.0
37
24
.70
20
00
00
12
.51
31
6.3
85
19
.22
72
3.6
52
00
01
9.0
86
00
02
2.4
49
00
00
01
9.2
27
16
.38
52
4.7
02
12
.18
91
6.3
85
19
.22
72
3.6
52
00
00
00
02
3.6
63
63
ANEXO 2 – REGRESSÃO TICKET MÉDIO E ATENDIMENTOS.
ELABORAÇÃO PRÓPRIA
64
ANEXO 3 – 1ª REGRESSÃO ATENDIMENTOS – BAIRROS RJ.
ELABORAÇÃO PRÓPRIA
65
ANEXO 4 – 2ª REGRESSÃO ATENDIMENTOS – BAIRROS RJ.
ELABORAÇÃO PRÓPRIA
66
ANEXO 5 – 1ª REGRESSÃO ATENDIMENTOS – CENTRO RJ.
ELABORAÇÃO PRÓPRIA
67
ANEXO 6 – 2ª REGRESSÃO ATENDIMENTOS – CENTRO RJ.
ELABORAÇÃO PRÓPRIA
68
ANEXO 7 – 1ª REGRESSÃO ATENDIMENTOS – OUTROS MUNICÍPIOS.
ELABORAÇÃO PRÓPRIA
69
ANEXO 8 – 2ª REGRESSÃO ATENDIMENTOS – OUTROS MUNICÍPIOS.
ELABORAÇÃO PRÓPRIA.
70
ANEXO 9 – 1ª REGRESSÃO TICKET MÉDIO – BAIRROS RJ. ELABORAÇÃO
PRÓPRIA
71
ANEXO 10 – 2ª REGRESSÃO TICKET MÉDIO – BAIRROS RJ.
ELABORAÇÃO PRÓPRIA
72
ANEXO 11 – 1ª REGRESSÃO TICKET MÉDIO – CENTRO RJ. ELABORAÇÃO
PRÓPRIA
73
ANEXO 12 – 2ª REGRESSÃO TICKET MÉDIO – CENTRO RJ. ELABORAÇÃO
PRÓPRIA
74
ANEXO 13 – 1ª REGRESSÃO TICKET MÉDIO – OUTROS MUNICÍPIOS.
ELABORAÇÃO PRÓPRIA
75
ANEXO 14 – 2ª REGRESSÃO TICKET MÉDIO – OUTROS MUNICÍPIOS.
ELABORAÇÃO PRÓPRIA