O advanced analytics, que inclui a inteligência artificial, oferece uma grande oportunidade para o setor de varejo. Em um estudo, o McKinsey Global Institute calculou o valor anual potencial da inteligência artificial para o setor de varejo em US$ 400 bilhões a US$ 800 bilhões no mundo todo.
Para o setor de supermercados, especificamente, vemos um potencial de aumento incremental do lucro antes de juros e impostos (EBIT, na sigla em inglês) de até dois pontos percentuais, se todos os casos de uso forem implementados e o valor for totalmente capturado. A maior parte desse valor é gerada por casos de uso comercial relacionados ao sortimento, à precificação, às promoções e à personalização (Quadro 1). Esses também são alguns dos casos de uso mais maduros para os quais as abordagens de analytics começaram a convergir em todo o setor e há soluções de analytics padrão disponíveis no mercado.
Nos últimos cinco anos, os supermercados foram além dos experimentos com advanced analytics e começaram a adotar esses casos de uso de maneira sistemática. Agora, a maioria dos supermercados europeus está adotando o advanced analytics e investindo na captura de seu valor. Por exemplo, em 2020, a Ahold Delhaize anunciou a implementação de ferramentas de sortimento, precificação e promoções em todas as suas marcas europeias. Players como ICA, Migros e REWE têm organizações de analytics bem estabelecidas, e diversos varejistas, inclusive as redes de descontos Aldi e Lidl, vêm contratando mais cientistas de dados.
Em nossa observação desses investimentos, até agora não vimos o valor potencial ser capturado na conta de lucros e perdas (P&L, na sigla em inglês). Para determinar o que distingue os líderes em analytics dos demais, analisamos os supermercados em duas dimensões: maturidade em analytics e maturidade organizacional (Quadro 2).
Descobrimos que capturar o valor do advanced analytics depende ainda mais da maturidade organizacional do varejista do que de sua maturidade em analytics. Na verdade, os varejistas só conseguem obter resultados se houver maturidade organizacional – o que ainda é a exceção no setor, e não a regra.
Muitos supermercados fizeram grandes progressos em termos da maturidade em analytics. Os líderes em analytics vêm abordando a maioria dos casos de uso fundamentais, como precificação, promoção em massa e otimização do sortimento. Agora, eles estão cada vez mais focados em usar novos casos de uso ao longo da cadeia de valor e em melhorar os casos de uso existentes – por exemplo, empregando dados mais granulares e em tempo real. Essas iniciativas costumam ser conduzidas por uma unidade de analytics robusta, mas a adoção desses casos de uso nos negócios varia. A melhor solução de analytics não ajudará se não for usada e entendida pelos respectivos tomadores de decisões (como gerentes de categoria).
Em muitos casos, a maturidade organizacional é o principal obstáculo que impede que se vá além da adoção parcial e se realize todo o potencial do analytics. A maturidade organizacional engloba os processos de incorporar tecnicamente e melhorar continuamente os casos de uso, bem como a gestão de mudanças constantes com os usuários dos insights de analytics – promovendo o entendimento do analytics, garantindo que ele seja incorporado aos processos diários e mensurando com relação a novos indicadores-chave de desempenho (KPIs, na sigla em inglês).
Nossa análise dos vencedores – tanto os supermercados tradicionais quanto os nativos digitais – destacou cinco estratégias que os ajudaram a se sobressair, sobretudo em maturidade organizacional.
1. Concentrar-se nos casos de uso estratégicos, e não nos dados
O valor é gerado por decisões de negócios baseadas em insights fornecidos pelos dados (vide a coluna “Caso de uso de analytics, uma definição”); enormes quantidades de dados não geram nenhum valor por si sós. Portanto, é essencial que o valor de um caso de uso seja transparente e que haja um roteiro claro de como e quando realizá-lo.
Os supermercados devem criar um portfólio priorizado de casos de uso derivados de prioridades estratégicas com objetivos de negócios claros e realocar recursos para aqueles com a maior relação risco-ganho potencial. Também devem agrupar os casos de uso definidos em unidades maiores ou em domínios (como operações de loja ou merchandising). Isso acelera a mudança em um determinado domínio dos negócios, já que quase todas as decisões deles passam a ser mais baseadas em dados e, idealmente, mais interconectadas.
2. Criar equipes de produto ágeis e interdisciplinares
Um dos fatores mais cruciais para extrair valor dos insights de analytics é o processo de tradução entre negócios e tecnologia. Muitas equipes de negócios não entendem plenamente como as equipes de tecnologia e de ciência de dados podem apoiá-las, e vice-versa. Como consequência, as empresas não fazem as perguntas certas, enquanto as equipes de tecnologia e de ciência de dados tentam responder a perguntas que não existem. Essa parte da cadeia de valor de analytics pode ser considerada o “segredo do sucesso”, e os supermercados tradicionais têm dificuldade especial em obter maior visibilidade e compreensão entre a tecnologia e os negócios.
Os vencedores criam equipes de produtos ágeis e interdisciplinares que são orientadas pelos negócios e consistem em pessoas de negócios, analytics e TI. Essa equipe interdisciplinar colabora estreitamente para atingir uma meta de negócios definida (por exemplo, melhorar a decisão de exclusão na parte de sortimento). Nessa abordagem, a área de negócios está fortemente envolvida na identificação de casos de uso e também na concepção da solução para o caso de negócios – fornecendo um recurso em tempo integral na função de responsável pelo produto dentro da equipe ou como responsável pela área de negócios em meio período. A área de negócios é fundamental para definir atentamente os objetivos de negócios e as especificações dos casos de uso, bem como para garantir a mudança necessária na organização de negócios: mudanças em processos, entendimento do analytics e medição contínua do impacto no P&L. O resultado é um produto que garante impacto no P&L e, acima de tudo, escalabilidade.
3. Investir na gestão de mudanças em grande escala para garantir a adoção de casos de uso
Muitos casos de uso requerem que alguém aborde as decisões de maneira diferente ou trabalhe de maneira diferente. Portanto, a implantação de um caso de uso geralmente requer ajustes em processos, em funções e responsabilidades e em incentivos, bem como a aquisição de novas capacidades. Simplesmente dar aos funcionários acesso a uma nova ferramenta e explicá-la em uma sessão de treinamento não costuma ser suficiente.
Por exemplo, se a precificação for automatizada com base em analytics, isso terá profundas implicações para a função de um gerente de precificação ou de categoria. Embora no passado eles pudessem se concentrar em fazer ajustes táticos nos preços, agora eles podem ser responsáveis por definir as diretrizes estratégicas e fornecer input para a equipe de analytics sobre como melhorar ainda mais a lógica da precificação.
Mesmo com mudanças menores, descobrimos que incorporar os insights de analytics profundamente nos processos e fluxos de trabalho existentes e fazer investimentos substanciais no desenvolvimento das capacidades necessárias e do entendimento dos usuários é um pré-requisito elementar – e muitas vezes subestimado – para obter o impacto esperado.
4. Desenvolver uma plataforma de analytics adequada à finalidade para manter e escalonar múltiplos casos de uso
Dar acesso a dados e insights a muitos usuários da área de negócios é uma forma importante de impulsionar a adoção e promover a maturidade organizacional. Para atingir esse objetivo, os varejistas devem desenvolver uma plataforma de analytics dedicada.
Mudar de sistemas de TI preexistentes para uma pilha de TI de big data totalmente modernizada envolve tempo e custos significativos. Contudo, pode não ser necessária uma transição completa: sistemas preexistentes podem coexistir com uma infraestrutura de dados baseada na nuvem. Os componentes mais cruciais são a coleta de dados e uma plataforma de analytics formada por um laboratório de dados, que permite uma experimentação rápida, e um ambiente de fábrica capaz de monitorar, executar e escalonar casos de uso continuamente. Os supermercados devem, então, integrar o analytics a sistemas de back-end e front-end de maneira incremental, um caso de uso por vez. O fato de terem, no fim das contas, uma plataforma de advanced analytics, a própria camada de dados e uma camada de visualização e resultados acessível a toda a organização aumenta a maturidade organizacional dos supermercados.
5. Decidir se vai comprar uma solução existente ou desenvolver uma internamente
Os supermercados não precisam reinventar a roda para obter impacto nos negócios. Porém, a escolha entre comprar uma solução comprovada disponível no mercado e investir recursos para desenvolvê-la pode ser surpreendentemente difícil. Muitas organizações carecem de expertise em certos casos de uso e também devem lidar com requisitos complexos dos pontos de vista técnico e de negócios.
Em nossa experiência, uma estratégia de fornecedor bem-sucedida adota uma abordagem diferenciada e em etapas. Para casos de uso que se difundiram e estão amplamente disponíveis no mercado pelo menos em uma versão básica (por exemplo, previsão e sortimento), usar ferramentas e fornecedores externos pode ser a rota mais rápida, mais barata e menos arriscada. Para casos de uso que podem gerar uma vantagem competitiva ou que ainda estão nos estágios iniciais (por exemplo, promoções personalizadas), uma solução sob medida poderá gerar mais impacto. Outra opção é comprar ferramentas ou programas de fornecedores para iniciar ou acelerar casos de uso antes de trabalhar com a solução internamente para criar soluções personalizadas e diferenciadas.
Todos os supermercados devem dominar o advanced analytics para permanecerem relevantes. Atualmente, para muitos casos de uso importantes, como sortimento, preço e promoções em massa, há softwares padronizados disponíveis no mercado. Isso também permite que varejistas menores ou com maturidade inferior em analytics alcancem os primeiros resultados rapidamente. Para varejistas mais maduros em analytics, casos de uso mais experimentais, como localização de sortimento ou personalização de promoções, são a próxima fronteira. Para terem sucesso, os supermercados devem investir não apenas em soluções técnicas, mas também em capacidades organizacionais, o que exigirá um investimento significativo na gestão de mudanças a partir do mais alto nível hierárquico.