Os processos da logística instore estabelecidos neste trabalho possuem diferentes combinações de tarefas, com quantidades de insumos diferentes e resultados variáveis, o que justifica suas definições individualmente.
Porém para efeito de teste, foi utilizado somente o PDP, pois representa o macroprocesso mais importante e frequente das lojas físicas do varejo.
A escolha da amostra foi feita levando-se em consideração um fator limitante do uso do DEA, já que a seleção dos inputs e outputs está diretamente ligada ao sucesso de sua aplicação e análise. Segundo Cooper et al (2004), um número de DMUs inferior à combinação de inputs e outputs comprometerá os resultados, pois tornarão uma base muito pequena onde a maioria dos DMUs surgirá como eficientes. É desejável que o número de DMUs exceda em muitas vezes a soma de inputs e outputs. Os autores afirmam que a regra de ouro para minimizar este ruído é:
Max{m x s, 3 x (m + s)} Sendo:
m = número de inputs s = número de outputs
Portanto o número adequado de DMUs seria algo entre o produto do número de inputs e outputs e o triplo da soma do número de inputs e outputs.
Por conta disso, optou-se pelo uso de 12 DMUs, já que tanto o PDP possue quatro inputs e um output, ficando desta forma no intervalo e quase no limite máximo indicado por Cooper et al (2004).
Max{4x1, 3x(4+1)} = Max{4,15}
Como o objetivo aqui é testar o modelo e não validar os resultados resolveu-se utilizar um cenário simulado com base em dados reais de parte da amostra.
Uma rede de supermercados líder do sul do Brasil cedeu os dados de três de suas lojas para o cálculo e as demais nove lojas do teste receberam variações dos valores de forma aleatória.
Na sequência aplicou-se o método do modelo de AD da logística instore, como forma de testa-lo.
6.1 Etapas do Método de aplicação do Modelo
Neste capítulo serão detalhadas as etapas do método para se obter um maior entendimento de seu uso na prática.
1º. Mapeamento dos processos
Neste teste, especificamente, foi admitido e utilizado somente um dos processos: o PDP.
2º. Verificação dos inputs e outputs
Foram utilizados os seguintes inputs e outputs: Output – disponibilidade;
Inputs – trabalho, espaço, equipamentos e cobertura de estoques.
3º. Levantamento e tratamento dos dados
Para a coleta dos dados foi utilizado um formulário que é apresentado no Apêndice “F”.
As Planilhas 1 e 2 demonstram os dados coletados em sua forma inicial, ou seja, sem o devido tratamento.
Após o levantamento dos dados dos inputs e outputs do PDP, seguiu-se para o tratamento destes dados, como forma de ajustá-los na aplicação do DEA. As Planilha 3 e 4 demonstram como os valores finais da cada input e output, foram encontrados.
4º. Aplicação do instrumento de comparação relativa (DEA)
Os inputs e outputs para entrada no DEA estão representados na Planilha 5.
Planilha 1 - Dados coletados de horas totais de trabalho e valores dos equipamentos para uso no DEA
Fonte – desenvolvido pelo autor
Planilha 2 - Dados coletados de área total, cobertura de estoque, vendas e ruptura para uso no DEA
Planilha 3 - Valores encontrados para os inputs trabalho e espaço
Fonte – desenvolvido pelo autor
Planilha 4 - Valores encontrados para os inputs equipamentos e cobertura de estoques e para o output disponibilidade
Observa-se nas Planilhas 3 e 4 que nesta etapa os valores já foram devidamente equalizados.
Planilha 5 - Valores finais dos Inputs e Output à lançar no DEA
Fonte – desenvolvido pelo autor
Figura 24 - Imagem da tela do SIAD com dados lançados e critérios escolhidos
Fonte: Print da tela do SIAD
Observe na Planilha 5 que na coluna do output_1 (Disponibilidade), os valores foram convertidos para decimais, já que não é possível lançar números percentuais no DEA.
Como já mencionado anteriormente, o software utilizado foi o SIAD (Sistema Integrado de Apoio a Decisão). Os números lançados no software e os critérios escolhidos para o cálculo estão representados da Figura 24.
5º. Tratamento e análise dos índices de eficiência
Após aplicado o DEA, foram coletados os valores chamados de “padrão”, onde ficam explícitos os resultados de eficiência relativa extraídos do modelo e demonstrados na Tabela 17.
Tabela 17 - Valores retornados do comando de cálculo do DEA no SIAD
DMU PADRÃO DMU PADRÃO
Loja1 1,000000 Loja7 0,981938 Loja2 0,845027 Loja8 0,650791 Loja3 0,790137 Loja9 0,936721 Loja4 1,000000 Loja10 0,820506 Loja5 0,970849 Loja11 0,789182 Loja6 1,000000 Loja12 0,758335 Fonte – desenvolvido pelo autor
Para uma melhor visualização e análise, os números são transformados em valores percentuais, como pode ser visto no Gráfico 1.
Gráfico 1 - Valores percentuais de eficiência por loja
Fonte – desenvolvido pelo autor.
Observa-se no Gráfico 1 que existem três lojas com 100% de eficiência. O significado disso é que dentre as 12 lojas da amostra, estas três unidades obtiveram, ainda que com combinações diferentes de valores de inputs e outputs, um mesmo nível de produtividade. Este nível representa o teto de produtividade da amostra, ou seja, nenhuma outra unidade da amostra obteve valor maior ou igual ao das lojas 1, 4 e 6. Por representarem o máximo que se atingiu de produtividade dentro da amostra, seu resultado de eficiência técnica é de 100%. Como se utilizou o modelo CCR do DEA, os valores obtidos pelas demais lojas são proporcionais, ou seja, pode-se afirmar que a loja 8 obteve dois terços da produtividade alcançada pelas lojas 1, 4 e 6. Portanto a diferença percentual entre os resultados obtidos entre duas lojas é o quanto de oportunidade de melhoria de produtividade a loja com menor valor tem com relação aos resultados da loja com maior percentual. O Gráfico 2 demonstra o quanto de oportunidade de melhoria cada loja tem com relação às três lojas que obtiveram os melhores resultados de produtividade.
Gráfico 2 – Oportunidades de melhoria
Fonte – desenvolvido pelo autor.
Os percentuais apresentados no topo das barras de cada loja no Gráfico 2 representam sua distância dos melhores resultados, mas é possível efetuar comparações entre quaisquer lojas. Isso é particularmente útil quando se pretende observar o modo de operação de duas ou mais lojas para detectar os reais motivos das diferenças de produtividade entre elas.