Definindo Indicadores para Previsão de Vendas Com Inteligência Artificial. Cesar Luiz Buzin Júnior RESUMO

(1)

XX Mostra de Iniciação Científica, Pós-Graduação, Pesquisa e Extensão Programa de Pós-Graduação em Administração | 1 Definindo Indicadores para Previsão de Vendas Com Inteligência Artificial

Cesar Luiz Buzin Júnior

RESUMO

O objetivo desse artigo é apresentar os principais indicadores a serem utilizados em processos de inteligência artificial para previsão de volume de vendas. O trabalho apresenta alguns conceitos de inteligência, algoritmos, inteligência artificial e de indicadores, seguido do levantamento de indicadores relevantes para a previsão do volume de vendas fazendo uso de algoritmos de aprendizado de máquina. Ao final, são listados os principais indicadores internos e externos às empresas para previsão de vendas, assim como formas de obtê-los. Além dos indicadores resultantes da pesquisa realizada, é apresentado o resultado de simulações de previsão do volume de vendas macroeconômico nacional, encontrado a partir da sua execução com algoritmo de aprendizado de máquina treinado com bases de dados construídas com indicadores externos apontados por esse trabalho, afim de demonstrar como funciona a utilização prática de algoritmos de IA e o que eles necessitam para obtenção de resultados mais precisos.

Palavras-chave: Inteligência Artificial. Indicadores. Gestão. Automação. Varejo.

1 INTRODUÇÃO

O uso de ferramentas de inteligência artificial para tomada de decisão vem sendo cada vez mais aprimorado nos últimos anos. Desde os primórdios, a automação de tarefas repetitivas e maçantes tem exigindo soluções que facilitem a vida das pessoas, sejam elas operadores, supervisores, gerentes ou quaisquer outros cargos. Um exemplo mais prático foram os cálculos manuais substituídos pela calculadora, seguindo para processamento de dados computadorizado, tabelas gráficas, sistemas de gestão, entre inúmeras outras facilidades. Trindade e Segre (2000) citam o avanço dos antigos centros de processamentos de dados (CPD), que eram computadores de grande/médio porte, que realizavam o processamento diário de informações em lotes e disponibilizavam dados apenas do dia anterior, para o surgimento do microprocessador e com ele, os sistemas que permitem vários computadores espalhados pelas organizações, comunicando e partilhando informações entre si.

Com a evolução dos computadores e do poder de armazenamento, consulta e processamento de informações em tempo real, o uso de inteligência artificial tem evoluído para um novo nível: o processamento de dados em busca de auxílio para tomada de decisão. Inicialmente, os computadores e sistemas de informação forneciam suporte à atividades fim: contabilidade, estoques, folhas de pagamento, compras e vendas. Contudo, o uso das tecnologias evoluiu, e tende a atender novas demandas, como por exemplo proporcionar melhorias de serviço ao cliente, planejar processos de distribuição de mercadorias para eliminar custos operacionais e ajudar a corrigir os rumos no sortimento de produtos que mais interessam à empresa (TRINDADE; SEGRE, 2000).

Ascencio e Campos (2007) apresentam diversas definições para algoritmos, entre elas: “Algoritmo é uma sequência de passos que visa atingir um objetivo bem definido.” (ASCENCIO, 1999 apud ASCENCIO; CAMPOS, 2007, p. 1) e “Ação é um acontecimento que, a partir de um estado inicial, após um período de tempo finito, produz um estado final previsível e bem definido. Portanto, um algoritmo é a descrição de um conjunto de comandos que, obedecidos, resultam numa sucessão finita de ações. ” (FARRER, 1999 apud ASCENCIO;

(2)

XX Mostra de Iniciação Científica, Pós-Graduação, Pesquisa e Extensão Programa de Pós-Graduação em Administração | 2 CAMPOS, 2007, p. 2). Kahaner (1996) define inteligência como números, estatísticas e dados dispersos depois de filtrados, destilados e analisados.

A execução de ações realizada por algoritmos, quando automatizada via sistemas computacionais para processamento de dados, pode aparentar ser inteligente, o que leva ao conceito de inteligência artificial. Inteligência artificial (IA) é o estudo dos sistemas que agem de modo que, para um observador qualquer, pareça ser inteligente (COPPIN, 2013). Sistemas computacionais utilizando inteligência artificial podem ser baseados em regras, tal como uma função que executará sempre o mesmo cálculo, ou podem ser baseados em aprendizado de máquina, reconhecendo padrões de informações fornecidas através de treinamento (COPPIN, 2013). Para que esses sistemas possam ser executados corretamente e apresentar resultados com a precisão esperada, é necessário que as informações corretas sejam fornecidas.

Técnicas de previsão de vendas podem ser qualitativas, baseadas em experimentos e avaliações de opiniões de indivíduos, ou quantitativas, baseadas em modelos matemáticos e estatísticos (FOUTO et al., 2010). O trabalho aqui escrito aborda a segunda opção.

Levando em conta a necessidade das informações corretas para algoritmos de inteligência artificial serem treinados e apresentarem os resultados esperados, o objetivo desse artigo é elencar quais indicadores podem ser considerados em uma análise automatizada para prever futuros padrões de venda por meio de pesquisa documental a partir de dados secundários, analisando e reunindo informações de estudos prévios e publicações de instituições envolvidas com analise e resultado de varejo. Os objetivos específicos são definir os principais critérios para análise via inteligência artificial, indicadores externos à empresa que possam auxiliar na previsão de vendas, indicadores internos à empresa que possam auxiliar na previsão de vendas e especificar como esses indicadores podem ser encontrados e/ou calculados.

Com os indicadores externos abordados, são executadas simulações de previsão com inteligência artificial para exemplificar o funcionamento de algoritmos dessa finalidade, apresentando detalhes importantes para definir uma metodologia de aplicação de indicadores para previsão. A simulação se dá apenas com dados macroeconômicos, pois o uso de indicadores internos implicaria na restrição às informações privadas, cuja obtenção se torna mais burocrática.

Em vista que o presente artigo tem por objetivo especificar quais indicadores são válidos para estudo de padrões via inteligência artificial, aqui é apresentada uma pesquisa de natureza aplicada a uma solução específica, mas básica no quesito conhecimento, já que tende a contribuir à comunidade com a especificação de regras gerenciais para futuras aplicações técnicas. Com os resultados encontrados, sistemas computadorizados poderão utilizar esse estudo como base para análise via inteligência artificial, instituições poderão utilizá-los para análise de seus resultados e previsões, além de poder servir como base para novos estudos acadêmicos relacionados ao assunto.

2 REFERENCIAL TEÓRICO

2.1 INTELIGÊNCIA ARTIFICIAL

O tema inteligência artificial nunca foi tão abordado como nas últimas décadas. Cada vez mais a automação de processos sem, ou pelo menos com o mínimo possível de intervenção humana, vem sendo explorada para melhorar a performance e a confiabilidade dos resultados obtidos, além da redução de trabalhos operacionalmente repetitivos. Para fazer melhor uso da inteligência artificial e obter os seus melhores resultados, é necessário entender o que ela é e como ela funciona.

Primeiramente se faz necessário conceituar o que é inteligência. Segundo Bourret (2012), é o conhecimento proveniente da informação, que é originada através de dados

(3)

XX Mostra de Iniciação Científica, Pós-Graduação, Pesquisa e Extensão Programa de Pós-Graduação em Administração | 3 processados e auxilia o processo decisório. Já Kahaner (1996) define inteligência como números, estatísticas e dados dispersos depois de filtrados, destilados e analisados. Em outras palavras, independente de natural ou artificial, inteligência pode ser descrita como a capacidade de prover conhecimento para responder questões ou prever situações a partir de informações previamente obtidas, através de processamento e análise. Levando em consideração essa definição, fica clara a necessidade de dados consistentes e confiáveis para construção da inteligência. Drucker (1998) define informação como dados relevantes e com propósito. Portanto, quanto maior, mais consistente e mais relevante for a massa de informações analisadas, maior pode ser o nível de inteligência alcançado, e consequentemente melhores podem ser os resultados obtidos quando ela for utilizada.

Contudo, a inteligência por si só não realiza ações, pois ela pode ser descrita como uma característica. Seres vivos são julgados inteligentes através das suas ações. Da mesma forma, softwares podem ser considerados inteligentes através de seus algoritmos, que são ações pré-definidas a serem executadas, com finalidade de apresentar um resultado esperado. Ascencio e Campos (2007) apresentam diversas definições para algoritmos, entre elas: “Algoritmo é uma sequência de passos que visa atingir um objetivo bem definido.” (ASCENCIO, 1999 apud ASCENCIO; CAMPOS, 2007, p. 1) e “Ação é um acontecimento que, a partir de um estado inicial, após um período de tempo finito, produz um estado final previsível e bem definido. Portanto, um algoritmo é a descrição de um conjunto de comandos que, obedecidos, resultam numa sucessão finita de ações.” (FARRER, 1999 apud ASCENCIO; CAMPOS, 2007, p. 2).

Inteligência artificial (IA) é o estudo dos sistemas que agem de modo que a um observador qualquer, pareça ser inteligente (COPPIN, 2013). Em outras palavras, inteligência artificial nada mais é do que a execução de algoritmos inteligentes, que através do processamento de dados pré-definidos, são capazes de prover informações relevantes através dos resultados obtidos. Atualmente, ela é muito utilizada no setor de varejo. Trindade e Segre (2000) citam os terminais de ponto de venda (PDV) e os sistemas de transferência eletrônica de fundos (TEF).

Os sistemas de PDV, a partir dos produtos e suas respectivas informações pré-cadastradas (listas de preços, tributações, estoque...), realizam todo processo de verificação de estoque, cálculo tributário, processamento de descontos, envio de vendas para o emissor fiscal e emissão de comprovantes ao cliente quando o usuário do software informa os códigos de barras dos produtos vendidos. Além disso, esses sistemas geralmente se comunicam com sistemas TEF, que realizam operações de crédito e débito, transferindo fundos do cliente para o vendedor, validando a suficiência e aprovação das respectivas transferências. Todos esses processos são realizados através de algoritmos inteligentes. Fundação Nacional de Qualidade (FNQ) cita no “Guia Sobre Inteligência Artificial: Sua Empresa Já Está Preparada” 1_{alguns dos}

principais benefícios do uso de sistemas de inteligência artificial no varejo:

a) cruzamento de informações: é possível coletar um volume de dados maior e cruzar informações de forma automática realizando análises preditivas em menos tempo com dados mais precisos;

b) identificação e criação de perfil do consumidor: detectar produtos e serviços que possam interessar ao cliente com base em compras prévias, canais de contato preferidos, horários e datas com maior probabilidade de compra;

c) redução de custos e aumento da produtividade: reduz trabalho manual de execução e condensação de dados, fornecendo mais tempo para análises e tomadas de decisão;

1

Disponível em: <https://fnq.org.br/comunidade/e-book-47-guia-sobre-inteligencia-artificial-sua-empresa-esta-preparada/>. Acesso em: 04 jul. 2020.

(4)

XX Mostra de Iniciação Científica, Pós-Graduação, Pesquisa e Extensão Programa de Pós-Graduação em Administração | 4 d) crescimento de vendas: personalização da experiência de venda ao consumidor,

automação de processos e melhora no pós-venda.

Como citado anteriormente, a inteligência pode ser utilizada para previsão de futuras situações. Mineração de dados (Data Mining) utiliza algoritmos de aprendizado de máquina para encontrar regularidades, padrões ou conceitos em conjuntos de dados. São as técnicas de aprendizado de máquina, tais como indução de regras e de árvores de decisão, modelos conexionistas e o aprendizado baseado em instâncias, que são a base dos métodos utilizados pela mineração de dados (GOLDSCHMIDT, 2015).

Algoritmos de aprendizado de máquina são desenvolvidos com a finalidade de, através de dados e indicadores disponibilizados em bases de dados, reconhecer padrões e, baseados nos históricos obtidos através de rotinas de treinamento, calcular probabilidades de padrões se repetirem, ou até mesmo acontecimentos ainda não ocorridos historicamente. Um exemplo desses algoritmos, citado por Trindade e Segre (2000), são utilizados por sistemas de resposta eficiente ao consumidor (ECR), que buscam prever padrões de consumo para melhorar a experiência de compra dos clientes.

Para implementação de técnicas de aprendizado de máquina em softwares de inteligência artificial, frameworks podem ser utilizados para facilitar o desenvolvimento da solução. Um exemplo bastante difundido é o Ambiente Para Análise do Conhecimento Waikato

(WEKA)2, que disponibiliza interface gráfica para simulações de execuções e uma API (Interface de Programação de Aplicativos) para integração com softwares desenvolvidos com linguagem de programação Java3. Ela dispõe diversos algoritmos de aprendizado de máquina. Para sua implementação, basta a seleção do modelo de classificação desejado, a seleção do algoritmo, informar os dados de entrada (base de dados com informações/indicadores selecionados) e aguardar os índices de classificação retornados no final do processamento.

Não cabe a esse artigo abordar em detalhes o funcionamento da tecnologia, mas é válido o conhecimento geral para melhor entendimento do processo cujo utilizará os indicadores aqui abordados.

2.2 GESTÃO POR INDICADORES

Para organizações serem capazes de operar com eficiência, é necessário a coleta e análise de informações (MILLER, 2002). Indicadores são informações medidas em quantidade, no decorrer de um tempo, usadas para calcular o resultado de determinado evento. Eles devem ser objetivos, passíveis de medição, comunicáveis e consensuais (IZIDORO, 2015).

Sendo assim, para que indicadores tenham alguma validade, eles devem ter um valor que represente um determinado período, e que possam servir como base de comparação. Carrillo (2014) cita que indicadores são válidos se comparados internamente por um longo período de tempo, ou a outros indicadores externos, ou seja, é possível analisar a evolução de um indicador comparando seus resultados prévios com o decorrer do tempo, podendo identificar tendências e padrões. Também pode-se comparar um indicador interno à indicadores externos, de outras empresas, a fim de avaliar qual a sua divergência ou semelhança com a concorrência. Esses indicadores com critérios comuns são conhecidos como Referenciais Comparativos Pertinentes (RCP), utilizados para comparação de desempenho e avaliação de competitividade (SEBRAE, 2016).

Além dos indicadores medidos pelas próprias instituições, existem também os indicadores econômicos e sociais, que caracterizam o cenário econômico geral do ambiente cujas empresas se integram. Esses ajudam às corporações a prever para que lado a economia se dirige, ajudando a medir e projetar ações para manter sua performance e saúde perante situações

2_{Disponível em: <https://www.cs.waikato.ac.nz/ml/weka/>. Acesso em: 18 ago. 2020.} 3_{Disponível em: <https://www.java.com/pt_BR/>. Acesso em: 18 ago. 2020.}

(5)

XX Mostra de Iniciação Científica, Pós-Graduação, Pesquisa e Extensão Programa de Pós-Graduação em Administração | 5 externas à empresa (BAUMOHL, 2012). A inflação pode ser um exemplo, uma vez que afeta a população como um todo, segundo BAUMOHL (2012).

Indicadores podem ser de desempenho, internos ou externos, assim como econômicos e sociais. Tendo conhecimento dos tipos de indicadores existentes, é necessário definir quais são relevantes para o negócio em questão.

2.3 GESTÃO POR INDICADORES

É importante o entendimento do mercado ao qual a empresa se integra antes de definir quais indicadores são relevantes para o seu negócio. Existem particularidades entre os tipos de varejo, por exemplo, as discrepâncias do varejo alimentar para o varejo de materiais de construção, pois são públicos-alvo distintos, onde os critérios de compra e venda observados são muito diferentes. Apesar disso, existem indicadores comuns entre eles, e os princípios e regras de definição são os mesmos. Araujo (2014) defende que indicadores devem ser únicos, facilmente medidos e entendidos por todos. Saab e Gimenez (2000) mencionam a necessidade da representatividade da amostra analisada para obter um indicador, pois ela deve ser consideravelmente grande e deve refletir a realidade do comércio, que apresenta constante mudança.

Indicadores podem ser categorizados em duas tipologias: de esforço e de resultado. Os indicadores de esforço, também conhecidos como “DRIVER”, medem a causa antes do efeito ou seja, são preventivos e executados para validação de planos. Os indicadores de resultado, também chamados de “OUTCOME”, medem o efeito após ocorrido, validando se os objetivos estão sendo atendidos4.

Dada a necessidade de volume de informações, indicadores não podem ser construídos apenas com base em históricos da própria empresa, mas também com base no cenário externo, de modo que se dividem em duas categorias: indicadores internos e indicadores externos.

- As forças e fraquezas são determinadas pela posição atual da empresa e se relacionam, quase sempre, a fatores internos. Já as oportunidades e ameaças são antecipações do futuro e estão relacionadas a fatores externos. (FARRIS, 2012, p. 150).

2.3.1 Indicadores internos

Indicadores internos são influenciados pelos dados de análises financeiras da própria empresa (IZIDORO, 2015). Esses indicadores são gerados a partir de resultados e ações relacionadas à própria instituição, como por exemplo o volume de vendas. O grande valor dessas informações é que identificam aspectos próprios, além de serem resultado de características específicas da corporação, por exemplo a localização, a qualidade dos canais de venda, entre tantos outros. Além disso, são úteis para comparação com os indicadores externos, afim de avaliar se os resultados obtidos são satisfatórios quando comparados com resultados gerais de empresas do mesmo ramo.

O Guia de Indicadores para Varejo disponibilizado pelo Sebrae (2016) apresenta uma série de indicadores inseridos no contexto do comércio varejista, classificados por área de gestão (RH, marketing, operacional, e-commerce e financeiro). Esses são de origem interna, coletados, calculados e comparados com seu próprio histórico, mas poderiam ser utilizados para comparação com os mesmos indicadores de outras empresas, caso tenha acesso a esses. Vale ressaltar a diversidade dessas informações, que são tanto quantitativas quanto qualitativas, o que dificulta muitas vezes a sua obtenção, uma vez que dados qualitativos muitas vezes

(6)

XX Mostra de Iniciação Científica, Pós-Graduação, Pesquisa e Extensão Programa de Pós-Graduação em Administração | 6 necessitam de intervenção externa ao processo padrão para serem obtidos.

2.3.2 Indicadores externos

Indicadores externos são influenciados pela conduta financeira de outras empresas do mesmo setor e pelos dados econômicos do país de origem ou do mundo. Eles podem ser de análise ambiental (social e econômica) ou análise setorial (aplicados a empresas do setor, relacionados diretamente aos números financeiros) (IZIDORO, 2015). O papel dos indicadores sociais e econômicos neste cenário é ajudar a avaliar e prever à que direção a economia está se dirigindo (BAUMOHL, 2012). Eles são considerados externos, pois afetam não só a empresa em análise, mas todas as demais residentes na região avaliada. Entre os principais indicadores externos, são citados o PIB, taxa de desemprego, inflação, taxa de juros e câmbio monetário.

O PIB é a soma de todos os bens e serviços produzidos pelo país, estado ou cidade em determinado período (BAUMOHL, 2012). Griffis (2011) aponta o PIB (Produto Interno Bruto) como sendo o principal indicador da economia, medido trimestralmente. Ele ainda afirma que o PIB pode ser utilizado para avaliação de governos, investimentos futuros, planos de negócios e controle de gastos familiares. Baumohl (2012) defende que a evolução do PIB é a principal forma de avaliar a saúde econômica de um país, além de citar a inflação, por atingir a população em geral.

A taxa de desemprego, divulgada mensalmente (BAUMOHL, 2012), está ligada ao crescimento da economia quando baixa, ou à recessão da economia quando em alta, pois impacta diretamente no consumo de bens e serviços (GRIFIS, 2011).

A inflação, aumento nos preços no período (GRIFIS, 2011), é outro indicador importante, pois representa o aumento do gasto com os mesmos produtos ou serviço consumidos no período anterior (BAUMOHL, 2012), ou seja, diminui o poder de compra da população.

A taxa de juros indica como está a economia do país, uma vez que influencia na quantidade de dinheiro que circula (GRAFFIS, 2011). Expressa anualmente, ela indica quanto dinheiro é injetado na economia do país, fornecendo poder de compra à população e permitindo o giro da economia em novos investimentos.

Izidoro (2015) cita a previsão de relação com o câmbio como um indicador financeiro de origem externa, utilizado para análise ambiental. O câmbio monetário pode influenciar no processo de vendas em vários aspectos: concorrência de valor e quantidade com o mercado externo, custo relacionado ao valor de matéria prima ou de componentes... tudo depende do tipo do mercado e do público alvo que se deseja alcançar.

O Instituto Brasileiro de Defesa do Consumidor cita os impactos diretos à população causados pela alta do dólar, que ocasiona diretamente na desvalorização da moeda local. Entre eles, os de efeito imediato são o aumento dos valores dos produtos nas áreas de alimentação, mobilidade e turismo, enquanto os de médio prazo são referentes ao aumento do custo de energia elétrica, na alimentação, saúde e na aquisição de produtos eletrônicos (IDEC, 2020). Sabadin et al. (2006) estuda a relação entre a taxa de câmbio e o preço interno de produtos, sobrexaltando principalmente a influência dessa sobre os itens comerciáveis internacionalmente, também chamados de tradeables.

Além dos indicadores sociais econômicos externos à empresa, é possível obter informações referentes às vendas em geral de uma região, graças às bases de dados disponibilizadas por institutos governamentais.

A Pesquisa Mensal de Comércio (PMC)5_{realizada pelo IBGE, produz indicadores que}

5_{Disponível em:}

(7)

XX Mostra de Iniciação Científica, Pós-Graduação, Pesquisa e Extensão Programa de Pós-Graduação em Administração | 7 permitem acompanhar o comportamento conjuntural do comércio varejista no Brasil. Ela disponibiliza indicadores de volume de vendas e índices de base fixa do volume de vendas do comércio varejista de empresas com 20 ou mais pessoas ocupadas nesse segmento. Existente desde 1995 e desde então atualizada e expandida da região metropolitana do Rio de Janeiro para os demais estados, ela apresenta tabelas mensais de dados, podendo ser essas em âmbito nacional ou por unidade de federação, descriminadas por tipos de comércio. Essas informações podem ser utilizadas para estudar o histórico do volume de vendas de determinados segmentos de acordo com outros índices (PIB, taxa de desemprego...). Também podem ser utilizadas para fazer um comparativo com o volume de vendas interno da empresa, ou seja, com os indicadores internos.

Existem outras bases de dados, tais como o Índice de Vendas do Comércio (IVC), disponibilizada pela Fundação de Economia e Estatística (FEE). Essa apresenta índices de vendas do varejo e atacado do estado do Rio Grande do Sul para algumas cidades do estado, porém disponibiliza dados apenas entre os anos 2003 e 2015. Bases de dados antigas podem ser úteis para analisar tendências históricas, mas é necessário ter cuidado para não utilizá-las como tendência de mercado atuais, o que poderia causar interpretações incorretas e previsões equivocadas.

3 PROCEDIMENTOS METODOLÓGICOS

Em vista que o presente artigo tem por objetivo especificar indicadores válidos para estudo de padrões via inteligência artificial, aqui é apresentada uma pesquisa de natureza aplicada a uma solução específica, mas básica no quesito conhecimento, já que tende a contribuir à comunidade com a especificação de regras gerenciais para futuras aplicações técnicas. Tendo em vista esse objetivo, são coletadas informações através da documental aqui proposta para listar os indicadores de possível análise, assim como suas principais fontes disponíveis, em uma abordagem qualitativa.

Além da apresentação dos indicadores encontrados, também são apresentadas simulações práticas de previsão de volume de vendas mensal macroeconômico, em âmbito nacional. Para essa finalidade são montadas bases de dados para cada tipo de atividade de varejo, com base nos indicadores encontrados no referencial teórico, com informações desde a data mais antiga disponível até março do ano 2020.

Para cada base de dados, são executadas simulações com todas combinações possíveis de agrupamento dos indicadores testados, afim de encontrar quais são mais relevantes para cada tipo de atividade com base nos dados analisados. Quanto mais preciso for o resultado de uma combinação, mais relevantes são os indicadores dela. As simulações foram executadas com o algoritmo classificador KStar6, que executa predições com base em instância fazendo uso de funções de distanciamento baseadas em entropia, analisando a similaridade do histórico com a situação analisada para premeditar um resultado. Essas simulações testam os últimos vinte e quatro meses de cada base de dados, utilizando como treinamento as informações coletadas desde a data mais antiga até o mês que está sendo testado.

Para cada simulação, foi encontrado um resultado de volume de vendas, cujo foi comparado com o real volume de vendas do mês, encontrando o erro (e) através de

𝑒 = |𝑣𝑜𝑙𝑠 – 𝑣𝑜𝑙𝑟|

onde vols é o volume simulado e volr é o volume real. Para cada simulação, é possível encontrar

qual o percentual relativo ao erro (𝑒𝑝𝑒𝑟) sobre o resultado real através de

6_{Disponível em: <https://weka.sourceforge.io/doc.stable/weka/classifiers/lazy/KStar.html>. Acesso}

(8)

XX Mostra de Iniciação Científica, Pós-Graduação, Pesquisa e Extensão Programa de Pós-Graduação em Administração | 8 𝑒_𝑝𝑒𝑟 = 𝑒 ∗ 100

𝑣𝑜𝑙_𝑟

e com isso, encontrar o percentual relativo à assertividade da previsão (𝑎𝑐𝑝𝑒𝑟), através de

𝑎𝑐_𝑝𝑒𝑟 = 100 − 𝑒_𝑝𝑒𝑟.

Para cada combinação de indicadores, foi calculado o percentual de assertividade médio através de

𝑎𝑐𝑝𝑚 =

∑𝑞𝑚𝑓_𝑞𝑚𝑖 𝑒𝑝𝑒𝑟

𝑞𝑚𝑓 − 𝑞𝑚𝑖

onde qmi é a quantidade de meses inicial e qmf é a quantidade de meses final. Também foi calculada a média de erro (𝑒𝑚) através de

𝑒_𝑚 = ∑

𝑞𝑚𝑓

𝑞𝑚𝑖 |𝑒|

𝑞𝑚𝑓 − 𝑞𝑚𝑖 para calcular o desvio padrão (edp) através de

𝑒_𝑑𝑝 = |𝑒 − 𝑒_𝑚|

e para cada combinação de indicadores, encontrar a média de desvio padrão (emdp) através de

𝑒_𝑚𝑑𝑝 = ∑

𝑞𝑚𝑓

𝑞𝑚𝑖

𝑒_𝑑𝑝 𝑞𝑚𝑓 − 𝑞𝑚𝑖 .

Através desses cálculos e das simulações com algoritmo de treinamento e predição, para cada base de dados, ou seja, para cada tipo de atividade de varejo, foi possível determinar qual combinação de indicadores apresentou maior percentual médio de assertividade em seus resultados, e para cada combinação qual foi a média de desvio padrão encontrada. A assertividade indica o percentual de acerto das predições realizadas sobre o valor real, enquanto o desvio padrão mostra a divergência do resultado encontrado sobre a média de todos os resultados, ou seja, o que foge do padrão.

4 APRESENTAÇÃO E ANÁLISE DOS RESULTADOS

Com base no referencial teórico apresentado, é possível definir alguns critérios para montagem de bases de dados com indicadores internos e/ou externos à empresa que auxiliem na previsão de características de varejo futuras. As informações resultantes dessa pesquisa não se aplicam apenas para empresas nacionais, mas também estrangeiras, dada origem das obras estudadas. O resultado apresentado se divide em duas partes: levantamento de indicadores e análise de predição de volume de vendas externas.

4.1 LEVANTAMENTO DE INDICADORES

As informações encontradas referentes aos indicadores macroeconômicos se mostraram consistentes entre os autores. Percebe-se similaridade tanto na opinião da bibliografia nacional quanto estrangeira. Apesar disso, diferentes nacionalidades exigem dados referentes ao seu país e podem apresentar diferente relevância entre os indicadores analisados. A Tabela 1 apresenta os principais indicadores citados na Seção 2.3.2, seguidos de exemplos de fontes confiáveis de informações brasileiras onde eles podem ser encontrados. Por terem relação com o custo dos produtos e com o poder de compra da população, esses são os

(9)

XX Mostra de Iniciação Científica, Pós-Graduação, Pesquisa e Extensão Programa de Pós-Graduação em Administração | 9 indicadores externos mais relevantes para entendimento de padrões de vendas, pois tem influência direta ao volume de vendas realizado pelo mercado varejista.

Tabela 1 – Indicadores externos levantados pelo referencial teórico

Indicador Fonte

Produto interno bruto (PIB) Ipeadata7

Taxa de desocupação Pesquisa Nacional por Amostra de Domicílios Contínua Trimestral8_{do IBGE}

Percentual de variação mensal da Inflação IPCA Índice Nacional de Preços ao Consumidor Amplo9

do IBGE

Taxa Selic média diária Banco Central do Brasil (BACEN)10

Valor do dólar em reais Investing.com11

Volume de vendas do setor varejista Pesquisa Mensal de Comércio (PMC)12_{do IBGE}

Fonte: Autor.

Os indicadores, quanto mais específicos forem, apresentam melhores resultados quando analisados. Caso os estados ou mesmo municípios analisados disponibilizem informações semelhantes, essas poderão aperfeiçoar a precisão de algoritmos de análise temporal. Quando executadas análises diárias, podem ser incrementados à base indicadores diários, tais como: dia da semana, se o dia é feriado nacional, estadual ou municipal, previsão do tempo (caso a análise seja local), assim como qualquer outra informação relevante ao negócio. Esses indicadores não fazem tanto sentido em análises simplesmente mensais, mas poderiam incrementar análises compostas (somatório das diárias para formar uma análise mensal com maior base de informações). Apesar da disponibilidade das informações, antes de qualquer previsão é necessário avaliar a relevância dos indicadores utilizados, conforme descrito na Seção 4.2.

Além dos indicadores externos, uma vasta quantidade de indicadores internos pode ser construída pela empresa, dependendo das informações disponibilizadas por ela. O Guia de Indicadores para Varejo disponibilizado pelo Sebrae (2016), apresenta uma série de indicadores inseridos no contexto do comércio varejista, classificados por área de gestão. Nessa relação, são listados indicadores tanto de gestão interna quanto externa. A Tabela 2 é uma compilação dos indicadores relacionados às vendas fornecidos nesse material, cuja obtenção é possível através das informações geradas pelos pontos de vendas (PDV) e sistemas de vendas online (e-commerce), indicando a respectiva área de gestão, seu objetivo, suas formas de obtenção e principais características.

Tabela 2 - Indicadores inseridos no contexto do comércio varejista voltado às vendas. (continua) Satisfação dos clientes Ticket médio

Área de gestão Marketing Área de gestão Marketing Objetivo Medir o grau de satisfação do

cliente Objetivo

Medir o valor médio de vendas por cliente

Tipologia Esforço Tipologia Resultado

7_{Disponível em: <http://www.ipeadata.gov.br/ExibeSerie.aspx?serid=38414>. Acesso em: 31 jul. 2020.} 8_{Disponível em: <https://sidra.ibge.gov.br/tabela/6397>. Acesso em: 31 jul. 2020.}

9_{Disponível em: <https://sidra.ibge.gov.br/tabela/1737>. Acesso em: 31 jul. 2020.}

10_{Disponível em: <https://www.bcb.gov.br/controleinflacao/historicotaxasjuros>. Acesso em: 31 jul. 2020.} 11_{Disponível em: <https://br.investing.com/currencies/usd-brl-historical-data>. Acesso em: 31 jul. 2020.} 12_{Disponível em: <https://sidra.ibge.gov.br/pesquisa/pmc/tabelas>. Acesso em: 31 jul. 2020.}

(10)

XX Mostra de Iniciação Científica, Pós-Graduação, Pesquisa e Extensão Programa de Pós-Graduação em Administração | 10 Fórmula de cálculo Grau de satisfação em escala Fórmula de cálculo Valor total de vendas/Nº clientes

atendidos Fonte de dados Clientes das lojas

participantes do projeto Fonte de dados Lojas participantes do projeto Unidade de medida Índice escalonado Unidade de medida R$

Polaridade Quanto maior o índice melhor Polaridade Quanto maior melhor Periodicidade Mensal Periodicidade Mensal

Vendas por canal Frequência de compras

Área de gestão Marketing Área de gestão Operacional

Objetivo

Medir o peso de retorno de cada canal sobre o

faturamento total da loja

Objetivo

Medir a quantidade de vezes em que uma compra é realizada em determinado período

Tipologia Resultado Tipologia Esforço Fórmula de cálculo

Vendas realizadas em determinado canal/Valor total de vendas

Fórmula de cálculo Periodicidade de realização de compras com os fornecedores Fonte de dados Lojas participantes do projeto Fonte de dados Fluxo de caixa da loja Unidade de medida % Unidade de medida Dias

Polaridade Quanto maior melhor Polaridade Quanto menor melhor Periodicidade Mensal Periodicidade Mensal

Taxa de rejeição Taxa de conversão

Área de gestão E-Commerce Área de gestão E-Commerce Objetivo

Medir a quantidade de usuários que deixam o site logo na primeira página

Objetivo

Medir a proporção de vendas efetivadas em relação ao número de visitas

Tipologia Esforço Tipologia Resultado

Fórmula de cálculo

Número de usuários que desistem do site ainda na primeira página/Número de visitantes

Fórmula de cálculo Número de compras

efetivadas/Número de visitantes Fonte de dados Ferramentas de análise Fonte de dados Ferramenta de análise

Unidade de medida % Unidade de medida %

Polaridade Quanto menor melhor Polaridade Quanto maior melhor Periodicidade Mensal Periodicidade Mensal

(continuação)

Reversa Faturamento

Área de gestão E-Commerce Área de gestão Financeiro

Objetivo

Medir a quantidade de retorno de mercadorias (defeito, erro no pedido, arrependimento, etc.)

Objetivo Medir o volume de vendas brutas

Tipologia Esforço Tipologia Esforço

Fórmula de cálculo

Conferência do número de entregas que retornam por motivos de direito de arrependimento, erro na entrega, troca ou defeito

Fórmula de cálculo Conferência do valor do faturamento

Fonte de dados Loja participante do projeto Fonte de dados DRE da loja participante do projeto

(11)

XX Mostra de Iniciação Científica, Pós-Graduação, Pesquisa e Extensão Programa de Pós-Graduação em Administração | 11 Unidade de medida Pedidos retornados Unidade de medida R$

Polaridade Quanto menor melhor Polaridade Quanto maior melhor Periodicidade Mensal Periodicidade Mensal/Anual Compras à prazo Itens por venda

Área de gestão Financeiro Área de gestão Marketing Objetivo

Medir a participação das compras à prazo no faturamento total da loja

Objetivo Medir o número médio de itens por venda

Tipologia Resultado Tipologia Esforço Fórmula de cálculo Volume de compras à

prazo/faturamento da loja Fórmula de cálculo

Valor total de itens vendidos/Nº clientes atendidos

Fonte de dados DRE e fluxo de caixa da loja

participante do projeto Fonte de dados Lojas participantes do projeto Unidade de medida % Unidade de medida Itens

Polaridade Quanto maior melhor

(carência de juros) Polaridade -- Periodicidade Mensal/Anual Periodicidade Mensal Número de visitantes Carrinho abandonado

Área de gestão E-Commerce Área de gestão E-Commerce Objetivo Medir a quantidade de

usuários que acessam Objetivo

Medir o número de desistências de compra (não efetivação da venda)

Tipologia Esforço Tipologia Esforço

Fórmula de cálculo Conferência do número de

usuários únicos no site Fórmula de cálculo

Conferência do número de usuários que abandonam o carrinho de compras após acrescentar itens

Fonte de dados Ferramentas de análise Fonte de dados Ferramenta de análise Unidade de medida Visitantes Unidade de medida Usuários

Polaridade Quanto maior melhor Polaridade Quanto menor melhor Periodicidade Mensal Periodicidade Mensal

Compras à vista

Área de gestão Financeiro

(conclusão) Objetivo Medir a participação das compras à vista no faturamento total da loja

Tipologia Resultado

Fórmula de cálculo Volume de compras à vista/faturamento da loja Fonte de dados DRE e fluxo de caixa da loja participante do projeto Unidade de medida %

Polaridade Quanto menor melhor Periodicidade Mensal/Anual Fonte: Adaptado de Sebrae (2016).

Essas informações são essenciais para o entendimento do fluxo de vendas, e de extrema importância para o treinamento de algoritmos de previsão interna de vendas. Elas permitem análises não só mensais, como diárias e anuais. Mesmo que dados externos auxiliem

(12)

XX Mostra de Iniciação Científica, Pós-Graduação, Pesquisa e Extensão Programa de Pós-Graduação em Administração | 12 no treinamento de algoritmos de previsão e reconhecimento de padrões, vale citar que dados internos à empresa servem para previsões de caráter interno, não para projeções macroeconômicas.

Mesmo que não citados, cada empresa também pode definir indicadores internos específicos na montagem de bases de treinamento, não apenas para previsões de volume de vendas, mas também para validação de estratégias de varejo. Por exemplo, pode ser analisado o uso de campanhas promocionais e posteriormente mensurar se o seu uso pode representar um aumento no volume de vendas, avaliando a sua efetividade. Não só campanhas, mas tipos de produtos podem ser especificados. Por exemplo, bases de dados podem armazenar o volume de vendas discriminando produtos por setores, podendo assim avaliar e projetar vendas específicas por setores, ou mesmo combinando a análise da efetividade de campanhas promocionais por setores, e assim por diante.

4.2 ANÁLISE DE PREDIÇÃO DE VOLUME DE VENDAS EXTERNAS

Analisando indicadores externos, é possível fazer previsões do volume de vendas de determinadas atividades em determinadas regiões, ou mesmo em âmbito nacional. Com finalidade de demonstrar uma abordagem fazendo uso dos indicadores selecionados, foi montada uma base de dados para cada tipo de atividade listado abaixo, cujo período de coleta dos dados é exibido após a identificação de cada item:

a) Artigos farmacêuticos, médicos, ortopédicos, de perfumaria e cosméticos: 01/2003 a 03/2020;

b) Combustíveis e lubrificantes: 03/2002 a 03/2020; c) Eletrodomésticos: 01/2011 a 03/2020;

d) Equipamentos e materiais para escritório, informática e comunicação: 01/2003 a 03/2020;

e) Hipermercados e supermercados: 03/2002 a 03/2020;

f) Hipermercados, supermercados, produtos alimentícios, bebidas e fumo: 03/2002 a 03/2020;

g) Livros, jornais, revistas e papelaria: 01/2003 a 03/2020; h) Móveis e eletrodomésticos: 03/2002 a 03/2020;

i) Móveis: 01/2011 a 03/2020;

j) Outros artigos de uso pessoal e doméstico: 01/2003 a 03/2020; k) Tecido, vestuário e calçados: 03/2002 a 03/2020;

Para cada uma dessas bases de dados, as seguintes informações foram atribuídas mensalmente:

a) Ano de referência, apenas para identificação do período cujo dado foi coletado, pois essa informação se torna relevante apenas como métrica de tempo;

b) Mês de referência, utilizado não só como métrica de tempo, mas como indicador, já que o mês pode ser um fator determinante para o volume de vendas, levando em conta que ele identifica feriados, períodos de férias, recebimento de 13º salários, etc;

c) Índice base fixa de volume de vendas no comércio varejista, com base em 100 sobre o ano de 2014;

d) Produto interno bruto (PIB) real;

e) Taxa de desocupação, na semana de referência, das pessoas de 14 anos ou mais de idade (%);

f) Percentual de variação mensal da Inflação IPCA; g) Taxa Selic média diária;

(13)

XX Mostra de Iniciação Científica, Pós-Graduação, Pesquisa e Extensão Programa de Pós-Graduação em Administração | 13 Para indicadores cujo período de análise é trimestral, foi considerado o último valor, repetindo-o nos três meses consecutivos. Com a base de testes montada, foram realizados testes para cada uma das 63 possíveis combinações dos indicadores listados acima, com exceção do ano, a fim de descobrir quais eram os indicadores mais relevantes para análise de acordo com os resultados mais precisos encontrados.

As bases de dados utilizadas contam apenas com indicadores externos, apresentados na Tabela 1, devido à possibilidade de obtenção de informações via sistemas de acesso público. Os indicadores apresentados na Tabela 2 não puderam ser utilizados, pois se referem à dados privados, que poderiam ser analisados apenas mediante liberação de alguma empresa.

A Tabela 3 apresenta os principais resultados das simulações executadas. Para cada tipo de atividade, é listada a combinação com maior assertividade, seguida da respectiva média de desvio padrão.

Fica claro que a quantidade de informações de treinamento é um fator de extrema relevância para a assertividade do algoritmo de previsão. Com exceção da base “Outros artigos de uso pessoal e doméstico” que contempla maior variedade de produtos, os resultados com menor percentual de assertividade foram encontrados nas bases de dados referentes ao varejo de móveis e eletrodomésticos, cujas informações estavam disponíveis apenas a partir de janeiro do ano de 2011. Com exceção dessas duas bases de dados, as demais apresentaram assertividade média superior à 90% na melhor combinação de indicadores. Além da análise da assertividade, as categorias cujas informações eram mais escassas, com início no ano de 2011, apresentaram maiores médias de desvio padrão, estando entre 4,49 e 5,38.

Os resultados apresentaram bastante divergência nos indicadores relevantes para cada base de dados. Isso destaca a necessidade de avaliar os indicadores analisados a cada vez que a base de treinamento dos algoritmos for alterada (no caso testado, a cada mês). Também é notável a necessidade de definir o mercado cujo volume de vendas está sendo analisado. Isso se mostra na categoria de outros produtos de uso pessoal e doméstico, que por abranger uma variedade maior de produtos, apresentar menor assertividade e maiores desvios padrões. Também se destaca a importância do mês, não só como identificador temporal dos dados, mas também como indicador, pois está presente na melhor combinação de todos tipos de atividades. Isso ocorre porque o mês, indiretamente, abrange outras características, tais como feriados, férias, décimo terceiro salário, entre outros.

(14)

XX Mostra de Iniciação Científica, Pós-Graduação, Pesquisa e Extensão Programa de Pós-Graduação em Administração | 14 Tabela 3 - Resultados de simulações de previsão do volume de vendas com IA

Artigos farmacêuticos, médicos, ortopédicos, de perfumaria e cosméticos

Indicadores analisados 𝑎𝑐𝑝𝑚 𝑒𝑚𝑑𝑝

Mês, PIB real, Taxa de desocupação (%), Inflação IPCA (%),

Taxa média diária SELIC (%) 94,79413902288000 1,4097014982362785 Eletrodomésticos

Mês 91,53834917754090 4,49343521664744

Hipermercados, supermercados, produtos alimentícios, bebidas e fumo

Mês, PIB real, Inflação IPCA (%), Taxa média diária SELIC

(%), Valor do dólar (R$) 94,01393808651717 2,073291146197363 Livros, jornais, revistas e papelaria

Mês, Taxa de desocupação (%) 92,94002683410110 3,977816562570739 Móveis e eletrodomésticos

Taxa média diária SELIC (%), Valor do dólar (R$) 88,15077579541920 2,2769183625349387 Tecidos, vestuário e calçados

(%), Valor do dólar (R$) 92,69300876815120 2,5259972458251903 Combustíveis e lubrificantes

Mês, Taxa de desocupação (%), Inflação IPCA (%) 96,48262052323330 1,8208132230855356 Equipamentos e materiais para escritório, informática e comunicação

Taxa média diária SELIC (%), Valor do dólar (R$) 82,55614702656410 1,7146979422120385 Hipermercados e supermercados

(%), Valor do dólar (R$) 93,93584651737157 2,1021728536881654 Móveis

Mês, Taxa de desocupação (%) 90,9822849106488 5,386791886489602 Outros artigos de uso pessoal e doméstico

Taxa média diária SELIC (%), Valor do dólar (R$) 86,12284214642249 4,353972879747577 Fonte: Autor.

5 CONSIDERAÇÕES FINAIS

O avanço tecnológico tem melhorado o poder de análise das empresas, que podem dedicar e direcionar seu esforço em tarefas estratégicas, automatizando atividades repetitivas e massivas. Com essa realidade, instituições governamentais têm evoluído suas formas de disponibilização de informações sensíveis à população e ao mundo corporativo, ainda que de maneira manual.

A obtenção de informações macroeconômicas ainda é manual e, quando disponíveis, são através de planilhas e arquivos de texto, e não por serviços web acessíveis por aplicações computacionais. Por esse motivo, é necessária a obtenção manual dessas informações e a montagem manual de bases de dados para utilização. A construção de indicadores internos às

(15)

XX Mostra de Iniciação Científica, Pós-Graduação, Pesquisa e Extensão Programa de Pós-Graduação em Administração | 15 instituições é muito menos burocrática, e permite criar bases de dados muito mais completas e ricas em informações. Unindo indicadores externos e internos em bases de dados, previsões de volumes de vendas podem ser realizadas utilizando algoritmos de aprendizado de máquina, além de permitir a validação e previsão de alternativas de campanhas promocionais, auxiliando lojas e corporações a avaliar as melhores estratégias a serem seguidas.

Como exibido no resultado da previsão do volume de vendas nacional por setor, a escolha certa dos indicadores permite chegar a assertividade de 96,48 por cento para diferentes segmentos. Obviamente, esse resultado é geral, e esses valores podem variar quando a previsão se referir ao volume de vendas interno da empresa. Essa pode ser uma proposta futura de estudo, podendo ser realizada em parceria com alguma empresa que disponibilize seus dados para análise, desenvolvendo uma solução específica para as informações dispostas e para o mercado analisado.

Apesar do protótipo de solução aqui apresentado ter abordado apenas o ambiente macroeconômico, os resultados permitem entender o funcionamento dessas ferramentas, que mostraram a importância da avaliação dos indicadores relevantes antes de utilizá-los para análise, assim como a relevância da definição do segmento que está sendo analisado para obtenção de resultados mais precisos, dentro do que os dados disponíveis permitirem. Em decorrência dessa precisão, o desvio padrão mostrou a necessidade de planejamento para possíveis divergências, ou seja, ao realizar previsões as empresas devem definir uma janela de erro para se prepararem a possíveis divergências, as quais podem ser causadas por situações atípicas.

O mundo presenciou uma situação não prevista esse ano, em decorrência da pandemia do Corona Vírus, o que mostra a importância de análises prévias do mercado para as empresas poderem se preparar e proteger sua saúde financeira através de estratégias focadas, além da comparação dos seus resultados com os resultados externos, de outras instituições.

Para finalizar, gostaria de citar um famoso trecho dito por Steve Jobs, que diz: “O que o computador é para mim a ferramenta mais incrível que nós já criamos. Ele é o equivalente a bicicleta para o nosso cérebro”. Adaptando essa afirmação, a inteligência artificial nada mais é do que uma ferramenta implementada através de computadores, a qual impulsiona a inteligência humana suprindo uma de suas principais limitações, que é a capacidade de analisar grandes massas de dados em tempo hábil para uso. Contudo, não basta apenas ter uma bicicleta, é necessário saber o caminho a percorrer com ela, assim como manter o equilíbrio e limitar a sua velocidade. Da mesma forma, esse artigo mostra a necessidade de entender e fornecer indicadores consistentes e válidos para o negócio, assim como direcionar os resultados de maneira correta e, assim como a limitação de velocidade de uma bicicleta, saber quanto pode se basear nos resultados encontrados.

REFERÊNCIAS

ANGELO, C. F.; FOUTO N. M. M. D. et al. Previsão de vendas no varejo brasileiro: uma

avaliação a partir de diferentes técnicas quantitativas. Revista Eletrônica de Administração, v. 16, n. 1, p. -22, 2010.

ARAUJO, E. Gestão por Indicadores no varejo: mapa de Indicadores do varejo. Disponível em: http://www.administradores.com.br/mobile/artigos/negocios/gestao-por-indicadores-no-varejo-mapa-de-indicadores-do-varejo/81065/. Acesso em: 04 jul. 2020.

ASCENCIO, A. F. G.; Campos, E. A. V. D. Fundamentos da programação ode computadores: algoritmos, pascal, C/C++ (padrão ANSI) e java. 1ª ed.: Editora Person, São Paulo, 2007.

(16)

XX Mostra de Iniciação Científica, Pós-Graduação, Pesquisa e Extensão Programa de Pós-Graduação em Administração | 16 BAUMOHL, Bernard. The secrets of economic indicators: hidden clues to future economic trends and investment opportunities. FT Press, 2012.

BOURRET, C. Standards, evaluation, certification and implications for the study of competitive intelligence. Journal of Intelligence Studies in Business, v. 2, n.1, p. 59-67, 2012.

CARRILLO, F. J. Sistemas de Capitales y Mercados de Conocimiento. World Capital Institute, Monterrey, Mexico, 2014.

COPPIN, B. Inteligência Artificial. 1ª ed.: LTC — Livros Técnicos e Científicos Editora Ltda, Rio de Janeiro, 2013.

DRUCKER, P. Harvard business review on knowledge management. Harvard Business Press, 1998.

GOLDSCHMIDT, R. Data Mining. 2ª ed.: Elsevier Editora Ltda, Rio de Janeiro, 2015. GRIFFIS, M. Economic Indicators For Dummies. John Wiley & Sons, 2012.

IDEC. Instituto Brasileiro de Defesa do Consumidor, 2020. Dólar alto impacta bolso do consumidor; veja produtos e serviços afetados. Disponível em: https://idec.org.br/dicas-e-direitos/dolar-alto-impacta-bolso-do-consumidor-veja-produtos-e-servicos-afetados.

IZIDORO, C. Avaliação de Desempenho de Empresas. 1ª ed.: Pearson Education Do Brasil, São Paulo, 2015.

KAHANER, L. Competitive Intelligence: from Black Ops to Boardrooms±How Businesses Gather, Analyze, and Use Information in the Global Market Place. New York: Simons & Schuster, 1996. MILLER, J. O milênio da inteligência competitiva. Porto Alegre: Bookman, 2002.

SAAB, W. G.; GIMENEZ L. C. Os indicadores de desempenho do comércio varejista brasileiro: uma avaliação de 1999 e as perspectivas para 2000. BNDES, 2000.

SABADIN, C.; GORDIM, M; JORDAM, J. Repasse das variações da taxa de câmbio nos preços do varejo: uma análise com dados do índice de preços ao consumidor de Campo Grande.

Sociedade Brasileira de Economia, Administração e Sociologia Rural (SOBER), Fortaleza, n. 148630, 2006.

SEBRAE. Portal Sebrae, 2016. Guia de indicadores aplicado ao varejo. Disponivel em: <https://m.sebrae.com.br/Sebrae/Portal%20Sebrae/Anexos/Download/Guia_de_Indicadores_ para_Varejo.pdf>. Acesso em: 30 jul. 2020.

TRINDADE, J.; SEGURE, L. Inovações tecnológicas e organizacionais no processo de modernização do comércio varejista. Acta Scientiarum: Technolog, v. 22, p. 1371-1387, 2000.