Resumo Executivo

Arissa Bernardo Ivasita; Fernando Celso de Campos

Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

O objetivo deste trabalho foi desenvolver um painel visualizador interativo (dashboard) e realizar uma avaliação gerencial dos dados de solicitações de transferências de produtos acabados de uma empresa brasileira do setor de beleza, visando aumentar a acessibilidade da informação e otimizar a tomada de decisão. A iniciativa buscou transformar grandes volumes de dados operacionais em inteligência de negócios acionável para uma gestão mais estratégica dos processos logísticos. A complexidade da cadeia de suprimentos da empresa, com múltiplas fábricas e centros de distribuição, resultava em informações dispersas, dificultando uma visão consolidada das operações. A proposta centrou-se na criação de uma ferramenta centralizada para consolidar e apresentar os dados de forma intuitiva, facilitando a identificação de padrões, gargalos e oportunidades de melhoria.

A relevância do estudo se insere no contexto do mercado brasileiro de beleza, o terceiro maior do mundo (ABIHPEC, 2025), que exige estratégias logísticas eficientes para atender a um mercado vasto e diversificado, como a alocação de produtos em centros de distribuição regionais (Ferro, 2010). A gestão da cadeia de suprimentos (Supply Chain) é um diferencial competitivo, integrando o fluxo de materiais e informações desde fornecedores até o cliente final para otimizar recursos (Figueiredo e Arkader, 1998). A tecnologia da informação é crucial nesse processo, permitindo uma coordenação eficaz e comunicação assertiva entre os elos da cadeia para atender às demandas dos clientes com agilidade (Hilsdorf et al., 2009).

A transformação digital aumentou a coleta de dados, mas informações não visualizadas ou tratadas são um ativo subutilizado (Nabil et al., 2023). Decisões baseadas apenas em conhecimento tácito, sem análise de dados estruturada, são estáticas e incapazes de se adaptar a novas realidades (Bousdekis et al., 2021). O processamento dinâmico de dados, convertendo grandes volumes de informações em insights para projeção de estratégias, é essencial para a gestão logística moderna (Moori et al., 2022). A visualização de dados serve como ponte entre dados brutos e a compreensão humana, permitindo consulta rápida e exploração de ideias (Toasa et al., 2018). A representação gráfica simplifica a complexidade e facilita a identificação de padrões, aproveitando a capacidade do sentido da visão (Sadiku et al., 2016; Nascimento e Ferreira, 2005).

Nesse contexto, os painéis gerenciais (dashboards) são ferramentas poderosas. Um dashboard simplifica um grande volume de dados complexos em informações gerenciáveis e personalizadas, como o painel de um veículo (Kumar e Belwal, 2017; Vázquez-Ingelmo et al., 2019). Para ser eficaz, seu desenvolvimento deve ser orientado ao público-alvo e às questões que precisa responder. O conceito de “Storytelling with Data” é fundamental, pois construir uma narrativa visual com dados torna a informação mais atraente e persuasiva (Liem et al., 2020). O desafio é utilizar elementos visuais para contar uma história coerente que facilite a transmissão de conhecimento (Knaflic, 2015; Echeverria et al., 2021).

A adoção de ferramentas de Business Intelligence (BI) reflete essa necessidade. Softwares como o Microsoft Power BI se destacaram por permitir o tratamento de dados e o desenvolvimento de painéis interativos de forma acessível (Town e Thabtah, 2019). O Power BI, que evoluiu de funcionalidades do MS-Excel® como Power Query e Power Pivot, oferece uma plataforma para conectar fontes de dados, modelá-los e criar visualizações dinâmicas (Howson et al., 2019; Ferrari e Russo, 2016). A oportunidade deste trabalho foi aplicar essas tecnologias para sintetizar os dados do processo de transferência de produtos da empresa, criando um painel para promover uma cultura de decisão orientada por dados.

A abordagem metodológica foi estruturada em quatro etapas. A primeira foi a delimitação da abrangência dos dados, focando nas transferências com origem nas três unidades fabris (F1, F2, F3) e destino aos quatro centros de distribuição (CD1, CD2, CD3, CD4), todas em diferentes regiões do Brasil e com transporte rodoviário. Essa delimitação cobriu aproximadamente 90% do volume total de produtos movimentados, permitindo uma análise representativa. O período de análise foi restrito ao primeiro quadrimestre de 2025.

A segunda etapa foi a definição das bases de dados. As informações estavam dispersas em três bases distintas em formato de planilhas: “Base Transferências” (registro diário de solicitações), “Base Atendimento Logístico” (status e justificativas de cada solicitação) e “Base Estoque Livre” (quantidade diária de produto disponível em cada fábrica). A seleção dessas fontes foi crucial para conectar a demanda, a execução e a restrição do processo.

A terceira etapa, de sistematização e tratamento dos dados, envolveu a extração e consolidação das informações em MS-Excel®, seguida por um processo de limpeza para excluir dados não relevantes. Para garantir a confidencialidade, dados sensíveis foram anonimizados, como nomes de planejadores e siglas para as instalações. Utilizando o Power Query, o processo de extração e consolidação foi automatizado. As bases tratadas foram unificadas em uma única planilha; foram criados novos indicadores quantitativos e qualitativos, como a taxa de atendimento e a frequência dos motivos de não atendimento.

A quarta etapa foi o desenvolvimento do painel gerencial no MS-Power BI®. A base de dados unificada foi importada, modelada e transformada em elementos visuais. O design do dashboard foi projetado para ser intuitivo, com cartões para KPIs, gráficos de barras e colunas para comparações, e gráficos de linhas para análise de tendências. Um componente essencial foi a implementação de segmentadores de dados (filtros) para permitir que o usuário interagisse com os visuais, aprofundando a análise por período, produto, planejador, origem ou destino. O processo completo durou aproximadamente de 20 a 30 dias.

Os resultados obtidos com o painel gerencial forneceram uma visão clara do desempenho do processo de transferência. A consolidação dos dados do primeiro quadrimestre de 2025, cobrindo 90% da movimentação, permitiu uma análise aprofundada. A base unificada, após limpeza, anonimização e enriquecimento com novos indicadores, tornou-se a espinha dorsal do dashboard. A interface foi organizada em duas visualizações principais, com uma combinação de filtros, cartões de indicadores e gráficos interativos.

A interatividade do dashboard, por meio dos filtros de período, material, planejador, origem, destino e status, permitiu que os gestores segmentassem a análise de forma granular. Os cartões de indicadores no topo do painel ofereceram um resumo executivo das métricas críticas: quantidade total de solicitações, volumes atendidos e não atendidos, taxas percentuais e estoque livre. A criação de medidas como a taxa de atendimento e a taxa de não atendimento (corte) foi crucial para padronizar a avaliação de desempenho.

O gráfico de barras “Atendido x Não Atendido” mostrou um aumento progressivo no percentual de atendimento logístico ao longo dos meses. Para entender as falhas, o gráfico “Solicitações Não Atendidas x Motivo” indicou que os dois principais motivos para o não atendimento eram “capacidade de expedição” e “falta de estoque”, somando mais de 91% das ocorrências. Este achado direcionou o foco da gestão para dois gargalos operacionais críticos.

A análise temporal, via gráfico de linhas “Visão Mês”, mostrou um ponto de inflexão entre janeiro e fevereiro, quando a quantidade de atendimentos superou a de não atendimentos, tendência que se manteve. A análise por planejador, com um gráfico de barras agrupadas, permitiu uma visão comparativa do desempenho individual. Foi possível selecionar um planejador específico, como o “T20”, e analisar seu volume de solicitações versus o atendimento. A visualização também revelou que, em casos como o do planejador “AC5”, a quantidade atendida era superior à solicitada, o que ocorria quando a logística ajustava a quantidade para otimizar o transporte, aproveitando a disponibilidade de estoque.

A análise por local de operação demonstrou que a unidade F1 era a principal fonte de não atendimentos. Em contrapartida, a fábrica F2 apresentou uma melhoria notável, com sua taxa de atendimento saltando de 35,9% para 72% no período. A fábrica F3 mostrou um desempenho mais instável. A análise por centro de distribuição revelou que os CDs CD1, CD2 e CD4 tiveram aumento nas quantidades atendidas, enquanto o CD3 teve um comportamento atípico, com um pico de atendimentos seguido por um decréscimo, sugerindo possíveis limitações na capacidade de recebimento.

A implementação do dashboard representou uma mudança significativa para a gestão. Antes, a análise era manual, consumindo tempo de dois analistas com múltiplas planilhas. Com a nova ferramenta, a visualização tornou-se centralizada, os dados tratados e a atualização praticamente simultânea, permitindo que um único analista gerenciasse o processo. A tomada de decisão passou a ser suportada por recursos visuais interativos e indicadores claros, promovendo uma cultura mais analítica.

A discussão dos resultados apontou para oportunidades de melhoria. O fato de mais de 91% dos não atendimentos serem causados por capacidade de expedição e falta de estoque direcionou a atenção para ações estratégicas. A limitação na capacidade de expedição sugere a necessidade de avaliar investimentos em transporte ou mão de obra. As falhas por falta de estoque sinalizaram problemas operacionais, como planejadores solicitando transferências sem verificar a disponibilidade ou uma morosidade no sistema de informação; um produto já alocado ainda aparece como disponível. Ambos os cenários destacam a necessidade de aprimorar processos e a acuracidade dos sistemas.

A implementação do painel gerencial foi uma solução eficaz para a gestão de dados de transferência. A transição de planilhas dispersas para uma plataforma de visualização centralizada e automatizada foi um avanço significativo. O dashboard sintetizou um grande volume de dados em inteligência estratégica por meio de métricas e gráficos interativos. A capacidade de interação do usuário permitiu uma análise crítica guiada, fomentando um entendimento mais profundo da dinâmica operacional e habilitando discussões mais informadas entre as equipes. A análise diária do painel pode mitigar futuras solicitações indevidas, pois os planejadores ganham visibilidade sobre o status de seus pedidos.

Apesar dos benefícios, o estudo possui limitações. A análise foi restrita ao primeiro quadrimestre de 2025, necessitando de acompanhamento contínuo para validar as tendências. Como trabalho futuro, propõe-se conectar as bases de dados para atualização diária, tornando a informação instantânea. Além disso, o escopo poderia ser expandido para integrar transferências entre centros de distribuição, solidificando a visão sobre todas as movimentações. Outra melhoria seria a segmentação entre produtos de linha regular e de lançamento, permitindo uma análise diferenciada. Conclui-se que o objetivo foi atingido: demonstrou-se que o desenvolvimento e a aplicação de um painel gerencial interativo otimizam a análise de dados de transferência de produtos, aumentando a acessibilidade da informação e promovendo uma tomada de decisão mais ágil e assertiva na cadeia de suprimentos.

Referências:
Associação Brasileira da Indústria de Higiene Pessoal, Perfumaria e Cosméticos [ABIHPEC]. 2025. Panorama do Setor 2024. Disponível em: https://abihpec. org. br/publicacao/panorama-do-setor-24/. Acesso em: 17 mar. 2025.
Bousdekis, A.; Lepenioti, K.; Apostolou, D.; Mentzas, G. 2021. A review of data-driven decision-making methods for industry 4.0 maintenance applications. Eletronics 10(7). 828.
Echeverria, V.; Lawrence, L. Tsai, Y. S.; Martinez-Maldonado, R.; Fernandez-Nieto, G. M. 2021. A tutorial on data storytelling tecniques for learning analytics dashboards. In: A Tutorial on Data Stroytelling for Learning Analytics Dashboards 2021, 2021, New York, NY, EUA. p. 421-424.
Ferrari, A.; Russo, M. 2016. Introducing Microsoft Power BI. 1ed. Microsoft Press, Redmon, WA, EUA.
Ferro, A. F. P. 2010. Gestão da Inovação Aberta: Práticas e Competências em P&D Colaborativa. Tese de Doutorado em Política Científica e Tecnologia. Instituto de Geociências, Universidade Estadual de Campinas, Campinas, SP, Brasil.
Figueiredo, K.; Arkader, R. 1998. Da distribuição física ao supply chain management: o pensamento, o ensino e as necessidade de capacitação em logística. Revista Tecnologística 1(33): 16-21.
Hilsdorf, W. C.; Rotondaro, R. G.; Pires, S. R. I. 2009. Integração de processos na cadeia de suprimentos e desempenho do serviço ao cliente: um estudo na indústria calçadista de Franca. Gestão & Produção 16(2): 232-244.
Howson, C.; Richardson, J.; Sallam, R.; Kronz, A. 2019. Magic Quadrant for Analytics and Business Intelligence Platforms. Retrieved Aug 16(1): 1-60.
Knaflic, C. N. 2015. Storytelling With Data: A Data Visualization Guide For Business professionals. 1ed. John Wiley & Sons, Hoboken, NJ, EUA.
Kumar, S. M.; Belwal, M. 2017. In: 2017 International Conference On Smart Technologies For Smart Notion (SmartTechCon), 2017, Noida, UP, IN. p. 1201-1207.
Liem, J.; Perin, C.; Wood, J. 2020. Structure and empaty in visual data storytelling: evaluting their influence on attitude. Computer Graphics Forum 39(3): 277-289.
Moori, R. G.; Basso, L. F. C.; Nakamura, W. T. R. 2022. Supply chain como um fator de geração de valor: uma aplicação do conceito de eva ®. RAM. Revista de Administração Mackenzie 1(1): 104-125.
Nabil, D. H.; Rahman, M. H., Chowdhury, A. H.; Menezes, B. C. 2023. Managing supply chain performance using a real time microsoft power bi dashboard by action desing research (adr) method. Congent Engineering 10(2): 2257924.
Nascimento, H, A, D.; Ferreira, C. B. R. 2005. Visualização de informações – uma abordagem prática. In: XXV Congresso da Sociedade Brasileira de Computação.
Sadiku, M. N. O.; Shadare, A. E.; Musa, S. M.; Akujuobi, C. M. 2016. Data visualization. International Journal of Engineering Research And Advanced Technology (IJERAT) 2(12): 11-16.
Toasa, R.; Maximiano, M.; Reis, C.; Guevara, D. 2018. Data visualization techniques for real-time information – a custom and dynamic dashboard for analyzing surveys’ results. In: 2018 13th Iberian Conference on Information Systems and Technologies (CISTII), 2018, Cáceres, EX, ES. p. 1-7.
Town, P.; Thabtah, F. 2019. Data Analytics Tools: A User Perspective. Journal of Information & Knowledge Management, Vol. 18, No. 1. 1950002 (16 pages).
Vázquez-Ingelmo, A.; García-Peñalvo, F. J.; Therón, R. 2019. Information dashboard and tailoring capabilities – a system literature review. IEEE Acess 7(1): 109673-109688.

Resumo executivo oriundo de Trabalho de Conclusão de Curso de Especialização em Data Science e Analytics do MBA USP/Esalq

_{Saiba mais sobre o curso; clique aqui:}