McKinsey mostra benefícios da padronização de dados de produtos
McKinsey mostra benefícios da padronização de dados de produtos

McKinsey mostra benefícios da padronização de dados de produtos

Categoria: GS1 | Autor: Vércer | Data: 09.09.2020

Melhorar a experiência do consumidor é um desafio que passa pela padronização de dados de produtos em toda cadeia de abastecimento. Dados confiáveis, completos e consistentes dos produtos ajudam a criar oportunidades e a viabilizar a experiência omnichannel, como mostra um estudo da Mckinsey & Company, divulgado no artigo “Want to improve consumer experience? Collaborate to build a product data standard” (“Quer melhorar a experiência do consumidor? Colabore para na construção de um padrão de dados do produto”, em tradução livre.

Segundo o estudo realizado em abril de 2020, muitos líderes já reconhecem que suas empresas podem padronizar os dados fundamentais para identificação de um produto – como, marca, peso, dimensões e ingredientes – e assim garantir que os consumidores tenham acesso às mesmas informações em diferentes canais e regiões geográficas.

Dados fundamentais de produtos padronizados permitem uma troca mais ágil, precisa e consistente entre indústrias e varejistas, possibilitando gastar menos tempo e dinheiro criando, corrigindo e verificando dados.

Segundo a McKinsey, dados fundamentais consistentes e confiáveis ​​são um pré-requisito para construir uma base de dados diferenciada e que permita fazer análises avançadas, utilizando por exemplo, machine learning e outras tecnologias, para gerar novas fontes de receitas, ofertas personalizadas ou recomendações.

Empresas centradas no consumidor, por exemplo, estão usando análises avançadas em diversas situações: precificação, otimização de gastos comerciais e na cadeia de suprimentos, eficiência de fabricação, modelagem avançada de inventários, automação robótica de processos e até para segurança no local de trabalho.

Compromisso de toda a cadeia

Para que a padronização possa acontecer e gerar valor para toda a cadeia de abastecimento é necessário um compromisso entre indústrias, varejistas, prestadores de serviços de conteúdo e marketplaces.

Esses esforços demandam a implantação de novos processos e maneiras de colaboração, mas valem a pena. Segundo a pesquisa da McKinsey, as empresas de bens de consumo com alta maturidade digital e analítica oferecem maior retorno total aos acionistas, como mostra o gráfico abaixo:

estudo mckinsey 2020 retorno acionista

A pesquisa indica também que líderes que utilizam a base de forma analítica tem maior maturidade de dados. Eles implementam práticas de governança de dados de produtos e gerenciam qualidade e disponibilidade de dados em toda a cadeia de valor. Quanto mais padronizados os dados, mais fácil para as empresas gerenciá-los efetivamente.

estudo mckinsey 2020 maturidade do analytics

Desafios no gerenciamento de dados

Hoje, indústrias e varejistas gastam tempo, dinheiro e energia, gerenciando dados fundamentais de produtos. Isso ocorre porque cada varejista exige uma ampla variedade de formatos de dados dos fabricantes, que levam milhares de horas para executar esse tipo de trabalho.

Os varejistas, por sua vez, utilizam um tempo significativo verificando os dados dos produtos, coletando informações de várias fontes para evitar a falta ou a imprecisão de dados, e sincronizando formatos e requisitos nos canais online e offline.

Segundo o levantamento da McKinsey, o gerenciamento e o compartilhamento de dados fundamentais do produto são dispendiosos e demorados. Na indústria, envolvem os seguintes desafios e preocupações:

  • mais de 1.000 SKUS por ano;
  • 700 atributos gerenciados por SKU;
  • 500 formatos para apoiar parceiros globais do varejo;
  • 4 semanas, em média, para preparar atributos para um novo SKU;
  • 3 a 5 pessoas por mercado dedicadas a agregar os dados de um produto.

Já no varejo os desafios e preocupações com dados de produtos são:

  • 10 a 15 interações com fornecedores para lançar cada SKU;
  • 15.000 problemas com dados incorretos de produtos por ano;
  • 5 a 10 horas de treinamento de parceiros de marca nos requisitos de dados de produtos;
  • 2 a 5 horas em média para verificar dados de um SKU;
  • mais de 90% dos produtos são enviados para verificação física.

Padronização de dados é a solução

O estudo conclui que as empresas podem trabalhar juntas para definir um modelo de dados do produto padronizados. O grande desafio é que os dados diferem entre regiões e categorias de produtos. Por exemplo, os alimentos são identificados como halal, kosher ou sem amendoim, enquanto a roupa exige informações, como cor, tecido, tipo e tamanho. Portanto, um modelo padronizado de dados precisaria definir requisitos em diferentes níveis e ser flexível o suficiente para considerar atributos locais e por categoria.

Para definir e desenvolver um modelo de dados padronizados, o estudo da McKinsey recomenda que utilizem como referência esforços históricos para criar padrões setoriais, a exemplo da GS1, que tem atuação global e ampla experiência em iniciativas intersetoriais, como identificação com códigos de barras, intercâmbio eletrônico de dados (EDI) e identificação por radiofrequência (RFID). A entidade desempenha um papel neutro e coordena o esforço entre varejistas, indústrias, fornecedores de soluções em TI e órgãos reguladores.

Aliás, a GS1 desenvolveu uma abordagem em camadas para delinear atributos dependendo da categoria e dos requisitos locais:

estudo mckinsey 2020 camadas atributos de produtos gs1

Essa abordagem, iniciada como parte do “Projeto Data Leapfrog” do Consumer Goods Forum, está sendo testada em alimentos e outras categorias com donos de marca e varejistas na Ásia, Europa, América do Norte e do Sul. Uma vez implantado para alimentos, pode ser dimensionada para outras categorias também.

Benefícios da padronização de dados na cadeia de abastecimento

O estudo da McKinsey indica vários benefícios da adoção de um modelo de dados padronizado para empresas e consumidores. Veja a seguir.

estudo mckinsey 2020 beneficios padrao de dados no curto e longo prazo

– Com dados de produtos mais consistentes e de alta qualidade, os consumidores poderão pesquisar e avaliar produtos mais facilmente, tomar melhores decisões, aumentando a confiança nos varejistas e nas marcas.

– Com base nas previsões de mais de 15 varejistas e indústrias entrevistados, espera-se que as empresas em um primeiro momento, tenham um aumento de 5% a 10% nas vendas on-line devido à melhor disponibilidade de dados e capacidade de pesquisa de produtos no curto prazo.

-Como os consumidores têm informações sobre os produtos antes da compra, os varejistas devem receber menos retornos/devoluções.

-Um modelo padronizado de dados  pode acelerar o lançamento de produtos, reduzindo atrasos devido a falhas e erros de dados. Também pode diminuir as barreiras à entrada de novos players, pois simplificará as parcerias entre novas indústrias e varejistas.

– A longo prazo, a padronização levará ao aumento da consistência, contexto e confiabilidade dos dados do produto, pré-requisitos para a criação de valor em aplicações de machine learning, inteligência artificial e outras tecnologias. Essas tecnologias podem fornecer vantagens competitivas, como ofertas personalizadas e preços dinâmicos.

– Os fabricantes pesquisados esperam um modelo padrão para reduzir esforços em torno de 40 a 60% na compilação de dados, economizando algumas dezenas de milhares de horas de trabalho por ano.

– A padronização de atributos e definições reduzirá a complexidade do gerenciamento e governança de dados e, com o tempo, reduzirá o número de incidentes relacionados a dados e a necessidade de verificação física de produtos. À medida que mais dados se tornam disponíveis em formatos padronizados, as empresas aprenderão mais com as análises avançadas.

– Os varejistas consultados esperam que um modelo padronizado de dados reduza o esforço de verificar a integridade e a qualidade dos mesmos em torno de 30 a 50%. Eles não precisarão mais criar seus próprios modelos para cada nova categoria ou treinar novos parceiros nos requisitos de dados utilizados.

Clique aqui e confira o estudo completo (em português).