TCC Final - Marcelo Vieira de Figueiredo-orientadora Daisy.pdf

UNIVERSIDADE DE SÃO PAULO
ESCOLA DE ENGENHARIA DE SÃO CARLOS
DEPARTAMENTO DE ENGENHARIA DE PRODUÇÃO
ESTUDO DE DESEMPENHO NO MERCADO DE
FRALDAS DESCARTÁVEIS SEGUNDO ANÁLISE POR
ENVOLTÓRIA DE DADOS
Graduando: Marcelo Vieira de Figueiredo
Orientador: Prof. Dr. Daisy Aparecida do Nascimento Rebelatto
São Carlos, Dezembro de 2007
UNIVERSIDADE DE SÃO PAULO

ESCOLA DE ENGENHARIA DE SÃO CARLOS
DEPARTAMENTO DE ENGENHARIA DE PRODUÇÃO
ESTUDO DE DESEMPENHO NO MERCADO DE
FRALDAS DESCARTÁVEIS SEGUNDO ANÁLISE POR
ENVOLTÓRIA DE DADOS
Relatório de Trabalho de Conclusão de
Curso apresentado à Escola de Engenharia
de São Carlos (EESC) da Universidade de
São Paulo (USP), como parte dos
requisitos para a obtenção do Título de
Graduação em Engenharia de Produção
Mecânica
Graduando: Marcelo Vieira de Figueiredo
Orientador: Prof. Dr. Daisy Aparecida do Nascimento Rebelatto
São Carlos, Dezembro de 2007

Resumo
O objetivo geral do presente trabalho é realizar um estudo do mercado brasileiro
de fraldas descartáveis segundo a ótica das variáveis que impactam o processo de
vendas das empresas do setor.
São quatro os fundamentos capazes de impactar diretamente o processo de uma
venda: presença do item no ponto de venda, exposição em gôndola, destaque do
produto e preço. Cada um deles podem ser desdobrados em variáveis e indicadores,
utilizados para medir o quanto as empresas atuantes no setor alocam de forma eficiente
seus recursos.
Diversos fatores tornam esse segmento da indústria de bens de consumo
interessante de ser estudado. Em primeiro lugar, trata-se de um setor que cresce a taxas
superiores a 10% por ano, de acordo com dados de 2007 do institudo de pesquisas AC
Nielsen. Além disso, juntamente com sabão em pó e carnes, a fralda descartável é
capaz de definir em qual estabelecimento o consumidor realizará toda a sua compra.
Por fim, vale mencionar que a demanda pelo produto se renova completamente a cada
dois anos, e que, apesar de dominada por grandes empresas multinacionais, 30% das
vendas são feitas por empresas locais de pequeno e médio porte.
Para alcançar o objetivo proposto, será utilizada a técnica de análise por
envoltória de dados, que permite a combinação de múltiplas entradas e saídas para a
obtenção de um índice representativo do desempenho relativo entre as empresas
estudadas.
Palavras chave: Vendas, DEA, Eficiência Relativa, Fralda Descartável,

Lista de Figuras
Figura 1 – Sistema de Produção 13
Figura 2 – Esquema de Compra 20
Figura 3 – Exemplo de Exposição em Gôndola 21
Figura 4 – Display e ilha 22
Figura 5 – Demonstrador e precificador 22
Figura 6 – Modelo I CCR orientado a inputs no Solver 31
Figura 7 – Metas para a empresa 3 segundo o modelo CCR orientado a inputs 40
Figura 8 – Metas para a empresa 3 segundo modelo CCR orientado a outputs 41

Lista de Quadros
Quadro 1 – Fabricantes selecionados para a pesquisa 10
Quadro 2 – DMUs selecionadas para análise 26
Quadro 3 – Variáveis do Modelo I 28
Quadro 4 – Análise de correlação do modelo I 29
Quadro 5 – Par Input-Output inicial para o modelo I 29
Quadro 6 – Resultados do Frontier Analyst – Participação de Gôndola 30
Quadro 7 – Resultados Frontier Analyst – Preço por Fralda 30
Quadro 8 – Resultados Frontier Analyst – Giro de Inventário 30
Quadro 9 – Escolha da terceira variável – modelo I 31
Quadro 10 – Resultados das equações do Solver – modelo I 32
Quadro 11 – Resultados do CCR orientado a inputs no Solver – modelo I 33
Quadro 12 – Resultados e Metas do modelo I pelo Frontier Analyst 34
Quadro 13 – Resultados do modelo I CCR orientado a outputs 34
Quadro 14 – Resultados do modelo I BCC orientado a inputs 35
Quadro 15 – Resultados do modelo I BCC orientado a outputs 35
Quadro 16 – Variáveis do modelo II 36
Quadro 17 – Análise de correlação do modelo II 36
Quadro 18 – Variáveis do modelo II 37
Quadro 19 – Resultados do modelo II CCR orientado a inputs 37
Quadro 20 – Resultados do modelo II CCR orientado a outputs 38
Quadro 21 – Resultados do modelo II BCC orientado a inputs 38
Quadro 22 – Resultados do modelo II BCC orientado a outputs 38
Quadro 23 – Quadro resumo dos resultados – modelos I e II 39

Sumário
Resumo 3
Lista de Figuras 3
Lista de Quadros 5
1. Introdução 7
1.1 O Mercado de Fraldas Descartáveis 7
1.2 Formulação do Problema 10
1.3 Objetivos da Pesquisa 10
1.4 Relevância de Pesquisa 11
2. Revisão Bibliográfica 13
2.1 Sistemas de Produção 13
2.2 Conceitos de Eficácia, Produtividade e Eficiência 14
2.3 Métodos Paramétricos e não Paramétricos 15
2.4 A Técnica DEA 15
2.5 Implementação de um Problema DEA 16
2.6 Modelos CCR e BCC 16
2.7 Limitações da Técnica DEA 17
3. Metodologia 18
3.1 Caracterização da Pesquisa 18
3.2 Técnica de Coleta de Dados 18
3.3 O Processo da Venda 19
3.4 Descrição das Variáveis de Pesquisa 23
3.5 Etapas do Estudo de Caso 25
4. Resultados e Análises 28
4.1 Modelo I – Análise dos Supermercados 28
4.2 Modelo II – Análise das Drogarias 35
4.3 Metas para a DMU 3 no modelo II CCR 40
5. Conclusões e Sugestões para Trabalhos Futuros 42
6. Bibliografia 43

1. Introdução
1.1. O Mercado de Fraldas Descartáveis
Frada descartável é um produto que se enquadra no mercado de absorventes,
juntamente com itens destinados a higiene feminina e incontinência de adultos.
Os principais componentes de uma fralda descartável são a celulose (cerca de
80% do peso da fralda) e o gel absorvente (entre 5 e 10% do peso). A proporção entre
esses dois elementos e outros acessórios (velcros, adesivos, fibras sintéticas) são os
diferenciadores entre as fraldas de maior e menor desempenho.
Segundo dados de análise setorial do BNDES (2002), nos países desenvolvidos,
caracterizados por baixas taxas de natalidade, o mercado está fadado a um crescimento
anual na ordem de 2%. Já no Brasil que, de acordo com o instituto AC Nielsen, possui
índice de penetração (razão entre o número de usuários e o número de consumidores
potenciais) pouco superior a 70%, o mercado têm crescido a taxas anuais de pelo
menos 10%. Dentre os principais motivos apontados para tal evolução estão o aumento
gradual do poder aquisitivo da população e a proliferação de pequenas marcas que
entram no mercado com preços até 60% inferiores aos dos principais competidores do
setor, obrigando-os a também reduzirem seus preços ou estabelecerem estratégias de
lançamento de produtos com características básicas para atender a essas demandas.
Somente nos oito primeiros meses de 2007, o preço médio do mercado sofreu redução
de 4%, de acordo com estudos da Nielsen.
Dados disponibilizados pela Nielsen para este trabalho apontam que, em Agosto
de 2006, as quatro principais empresas do setor eram responsáveis por 75,3% do
volume vendido nos supermercados do país. Ainda de acordo com o Painel Setorial
7

disponibilizado pelo BNDES, 80% do consumo se concentra nas regiões sul e sudeste,
que são também as com maior poder aquisitivo.
O mercado pode ser dividido em faixas (ou tiers), de acordo com as principais
características de desempenho e preço:
SEGMENTO NOTURNO (1%): Os produtos inseridos nessa faixa são
considerados premium, por suportarem o recebimento de fluxos por períodos de
até 12h sem causar vazamentos ou qualquer tipo de incômodo ao bebê;
SEGMENTO DE ALTA PERFORMANCE (15%): Produtos que garantem
absorção por até 8h, além de entregarem outros tipos de benefício, como ajuste
diferenciado e proteção contra assaduras;
SEGMENTO DE MÉDIA PERFORMANCE (48%): Nesse segmento estão
os produtos que entregam benefícios básicos (não vazam por até 8h), com boa
relação custo/benefício;
SEGMENTO DE BAIXA PERFORMANCE (36%): Essa é a faixa que
apresenta os maiores índices de crescimento atualmente. Os produtos aqui
englobados se caracterizam por apresentarem desempenho inferior e baixo
preço.
Dois são os principais movimentos observados pelos competidores no mercado
de fraldas descartáveis. Enquanto as empresas menores se constituem como porta de
entrada para aqueles consumidores que ainda não utilizam o produto, os principais
competidores concentram esforços para fazer com que o consumidor experimente
produtos de melhor performance e maior valor agregado na tentativa de levar o
mercado como um todo para índices de rentabilidade superiores.
8

Segundo dados de uma das empresas consultadas durante a presente pesquisa, o
mercado de fraldas descartáveis se caracteriza por definir o local em que a consumidora
fará toda a sua feira. Estudos da Nielsen apontam que, no caso da compradora ir a um
estabelecimento e não encontrar a fralda que deseja, em 40% dos casos a mesma a
procurará em outra loja.
Para o estudo de caso apresentado no presente trabalho, foram selecionadas 11
empresas, dentre nacionais e multinacionais, que em conjunto comercializam 17
diferentes marcas. O Quadro 1 apresenta cada fabricante e suas respectivas marcas.
Fabricantes Produtos
Procter & Gamble Pampers
Kimberly-Clark
Turma da Mônica
Huggies
Johnson & Johnson Johnson´s Baby
Baby Looney Tunes
Aloes
Turminha Feliz
Kids Tom and Jerry
Les Enfants
Pom Pom
Pom Pom
Piui Fraldas
Plim Plim
Mabesa
Cremer Disney
Puppet
Ever Green Natural Baby
Aorta Dry Sec
Mili
Fraldas Mili
Baby Scooby-Doo
Quadro 1: Fabricantes selecionados para a pesquisa
O amadurecimento da economia brasileira decorrente da manutenção nos
últimos anos de diretrizes que, entre vários aspectos, promoveram a estabilização
monetária e o controle da inflação, alavancou o poder de compra do consumidor.
Mesmo dentre as classes de menor renda observa-se um movimento pela busca
não apenas do menor preço, mas de atributos de qualidade ligados ao bem estar e a
9

satisfação pessoal. No setor de bens de consumo, as categorias relacionadas a higiene e
beleza encontram expressivo potencial de crescimento.
1.2. Formulação do Problema
Em um mercado aquecido e que apresenta margens elevadas, no qual coexistem
empresas dos mais diversos portes, a complexidade resultante torna insuficiente a
realização de análises baseadas puramente em índices de lucratividade ou participação
de mercado. Faz-se necessário um estudo que englobe variáveis até então pouco
utilizadas em pesquisas científicas, mas de inegável importância para cada uma das
unidades inseridas no setor. Nesse contexto, a abordagem segundo o conceito de
fundamentos de venda se apresenta como adequado para o escopo do estudo que se
deseja realizar.
Assim sendo, o problema da pesquisa pode ser formulado como segue:
Como as empresas de fralda descartável no Brasil estão conduzindo as variáveis dos
fundamentos de venda no sentido de maximizar seu desempenho ?
1.3. Objetivos da Pesquisa
O presente trabalho se propõe a realizar um recorte no segmento de produtos
infantis de modo a analisar o mercado de fraldas descartáveis, estimado em seis bilhões
de unidades (ACNielsen, Fev 2007).
O objetivo geral da pesquisa é identificar, segundo o método da análise por
envoltória de dados, e sob a ótica das variáveis que impactam o processo de vendas,
quais empresas atuantes no mercado de fraldas descartáveis podem ser consideradas
eficientes em suas operações.
10

Como objetivos específicos, espera-se: 1) Caracterizar o mercado de fraldas
descartáveis brasileiro; 2) Formalizar os conceitos que envolvem o processo de vendas
de fraldas descartáveis; 3) Revisar os principais conceitos da técnica DEA para análise
de desempenho e aplica-la ao mercado em estudo; 4) Manipular o software Frontier
Analyst, largamente citado e empregado pela comunidade que estuda DEA, para
processar os modelos e interpretar os resultados obtidos.
1.4. Relevância da Pesquisa
O mercado de fraldas descartáveis apresenta uma série de características que o
tornam peculiar e interessante de ser analisado. Em primeiro lugar, trata-se de um
mercado que nos últimos anos cresceu a taxas superiores a 10%, muito acima daquelas
apresentadas pela economia brasileira como um todo. Além disso, o mercado
consumidor de fraldas apresenta a característica de se renovar completamente a cada
dois anos. Esse aspecto promove impacto direto nas ações relacionadas a comunicação
das marcas junto aos consumidores, que interfere na estratégia de investimento dos
concorrentes.
A presença de competidores locais atuando conjuntamente com empresas de
abrangência regional e global confere mais uma característica interessante ao mercado,
que sofre pressões em diversas direções, permitindo a aplicação das técnicas de
modelagem segundo diferentes pontos de vistas e contextos.
Além do estudo mercadológico, a pesquisa se constituirá em um caso prático de
aplicação do método de análise por envoltória de dados, que poderá ser utilizado
posteriormente como referência para estudos e projetos futuros nos âmbitos acadêmico
e profissional.
11

Por fim, o presente trabalho se justifica pela possibilidade de concretização do
aprendizado em Engenharia de Produção adquirido pelo formando ao longo dos anos de
convívio e interação com o ambiente acadêmico.
12

2. Revisão Bibliográfica
A revisão bibliográfica está focada na apresentação dos principais conceitos
relacionados a ferramenta DEA, que será aplicada no estudo do mercado de fraldas
descartáveis.
2.1. Sistemas de Produção
Moreira 1991 apud Athayde 2003 conceitua sistema de produção como
qualquer agente capaz de transformar insumos em produtos. A Figura 1 ilustra a
definição.
Figura 1: Sistema de produção (fonte: Athayde 2003)
Kassai (2002) afirma que a análise das curvas de produção é fundamental para a
análise de eficiência.
Segundo Charnes et al. 1981, apud Almeida et al. para a Engenharia de
Produção, qualquer sistema só pode ser avaliado a partir do momento em que são
determinadas as principais entradas e saídas que o definem.
13

2.2. Conceitos de Eficácia, Produtividade e Eficiência
Mello et al. (2005) conceituam eficácia como a capacidade de se atingir o
objetivo proposto, desconsiderando possíveis comparações com outras atividades que
levam ao mesmo fim ou a otimização de recursos para, por exemplo, maximizar os
resultados ou minimizar o consumo de entradas.
Os mesmos autores caracterizam produtividade como resultado da razão entre o
que foi produzido e os insumos necessários para tal. Esse conceito já permite a
comparação entre atividades, uma vez que será mais produtiva a atividade que
combinar melhor a utilização de seus recursos para a obtenção de produtos. Curiel
(2005 apud Almeida 2007) menciona que há um aumento de produtividade quando, a
partir de certo montante de insumos, é possível obter maior quantidade de produtos.
Mello et al. (2005) afirmam que uma maior ou menor produtividade estão relacionadas
a decisões tomadas pelas unidades em estudo, o que permite nomeá-las como Unidades
Tomadoras de Decisão (ou Decision Making Units- DMUs).
Mariano et al. 2006 conceitua eficiência como o quociente entre um
determinado indicador e o seu valor máximo. Mello et al. (2005), define-se eficiência
como a comparação entre o que foi efetivamente produzido em relação ao que poderia
ter sido realizado, dado uma determinada quantidade de recursos.
Para Farrell 1957 apud Almeida 2007, uma unidade é considerada eficiente se
atingir os níveis máximos possíveis de saídas a partir das entradas disponíveis. Além
disso, essas unidades eficientes podem servir como parâmetro para as demais
eficientes, em um processo de aprendizado contínuo definido por Lindau et al. (2001)
como benchmarking.
14

2.3. Métodos Paramétricos e não Paramétricos
Avelar (2004) distingue métodos paramétricos e não paramétricos da seguinte
maneira: o primeiro se baseia em uma relação funcional pré-definida entre recursos e
insumos, obtendo uma função de média para representar a quantidade que poderia ser
produzida.
Já os métodos não paramétricos dispensam qualquer suposição funcional
preliminar, chegando a conclusões a respeito da máxima eficiência a partir da
observação daquelas DMUs mais produtivas (MELLO et al., 2005).
2.4. A Técnica DEA
A técnica DEA, desenvolvida por Charnes, Cooper e Rhodes em 1978, tem por
objetivo ser uma alternativa ao processo de análise de desempenho de DMUs quando
essas estão sujeitas a múltiplos insumos e produtos (ou entradas e saídas) (VILELLA,
2004).
Trata-se de uma ferramenta não paramétrica de pesquisa operacional baseada
em programação linear que utiliza o conceito da Eficiência de Pareto-Koopmans,
segundo a qual uma organização é eficiente se, e somente se, não for possível elevar a
magnitude de nenhum insumo ou produto sem que haja uma redução em outro insumo
ou produto (COOPER et al., 2000).
Segundo Casa Nova (2002), a técnica se resume a obtenção de uma curva de
eficiência resultante da melhor relação possível entre entradas e saídas. A partir desse
conjunto convexo, é possível classificar cada DMU em estudo como eficiente ou
ineficiente.
Charnes et al. (1996) aponta ainda algumas características adicionais da
ferramenta: (a) produz um único valor para cada DMU, que permite a comparação de
15

desempenho entre unidades; (b) calcula o nível de ineficiência das unidades
ineficientes, permitindo a observação de áreas de oportunidade específicas.
2.5. Implementação de um problema DEA
Angulo Meza (1998) define três etapas para a resolução de um problema
utilizando a técnica de análise por envoltória de dados. São elas:
1. Definição e seleção de DMUs: A unidades em estudo devem estar inseridas
em um mesmo ambiente, operando com os mesmos objetivos e utilizando os
mesmos tipos de insumos e produtos, com variação apenas na intensidade
destes, uma vez que as DMUs devem possuir autonomia na tomada de
decisões.
2. Seleção das variáveis: Gonzalez Araya et al. (2002) sugerem que o número
de variáveis deve ser entre quatro e cinco vezes maior que o número de
DMUs estudadas, enquanto Cooper et al. (2000) afirmam que o número de
unidades tomadoras de decisão deve ser, pelo menos, três vezes maior que a
quantidade de entradas e saídas utilizadas.
3. Escolha e aplicação do modelo: Dentre os diversos modelos DEA existentes,
os mais conhecidos são o CCR e o BCC, que serão brevemente apresentados
a seguir. Além desses, outros modelos que merecem ser citados são o
aditivo e os multiplicativos variante e invariante.
2.6. Modelos CCR e BCC
O modelo CCR, baseado nos estudos de eficiência e produtividade de Farrel em
1957 e Knight em 1933, foi desenvolvido por Charnes et al. (1978) e trabalha com
16

etornos constantes de escala, ou seja, qualquer variação que ocorra nas entradas de
uma DMU provocarão variação proporcional em suas saídas (Mello et al., 2005). Por
esse motivo, o modelo também é conhecido por CRS (Constant Returns to Scale).
O modelo BCC, também denominado VRS (Variable Returns to Scale), por sua
vez reconhece retornos variáveis de escala. Matematicamente uma pequena alteração é
introduzida ao modelo CCR, que recebe uma variável adicional responsável por
conferir, graficamente, a substituição do axioma da proporcionalidade por uma
fronteira convexa. O modelo BCC foi desenvolvido por Banker et al. em 1984.
Os diferentes modelos utilizados para implementar a ferramenta DEA podem
sem orientados para os insumos (entradas) ou produtos (saídas). No primeiro caso, isso
significa reduzir as entradas de forma que a combinação ótima mantenha o mesmo
nível de saídas. No segundo caso, o patamar de insumos é mantido constante de modo a
se obter um nível superior de produtos.
2.7. Limitações da Técnica DEA
Dyson et al. (2001) apresentam as seguintes limitações para a ferramenta: (a) o
aumento no número de variáveis tende a fazer com que mais DMUs possam atingir a
fronteira de eficiência; (b) pelo fato de se tratar de uma técnica não paramétrica, existe
uma restrição quanto a formulação de hipóteses estatísticas; (c) a ferramenta converge
muito lentamente para a eficiência absoluta, uma vez que não se baseia no ótimo
teórico, mas sim na observação dos dados fornecidos e posterior definição da eficiência
relativa entre esses dados.
17

3. Metodologia
3.1. Caracterização da Pesquisa
Do ponto de vista de objetivos, será utilizado o modelo de pesquisa
bibliográfico-exploratória. Severino (2002) define pesquisa bibliográfica como o
levantamento de informações de estudos passados, por meio de livros e artigos
científicos. O mesmo autor discorre acerca de pesquisas exploratórias definindo-a como
flexível do ponto de vista do planejamento, uma vez que é utilizada sobretudo nos
casos em que o tema foi pouco explorado até então. A finalidade da pesquisa
exploratória é dar uma visão geral sobre o assunto, esclarecendo e modificando
conceitos e idéias.
3.2. Técnica de Coleta de Dados
A coleta de dados será feita de duas formas distintas:
1) Por meio de materiais de domínio público – artigos, teses, matérias, livros,
estudos de caso, entre outros meios de informação disponíveis física ou
eletronicamente.
2) A partir de dados disponibilizados por empresas do mercado de fraldas
descartáveis e do instituto de pesquisas de mercado AC Nielsen.
Após a contextualização sobre o mercado de fraldas descartáveis e a revisão
bibliográfica a respeito do método de Análise Envoltória de Dados (DEA), o presente
capítulo descreve os principais conceitos englobados no processo de vendas, as
variáveis de pesquisa adotadas e a seqüência de passos envolvidos na aplicação prática
dos conceitos até aqui apresentados.
18

3.3. O Processo da Venda
Resultados de pesquisas realizadas em pontos de venda e disponibilizados pela
agência AC Nielsen revelam dois dados importantes para a pesquisa:
1) entre 65 e 75% dos consumidores decidem o que vão comprar quando já
estão na loja e;
2) o tempo médio de compra é de 29 minutos.
De acordo com a Figura 2, o processo de decisão de uma compra se constitui
em um ciclo contínuo dividido em três etapas fundamentais: uma delas se dá dentro da
loja, em que o consumidor efetua as compras planejadas e aquelas por impulso. Ao
chegar em casa, utiliza o que foi adquirido e, a partir de experiências anteriores e/ou do
senso crítico, sente-se ou não satisfeito com o produto. Se satisfeito, é provável que na
próxima compra o produto seja novamente escolhido e que o consumidor adote a
postura de defender o item para o seu ciclo de relacionamentos, influenciando outras
pessoas a decidirem pela compra do produto, o que fecha o ciclo.
19

Figura 2: Esquema de compra
Existem quatro fundamentos que impactam diretamente no ciclo de decisão de
compra apresentado acima. São eles: presença do item na loja, correta exposição na
gôndola, atividades de destaque e preço.
Para um produto ter a chance de ser escolhido frente a todos os itens existentes
em um supermercado padrão é obrigatório que ele esteja presente na loja. Os demais
fundamentos partem da presença em loja, pois não faz sentido falar em exposição,
destaque ou preço de um item que não está a disposição do consumidor.
O segundo fundamento é o de exposição na gôndola. Em qualquer ponto de
venda, os espaços e posições preferenciais na gôndola são extremamente disputados
pelos concorrentes de cada segmento. A Figura 3 ilustra um exemplo de exposição de
fraldas descartáveis.
20

Figura 3: Exemplo de exposição em gôndola
Segundo dados da ABIHPEC (Associação Brasileira da Indústria de Higiene,
Perfumaria e Cosméticos) coletados em março de 2007, existem atualmente mais de
300 diferentes marcas de fraldas descartáveis, sendo que a Nielsen monitora cerca de
3760 versões e tamanhos distintos. Considerando que, em média, um pacote de fraldas
tenha trinta centímetros de frente, e que as lojas disponibilizem aproximadamente
quinze metros de gôndola para a categoria, distribuidos em cinco prateleiras de três
metros cada, é possível colocar em exposição aproximadamente cinqüenta pacotes do
produto, ou 1% do total de itens monitorados
Além do grande número de versões existentes, por se tratar de um produto
volumoso, maximizar o aproveitamento do espaço entre as marcas representa um
grande desafio, tanto para os pontos de venda quanto para os fabricantes.
O terceiro fundamento é o de dar destaque ao produto. Em um ponto de venda,
é possível atingir sucesso nesse fundamento de diversas formas. As Figuras 4 e 5
mostram algumas das mais comumente implementadas.
21

Figura 4: Display (esq.) e Ilha (dir.)
Figura 5: Demonstrador (esq.) e precificadores (dir.)
Uma loja adequadamente ambientada atinge diretamente os consumidores que
decidem suas compras dentro do ponto de venda. De acordo com dados da Nielsen,
64% dos consumidores que visitam as grandes redes de supermercados lêem os
panfletos de ofertas e 91% dessas pessoas acabam por adquirir, mesmo que
ocasionalmente, algum produto exposto no folheto.
22

O último dos fundamentos do processo de venda é o preço. Não adianta o
produto estar presente na loja, com a exposição correta e em destaque, se o preço
estiver fora da realidade do mercado. O preço mais adequado nem sempre é o mais
baixo, mas aquele que o consumidor encarar como justo em relação aos itens dos
concorrentes e aos benefícios que promete entregar.
3.4. Descrição das Variáveis de Pesquisa
O presente trabalho busca analisar o mercado de fraldas segundo a perspectiva
de indicadores de trade marketing. Para tal, foram utilizados dados provenientes do
institudo de pesquisas ACNielsen, especializado em coletar e interpretar indicadores
dos mais diversos segmentos do varejo, fornecendo-os em forma de produtos e
ferramentas às empresas.
O processo de coleta de dados se dá periodicamente por meio de auditores, que
visitam mensalmente um universo de mais de 800 mil lojas nos estados do Nordeste,
Sudeste, Sul e Centro Oeste e monitoram tanto os inventários quanto a situação dos
produtos no ponto de venda em si.
Para o presente estudo, foram obtidas informações de mercado junto a uma das
empresas atuantes, sob a condição de os resultados de nenhuma das DMUs analisadas
fossem identificados. As variáveis em estudo são explicadas a seguir:
DISTRIBUIÇÃO NUMÉRICA: indica o porcentual de lojas do universo que
negociaram a marca durante o período em questão. Estudos da Nielsen
monstram que, quando um determinado item não se encontra presente na loja
que a consumidora visita, em 38% dos casos ela decidirá por adquirir um
produto da concorrência;
23

PARTICIPAÇÃO DE GÔNDOLA: indica o porcentual da gôndola do
segmento em estudo que cada fabricante ocupa;
PREÇO MÉDIO POR FRALDA: é uma média, por fabricante, da razão entre
o preço regular de venda do pacote de cada produto pelo número de fraldas que
o constitui;
DISTRIBUIÇÃO PONDERADA DE PONTOS EXTRAS: como já explicado
anteriormente, ponto extra é qualquer espaço do ponto de venda, além da
gôndola natural da categoria, que contenha o produto em comercialização. Os
tipos mais comuns de ponto extra são as ilhas, pontas de gôndola e os displays.
O índice em questão indica a porcentagem de lojas que apresentam pontos
extras do fabricante, ponderada pela importância de cada loja analisada, sendo o
faturamento da loja utilizado como fator de ponderação nesse caso;
DEMANDA MENSAL (em 1000 SUs): a unidade utilizada nos dados de
demanda (SU) é uma sigla que significa Stat Unit. Trata-se de uma medida
estatística que representa o consumo anual de uma família americana de quatro
pessoas. A utilização dessa unidade permite que bens de consumo de naturezas
diferentes, como por exemplo shampoos, sabão em pó e fraldas descartáveis,
possam ser comparados e analisados em conjunto no que se refere a níveis de
produção e vendas.
PARTICIPAÇÃO EM VOLUME: trata-se da relação entre o volume (número
de fraldas) vendido por cada fabricante pelas vendas totais do segmento no
período em questão;
VENDAS EM 1000 UNIDADES: total vendidos, em unidades de fralda, no
período em análise, por fabricante;
24

seguir:
Quadro 2:
GIRO DE INVENTÁRIO (DIAS): o índice é obtido a partir da relação entre a
quantidade de estoque existente no momento da auditoria e as vendas do
produto no período de análise, multiplicado pelo período entre duas leituras.
As variáveis acima serão divididas em inputs e outputs, conforme apresentado a
INPUTS: Distribuição Numérica, Participação de Gôndola, Preço por Fralda,
Distribuição Ponderada de Pontos-Extras;
OUTPUTS: Demanda Mensal, Participação em Volume, Vendas, Giro de
Inventário.
3.5. Etapas do Estudo de Caso
A aplicação do método DEA envolverá as seguintes etapas:
1) Definição das DMUs que serão analisadas;
2) Seleção de variáveis que farão parte do modelo, a partir de um conjunto de
dados previamente levantados;
3) Construção de um ou mais modelos;
4) Processamento;
5) Análise dos resultados;
6) Conclusões críticas
Para o presente estudo, onze DMUs foram consideradas, como apresentado no
25

COMPETIDORES
ALOES
AORTA
EVER GREEN
FABRICANTES LOCAIS
JOHNSON & JOHNSON
KIMBERLY-CLARK
MABESA
MARCAS PRÓPRIAS
MILI
POM POM
PROCTER & GAMBLE
Quadro 2: DMUs selecionadas para análise
A escolha das DMUs se deu pela disponibilidade de dados para as variáveis de
loja, que alimentarão os modelos DEA. A “Fabricantes Locais” representa um agregado
de pequenas empresas com características similares e que, na data de obtenção dos
dados, eram responsáveis por 3,4% do total de fraldas descartáveis vendidas no país. Já
a DMU “Marcas Próprias” representa as marcas comercializadas pelas redes de
supermercado e farmácias, uma prática cada vez mais comum no segmento de fraldas
descartáveis e em diversas outras categorias de bens de consumo. Essa última DMU
correspondia a 2,2% das vendas de fraldas na data da pesquisa.
Os dados foram capturados pela Nielsen nos meses de Julho e Agosto de 2006,
que nessa data monitorava 875.753 lojas em todo o país. Dois recortes desse universo
se fizeram necessários por questões de disponibilidade de informações. Assim, do
universo de lojas monitoradas, que engloba bares, pequenos varejos (entre nenhum e 5
caixas registradoras), farmácias e supermercados (acima de 5 caixas registradoras), o
presente trabalho foi baseado nos dois últimos canais mencionados. A base de
farmácias totaliza 70.936 estabelecimentos (8,1% do universo total), enquanto a base
de supermercados computa 69.184 pontos de venda (7,9%).
No total serão construidos dois modelos para análise:
1) Eficiência no canal de supermercados;
26

2) Eficiência nas drogarias;
Para cada um dos modelos será feita uma análise de correlação entre as
variáveis e posterior aplicação do método multicritério de seleção de variáveis,
respeitando sempre a regra de Cooper et al. (2000).
Os modelos serão implementados utilizando o software Frontier Analyst 4,
largamente empregado em aplicações DEA encontradas na literatura por apresentar
diversas ferramentas que auxiliam as análises dos resultados. Por conta da facilidade de
processamento e do reduzido número de DMUs e variáveis envolvidas no estudo, cada
modelo será rodado nos métodos CRS e BCC, orientados para inputs e outputs. Dessa
forma será possível perceber ineficiências de escala nas DMUs em análise, conforme
apresentado na revisão bibliográfica.
Além disso, com o intuito de testar uma alternativa ao Frontier e permitir maior
familiarização com as equações que envolvem a análise por envoltória de dados, um
dos modelos será processado no Solver, ferramenta existente no Microsoft Excel.
Ambos os resultados serão apresentados e discutidos nos capítulos subsequentes.
27

DMUs
4. Resultados Obtidos
A seguir são apresentados os resultados da aplicação de DEA no estudo do
mercado de fraldas descartáveis. Cada um dos dois modelos foi processado tanto em
CCR quanto em BCC, e o modelo I sofreu implementação adicional na ferramenta
Solver.
4.1. Modelo I – Análise dos supermercados
O Quadro 3 apresenta os dados utilizados no modelo I, capturados entre os
meses de Julho e Agosto de 2006:
DISTRIBUIÇÃO
NUMÉRICA
% GÔNDOLA
PREÇO POR
FRALDA (R$)
DISTRIBUIÇÃO
PONDERADA DE
PONTOS-EXTRAS
DEMANDA
MENSAL
(1000 SU)
PARTICIPAÇÃO
EM VOLUME
VENDAS
(1000
UNIDADES)
28
GIRO DE
INVENTÁRIO
(DIAS)
1 97 29.2 0.58 10 290 28.5 62633 24
2 95 25.6 0.51 11 303 29.8 60705 22
3 82 9.2 0.55 8 75 7.3 18910 25
4 72 11.9 0.41 6 99 9.7 14874 23
5 32 4.7 0.51 2 40 4 7318 31
6 46 3.7 0.41 2 45 4.4 14412 17
7 23 1.3 0.39 2 24 2.4 4982 17
8 30 2.2 0.38 1 21 2.1 3533 23
9 19 0.5 0.44 0 8 0.8 1137 16
10 86 9.4 0.36 8 85 8.3 16046 29
11 35 1.9 0.38 1 23 2.3 4439 16
Quadro 3: Variáveis do Modelo I
A análise de correlação permitiu eliminar do processo de seleção algumas
dessas variáveis apresentadas:

DISTRIBUIÇÃO
NUMÉRICA
% GÔNDOLA
PREÇO POR
FRALDA (R$)
DISTRIBUIÇÃO
PONDERADA
DE PONTOS-
EXTRAS
DEMANDA
MENSAL
(1000 SU)
PARTICIPAÇÃO
EM VOLUME
29
VENDAS
(1000
UNIDADES)
GIRO DE
INVENTÁRIO
(DIAS)
DISTRIBUIÇÃO NUMÉRICA 1
% GÔNDOLA 0.864338035 1
PREÇO POR FRALDA (R$) 0.493500272 0.658442293 1
DISTRIBUIÇÃO PONDERADA
DE PONTOS-EXTRAS
0.974652547 0.896753345 0.555975471 1
DEMANDA MENSAL (MSU) 0.817056067 0.986670018 0.626790239 0.866489986 1
PARTICIPAÇÃO EM VOLUME 0.814897915 0.98630207 0.626797727 0.864809143 0.9999912 1
VENDAS ('000 UNIDADES) 0.811872145 0.977025519 0.667072907 0.855830914 0.9911855 0.991058816 1
GIRO DE INVENTÁRIO (DIAS) 0.449048299 0.314445533 0.338883426 0.45303898 0.23143416 0.230844726 0.202595977 1
Quadro 4: Análise de correlação do modelo I
A variável Distribuição Ponderada de Pontos-Extras foi excluída por
apresentar alta correlação com Distribuição Numérica, e por ser considerada menos
importante, de acordo com os conceitos de fundamentos de venda apresentados no
capítulo de metodologia. As variáveis Demanda Mensal e Vendas também foram
excluídas, por apresentarem alta correlação com Participação em Volume.
Para iniciar o método multicritério, foram selecionadas Distribuição Numérica
(input) e Participação em Volume (output). Pelo fato de existirem apenas onze DMUs
em estudo, o modelo final será composto por três variáveis, o que torna desnecessário
testar as possibilidades de inserção de uma quarta variável ao multicritério. Os dados de
eficiência foram obtidos a partir da aplicação do CCR orientado a outputs. A seguir são
apresentados cada um dos passos do método:
1) Par Input-Output inicial:
DMUs
DISTRIBUIÇÃO SHARE
NUMÉRICA VOLUME
1 97 28.5
2 95 29.8
3 82 7.3
4 72 9.7
5 32 4
6 46 4.4
7 23 2.4
8 30 2.1
9 19 0.8
10 86 8.3
11 35 2.3
Quadro 5: Par Input-Output inicial para o modelo I

2) Adição da variável Participação de Gôndola ao par inicial:
Unit name Score Efficient Condition
1 93.70% FALSE Amber
2 100.00% TRUE Green
3 56.00% FALSE Red
4 63.80% FALSE Red
5 64.70% FALSE Red
6 74.80% FALSE Red
7 100.00% TRUE Green
8 57.90% FALSE Red
9 86.70% FALSE Red
10 61.80% FALSE Red
11 65.60% FALSE Red
Quadro 6: Resultados do Frontier Analyst – Participação de Gôndola
3) Adição da variável Preço por Fralda ao par inicial:
Unit name Score Efficient Condition
1 93.70% FALSE Amber
2 100.00% TRUE Green
3 28.40% FALSE Red
4 42.90% FALSE Red
5 39.80% FALSE Red
6 30.50% FALSE Red
7 33.30% FALSE Red
8 22.30% FALSE Red
9 13.40% FALSE Red
10 39.50% FALSE Red
11 20.90% FALSE Red
Quadro 7: Resultados Frontier Analyst – Preço por Fralda
4) Adição da variável Giro de Inventário ao par inicial:
Unit name Score Efficient Condition
1 95.80% FALSE Amber
2 100.00% TRUE Green
3 44.80% FALSE Red
4 58.00% FALSE Red
5 100.00% TRUE Green
6 51.00% FALSE Red
7 78.70% FALSE Red
8 79.10% FALSE Red
9 86.90% FALSE Red
10 49.00% FALSE Red
11 49.00% FALSE Red
Quadro 8: Resultados Frontier Analyst – Giro de Inventário
30

Com os dados acima é possível concluir sobre a melhor variável para completar
o par inicial, como mostrado a seguir:
INPUT
OUTPUT
do modelo I.
DISTRIBUIÇÃO NUMÉRICA
PARTICIPAÇÃO EM VOLUME
VARIÁVEL I/O EF MEDIA DMUS EF SEF SDIS S
GÔNDOLA I 75.00 2 10 9 9.5
PREÇO I 42.25 1 5.63 10 7.82
GIRO O 72.03 2 9.60 9 9.30
Quadro 9: Escolha da terceira variável – modelo I
De acordo com o método, a variável Participação em Gôndola deve fazer parte
Uma vez definidas as variáveis, as equações de DEA são aplicadas para
obtenção dos índices de eficiência relativa.
A Figura 6 mostra a tela do Solver com as respectivas equações, e nos Quadros
10 e 11 estão os resultados da aplicação das equação do modelo CCR orientado a
inputs para cada DMU em análise, utilizando a ferramenta acima.
Figura 6: Modelo I CCR orientado a inputs no Solver
31

DMUs DISTRIBUIÇÃO
NUMÉRICA
% GÔNDOLA
SHARE
VOLUME
EQUAÇÕES
1 97 29.2 28.5 -7.243421
2 95 25.6 29.8 -4.978070
3 82 9.2 7.3 -2.760965
4 72 11.9 9.7 -3.497807
5 32 4.7 4 -1.333333
6 46 3.7 4.4 -0.692982
7 23 1.3 2.4 0.000000
8 30 2.2 2.1 -0.559211
9 19 0.5 0.8 -0.035088
10 86 9.4 8.3 -2.581140
11 35 1.9 2.3 -0.344298
INSUMOS 1.000000
h v1 v2 u1
0.655702 0 0.526315789 0.285087719
Quadro 10: Resultados das equações do Solver – modelo I
Nas Quadros, v1 e v2 representam os pesos das variáveis de entrada, u1 é o peso
da variável de saída e h recebe o valor que será maximizado ou minimizado,
dependendo da orientação do modelo aplicado.
32

DMU 1 2 3 4 5 6 7 8 9 10 11
1 -0.063343 -0.165653 -0.378439 -0.324542 -0.798604 -0.839343 -2.056854 -1.361321 -27.525000 -0.367405 -7.243421
2 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 -18.916667 0.000000 -4.978070
3 -0.605445 -0.192759 -0.440366 -0.377648 -0.929285 -0.976690 -2.393429 -1.584082 -10.491667 -0.427526 -2.760965
4 -0.423476 -0.184917 -0.422450 -0.362284 -0.891478 -0.936954 -2.296055 -1.519635 -13.291667 -0.410133 -3.497807
5 -0.198436 -0.073200 -0.167227 -0.143410 -0.352892 -0.370894 -0.908894 -0.601548 -5.066667 -0.162351 -1.333333
6 -0.329620 -0.049709 -0.113562 -0.097388 -0.239644 -0.251869 -0.617218 -0.408504 -2.633333 -0.110251 -0.692982
7 -0.158237 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
8 -0.240262 -0.051215 -0.117003 -0.100340 -0.246907 -0.259503 -0.635925 -0.420885 -2.125000 -0.113592 -0.559211
9 -0.169584 -0.020753 -0.047411 -0.040659 -0.100049 -0.105153 -0.257683 -0.170547 -0.133333 -0.046029 -0.035088
10 -0.613817 -0.172348 -0.393736 -0.337659 -0.830883 -0.873269 -2.139990 -1.416345 -9.808333 -0.382256 -2.581140
11 -0.285235 -0.042793 -0.097763 -0.083839 -0.206305 -0.216829 -0.531351 -0.351673 -1.308333 -0.094912 -0.344298
h 0.936657 1.000000 0.559634 0.637716 0.647108 0.748131 1.000000 0.579115 0.866667 0.617744 0.655702
v1 0.010309 0.001637 0.003740 0.003207 0.007892 0.008295 0.020327 0.013454 0.000000 0.003631 0.000000
v2 0.000000 0.032987 0.075361 0.064628 0.159030 0.167143 0.409592 0.271087 2.000000 0.073163 0.526316
u 0.032865 0.033557 0.076662 0.065744 0.161777 0.170030 0.416667 0.275769 1.083333 0.074427 0.285088
Quadro 11: Resultados do CCR orientado a inputs no Solver – modelo I
33

Após aplicação no Solver, o mesmo modelo foi processado no Frontier
Analyst, e os resultados obtidos encontram-se no Quadro 12:
Unit
name
Score
META
DISTRIBUIÇÃO
NUMÉRICA
META %
GÔNDOLA
META
SHARE
VOLUME
1 93.67 -6.3 -16.2 0
2 100 0 0 0
3 55.96 -44 -44 0
4 63.77 -36.2 -36.2 0
5 64.71 -35.3 -35.3 0
6 74.81 -25.2 -25.2 0
7 100 0 0 0
8 57.91 -42.1 -42.1 0
9 86.67 -59.6 -13.3 0
10 61.77 -38.2 -38.2 0
11 65.57 -37 -34.4 0
Quadro 12: Resultados e Metas do modelo I pelo Frontier Analyst
É importante notar que os resultados obtidos tanto no Solver quanto no Frontier
Analyst são rigorosamente iguais, o que valida as equações e etapas seguidas acima. O
mesmo aconteceu quando da aplicação do CCR orientado a outputs e BCC
inputs/outputs. Por esse motivo, as Quadros de resultado do Solver serão omitidas do
relatório a partir de agora.
O processamento do CCR orientado a outputs forneceu os seguintes resultados:
Unit
name
Score
META
DISTRIBUIÇÃO
NUMÉRICA
META %
GÔNDOLA
META
SHARE
VOLUME
1 93.67 0 -10.5 6.8
2 100 0 0 0
3 55.96 0 0 78.7
4 63.77 0 0 56.8
5 64.71 0 0 54.5
6 74.81 0 0 33.7
7 100 0 0 0
8 57.91 0 0 72.7
9 86.67 -53.4 0 15.4
10 61.77 0 0 61.9
11 65.57 -4 0 52.5
Quadro 13: Resultados do modelo I CCR orientado a outputs
34

Em seguida, o modelo I foi implementado segundo BCC, para inputs
(Quadro 14) e outputs (Quadro 15). Seguem os resultados observados:
Unit
name
Score
META
DISTRIBUIÇÃO
NUMÉRICA
META %
GÔNDOLA
META
SHARE
VOLUME
RETORNOS
DE ESCALA
1 94.42 -5.6 -16.3 0 2
2 100 0 0 0 0
3 61.37 -56.2 -38.6 0 1
4 65.33 -41.4 -34.7 0 1
5 85.01 -15 -42.1 0 2
6 83.07 -38.6 -16.9 0 1
7 100 0 0 0 0
8 74.17 -25.8 -47.7 0 2
9 100 0 0 0 0
10 69.49 -55.2 -30.5 0 1
11 65.79 -35 -34.2 0 2
Unit
name
Quadro 14: Resultados do modelo I BCC orientado a inputs
Score
META
DISTRIBUIÇÃO
NUMÉRICA
META %
GÔNDOLA
META
SHARE
VOLUME
RETORNOS
DE ESCALA
1 95.64 -2.1 -12.3 4.6 2
2 100 0 0 0 0
3 64.56 -43.4 0 54.9 2
4 67.59 -24.4 0 48 2
5 68.67 0 -7.7 45.6 1
6 86.17 -34.5 0 16 2
7 100 0 0 0 0
8 61.5 -14.4 0 62.6 2
9 100 0 0 0 0
10 71.97 -45.3 0 39 2
11 74.76 -29.2 0 33.8 2
Quadro 15: Resultados do modelo I BCC orientado a outputs
4.2. Modelo II – Análise das Drogarias
Assim como para o modelo I, os dados para o segundo modelo da pesquisa
também foram capturados entre os meses de Julho e Agosto de 2006. Foram realizados
os mesmos passos do modelo anterior, iniciando o processo com a análise de
correlação, apresentada na Quadro 16 a seguir:
35

DMUs DISTRIBUIÇÃO
NUMÉRICA
% GÔNDOLA
PREÇO POR
FRALDA (R$)
DISTRIBUIÇÃO
PONDERADA DE
PONTOS-EXTRAS
DEMANDA
MENSAL
(1000 SU)
SHARE
VOLUME
VENDAS
(1000
UNIDADES)
36
GIRO DE
INVENTÁRIO
(DIAS)
1 95 28.2 0.58 13 326 25.4 74011 37
2 96 19.2 0.54 10 263 20.4 59589 31
3 75 7.2 0.58 5 74 5.7 16689 41
4 52 9.2 0.42 7 136 10.6 30947 30
5 55 3.6 0.62 1 32 2.5 7317 47
6 32 5 0.42 2 47 3.7 10740 47
7 8 0.9 0.37 0 8 0.6 1866 44
8 21 1.9 0.35 0 71 5.5 16111 11
9 12 1.8 0.41 1 30 2.4 6880 32
10 64 19.9 0.35 11 245 19.1 55659 40
11 8 1 0.35 2 28 2.2 6399 16
Quadro 16: Variáveis do modelo II
DISTRIBUIÇÃO
PREÇO POR
% GÔNDOLA
NUMÉRICA FRALDA (R$)
DISTRIBUIÇÃO
NUMÉRICA
1
% GÔNDOLA 0.850799246 1
PREÇO POR FRALDA (R$) 0.72371332 0.380747035 1
DISTRIBUIÇÃO
PONDERADA DE
PONTOS-EXTRAS
DEMANDA
MENSAL (1000
SU)
SHARE
VOLUME
VENDAS (1000
UNIDADES)
GIRO DE
INVENTÁRIO
(DIAS)
DISTRIBUIÇÃO
PONDERADA DE PONTOS-
EXTRAS
0.84211268 0.969766221 0.320877095 1
DEMANDA MENSAL (1000
SU)
0.823153367 0.982621958 0.295986811 0.962019709 1
SHARE VOLUME 0.821761641 0.982859026 0.294596982 0.962163002 0.999988304 1
VENDAS (1000
UNIDADES)
0.822319041 0.982686165 0.294987357 0.962037866 0.999996868 0.99999574 1
GIRO DE INVENTÁRIO
(DIAS)
0.294667273 0.178098095 0.459576212 0.129493051 0.023601665 0.02412779 0.023912675 1
Quadro 17: Análise de correlação do modelo II
Da análise de correlação foi possível eliminar algumas variáveis antes de definir
o modelo: a variável Distribuição Ponderada de Pontos Extras foi eliminada da
análise por apresentar alta correlação com Participação de Gôndola, sendo que a
segunda foi mantida por constituir uma chance de o método multicritério aplicado a
esse modelo resultar nas mesmas variáveis de input e output do modelo I, o que seria
interessante para as discussões finais dos resultados. Além disso, dentre os outputs,
apenas Participação em Volume foi mantida, pelo mesmo motivo apresentado logo
acima.
Apenas duas variáveis restaram para entrar no modelo: Participação em
Gôndola e Preço por Fralda. Como a escolha da primeira variável resultaria na

definição de um modelo idêntico ao anteriormente utilizado para estudo da eficiência
nos supermercados, Preço por Fralda foi descartada.
O modelo II foi processado com Distribuição Numérica e Participação em
Gôndola como inputs e Participação em Volume como output.
COMPETIDOR DISTRIBUIÇÃO
NUMÉRICA
% GÔNDOLA
SHARE
VOLUME
1 95 28.2 25.4
2 96 19.2 20.4
3 75 7.2 5.7
4 52 9.2 10.6
5 55 3.6 2.5
6 32 5 3.7
7 8 0.9 0.6
8 21 1.9 5.5
9 12 1.8 2.4
10 64 19.9 19.1
11 8 1 2.2
Unit
name
Score
Quadro 18: Variáveis do modelo II
META
DISTRIBUIÇÃO
NUMÉRICA
META %
GÔNDOLA
META
SHARE
VOLUME
1 90.13 -9.9 -9.9 0
2 74.7 -25.3 -25.3 0
3 28.79 -71.2 -71.2 0
4 72.4 -27.6 -27.6 0
5 23.99 -82.6 -76 0
6 41.45 -58.5 -58.5 0
7 27.75 -72.2 -72.2 0
8 100 0 0 0
9 71.9 -28.1 -28.1 0
10 100 0 0 0
11 100 0 0 0
Quadro 19: Resultados do modelo II CCR orientado a inputs
37

Unit
name
Unit
name
Score
META
DISTRIBUIÇÃO
NUMÉRICA
META %
GÔNDOLA
META
SHARE
VOLUME
1 90.13 0 0 11
2 74.7 0 0 33.9
3 28.79 0 0 247.4
4 72.4 0 0 38.1
5 23.99 -27.7 0 316.8
6 41.45 0 0 141.2
7 27.75 0 0 260.3
8 100 0 0 0
9 71.9 0 0 39.1
10 100 0 0 0
11 100 0 0 0
Quadro 20: Resultados do modelo II CCR orientado a outputs
Score
META
DISTRIBUIÇÃO
NUMÉRICA
META %
GÔNDOLA
META
SHARE
VOLUME
1 100 0 0 0 0
2 100 0 0 0 0
3 29.61 -70.7 -70.4 0 1
4 86.57 -13.4 -13.4 0 1
5 30.05 -83.3 -69.9 0 2
6 41.88 -58.1 -58.1 0 1
7 100 0 0 0 0
8 100 0 0 0 0
9 72.19 -27.8 -32 0 2
10 100 0 0 0 0
11 100 0 0 0 0
Unit
name
Quadro 21: Resultados do modelo II BCC orientado a inputs
Score
META
DISTRIBUIÇÃO
NUMÉRICA
META %
GÔNDOLA
META
SHARE
VOLUME
RTS
RTS
1 100 0 0 0 0
2 100 0 0 0 0
3 56.63 -41.4 0 76.6 2
4 90.2 0 0 10.9 2
5 35.9 -48.4 0 178.6 2
6 46.03 0 0 117.2 2
7 100 0 0 0 0
8 100 0 0 0 0
9 72.53 0 0 37.9 2
10 100 0 0 0 0
11 100 0 0 0 0
Quadro 22: Resultados do modelo II BCC orientado a outputs
38

Após a implementação dos modelos I e II, é possível resumir em um quadro os
resultados obtidos:
Modelo I Modelo II
DMUs CCR inputs CCR outputs BCC inputs BCC outputs CCR inputs CCR outputs BCC inputs BCC outputs
1 93.67 93.67 94.42 95.64 90.13 90.13 100 100
2 100 100 100 100 74.7 74.7 100 100
3 55.96 55.96 61.37 64.56 28.79 28.79 29.61 56.63
4 63.77 63.77 65.33 67.59 72.4 72.4 86.57 90.2
5 64.71 64.71 85.01 68.67 23.99 23.99 30.05 35.9
6 74.81 74.81 83.07 86.17 41.45 41.45 41.88 46.03
7 100 100 100 100 27.75 27.75 100 100
8 57.91 57.91 74.17 61.5 100 100 100 100
9 86.67 86.67 100 100 71.9 71.9 72.19 72.53
10 61.77 61.77 69.49 71.97 100 100 100 100
11 65.57 65.57 65.79 74.76 100 100 100 100
Quadro 23: Quadro resumo dos resultados – modelos I e II
É interessante notar que o modelo I se comportou de maneira mais seletiva que
o modelo II (menor quantidade de DMUs na fronteira de eficiência), o que pode ser
explicado pelo fato de que no primeiro cenário a análise das variáveis se deu segundo o
método multicritério, o que melhorou a qualidade final do modelo, enquando que na
segunda situação estudada a análise de correlação restringiu as possibilidades de
seleção de variáveis.
Tanto no modelo I quanto no II observou-se semelhança nos resultados quando
da variação da orientação de inputs para outputs. Isso permite às empresas analisadas
escolher dois caminhos para atingirem a eficiência: maximizando as variáveis de saída
ou minimizando as entradas.
A DMU 2 pode ser consideradas a mais eficiente na junção entre os
supermercados e as drogarias. A empresa 7 também obteve um resultado geral
expressivo, mas no modelo II CCR apresentou o segundo pior índice de eficiência
relativa dentre todas as empresas analisadas.
As empresas 3 e 5 tiveram os piores desempenhos globais. Para efeito de
ilustração das possibilidades de ferramentas de análise fornecidas pelo Frontier
39

Analyst, uma delas será utilizada como exemplo para receber metas de benchmarking
na situação em que apresentar os níveis de eficiência mais baixos.
4.3. Metas para a DMU 3 no modelo II CCR
As DMUs de referência para a empresa 3, apontadas pelo software, são a 8 e a
11. No modelo orientado para minimização de inputs a meta é reduzir em 70% a
Distribuição Numérica e a Participação em Gôndola (Figura 7).
Figura 7: Metas para a empresa 3 segundo o modelo CCR orientado a inputs
Já para o caso da orientação a maximização de outputs, a meta passa a ser
elevar a Participação em Volume em 247% (Figura 8).
40

Figura 8: Metas para a empresa 3 segundo modelo CCR orientado a outputs
41

5. Conclusões e Sugestões para Trabalhos Futuros
A análise de eficiência relativa por meio da técnica DEA se apresenta como
alternativa robusta para a elaboração de diagnósticos e tomada de decisão. São muitas
as aplicações encontradas na literatura, em diferentes áreas que vão de modalidades
esportivas ao mercado financeiro, passando por setores públicos e privados.
Espera-se que com a abordagem apresentada nesse trabalho outras pesquisas
sejam feitas abordando a análise de empresas sob a ótica de vendas ou trademarketing.
A própria indústria de bens de consumo se constitui em uma oportunidade a ser melhor
explorada por pesquisadores e estudantes, uma vez que são poucas as pesquisas que a
analisam.
42

6. Bibliografia
ALMEIDA, M.R. (2007). Infra-estrutura produtiva: uma sistematização dos
métodos, técnicas e modelos para analisar eficiência. Dissertação de Mestrado pela
EESC, São Carlos.
ALMEIDA, M.R.; MARIANO, E.B.; REBELATTO, D.A.N. (2006). Ferramenta para
Calcular a Eficiência: Um procedimento para Engenheiros de Produção. . In:
XXXIV CONGRESSO BRASILEIRO DE ENSINO EM ENGENHARIA
(COBENGE’2006), Passo Fundo.
ASSOCIAÇÃO BRASILEIRA DA INDÚSTRIA DE HIGIENE, PERFUMARIA E
COSMÉTICOS (ABIHPEC). Setor de higiene infantil cresce 14% ao ano. 14 de
março de 2007. São Paulo. Disponível em:
http://www.abint.org.br/notícias.php?nid=1177.
ANGULO MEZA, L. (1998). Data envelopment analysis na determinação da
eficiência dos programas de pós-graduação da COPPE/UFRJ. Tese (Mestrado em
Engenharia de Produção) – COPPE, Universidade Federal do Rio de Janeiro, Rio de
Janeiro.
AVELAR, J.V.G. (2004). Modelos DEA com soma constante. Tese de Mestrado do
Instituto Tecnológico de Aeronáutica (ITA), São José dos Campos.
BANKER, R.D.; CHARNES, A.; COOPER, W.W. (1984). Some models for
estimating technical scale inefficiencies in data envelopment analysis. Management
Science, v.30, n.9, p. 1078-1092.
CASA NOVA, S.P.C. (2002). Utilização de análise por envoltória de dados (DEA)
na análise de demonstrações contábeis. Tese de doutorado da Universidade de São
Paulo, São Paulo.
CHARNES, A.; COOPER, W.; RHODES, E. (1978). Measuring efficiency of decision
making units. European Journal of Operational Research, v.1, p.429-444.
COOPER, W.; SIEFORD, L.; TONE, K. (2000). Date Envelopment Analysis. A
Comprehensive Text with Models, Applications, Reference and DEA-Solver
software. Kluwer Academic Publishers, Norwell.
43

DYSON, R.G.; ALLEN, R.; CAMANHO, A.S.; PODINOVSKI, V.V. (2001). Pitfalls
and protocols in DEA, European Journal of Operational Research, vol. 132, p.245-
259.
FARREL, M.J. (1957). The measurement os productive efficiency. Journal of the
Royal Statistical Society, v.120, series A, p.253-290.
GAZETA MERCANTIL. Consumo de fralda descartável sobe 10%. 5 de Janeiro de
2007. São Paulo. Disponível em: http://www.abint.org.br/noticias.php?nid=883.
MELLO, J.C.C.B.S.; MEZA, L.A.; GOMES, E.G.; BIONDINI NETO, L. (2005).
Curso de análise de envoltória de dados. In: XXXVII Simpósio Brasileiro de
Pesquisa Operacional, Gramado.
KASSAI, S (2002). Utilização da Análise por Envoltória de Dados (DEA) na
Análise de Demonstrações Contábeis. Tese de Doutorado pela FEA-USP, São Paulo.
LINDAU, L.A.; COSTA, M.B.B.; SOUZA, F.B.B. (2001): Em busca do benchmark
da produtividade de operadores urbanos de ônibus. In: Transportes: experiências
em rede. p. 199-221.
MARIANO, E.B.; ALMEIDA, M.A.; REBELATTO, D.A.N. (2006). Princípios
Básicos para uma Proposta de Ensino Sobre Análise Por Envoltória de Dados. In:
XXXIV CONGRESSO BRASILEIRO DE ENSINO EM ENGENHARIA
(COBENGE’2006), Passo Fundo.
SEVERINO, A.J. (2002). Metodologia do Trabalho Cientifico. São Paulo: Cortez.
TENDÊNCIAS – Janeiro/Agosto 2007. Retail Index Nielsen. Período considerado:
Dezembro/Janeiro de 2007 a Julho/Agosto de 2007 Versus Dezembro/Janeiro de 2006 a
Julho/Agosto de 2006.
VALENÇA, A.C.V. (2002). Fraldas Descartáveis – Painel Setorial. BNDES, Área de
Operações Industriais.
44