ANLISE DE EFICINCIA DE LOJAS DE VAREJO DE

VESTURIO COM BASE NA MODELAGEM DEA

ESTOCSTICA

Rodrigo Otvio de Araujo Ribeiro, UFF
Annibal Parracho SantAnna, UFF
Lidia Angulo Meza,UFF
Valter de Senna, SENAI-CIMATEC

Ps-Graduao em Engenharia de Produo
Sumrio
Objetivo e contextualizao
Modelagem do Problema
Anlise de dados
Concluso
Referncias Bibliogrficas

Objetivo e contextualizao
Objetivo e contextualizao
Avaliao da eficincia operacional de lojas pertencentes a uma
rede varejista de moda situada no Rio de Janeiro.
Comparao de resultados obtidos atravs de diferentes
mtodos:
DEA
DEA estocstico
Composio Probabilstica
Objetivo e contextualizao
Mercado Varejista de Vesturio
Situao
Grande evoluo nos ltimos anos.
Composto por um grande nmero pequenas lojas e fbricas com alta
adaptabilidade as tendncias de mercado.
Existncia de grandes C&A, Marisa, Renner, Hering, etc.
Fatores
Melhoria da condio econmica brasileira
Caractersticas do negcio
Vnculo no-contratual com o consumidor
Comportamento sazonal de compra
Compras pouco frequentes para a grande maioria dos clientes

Modelagem do Problema
Modelagem do Problema
DEA ESTOCSTICO: Kao e Liu (2009)
Modelos de Fronteira Estocstica (Bauer, 1990; Greene,1993)
Problema da especificao da fronteira de produo
Maior parte dos modelos considera apernas 1 output (regresso)
Bootstrap Approach (Simar and Wison , 1999 e 2000)
Clculo da eficincia atravs da reamostragem
Alternativa a tcnica aplicada por Kao e Liu (2009)





Modelagem do Problema
Exemplo: Kao e Liu (2009)






Y
B

~Uni(3,7)

DMU X Y
A 1 2
B 2 5
C 3 5
D 4 6
E 5 5
0
1
2
3
4
5
6
7
8
0 1 2 3 4 5 6
O
u
t
p
u
t
Input
A
B
C
D
E
Fronteira Eficiente VRS

B
1
B
2
B
4
B
5
7
3 , 0
3 , 4 / ) 3 (
7 , 1
Y
s

<
s
<
=
y
y y
y
F
B
B eficiente
quando Y
B
3,5

Modelagem do Problema
Exemplo: Kao e Liu (2009)
A DMU A eficiente independente dos valores de Y
B
O valor da eficincia da DMU B ser dado pela seguinte funo de densidade
acumulada:











0,867 Eff
B
1

E(Eff
B
) = 111/112 < 1 !!! O valor esperado difere do resultado do modelo
determinstico.








1
867 , 0 , 0
867 , 0 , 4 / ) 3 5 , 3 (
1 , 1
) ( ) 5 , 3 ( ) ( <

<
s
<
= = s = s
z
z z
z
z F z Y P z Eff P
B
Eff B B
Modelagem do Problema
Variveis utilizadas







Vendedores
Receita
Compras
rea
Variveis aleatrias
Normal
Triangular

Determinstica
Outputs
Inputs
Modelagem do Problema
Ajuste de parmetros das distribuies
12 meses de informaes disponveis por loja
Normal
Valor mdio
Desvio- padro
Triangular
Valor mdio
Valor mnimo
Valor mximo







Modelagem do Problema
Modelo CCR orientado : Orientao Output














y x v u
k x v y u
y u
x v h
i j
m
j
n
i
ik i jk j
m
i
jo j
n
i
io i o
, 0 ,
, 0
1
a sujeito
min
1 1
1
1
>
s
=
=

= =
=
=
Modelagem do Problema
Procedimento de clculo: Kao e Liu (2009)
Passo 1
Definir a distribuio probabilstica a ser seguida paras variveis de input
e output.
Passo 2
Calcular os parmetros associados a distribuio das variveis em cada
DMU.
Passo 3
Simular valores aleatrios para cada varivel de input e output para cada
DMU, de acordo com a distribuio de probabilidade definida a priori.
Passo 4
Aplicar o modelo DEA mais indicado com base nos valores simulados no
Passo 3 e computar os resultados.
Passo 5
Repetir os passos 3 e 4 um grande nmero de vezes (N).








Modelagem do Problema
Composio Probabilstica
Em vez de produzir escores de eficincia relativa a um nico
benchmark situado na fronteira de excelncia, compe as
probabilidades de ser melhor que cada um dos elementos avaliados
(SantAnna, 2002) ou de uma amostra destes (SantAnna e Ribeiro,
2009).
Composies probabilsticas avaliadas neste trabalho:
classificar pela probabilidade de maximizar algum output e
minimizar algum input.
otimizao em relao a todos os critrios






Anlise de Dados
Anlise de dados
Eficincias








LOJA
Modelo DEA - CCR
(Original)
Modelo DEA - CCR
(Composta)
Modelo DEA - CCR
(Estocstico:
Normal)
Modelo DEA - CCR
(Estocstico:
Triangular)
1 0,99 0,99 0,96 0,91
2 0,65 0,61 0,51 0,57
3 1,00 1,00 1,00 0,99
4 0,61 0,47 0,57 0,60
5 0,50 0,33 0,50 0,52
6 0,61 0,39 0,60 0,61
7 0,58 0,52 0,53 0,56
8 0,54 0,34 0,49 0,48
9 0,85 0,60 0,43 0,73
10 0,74 0,65 0,62 0,65
11 0,68 0,55 0,54 0,54
12 0,68 0,66 0,57 0,63
13 0,61 0,44 0,64 0,52
14 0,67 0,56 0,70 0,55
15 0,44 0,28 0,37 0,42
16 0,90 0,90 0,82 0,80
17 0,90 0,91 0,87 0,79
18 0,85 0,85 0,83 0,82
19 0,59 0,48 0,56 0,61
20 0,84 0,84 0,95 0,72
21 0,91 0,89 0,79 0,81
22 0,60 0,55 0,67 0,56
23 0,79 0,72 0,68 0,72
Anlise de dados
Correlaes entre os resultados







Correlao de
Pearson
Modelo DEA - CCR
(Original)
Modelo DEA - CCR
(Composta)
Modelo DEA - CCR
(Estocstico:
Normal)
Modelo DEA - CCR
(Estocstico:
Triangular)
Modelo DEA - CCR
(Original)
1,00
Modelo DEA - CCR
(Composta)
0,96 1,00
Modelo DEA - CCR
(Estocstico: Normal)
0,81 0,87 1,00
Modelo DEA - CCR
(Estocstico:
Triangular)
0,95 0,93 0,83 1,00
Anlise de dados
Postos







LOJA
Modelo DEA - CCR
(Original)
Modelo DEA - CCR
(Composta)
Modelo DEA - CCR
(Estocstico:
Normal)
Modelo DEA - CCR
(Estocstico:
Triangular)
1 2 2 2 2
2 14 11 19 15
3 1 1 1 1
4 15 18 15 14
5 22 22 20 20
6 16 20 13 12
7 20 16 18 17
8 21 21 21 22
9 6 12 22 7
10 10 10 12 10
11 12 14 17 19
12 11 9 14 11
13 17 19 11 21
14 13 13 8 18
15 23 23 23 23
16 5 4 6 5
17 4 3 4 6
18 7 6 5 3
19 19 17 16 13
20 8 7 3 8
21 3 5 7 4
22 18 15 10 16
23 9 8 9 9
Anlise de dados
Distribuies








Anlise de dados
Mnimos e Mximos








Mnimo Mximo Amplitude Mnimo Mximo Amplitude
1 0,89 1,00 0,11 0,56 1,00 0,44
2 0,46 0,81 0,35 0,46 0,88 0,42
3 1,00 1,00 0,00 0,68 1,00 0,32
4 0,45 0,75 0,30 0,44 0,83 0,39
5 0,44 0,67 0,22 0,36 0,79 0,44
6 0,50 0,77 0,27 0,37 0,97 0,60
7 0,50 0,73 0,23 0,44 0,87 0,42
8 0,38 0,62 0,24 0,35 0,63 0,28
9 0,40 0,48 0,08 0,59 0,94 0,35
10 0,56 0,72 0,16 0,53 0,81 0,28
11 0,52 0,72 0,20 0,41 0,99 0,58
12 0,46 0,84 0,38 0,51 1,00 0,49
13 0,62 0,69 0,07 0,22 0,81 0,59
14 0,68 0,74 0,07 0,39 0,73 0,33
15 0,30 0,45 0,15 0,34 0,57 0,23
16 0,73 1,00 0,27 0,59 1,00 0,41
17 0,83 1,00 0,17 0,55 1,00 0,45
18 0,66 1,00 0,34 0,53 1,00 0,47
19 0,47 0,71 0,24 0,46 0,87 0,41
20 0,93 1,00 0,07 0,56 0,97 0,41
21 0,61 0,94 0,32 0,64 1,00 0,36
22 0,65 0,72 0,07 0,47 0,73 0,25
23 0,56 0,99 0,44 0,54 1,00 0,46
Amplitude Mdia 0,21 0,41
LOJA
Modelo DEA - CCR (Estocstico: Triangular) Modelo DEA - CCR (Estocstico: Normal)
Anlise de dados
Teste de Normalidade







LOJA
Modelo DEA - CCR
(Estocstico: Normal)
Modelo DEA - CCR
(Estocstico: Triangular)
1 0,000 0,000
2 0,000 0,000
3 0,000 0,000
4 0,770 0,019
5 0,000 0,004
6 0,003 0,016
7 0,000 0,001
8 0,137 0,197
9 0,617 0,059
10 0,000 0,042
11 0,000 0,000
12 0,624 0,000
13 0,029 0,131
14 0,352 0,660
15 0,838 0,002
16 0,003 0,128
17 0,000 0,073
18 0,201 0,000
19 0,241 0,003
20 0,061 0,024
21 0,627 0,011 P-Valor
22 0,252 0,008 0,05
23 0,394 0,000 0,01
Anlise de dados
Regio e Shopping








0,0%
10,0%
20,0%
30,0%
40,0%
50,0%
60,0%
70,0%
80,0%
90,0%
100,0%
Modelo DEA - CCR
(Original)
Modelo DEA - CCR
(Fronteira Invertida)
Modelo DEA - CCR
(Estocstico: Normal)
Modelo DEA - CCR
(Estocstico: Triangular)
E
f
i
c
i

n
c
i
a

M

d
i
a
Regio 1 Regio 2 Regio 3 Regio 4 Regio 5

0,0%
10,0%
20,0%
30,0%
40,0%
50,0%
60,0%
70,0%
80,0%
90,0%
100,0%
Modelo DEA - CCR
(Original)
Modelo DEA - CCR
(Fronteira Invertida)
Modelo DEA - CCR
(Estocstico: Normal)
Modelo DEA - CCR
(Estocstico: Triangular)
E
f
i
c
i

n
c
i
a
M

d
i
a
Fora de Shopping Dentro de Shopping
Anlise de dados
Composio Probabilistica: Postos








Normal Triangular Normal Triangular Normal
Algum Algum Todos Todos Correlacionados
1 2 6 3 7 2
2 8 8 10 8 7
3 1 1 1 1 1
4 16 13 16 12 15
5 15 14 17 15 16
6 18 16 14 11 17
7 12 11 13 13 12
8 21 20 21 20 20
9 11 5 8 4 10
10 13 18 12 17 8
11 10 3 11 5 9
12 6 4 6 3 5
13 19 21 18 21 18
14 23 23 23 23 23
15 20 17 22 18 19
16 7 9 7 9 6
17 4 7 2 6 11
18 3 10 5 10 4
19 14 19 15 19 14
20 22 2 19 2 22
21 5 12 4 14 3
22 17 22 20 22 21
23 9 15 9 16 13
Loja
Concluses
Concluses
O conceito de eficincia de uma loja pode ser avaliado de acordo
com uma funo probabilstica.
Modelos DEA estocsticos
As amplitudes das distribuies podem ser fortemente influenciadas pela
hiptese da distribuio probabilstica definida a priori.
Quanto a ordenao, os resultados foram prximos na maior parte dos
casos.
Analisando os postos gerados, a Loja 3 foi a melhor em todas as abordagens
testadas.
6 lojas que, em ao menos uma replicao, foram consideradas eficientes.
Em relao a regio, no foram observadas grandes variaes entre as
diferentes abordagens.
A localizao em Shopping Centers se mostrou um fator relevante na
explicao das eficincias obtidas em todas as metodologias.




Concluses
Modelos DEA estocsticos: Propostas Futuras
Estudos da variabilidade entre os pesos dos inputs e outputs, assim como
anlise dos alvos e folgas, so temas que podero ser analisados em
prximos estudos.
Futuros testes com outras distribuies de probabilidade
Comparao entre os resultados gerados pelas metodologias estocsticas
baseadas em bootstrap e pelas aplicadas neste trabalho.
Composio Probabilstica
Versatilidade
Resultados muito prximo as obordagens DEA quanto a ordenao




Referncias Bibliogrficas

Referncias Bibliogrficas
Banker, R. D.,Charnes A., Cooper, W. W. (1984). Some models for
estimating technical and scale efficiencies in data envelopment analysis.
Management Science, 30, 10781092.
Charnes, A., Cooper, W. W. e Rhodes, E. (1978). Measuring the efficiency
of decision making units. European Journal of Operational Research 2, 429444.
Figueredo, D. S., Soares de Mello, J. C. C. B (2004). Avaliao de
Eficincia de Lojas do Varejo Supermercadista. Relatrios de Pesquisa em
Engenharia de Produo da UFF.
Ferrier G.D., Hirschberg J.G.(1999). Can We Bootstrap DEA Scores? Journal
of Productivity Analysis, Volume 11, Number 1, February 1999 , pp. 81-92(12).
Lins, M.P.E. , Angulo Meza, L. (2000). Anlise Envoltria de Dados e
perspectivas de integrao no ambiente do Apoio Deciso. Editora da
COOPE/UFRJ, Rio de Janeiro.
Kao, C. , Liu, S. T. (2000). Fuzzy Efficiency Measures in Data Envelopment
Analysis. Fuzzy Sets and Systems, 113, 427-437.
Referncias Bibliogrficas
Kao, C., Liu, S. (2009). Stochastic data development analysis in measuring
the efficiency of Taiwan commercial banks. European Journal of Operational
Research, 196, 312322.
Perrigot, R. , Barros, C. (2008). Technical efciency of French retailers.
Journal of Retailing and Consumer Services, 15. 296305.
SantAnna, A. P. (2002). Data Envelopment Analysis of Randomized Ranks.
Pesquisa Operacional 22, 203-215.
SantAnna, A. P. , Ribeiro, R. O. A. (2009). Statistical modeling and
probabilistic composition in the prediction of the customer lifetime value.
Benchmarking, v. 16, p. 335-350.
Simar, L. , Wilson, P. (2000). A general methodology for bootstrapping in
nonparametric frontier models. Journal of Applied Statistics 27,779802.
Zadeh, L. A. (1978) Fuzzy Sets as the Basis for a Theory of Possibility, Fuzzy
Sets and Systems, 1, 3-28.
Obrigado!