Painel da cadeia de suprimentos do Power BI: visibilidade e rastreamento de desempenho

A visibilidade da cadeia de suprimentos não é um luxo – é a diferença entre uma remessa atrasada que custa ao cliente e uma que é redirecionada antes que o cliente saiba que houve um problema. As organizações com análises maduras da cadeia de suprimentos reduzem os custos de manutenção de estoque em 15 a 25%, melhoram as taxas de atendimento de pedidos em 10 a 20% e cortam os gastos com logística em 8 a 15%. O Power BI torna essa visibilidade possível conectando dados de sistemas ERP, sistemas de gerenciamento de armazém, sistemas de gerenciamento de transporte e portais de fornecedores em uma única visão analítica.

O desafio não é conectar os dados. O desafio é projetar painéis que apresentem as métricas certas na granularidade certa para cada público – desde o gerente do armazém que rastreia a precisão da seleção atual até o vice-presidente da cadeia de suprimentos que avalia trimestralmente o desempenho do fornecedor e o planejamento de capacidade.

Este guia cobre a arquitetura completa de um painel de análise da cadeia de suprimentos no Power BI, incluindo o modelo de dados, definições de KPI, medidas DAX, design de visualização para gerenciamento de estoque, desempenho de fornecedores, atendimento de pedidos, planejamento de demanda, custos logísticos e operações de armazém.

---

Modelo de dados para análise da cadeia de suprimentos

Tabelas principais

Os modelos de dados da cadeia de suprimentos são mais amplos que os modelos financeiros ou de RH porque abrangem vários sistemas operacionais.

Dimensão do produto (DimProduct). Dados mestre do produto, incluindo ProductID, SKU, ProductName, Categoria, Subcategoria, UnitOfMeasure, Peso, Volume, UnitCost, ReorderPoint, SafetyStock, LeadTimeDays, ABCClassification (os itens A representam 80% do valor, os itens B 15%, os itens C 5%) e IsActive.

Dimensão do fornecedor (DimSupplier). Dados mestre do fornecedor, incluindo SupplierID, SupplierName, País, Região, Categoria (matérias-primas, componentes, produtos acabados, embalagens), QualityRating, OnTimeDeliveryRating, LeadTimeDays (contratado), PaymentTerms e IsCritical (booleano para fornecedores de fonte única ou de alto valor).

Dimensão de localização (DimLocation). Armazéns, centros de distribuição e localizações de lojas, incluindo LocationID, LocationName, LocationType (armazém, CD, loja, cross-dock), Endereço, País, Região, Capacidade (unidades ou pés cúbicos) e OperatingCost.

Tabela de fatos de instantâneo de inventário (FactInventorySnapshot). Instantâneos diários de níveis de inventário. As colunas incluem SnapshotDate, ProductID, LocationID, QuantidadeOnHand, QuantidadeAllocada, QuantidadeDisponível, QuantidadeOnOrder, UnitCost e TotalValue.

Tabela de fatos do pedido de compra (FactPurchaseOrder). Pedidos de compra com detalhes em nível de linha. As colunas incluem POID, POLineID, SupplierID, ProductID, OrderDate, RequestedDeliveryDate, ActualDeliveryDate, QuantidadeOrdered, QuantidadeRecebida, UnitPrice, IsOnTime (booleano), IsInFull (booleano) e QualityPassRate.

Tabela de fatos de pedidos de vendas (FactSalesOrder). Pedidos de clientes com acompanhamento de atendimento. As colunas incluem SOID, SOLineID, CustomerID, ProductID, LocationID, OrderDate, RequestedShipDate, ActualShipDate, ActualDeliveryDate, QuantidadeOrdered, QuantidadeEnviada, IsOnTime, IsInFull, IsDamageFree e IsDocumentCorrect.

Tabela de fatos de remessa (FactShipment). Registros de transporte, incluindo ShipmentID, CarrierID, OriginLocationID, DestinationLocationID, ShipDate, DeliveryDate, Peso, Volume, FreightCost, Modo (caminhão, ferroviário, marítimo, aéreo) e ServiceLevel (padrão, acelerado, noturno).

Dimensão de data (DimDate). Tabela de data padrão.

---

Métricas de gerenciamento de estoque

KPIs essenciais de inventário

Inventory Value =
SUM(FactInventorySnapshot[TotalValue])

Inventory Turns =
DIVIDE(
    CALCULATE(SUM(FactSalesOrder[QuantityShipped]) * AVERAGE(DimProduct[UnitCost])),
    AVERAGE(FactInventorySnapshot[TotalValue]),
    0
)

Annualized Inventory Turns =
VAR MonthsInPeriod =
    DATEDIFF(MIN(DimDate[Date]), MAX(DimDate[Date]), MONTH) + 1
RETURN
    [Inventory Turns] * (12 / MonthsInPeriod)

Days of Supply =
VAR AvgDailyDemand =
    DIVIDE(
        CALCULATE(SUM(FactSalesOrder[QuantityOrdered])),
        DATEDIFF(MIN(DimDate[Date]), MAX(DimDate[Date]), DAY) + 1,
        0
    )
RETURN
    DIVIDE(
        SUM(FactInventorySnapshot[QuantityAvailable]),
        AvgDailyDemand,
        0
    )

Stockout Rate =
DIVIDE(
    CALCULATE(
        COUNTROWS(FactInventorySnapshot),
        FactInventorySnapshot[QuantityAvailable] <= 0
    ),
    COUNTROWS(FactInventorySnapshot),
    0
)

Overstock Rate =
DIVIDE(
    CALCULATE(
        COUNTROWS(FactInventorySnapshot),
        FactInventorySnapshot[QuantityAvailable] > DimProduct[ReorderPoint] * 3
    ),
    COUNTROWS(FactInventorySnapshot),
    0
)

Inventory Accuracy =
-- Requires cycle count data
DIVIDE(
    CALCULATE(COUNTROWS(FactCycleCount), FactCycleCount[SystemQty] = FactCycleCount[ActualQty]),
    COUNTROWS(FactCycleCount),
    0
)

Design de visualização de estoque

Página 1 do painel: Integridade do inventário.

Linha superior: cartões KPI para valor total de estoque, giro de estoque, dias de fornecimento, taxa de ruptura de estoque e taxa de excesso de estoque. A formatação condicional sinaliza taxas de ruptura de estoque acima de 2% e fica abaixo da meta em vermelho.

Seção intermediária: um gráfico de dispersão com valor de estoque no eixo Y e giros no eixo X, com cada bolha representando uma categoria de produto. Os produtos no quadrante superior esquerdo (alto valor, baixo giro) são a maior oportunidade de otimização – eles vinculam capital sem contribuir com receita proporcional.

Seção inferior: Uma tabela listando os produtos classificados por dias de fornecimento (crescente) mostrando os itens mais próximos da ruptura de estoque. Inclua colunas para nome do produto, estoque atual, taxa de demanda diária, dias de fornecimento, ponto de reabastecimento e quantidade sob pedido. Aplique formatação condicional: vermelho para estoque abaixo de segurança, âmbar para abaixo do ponto de pedido, verde para estoque adequado.

Visualização de análise ABC

A classificação ABC segmenta os produtos por sua contribuição para o valor total do estoque ou vendas. Visualize isso como um gráfico de Pareto mostrando a porcentagem cumulativa do valor do estoque por produto, classificado do maior para o menor. As linhas A marcam o limite de 80% (itens A) e o limite de 95% (itens B). O restante são itens C.

Cumulative Value % =
VAR CurrentProduct = MAX(DimProduct[ProductID])
VAR CurrentValue = [Inventory Value]
VAR AllProducts =
    ADDCOLUMNS(
        SUMMARIZE(DimProduct, DimProduct[ProductID]),
        "@Value", [Inventory Value]
    )
VAR TotalValue = SUMX(AllProducts, [@Value])
VAR CumulativeValue =
    SUMX(
        FILTER(AllProducts, [@Value] >= CurrentValue),
        [@Value]
    )
RETURN
    DIVIDE(CumulativeValue, TotalValue, 0)

---

Desempenho do fornecedor

Métricas do Scorecard do Fornecedor

Supplier On-Time Rate =
DIVIDE(
    CALCULATE(COUNTROWS(FactPurchaseOrder), FactPurchaseOrder[IsOnTime] = TRUE()),
    COUNTROWS(FactPurchaseOrder),
    0
)

Supplier In-Full Rate =
DIVIDE(
    CALCULATE(COUNTROWS(FactPurchaseOrder), FactPurchaseOrder[IsInFull] = TRUE()),
    COUNTROWS(FactPurchaseOrder),
    0
)

Supplier OTIF Rate =
DIVIDE(
    CALCULATE(
        COUNTROWS(FactPurchaseOrder),
        FactPurchaseOrder[IsOnTime] = TRUE(),
        FactPurchaseOrder[IsInFull] = TRUE()
    ),
    COUNTROWS(FactPurchaseOrder),
    0
)

Average Lead Time (Actual) =
AVERAGEX(
    FactPurchaseOrder,
    DATEDIFF(FactPurchaseOrder[OrderDate], FactPurchaseOrder[ActualDeliveryDate], DAY)
)

Lead Time Variance =
[Average Lead Time (Actual)] - AVERAGE(DimSupplier[LeadTimeDays])

Quality Pass Rate =
AVERAGE(FactPurchaseOrder[QualityPassRate])

Design do painel do fornecedor

Matriz de scorecard do fornecedor. Uma tabela que mostra cada fornecedor com colunas para taxa OTIF, lead time médio, variação do lead time, taxa de aprovação de qualidade e gasto total. Classifique por taxa OTIF para destacar os que apresentam desempenho inferior. Aplique formatação condicional de semáforo.

Tendência do lead time. Um gráfico de linhas que mostra o lead time real versus o lead time contratado por mês para o fornecedor selecionado. Uma lacuna cada vez maior entre os prazos de entrega reais e contratados sinaliza a deterioração do desempenho do fornecedor, o que eventualmente causará rupturas de estoque.

Avaliação de risco do fornecedor. Crie uma matriz de risco traçando a concentração de gastos do fornecedor (porcentagem do total de compras de cada fornecedor) em relação ao desempenho (taxa OTIF). Fornecedores com altos gastos e baixo desempenho são riscos críticos. Fornecedores de fonte única com desempenho em declínio exigem planejamento de contingência imediato.

Comparação de fornecedores

Um gráfico de radar (gráfico de aranha) comparando 3 a 5 fornecedores principais em múltiplas dimensões – entrega no prazo, qualidade, competitividade de preços, consistência de lead time e capacidade de resposta – fornece uma visão holística durante reuniões de revisão de fornecedores.

---

Atendimento de pedidos

Taxa de pedido perfeita

A taxa de pedido perfeita é o padrão ouro para medir o atendimento do cliente. Conta apenas pedidos que atendem a todos os quatro critérios simultaneamente.

Perfect Order Rate =
DIVIDE(
    CALCULATE(
        COUNTROWS(FactSalesOrder),
        FactSalesOrder[IsOnTime] = TRUE(),
        FactSalesOrder[IsInFull] = TRUE(),
        FactSalesOrder[IsDamageFree] = TRUE(),
        FactSalesOrder[IsDocumentCorrect] = TRUE()
    ),
    COUNTROWS(FactSalesOrder),
    0
)

On-Time Delivery Rate =
DIVIDE(
    CALCULATE(COUNTROWS(FactSalesOrder), FactSalesOrder[IsOnTime] = TRUE()),
    COUNTROWS(FactSalesOrder),
    0
)

Fill Rate =
DIVIDE(
    SUM(FactSalesOrder[QuantityShipped]),
    SUM(FactSalesOrder[QuantityOrdered]),
    0
)

Order Cycle Time =
AVERAGEX(
    FactSalesOrder,
    DATEDIFF(FactSalesOrder[OrderDate], FactSalesOrder[ActualShipDate], DAY)
)

Backorder Rate =
DIVIDE(
    CALCULATE(
        COUNTROWS(FactSalesOrder),
        FactSalesOrder[QuantityShipped] < FactSalesOrder[QuantityOrdered]
    ),
    COUNTROWS(FactSalesOrder),
    0
)

Painel de atendimento

Cartões de KPI mostrando a taxa de pedidos perfeitos, a taxa de pontualidade, a taxa de atendimento, o tempo de ciclo do pedido e a taxa de pedidos em espera na parte superior.

Funil de atendimento mostrando o detalhamento de pedidos perfeitos e imperfeitos, com os pedidos imperfeitos decompostos em erros atrasados, com envio insuficiente, danificados e de documentação. Esta visualização em cascata responde "Por que não estamos 100%?"

Atendimento por cliente ou canal em matriz. Diferentes clientes ou canais de vendas podem ter diferentes desempenhos de atendimento, revelando problemas de capacidade ou de processo específicos para determinados tipos de pedidos.

Tendência de atendimento diário como um gráfico de linhas que mostra a taxa de pontualidade e a taxa de preenchimento nos últimos 90 dias. Adicione linhas de referência em seus níveis-alvo. A granularidade diária revela padrões operacionais (quedas em dias específicos da semana, impactos de promoções ou picos sazonais).

---

Demanda vs. Planejamento de Fornecimento

Visualização de previsão de demanda

O Power BI é excelente na visualização da lacuna entre a demanda e a oferta, permitindo que os planejadores tomem decisões proativas de posicionamento de estoque.

Forecasted Demand =
SUM(FactDemandForecast[ForecastedQuantity])

Actual Demand =
SUM(FactSalesOrder[QuantityOrdered])

Forecast Accuracy =
1 - ABS(
    DIVIDE(
        [Actual Demand] - [Forecasted Demand],
        [Forecasted Demand],
        0
    )
)

Supply Gap =
SUM(FactInventorySnapshot[QuantityAvailable]) +
SUM(FactInventorySnapshot[QuantityOnOrder]) -
[Forecasted Demand]

Gráfico de demanda x oferta. Um gráfico de área que mostra a demanda prevista como uma linha, a demanda real como barras (para períodos históricos), a oferta disponível como uma área sombreada e a oferta sob pedido como uma área sombreada secundária. Quando a linha de procura excede as áreas de oferta combinadas, existe uma lacuna que exige medidas de aquisição.

Análise de lacunas no nível do produto. Uma tabela que mostra cada produto com estoque atual, quantidade sob pedido, demanda prevista para os próximos 30/60/90 dias e a lacuna ou excedente resultante. Classifique pelo intervalo de 30 dias para priorizar itens de ação imediata.

Acompanhamento de precisão de previsão

Acompanhe a precisão das previsões por categoria de produto, planejador e horizonte de tempo. As previsões tornam-se menos precisas no futuro – medir a precisão em horizontes de 1 semana, 4 semanas e 13 semanas revela a janela de planejamento confiável para cada categoria de produto.

---

Análise de custos logísticos

Métricas de Custo de Transporte

Total Freight Cost =
SUM(FactShipment[FreightCost])

Cost per Shipment =
DIVIDE([Total Freight Cost], COUNTROWS(FactShipment), 0)

Cost per Unit Shipped =
DIVIDE([Total Freight Cost], SUM(FactShipment[Weight]), 0)

Freight as % of Revenue =
DIVIDE([Total Freight Cost], SUM(FactSalesOrder[Revenue]), 0)

Cost by Mode =
CALCULATE([Total Freight Cost])
-- Filter by DimShipment[Mode] in visualization

Painel de Logística

Detalhamento dos custos por meio de transporte usando um gráfico de rosca que mostra a distribuição dos custos de frete entre caminhões, trem, transporte marítimo e aéreo. Uma percentagem crescente de frete aéreo indica frequentemente uma logística reativa (envios apressados ​​devido a um mau planeamento).

Análise de rotas mostrando as 20 principais rotas de transporte (pares origem-destino) por volume e custo. Um mapa visual com linhas conectando os locais de origem e destino, com a espessura da linha representando o volume de remessa e a cor representando o custo por unidade, fornece contexto geográfico.

Comparação do desempenho da transportadora em uma matriz que mostra cada transportadora com colunas para taxa de entrega no prazo, taxa de danos, tempo médio de trânsito, custo por remessa e custo por quilo. Isso permite a seleção e negociação de operadoras baseadas em dados.

Tendência de custos como um gráfico de linhas que mostra os custos logísticos mensais com um eixo secundário para custos como porcentagem da receita. A métrica percentual normaliza as mudanças no volume de negócios e revela se a eficiência logística está melhorando ou se deteriorando.

---

Utilização do armazém

Métricas de espaço e mão de obra

Space Utilization =
DIVIDE(
    SUM(FactWarehouse[UsedCapacity]),
    SUM(DimLocation[Capacity]),
    0
)

Labor Productivity (Units per Hour) =
DIVIDE(
    SUM(FactWarehouse[UnitsProcessed]),
    SUM(FactWarehouse[LaborHours]),
    0
)

Pick Accuracy =
DIVIDE(
    CALCULATE(SUM(FactWarehouse[CorrectPicks])),
    CALCULATE(SUM(FactWarehouse[TotalPicks])),
    0
)

Dock-to-Stock Time =
AVERAGEX(
    FactWarehouse,
    DATEDIFF(FactWarehouse[ReceiptTime], FactWarehouse[PutawayTime], HOUR)
)

Order Processing Time =
AVERAGEX(
    FactWarehouse,
    DATEDIFF(FactWarehouse[PickStartTime], FactWarehouse[ShipTime], HOUR)
)

Painel do Armazém

Medidor de utilização. Um medidor visual que mostra a utilização atual do espaço em relação ao alvo (normalmente 80--85%). Abaixo de 70% sugere custo de excesso de capacidade. Acima de 90% indica operações restritas que retardam o rendimento.

Tendência da produtividade do trabalho. Um gráfico de barras que mostra unidades por hora de trabalho por semana, com uma linha de referência alvo. Quedas de produtividade durante os períodos de pico (época de férias) revelam quando é necessário pessoal temporário ou horas extras.

Mapa de calor de eficiência operacional. Uma matriz com horas do dia em linhas e dias da semana em colunas, com intensidade de cor representando o volume de produção. Isto revela padrões operacionais – quais turnos são mais produtivos, quais horários têm capacidade ociosa e quando ocorrem gargalos.

---

Perguntas frequentes

Quais sistemas precisam ser integrados para um painel abrangente da cadeia de suprimentos?

No mínimo, você precisa de seu sistema ERP (para pedidos, estoque e dados de compras), sistema de gerenciamento de armazém (para métricas operacionais) e sistema de gerenciamento de transporte (para dados de remessa e logística). Fontes valiosas adicionais incluem portais de fornecedores (para dados de qualidade e prazo de entrega em tempo real), sistemas de planejamento de demanda, sensores IoT (para inventário em tempo real e monitoramento de condições) e sistemas de feedback de clientes. Comece com o ERP como espinha dorsal e adicione fontes complementares de forma incremental.

Com que frequência os painéis da cadeia de suprimentos devem ser atualizados?

Os painéis de estoque e atendimento se beneficiam da atualização diária ou duas vezes ao dia --- as decisões operacionais dependem dos níveis atuais de estoque e do status do pedido. Os painéis de desempenho do fornecedor e custos logísticos podem ser atualizados semanalmente ou mensalmente, uma vez que essas métricas são analisadas em intervalos mais longos. Os painéis operacionais do armazém em ambientes de alto volume podem precisar de atualização quase em tempo real (a cada 15 a 30 minutos) usando DirectQuery ou conjuntos de dados de streaming. Combine a frequência de atualização com a frequência de decisão.

O que é uma boa meta de giro de estoque?

O giro de estoque varia drasticamente de acordo com o setor. Mercearia e produtos perecíveis: 20 a 50 giros por ano. Bens de consumo de movimento rápido: 8 a 15 voltas. Fabricação industrial e B2B: 4 a 8 voltas. Equipamentos pesados ​​e produtos especiais: 2 a 4 voltas. Compare suas curvas com os benchmarks do setor e com sua própria tendência histórica. Melhorar as curvas em até 1-2 pontos pode liberar capital de giro significativo.

Como lidar com problemas de qualidade de dados na análise da cadeia de suprimentos?

A qualidade dos dados é o principal desafio na análise da cadeia de abastecimento. Problemas comuns incluem datas de recebimento ausentes, códigos de produto inconsistentes entre sistemas e registros de remessa incompletos. Aborde isso no nível do pipeline de dados: implemente regras de validação em seu processo ETL, crie relatórios de exceção para dados ausentes e estabeleça processos de governança de dados que atribuam propriedade para cada domínio de dados. No Power BI, use a formatação condicional para destacar linhas com dados ausentes ou suspeitos para que os usuários saibam em quais números confiar.

O Power BI consegue lidar com o monitoramento da cadeia de suprimentos em tempo real?

O Power BI oferece suporte a cenários em tempo real e quase em tempo real por meio do DirectQuery (consulta o banco de dados de origem ao vivo), streaming de conjuntos de dados (API push para IoT e dados de eventos) e atualização automática de página do Power BI Premium (tão frequente quanto a cada segundo para capacidade Premium). Para monitorar operações de armazém ou rastrear remessas em trânsito, configure um conjunto de dados de streaming que receba atualizações de seu WMS ou TMS. Para a maioria dos painéis analíticos, a atualização programada a cada 1 a 4 horas fornece atualização suficiente.

Qual é a diferença entre taxa de atendimento e taxa de pedido perfeito?

A taxa de preenchimento mede apenas o atendimento da quantidade – a porcentagem de unidades encomendadas que foram enviadas. Uma taxa de preenchimento de 95% significa que você enviou 95 de cada 100 unidades encomendadas. A taxa de pedidos perfeitos é mais rigorosa – ela mede a porcentagem de pedidos que foram pontuais, completos, sem danos e com documentação correta simultaneamente. Uma empresa pode ter uma taxa de atendimento de 95%, mas apenas 75% de pedidos perfeitos porque alguns desses pedidos atendidos chegaram atrasados ​​ou com documentação errada. A taxa de pedido perfeito é a métrica de experiência do cliente mais significativa.

Como faço para incluir a visibilidade dos riscos da cadeia de suprimentos no painel?

Crie um scorecard de risco que combine concentração de fornecedores (risco de fonte única), concentração geográfica (risco de interrupção regional), dias de estoque de fornecimento (adequação de buffer), saúde financeira do fornecedor (se disponível) e volatilidade do lead time (fornecedores imprevisíveis). Pontue cada fator de risco e agregue-o em um índice composto de risco da cadeia de suprimentos. Visualize isso como um mapa de riscos por categoria de produto ou fornecedor, com detalhamento dos dados subjacentes. Os limites de alerta acionam notificações quando as pontuações de risco excedem os níveis aceitáveis.

---

Análise especializada da cadeia de suprimentos

Painéis da cadeia de suprimentos que impulsionam melhorias operacionais reais exigem conhecimento especializado em logística, gerenciamento de estoque e compras – e não apenas habilidades técnicas do Power BI. As métricas devem estar alinhadas com a sua realidade operacional e as visualizações devem servir aos tomadores de decisão específicos na sua organização da cadeia de suprimentos.

Os serviços Power BI da ECOSIRE fornecem desenvolvimento de painel para análise de cadeia de suprimentos e logística, integração de ERP para conectar Odoo, SAP e outros sistemas operacionais, e otimização de desempenho para painéis que lidam com grandes conjuntos de dados transacionais.

---

A visibilidade da cadeia de fornecimento não se trata de ter mais dados – trata-se de ter os dados certos apresentados no contexto certo e no momento certo. Um gerente de armazém precisa da precisão de seleção atual. Um diretor de compras precisa da avaliação de risco do fornecedor no próximo trimestre. Um CFO precisa do custo de manutenção de estoque deste mês. Crie seu painel para atender cada público com as métricas que orientam suas decisões e toda a cadeia de suprimentos melhorará.