Imprecisão dos registros de estoque no varejo de alimentos: impacto das promoções e da perecibilidade dos produtos e efeito direcionado das auditorias

1 | Introdução

Para gerenciar os níveis de estoque, as empresas geralmente empregam ferramentas de software que utilizam dados de estoque e vendas para prever automaticamente a demanda e repor armazéns e prateleiras das lojas. O mercado global de análise de varejo atingiu um tamanho de aproximadamente US$ 7,4 bilhões em 2022 e deve alcançar US$ 40,4 bilhões até 2032, crescendo a uma taxa composta anual de 18,6% durante o período de previsão (DataHorizon Research 2023). O mercado de análise é composto tanto por software quanto por serviços associados. Os principais softwares analíticos para cadeias de suprimentos no setor varejista são desenvolvidos com foco na gestão de estoque, na previsão de oferta e demanda e na gestão de fornecedores. Os investimentos das empresas em software de estoque são imensos.

Uma fragilidade dos sistemas automáticos de gestão de estoque, contudo, é que as reposições são acionadas com base nos níveis de estoque registrados no sistema, que podem diferir do estoque disponível na loja de varejo ou no armazém. As discrepâncias entre o nível de estoque real e o registrado são denominadas imprecisões dos registros de estoque (IRI; por exemplo, Chuang et al. 2016; Goyal et al. 2016), e há relatos de que elas afetam consideravelmente o setor varejista; pesquisas anteriores constataram que entre 20% e 70% dos registros de estoque estão incorretos (por exemplo, Millet 1994; Kang and Gershwin 2005; DeHoratius and Raman 2008).

Se o sistema de gestão de estoque exibe um nível de estoque superior ao nível disponível (IRI negativa), o estoque é reposto tarde demais, o que pode levar a rupturas de estoque e impedir que a empresa atenda à demanda dos clientes (DeHoratius and Raman 2008; Rekik et al. 2019). No caso oposto, em que o estoque disponível excede o registrado (IRI positiva), o sistema aciona reposições desnecessárias e suprimentos adicionais, levando a custos de manutenção de estoque desnecessariamente elevados (Hardgrave et al. 2009; Chuang et al. 2016). Independentemente de as discrepâncias de estoque serem positivas ou negativas, registros de estoque imprecisos impedem que o sistema de gestão de estoque (de instalação e operação dispendiosas) realize todo o seu potencial.

Dado o impacto prejudicial da IRI, não surpreende que exista uma tradição de pesquisa bem estabelecida para investigar as causas e consequências da IRI, bem como abordagens para reduzi-la (consulte a Seção 2 para uma visão geral). Esses estudos anteriores, porém, foram realizados sobre a IRI em lojas de mercadorias gerais, armazéns e centros de distribuição (por exemplo, DeHoratius and Raman 2008; Kang and Gershwin 2005; Chuang and Oliva 2015). O varejo de alimentos é um contexto no qual duas características operacionais são especialmente relevantes: uma proporção considerável das unidades de manutenção de estoque (SKUs) é perecível, e os produtos são frequentemente objeto de promoções. A perecibilidade dos produtos introduz complexidade adicional à manutenção dos registros, pois as SKUs são repostas com maior frequência e estão sujeitas a um conjunto de tarefas obrigatórias de gestão das prateleiras — incluindo rotação First-In-First-Out (FIFO), verificação das datas de validade, aplicação de remarcações de preço e retirada de produtos vencidos (discutidas em detalhes na Seção 3) (Blattberg et al. 1995; Van Donselaar et al. 2006; Ailawadi et al. 2009; Akkas et al. 2019). Essas transações adicionais e processos mais rigorosos criam outras oportunidades para erros de registro. As atividades promocionais também trazem um conjunto de desafios, pois aumentam simultaneamente a volatilidade das vendas e exigem maior controle de estoque (por exemplo, monitoramento adicional para garantir o reembolso ou o processamento correto dos descontos). As promoções realocam o esforço gerencial para alterações de preços, exposições e verificações de conformidade, modificando tanto os mecanismos de geração quanto os de correção da IRI (Blattberg et al. 1995; Ailawadi et al. 2009). Essas condições tornam o varejo de alimentos um contexto relevante para explorar como esses elementos interagem e afetam a IRI.

Para fundamentar teoricamente essas dinâmicas, recorremos à Visão Baseada na Atenção (ABV; consulte Ocasio 1997), que conceitua a atenção organizacional como um recurso escasso e seletivamente alocado, capaz de determinar quais questões operacionais são percebidas e recebem ação. No varejo de alimentos, a gestão de estoque exige envolvimento contínuo da atenção em um grande número de SKUs e pontos de contato operacionais, tornando a precisão dos registros de estoque criticamente dependente de como a atenção organizacional é distribuída na execução cotidiana. Sob a perspectiva da ABV, fatores como níveis de estoque, frequência de reposição, perecibilidade e promoções determinam a relevância e as demandas de atenção associadas às tarefas de gestão de estoque, influenciando assim a probabilidade de que surjam imprecisões nos registros de estoque ou de que elas permaneçam sem correção. Ao aplicar a ABV à gestão de estoque no nível da loja, estendemos a teoria a um ambiente operacional no qual as demandas de atenção se distribuem pela execução rotineira, em vez de se concentrarem na tomada de decisões estratégicas.

Notavelmente, até o momento não há estudos empíricos que explorem os fatores determinantes e o impacto da IRI no varejo de alimentos. Isso surpreende diante da importância econômica do setor varejista. Somente nos EUA, as vendas no varejo ultrapassaram US$ 7 trilhões em 2024, e o varejo físico de alimentos respondeu por cerca de 23% desse valor (U.S. Census Bureau 2025). Relatórios estimam que os departamentos de produtos frescos, uma subcategoria dos itens perecíveis, representam mais de 40% das vendas do varejo de alimentos (FoodNavigator 2024). Garantir registros de estoque precisos e processos eficazes de reposição é, portanto, especialmente crítico para essa categoria de produtos. Nesse contexto, o primeiro estudo relatado neste artigo avalia o impacto da perecibilidade (e os efeitos associados que ela exerce sobre os níveis de estoque e a frequência de reposição) e das promoções sobre a IRI. Nosso estudo contribui, assim, com novos fatores determinantes no nível dos construtos que são relevantes para o setor varejista (perecibilidade; supervisão durante o período promocional).

Embora esteja claro que registros de estoque imprecisos prejudicam o funcionamento dos sistemas automatizados de reposição, pouco se sabe sobre a magnitude do impacto da IRI na receita de vendas. Pesquisas anteriores utilizaram simulação para estimar o impacto do “congelamento de estoque”¹ sobre as vendas (por exemplo, DeHoratius et al. 2008) ou analisaram o potencial de melhoria das vendas decorrente de contagens de estoque para um conjunto reduzido de SKUs (por exemplo, Chuang et al. 2016). Diante do escopo limitado das pesquisas anteriores sobre o impacto da IRI nas vendas, o segundo estudo apresentado neste artigo relata os resultados de um quase-experimento de campo para avaliar como uma auditoria em toda a loja (em oposição à contagem de SKUs individuais) afeta as vendas. Também utilizamos o contexto quase-experimental para avaliar o impacto temporal das auditorias e, controlando os atributos dos produtos e os estados do estoque, conseguimos usar os resultados do tratamento para identificar as áreas em que as auditorias têm maior impacto.

Nossos estudos foram realizados em colaboração com um grande varejista europeu de alimentos. No primeiro estudo, constatamos que, após controlar os principais fatores determinantes no nível da SKU identificados por pesquisas anteriores, a IRI de uma SKU está positivamente associada ao seu nível médio de estoque, à sua frequência de reposição e ao fato de o item ser perecível, e negativamente associada à sua atividade promocional. O segundo estudo constata que a realização de auditorias para corrigir essas imprecisões leva a um aumento aproximado de 11% nas vendas em toda a loja nos primeiros 2 meses após a contagem de estoque. Mais interessante, constatamos que, controlando os níveis de vendas e outros fatores, a contagem de estoque exerce efeitos heterogêneos sobre as SKUs, com todo o aumento das vendas concentrado nos itens que apresentam IRI negativa, e que os itens perecíveis, mais propensos a apresentar IRI, beneficiam-se mais dessas auditorias que os itens não perecíveis. Acreditamos que essas constatações serão de grande valor para orientar as decisões dos varejistas sobre os níveis adequados de investimento que devem destinar à melhoria da precisão dos registros de estoque e para tratar a contagem de estoque como uma estratégia de aumento das vendas, em vez de uma necessidade de alto custo.

O restante deste artigo está estruturado da seguinte forma. Na Seção 2, revisamos a literatura pertinente que fundamenta nosso estudo, tanto em relação à abordagem metodológica empregada quanto à formulação das questões que buscamos responder. A base teórica do nosso trabalho é discutida na Seção 3, na qual as hipóteses são desenvolvidas e as medidas de nossa análise são estabelecidas. A Seção 4 é dedicada à análise dos fatores determinantes da IRI. Na Seção 5, avaliamos o impacto das auditorias sobre as vendas em toda a loja. Na Seção 6, são examinados os insights teóricos, empíricos e gerenciais, as limitações e uma agenda para futuras pesquisas pertinentes.

2 | Revisão da literatura

Um dos objetivos mais importantes no varejo é assegurar alta disponibilidade dos produtos na prateleira. Se os clientes procuram um item que não está disponível para venda, podem decidir comprá-lo em outro lugar ou abandonar por completo sua ida às compras, afetando negativamente também as vendas de outros itens. Se as rupturas de estoque ocorrerem com frequência, a reputação da loja poderá ser prejudicada e os clientes poderão mudar para outra marca ou loja, comprometendo vendas futuras (Corsten and Gruen 2003; Ehrenthal and Stölzle 2010; Goyal et al. 2016). Isso é especialmente problemático no contexto do varejo de alimentos. As compras de alimentos foram descritas como um processo habitual, no qual os clientes frequentemente seguem rotinas quanto aos horários de compra, às visitas às lojas e aos produtos adquiridos (East et al. 1994; Kim and Park 1997). Os compradores habituais enfrentam custos elevados se mudarem de loja, por isso tendem a deixar de comprar os itens em falta ou a adquirir itens alternativos. Se as rupturas de estoque ocorrerem com frequência ou por um período prolongado, os clientes também poderão mudar de loja (Campo et al. 2004). Como discutido anteriormente, uma das causas das rupturas de estoque são os registros de estoque imprecisos, embora a transição não seja necessariamente linear nem evidente (Chuang et al. 2022). No caso de IRI negativa, em que o sistema de estoque superestima o estoque disponível, o sistema faz o pedido tarde demais, o que pode resultar em uma ruptura de estoque da qual o próprio sistema sequer tem conhecimento (Ehrenthal and Stölzle 2010).

Os registros de estoque imprecisos têm atraído bastante atenção ao longo dos anos, com pesquisadores procurando obter insights tanto sobre as fontes, a extensão e as consequências da IRI quanto sobre a eficácia de possíveis contramedidas em diferentes setores. O Apêndice A resume pesquisas relacionadas, e alguns dos principais insights desses trabalhos são discutidos a seguir. Essa tabela classifica os estudos em três domínios principais: os fatores determinantes da IRI, as estratégias para reduzi-la e o impacto da IRI nas vendas. Para cada estudo, apresentamos o objetivo principal, o contexto da pesquisa, os principais atributos dos dados e as principais constatações.

Um trabalho pioneiro sobre os fatores determinantes da IRI é o de Rinehart (1960), que constatou que cerca de 80% das discrepâncias eram causadas pelos próprios procedimentos de correção das discrepâncias. DeHoratius and Raman (2008) analisaram dados de contagens de estoque coletados em 37 lojas de um grande varejista dos EUA. Os fatores determinantes mais importantes da IRI que identificaram foram a quantidade anual vendida de um item, seu custo e a frequência das auditorias de estoque. Os autores também investigaram a extensão da IRI e constataram que 65% dos registros de estoque analisados eram imprecisos. A diferença absoluta entre o estoque na prateleira e o registro de estoque foi, em média, de cinco unidades por SKU, ou 35% do número médio de unidades encontradas na prateleira para a SKU. Evidências adicionais sobre a extensão da IRI podem ser encontradas em Kang and Gershwin (2005) e Ishfaq and Raja (2020a, 2020b), que relataram taxas de IRI variando entre 20% e 70%. A IRI também foi investigada em contextos distintos das lojas de varejo, como armazéns de manufatura (por exemplo, Meyer 1990; Sheppard and Brown 1993) ou centros de distribuição varejistas (por exemplo, Kull et al. 2013; Barratt et al. 2018). Embora se tenha constatado que a IRI também é predominante nesses contextos, seu comportamento provavelmente é diferente devido à ausência de um importante fator determinante das discrepâncias de estoque: o cliente.

Além de identificar as fontes e a extensão da IRI, os pesquisadores também investigaram a eficácia de diferentes medidas para reduzi-la. Diversos artigos (por exemplo, Hardgrave et al. 2009, 2013; Bertolini et al. 2015; Goyal et al. 2016) estudaram como a tecnologia de identificação por radiofrequência (RFID) pode contribuir para reduzir a IRI. Esses estudos mostraram que o uso de RFID durante as contagens de estoque ou para rastrear movimentações de estoque pode levar a uma redução substancial da IRI, mas não consegue eliminar completamente o problema. Chuang and Oliva (2015) investigaram a influência dos níveis de pessoal da loja e do desempenho operacional sobre a IRI. Em uma análise empírica de dados longitudinais de cinco lojas de uma rede varejista global, encontraram evidências de que a mão de obra em tempo integral reduz a IRI, enquanto a mão de obra em tempo parcial não consegue reduzi-la. DeHoratius et al. (2023) avaliaram diferentes métodos para gerar uma lista de itens a serem contados na loja com o objetivo de corrigir a IRI. Os autores identificaram um conjunto de abordagens relativamente simples, baseadas em regras, que podem ser facilmente implementadas na prática.

Embora vários pesquisadores tenham investigado como as rupturas de estoque no varejo podem afetar as vendas (consulte Gruen et al. 2002 para uma visão geral), apenas alguns trabalhos abordaram o impacto da IRI nas vendas. Ton and Raman (2010) estudaram como os chamados produtos fantasma, isto é, produtos fisicamente presentes na loja, mas somente em áreas onde os clientes não conseguem encontrá-los, influenciam as vendas. Os autores constataram que um aumento de um desvio-padrão no percentual de produtos fantasma levou a uma redução de 1% nas vendas da loja. Produtos fantasma não estão necessariamente ligados à IRI; isto é, os registros de estoque no sistema podem estar precisos, mas alguns desses itens — os produtos fantasma — podem estar fora do lugar e inacessíveis aos clientes. No contexto de nossa análise, a fração de produtos fantasma não registrada adequadamente no sistema de gestão de estoque seria considerada uma discrepância positiva de estoque. DeHoratius and Raman (2008) utilizaram dados empíricos para realizar um estudo de simulação sobre a influência dos “produtos congelados” nas vendas. Eles estimaram que o congelamento de estoque pode resultar em uma perda de vendas de cerca de 1%. Os autores levantaram a hipótese de que sua estimativa representa apenas um limite inferior da perda real de vendas e solicitaram pesquisas empíricas adicionais nessa área. O trabalho que provavelmente mais se aproxima de nossa investigação é o de Chuang et al. (2016), que desenvolveram um modelo para prever eventos de falta na prateleira com base em situações consecutivas de vendas iguais a zero. Em um experimento de campo, eles utilizaram seu modelo para acionar auditorias de oito SKUs diferentes que sofriam de congelamento de estoque e constataram que a intervenção teve efeito positivo sobre as vendas.

Nossa investigação difere da literatura existente, e contribui para ela, de três maneiras. Relacionamos cada uma dessas diferenças a elementos da tipologia desenvolvida por Makadok et al. (2018), que expõe as formas pelas quais a pesquisa contribui para a teoria. Primeiro, avaliamos os fatores determinantes da IRI em um ambiente de varejo de alimentos, isto é, na presença de produtos perecíveis e promoções de produtos. Pesquisas anteriores ainda não investigaram como a perecibilidade dos produtos e as promoções interagem com a IRI. Quanto à nossa contribuição teórica nesse aspecto, introduzimos um novo construto e novas variáveis como fenômeno focal. Em segundo lugar, avaliamos, por meio de um estudo de intervenção, o impacto de uma contagem de estoque em toda a loja sobre as vendas. A avaliação da contagem de estoque em toda a loja nos permite examinar empiricamente os efeitos heterogêneos da auditoria em produtos com diferentes atributos e diferentes estados de precisão. Ao fazê-lo, introduzimos teoricamente um novo nível de análise para os efeitos das auditorias. Por fim, mediante uma avaliação dinâmica dos efeitos da intervenção, acompanhamos a evolução do benefício após a contagem de estoque. Ao desenvolver a produção científica dessa forma, nosso trabalho oferece a possibilidade de futuras pesquisas sobre o momento adequado para intervenções destinadas a corrigir o problema e, portanto, a oportunidade de realizar novas contribuições teóricas.

3 | Contexto empírico e teórico

3.1 | Contexto da pesquisa e coleta de dados

Trabalhamos em conjunto com um grande varejista europeu de alimentos. A organização parceira é um supermercado voltado ao segmento superior do mercado, conhecido pela qualidade de seus produtos e do atendimento ao cliente. Ela opera lojas em todo o UK e, em 2024, teve um volume anual de vendas superior a £7 bilhões. Além de alimentos regulares, vende produtos especiais, incluindo uma ampla variedade de produtos de marca própria, e a maioria das lojas possui balcões de padaria, queijos, peixes e carnes. Também vende artigos para o lar, presentes e roupas. Com mais de 300 lojas no UK, a empresa é uma das maiores varejistas de alimentos do país e também exporta produtos para muitos outros países, em alguns dos quais tem presença física.

O varejista utiliza um sistema de gestão de estoque para repor suas lojas. O sistema aciona automaticamente os pedidos, mas os gerentes das lojas têm a opção de ajustar ou acionar manualmente os pedidos, se necessário. Quanto às auditorias de estoque, a empresa contrata uma organização terceirizada para realizar contagens periódicas de estoque no nível da loja, até quatro vezes por ano. O momento dessas contagens varia entre as lojas e geralmente é determinado por métricas operacionais como penetração do autoatendimento, perdas, exposição a furtos e giro de estoque. Esse processo padrão aplica-se à primeira etapa de nossa análise, na qual utilizamos dados históricos de contagem de estoque coletados independentemente de nossa pesquisa. Entretanto, na segunda etapa do estudo — o quase-experimento envolvendo uma auditoria em toda a loja —, o momento da contagem de estoque foi programado para se alinhar ao nosso desenho de pesquisa e não foi acionado pelas métricas operacionais habituais.

Antes das contagens de estoque propriamente ditas, uma equipe de preparação fornecida pela organização terceirizada prepara as lojas para o inventário, organizando tanto o depósito quanto a área de vendas (nessa etapa, itens fora do lugar que são fáceis de identificar são encontrados e devolvidos às suas localizações corretas). As contagens de estoque propriamente ditas começam então no depósito e continuam nas áreas de baixa velocidade de venda na área de vendas, pouco antes do fechamento da loja. As partes restantes da loja são contadas fora do horário de funcionamento.

Embora não tivéssemos acesso a estatísticas completas da rede integral do varejista, com mais de 300 lojas, nossa amostra foi construída em estreita colaboração com o varejista, que assegurou que as lojas selecionadas representassem uma variedade de formatos operacionais típicos (urbanos, de centro da cidade e suburbanos), tamanhos e características de serviço. Essa abordagem aumenta a relevância prática de nossas constatações, mas limita a capacidade de comparar formalmente as características da amostra com toda a rede, o que reconhecemos como uma limitação deste estudo. Ao todo, foram selecionadas 11 lojas representativas dos diferentes tipos de loja operados pela empresa. As 11 lojas estudadas têm diferentes recursos (comércio eletrônico, serviço de autoatendimento, estacionamento), diferentes tamanhos (variando de 6.663 a 32.032 pés quadrados), diferentes tipos de localização (urbana, suburbana, centro da cidade, cidade rural) e diferentes números de fornecedores (variando de 55 a 351 fornecedores). A maioria dessas lojas consiste em estabelecimentos do tipo principal que vendem mercadorias gerais de alimentação, e algumas são lojas de conveniência que se concentram em uma variedade limitada de produtos cotidianos. No fim, todas as lojas foram escolhidas aleatoriamente, exceto as lojas 1 e 2, para as quais envolvemos o varejista no pareamento entre as lojas. Esse par de lojas foi utilizado no quase-experimento de campo para avaliar o benefício das contagens de estoque e os efeitos da IRI sobre as vendas descritos na Seção 5. Os detalhes das lojas selecionadas são apresentados na Tabela 1.

^aQuando é cobrada uma taxa, o varejista oferece reembolso se o pagamento for feito por meio de voucher de estacionamento.
^b“Principal” são os supermercados normais com área entre 8 mil e 30 mil pés quadrados, “Principal—alimentos e lar” são supermercados com mais de 30 mil pés quadrados, e “Principal—centro comercial” são lojas do tipo Principal que operam dentro de centros comerciais maiores.
^cPercentual dos caixas da loja que são de autoatendimento.

O varejista agrupa as SKUs da loja em 27 categorias de produtos — por exemplo, padaria, alimentos congelados, vinhos etc. Extraímos do sistema de controle de estoque da empresa dados de estoque, vendas e contagens de estoque que incluíam movimentações diárias de estoque, categorias de produtos e relatórios de contagem de estoque. Para o estudo descritivo (apresentado na Seção 3.2) e a análise dos fatores determinantes da IRI (apresentada na Seção 4), todas as SKUs foram incluídas na análise, exceto as pertencentes a seis categorias com número reduzido de SKUs que agrupavam ofertas exclusivas/especializadas das lojas. As categorias eliminadas representam 1,2% do número total de SKUs. As 21 categorias restantes foram agregadas em “Perecíveis” ou “Não perecíveis”, com onze e dez categorias, respectivamente.²

Nas 11 lojas, o conjunto de dados incluiu cerca de 24.000 SKUs (o número de SKUs exclusivas por loja varia de 5.788 a 18.353), 150.000 registros de contagem de estoque e cerca de 22 milhões de registros de vendas correspondentes às vendas e movimentações de estoque diárias de cada SKU em cada loja entre a contagem de estoque mais recente (disponível em nossa amostra) e a imediatamente anterior.

3.2 | Medidas e análise descritiva

Primeiro, examinamos os relatórios de contagem de estoque das 11 lojas discutidas na subseção anterior. Esse exame fundamentará a análise dos fatores determinantes da IRI a ser discutida na Seção 4.

O conjunto de dados da auditoria de estoque fornece duas quantidades: o ‘registro do sistema’, definido como o registro do estoque exibido no banco de dados antes da realização da auditoria, e o ‘registro contado’, definido como o estoque físico contado durante a auditoria de estoque.³ Comparando essas duas quantidades, definimos a imprecisão dos registros de estoque por meio da variável IRI, que mede a discrepância entre o registro contado e o registro do sistema (calculada como a diferença do primeiro menos o segundo). Também derivamos a variável ABS_IRI, que mede o valor absoluto da medida de IRI.

Além dos dados relacionados às auditorias físicas realizadas nas 11 lojas, consideramos todas as movimentações de entrada (reposição) e saída (ponto de venda) do estoque ocorridas entre a auditoria de estoque mais recente, cujos resultados são relatados e na qual as IRIs são medidas, e a imediatamente anterior.

Em mais detalhes, esse conjunto de dados complementar contém a quantidade diária de reposição (se houver), o nível de estoque ao fim do dia, a quantidade diária vendida e as vendas diárias (£), por SKU e por loja. A razão entre as duas últimas medidas nos permite obter o preço unitário por transação para cada SKU em cada loja. O preço unitário de um item não é o mesmo em cada transação de venda devido às promoções. Para cada SKU, definimos a variável PRICE, calculada como o preço médio ponderado de todas as transações da SKU em cada loja. Para captar os efeitos promocionais, utilizamos uma estratégia de identificação de eventos promocionais baseada em Nakamura and Steinsson (2008). Empregamos o filtro de vendas em forma de V proposto por eles, que registra uma promoção somente quando uma redução de preço é seguida pelo retorno (aumento) ao preço anterior. Utilizando uma janela temporal de 4 semanas para distinguir alterações regulares de preço de alterações temporárias, definimos o indicador de desconto promocional como uma queda temporária de pelo menos 10% nos preços regulares. O limiar de 10% é comumente utilizado em estudos que distinguem preços promocionais das alterações geralmente menores nos preços regulares (por exemplo, Nakamura and Steinsson 2008; Berck et al. 2008; Seaton and Waterson 2013, Lan et al. 2022). A escolha de uma janela de 4 semanas baseia-se em Nakamura and Steinsson (2008). Entretanto, também testamos a sensibilidade de nossas constatações a variações na janela temporal e confirmamos que nossos resultados permanecem robustos dentro de uma faixa de 2 a 5 semanas. A variável PROMO é, portanto, definida como o número total de dias em que um item está em promoção temporária de preço em cada período. Concentramo-nos na duração do desconto, em vez de sua profundidade, para captar o efeito da exposição promocional e da supervisão gerencial associada, condicionalmente a outros controles, que é influenciado pela campanha promocional em si, e não pelo valor do desconto.

Os dados de vendas em quantidade e em £ permitem derivar duas variáveis para cada SKU: QUANTITY e SALES, definidas, respectivamente, como a quantidade média diária vendida e o faturamento médio diário.

Da mesma forma, os dados sobre as posições de estoque nos permitem obter a variável STOCK, que mede o estoque médio diário. Também definimos a variável PER como igual a 1 se o produto pertence a uma categoria perecível, isto é, com vida útil relativamente curta, medida em dias, ou 0 caso contrário. Além disso, para cada auditoria de estoque, medimos com a variável DAYS o número de dias decorridos desde a auditoria de estoque imediatamente anterior. Por fim, definimos a variável \(\mathit{REPLEN}\), que mede o número de movimentações de entrada de estoque para a SKU i na loja s desde a auditoria física anterior. Para reduzir a assimetria e assegurar a comparabilidade entre as variáveis, aplicamos transformação logarítmica a todas as variáveis contínuas com variância elevada em relação à média — a saber, ABS_IRI, STOCK, REPLEN, QUANTITY, DAYS e PRICE —, seguindo a prática-padrão para medidas operacionais baseadas em contagem e sensíveis à escala (Afifi and Clark 1997; DeHoratius and Raman 2008). Cada variável foi transformada como log(x + 1) antes da estimação.

A Tabela 2 apresenta as estatísticas descritivas e as correlações pareadas. A IRI varia de −873 a 1.384 unidades; a magnitude média da IRI para as SKUs afetadas é de +6,6 e −5,9 unidades para as discrepâncias positivas e negativas, respectivamente, com média de −0,66 entre todas as SKUs. Também constatamos certa variabilidade da IRI entre as lojas, com a IRI média variando de −2,8 a 0,5 unidade.

Nota: *p < 0,05; **p < 0,01; ***p < 0,001.

O histograma da IRI apresentado na Figura 1 revela que 35,3% dos registros são precisos, 39,4% apresentam imprecisão negativa e 25,3% apresentam imprecisão positiva. Quanto à magnitude da IRI, o histograma da IRI mostra que 90% dos valores de IRI estão entre −10 e 10 unidades (embora não seja mostrado na Figura 1, 11% das discrepâncias têm valor de −1 e 6%, valor de +1).

A distribuição da IRI em nossos dados corresponde, em termos gerais, às constatações anteriores, tanto quanto à proporção de SKUs afetadas pela IRI quanto à direção da discrepância. O percentual de itens com IRI (64,7%) está dentro da faixa de 50%–70% relatada anteriormente na literatura (por exemplo, Kang and Gershwin 2005; DeHoratius and Raman 2008; Chuang et al. 2022), e os dados mostram acentuada assimetria, com mais itens com IRI negativa que positiva (DeHoratius and Raman 2008; Rekik et al. 2019; Ishfaq and Raja 2020a).

3.3 | Desenvolvimento das hipóteses

Fundamentamos nossas hipóteses na visão da empresa baseada na atenção (Ocasio 1997, 2011; Ocasio et al. 2018). A ABV argumenta que o comportamento organizacional é determinado pela forma como a atenção se distribui entre as questões, tarefas e alternativas de ação que competem por ela. A atenção é um recurso escasso: os tomadores de decisão percebem, interpretam e agem seletivamente sobre apenas um subconjunto dos estímulos operacionais que enfrentam. Essa perspectiva é bastante adequada à gestão da IRI no varejo de alimentos porque as operações das lojas exigem envolvimento contínuo da atenção em um grande número de SKUs, eventos de manuseio e tarefas de execução rotineira. Nesse ambiente, a IRI pode surgir quando atividades operacionais que exigem monitoramento cuidadoso, verificação ou atualização do sistema recebem envolvimento insuficiente da atenção. Gerentes e funcionários das lojas precisam dividir sua atenção entre reposição, manutenção das prateleiras, atendimento ao cliente, execução de promoções, verificação das datas de validade e conciliação do sistema. Algumas tarefas tornam-se relevantes e recebem atenção concentrada, enquanto outras permanecem rotineiras, são pouco monitoradas ou somente indiretamente visíveis. A ABV oferece, portanto, uma perspectiva útil para explicar por que certas condições operacionais aumentam a probabilidade de que os registros de estoque se afastem do estoque físico.

Três mecanismos baseados na atenção são especialmente relevantes para explicar o surgimento da IRI nas operações das lojas: escassez de atenção, seletividade da atenção e fragmentação da atenção. É importante observar que esses mecanismos não atuam simultaneamente com a mesma intensidade; pelo contrário, diferentes condições operacionais ativam mecanismos distintos, o que nos permite gerar previsões diferenciadas para cada fator determinante da IRI. Primeiro, a atenção é escassa. Os agentes organizacionais não conseguem dedicar-se a todas as tarefas operacionais com a mesma intensidade ao mesmo tempo, o que significa que algumas tarefas recebem monitoramento deliberado, enquanto outras são executadas por meio de comportamento rotineiro ou padrão (Ocasio 1997; Rerup 2009). Segundo, a atenção é seletiva. Tarefas operacionais mais relevantes, urgentes ou externamente visíveis tendem a atrair envolvimento desproporcional da atenção, muitas vezes em detrimento de atividades menos visíveis, porém igualmente importantes (Simon 1947; Kahneman 1973; Ocasio 2011). Terceiro, a atenção pode fragmentar-se entre os pontos de contato operacionais. À medida que aumenta o número de eventos de manuseio, etapas de verificação ou interações relacionadas ao estoque, os funcionários precisam distribuir sua atenção finita por um conjunto mais amplo de demandas operacionais, reduzindo a profundidade da atenção dedicada a cada tarefa ou SKU individual (Ocasio 2011; Sullivan 2010). Em conjunto, esses mecanismos oferecem uma perspectiva coerente para prever quando é mais provável que os registros de estoque se afastem da realidade física. Condições operacionais que aumentam o número de pontos de contato ou as demandas de monitoramento podem fragmentar a atenção e elevar a probabilidade de IRI. Em contraste, condições operacionais que aumentam a relevância de uma questão podem concentrar a atenção e facilitar uma execução mais precisa. Nas hipóteses a seguir, utilizamos esse arcabouço para explicar como os níveis de estoque, a frequência de reposição, a perecibilidade e as promoções determinam o surgimento da IRI.

Nossas hipóteses se baseiam no estudo com grande amostra realizado por DeHoratius and Raman (2008) (DHR), que identificou fatores determinantes da IRI em cerca de 10.000 SKUs diferentes de 37 lojas de um único varejista de mercadorias gerais. Com base nesse fundamento, examinamos como esses fatores determinantes atuam no varejo de alimentos, contexto caracterizado por condições operacionais que determinam as demandas de atenção na execução das lojas. Além das diferenças no comportamento de compra delineadas na Seção 2 e, como discutido na introdução, dois fatores principais são especialmente relevantes no varejo de alimentos investigado aqui. Primeiro, a presença de produtos perecíveis, que intensifica a complexidade operacional por meio de um conjunto de tarefas obrigatórias de gestão das prateleiras (detalhadas na H3 abaixo). Segundo, as vendas de alimentos são frequentemente estimuladas por promoções (Blattberg et al. 1995; Ailawadi et al. 2009). Esperamos que essas promoções também exerçam impacto sobre a IRI. No restante desta seção, desenvolvemos as hipóteses de interesse para nossa pesquisa.

Níveis médios mais elevados de estoque para uma determinada SKU aumentam o número de pontos de contato operacionais que exigem atenção: mais frentes de produto a verificar, mais desmembramentos de embalagens a executar corretamente, mais ciclos entre depósito e prateleira a conciliar e mais oportunidades para unidades individuais serem colocadas no lugar errado, contadas incorretamente ou registradas de forma imprecisa no sistema (Eroglu et al. 2011; Best et al. 2022). Em ambientes de varejo de alimentos, layouts complexos de depósitos que acomodam itens perecíveis e não perecíveis aumentam ainda mais a dispersão da atenção entre as tarefas de manuseio, agravando os erros de execução (Gruen et al. 2002; Goyal et al. 2016). Sob uma visão baseada na atenção, esse aumento dos pontos de contato ativa principalmente o mecanismo de fragmentação da atenção, pois os funcionários precisam distribuir uma atenção limitada por um conjunto maior de interações, reduzindo a probabilidade de execução precisa em cada etapa e aumentando a probabilidade de acúmulo de discrepâncias.

Pesquisas anteriores estabeleceram essa relação em ambientes de mercadorias gerais (DeHoratius and Raman 2008), mas há razões teóricas para esperar que ela seja mais pronunciada no varejo de alimentos. Nas mercadorias gerais, uma unidade adicional de estoque normalmente gera um número limitado de eventos de manuseio durante sua vida útil. Em contraste, os itens alimentícios — especialmente os perecíveis — passam por vários eventos de manuseio obrigatórios entre as auditorias (consulte a H3), cada um dos quais representa um ponto de contato adicional que exige atenção e no qual os registros podem divergir do estoque físico. Como resultado, a relação entre os níveis de estoque e as demandas de atenção é ampliada, fortalecendo o mecanismo de fragmentação da atenção.

Em conjunto, esses argumentos indicam que níveis mais elevados de estoque aumentam a carga cognitiva e operacional associada à gestão de estoque ao ampliar a fragmentação da atenção, aumentando assim a probabilidade de que os registros de estoque divirjam do estoque físico.

H1. A IRI está positivamente associada ao nível médio de estoque de um item.

Embora essa relação tenha sido documentada em pesquisas anteriores, seu exame neste contexto nos permite avaliar como as interações com a frequência de reposição e a perecibilidade determinam a força do mecanismo subjacente baseado na atenção. Retomamos essas interações abaixo.

Em seguida, examinamos o papel da frequência de reposição como fator determinante da IRI. Cada ciclo de reposição cria um evento distinto de manuseio de estoque e atualização dos registros: os funcionários precisam verificar as quantidades recebidas, movimentar as unidades do depósito para a prateleira, posicioná-las corretamente e assegurar que o registro correspondente no sistema permaneça alinhado à movimentação física. Quando uma SKU é reposta com maior frequência, fica exposta a mais episódios desse tipo durante o período entre duas auditorias. Sob uma visão baseada na atenção, a frequência de reposição ativa principalmente a fragmentação da atenção: a precisão depende da execução correta e repetida em vários episódios de manuseio e atualização dos registros, e cada episódio adicional de reposição cria outro ponto em que a atenção pode ser diluída ou mal direcionada.

A lógica operacional reforça essa expectativa. As reposições são frequentemente realizadas em conjunto com outras tarefas da loja e sob pressão de tempo, o que pode ampliar a complexidade do manuseio no depósito, os erros de posicionamento nas prateleiras e as falhas de conciliação (Aastrup and Kotzab 2009). Uma reposição mais frequente também significa interações mais repetidas tanto com os produtos quanto com os registros, aumentando assim o número de ocasiões em que discrepâncias podem ser introduzidas. Portanto, não surpreende que as atividades de reposição tenham sido identificadas como uma importante fonte de falta de itens em estoque (por exemplo, Corsten and Gruen 2003; Aastrup and Kotzab 2009). Embora pesquisas anteriores tenham sugerido que a frequência de reposição pode desencadear a IRI (Ishfaq and Raja 2020a, 2020b), o mecanismo é especialmente relevante no varejo de alimentos, em que a perecibilidade e a atividade promocional geram tarefas obrigatórias adicionais de manuseio entre as auditorias. Cada evento de reposição nesse contexto está inserido em um conjunto mais amplo de demandas operacionais concomitantes, o que amplia a fragmentação da atenção: quanto mais frequentemente uma SKU é reposta, mais vezes a loja precisa executar com precisão uma sequência de tarefas físicas e informacionais sob pressões concorrentes sobre a atenção, que podem gerar erros de registro quando realizadas de maneira imperfeita.

Em vista dos argumentos operacionais e teóricos combinados apresentados aqui, esperamos que a frequência de reposição seja um fator preditivo significativo da IRI.

H2. A IRI está positivamente associada à frequência de reposição.

Observe que o nível médio de estoque e a frequência de reposição estão inter-relacionados: se o varejista decidir reduzir o nível de estoque mantido na loja, ela precisará ser reabastecida com maior frequência. O impacto do nível médio de estoque (e da frequência de reposição), tanto sobre o custo quanto sobre a IRI, deve ser considerado na determinação das quantidades de pedido para a loja de varejo. Além disso, observe que tanto a perecibilidade dos produtos quanto as promoções podem alterar a quantidade e a frequência de pedido que, de outra forma, seriam ideais, pois a primeira afeta o tempo durante o qual o estoque pode ser mantido com segurança, e as segundas têm o potencial de acelerar artificialmente a taxa de compras.

Como discutido anteriormente, a perecibilidade introduz um conjunto de desafios operacionais na loja (por exemplo, Ketzenberg and Ferguson 2008; Manikas and Terry 2010; Akkas et al. 2019). Ela impõe demandas de atenção obrigatórias e recorrentes — rotação FIFO, verificação das datas de validade, aplicação de remarcações de preço e retirada de produtos vencidos — que precisam ser atendidas paralelamente às operações rotineiras da loja (Van Donselaar et al. 2006; Akkas 2019; Yassin and Soares 2021). Ao contrário das tarefas discricionárias, essas atividades não podem ser adiadas sem consequências operacionais imediatas e, em conjunto, geram os eventos adicionais de manuseio e atualização dos registros por meio dos quais a precisão do estoque precisa ser mantida. Sob uma visão baseada na atenção, a perecibilidade eleva o risco de IRI porque a precisão depende da atenção contínua dos funcionários e da execução correta e repetida em mais intervenções, cada uma das quais cria outra oportunidade para que produtos sejam colocados no lugar errado, quantidades sejam manuseadas incorretamente ou registros do sistema divirjam do estoque físico. Em particular, a perecibilidade ativa simultaneamente a escassez de atenção (devido às tarefas obrigatórias concorrentes) e a fragmentação da atenção (devido aos eventos repetidos de manuseio), aumentando a probabilidade de erros de execução. Em relação aos itens não perecíveis, os perecíveis exigem, portanto, mais intervenções obrigatórias e geram mais oportunidades para erros de execução e registro, aumentando a probabilidade de registros de estoque imprecisos (Chuang and Oliva 2015).

H3. A IRI está positivamente associada à perecibilidade.

O varejo de alimentos é altamente competitivo (por exemplo, Colla 2004; Cardinali and Bellini 2014), e os varejistas recorrem frequentemente a promoções — iniciadas pelo varejista ou coordenadas pelo fabricante — para estimular a demanda. Os instrumentos comuns incluem descontos de preço, exposições nas lojas, cupons de desconto ou folhetos das lojas (consulte Ailawadi et al. 2009; Srinivasan et al. 2004; Tokar et al. 2011). Não está intuitivamente claro qual será o impacto dessas promoções sobre a IRI. As promoções oferecem um ambiente útil para observar a seletividade da atenção porque deslocam a atenção de gerentes e funcionários para um subconjunto definido de SKUs durante um período delimitado. De acordo com o princípio da seletividade, esse deslocamento realoca a atenção, em vez de ampliar o orçamento total de atenção. Ele pode, portanto, acionar dois mecanismos concorrentes com implicações diferentes para a IRI, e o efeito líquido depende de qual mecanismo predomina no contexto operacional.

O primeiro mecanismo é a fragmentação da atenção impulsionada pela relevância. As promoções geram choques de demanda (Blattberg et al. 1995; Lam et al. 2001; Tokar et al. 2011), que aumentam as interações dos clientes com as SKUs promovidas, aceleram a movimentação do estoque e exigem reposição, manutenção das exposições e alterações de preço mais frequentes. Embora as promoções concentrem a atenção nessas SKUs, essa atenção pode ser direcionada principalmente à rápida execução promocional — manter as exposições abastecidas, responder aos picos de demanda e lidar com questões voltadas aos clientes —, em vez de à manutenção precisa dos registros. Nesse caso, o número de eventos de manuseio e registro aumenta, enquanto diminui a probabilidade de verificação cuidadosa em cada evento, tornando a IRI mais provável.

H4a. A IRI está positivamente associada à atividade promocional.

O segundo mecanismo surge da seletividade da atenção. As promoções no varejo de alimentos são frequentemente regidas por rotinas estruturadas, como conformidade de etiquetas e preços, montagem e retirada de exposições, verificação do estoque promocional e procedimentos de reembolso que exigem registros auditáveis dos volumes de vendas promocionais (Ailawadi et al. 2009; Tokar et al. 2011). Essas rotinas são monitoradas externamente e orientadas à verificação, o que aumenta sua relevância em relação à manutenção comum do estoque. Quando a relevância promocional é acompanhada por verificações estruturadas, em vez de pura pressão de execução, a atenção se concentra nas SKUs promovidas de uma forma que pode melhorar a precisão dos registros. As mesmas ações utilizadas para verificar a execução promocional também podem confirmar a identidade da SKU, seu posicionamento na prateleira e a consistência do registro de estoque. Condicionalmente ao volume de vendas e aos níveis de estoque, esse mecanismo de concentração pode, portanto, prevalecer sobre o mecanismo de fragmentação e reduzir a IRI das SKUs promovidas.

H4b. A IRI está negativamente associada à atividade promocional.

Essas duas hipóteses refletem uma implicação central da visão baseada na atenção: embora a relevância realoque a atenção, o efeito dessa realocação depende de ela aumentar a fragmentação da atenção ou induzir sua concentração por meio de rotinas estruturadas. Quando as promoções principalmente intensificam a pressão de execução, a atenção se fragmenta por um conjunto maior de tarefas, e a IRI pode aumentar. Quando as promoções ativam rotinas estruturadas e orientadas à verificação, a atenção se torna mais concentrada, e a IRI pode diminuir. O apoio à H4b sugeriria, portanto, que rotinas de conformidade monitoradas externamente podem converter a relevância promocional em melhorias da precisão dos registros.

4 | Fatores determinantes da IRI em lojas de alimentos

Para tornar nosso trabalho consistente com a literatura existente sobre IRI — por exemplo, Fleisch and Tellkamp (2005), DeHoratius and Raman (2008), Hardgrave et al. (2013) — e permitir que contribua para ela, utilizamos como variável dependente básica desta seção o valor absoluto da IRI. Embora a IRI positiva e a negativa tenham implicações de custo diferentes, não encontramos diferenças significativas em seus respectivos fatores determinantes. Por isso, concentramos nossa análise nos efeitos dos fatores determinantes sobre o valor absoluto da IRI. Como teste de robustez, também replicamos a análise utilizando uma medida percentual da IRI.

4.1 | Controles

Em seu estudo, DeHoratius and Raman (2008) (DHR) constataram que a IRI está positivamente associada à quantidade vendida de um item (h1) e negativamente associada à frequência das auditorias (h2), ao custo de um item (h3) e ao volume monetário de um item (h4).⁴ DHR também identificaram fatores determinantes no nível da loja, a saber, que a IRI está associada à estrutura de distribuição utilizada (h5) e que está positivamente associada à densidade do estoque (h6) e à variedade de produtos (h7) dentro da loja. Excluímos de nosso estudo os elementos que abrangem toda a loja identificados por DHR (h5–h7), pois nossa amostra não permite variância suficiente entre as lojas. Controlamos todas as características invariantes no tempo das lojas por meio de um efeito fixo de loja em nossos modelos estatísticos. Assim, nossa pesquisa se concentra nos atributos no nível da SKU como fatores determinantes da IRI, em contraste com a abordagem mista adotada por DHR, que dispunham de variação suficiente entre lojas para captar atributos no nível da loja. Por fim, cabe observar que nosso parceiro de pesquisa não realiza auditorias parciais de SKUs selecionadas, recorrendo, em vez disso, a contagens de estoque em toda a loja. Portanto, nossas medidas da frequência de verificação e os efeitos fixos de loja são colineares. Controlamos isso explicitamente na seção de estimação.

4.2 | Estimação empírica

Utilizamos um modelo de efeitos fixos (EF) para controlar as características das lojas invariantes no tempo e considerar possíveis diferenças entre as SKUs, estimando o modelo com efeitos aleatórios (EA). Especificamente:

\[|IRI_{is}| = \beta_0 + \alpha_1 STOCK + \alpha_2 REPLEN + \alpha_3 PER + \alpha_4 PROMO + \gamma_1 QUANTITY + \gamma_2 DAYS + \gamma_3 PRICE + \boldsymbol{\eta}_s + \boldsymbol{\kappa}_i + \varepsilon_{is}\]

Em que IRIis é a imprecisão dos registros de estoque do item i na loja s. \(\beta_0\) é um parâmetro de intercepto fixo, \(\boldsymbol{\eta}_s\) é um vetor com os efeitos fixos da loja, e \(\boldsymbol{\kappa}_i\) é um vetor com os efeitos aleatórios da SKU. Os regressores QUANTITY, DAYS e PRICE são controles introduzidos como parte dos fatores determinantes já identificados por DHR (h1 a h3). Um controle para o volume de vendas (em dólares/libras) de um item (h4) foi excluído da regressão porque as margens de todos os produtos e o volume de vendas são altamente colineares com os controles QUANTITY e PRICE. Os coeficientes \(\alpha\) nos permitem testar nossas quatro hipóteses.

O Modelo 1 da Tabela 3 apresenta os resultados de uma regressão com intercepto, efeitos fixos de loja e efeitos aleatórios de SKU, com erro-padrão robusto entre parênteses. A variância entre as lojas explica 10% da variância observada na IRI. O Modelo 2 apresenta os resultados de nossa regressão. As variáveis no nível da SKU, incluindo os controles, explicam outros 17% da variância observada na IRI. Observe que os três controles introduzidos como parte das constatações anteriores de DHR são todos significativos (p = 0,000 para \(\gamma_1\), \(\gamma_2\) e \(\gamma_3\)) e têm o sinal esperado. Isso confirma que, apesar das diferenças no ambiente varejista, as constatações de DHR se mantêm e que volume, frequência das auditorias e preço estão fortemente associados à IRI.

Nota: A medida de Pseudo R² baseia-se na correlação ao quadrado entre os pedidos estimados e os reais (Wooldridge 2010). Os erros-padrão robustos estão entre parênteses. *p < 0,05; **p < 0,01; ***p < 0,001.

Observe, contudo, que na regressão do Modelo 2 o intercepto foi excluído porque, como explicado acima, todos os itens de uma loja compartilham o mesmo número de DAYS desde a última auditoria, isto é, essa variável é colinear com os efeitos fixos de loja. De fato, o Modelo 2 tem um Fator de Inflação da Variância (VIF) médio de 9,2, com 5 regressores (DAYS e 4 EF de loja) apresentando VIF superior a 10. Confirmamos a fonte da colinearidade excluindo o controle dos DAYS desde a última inspeção (Modelo 3). O modelo revisado tem VIF máximo de 4,25 (VIF médio = 2,05). A especificação revisada reintroduz o intercepto, e todos os coeficientes e erros-padrão permanecem inalterados, indicando que todas as informações da variável DAYS são revertidas para os efeitos fixos de loja. O fato de DAYS apresentar coeficiente significativo na presença de EF de loja indica que contém informações direcionais úteis para explicar a IRI. Observe, porém, que a inclusão de DAYS destinava-se a controlar um dos fatores determinantes preexistentes identificados por DHR (h2) e não é central para o teste de nossas hipóteses. Portanto, relatamos o Modelo 2 para reter as informações direcionais contidas em DAYS, mas tratamos o Modelo 3 como nossa especificação preferida e mais parcimoniosa.

Quanto às práticas de reposição, em consonância com a H1, encontramos evidências de que níveis médios mais elevados de estoque estão, de fato, associados a uma IRI mais elevada (\(\alpha_1\) = 0,521, p = 0,000). A frequência das reposições nas lojas (H2) também é altamente significativa e tem o sinal previsto (\(\alpha_2\) = 0,056, p = 0,000). A H3 prevê que produtos perecíveis apresentarão IRI mais elevada dentro da loja. Em apoio a essa hipótese, constatamos que o coeficiente do indicador PER é altamente significativo (\(\alpha_3\) = 0,064, p = 0,000).

Por fim, quanto ao efeito das promoções sobre a IRI, constatamos que a fração de itens vendidos em promoção está negativamente associada à IRI (\(\alpha_4\) = −0,012, p = 0,000), rejeitando assim a H4a e apoiando a H4b. Isto é, a supervisão operacional adicional acionada pela preparação e pelo monitoramento das promoções está associada a uma IRI mais baixa quando se controlam os efeitos negativos das vendas incrementais sobre a IRI.

É interessante observar que o efeito do nível de STOCK sobre a IRI é uma ordem de grandeza maior que o efeito de toda a QUANTITY vendida — um aumento de 1% no nível de estoque representa um aumento de 0,52% na IRI, enquanto um aumento de 1% na quantidade vendida responde por apenas 0,04% de aumento na IRI — e que o efeito da frequência de reposição (REPLEN) é 47% maior que o efeito de QUANTITY. Esses dois resultados, por si só, oferecem uma compreensão mais matizada dos fatores determinantes da IRI que o estudo de DHR, que incluiu apenas a quantidade vendida. Quanto aos atributos dos produtos, os itens perecíveis na loja (PER) apresentam, em média, imprecisão de registro 6,4% maior que os itens não perecíveis, e os itens em promoção (PROMO) apresentam IRI 1,2% menor que os itens não promovidos.

Os Modelos 1 a 3 têm como variável dependente o valor absoluto da IRI. No Modelo 4, como teste de robustez, utilizamos como variável dependente o valor absoluto da IRI expresso como percentual do nível de estoque no momento da auditoria. O tamanho de nossa amostra diminui 1,7% porque alguns itens com IRI não apresentavam estoque real no momento da auditoria e, como era de se esperar, a variância explicada pelo modelo diminui, pois nossas variáveis dependentes foram concebidas para explicar o valor absoluto da IRI, e não seu valor percentual. Ainda assim, a significância e o sinal da maioria dos coeficientes de interesse são os mesmos que no Modelo 3. A única diferença perceptível é a queda na significância de PROMO para as vendas (p = 0,105). Essa queda na significância é explicada pelo fato de a variável dependente percentual ajustar as magnitudes relativas, causando redução superior a 50% nos valores de z da maioria dos regressores.

5 | As auditorias melhoram as vendas?

Voltamos agora nossa atenção para a extensão em que a IRI é relevante em termos monetários no varejo. As auditorias e as conciliações dos registros de estoque melhoram as vendas? Para avaliar essa questão, realizamos um estudo de intervenção quase-experimental (Shadish et al. 2002), comparando o desempenho de duas lojas semelhantes, nas quais o ‘tratamento’ consistiu em uma contagem de estoque em toda uma das lojas, aproximadamente 6 meses após uma contagem inicial em ambas as lojas. Estávamos especialmente interessados em avaliar se a reorganização e a arrumação da loja tinham impacto sobre as vendas agregadas da loja. Como discutido acima, esse desenho experimental também nos permitiu avaliar efeitos heterogêneos das auditorias sobre os produtos, dependendo de seus atributos ou de seu estado de precisão. O varejista auxiliou no pareamento das lojas de tratamento e controle com base nas semelhanças de tamanho, localização, formato, sortimento de produtos, preços, níveis de pessoal e procedimentos de reposição e reabastecimento das prateleiras. Embora a loja de controle tivesse funções de comércio eletrônico mais avançadas, ambas as lojas apresentavam tendências de vendas pré-tratamento e estruturas organizacionais semelhantes. Foi realizado um teste de tendências paralelas para validar a comparabilidade antes da intervenção da auditoria. Depois de identificar as lojas pareadas, confirmamos com o varejista que as políticas e capacidades organizacionais dessas lojas não foram alteradas durante o experimento. A seleção da loja de tratamento foi feita aleatoriamente, por meio do lançamento de uma moeda. Especificamente, a loja nº 1 da Tabela 1 serviu como loja de tratamento, e a loja nº 2, como controle. O desenho maximiza a validade interna ao analisar mais de 5.000 SKUs observadas durante vários meses, oferecendo variação substancial dentro das lojas e poder estatístico suficiente. Até onde sabemos, nenhum estudo empírico anterior implementou um experimento de campo em toda a loja para avaliar as implicações diretas da imprecisão dos registros de estoque sobre o desempenho de vendas, o que torna esta investigação um teste raro e valioso da teoria em um ambiente varejista natural.

Os dados de vendas e estoque foram acompanhados durante 2 meses antes e depois do tratamento. Para nossa análise, utilizamos apenas as SKUs vendidas antes e depois do tratamento de contagem de estoque, tanto na loja de tratamento quanto na de controle. Isso resultou em uma amostra de 5.657 SKUs diretamente comparáveis, que representam 95% e 97% do número total de SKUs nas lojas de tratamento e controle, respectivamente. Utilizamos a agregação mensal dos dados seguindo trabalhos anteriores em operações varejistas (por exemplo, Ton and Raman 2010; Kesavan et al. 2014; Chuang and Oliva 2015). Apresentamos nossa análise em termos de receita de vendas, mas todos os resultados são consistentes quando a análise é realizada medindo as vendas em unidades.⁵

Observe que controlar a amostra para incluir apenas SKUs correspondentes nos permite omitir de nossas regressões os efeitos de categoria e SKU — como são invariantes no tempo e entre lojas, seus efeitos são captados nos efeitos fixos de nível superior. Embora a incorporação de efeitos aleatórios aninhados para categoria e SKU (modelo de três níveis) revele certa correlação interclasse residual, sua inclusão não afeta as estimativas dos modelos aqui relatados, além de produzir erros-padrão ligeiramente menores. Como nosso tratamento é estabelecido no nível da loja, prosseguimos com a apresentação e a interpretação dos modelos mais parcimoniosos.

Esse desenho experimental nos permitiu realizar um diagnóstico rigoroso das condições e premissas experimentais e uma análise detalhada do efeito da intervenção em todas as SKUs das lojas, bem como de efeitos heterogêneos específicos sobre atributos dos produtos e o estado do estoque. Para reforçar a credibilidade do desenho de pesquisa, complementamos a avaliação pré-tratamento com diagnósticos formais: (i) testes estatísticos que confirmam a comparabilidade pré-tratamento, (ii) um mês placebo (−1) que não mostra efeito antecipatório e (iii) uma especificação dinâmica de diferenças em diferenças (DID) que indica ganhos pós-tratamento que se fortalecem no mês +2. Essas verificações seguem as boas práticas recomendadas para validar a premissa de tendências paralelas em análises DID (Angrist and Pischke 2009; Bertrand et al. 2004; Cunningham 2021) — consulte também a Figura 2 para confirmação visual das trajetórias da variável dependente por loja.

A seguir, primeiro avaliamos o efeito médio do tratamento utilizando um modelo DID (Modelo 1); separamos os efeitos fixos mensais (Modelo 2) para testar as tendências paralelas e o teste de causalidade de Granger; e, no Modelo 3, formulamos uma especificação dinâmica do efeito do tratamento para avaliar seu efeito ao longo do tempo. Por fim, avaliamos os efeitos heterogêneos do tratamento segundo a correção ou não de um item e o sinal da correção (Modelo 4), bem como sobre a perecibilidade do produto (Modelo 5), um fator determinante central da IRI no ambiente de varejo de alimentos. Ao longo dessa progressão na sofisticação dos testes e da análise, os resultados são consistentes dentro dos modelos e entre eles, estabelecendo ainda mais a robustez de nossos resultados.

5.1 | Efeito médio do tratamento

Primeiro, avaliamos o modelo DID padrão motivado por Card and Krueger (1994), que aborda a possibilidade de variação não observada entre os grupos de tratamento e controle, bem como de efeitos temporais exógenos. A especificação de nosso modelo básico de regressão é:

\[y_{ist} = \beta_0 + \beta_1 POST_t + \beta_2 TREAT_s + \gamma POST_t \times TREAT_s + \varepsilon_{ist} \tag{1}\]

em que yist corresponde às vendas da SKU i vendida na loja s no mês t. POSTt é um indicador binário de período (1 se o mês t estiver no período pós-tratamento), e a estimativa \(\beta_1\) capta a variação das vendas entre os dois períodos (pré versus pós). TREATs é um indicador de loja (1 se a loja s for a loja de tratamento), e a estimativa de \(\beta_2\) indica a diferença intrínseca nas métricas de vendas entre as lojas de tratamento e controle. O parâmetro \(\gamma\) é o estimador DID de interesse, que capta o impacto subjacente da auditoria após isolar os efeitos fixos de loja e período. Adotamos erros-padrão robustos (Cameron and Miller 2015), agrupados por SKU, para controlar efeitos específicos das SKUs.

O Modelo 1 da Tabela 4 mostra os resultados da regressão. A significância do coeficiente \(\beta_1\) indica uma redução geral das vendas (em ambas as lojas) durante o período pós-auditoria, e a significância da estimativa \(\beta_2\) sugere uma pequena diferença entre as lojas de tratamento e controle (a loja de tratamento teve vendas médias 6% menores). A estimativa positiva e significativa do coeficiente DID (\(\gamma\) = 0,396, p = 0,000) implica que a auditoria teve um efeito positivo sobre as vendas no grupo de tratamento. O estimador DID busca o contraste do tratamento, em vez de maximizar a variância explicada; portanto, valores baixos de R2 (próximos de zero na Tabela 4) não constituem, por si mesmos, diagnósticos de viés (Wooldridge 2010; Angrist and Pischke 2009; Cunningham 2021). Ainda assim, o baixo ajuste reflete a alta idiossincrasia das vendas por SKU-mês e o fato de que nossos fatores hipotetizados representam apenas uma pequena fração de todos os fatores determinantes da IRI (isto é, pessoal, furtos, operações da loja etc.), além de reforçar nossa interpretação cautelosa dos resultados e o valor do uso de erros-padrão robustos e de múltiplas verificações de especificação. A estimativa de aumento das vendas pelo DID (£0,40) representa 11,2% da venda média pós-auditoria por item-loja (£3,53).

Nota: Os erros-padrão robustos estão entre parênteses. *p < 0,05; **p < 0,01; ***p < 0,001.

Um modelo alternativo (Card 1992), que isola as características específicas da loja invariantes no tempo (por exemplo, área em pés quadrados e densidade de concorrentes na vizinhança) e o efeito fixo de cada mês (por exemplo, feriados e padrões climáticos), é especificado da seguinte forma:

\[y_{ist} = \beta_0 + \eta_s + \boldsymbol{\mu}_t + \gamma POST_t \times TREAT_s + \varepsilon_{ist} \tag{2}\]

em que \(\eta_s\) é uma variável dummy para uma das lojas (neste caso, a loja de tratamento), e o vetor \(\boldsymbol{\mu}_t\) contém os coeficientes dos efeitos fixos de cada mês da amostra. Essa formulação melhora ligeiramente o ajuste do modelo, mas produz uma estimativa idêntica para o estimador DID \(\gamma\) (Modelo 2 da Tabela 4), corroborando assim nossa principal constatação. A ampliação do Modelo 2 para incluir a interação tripla entre MONTH × TREAT e variáveis que indicam os períodos pré-tratamento e pós-tratamento revela que não há diferença nas inclinações entre o grupo de tratamento e o grupo de controle (p = 0,112), isto é, o teste de tendências paralelas (Cunningham 2021),⁶ ao mesmo tempo que indica uma diferença significativa nas inclinações nos períodos pós-tratamento. Além disso, o Modelo 2 revela que a maior parte da queda nas vendas (em ambas as lojas) ocorreu durante o segundo mês após a intervenção (\(\mu_2\) = −0,869, p = 0,000). Observe que os coeficientes do caso-base mensal representam ajustes aos níveis de vendas de 2 meses antes da auditoria de estoque (o caso-base).

5.2 | Efeitos dinâmicos

Em seguida, testamos a dinâmica do efeito do tratamento, pois se espera que os benefícios de uma auditoria de estoque, e da reorganização das prateleiras que ela implica, diminuam ao longo do tempo. Formulamos as especificações dinâmicas do DID da seguinte forma:

\[y_{ist} = \beta_0 + \eta_s + \boldsymbol{\mu}_t + \boldsymbol{\gamma}_t \times \boldsymbol{TREAT}_{st} + \varepsilon_{ist} \tag{3}\]

em que o vetor TREAT st é um indicador binário de a loja s ter recebido o tratamento no mês t. Para a estimação, omitimos o período anterior à intervenção (mês = −1), deixando-o como categoria de referência. Como esperado, o coeficiente do outro mês anterior à intervenção (\(\gamma_{-2}\)) não é significativo (consulte o Modelo 3 da Tabela 4), confirmando que os efeitos do tratamento não podem ser observados antecipadamente ao tratamento — esse é o teste de causalidade do tipo Granger (Angrist and Pischke 2009).⁷

Os coeficientes dos dois períodos após a intervenção mostram a melhoria esperada nas vendas, mas, ao contrário das expectativas, observamos que o aumento das vendas durante o segundo mês após a intervenção é 65% maior que durante o primeiro mês. Isso poderia ser explicado, em parte, pelo efeito disruptivo que as auditorias podem exercer sobre as operações e o fluxo de clientes da loja (reduzindo, assim, as vendas durante os primeiros dias após a auditoria), pelo efeito cumulativo das auditorias sobre o fluxo de clientes (uma loja organizada e com menos rupturas de estoque atrairá mais clientes) ou pelo fato de as vendas no segundo período após a auditoria serem muito menores em ambas as lojas (consulte o coeficiente de \(\mu_2\) nos Modelos 2 e 3), tornando assim os benefícios da auditoria mais evidentes.

5.3 | Efeitos heterogêneos — correção da IRI

Testamos a possibilidade de um efeito heterogêneo da direção da correção de estoque realizada durante a auditoria de tratamento criando variáveis binárias que captam o sinal da correção realizada (POS = 1 se o estoque real foi considerado maior que o estoque do sistema e NEG = 1 se o estoque real foi menor que o registro de estoque do sistema), sem atribuir sinal quando o item foi auditado e considerado preciso. O caso-base, um item preciso, permite isolar o efeito da intenção de tratar quando nenhum tratamento real era necessário (Gupta 2011; Zhang et al. 2017), permitindo assim testar se existem efeitos da auditoria em toda a loja além dos itens corrigidos. Especificamos esse modelo com base no Modelo 2, que controla explicitamente os efeitos fixos de loja e mês:

\[y_{ist} = \beta_0 + \eta_s + \boldsymbol{\mu}_t + \delta_p POS + \delta_n NEG + \gamma POST_t \times TREAT_s + \varepsilon_{ist} \tag{4}\]

Observe que, nessa especificação, as dummies POS e NEG são definidas apenas para a condição POST × TREAT e, portanto, incorporam a interação tripla. Pela mesma lógica, as interações duplas {POS × POST, POS × TREAT, NEG × POST, NEG × TREAT} são colineares com esses termos e foram excluídas da regressão. O Modelo 4 da Tabela 4 apresenta os resultados da regressão. Primeiro, observe que os coeficientes dos efeitos fixos mensais são os mesmos que no Modelo 2; assim, todas as diferenças se concentram no termo de diferenças em diferenças e nas dummies da direção da correção. Quando o efeito do sinal da correção é separado, no caso-base, isto é, um item auditado, mas não corrigido, o coeficiente de diferenças em diferenças (\(\gamma\)) deixa de ser significativo (p = 0,786), indicando que não há benefícios ampliados, medidos por aumentos nas vendas, da realização de uma auditoria além dos itens corrigidos. O coeficiente das correções negativas (\(\gamma\) + \(\delta_n\) = 1,052) é positivo e altamente significativo (p = 0,000), enquanto o coeficiente das correções positivas (\(\gamma\) + \(\delta_p\) = −0,188) não é significativamente diferente de zero (p = 0,427), sugerindo que os benefícios incrementais de vendas (a variável dependente de interesse) do processo de auditoria são realizados somente nos itens superestimados no sistema de informações. De fato, os efeitos do tratamento nos itens que exigiram correção negativa são 2,67 vezes o efeito médio entre todos os itens da loja de tratamento e correspondem a 32% da venda média pós-auditoria por item-loja.⁸ Isso é consistente com o cenário de “congelamento de estoque” (Kang and Gershwin 2005), no qual, como discutido anteriormente, um item em ruptura de estoque não é reposto porque o registro do sistema é positivo, apesar de não haver estoque disponível. A ausência de efeito sobre as vendas dos itens auditados, mas não corrigidos (\(\gamma\)), ou corrigidos positivamente (\(\gamma\) + \(\delta_p\)), sugere que o simples processo de reorganização da loja não é suficiente para exercer efeito positivo sobre as vendas. Assim, embora a auditoria em toda a loja possa trazer alguns benefícios operacionais marginais, nossa análise mostra que eles, por si sós, não se traduzem em aumentos mensuráveis nas vendas. A ausência de efeitos significativos para itens corrigidos positivamente ou não corrigidos confirma que é a correção dos registros de estoque superestimados que impulsiona o aumento observado nas vendas.

5.4 | Efeitos heterogêneos — perecibilidade

Por fim, para testar a possibilidade de um efeito heterogêneo do tratamento em uma das principais dimensões que afetam a IRI (consulte a Seção 3), separamos os efeitos das auditorias sobre produtos perecíveis e não perecíveis. Incluímos na categoria de produtos perecíveis as SKUs com vida útil esperada curta (poucos dias), deixando na categoria de não perecíveis os produtos com vida útil esperada medida em meses (consulte a nota de rodapé 2 para obter a lista detalhada das categorias classificadas como perecíveis). Em nossas lojas da amostra, as SKUs perecíveis representam 27,5% do número total de SKUs na loja. Ampliamos o modelo da Equação (1) para incluir o modelo de diferenças triplas, que contém todas as interações de dois níveis:

\[\begin{aligned} y_{ist} ={}& \beta_0 + \beta_1 POST_t + \beta_2 TREAT_s + \beta_3 PER_i + \alpha_1 PER_i \times POST_t + \alpha_2 PER_i \times TREAT_s \\ &+ \gamma POST_t \times TREAT_s + \theta PER_i \times POST_t \times TREAT_s + \varepsilon_{ist} \end{aligned} \tag{5}\]

No modelo acima, PERi é uma variável indicadora que mede se a SKU i é perecível, e a estimativa de \(\theta\) capta o efeito incremental que as auditorias exercerão sobre os produtos perecíveis além do efeito calculado para os produtos não perecíveis (\(\gamma\)). O Modelo 5 da Tabela 4 apresenta os resultados de nossa regressão. Primeiro, é interessante observar que, ao controlar os produtos perecíveis, a diferença entre as lojas de tratamento e controle deixa de ser significativa (p = 0,765 para \(\beta_2\)), o que sugere uma diferença significativa no volume de vendas de perecíveis entre as duas lojas. O coeficiente dos perecíveis (\(\beta_3\)) é positivo e significativo, indicando vendas médias gerais mais elevadas dos produtos nas categorias perecíveis. É interessante notar que o efeito das auditorias sobre as vendas de produtos perecíveis (\(\theta\) = 0,606) é quase três vezes maior que o efeito sobre os produtos não perecíveis (\(\gamma\) = 0,204), sugerindo que as auditorias podem desempenhar um papel importante na melhoria das vendas daqueles produtos com as maiores imprecisões nos registros de estoque identificadas na Seção 3.

6 | Discussão

Compreender como os processos operacionais afetam o desempenho continua sendo fundamental para as empresas varejistas que atuam em mercados maduros e altamente competitivos. No varejo de alimentos, a gestão de estoque é especialmente complexa porque a perecibilidade e a atividade promocional determinam a frequência, a visibilidade e a execução das tarefas relacionadas ao estoque. Nesse contexto, este artigo examinou a prevalência e os fatores determinantes da IRI e avaliou o impacto das auditorias em toda a loja sobre o desempenho de vendas utilizando dados de um importante varejista de alimentos do UK. A discussão abaixo distingue as implicações teóricas, empíricas e gerenciais dessas constatações antes de delinear as principais limitações do estudo e as direções para pesquisas futuras.

6.1 | Implicações teóricas

Nossas constatações ampliam a visão baseada na atenção (ABV) em ambientes operacionais (Ocasio 1997, 2011; Joseph et al. 2024), mostrando como diferentes condições de estoque ativam mecanismos distintos de alocação da atenção que determinam o surgimento, a visibilidade e a correção das imprecisões dos registros de estoque. De forma mais ampla, nossos resultados refinam a ABV ao mostrar que os resultados de precisão operacional não são determinados somente pela escassez de atenção, mas pela interação entre fragmentação e seletividade da atenção (Ocasio 1997, 2011). Enquanto trabalhos anteriores enfatizam a atenção limitada como uma restrição, nossas constatações mostram que certas condições operacionais — como as promoções — podem melhorar temporariamente a precisão ao concentrar a atenção por meio de rotinas estruturadas (Rerup 2009).

Primeiro, com base no trabalho fundamental de DeHoratius and Raman (2008), validamos empiricamente fatores determinantes operacionais adicionais da IRI que são especialmente relevantes no varejo de alimentos — a saber, a perecibilidade dos produtos e as atividades promocionais. Níveis de estoque mais elevados, reposição mais frequente e perecibilidade estão todos associados a uma IRI mais elevada porque aumentam o número de episódios de manuseio, verificação e atualização dos registros por meio dos quais a precisão precisa ser mantida. Sob a perspectiva da ABV, essas condições multiplicam os pontos de contato nos quais erros podem ser introduzidos e, portanto, aumentam a possibilidade de a atenção se fragmentar entre intervenções repetidas (Ocasio 2011; Sullivan 2010). Nossa constatação de que a atividade promocional está associada a uma IRI mais baixa é especialmente informativa nesse aspecto. Nossos resultados sugerem que, nesse contexto, rotinas promocionais estruturadas impulsionam a seletividade da atenção, concentrando-a nos itens promovidos. Essa concentração da atenção prevalece sobre os efeitos de fragmentação, levando a uma melhoria na precisão dos registros. A contribuição aqui, portanto, não consiste simplesmente em identificar fatores determinantes adicionais da IRI, mas em refinar a visão baseada na atenção ao mostrar que as condições operacionais diferem sistematicamente na forma como determinam a atenção: algumas fragmentam a atenção entre pontos de contato repetidos, enquanto outras a concentram por meio da relevância e da verificação estruturada (Joseph et al. 2024).

Segundo, nossas constatações sobre as auditorias refinam ainda mais a ABV ao mostrar que as consequências da IRI para o desempenho dependem não somente da existência de imprecisões, mas também de elas serem visíveis aos processos organizacionais rotineiros. Os benefícios das auditorias para as vendas concentram-se nos itens com IRI negativa, o que sugere que as auditorias são mais importantes quando revelam discrepâncias que, de outra forma, permaneceriam ocultas das rotinas normais de reposição. Nesse sentido, a auditoria não atua simplesmente como um mecanismo de contagem, mas como uma intervenção que restaura a visibilidade e torna os registros superestimados observáveis e, portanto, corrigíveis (Ocasio 1997; Vuori and Huy 2016). A resposta mais intensa à auditoria entre os itens perecíveis é consistente com a mesma lógica: quando a intensidade do manuseio é maior e as imprecisões são mais predominantes, os retornos da visibilidade restaurada são proporcionalmente maiores. Isso amplia a ABV ao mostrar que a atenção é importante não apenas na geração de erros operacionais, mas também nas condições em que esses erros se tornam suficientemente visíveis para desencadear uma ação corretiva (Ocasio 2011; Joseph et al. 2024).

Terceiro, o padrão temporal do efeito do tratamento sugere que os benefícios das intervenções que direcionam a atenção podem desenvolver-se gradualmente, em vez de se dissiparem de imediato. Esse padrão é consistente com a possibilidade de as auditorias fazerem mais que corrigir registros em um único momento; elas também podem recalibrar temporariamente as rotinas operacionais, permitindo que as consequências posteriores da melhoria da disponibilidade sobre as vendas surjam ao longo do tempo. Sob a perspectiva da ABV, isso abre uma importante via para pesquisas futuras sobre a persistência da atenção, a durabilidade das rotinas corretivas e o momento das intervenções em ambientes operacionais (Ocasio 2011; Rerup 2009).

Por fim, observamos que as hipóteses propostas têm generalização teórica (Meredith 1998). Embora as constatações empíricas de um quase-experimento de campo não tenham generalização amostral — consulte a discussão na Seção 6.4 —, é provável que os fatores determinantes e as dinâmicas identificados se estendam a outros formatos varejistas que enfrentam desafios de estoque e trade-offs operacionais semelhantes, incluindo lojas de conveniência, farmácias e varejistas de vestuário. A magnitude específica dos efeitos e dos trade-offs será diferente de um ambiente para outro, mas o enquadramento e os métodos aqui propostos abrem uma nova linha de pesquisa. Neste caso, é o realismo ecológico do experimento de campo — que capta o comportamento gerencial, as rotinas operacionais, os fluxos de clientes e as fricções do sistema no ambiente em que o fenômeno ocorre naturalmente — que confere credibilidade às relações causais identificadas (McGrath 1981).

6.2 | Contribuição empírica

Este estudo também oferece três contribuições empíricas distintas à literatura sobre imprecisão dos registros de estoque e operações varejistas. Primeiro, implementamos um desenho quase-experimental em toda a loja que fornece evidências causais diretas, em escala, sobre o impacto das auditorias de estoque no desempenho de vendas. Em vez de nos concentrarmos em poucas SKUs ou recorrermos exclusivamente a estudos de simulação, analisamos mais de 5.000 SKUs em um par de lojas pareadas utilizando uma estrutura de diferenças em diferenças com efeitos fixos de loja e mês, diagnósticos formais de tendências paralelas e uma especificação dinâmica que acompanha os efeitos do tratamento ao longo do tempo. Esse desenho oferece uma perspectiva de campo rara sobre como as intervenções de auditoria se traduzem em resultados de vendas em um ambiente varejista natural.

Segundo, nossos resultados produzem regularidades empíricas que podem servir de parâmetros quantitativos para trabalhos futuros. Estimamos que uma contagem de estoque em toda a loja está associada a um aumento aproximado de 11% nas vendas durante os 2 meses após a auditoria, fornecendo uma avaliação da ordem de grandeza do valor econômico da correção dos registros de estoque. Também mostramos que esse aumento é altamente heterogêneo. Os benefícios se concentram nas SKUs com IRI negativa no momento da auditoria, enquanto SKUs com IRI positiva ou registros precisos não apresentam resposta perceptível nas vendas. Itens perecíveis — que também exibem IRI inicial mais elevada — apresentam melhoria das vendas pós-auditoria mais acentuada que os itens não perecíveis. Em conjunto, essas constatações aprimoram nossa compreensão empírica sobre onde e para quem as auditorias são mais importantes e oferecem pontos de referência quantitativos para estudos posteriores.

Terceiro, documentamos efeitos dinâmicos do tratamento que enriquecem a base empírica para futuros trabalhos sobre o momento e o direcionamento das auditorias. O efeito do tratamento se fortalece no segundo mês após a auditoria, em vez de desaparecer de imediato, sugerindo que os benefícios da correção dos registros podem se desenvolver gradualmente à medida que as rotinas de reposição e a demanda dos clientes se ajustam. A decomposição dos efeitos segundo o sinal da IRI e a perecibilidade do produto também destaca grupos específicos de produtos — especialmente SKUs perecíveis com registros superestimados — como alvos promissores para políticas de auditoria mais seletivas. Esses padrões empíricos podem ajudar a orientar a calibração de modelos futuros e o desenho de estudos de intervenção posteriores.

Esses padrões empíricos também têm implicações diretas para a forma como os varejistas devem alocar esforços de auditoria, atenção gerencial e tecnologias de apoio.

6.3 | Implicações gerenciais

Nossas constatações oferecem orientações aplicáveis aos gerentes varejistas que buscam melhorar a precisão do estoque e o desempenho de vendas. Primeiro, a identificação dos níveis de estoque, da frequência de reposição e da perecibilidade como fatores determinantes centrais da IRI pode orientar a priorização dos esforços de controle de estoque. Produtos expostos a manuseio frequente, reposição repetida e gestão mais rigorosa da vida útil são mais propensos a apresentar taxas mais rápidas de degradação da informação (Chuang et al. 2022) e, portanto, devem receber maior atenção de monitoramento, rotinas de execução mais disciplinadas e, quando apropriado, apoio tecnológico seletivo.

Segundo, os efeitos heterogêneos das auditorias implicam que os varejistas não precisam tratar todas as SKUs como alvos de igual valor para a correção do estoque. Como os benefícios das auditorias para as vendas se concentram nos itens com IRI negativa e são mais fortes para os produtos perecíveis, os varejistas podem aumentar o retorno dos investimentos em controle de estoque priorizando categorias e itens com maior risco de discrepâncias ocultas de estoque. Isso aponta para uma lógica de auditoria mais seletiva, na qual frequência, mão de obra e atenção de acompanhamento são alocadas de acordo com as características do produto e o risco de discrepância, em vez de uniformemente em toda a loja. Embora não tivéssemos acesso ao custo de realização de uma auditoria, o método aqui descrito permite aos gerentes quantificar os benefícios de uma auditoria e tomar uma decisão mais bem informada sobre o momento e a intensidade das auditorias futuras. A demonstração empírica de um aumento aproximado de 11% nas vendas em toda a loja após as auditorias de estoque sugere que as auditorias devem ser vistas como investimentos operacionais valiosos, mudando sua percepção de tarefas voltadas à conformidade para um fator estratégico do negócio.

Terceiro, a associação negativa entre promoções e IRI altera o cálculo dos trade-offs entre os benefícios das promoções e as perturbações que elas causam às operações regulares. No varejista focal, as campanhas promocionais parecem introduzir rotinas estruturadas e maior escrutínio que reduzem as discrepâncias, sugerindo que práticas semelhantes poderiam ser estendidas para além dos períodos promocionais. Atividades como verificações mais rigorosas das prateleiras, verificações de estoque mais frequentes, atribuição mais clara das responsabilidades pelas tarefas e maior disciplina de execução durante as promoções podem servir como modelos para rotinas que aumentem a precisão nas operações cotidianas.

Por fim, as constatações têm implicações para o papel da tecnologia na gestão de estoque. Trabalhos anteriores mostram que tecnologias como RFID podem melhorar a visibilidade do estoque e reduzir a IRI, mas não eliminam completamente o problema (Hardgrave et al. 2009, 2013; Goyal et al. 2016). Nossos resultados reforçam essa visão ao mostrar que muitas discrepâncias surgem de processos de execução e manuseio que ainda exigem interpretação humana e ação corretiva. Portanto, as tecnologias que melhoram a visibilidade devem ser vistas como complementos, e não substitutos, da supervisão gerencial e das auditorias direcionadas. Abordagens híbridas que combinem a implementação seletiva de tecnologia com auditorias focalizadas e rotinas operacionais disciplinadas provavelmente serão mais eficazes para melhorar a precisão dos registros de estoque e o desempenho de vendas associado.

6.4 | Limitações e pesquisas futuras

Como qualquer estudo empírico, este trabalho tem limitações. Os experimentos de campo, em geral, alcançam maior realismo ao sacrificar a generalização contextual e o controle total do ambiente experimental (McGrath 1981; Abdulla et al. 2024). Em nosso caso, o estudo quase-experimental foi realizado em um único par de lojas pareadas de um só varejista, e restrições econômicas limitaram o grau em que as condições de controle puderam ser mantidas completamente estáveis. São necessários testes adicionais para verificar se as contagens de estoque podem exercer um efeito geralmente positivo sobre as vendas ao reduzir a desordem da loja e para verificar a direção e a escala dos efeitos heterogêneos aqui detectados, incluindo os associados ao estado da IRI, à perecibilidade e às promoções. A replicação em diversos ambientes varejistas e amostras maiores fortaleceria a validade externa. A estrutura quase-experimental aqui proposta pode ser adaptada por varejistas que busquem avaliar o impacto das correções de estoque sobre as vendas em suas próprias operações. Por exemplo, os mecanismos subjacentes à nossa constatação de que a atividade promocional está associada a uma IRI mais baixa podem depender das rotinas promocionais, práticas de monitoramento e estruturas de conformidade específicas do varejista. No ambiente focal, as promoções parecem acionar processos reforçados de monitoramento e conformidade que reduzem as discrepâncias, mas varejistas que alocam menos atenção operacional aos produtos promovidos podem não experimentar o mesmo efeito. Pesquisas futuras devem examinar como a variação na governança promocional determina a relação entre promoções e precisão dos registros de estoque.

O estudo também está sujeito a limitações relacionadas à heterogeneidade gerencial não observada. Embora os efeitos fixos de loja controlem diferenças invariantes no tempo entre as lojas, e tenhamos procurado controlar mudanças nos processos gerenciais, alterações não observadas na qualidade da execução local, na disciplina do pessoal, nas práticas gerenciais ou em iniciativas concomitantes ainda poderiam afetar tanto o surgimento da IRI quanto o impacto das auditorias. Pesquisas futuras devem examinar como a heterogeneidade gerencial variável no tempo influencia a formação da IRI e a eficácia das auditorias, por exemplo, combinando dados operacionais com avaliações das rotinas e capacidades no nível da loja baseadas em pesquisas ou métodos qualitativos. Isso ajudaria a esclarecer quando e como a atenção gerencial amplia ou atenua os efeitos aqui documentados.

Outra limitação diz respeito aos mecanismos que relacionam as auditorias, as correções da IRI e os resultados de vendas. O estudo fornece evidências de que a correção da IRI negativa está associada a vendas mais elevadas e apresenta argumentos teoricamente fundamentados de que essa melhoria provavelmente decorre de melhor disponibilidade dos produtos e menor congelamento de estoque. Entretanto, esses mecanismos intermediários não são observados diretamente em nossos dados. Esse é um desafio mais amplo para essa linha de pesquisa, porque a IRI não é diretamente observável no momento em que ocorre; ela somente pode ser medida ex post por meio de esforços deliberados de auditoria. Portanto, será difícil desenvolver uma explicação mais completa do caminho causal desde o surgimento da discrepância até as rupturas de estoque e as vendas perdidas. Ainda assim, nossas constatações quase-experimentais fornecem evidências consistentes com os mecanismos propostos, e pesquisas futuras podem se apoiar nessa base integrando os registros de estoque a dados detalhados de disponibilidade na prateleira, informações das cestas dos clientes ou estudos observacionais dos processos de reposição.

As constatações e limitações acima sugerem duas áreas potenciais para pesquisas futuras. Primeiro, é necessário compreender melhor os fatores determinantes da IRI. DeHoratius and Raman (2008) forneceram os primeiros insights sobre o problema. Ampliamos a literatura sobre IRI ao identificar a perecibilidade e as promoções como fatores determinantes que desempenham um papel especialmente importante no varejo de alimentos. Ambos os estudos, porém, utilizam especificações lineares para isolar o efeito de diferentes fatores determinantes. Pesquisas futuras devem testar interações não aditivas entre os fatores, pois as interações podem criar efeitos de limiar ou amplificação ignorados pelos modelos lineares. Por exemplo, o impacto da atividade promocional sobre a IRI pode diferir dependendo da perecibilidade de um item ou da velocidade de saída da prateleira; efeitos não lineares — como aumentos da IRI baseados em limiares sob níveis de estoque muito elevados — poderiam ser explorados para refinar nossa compreensão atual e orientar intervenções operacionais mais direcionadas. Da mesma forma, ambos os estudos sobre os fatores determinantes da IRI são correlacionais, e novas pesquisas são necessárias para identificar as causas fundamentais da IRI. Uma abordagem promissora nesse contexto é o aprendizado de máquina, que apresentou bom desempenho na identificação de padrões que explicam a variação de uma variável de interesse (consulte Chou et al. 2023 para exemplos e uma discussão do uso de aprendizado de máquina na identificação de padrões e no desenvolvimento da teoria). Somente com explicações causais da IRI poderemos quantificar e enfrentar as questões operacionais que a causam, o que permitirá reduzir sua incidência. O desenvolvimento de explicações mais completas dos mecanismos causais, porém, continua sendo um desafio significativo porque, como discutido acima, os eventos de IRI não são diretamente observáveis, e só conseguimos detectá-los e relatá-los post facto (Chuang et al. 2022). Ainda assim, estudos adicionais com amostras mais amplas e durante períodos mais longos devem permitir testar outros possíveis fatores determinantes (mesmo em sentido correlacional) e revelar insights que ajudariam a desenvolver estratégias de contagem de estoque para direcionar melhor os recursos aos produtos que oferecem maior potencial de melhoria das vendas. Como as contagens de estoque exigem muita mão de obra — e, consequentemente, têm alto custo — em muitos setores, os varejistas poderiam comparar o custo de auditar uma categoria específica de produtos com o potencial de melhoria das vendas desse grupo de SKUs. O resultado poderia ser a realização de contagens seletivas de estoque, com maior frequência de auditoria para itens que sofrem especialmente com registros de estoque imprecisos.

A segunda área de pesquisa futura sugerida por nossas constatações é explorar o momento das auditorias para o grupo-alvo de SKUs. Este estudo apresentou algumas evidências da dinâmica das correções da IRI sobre as vendas por meio dos efeitos temporais nos Modelos 2, 3 e 4. Os resultados, contudo, são difíceis de interpretar porque as vendas também são afetadas por outros fatores dependentes do tempo (por exemplo, sazonalidade da demanda, feriados, atividade promocional). Se, como sugerem nossos resultados, o aumento das vendas decorrente da auditoria for causado pela correção de produtos ‘congelados’ — ou por uma situação em que o estoque é tão baixo que limita as vendas —, talvez uma estratégia mais promissora seja avaliar a evolução da magnitude da IRI. Chuang et al. (2022) utilizaram dados empíricos para estimar a deterioração dos registros de estoque, de precisos para imprecisos, e desenvolveram uma política de inspeção que minimiza o custo combinado da realização das auditorias e o custo esperado da IRI para um grupo de SKUs. Sua política, porém, baseia-se em uma expectativa do momento em que um item se tornará impreciso e em uma agregação das magnitudes dos erros. Nossas constatações sugerem que maior precisão na descrição da evolução da magnitude da IRI tem potencial para políticas de auditoria mais direcionadas e reduções adicionais de custos.

Agradecimentos

Os autores agradecem ao editor sênior e aos pareceristas por seus comentários construtivos, que ajudaram a melhorar uma versão anterior deste manuscrito. A pesquisa descrita neste artigo deriva de um projeto apoiado pelo Efficient Consumer Response (ECR) Retail Loss Group. Agradecemos a Colin Peacock, da ECR, por seu papel significativo neste projeto, desde sua encomenda até a garantia da divulgação dos resultados. Reconhecemos as várias contribuições da comunidade varejista, incluindo o valioso retorno sobre nossa pesquisa recebido em seus eventos em Barcelona, Düsseldorf, Paris, Brussels, Copenhagen e London. Este artigo é dedicado à memória de Simon Parry, da RGIS, que faleceu pouco antes de este artigo estar pronto para submissão. Simon foi um membro valioso de nossa equipe e da ECR e fará muita falta. Financiamento de acesso aberto viabilizado e organizado por Projekt DEAL.

Conflitos de interesse

Os autores declaram não haver conflitos de interesse.

Notas finais

1. “Congelamento de estoque” refere-se a um item em ruptura de estoque (Out-Of-Stock, OOS) que não é reposto porque o sistema de informações acredita que há estoque disponível (Kang and Gershwin 2005).
2. As 11 categorias a seguir foram consideradas perecíveis: padaria; laticínios; delicatessen; alimentos para viagem; frutas; carnes; aves, peixes & ovos; refeições preparadas (duas categorias); saladas e produtos hortifrutícolas preparados; vegetais. As categorias não perecíveis incluem vinhos; tabaco; itens essenciais de cozinha & lar; saúde & beleza; alimentos básicos; compras por impulso; família & lar; hospitalidade; cervejas, sidras & destilados; sazonais, ocasiões & presentes.
3. Observe que as palavras ‘contagem’ e ‘auditoria’ são utilizadas de forma intercambiável para os fins deste artigo. A rigor, e se quiséssemos ser consistentes com a terminologia empregada pelo varejista parceiro, deveríamos nos referir a ‘inventários’. Entretanto, ‘contagens de estoque’ e ‘auditorias de estoque’ parecem ser os termos mais populares na literatura e na prática.
4. Utilizamos h minúsculo para designar as hipóteses do estudo de DHR. As hipóteses de nosso estudo são designadas por H maiúsculo.
5. As janelas de dois meses pré e pós-tratamento foram restrições organizacionais e foram definidas para minimizar a interferência nas operações normais do varejista, por exemplo, evitando adiar por muito tempo o tratamento da loja de controle.
6. Confirmamos esse resultado utilizando o comando didregress no Stata e obtendo o teste formal de tendências paralelas (estat pretends). O Modelo 2 também passa no teste de causalidade de Granger (estat granger) (p = 0,112), descrito em detalhes para o Modelo 3.
7. O Modelo 3 também passa no teste de tendências paralelas conforme implementado no Stata (p = 0,114).
8. Os fatores são calculados comparando o efeito do tratamento nos itens que exigiram uma correção negativa no Modelo 4 (\(\gamma + \delta_n\)) com o efeito médio do tratamento no Modelo 2 (\(\gamma\)) e as vendas médias pós-tratamento no Modelo 1 (\(\beta_0 + \beta_1 + \beta_2\)).

Apêndice A

^aOs autores não investigaram uma loja de varejo, mas um centro de distribuição, uma instalação de suprimentos ou um armazém.

Referências

Aastrup, J., and H. Kotzab. 2009. “Analyzing Out-of-Stock in Independent Grocery Stores: An Empirical Study.” International Journal of Retail & Distribution Management 37, no. 9: 765–789.

Abdulla, H., R. Escamilla, and R. Oliva. 2024. “Registered Reports Review for Field Experiments.” Journal of Operations Management 70, no. 7: 1042–1047.

Afifi, A. A., and V. Clark. 1997. Computer-Aided Multivariate Analysis. Chapman and Hall.

Ailawadi, K. L., J. P. Beauchamp, N. Donthu, D. K. Gauri, and V. Shankar. 2009. “Communication and Promotion Decisions in Retailing: A Review and Directions for Future Research.” Journal of Retailing 85, no. 1: 42–55.

Akkas, A. 2019. “Shelf Space Selection to Control Product Expiration.” Production and Operations Management 28, no. 9: 2184–2201.

Akkas, A., V. Gaur, and D. Simchi-Levi. 2019. “Drivers of Product Expiration in Consumer Packaged Goods Retailing.” Management Science 65, no. 5: 2179–2195.

Angrist, J. D., and J.-S. Pischke. 2009. Mostly Harmless Econometrics. Princeton University Press.

Barratt, M., T. J. Kull, and A. C. Sodero. 2018. “Inventory Record Inaccuracy Dynamics and the Role of Employees Within Multi-Channel Distribution Center Inventory Systems.” Journal of Operations Management 63: 6–24.

Berck, P., J. Brown, J. M. Perloff, and S. B. Villas-Boas. 2008. “Estimating and Testing a Demand System With Price and Expenditure Endogeneity.” Journal of Agricultural and Resource Economics 33, no. 1: 1–18.

Bertolini, M., E. Bottani, G. Romagnoli, and G. Vignali. 2015. “The Impact of RFID Technologies on Inventory Accuracy in the Apparel Retailing: Evidence From the Field.” International Journal of RF Technologies 6: 225–246.

Bertrand, M., E. Duflo, and S. Mullainathan. 2004. “How Much Should We Trust Differences-In-Differences Estimates?” Quarterly Journal of Economics 119, no. 1: 249–275.

Best, J., C. H. Glock, E. H. Grosse, Y. Rekik, and A. A. Syntetos. 2022. “On the Determinants of Positive Inventory Discrepancies in Retail Stores.” International Journal of Physical Distribution and Logistics Management 52, no. 5/6: 414–430.

Blattberg, R. C., R. Briesch, and E. J. Fox. 1995. “How Promotions Work.” Marketing Science 14, no. 3: G122–G132.

Cameron, A. C., and D. L. Miller. 2015. “A Practitioner's Guide to Cluster-Robust Inference.” Journal of Human Resources 50, no. 2: 317–372.

Campo, K., E. Gijsbrechts, and P. Nisol. 2004. “Dynamics in Consumer Response to Product Unavailability: Do Stock-Out Reactions Signal Response to Permanent Assortment Reductions?” Journal of Business Research 57: 834–843.

Card, D. 1992. “Using Regional Variation in Wages to Measure the Effects of the Federal Minimum Wage.” ILR Review 46, no. 1: 22–37.

Card, D., and A. B. Krueger. 1994. “Minimum Wages and Employment: A Case Study of the Fast Food Industry in New Jersey and Pennsylvania.” American Economic Review 84, no. 4: 772–793.

Cardinali, M. G., and S. Bellini. 2014. “Interformat Competition in the Grocery Retailing.” Journal of Retailing and Consumer Services 21: 438–448.

Chou, Y. C., H. H.-C. Chuang, P. Chou, and R. Oliva. 2023. “Supervised Machine Learning for Theory Building and Testing: Opportunities in Operations Management.” Journal of Operations Management 69, no. 4: 643–675.

Chuang, H. H.-C., and R. Oliva. 2015. “Inventory Record Inaccuracy: Causes and Labor Effects.” Journal of Operations Management 39-40: 63–78.

Chuang, H. H.-C., R. Oliva, and S. Kumar. 2022. “Group-Level Information Decay and Inventory Inspection: An Empirical-Analytical Approach.” Journal of Operations Management 68: 130–152.

Chuang, H. H.-C., R. Oliva, and S. Liu. 2016. “On-Shelf Availability, Retail Performance, and External Audits: A Field Experiment.” Production and Operations Management 25: 935–951.

Colla, E. 2004. “The Outlook for European Grocery Retailing: Competition and Format Development.” International Review of Retail Distribution & Consumer Research 14, no. 1: 47–69.

Corsten, D., and T. Gruen. 2003. “Desperately Seeking Shelf Availability: An Examination of the Extent, the Causes, and the Efforts to Address Retail Out-of-Stocks.” International Journal of Retail & Distribution Management 31: 605–617.

Cunningham, S. 2021. Causal Inference. Yale University Press.

DataHorizon Research. 2023. “Retail Analytics Market Size to Reach USD 40.4 Billion by 2032.” Accessed April 06, 2024. https://finance.yahoo.com/news/retail-analytics-market-size-reach-004000792.html.

DeHoratius, N., A. Holzapfel, H. Kuhn, A. J. Mersereau, and M. Sternbeck. 2023. “Evaluating Count Prioritization Procedures for Improving Inventory Accuracy in Retail Stores.” Manufacturing & Service Operations Management 25, no. 1: 288–306.

DeHoratius, N., A. J. Mersereau, and L. Schrage. 2008. “Retail Inventory Management When Records Are Inaccurate.” Manufacturing & Service Operations Management 10, no. 2: 257–277.

DeHoratius, N., and A. Raman. 2008. “Inventory Record Inaccuracy: An Empirical Analysis.” Management Science 54: 627–641.

East, R., W. Lomax, G. Wilson, and P. Harris. 1994. “Decision Making and Habit in Shopping Times.” European Journal of Marketing 28, no. 4: 56–71.

Ehrenthal, J. C. F., and W. Stölzle. 2010. “An Examination of the Causes for Retail Stockouts.” International Journal of Physical Distribution and Logistics Management 43: 54–69.

Eroglu, C., B. D. Williams, and M. A. Waller. 2011. “Consumer-Driven Retail Operations—The Moderating Effects of Consumer Demand and Case Pack Quantity.” International Journal of Physical Distribution and Logistics Management 41, no. 5: 420–434.

Fleisch, E., and C. Tellkamp. 2005. “Inventory Inaccuracy and Supply Chain Performance: A Simulation Study of a Retail Supply Chain.” International Journal of Production Economics 95: 373–385.

FoodNavigator. 2024. “Fresh Foods Drive Sales for Retailers, AI's Use Continues to Shape In-Store Operations, Data Analysis.” Accessed July 2025. https://www.foodnavigator-usa.com/Article/2024/08/08/fresh-foods-drive-sales-for-retailers-ai-s-use-continues-to-shape-in-store-operations-data-analysis/.

Goyal, S., C. C. Hardgrave, J. A. Aloysius, and N. DeHoratius. 2016. “The Effectiveness of RFID in Backroom and Sales Floor Inventory Management.” International Journal of Logistics Management 27: 795–815.

Gruen, T. W., D. Corsten, and S. Bharadwaj. 2002. Retail Out of Stocks: A Worldwide Examination of Extent, Causes and Consumer Responses. Grocery Manufacturers of America.

Gupta, S. K. 2011. “Intention-to-Treat Concept: A Review.” Perspectives in Clinical Research 2, no. 3: 109–112.

Hardgrave, B. C., J. A. Aloysius, and S. Goyal. 2009. “Does RFID Improve Inventory Accuracy? A Preliminary Analysis.” International Journal of RF Technologies: Research and Applications 1: 44–56.

Hardgrave, B. C., J. A. Aloysius, and S. Goyal. 2013. “RFID-Enabled Visibility and Retail Inventory Record Inaccuracy: Experiments in the Field.” Production and Operations Management 22: 843–856.

Hardgrave, B. C., S. Goyal, and J. A. Aloysius. 2011. “Improving Inventory Management in the Retail Store: The Effectiveness of RFID Tagging Across Product Categories.” Operations Management Research 4, no. 1-2: 6–13. https://doi.org/10.1007/s12063-011-0049-3.

Ishfaq, R., and U. Raja. 2020a. “Empirical Evaluation of IRI Mitigation Strategies in Retail Stores.” Journal of the Operational Research Society 71, no. 12: 1972–1985.

Ishfaq, R., and U. Raja. 2020b. “Effectiveness of Frequent Audits in Retail Stores: An Empirical Evaluation.” International Journal of Logistics Management 31, no. 1: 21–41.

Joseph, J., D. Laureiro-Martinez, A. Nigam, W. Ocasio, and C. Rerup. 2024. “Research Frontiers on the Attention-Based View of the Firm.” Strategic Organization 22, no. 1: 6–17.

Kahneman, D. 1973. Attention and Effort. Prentice-Hall.

Kang, Y., and S. B. Gershwin. 2005. “Information Inaccuracy in Inventory Systems: Stock Loss and Stockout.” IIE Transactions 37: 843–859.

Kesavan, S., B. R. Staats, and W. Gilland. 2014. “Volume Flexibility in Services: The Cost and Benefits of Flexible Labor Resources.” Management Science 60, no. 8: 1884–1906.

Ketzenberg, M., and M. E. Ferguson. 2008. “Managing Slow-Moving Perishables in the Grocery Industry.” Production and Operations Management 17, no. 5: 513–521.

Kim, B.-D., and K. Park. 1997. “Studying Patterns of Consumer's Grocery Shopping Trip.” Journal of Retailing 73, no. 4: 501–517.

Kull, T. J., M. Barratt, A. C. Sodero, and E. Rabinovich. 2013. “Investigating the Effects of Daily Inventory Record Inaccuracy in Multichannel Retailing.” Journal of Business Logistics 34: 189–208.

Lam, S. Y., M. Vandenbosch, J. Hulland, and M. Pearce. 2001. “Evaluating Promotions in Shopping Environments: Decomposing Sales Response Into Attraction, Conversion, and Spending Effects.” Management Science 20, no. 2: 194–215.

Lan, H., T. Lloyd, W. Morgan, and P. Dobson. 2022. “Are Food Price Promotions Predictable? The Hazard Function of Supermarket Discounts.” Journal of Agricultural Economics 73, no. 1: 184–207v.

Makadok, R., R. Burton, and J. Barney. 2018. “A Practical Guide for Making Theory Contributions in Strategic Management.” Strategic Management Journal 39, no. 6: 1530–1545.

Manikas, I., and L. A. Terry. 2010. “A Case Study Assessment of the Operational Performance of a Multiple Fresh Produce Distribution Centre in the UK.” British Food Journal 112, no. 6: 653–667.

McGrath, J. E. 1981. “Dilemmatics: The Study of Research Choices and Dilemmas.” American Behavioral Scientist 25, no. 2: 179–210.

Meredith, J. 1998. “Building Operations Management Theory Through Case and Field Research.” Journal of Operations Management 16: 441–454.

Meyer, H. 1990. “Inventory Accuracy—Is It Worth It? A Case Study.” Production and Inventory Management Journal 31: 15–17.

Millet, I. 1994. “A Novena to Saint Anthony, or How to Find Inventory by Not Looking.” Interfaces 24: 69–75.

Nakamura, E., and J. Steinsson. 2008. “Five Facts About Prices: A Reevaluation of Menu Cost Models*.” Quarterly Journal of Economics 123, no. 4: 1415–1464. https://doi.org/10.1162/qjec.2008.123.4.1415.

Ocasio, W. 1997. “Toward an Attention-Based View of the Firm.” Strategic Management Journal 18, no. S1: 187–206.

Ocasio, W. 2011. “Attention to Attention.” Organization Science 22, no. 5: 1286–1296.

Ocasio, W., T. Laamanen, and E. Vaara. 2018. “Communication and Attention Dynamics: An Attention-Based View of Strategic Change.” Academy of Management Review 43, no. 2: 227–249.

Rekik, Y., A. A. Syntetos, and C. H. Glock. 2019. “Modelling (And Learning From) Inventory Inaccuracies in e-Retailing/B2B Contexts.” Decision Sciences 50: 1184–1223.

Rerup, C. 2009. “Attentional Triangulation: Learning From Unexpected Rare Crises.” Organization Science 20, no. 5: 876–893.

Rinehart, R. F. 1960. “Effects and Causes of Discrepancies in Supply Operations.” Operations Research 8: 543–564.

Seaton, J. S., and M. Waterson. 2013. “Identifying and Characterising Price Leadership in British Supermarkets.” International Journal of Industrial Organization 31, no. 5: 392–403.

Shabani, A., G. Maroti, S. de Leeuw, and W. Dullaert. 2021. “Inventory Record Inaccuracy and Store-Level Performance.” International Journal of Production Economics 235: 108111.

Shadish, W. R., T. D. Cook, and D. T. Campbell. 2002. Experimental and Quasi-Experimental Designs for Generalized Causal Inference. Houghton Mifflin.

Sheppard, G. M., and K. A. Brown. 1993. “Predicting Inventory Record-Keeping Errors With Discriminant Analysis: A Field Experiment.” International Journal of Production Economics 32: 39–51.

Simon, H. A. 1947. Administrative Behavior. Macmillan.

Srinivasan, S., K. Pauwels, D. M. Hanssens, and M. G. Dekimpe. 2004. “Do Promotions Benefit Manufacturers, Retailers, or Both?” Management Science 50, no. 5: 617–629.

Sullivan, B. N. 2010. “Competition and Beyond: Problems and Attention Allocation in the Organizational Rulemaking Process.” Organization Science 21, no. 2: 432–450.

Tokar, T., J. A. Aloysius, M. A. Waller, and B. D. Williams. 2011. “Retail Promotions and Information Sharing in the Supply Chain: A Controlled Experiment.” International Journal of Logistics Management 22, no. 1: 5–25.

Ton, Z., and A. Raman. 2010. “The Effect of Product Variety and Inventory Levels on Retail Store Sales: A Longitudinal Study.” Production and Operations Management 19: 546–560.

U.S. Census Bureau. 2025. “Monthly Retail Trade Report.” Accessed July 2025. https://www.census.gov/retail/sales.html.

Van Donselaar, K., T. van Woensel, R. Broekmeulen, and J. Fransoo. 2006. “Inventory Control of Perishables in Supermarkets.” International Journal of Production Economics 104, no. 2: 462–472.

Vuori, T. O., and Q. N. Huy. 2016. “Distributed Attention and Shared Emotions in the Innovation Process: How Nokia Lost the Smartphone Battle.” Administrative Science Quarterly 61, no. 1: 9–51.

Wooldridge, J. M. 2010. Econometric Analysis of Cross Section and Panel Data. 2nd ed. MIT Press.

Yassin, C. A., and A. M. Soares. 2021. “Buy Now Before It Expires: A Study of Expiration Date-Based Pricing.” International Journal of Retail & Distribution Management 49, no. 4: 514–530.

Zhang, D. J., G. Allon, and J. A. van Mieghem. 2017. “Does Social Interaction Improve Learning Outcomes? Evidence From Field Experiments on Massive Open Online Courses.” Manufacturing & Service Operations Management 19, no. 3: 347–367.