IA na logística de última milha: inovação no gerenciamento de rotas e entregas

O gerenciamento de rotas desempenha um papel decisivo na logística e no transporte de mercadorias: pode fazer a diferença entre o sucesso e o fracasso na entrega de produtos. É por isso que tem sido um dos temas mais estudados nesta área ao longo do século passado. No entanto, apesar da atenção recebida, a eficiência ideal no roteamento e comunicação de veículos ainda não foi alcançada na logística da última milha. Os mais recentes avanços tecnológicos em inteligência artificial e aprendizado de máquina podem ser as peças que faltam para resolver esse quebra-cabeça.

A base do gerenciamento de rotas é o problema do viajante. Os estudiosos o estudam desde o início do século XIX, mas o problema de roteamento de veículos (VRP, por suas siglas em inglês) abordado hoje na logística foi formalmente introduzido em 1959 por George Dantzig e John Ramser. Desde então, os pesquisadores analisaram inúmeras variações e extensões do VRP na tentativa de resolver uma ampla variedade de problemas. Na atualidade existem algoritmos e modelos muito eficazes que permitem representar grande parte da complexidade que o mundo real acarreta. A indústria e o mundo acadêmico estão muito mais próximos de dominar os problemas modernos de roteirização do que estavam quando Dantzig e Ramser entraram na área, há 65 anos. No entanto, as abordagens metodológicas existentes só nos levaram até 80% do caminho. Os restantes 20% não eram tão cruciais num mundo onde as pessoas ainda não faziam compras online e as opções de transporte rápidas e flexíveis não eram tão importantes para satisfazer as necessidades dos consumidores. Ainda assim, as expectativas aumentaram muito nos últimos anos. Os clientes exigem velocidade e nível de individualização sem precedentes. De repente, aqueles 20% que os métodos tradicionais não conseguiam alcançar tornaram-se muito relevantes devido aos serviços logísticos altamente reativos atualmente necessários.

Os grandes caminhões que vemos na estrada geralmente fazem cerca de 120 paradas por día

O que torna a logística da última milha complexa são as rotas cada vez mais fragmentadas e restritas. Ao contrário de um viajante que procuraria simplesmente a rota mais curta ou mais conveniente entre o ponto A e o ponto B, o carro de entregas de uma empresa como a Amazon ou a UPS tem de fazer múltiplas entregas numa rota única, consolidada e eficiente. As grandes vans que vemos na estrada costumam fazer cerca de 120 paradas por dia, e estas devem ser sequenciadas para que, embora nem sempre o percurso mais curto seja concluído, todo o itinerário seja otimizado. Trata-se de encontrar o caminho mais rápido, mais barato e mais curto para conectar esses 120 pontos do mapa, respeitando os prazos de entrega, as restrições de estacionamento ou acesso e a disponibilidade do cliente.

Em vez de ser apenas um problema matemático, a eficiência da última milha é um problema humano porque as pessoas, como o condutor, são uma grande fonte de incerteza. A sua experiência, se conhece a zona ou se está a ter um mau dia, influencia a forma como interage com os outros participantes no sistema de mobilidade e como irá completar um percurso. Embora as empresas os otimizem ao máximo, imprevistos, como acidentes de trânsito, podem alterar completamente as previsões de tempo de viagem. Muitos destes fatores são difíceis ou quase impossíveis de controlar, e é aqui que as abordagens tradicionais têm dificuldade em encontrar uma solução.

Colocar o cliente no centro

Começamos a pesquisar a logística de última milha em megacidades há cerca de dez anos porque os processos tendem a ser mais complexos em áreas com alta densidade populacional. A densidade é um dos maiores impulsionadores da complexidade da última milha, uma vez que a maioria das cidades nunca foi planejada para o tamanho que atingiu. Cresceram ao longo da história, mas a sua infraestrutura de transporte não cresceu proporcionalmente. Não estão adaptados ao grande número de pessoas e bens que entram e saem deles todos os dias. À medida que as cidades crescem, aumenta a procura de bens, serviços e a necessidade de movimentar bens e pessoas. O resultado é um aumento substancial na densidade do tráfego em estradas que são muito difíceis de ampliar, causando engarrafamentos.

O aumento da demanda pode ter efeitos positivos e negativos na logística da última milha. Com os clientes altamente concentrados numa área, em teoria, seriam necessários tempos de viagem mais curtos para concluir as entregas. As rotas deveriam ser mais produtivas e eficientes, mas a desvantagem é que, numa rede rodoviária cada vez mais colapsada, as viagens tornam-se mais longas e imprevisíveis e até os acidentes mais simples podem causar atrasos graves. Assim, a produtividade e a duração total das rotas podem piorar, tornando-as menos previsíveis do que aquelas desenvolvidas em ambientes rurais de baixa densidade.

A última milha representa 40% dos custos logísticos das empresas

Estamos explorando novos métodos inspirados na inteligência artificial e no aprendizado de máquina porque o mundo se move mais rápido do que as fórmulas tradicionais. Além disso, a tendência de concentrar os processos logísticos em torno das necessidades individuais gerou um problema de roteamento última geração. É por isso que são necessárias abordagens mais baseadas em dados. Os modelos e algoritmos que criamos para resolver estes problemas devem ser capazes de aprender e atualizar-se continuamente para obter informações mais detalhadas. Devem desenvolver uma compreensão evolutiva das características, comportamentos e limitações ligadas a cada cliente, rota ou veículo. É aqui que a IA e o ML possuem uma vantagem única sobre os métodos tradicionais de pesquisa operacional (IO).

Geralmente, a última milha representa 40% dos custos logísticos das empresas. Portanto, é necessário ser capaz de prever quando e onde um produto será adquirido com grande precisão espaço-temporal. Saiba, por exemplo, quantas unidades de uma determinada referência serão adquiridas em um determinado CEP nos próximos 30 minutos. Este é outro exemplo de como a previsão da procura se torna dependente de técnicas de previsão de machine learning tecnologia de ponta para atender às capacidades preditivas cada vez mais exigentes das empresas.

Eficiência com um toque humano

O objetivo é traçar rotas que não sejam apenas curtas, econômicas e rápidas, mas também eficazes para os motoristas. Prestamos atenção à forma como adaptam os planos que recebem pela manhã porque sabem onde estacionar com segurança, como evitar o trânsito ou a que horas é provável que os seus clientes estejam disponíveis melhor do que qualquer algoritmo. Este conhecimento tácito embutido em cada motorista é impossível de codificar na implementação estática de um algoritmo de otimização ou em um conjunto de equações. Agora, poderíamos encontrar rotas mais adequadas observando o comportamento real dos motoristas ao longo do tempo. Uma perspectiva baseada na aprendizagem poderia captar o conhecimento de condutores mais experientes, detectando padrões na forma como executam as suas rotas. Além disso, estes poderiam ser continuamente treinados com novos dados do mundo real, tais como fechamentos temporários de estradas ou mudanças nas preferências. Esta é a abordagem de planejamento de rotas que devemos explorar mais detalhadamente.

Se antigamente o público era tratado como uma massa uniforme, hoje são consideradas suas solicitações e características individuais. Para isso, as empresas precisam captar informações mais específicas sobre cada parada, e isso depende de aspectos tão específicos quanto o tipo de edificação do usuário. Há alguns anos, eram oferecidas janelas de tempo e os clientes escolhiam quando queriam receber o pacote. Agora, a expectativa é que o processo logístico antecipe a disponibilidade e preferências de cada pessoa. À medida que os serviços de alto nível, como a entrega no mesmo dia, se tornam mais comuns, também precisam de se tornar mais acessíveis a uma parcela maior da população, incluindo aqueles que não residem nos grandes centros urbanos.

O objetivo é mapear rotas que não sejam apenas curtas, econômicas e rápidas, mas também sejam eficazes para os motoristas

O nível de qualidade e velocidade proporcionado por sistemas de última geração era inimaginável há alguns anos. Além dessas vantagens, outras melhorias estão relacionadas à sustentabilidade. A logística e os transportes são um dos principais responsáveis pelas emissões de carbono e, consequentemente, pelas alterações climáticas. Sem descarbonizar esta indústria, não conseguiremos travar o pior cenário. Sem os novos métodos e inovações que esperamos desenvolver no Intelligent Logistics Systems Lab do MIT, a indústria não será capaz de cumprir as ambiciosas metas de descarbonização necessárias para fazer a diferença.

Pesquisa com métodos híbridos

Vemos um enorme potencial na utilização de métodos híbridos que combinem o melhor dos dois mundos, ou seja, conectando a pesquisa operacional tradicional com técnicas de machine learning e inteligência artificial. No MIT pretendemos agrupar nossas atividades de pesquisa sobre esses métodos e suas aplicações no recém-criado Intelligent Logistics Lab. Nosso objetivo é vislumbrar uma geração futura de sistemas logísticos que possibilitem serviços que só podemos imaginar hoje, mas que se tornarão realidade nos próximos anos.

As últimas tendências exigem que desenvolvamos soluções mais inteligentes e ágeis na resposta às mudanças do ambiente socioeconômico e geopolítico, e na Mecalux encontramos um parceiro que realmente acredita nestes métodos. Devemos aprender com o conhecimento de muitas das pessoas que dirigem a indústria todos os dias, seja o motorista, o trabalhador do armazém ou o executivo da cadeia de abastecimento com 40 anos de experiência. Precisamos ampliar essas competências e incorporá-las em modelos quantitativos para resolver os problemas cada vez mais complexos que a indústria enfrenta de forma rápida e escalonável.

 

---

 

 

---

 

Referências:

Dantzig, G. B., and J. H. Ramser. 1959. The Truck Dispatching Problem. Management Science 6 (1): 80–91.