Análise de dados descritiva, preditiva e prescritiva para um WMS mais eficiente e adaptável

25 set 2023

Mustafa Çağrı Gürbüz, Professor de Gerenciamento da Cadeia de Suprimentos no MIT-Zaragoza

POR MUSTAFA ÇAĞRI GÜRBÜZ
Professor de Gerenciamento da Cadeia de Suprimentos no MIT-Zaragoza International Logistics Program

Alcançar um equilíbrio entre oferta e procura é um dos principais desafios do gerenciamento da cadeia de suprimentos. Este é um grande desafio, dadas as incertezas que surgem no processo de fornecimento, tais como desempenho aleatório ou interrupções, e flutuações na procura, tais como a sazonalidade. Os armazéns, como parte integrante das cadeias de suprimentos, desempenham um papel crucial, pois atuam como intermediários entre fabricantes e clientes. Mesmo quando estão esgotadas, estas instalações continuam a ser o principal elo entre os dois extremos da cadeia, como exemplificam os cross-docks. Além de manter estoques, os armazéns visam reduzir custos (encargos de transporte de entrada e saída) consolidando produtos, e assim conseguem economias de escala.

Garantir o nível de serviço, tempos de resposta rápidos e alta disponibilidade de estoque, ao menor custo possível é mais complicado do que parece. Isto deve-se, entre outras razões, aos ciclos de vida mais curtos dos produtos, à sua natureza perecível em muitos setores (dispositivos eletrônicos, vestuário, alimentos frescos...), à proliferação de referências, à complexidade das cadeias de suprimentos, e às demandas dos consumidores, que buscam produtos altamente personalizados. Dado que os processos de oferta e procura têm um impacto significativo nas operações logísticas, qualquer perturbação pode causar perturbações ou ineficiências significativas no funcionamento do armazém.

Por exemplo, a probabilidade de o fornecedor principal sofrer perturbações pode levar as empresas a solicitar a vários fornecedores ou a aumentar os níveis de estoque para mitigar o risco. Esse tipo de decisão pode aumentar a complexidade dos processos de recebimento nas instalações e exigir investimentos adicionais para ampliar a capacidade de armazenamento. Pequenas interrupções, como atrasos na entrega de fornecedores ou flutuações de demanda de curto prazo, também podem dificultar a sincronização dos processos de entrada e saída, levando a um aumento inesperado na carga de trabalho.

A análise preditiva pode ser usada para determinar a taxa de exposição ao risco dos atores envolvidos na cadeia de suprimentos, bem como do próprio armazém. Também pode garantir que o tempo de sobrevivência (quanto tempo uma cadeia de suprimentos pode durar sem um nó específico) e o tempo de recuperação, dois conceitos introduzidos pelo professor do MIT David Simchi-Levi, estejam dentro dos limites permitidos para poder continuar com a atividade normal do armazém.

Decisões baseadas em dados

A utilização de modelos baseados em dados estatísticos é cada vez mais comum no gerenciamento da cadeia de suprimentos, especialmente porque as decisões já não podem depender apenas do julgamento humano. O acesso a grandes quantidades de dados estruturados e não estruturados e análises extensas permitem identificar padrões e correlações entre os vários impulsionadores do desempenho da cadeia de suprimentos.

Os modelos de big data, descritivos, preditivos e prescritivos, utilizar técnicas estatísticas, mineração de dados e aprendizado automático. Segundo Kumar, modelos baseados no machine learning, tal como o algoritmo de regressão florestal aleatória, pode ser utilizado em armazéns, por exemplo, para minimizar o desperdício (cerca de um terço das frutas e vegetais frescos do mundo são jogados fora).

A tomada de decisões na cadeia de suprimentos é cada vez mais automatizada e baseada em dados

Da mesma forma, modelos semelhantes podem ser usados para planificar o layout dos armazéns, gerenciar efetivamente os equipamentos de movimentação e mão de obra, monitorar as operações (preparação de pedidos, estoque e armazenamento), bem como melhorar a tomada de decisões em caso de interrupções ou eventos inesperados. A DHL, por exemplo, tem utilizado tecnologias de análise de big data para impulsionar o planejamento preditivo da rede, o gerenciamento de valor do cliente ou dos riscos, e a previsão das necessidades de oferta e procura de suprimentos. Na sua investigação sobre a aplicação de machine learning em armazéns, Tufano confirma que algoritmos baseados em dados estatísticos podem ser utilizados para identificar SKU similares e localizá-los próximos uns dos outros ou prever a carga de trabalho na preparação de pedidos e determinar áreas e políticas de picking apropriadamente ajustadas.

Aplicações e casos práticos

WMS com identificação automática e captura de dados

Uma das principais funções de um sistema de gerenciamento de armazém (WMS) é fornecer visibilidade entre as operações de compras e logística, portanto, a precisão dos dados obtidos e compartilhados é determinante. Com a identificação automática e captura de dados (AIDC) é possível dispensar processos em papel, minimizando assim erros na entrada de informação.

Os gêmeos digitais, juntamente com AIDC e blockchain, são soluções promissoras para melhorar a eficiência nas operações de armazenamento. Os digital twins não se destinam apenas ao rastreamento e monitoramento, mas também são utilizados para criar modelos descritivos/preditivos que otimizam as operações. A acessibilidade da Internet das Coisas (IoT) facilita o desenvolvimento deste tipo de ferramentas.

Indicadores Preditivos de Desempenho (KPP), tais como a variação da demanda, a redução dos níveis de estoque, a alteração dos prazos de entrega dos fornecedores, o estado dos equipamentos de movimentação e a carga de trabalho, possibilitam antecipar cenários com grande confiabilidade. A combinação desta capacidade de previsão com WMS e gêmeos digitais agilizaria ainda mais as operações: movimentos desnecessários (percorrer distâncias excessivas no armazém) seriam eliminados, a produtividade aumentaria (os trabalhadores se concentrariam em outras tarefas em caso de entregas atrasadas ou coletadas) e faltas de equipamentos ou mercadorias seriam evitadas (graças à manutenção preditiva e ao melhor planejamento de pessoal).

Dr. Mustafa Çagri Gürbüz destaca a importância da análise preditiva na logística

Como resultado, um WMS otimizado com tecnologias IoT e gêmeos digitais ajudaria as empresas a implementar com mais sucesso estratégias como just-in-time (JIT), o vendor managed inventory (VMI) e o cross-docking, que exigem um esforço considerável de sincronização, previsão, coordenação e planificação. Esses sistemas também têm o potencial de detectar e resolver discrepâncias mais rapidamente. Por exemplo, ao melhorar as capacidades de monitoramento e coletar informações rotineiramente, em oposição às auditorias trimestrais ou anuais, o WMS pode identificar instantaneamente que um artigo não enviado em uma remessa para um varejista estava realmente na estante do armazém e responder sem demora à reclamação feita pelo varejista.

WMS baseado em IoT para melhorar produtividade e eficiência

Em estudo publicado no International Journal of Production Research, Lee discute a implementação de um WMS baseado em IoT, integrado com técnicas de agrupamento difuso, para gerenciar as operações de uma empresa fabricante de caixas e equipamentos. Neste caso específico, os pedidos dos clientes são pequenos e altamente personalizados. Estas variáveis fazem com que o gerenciamento manual das operações diminua a capacidade de reação às alterações nos pedidos e até aumente o seu custo: dependendo da memória e experiência dos trabalhadores pode representar 50% do total das despesas operacionais dos processos de picking.

No caso prático analisado, os clientes solicitam frequentemente alterações, como entradas, saídas e cancelamentos. Isto requer um WMS flexível, capaz de prever tais mudanças e responder rapidamente para garantir a disponibilidade de matérias-primas e produtos semiacabados.

O modelo difuso desenvolvido pelos pesquisadores, que é alimentado por um mecanismo baseado em regras, coleta informações sobre o número atual de pedidos, o número de referências, o tempo restante até a data programada de início, a localização dos artigos, os detalhes do cliente, a quantidade necessária e o número de operadores disponíveis. Com esses dados, o sistema consegue prever o status do próximo período e propor uma resposta, como selecionar o picking em lote como o método ideal em vez da preparação de pedidos por unidades.

O WMS baseado em IoT com agrupamento difuso proposto por Lee e coautores do estudo pode monitorar materiais em tempo real e se adaptar rapidamente às mudanças nos pedidos. Os pesquisadores mostram que esse modelo preditivo/prescritivo melhora a produtividade, a precisão da picking, a eficiência e a capacidade de responder à variabilidade dos pedidos. O modelo proposto permite gerenciar mais pedidos por unidade de tempo, reduzir erros, aumentar as taxas de execução de pedidos, aumentar sua precisão e melhorar a precisão dos registros de estoque. Esses resultados podem ser atribuídos tanto às capacidades analíticas do modelo preditivo/prescritivo quanto ao WMS baseado em IoT.

Projeto de armazém preditivo utilizando aprendizado de máquina

Na publicação Machine learning approach for predictive warehouse design, Tufano desenvolve um modelo de aprendizado de máquina capaz de prever múltiplos aspectos de um sistema de armazenamento com base em observações prévias. O primeiro aspecto considera a tecnologia de armazenamento, por exemplo, sistemas automáticos de armazenamento com transelevadores, sistemas de compactação, estantes cantilever, sistema miniload para caixas, estantes para paletes e para picking. O segundo considera os equipamentos de movimentação (empilhadeira, empilhadeira elevadora, selecionadora de pedidos, etc.). O terceiro aspecto está relacionado com a estratégia de distribuição de armazenamento, por exemplo, se os produtos destinados a pedidos e reservas são armazenados juntos numa área ou é atribuída uma área para cada tipo de estoque. O quarto aspecto trata da política de picking, por exemplo, se são pedidos unitários ou multiunidades.

As tecnologias, big data ou machine learning permitem que as empresas implementem modelos descritivos, preditivos e prescritivos

No modelo de aprendizagem proposto pelos pesquisadores, os KPIs utilizados são SKU profiling (comportamento de cada SKU), inventory profiling (identificação da localização ideal), workload profiling (como e onde a carga de trabalho é distribuída) e layout profiling (como os recursos são colocados e organizados). O inventory profiling, por exemplo, seria usado para prever o risco de quebra de estoque, identificando o momento imediatamente anterior ao esgotamento dos estoques devido ao aumento da demanda por um determinado artigo.

Este modelo requer o conhecimento de informações como os dados de entrada (localização da mercadoria) e de saída (picking), as coordenadas do layout do armazém, os volumes de cada SKU e o detalhe da lista de preparação de pedidos. O modelo de aprendizagem automática, cujo objetivo é prever a configuração do armazém que se adapta a cada referência, foi validado com dados recolhidos de 16 empresas pertencentes a setores como o automóvel, industrial, alimentar e bebidas, cosmético e editorial.

O modelo visa fornecer soluções viáveis e flexíveis, embora não necessariamente ideais, que se adaptam às práticas industriais. Por exemplo, fornecedores 3PL muitas vezes têm dificuldade em tomar decisões de projeto devido à imprevisibilidade da demanda, que se caracteriza por ter um padrão irregular. Além disso, podem não conhecer as necessidades exatas dos seus novos clientes e os contratos existentes podem mudar frequentemente. Um exemplo seria a rotatividade de referências devido ao vencimento de contratos com clientes. Segundo Tufano e os coautores do estudo, os prestadores de serviços logísticos poderão beneficiar deste modelo preditivo suportado em dados, sobretudo se tiverem informação sobre parâmetros essenciais como o volume/peso de cada referência e a dinâmica da procura de mercado (popularidade, sazonalidade).

Previsão de carga de trabalho de curto prazo e gerenciamento eficaz da força de trabalho

A tomada de decisões na cadeia de suprimentos é cada vez mais automatizada e baseada em dados. No entanto, o julgamento humano continua a ser um fator decisivo no planejamento da oferta e da procura. Da mesma forma, uma parte significativa das operações de armazenamento, como a preparação de pedidos e a embalagem, dependem fortemente da mão-de-obra. As cargas de trabalho do armazém, especialmente as operações de saída, também tendem a ser variáveis, principalmente devido às incertezas nos processos de oferta e procura.

Para enfrentar as oscilações da demanda, as empresas devem se adaptar a diversos fatores, como a sazonalidade de determinados produtos ou picos de vendas ao final de determinados períodos, como as liquidações. Devido a estes desafios e à variabilidade na carga de trabalho, as empresas procuram grupos de mão-de-obra flexível em armazém, além de pessoal permanente fixo. Para antecipar o nível de trabalho e planejar as necessidades de pessoal na instalação, deve ser realizada uma análise detalhada para detectar erros na planificação da procura, controlar possíveis enviesamentos e estimar o seu impacto na eficiência do trabalho.

A tomada de decisões na cadeia de suprimentos está cada vez mais automatizada e baseada em dados

Os critérios de um responsável, enquanto ser humano, podem levar a previsões excessivas sobre o tamanho dos pedidos. Esse viés surge de previsões excessivas ou insuficientes, que dependem de decisões de contratação de mão de obra e de acordos de nível de serviço com os clientes. Embora essa tendência não pareça beneficiar a fase de embalagem que exige muita mão de obra, uma tendência de 30% a 70% nas operações de picking e expedição pode aumentar a eficiência dos pedidos em 5% a 10%. Isso é confirmado por um estudo realizado em um armazém da Samsung Electronics na Europa Ocidental para produtos de alta rotatividade. As conclusões foram também validadas por um inquérito a 30 armazéns pertencentes a outras empresas (Kim et al.).

O modelo de previsão proposto pelos autores confirma que o controle das tendências pode melhorar a eficiência da mão de obra no armazém. O modelo estabelece a relação analítica entre a tendência de previsão de demanda (a diferença entre a demanda prevista e o tamanho real do pedido) e a produtividade da mão de obra. Essa correlação é explorada para otimizar o planejamento da capacidade laboral.

Segundo os autores, controlar as tendências nas previsões que contemplam a demanda histórica melhora as perspectivas de vendas e a alocação de recursos de mão de obra nas diferentes fases logísticas.

Modelos preditivos para melhorar o gerenciamento

As plataformas de big data que permitem que as empresas implementem modelos descritivos, preditivos e prescritivos podem ser usadas ─ desde que determinados obstáculos sejam superados ─ para reduzir os riscos, aumentar a eficiência e maximizar a lucratividade no gerenciamento de armazéns. Fatores como tamanho da organização, recursos tecnológicos limitados e falta de compartilhamento de informações entre os participantes da cadeia de suprimentos também representam desafios para a adoção da análise de big data no gerenciamento de armazéns.

A pesquisa de Ghaouta sugere que o uso de modelos preditivos continua limitado (a maioria dos modelos é descritiva), com exceção dos algoritmos de roteamento e do gerenciamento de estoques. Entretanto, a relevância do gerenciamento de riscos na cadeia de suprimentos provavelmente incentivará as empresas a aplicar modelos preditivos com mais assiduidade no gerenciamento de armazéns. Um WMS aprimorado com recursos de gerenciamento de riscos poderia identificar e avaliar a probabilidade de ocorrência de interrupções com parceiros da cadeia de suprimentos, como fornecedores propensos a interrupções ou clientes com comportamento errático de pedidos. Além disso, essa tecnologia ajudaria as empresas a desenvolver estratégias de mitigação reativas e proativas com base nos níveis de risco de cada fornecedor ou cliente.

Também são necessários mais esforços para investigar como um WMS baseado em IoT permitiria às empresas efetuar a transição do controle centralizado para o descentralizado. Nestes sistemas, a ligação entre pessoas, equipamentos de movimentação, produtos e sensores seria ideal e melhoraria a coordenação e a comunicação na tomada de decisões.

 

 

Referências

 

 

Mustafa Çagri Gürbüz é Professor de Gerenciamento da Cadeia de Suprimentos no MIT-Zaragoza International Logistics Program. Ele também é pesquisador associado do MIT Center for Transportation and Logistics. Suas principais áreas de pesquisa são gerencimento de estoques e cadeia de suprimentos, otimização de sistemas de distribuição, contratos e modelagem de sistemas operacionais.