Veja as principais aplicações e um caso de uso prático de como a ciência de dados pode potencializar o gerenciamento da cadeia de suprimentos
Os avanços da ciência de dados estão resolvendo alguns dos desafios mais complexos no gerenciamento da cadeia de suprimentos. Essa evolução crescente do setor promete encurtar os tempos de reposição e de entrega de mercadorias, automatizar cada vez mais a previsão de demanda, reduzir os estoques e otimizar a produção. O fato é que os players do setor que utilizam os dados de forma inteligente estão conseguindo obter grandes vantagens competitivas.
Inovações tecnológicas em infraestrutura de TI e IoT permitem às empresas a possibilidade de coletar e analisar o Big Data de uma forma que pode reforce Supply Chain uma área super estratégica no contexto de muitos negócios. Esses avanços conectados estão tornando a cadeia de suprimentos mais ágil, previsível e econômica para as organizações, levando a uma maior lucratividade.
Alguns dos desafios de Supply Chain que a ciência de dados está ajudando a resolver incluem:
-
Aumentar a visibilidade da cadeia de abastecimento e do tempo de resposta, por exemplo, por meio de blockchain;
-
Adaptação às mudanças demográficas e às expectativas do cliente, como os casos de entregas gratuitas no mesmo dia;
-
Permitir que os fabricantes diminuam os tempos de ciclo de vida de seus produtos para reagir às tendências e demandas mais rapidamente;
-
Aumentar o portfólio de produtos para atender não apenas o mercado de massa, mas toda a curva de demanda. Por exemplo, por meio da personalização em massa;
-
Tornar a cadeia de abastecimento mais verde para minimizar o impacto ambiental. Por exemplo: distâncias mais curtas ou remessas consolidadas.
A cadeia de suprimentos caminha para um cenário de reunir as informações certas no momento certo e com a ferramenta certa para tomar a decisão ideal em tempo real com o mínimo de intervenção humana. A Inteligência Artificial pode contribuir com a eficiência das operações auxiliando as etapas do processo existentes para apoiar a tomada de decisão humana, fornecendo análise automatizada de vários cenários, ajudando a acelerar os processos e minimizar o erro humano.
Aplicações de Data Science em Supply Chain
Existem muitas maneiras pelas quais o gerenciamento da cadeia de suprimentos está se tornando cada vez mais competitivo e eficiente com a ajuda de dados e tecnologia:
Análise de dados mais rápida
A análise de dados é essencial para a cadeia de suprimentos moderna. As empresas de logística precisam analisar grandes quantidades de informações para encontrar ineficiências e maneiras potenciais de melhorar. Vasculhar informações manualmente pode levar muito tempo. Em um negócio tão urgente quanto o de logística, isso pode ser um problema. Como os sistemas de IA podem analisar vários conjuntos de dados de uma vez, eles podem fornecer resultados para cadeias de suprimentos em uma fração do tempo do que sem ela.
Previsão de demanda
Se um depósito estimar incorretamente a demanda futura, ele pode acabar com falta de produtos ou com muito estoque. Qualquer um dos casos pode representar uma perda considerável de recursos. Por meio de análises preditivas, é possível usar tendências passadas e sinais de mercado para prever a demanda, evitando desperdícios e mantendo uma operação mais redonda.
A Amazon usa IA em quase todos os níveis de sua cadeia de suprimentos, mas especialmente no depósito. Suas previsões de IA sobre as demandas dos clientes são parte de como ele consegue se manter no topo do setor de comércio eletrônico. Ajuda a atender pedidos mais rápido do que a maioria, senão todos, de seus concorrentes.
Automação de Processos
De modo geral, os sistemas de IA geralmente são melhores em trabalhos repetitivos do que os humanos. Atribuir tais tarefas à IA economiza tempo e dinheiro. Quando a IA cuida dessas tarefas administrativas, ela libera funcionários humanos para trabalhar em outros projetos ao mesmo tempo.
Tarefas como preencher papelada manualmente podem custar às empresas 6.500 horas por ano. Imagine tudo o que uma empresa poderia realizar com mais de 6.000 horas adicionais de trabalho. Essa vantagem de produtividade é muito benéfica para ser ignorada pelas empresas de logística.
Atualizações de remessa mais confiáveis
Muitas empresas usam tecnologias como etiquetas RFID para rastrear produtos na cadeia de suprimentos. Às vezes, os itens são enviados sem essas tags ou por algum problema elas se tornam ilegíveis. Ao usar a IA, as empresas ainda podem oferecer atualizações de remessas aos clientes.
Quando a tecnologia de rastreamento falha, a IA pode calcular a entrega para que as empresas ainda possam fornecer uma estimativa. Esses programas podem analisar variáveis como tempos médios de remessa e padrões climáticos para oferecer resultados precisos. As cadeias de suprimentos podem então entender seu progresso e manter a satisfação do cliente em alta.
Gerenciamento de armazém automatizado
Inúmeros outros fatores afetam a eficiência com que a cadeia de suprimentos é executada, mas um warehouse mal gerenciado impede o sucesso desde o início. Apesar dessa urgência, apenas 20-30% dos armazéns estão funcionando da maneira mais eficiente possível. Usar IA para gerenciar operações pode ajudar.
Os sistemas automatizados de gerenciamento de armazém (WMSs) podem encontrar ineficiências por meio da análise de dados. Como a IA geralmente é melhor em fazer conexões entre pontos de dados, isso pode eliminar erros humanos no gerenciamento. Pequenas mudanças generalizadas podem levar a um aumento substancial na eficiência.
Planejamento de rota otimizado
As cadeias de suprimentos e toda a área de logística precisa aproveitar ao máximo seus envios para entregar os produtos no prazo. Frequentemente, isso significa planejar a maneira mais rápida e segura de ir do ponto A ao ponto B. A aplicação de análise preditiva também é ideal para esse trabalho.
A UPS tem usado um sistema chamado ORION para otimizar suas rotas desde 2012. Desde então, economizou 100 milhões de milhas e 10 milhões de galões de combustível por ano para a empresa.
Melhor suporte ao cliente
Um dos aplicativos mais comuns da IA são chatbots, mais frequentemente em funções de suporte ao cliente. Aproximadamente 40% dos consumidores americanos se envolveram com um chatbot no ano passado. Eles permitem que as cadeias de suprimentos possam fornecer suporte ao cliente 24 horas por dia.
Ao lidar com o envolvimento do cliente com IA, as empresas de logística liberam seus funcionários humanos para se concentrarem em outras tarefas. Não apenas o suporte ao cliente melhora, mas também a eficiência geral.
A DHL, por exemplo permite que os clientes verifiquem o status de seus pedidos com Alexa, dando-lhes respostas mais rápidas e assertivas.
Estudo de caso: Análise preditiva para previsão de demanda
Físico e cientista de dados, Vegard Flovik compartilha no Medium um estudo de caso com foco em previsão de demanda. O exemplo é sobre um varejista hipotético na Noruega e inclui lojas individuais em vários locais e um depósito central principal:
Um dos desafios do varejista é otimizar o armazenamento de mercadorias em armazém localizado versus centralizado: por um lado, o armazenamento local substancial é caro, por outro lado, depende principalmente de armazenamento centralizado e corre o risco de itens esgotados nas lojas. A otimização do armazém é, portanto, de grande importância, e ter acesso a previsões de vendas precisas seria uma informação extremamente útil.
Para limitar a quantidade de dados no estudo de caso, o conjunto de dados anônimo inclui o número de itens vendidos para um subconjunto de 50 itens para 10 lojas diferentes durante o período de 2013–2017. No total, isso soma um conjunto de dados de aproximadamente 1 milhão de linhas, no formato de dados ilustrado abaixo:
Os registros históricos de vendas, portanto, representam os dados de onde serão extraídas informações úteis para prever vendas futuras. Obviamente, isso poderia ser complementado idealmente com outras fontes de dados disponíveis, como dados meteorológicos. O Instituto Metrológico Norueguês tem um “WeatherAPI”, de é possível baixar dados meteorológicos e experimentar gratuitamente.
Nesse caso, a tentativa é para prever o número de itens vendidos nas 10 lojas para cada um dos 50 itens (anônimos) incluídos no conjunto de dados de exemplo. A ideia básica é que os registros históricos de vendas podem conter alguns padrões ocultos que o modelo de aprendizado de máquina pode detectar. E, se for esse o caso, o modelo pode utilizar esses padrões para fazer previsões precisas de vendas futuras.
Foram utilizados os registros históricos de vendas de janeiro de 2013 a setembro de 2017 como dados de treinamento e, em seguida, foi feita a tentativa de prever o número de itens vendidos durante o último trimestre de 2017 (outubro a dezembro).
Um subconjunto dos dados de treinamento para o “item 15” da loja 10 é ilustrado na figura abaixo à esquerda. Isso exibe uma periodicidade anual clara (com vendas mais altas durante os meses de verão) e também uma tendência de aumento linear em que as vendas aumentam ano a ano. A meta, então, é prever as vendas durante o período de outubro a dezembro de 2017, conforme ilustrado na figura à direita.
Tendo definido os dados de treinamento e as variáveis de destino, é possível configurar um modelo de previsão que tenta utilizar os padrões ocultos no conjunto de dados para prever vendas futuras.
O conjunto de dados consiste em dados rotulados (ou seja, aprendizado supervisionado) e é uma mistura de variáveis numéricas e categóricas. Para esses tipos de variáveis mistas, os modelos baseados em árvore costumam ser uma boa escolha. No exemplo a seguir, foi utilizado um algoritmo Random Forest, como um modelo simples de previsão de baseline.
Resultados
Depois de treinar o modelo, é possível verificar o desempenho dele nos dados de teste (último trimestre de 2017). O modelo de previsão é treinado para prever simultaneamente as vendas de todos os 50 itens em cada uma das 10 lojas, mas para visualizar facilmente os resultados, foram traçadas apenas as previsões para o “item 15” como exemplo.
Começando com a figura à esquerda abaixo, comparam-se as vendas reais e previstas para a loja 10. Podemos observar que nosso modelo de baseline simples faz um trabalho muito bom em termos de captura da periodicidade semanal e da queda característica no número de unidades vendidas durante Dezembro (observe que o eixo y é cortado para visualizar mais claramente o desvio entre as vendas reais e previstas).
Ainda assim, observamos que o modelo não é capaz de capturar todas as flutuações de curto prazo, e nem seria de esperar, dadas as informações limitadas que os dados de treinamento contêm.
Por outro lado, na figura à direita, foram plotadas as vendas reais e as vendas previstas, mas desta vez o número de unidades vendidas é a média de todas as 10 lojas. Ao fazer isso, a maior parte das flutuações de curto prazo “saem da média” e observamos uma correspondência muito melhor entre as vendas reais e previstas.
Se há interesse em fazer uma previsão no nível de lojas individuais ou nas vendas totais de todas as lojas, depende do que queremos alcançar: se queremos otimizar o armazém central, prever as vendas totais pode fornecer informações suficientes, e se aprofundar nos detalhes de cada loja pode ser um esforço demorado, com pouco a ganhar. O ensinamento é definir claramente os objetivos e focar no problema de negócios que se quer resolver, e não na tecnologia que usamos para resolvê-lo.
