Categoria que reúne as postagens do Blog, publicadas pelo Equipe ILOS

Transformação digital no supply chain do McDonalds: machine learning para entender, antecipar e influenciar a demanda

Em março de 2019 o McDonalds comprou a Dynamic Yield – startup israelense que desenvolve tecnologias voltadas para personalização da experiência do cliente – por 300 milhões de dólares. A empresa desenvolve inteligências de recomendação com base em machine learning, que está sendo utilizada pelo McDonalds nos displays digitais dos drive-thrus para alterar recomendações de acordo com o horário do dia, clima ou itens populares no momento, por exemplo.

McDonalds

Figuras 1 :McDonalds

Em 2018 a empresa testou a tecnologia em algumas filias nos EUA, com o objetivo de expansão para todas as lojas norte americanas, seguida pelos principais mercados internacionais. A iniciativa vai além da implementação apenas nos drive-thrus, visando todos os canais digitais, como os quiosques de auto-atendimento e o aplicativo global da empresa.

Sete meses depois da compra da Dynamic Yield, em outubro de 2019, a tecnologia já tinha sido aplicada em 9.500 drive-thrus norte americanos, com a meta de finalizar a implementação em todas as filiais dos EUA e da Austrália no fim do mesmo ano.

O McDonalds espera alavancar vendas ao melhorar a experiência de compra do consumidor. A técnica de upselling é algo bem comum na indústria de fast food. Quem nunca foi ao McDonalds e ouviu “Gostaria de aumentar a batata por mais X reais?”. A tecnologia da Dynamic Yield permite que a empresa faça justamente isso, porém de maneira mais inteligente, eficiente e, principalmente, personalizada. Ao possuir dados em tempo real da operação, a empresa pode não somente reagir melhor às necessidades dos consumidores, como também as prever ou influenciá-las.

Além de incremento em receita, a tecnologia também tem o potencial de beneficiar a cadeia de suprimentos da empresa. Se os sistemas e dados da cadeia forem integrados, os principais impactos estão no planejamento da demanda e na possível redução de stock out nos restaurantes. Imagine que uma loja está com níveis muito baixos de estoque do filé de frango do McChicken, seja por erro de previsão ou por problemas de abastecimento. A empresa pode então remover o item temporariamente dos displays, desincentivando a demanda para reduzir o risco de ruptura. Dessa forma, a tecnologia dá ao McDonalds o poder de influenciar a demanda em cada ponto de venda, seja para melhorar a experiência do consumidor e alavancar vendas, ou para cobrir falhas operacionais ou de planejamento.

A possibilidade de reduzir o stock out é especialmente relevante no caso de novos produtos ou de itens sazonais (como os sanduíches da Copa do Mundo), uma vez que é muito difícil prever esse tipo de demanda, ainda mais no nível de filial.

A compra da Dynamic Yield foi uma das grandes ações da empresa de investimento em tecnologia, mas não foi a única. Outras incluem a aquisição de 9,9% (3,7 milhões de dólares) da Plexure (startup de software mobile) em abril de 2019, e a compra da Apprente (avaliada entre 10 e 50 milhões de dólares em 2018) em setembro de 2019 (startup que desenvolve tecnologias de voz com inteligência artificial – o objetivo é automatizar a tomada de pedido nas lojas).

Junto a esses investimentos, o McDonalds também está se transformando do ponto de vista organizacional. Em 2019 a empresa formou o McD Tech Labs (um laboratório tecnológico no Vale do Silício, composto por parte da equipe da Apprente), e no começo de 2020 começou a formar um time focado em engajamento do cliente para os canais digitais, o qual será responsável pelos temas de tomada de pedido, personalização, pagamentos, fidelidade e delivery. As equipes já existentes de tecnologia de marketing e global delivery se juntarão a esse novo time, que será liderado por Lucy Brady, VP sênior de corporate strategy e business development que passará a atuar como chief digital customer engagement officer.

Referências:

CNBC – McDonalds creates digital customer engagement team as part of its tech push. https://www.cnbc.com/2020/01/08/mcdonalds-creates-digital-customer-engagement-team-as-part-of-its-tech-push.html

McDonalds – Q3 2019 earnings call. https://s22.q4cdn.com/972634687/files/doc_downloads/2019/10/CORRECTED-TRANSCRIPT-McDonald’s-Corp.(MCD-US)-Q3-2019-Earnings-Call-22-October-2019-11-00-AM-ET.pdf

Restaurant Dive – McDonald’s buys Dynamic Yield for $300M to improve drive-thru experience. https://www.restaurantdive.com/news/mcdonalds-buys-dynamic-yield-for-300m-to-improve-drive-thru-experience/551316/

Restaurant Dive – McDonald’s acquires AI tech company Apprente. https://www.restaurantdive.com/news/mcdonalds-acquires-ai-tech-company-apprente/562595/

Supply Chain Dive – How McDonald’s super sizes its data for an optimized supply chain. https://www.supplychaindive.com/news/mcdonalds-AI-demand-planning-supply-chain-optimization/553185/

Desafios para a Utilização de Inteligência Artificial e Machine Learning no Planejamento da Demanda

No post anterior, comentei sobre de que forma o uso de ferramentas de Analytics baseadas em Inteligência Artificial (IA) e Machine Learning (ML) no processo de planejamento da demanda poderiam melhorar a acuracidade, mas que existiam barreiras para sua adoção pelas empresas.

Neste texto, pretendo listar alguns destes desafios e maneiras de sobrepassá-los:

  • Baixa maturidade no processo de planejamento atual

O que é? Processo de planejamento da demanda rudimentar e desintegrado, onde as áreas organizacionais analisam informações e tomam decisões independentemente. Com isso, não há espaço para o aprendizado contínuo a respeito do impacto das ações comerciais e de trade marketing sobre a demanda, tampouco um conhecimento profundo das variáveis exógenas a serem consideradas no planejamento. O sucesso no uso efetivo de Advanced Analytics, com IA e ML, depende de inputs de informação adequada e processos decisórios alinhados, o que só existe em processos maduros de S&OP e IBP.

O que fazer? Engajar as áreas comercial, trade marketing e financeira nos processos de S&OP/IBP, garantindo a discussão sobre o impacto das ações de mercado sobre a demanda e uma visão financeira detalhada dos planos, o que permitirá criar um processo analítico e decisório que se beneficiará do uso de Analytics.

  • Falta de conhecimento técnico da equipe

O que é? Em muitas empresas, as equipes responsáveis pelo processo de previsão de vendas possuem apenas conhecimento elementar sobre os modelos extrapolativos e causais, dependendo enormemente de ferramentas especializadas para realizar a projeção da demanda, o que resulta na subutilização do potencial das mesmas. Quando falamos em IA e ML, além da exigência de conhecimentos técnicos mais sofisticados, como programação em Python e R, é necessário ter domínio dos fatores que influenciam o comportamento das vendas, seja para “treinar” o algoritmo ou viabilizar o acesso a informações exógenas através de APIs (Application Programming Interface). Infelizmente, os cientistas de dados, como são chamados os profissionais com este conhecimento, ainda são raros e muito disputados.

O que fazer? Começar o quanto antes a capacitação da equipe nos modelos clássicos de previsão de vendas, em ferramentas de Analytics e, em paralelo, “minerar” alguns cientistas de dados para a equipe.

  • Falta de integração e colaboração na cadeia de suprimentos

O que é? O relacionamento entre parceiros comerciais ainda é baseado em relações adversativas, com disputa de margem em processos negociais, que levam a uma proteção de informações críticas para o planejamento da demanda, como dados de sell out e estoques, como forma de maximizar o poder de barganha nas negociações. Além disso, as estruturas das bases de dados foram construídas pensando mais na proteção do que no compartilhamento das informações, o que exige um esforço considerável para conexão de dados que possam alimentar algoritmos de Analytics. Em outras palavras, muitas das informações desejáveis não estão disponíveis ou não são acessíveis em uma estrutura compatível.

O que fazer? É necessário avançar rapidamente em mecanismos de colaboração na cadeia de suprimentos, como o CPFR, além de começar um movimento mais profundo – e difícil – de repensar a arquitetura de dados, privilegiando o intercâmbio de informações.

E para você? Quais são os maiores obstáculos para a utilização de Advanced Analytics no planejamento da demanda? Compartilhe conosco nos comentários! Grande abraço!

Analytics em Planejamento da Demanda – O que esperar?

São inúmeros os relatórios, artigos e menções sobre como o uso de ferramentas de Analytics baseadas em Inteligência Artificial (IA) e Machine Learning (ML) poderão auxiliar nos processos de planejamento da demanda, melhorando a acuracidade afetada pelo aumento da complexidade no portfólio, nos canais de distribuição e, também, no ambiente competitivo.

Hoje, na maioria das empresas, o tamanho da equipe responsável por tratar e analisar os dados com as ferramentas tradicionais de séries temporais e modelos de regressão impõe uma limitação nas possibilidades de análise, obrigando ao agrupamento de séries para previsões top-down, restringindo o número de variáveis exógenas inseridas no modelo e o tratamento e manutenção do baseline de poucas séries, o que prejudica a acuracidade.

Mas o que podemos esperar dessas novas soluções?

Em primeiro lugar, é necessário compreender que a melhora da acuracidade virá pelos aspectos de Augmentation e Automation do processo de planejamento da demanda. Augmentation se refere ao crescimento no volume de dados tratados e variáveis consideradas nos modelos, permitindo a identificação de padrões imperceptíveis ao “olho humano”. Já Automation aborda a possibilidade de automatizar o tratamento dos dados das séries de vendas, corrigindo o baseline e usando informações de venda mais granulares, que sem os ajustes adequados resulta em erros maiores.

Além da melhora na acuracidade do plano tático mensal, podemos esperar a identificação de tendências de consumo de longo prazo, ajudando na definição de portfólio e no desenvolvimento de novos produtos, e também a sofisticação dos mecanismos de reposição de curtíssimo prazo, com mecanismos de demand sensing.

No entanto, ainda existem barreiras significativas para a adoção de IA e ML no processo de planejamento da demanda, como a baixa maturidade do processo atual, falta de conhecimento técnico e de integração na cadeia para obtenção de dados, entre outros aspectos, que pretendo abordar em um próximo post.

E sua empresa? Já utiliza mecanismos de IA e ML no processo de planejamento da demanda? Compartilha conosco nos comentários! Grande abraço!

 

Patria Group joins Singapore’s GIC and wins Piracicaba-Panorama Highway Concession in Brazil

Consórcio Infraestrutura Brasil (CIB), formed by Pátria Group and GIC Private Limited, formerly known as Government of Singapore Investment Corporation, has just won the largest highway concession in Brazil until now, covering 1,273 km of roads. CIB bid R$1.1 billion (more than US$270 million) to take the roadway which connects the cities of Piracicaba and Panorama, in Sao Paulo State. CIB’s bid was 7,209.25% higher than the minimum value established by the bid notice.

Bids were opened this Wednesday in B3 headquarter in the city of Sao Paulo. CIB disputed against Ecorodovias Group, which also partnered with a foreign investment group, in this case, from China. The presence of both groups overcame market expectations of an absence of foreign investors during this new phase of highway concessions in Brazil. Thereby, their participation signs good perspectives for other highway concessions expected throughout this year in the country. Piracicaba-Panorama is the third highway concession of Patria Group in Brazil, the other two being also in Sao Paulo State.

Pátria com fundo de Cingapura levam rodovia Piracicaba-Panorama

O Consórcio Infraestrutura Brasil, do Grupo Pátria, associado ao Fundo Soberano de Cingapura (um dos cinco maiores fundos do mundo), acabou de ganhar, nesta quarta-feira (8), a maior concessão de rodovias do Brasil realizada em um único lote, com 1.273 km de estradas. O ágio foi de 7209,25% no trecho que liga as cidades de Piracicaba e Panorama, em São Paulo, com previsão de investimento de R$ 14 bilhões para os próximos 30 anos, período da concessão.

A abertura das propostas aconteceu na sede da B3, na capital paulista, e contou ainda com o grupo Ecorodovias, que, assim como o Pátria, também se associou a investidores internacionais, no caso, chineses. Esses dois movimentos deixaram para trás a expectativa do mercado de não haver participação de proponentes internacionais e anima os governos federais e do estado de São Paulo para as próximas concessões que estão por vir no Brasil.

Essa é a terceira concessão de rodovia do Grupo Pátria, todas no estado de São Paulo. Em sua primeira concessão, em 2017, o Grupo passou a administrar a Entrevias, no Centro-Oeste paulista. No fim de 2019, o Pátria anunciou a aquisição da Cart, responsável pela Rodovia Raposo Tavares.

Uma retrospectiva da década através dos Panoramas do ILOS

Na terça-feira, dia 31/12, chegamos ao fim do ano de 2019 e também da segunda década do século. O acontecimento motivou diversas retrospectivas pela internet, envolvendo vários assuntos, como os principais filmes, jogadores de futebol e as músicas mais tocadas. Atento a essa moda, lembrei-me que o ILOS possui uma vasta coleção de informações e pesquisas sobre diversos temas logísticos, com os nossos relatórios da coleção Panorama, produzidos ao longo de vários anos, desde 2003. Me propus então a folhear alguns dos materiais mais antigos da década passada (com logo diferente, e usando aquele papel reciclado que era onipresente na época…) e comparar algumas das diferenças nas informações com as publicações mais recentes do ILOS.

Relatórios de pesquisa ILOS - Coleção Panorama

Figuras 1 :Panoramas ILOS. Muita informação e insights produzidos nos mais de 40 relatórios publicados na última década. Fonte: ILOS

Sempre um dos assuntos mais alardeados, decidi olhar primeiro o panorama de Custos Logísticos no Brasil, lançado em 2010. Foi um pouco decepcionante. O material da época apontava que em 2008, os custos logísticos no país correspondiam a cerca de 11,6% do PIB. Na última pesquisa apresentada no Fórum de Supply Chain esse valor era de 11,7% em 2018. Seria possível atribuir esse leve aumento às crescentes complexidades que surgiram de 10 anos para cá? Talvez, mas os mesmos dados indicam que nos EUA a proporção caiu de 8,7% para 8,0% no mesmo período. Ficamos mais pra trás. Pudera, quando olhamos as principais conclusões do documento de 2010, percebemos que elas poderiam ser facilmente adaptadas para o período atual: precisamos de uma matriz de transporte mais equilibrada (não mudamos quase nada, como mostram publicações de 2011 e 2019), necessitamos de mais investimentos em infraestrutura, etc. Surgem novos desafios, mas não nos livramos dos fardos passados.

Outro material interessante de revisitar foi o de Planejamento da Demanda e S&OP nas Empresas do Brasil, também de 2010. Analisando-o e realizando comparações com novos estudos, é possível ver alguns avanços, alguns mais significativos, e outros mais tímidos. No início da década, apenas um quinto (21% pra ser exato) dos entrevistados alegava utilizar métodos estatísticos avançados na previsão de vendas, valor que quase dobrou no Benchmarking Logístico entre Grandes Indústrias no Brasil, publicado em 2018 (41%). O percentual de empresas brasileiras entrevistadas que realizavam processos estruturados de S&OP em 2010 era de 62%. Já no material de 2018, esse número passou a de ser 68%, surpreendentemente muito atrás do percentual estadunidense de 2010 (88%).

Evidentemente, também surgiram diversas inovações e novas tendências no mundo logístico desde o início da década passada. Não vemos no relatório de 2010, perguntas ou informações sobre drones, Big Data ou IoT, assuntos que já abordamos diversas vezes em outras publicações, como o já mencionado Panorama Benchmarking de 2018. Nele, percebemos que estas inovações, como esperado, ainda não se disseminaram totalmente nas empresas, mas há sinais muito positivos, como por exemplo, o dado que mostra que em mais da metade dos entrevistados (53%), os processos logísticos e de estoque atendem de forma integrada ao Omnichannel.

Agora, começamos uma nova década, uma nova oportunidade, certamente recheada com resoluções sobre progresso e desenvolvimento nas nossas vidas e nossas empresas. Nós continuaremos orgulhosamente publicando novos estudos e relatórios, aproveitando a virada de ano para estrear um novo formato, cujo tema serão os Desafios e Soluções do Last Mile Urbano.

Ficaremos mais felizes ainda se os materiais exibirem números sempre melhores, que mostrem avanços no cenário logístico do país, e todos nós profissionais dessa área temos nosso papel nessa caminhada. Deixamos nossos votos sinceros para que os próximos 10 anos sejam de muito sucesso e crescimento.

Entregas comerciais por drone: o futuro chegou

Já discutimos sobre a revolução na logística que a utilização de drones poderá causar, no artigo Logística para vacinação em lugares de difícil acesso e neste outro Drones: a tecnologia é um avanço ou uma ameaça?. Apesar de ser um tema amplamente discutido e bastante atual, sempre ficava aquela sensação de que esta seria uma realidade ainda distante, por conta das dificuldades relacionadas à regulação e principalmente à segurança. No entanto, em outubro de 2019 alguns fatos determinaram um marco histórico referente à utilização de drones em entregas comerciais, o que pode definir o início da era do uso de drones na logística.

Ocorreu em Christiansburg, no estado da Virginia nos Estados Unidos. Em parceria com a FedEx e a rede de farmácias Walgreens, a empresa Wing, da Alphabet (dona do Google), entregou no dia 18 de outubro encomendas diretamente na casa de residentes da cidade, o que marcou a primeira viagem comercial jamais realizada por um drone para entrega de produtos em domicílio. Além de entregas imediatas, o serviço contempla entregas programadas, permitindo aos usuários agendar entregas por drone para horários específicos. Por ora, o serviço está limitado a alguns produtos da rede farmacêutica parceira.

 

Vídeo 1 – Primeiro serviço comercial por drones nos EUA em domicílio, operado pela Wing na Virginia.

No mesmo mês, a Administração Federal de Aviação dos Estados Unidos (FAA) concedeu à empresa UPS uma licença para possuir e operar uma frota de veículos aéreos não-tripulados. Esta concessão é fundamental para que o serviço seja empregado em larga escala, podendo ser utilizado em breve pelo público em geral. Por enquanto, a UPS tem usado seus drones para entrega de medicamentos em um hospital universitário nos EUA, no modelo B2B. Porém, a UPS está formando uma parceria com outra gigante do setor varejista farmacêutico americano, a CVS Pharmacy, a fim de fornecer remédios prescritos diretamente para clientes, em um modelo B2C similar aos concorrentes Wing/FedEx.

Vídeo 2 – Utilização de drones para entregas de medicamentos na Carolina do Norte.

Outras empresas como Amazon e Uber também têm investido nos serviços de entrega com drones, e em breve devem também obter uma licença similar àquela obtida pela UPS. As aplicações imediatas de logística através de drones são ainda limitadas, podendo ser muito úteis em situações de grande necessidade e urgência, como distribuição de medicamentos, ou em lugares remotos, onde o acesso pelas vias tradicionais é complexo ou restrito. Porém, a partir do momento em que estas empresas obtiverem experiência suficiente para que o serviço ofereça segurança e confiabilidade, deverá ser ampliado para as mais diversas aplicações.

O precedente americano parece tornar este futuro cada vez mais próximo de nós, porém, no Brasil, devemos ainda ter um tempo até a aplicação comercial dos drones, visto que a legislação brasileira é, de forma geral, mais restritiva e morosa. Ainda assim, estamos presenciando a história sendo escrita bem diante de nossos olhos. Caberá aos gestores de logística se adaptar a este novo paradigma e aproveitar as novas oportunidades que se apresentam.

 

Referências:

https://medium.com/wing-aviation/wing-launches-americas-first-commercial-drone-delivery-service-to-homes-in-christiansburg-f8e8c3b2bb47

https://www.washingtonpost.com/local/trafficandcommuting/virginia-town-becomes-home-to-nations-first-drone-package-delivery-service/2019/10/19/4b777d24-f1ff-11e9-89eb-ec56cd414732_story.html

https://www.theverge.com/2019/10/1/20893655/ups-faa-approval-delivery-drones-airline-amazon-air-uber-eats-alphabet-wing

https://www.morningstar.com/news/dow-jones/201910253033/the-drones-are-coming

https://www.cnbc.com/2019/10/21/ups-partners-with-cvs-to-develop-drone-delivery-service-for-prescriptions.html

Reuso de embalagens plásticas e mais poder de compra para famílias de baixa renda: conheça a Algramo

“The Ocean Plastic Innovation Challenge” é uma competição global organizada pela National Geographic. Lançada em fevereiro de 2019, e com duração de um ano, o objetivo é desenvolver soluções para lidar com a geração de resíduos plásticos. A competição é dividida em três grandes tracks temáticos, com prêmios totalizando 500 mil dólares por track além de oportunidades de receber investimentos. Uma das temáticas diz respeito à economia circular, com o objetivo de desenvolvimento de modelos de negócio e soluções tecnológicas escaláveis com foco em reduzir o impacto ambiental gerado por embalagens plásticas.

A competição se encontra na reta final, com 10 finalistas de 5 países nesse track temático, sendo apenas 1 da América Latina: a Algramo, empresa chilena idealizada em 2012 por José Manuel Moller e Salvador Achondo. A ideia da startup surgiu quando perceberam como famílias mais humildes, que vivem na periferia da cidade, acabam pagando preços excessivos por bens essenciais porque só conseguem comprar pequenas quantidades por vez. Segundo a empresa, produtos em embalagens menores podem custar de 30% a 50% a mais se comparados com embalagens maiores.

A Algramo comercializa produtos alimentícios (arroz, feijão, açúcar, etc.) e de higiene (detergentes em pó e líquido) em formato granel através de máquinas de vendas: para fazer a compra, basta colocar a embalagem no local indicado, selecionar o produto desejado, inserir as moedas e pressionar um botão. Os clientes compram as embalagens, que são reutilizáveis, mas quando estas chegam ao fim de seu ciclo de vida, podem ser trocadas por descontos ou por novas embalagens, sendo as velhas encaminhadas para reciclagem. Do lado do consumidor, compra-se a quantidade desejada sem perdas de escala no preço por grama.

Figuras 1 :Máquina de vendas da Algramo. Fonte: Algramo

Assim, a startup atua não somente em uma vertente ambiental, mas também social: estimula o reuso de embalagens plásticas e ao mesmo tempo fornece a possibilidade de famílias com menor poder aquisitivo comprarem produtos ao mesmo preço por grama, mesmo em menores quantidades. Em 2015 a Algramo estava presente em 350 mercados locais em Santiago, tendo escalado a operação para 2 mil lojas em outubro de 2019. Estima-se que a empresa tenha alcançado 350 mil consumidores.

Além das máquinas de venda, a empresa começou, no início de 2019, a fornecer o serviço em unidades móveis (basicamente máquinas de venda montadas em cima de triciclos elétricos). Em maio, iniciou uma parceria com a Unilever para distribuição de produtos OMO e Quix nesse formato móvel, e mais nove veículos devem ser lançados até o fim de 2019. Os veículos circulam por bairros com o equipamento adequado para encher as garrafas reutilizáveis. Segundo a empresa, o OMO vendido nos triciclos é cerca de 30% mais barato do que nas prateleiras de supermercados.

Os próximos passos para a Algramo incluem uma parceria com a Nestlé, para distribuição de produtos de alimentação pet (Purina Dog Chow e Cat Chow), além de expansão das operações para os EUA até o segundo semestre de 2020.

Referências:

Recycling Today – Sustainability alert: Finalists advance in Ocean Plastic Innovation Challenge. https://www.recyclingtoday.com/article/finalists-advance-national-geographic-ocean-plastic-innovation-challenge/

Contxto – Chilean sustainability startup Algramo competes in Ocean Plastic Innovation Challenge. https://www.contxto.com/en/chile/chilean-sustainability-startup-algramo-competes-in-ocean-plastic-innovation-challenge/

The Guardian – How one Chilean startup is bringing an end to single-use plastics. https://www.theguardian.com/business-call-to-action-partnerzone/2018/jul/04/how-one-chilean-startup-is-bringing-an-end-to-single-use-plastics

Sustainable Brands – Chilean Startup Eliminating Packaging Waste, ‘Poverty Tax’ in Latin American Product Market. https://sustainablebrands.com/read/defining-the-next-economy/chilean-startup-eliminating-packaging-waste-poverty-tax-in-latin-american-product-market

América Retail – Chile: Algramo introduces new intelligent, sustainable and reusable packaging. https://www.america-retail.com/chile/chile-algramo-presenta-nuevos-envases-inteligentes-reutilizables-y-sustentables/

Como trazer previsibilidade a operações logísticas através de técnicas de simulação

Certamente, todos já nos deparamos com decisões a serem tomadas sem termos muitos dados para embasá-las, seja na vida pessoal ou profissional. Entretanto, estas “escolhas no escuro”, caso não sejam acertadas, podem incorrer em grandes prejuízos financeiros no ambiente corporativo e, a depender das alterações previstas na operação da companhia, podem trazer consigo uma grande inércia que acaba por dificultar a sua reversão no curto prazo. Logo, é fundamental que, mesmo em um cenário incerto, seja possível prever o desempenho do sistema a ser implementado ou modificado, com a estimativa de indicadores chave da operação e identificação dos seus principais gargalos.

Indo para o campo da logística, imagine que você acaba de receber a missão de dimensionar os recursos relacionados a todas as operações envolvidas no embarque e desembarque de passageiros de um novo aeroporto. O projeto inclui, por exemplo, o dimensionamento dos postos de check-in, revista/segurança, verificação de passaportes, saguão de espera para embarque, controle de imigração, alfândega e portões. É razoável prever que os investimentos necessários para esta obra de infraestrutura são elevados, de modo que é imprescindível que o seu dimensionamento seja o mais preciso possível. Em caso contrário, o sistema poderá operar de forma inadequada, com gargalos que podem prejudicar o serviço oferecido aos passageiros.

Você concorda que considerar apenas os números médios de tempos gastos em cada uma das etapas envolvidas em cada fluxo (embarque e desembarque) e produtividade de recursos empregados pode induzir o dimensionamento a erros? E o motivo disso é bem simples: praticamente toda operação possui uma incerteza associada, ou seja, a taxa de chegada dos passageiros, os tempos dispendidos para executar uma tarefa, bem como a produtividade dos recursos utilizados possuem uma variabilidade que pode ser traduzida por meio de parâmetros como desvio padrão, variabilidade e coeficiente de variação. Assim, tão importante quanto saber as medidas de posição que caracterizam a operação, como a média, é necessário ter em mãos as medidas de dispersão, como o desvio padrão, para que um sistema seja bem dimensionado e para que se possa fazer uma estimativa adequada de seus indicadores de desempenho.

Neste sentido, a simulação é uma ferramenta muito poderosa disponível no mercado através de diversos softwares como Simul8®, Arena®, Simio® e AnyLogic®. A seguir, um vídeo com uma simulação do problema que acabamos de discutir, um terminal aeroportuário, feita pela Vancouver Airport Services utilizando o software Simio®.

Vamos detalhar agora, de maneira simplificada, as principais etapas para a modelagem de um sistema utilizando simulação de eventos discretos:

Figura 1: Principais etapas para a construção de um modelo de simulação

 

  • Primeiramente, é necessário coletar uma amostra de dados suficientemente grande para se extrair os parâmetros estatísticos de interesse ao problema, como média, média aparada, moda, mediana, quartis e desvio padrão. Com base nestes parâmetros, é importante que se faça uma “limpeza” de dados discrepantes, chamados de outliers, os quais podem “poluir” a amostra caso não sejam removidos. Esta retirada de outliers deve ser criteriosa e sempre devidamente justificada.
  • Com os dados já tratados, a próxima etapa consiste em descobrir qual distribuição de probabilidade mais se adapta aos dados coletados. Dentre as distribuições mais conhecidas, temos a normal, uniforme, exponencial e triangular. Cada uma destas distribuições possui um conjunto de parâmetros que a caracteriza. Por exemplo, a normal é definida pela média e desvio padrão, enquanto que a exponencial é caracterizada apenas pela média. Existem softwares disponíveis no mercado especializados em ranquear as distribuições que melhor refletem a amostra coletada, dentre os quais podemos citar o StatFit® (complemento do Simul8 ®) e o Input Analyser (atrelado ao Arena®).

Figuras 2 :Exemplos de distribuições contínuas de probabilidade e parâmetros associados [2]

 

  • Antes de iniciar a modelagem computacional do problema, é importante que seja estruturada a modelagem conceitual. Nela, serão definidos os principais blocos do fluxograma de processos usado para a modelagem do problema, com sequenciamento de atividades, previsão de filas e decisões a serem tomadas durante a simulação.
  • A seguir, o modelo conceitual deverá ser traduzido em um modelo computacional utilizando algum software disponível no mercado. Simulações mais simples, de pequeno porte e com poucos recursos envolvidos até podem ser rodadas em Excel®, mas conforme o porte do problema vai crescendo, torna-se necessário o uso de um software especializado. De maneira simplificada, os modelos computacionais são constituídos por:
  1. Entidades – objetos que fluem no sistema, como os passageiros em um terminal aeroportuário;
  2. Atributos – características associadas a alguma entidade, como preferência no atendimento de algum passageiro;
  3. Processos – atividades a serem executadas no modelo, podendo estar associadas ou não a algum recurso, como o atendimento no balcão de check-in;
  4. Recursos – elementos que viabilizam o atendimento das entidades em um processo, como totens ou funcionários da companhia aérea realizando o check-in dos passageiros;
  5. Filas – formadas quando todos os recursos disponíveis para executar algum processo estão ocupados no momento da chegada de uma nova entidade para ser atendida, como as filas que se formam no balcão de check-in quando todos os funcionários ou totens estão ocupados.

Em geral, os softwares permitem simular particularidades da operação, como falhas aleatórias dos recursos, tempo máximo que as entidades estão dispostas a esperar em fila antes de desistirem do atendimento, chegadas programadas em janelas de horários, sincronização de atividades e sorteio baseado em regra de algum atributo para alguma entidade. É nesta etapa também que devemos inserir os inputs relativos a cada distribuição de probabilidade de cada atividade (como taxa de chegada de entidades ao sistema e tempos de atendimento), os custos associados a cada recurso (caso se queira gerar um relatório de custos ao final da simulação) e o tempo total que se deseja executar a simulação.

Figuras 3 :Exemplo de modelagem computacional em Simul8® do fluxo de um passageiro, incluindo embarque no aeroporto de origem, voo e desembarque no aeroporto de destino [3]

 

  • Ainda na modelagem computacional, devemos definir quais os indicadores de desempenho que desejamos ter conhecimento em relação ao sistema para formatar o relatório de resultados gerado pelo software. Dentre os indicadores que usualmente são acompanhados, temos o tempo médio em fila e a fila média formada em cada processo (para identificação de gargalos), a taxa de utilização de cada recurso empregado em cada atividade (para se identificar eventuais ociosidades e/ou equipes superdimensionadas), tempo médio total de permanência das entidades no sistema e número de entidades que desistiram do atendimento em razão de um tempo excessivo de espera em fila.
  • Após estas etapas, deve-se iniciar a simulação, que geralmente vem acompanhada por uma interface gráfica em que é possível acompanhar a chegada das entidades ao sistema, a execução das atividades e a formação de filas. Esta interface gráfica pode ser bastante simples ou mais detalhada e realista, como mostrado no vídeo anterior da Vancouver Airport Services. Para se evitar que algum dado aleatório muito discrepante gerado durante a simulação atrapalhe os resultados obtidos, pode ser interessante replicar a simulação por quantas vezes forem necessárias para se atingir um intervalo de confiança pré-estabelecido para os resultados.
  • Por fim, deve-se analisar o relatório de indicadores de performance do sistema gerado pelo software. Com estes dados em mãos, é possível avaliar se os recursos estão dimensionados adequadamente para o serviço que se planeja oferecer aos clientes, se existe algum gargalo no sistema e como as atividades interagem entre si.

A aplicação da simulação não se restringe apenas ao dimensionamento de sistemas de transporte, como aeroportos, portos, docas de um centro de distribuição, praças de pedágio ou estações de metrô. É possível, dentre tantas outras atividades, avaliar o desempenho de uma linha de produção ou até mesmo a operação de um armazém.

Seja para testar um novo modelo de operação, seja para dimensionar ou planejar um sistema “do zero”, a simulação é uma importante ferramenta para auxiliar os profissionais de logística na tomada de decisão em ambientes com incerteza associada.

Referências:

[1] https://www.youtube.com/watch?v=JuXwEbAvk2Q

[2] https://www.slideserve.com/brenna-hardin/continuous-probability-distributions

[3] https://blog.simul8.com/simul8-tip-label-based-batching-and-collecting/

[4] https://www.anylogic.com/

[5] https://www.simul8.com/

[6] https://www.arenasimulation.com/

[7] https://www.simio.com/index.php

[8] Botter, R. C. Notas de aula da disciplina PNV5005 – Modelagem e análise de sistemas intermodais de transporte utilizando técnicas de simulação. Programa de Mestrado em Engenharia de Sistemas Logísticos Poli-USP. 2019.

Quando produzir para estoque e quando produzir contra pedido?

Uma importante definição para as empresas é a decisão de produção para estoque (make to stock) ou contra pedido (make to order). A Filosofia Lean, que persegue a redução dos desperdícios e foco no cliente, tem como base o modelo de produção puxada e é cada vez mais buscado pelas empresas. No entanto, este modelo não é indicado para todos os casos.

Antes de apresentar os principais fatores que impactam na decisão de escolha do modelo ideal, é importante definir cada um deles:

Make to Stock (Push): A produção empurrada, também conhecida como sistema tradicional, é um sistema que “empurra” a produção desde a compra de matérias-primas e componentes até a armazenagem de produtos acabados. As operações são disparadas por três condições:

  • Pela disponibilidade de material e componentes a processar, como insumos e matérias-primas;
  • Pela disponibilidade dos recursos necessários, como máquinas e mão de obra;
  • Pela existência de uma ordem de produção, gerada por algum sistema centralizado que, a partir das previsões de demanda, elaborou programas de produção baseados nas estruturas dos produtos.

Make to Order (Pull): A produção puxada é um método de controle da produção no qual uma etapa aciona a produção dos estágios anteriores através de mecanismos disparadores. Ao fazer essa conexão entre os vários estágios do processo, esse sistema permite a redução de estoques em processamento e dos tempos de fila (produz-se somente o que é necessário no momento em que é necessário). Os instrumentos utilizados para sinalização e operacionalização do sistema puxado são comumente conhecidos como kanban.

No sistema puxado, a programação da produção é baseada nessas restrições. O kanban regula o nível de estoque entre as operações, reduzindo os estoques em processamento e de produtos acabados. A empresa produz contra pedido, sempre atendendo a demanda real apenas no momento que o cliente coloca o pedido, tendo seu fluxo de produto puxado, ou seja, acionado pelo elo que está mais próximo ao consumidor final.

Para definir a política mais adequada de produção, é importante observar o ambiente em que a empresa está inserida, principalmente com relação a coordenação do fluxo de materiais, características do produto e características do processo.

Coordenação do Fluxo de Produtos

Normalmente, a decisão entre puxar ou empurrar depende da análise conjunta de dois fatores: visibilidade da demanda e tempos do ciclo de suprimento e distribuição.

A visibilidade da demanda refere-se ao fato da empresa ter acesso às informações da demanda do consumidor/cliente final em tempo real. A visibilidade da demanda permite que os fluxos de produtos sejam puxados, ou seja, coordenados pelo estágio mais próximo do consumidor final, com base nas informações de venda em tempo real capturadas pela tecnologia da informação. Para o setor varejista, que possui a informação da demanda do cliente final, é mais fácil adotar um sistema de abastecimento puxado, por exemplo.

Já os tempos de ciclo de suprimento e distribuição referem-se aos tempos médios de reabastecimento do insumo mais demorado para a produção e de entrega do produto para o cliente. Se o tempo de resposta exigido pelo cliente final for superior à duração do ciclo de suprimento/distribuição, o fluxo pode ser acionado pelo estágio mais próximo do consumidor final (puxado). Este, por exemplo, foi o caso da empresa de computadores Dell. A Dell revolucionou o Supply Chain Management quando passou a produzir computadores contra pedido. Isto só foi possível e resultou no case de sucesso conhecido hoje porque os clientes aceitaram esperar alguns dias a mais para ter um computador novo e personalizado conforme as suas configurações desejadas e este tempo era menor do que o ciclo de produção-distribuição. Caso o tempo de resposta exigido pelo cliente final seja inferior a duração do ciclo de suprimento/distribuição, o fluxo deverá ser coordenado pelo estágio mais próximo do fornecedor inicial (empurrado) e direcionado por previsões de vendas que sinalizem para a formação de estoques.

Características do Produto

Dentre as características do produto, destacam-se o valor agregado e o grau de obsolescência.

O valor agregado é representado pelo custo do produto, que pode ser medido na contabilidade de custos como o CPV (custo dos produtos vendidos) ou CMV (custo das mercadorias vendidas). A medida que o CPV aumenta, aumenta a tendência de produção contra pedido, pois é mais caro manter estoques destes produtos. Os estaleiros, por exemplo, constroem navios contra pedido, pois, além de ser necessário um espaço muito grande para a formação de um estoque de embarcações, a representatividade do custo de estoque para essas empresas seria enorme, já que o valor agregado de um navio é muito alto.

O grau de obsolescência é reflexo do ciclo de vida do produto. A medida que aumenta o grau de obsolescência, aumenta a tendência de produção contra pedido, pois é mais arriscado manter produtos em estoque. O mesmo pode ser dito para produtos passíveis de muita customização, como é o caso da indústria moveleira, que muitas vezes apresenta grandes tempos de entrega, pois inicia a produção do item apenas após a confirmação da compra.

Características do Processo

Dentre as características do processo, destacam-se a estrutura de custos fixos e variáveis.

Se o processo produtivo é mais intensivo em custos fixos e apresenta potencial para economias de escala, ele tende a ser menos flexível, com processo de fluxo contínuo. Nesse caso, a produção é empurrada formando estoques. Como exemplos, podemos citar as siderurgia e refinarias.

Por outro lado, se o fluxo é discreto ou de montagem, menos intensivo em custos fixos e mais intensivo em custos variáveis, a produção tende a ser puxada pela demanda. A indústria de eletroeletrônicos é um exemplo disso.

A tabela a seguir resume como cada atributo impacta na política de produção e coordenação do fluxo de um item.

Hoje em dia, muitas empresas optam por um modelo híbrido de produção, produzindo para estoque uma parte do produto e finalizando ele conforme a chegada dos pedidos. Esta prática é popularmente conhecida como postponement e permite as empresas ganharem agilidade na entrega dos pedidos, mas sem ter que carregar tanto estoque do produto final. Um exemplo de empresa que adota está prática é a Suvinil. A companhia produz para estoque poucas bases de tintas e, para entregar a tinta com a cor desejada pelo cliente, é feita uma mistura das bases após a confirmação do pedido. Para conhecer mais sobre o postponement e outros exemplos de aplicação desta prática, confira o post Postponement como mecanismo de redução de estoques.

Como pode ser visto, a decisão de produção puxada ou empurrada leva em conta muitos fatores e não é simples de ser tomada, demandando uma avaliação mais aprofundada das características do produto, do processo e do ambiente em que a organização está inserida, além da análise das vantagens e desvantagens associadas a cada modelo de produção.

E na sua empresa? Você já pensou o que a fez adotar o modelo de produção vigente?

 

Referências

‘Curso Online ILOS – Gestão de Estoques

‘Curso Online ILOS – Gestão Industrial