Ou desafio

O desafio da Solistica e da Coca-Cola FEMSA, dentro de seus projetos estratégicos conjuntos, foi implementar um modelo de Machine Learning utilizado para operações logísticas. Uma área sensível e com grande possibilidade de retorno do investimento está na otimização da alocação de veículos para distribuição de dois produtos.

Procuramos uma plataforma que resolva o problema de atribuição de veículos às demandas da FEMSA, pensando no transporte necessário para atender às necessidades de entrega e considerando variáveis como localização em tempo real, situação de ocupação, realocação, linhas de serviço no ponto de carga e download, capacidade e status do tráfego.

Para as áreas de planejamento de suprimentos, programação de fretes e expedição foi utilizado um método de cálculo automático online: a execução da solução é feita por meio de tarefas agendadas, baseadas em eventos operacionais integrados ao TMS (Supply Management System).

Atualmente o processo de planejamento é realizado de forma estática, pois não varia de localização, ritmos e execução em tempo real, é apenas num período aproximado de 5 a 10 horas.

  

Uma solução

Foi utilizada uma solução SaaS (Software as a Service), ou seja, soluções tecnológicas via Internet, sem a necessidade de instalação, manutenção e atualização de hardware ou software, apenas conectando-se à Internet. Neste caso, foi implementada uma página web para realizar configurações, gerenciar operações, controlar e visualizar todo o processo, bem como uma aplicação mobile para motoristas e repositórios de dados e painéis de controle na nuvem Google Cloud, que permite extrair, transformar, montar , processar e analisar os insumos necessários.

Aqui estão os componentes desenvolvidos para incluir as variáveis necessárias na solução:

– Integração com o Sistema de Gestão de Transportes Solistica, informando as solicitações de viagens e disponibilizando as condições (horário, localização, capacidade) de cada ordem de serviço (viagem) solicitada.

– Conhecimento das coordenadas de localização em tempo real de cada um dos dois veículos disponíveis para atender a demanda:

  • Integração com o HUB GPS disponibilizando veículos em campo, esses dados em tempo real são atualizados a cada 30 segundos e ficam hospedados no Google Cloud Storage.
  • Desenvolvimento de aplicativos mobile para motociclistas com provedor de GPS que não permite integração com o HUB, baseado na geolocalização do aparelho.
  • Georreferenciamento da origem de duas jazidas – destino da operação.

– Informações em tempo real sobre capacidade, status e configuração:

  • Capacidade do veículo disponível em diversas dimensões, como peso (kg/ton), volume (cm3/mt3) e/ou unidades de embalagem.
  • Configuração de equipamentos como reentrâncias e vans em termos de estrutura e layout de carregamento de mercearia.
  • Disponibilidade de acordo com os documentos de carregamento gerados no momento da atribuição das ordens de serviço.
  • Controle de documentos que permitem a execução do transporte – SOAT, cartão operacional, revisão de engenharia mecânica, condições de vergalhões e vans, carteira de motorista e certificados.

– Base de dados que determina as restrições de horários, tempos de espera, horários de trabalho e troços rodoviários:

  • Serviço de envio e recebimento de cada dois quadros, operações de carga e descarga.
  • Dias úteis para as tripulações.
  • Restrições de mobilidade em horários estabelecidos pelas entidades competentes.

– Utilização de inteligência de componentes como API do Google Maps em conjunto com um modelo de Machine Learning, integrando todas as variáveis previamente estabelecidas para determinar quais recursos e equipamentos são adequados para atender a demanda emitida pelo gerador de carga (Coca Cola FEMSA).

 

Ou resultado

Os resultados foram alcançados satisfatoriamente, incluindo:

  • Planejamento e alocação em massa de veículos em menos de 1 hora com múltiplos variando em tempo real.
  • Planeamento e alocação das viagens solicitadas em menos de 5 minutos.
  • Disponibilidade para gerar replanejamentos durante o processo, levando em consideração eventos esporádicos na operação (ausência de veículos, acidentes, problemas de mobilidade).
  • Repositórios de dados para criação de dashboards, baseados em métricas e indicadores proprietários.
  • Cumprimento das linhas de serviço na origem e destino, reduzindo a ociosidade do 8% tanto dos veículos quanto das tripulações, garantindo rentabilidade e eficiência na cadeia de suprimentos.
  • Controle a execução das viagens atribuídas, sem ter que prestar atenção a telefonemas ou mensagens de texto que possam distrair ou interferir na condução do motorista.

Com a implementação do Machine Learning, agora é possível informar o cliente (Coca Cola Femsa) e o fornecedor da carga (Solistica) sobre o status atual da operação em tempo real para tomar decisões corretas.

Se sua empresa busca soluções para seus desafios logísticos, fale com a ServiBrasil para reunir inteligência estratégica para o seu negócio. A ServiBrasil é líder na América Latina no desenvolvimento de soluções que utilizam localização inteligente e análise de dados, com tecnologias inovadoras que transformam, geram valor e apoiam a tomada de decisões de negócios. É também uma empresa Google Partner One, com suporte aberto, engenharia especializada, canal de atendimento dedicado, disponibilidade 24 horas por dia, além de todas as certificações necessárias para aproveitar o que há de mais moderno em tecnologia e transformar positivamente seus clientes.