Data Science e Supply Chain: unindo pessoas e algoritmos

Uma nova era para a Supply Chain Management

Impulsionado por pesquisas acadêmicas e grandes empresas como Walmart e Procter & Gamble, o setor de logística passou por sua primeira grande transformação na década de 1990. Enquanto alguns players ainda estão trabalhando na implementação das melhores práticas, o Big Data está revolucionando a supply chain novamente.

Sob o nome de “Supply Chain 4.0” ou “Supply Chain Conectada”, esses avanços promissores são o resultado de equipes de Data Scientists (Cientistas de Dados) explorando a inteligência artificial, blockchain ou até robótica. Essas tecnologias visam tornar a supply chain mais ágil, previsível e lucrativa para as organizações. Como elas podem fazer isso? Reduzindo os prazos de entrega, automatizando totalmente a previsão de demanda e melhorando a produção e entrega no prazo.

As contribuições da Data Science para o setor de Supply Chain

Melhorar a antecipação da demanda

Capaz de explorar fontes de informação muito grandes e diversificadas, Data Science e Machine Learning são particularmente interessantes para identificar tendências em uma quantidade muito grande de dados.

No setor da Supply Chain, o Data Science é utilizado em específico para:

• identificar sinais fracos a serem monitorados ativamente para elaborar escolhas prospectivas;
• integrar dados de diferentes fontes (web…);
• agrupar produtos de acordo com diferentes comportamentos de consumo;
• destacar estratégias de ação adaptadas a cada situação.

Otimizar a gestão dos fluxos logísticos

Em termos de gestão dos estoques, a análise de dados pode ser correlacionada com determinados fatores externos (problemas de abastecimento de matéria-prima, tráfego de mercadorias, condições meteorológicas, etc.) para ajudar as empresas a reduzir o risco de rupturas.

Para facilitar a escolha dos transportadores e otimizar a organização das rodadas de entrega, muitos fatores podem ser levados em consideração: custos, tipo de produtos a serem manuseados, normas e condições específicas de transporte, embalagem, tráfego rodoviário…

Ao distribuir as tarefas de forma otimizada de acordo com os próprios dados do armazém, os algoritmos de IA também contribuem para uma melhor alocação de recursos e, assim, permitem obter maior eficiência.

Melhorar o relacionamento com o cliente

Com o Data Science, a relação estabelecida com os consumidores também está se tornando cada vez mais personalizada. Os algoritmos de Machine Learning não supervisionados nos permitem segmentar nossos clientes de maneira muito precisa para direcionar ofertas e serviços promocionais para cada perfil.

Combinado com a análise do feedback do cliente, esses dados de segmentação fornecem informações valiosas sobre as etapas a serem tomadas para melhorar a satisfação do cliente, que continua sendo uma preocupação central para qualquer supply chain.

A colaboração homem/máquina: uma questão chave para o Data Science

Dos dados à ação

Em qualquer processo de inteligência artificial, a autonomia dada à máquina ocorre progressivamente. Este diagrama do Gartner mostra como o trabalho confiado aos sistemas (em azul) está substituindo gradualmente a intervenção humana (mostrado em verde).

A colaboração entre homem e máquina ocorre então em 4 etapas principais:

1. a análise dos dados pela máquina (Analytics);
2. a intervenção humana necessária para interpretar os dados (Human input);
3. a tomada de decisão resultante (Decision);
4. a transformação em ação concreta (Action).

Com o passar do tempo, aumenta-se a autonomia deixada à máquina, até que se possa obter total confiança no sistema. Mas para tornar a máquina capaz de decidir tão bem quanto o homem, é essencial uma fase de colaboração durante as várias etapas de desenvolvimento do algoritmo. É mais ou menos longo e avançado de acordo com o grau de autonomia desejado.

Os diferentes tipos de algoritmos

Dependendo da natureza e intensidade da colaboração entre homem e máquina, existem três tipos principais de algoritmos de machine learning: aprendizado supervisionado, não supervisionado e aprendizado por reforço.

Aprendizado supervisionado

No modo supervisionado, os algoritmos funcionam a partir de dados escolhidos por humanos por suas características e seu impacto conhecido no resultado. Por exemplo: a curva de temperatura externa influencia as vendas de bebidas, ou o número de pedidos a serem enviados impacta a carga de picking no armazém. Os modelos de previsão de vendas usam esse tipo de algoritmo em particular.

A inteligência é, neste caso, fornecida principalmente pelo homem. A máquina é então usada principalmente para suas capacidades de cálculo com base em várias séries de dados.

Aprendizado não supervisionado

O objetivo aqui é atender a dois objetivos específicos:

• criar clusters, ou seja, grupos de indivíduos com comportamentos semelhantes, para definir regras de gestão refinadas e, portanto, particularmente eficientes;
• descobrir, graças à máquina, quais dados têm impacto no desempenho da cadeia logística: a abordagem teórica adquirida como profissional nem sempre é suficiente para detectar e explicar determinados fenômenos que podem afetar a eficiência de um armazém. Capaz de identificar até sinais fracos, em tempo real e continuamente, a máquina representa então um poderoso vetor para analisar as operações e, portanto, para melhorar os processos.

Em ambos os casos, a máquina é utilizada para estabelecer o diagnóstico, enquanto o ser humano intervém na exploração dos dados e na definição das ações a serem implementadas como consequência.

Aprendizado por reforço

Usados principalmente por assistentes de voz ou bancários e robótica, esses algoritmos funcionam em ciclos de experiência e melhoram seu desempenho a cada iteração. Este é o modo mais avançado de colaboração entre homem e máquina. Através de um princípio de pontuação, o humano gradualmente ensina o sistema a tomar as melhores decisões. Ele transfere sua experiência para o sistema e o ensina a se adaptar a muitas situações diferentes.