Cases não públicos
Machine Learning no segmento de Logística

Introdução

O uso de Machine Learning ganha cada vez mais protagonismo no processo de transformação digital das empresas e vem proporcionando uma verdadeira revolução no relacionamento entre empresas, parceiros e consumidores. É inegável que a sua aplicação aliada às estratégias, tem o poder de desenvolver grandes oportunidades de negócios. E não seria diferente no setor logístico.

Desafio

Com cadeias de suprimentos cada vez mais complexas e mutáveis, as aplicações de Machine Learning no setor de logística estão surgindo como uma forma inovadora de melhorar processos, aumentar a previsibilidade e a precisão dos dados para evitar erros perigosos, principalmente no que diz respeito ao planejamento preditivo de rotas de transporte.

Muitos fatores devem ser considerados na precificação das rotas de transporte: intervalos de entrega determinados, rastreamento em tempo real, envios express com no máximo 24h para a entrega, coleta de logística reversa, são apenas algumas das variáveis a considerar para determinar o custo de uma rota.

Ao adotar o Machine Learning como ferramenta, as empresas que atuam no segmento logístico conseguem alimentar as máquinas com informações valiosas sobre suas rotas já realizadas. Com modelos precisos de dados, um grande volume de dados é “aprendido”, armazenado e é possível estabelecer um padrão que pode ser analisado e transformado em estratégias mais assertivas na precificação de rotas recorrentes futuras. Além disso, pode processar um grande número de fluxos de dados de terceiros para encontrar a rota mais rápida em tempo real ou evitar atrasos e interrupções.

A empresa é uma das maiores operadores de logística independente do Brasil, cruzando todo o território brasileiro. Com o foco ferroviário, buscam sempre a inovação e otimização de processos para otimizar o modelo de entrega e as taxas de lucro para empresa, remetente e destinatário.

Solução Proposta

Usando o Machine Learning, a BRLink foi capaz de realizar um sistema inteligente de precificação de rotas de transporte para o cliente. Foi desenvolvida uma arquitetura em nuvem completamente serverless baseada em tendências e sazonalidade para realizar uma consulta a série temporal de preços, e assim fazer uma previsão de custo para o próximo ano.

O dado é salvo no S3, a opção de armazenamento eleita pelo cliente. Um orquestrador no Step Functions dispara diversas Funções Lambda para ler, pré-processar, modelar e interagir com o Amazon Forecast, escrevendo a saída do sistema de volta no S3.

O objetivo do cliente era gerar uma faixa de preços, permitindo a negociação, o que foi feito por meio de seleção de quantiles do Forecast. O resultado foi um sistema completamente automatizado que prevê faixas correspondentes a 20% do preço (para uma rota de $100, ele gera uma faixa de $20) com menos de 20% de erros (quando um valor real está fora da faixa prevista).

A Figura abaixo ilustra a arquitetura AWS da solução:

Cases

A BRLink tem clientes no Brasil inteiro, de todos os portes e de diferentes segmentos. Isso mostra a diversidade do portfólio de soluções que temos para você.