Conceitos como a inteligência artificial e o machine learning ganham cada vez mais atenção nos mais diferentes setores e atividades produtivas. E já permitem aprimorar, também, a visibilidade da cadeia de suprimentos. Suas aplicações práticas no supply chain prometem ganhar mais destaque nos próximos anos.

Exemplo é a melhoria que os recursos conferem às geofences – ou cercas geográficas, como são denominadas as tecnologias que, por meio do uso de GPS, Wi-Fi e outras soluções, conseguem delimitar perímetros geográficos virtuais. “Embora possibilitem visibilidade em tempo real e marcos precisos para remessas de cargas de caminhão, as geofences apresentam desafios quando a escala leva em conta milhares de localidades. Isso pode gerar resultados imprecisos que podem encerrar prematuramente o rastreamento, criar falsas informações de chegada e levar a compromissos perdidos e reagendamentos”, comenta Pierre Jacquin, vice-presidente para a América Latina na project44.

Segundo o executivo, o machine learning é capaz de melhorar esse tipo de geolocalização. A partir da análise de padrões e outros dados gerados no transporte, é possível gerar cercas geográficas menores com base em sinalizações (“pings”) reais e dados históricos, levando em conta dados sobre, por exemplo, como o caminhão de um cliente normalmente se move.

No caso de cargas marítimas, a project44 desenhou cercas geográficas de atracação ao redor de todos os principais portos e terminais oceânicos em todo o globo. “Combinamos isso com dados de rastreamento por satélite, o que garante visibilidade completa nos marcos marítimos. Assim que uma embarcação entra na geofence, podemos detectar a presença. Se ela sair da geofence, podemos detectar o marco de partida. E, em média, isso é cerca de quatro vezes mais rápido do que esperar que um evento seja relatado pela operadora”, explica Jacquin.

ETAs mais precisos - Confiar nos ETAs (tempo estimado de chegada, na sigla em inglês) calculados por métodos de rastreio e previsão tradicionais também pode ser arriscado. Embora o tempo de viagem de uma remessa seja razoavelmente previsível, é muito mais difícil calcular aspectos como o tempo de permanência em depósitos e o comportamento que a atividade humana, como o trabalho nas estradas, pode demandar.

Um cálculo de ETA para cargas de caminhão baseado em machine learning, é produzido por um modelo de aprendizado de máquina treinado a partir de bilhões de pontos de dados em dezenas de milhões de cargas. “Os modelos levam todos os tipos de fatores em consideração, incluindo o comportamento do motorista, sazonalidade e características do caminhão e da carga para fornecer melhores insights para os embarcadores”, afirma Jacquin. É possível detectar com precisão cargas atrasadas e a ferramenta consegue reduzir erros em mais de 60%.

No caso dos ETAs marítimos, o algoritmo também é constantemente ajustado e otimizado a partir de onde o contêiner está na jornada. “O cenário do transporte de contêineres mudou rapidamente nos últimos três anos. O machine learning oferece dados muito mais detalhados. Por exemplo, você pode receber um aviso não apenas quando um navio chega a uma parada, mas também quando o contêiner é descarregado. Os ETAs que criamos para embarques marítimos, com aplicação de machine learning, levam em conta os horários de navegação, os ETAs dos navios, o congestionamento do porto e os atributos do navio e do próprio contêiner, entre outros dados”, ilustra o executivo.