Brazil

Rio de Janeiro & Sao Paulo
Technology, Media, Entertainment & Telco

Desenvolvimento de Modelo Analítico Preditivo para Empresa Global

Desenvolvimento de Modelo Analítico Preditivo para Empresa Global

OBJETIVO
A informação precisa sobre a data de entrega de um pedido é um fator de extrema importância na experiência do cliente.

O processo logístico envolve armazenamento e movimentação de materiais, controle de saídas físicas, fiscais e de transporte, eventualmente através de diversos modais, o que representa uma cadeia complexa da qual participam diversos stakeholders com acordos de nível de serviço (explícitos ou implícitos) entre si. Desta forma, qualquer imprevisto impactará o processo negativamente, com repercussões na satisfação do seu cliente final.

No agronegócio em particular, o desvio entre a data de entrega prometida, ETD (estimate-to-deliver), e a data real de entrega pode trazer grandes transtornos ao cliente. Neste segmento, o planejamento da safra como um todo, desde o plantio até a colheita, é altamente dependente da precisão e da assertividade do recebimento da sua principal matéria-prima (a semente). A falta de previsibilidade quanto ao recebimento de matérias-primas acaba prejudicando o planejamento e estruturação de toda a cadeia produtiva.

Mas, mesmo com acesso cada vez maior a dados, através de tecnologias de análises de Big Data, indicadores e outras informações disponíveis, poucas empresas sabem o que fazer para realmente otimizar a performance de entrega. Para resolver este desafio e melhorar experiência dos clientes de uma empresa global líder no desenvolvimento de novas tecnologias em sementes, a BIP desenvolveu um modelo capaz de prever com alta acurácia a data de entrega dos pedidos realizados.

Nessa empresa, cerca de 60% de detratores de seu NPS estavam atrelados ao baixo nível de serviço na entrega dos pedidos realizados pelos clientes (entregas fora da data prometida). Conseguir prever qualquer desvio da data de entrega acordada com o cliente e atuar para corrigir de forma antecipada o problema era um fator fundamental para a melhoria da experiência e consequente satisfação dos clientes da empresa.

AÇÃO
A partir dos dados internos e proprietários do cliente, a BIP desenvolveu um modelo preditivo utilizando técnicas de machine learning, considerando as especificidades e particularidades da empresa e do setor. Com uma equipe multidisciplinar, composta por cientistas de dados e consultores de negócio, a BIP garantiu a elaboração de uma solução customizada que atendeu os requisitos dos clientes para aumentar a previsibilidade de desvios nas datas de entrega dos pedidos.

Iniciou-se o projeto com o levantamento das fontes de dados disponíveis, as tipologias e a qualidade de cada uma dessas fontes. Esta fase foi realizada pela equipe de consultores da BIP, em conjunto com a equipe de negócios e de TI do cliente.

Na fase de Avaliação de dados foram identificadas mais de 150 variáveis com impacto na data prevista de entrega dos pedidos dos clientes e, em seguida, foram coletados dados históricos dos últimos dois anos e testadas diferentes combinações de variáveis.
Em seguida, os dados das bases foram relacionados entre si e enriquecidos com dados externos como condições climáticas e informações de geolocalização de clientes e centros de distribuição.

Seguiu-se o desenvolvimento do algoritmo, onde foram verificados os tipos de modelo preditivo que traziam os melhores resultados de previsão, foi detalhada a árvore de decisão associada e customizado o modelo para total aderência ao caso específico. A BIP projetou o modelo considerando a melhor relação entre o desempenho de previsão e a capacidade de fornecer informações sobre as causas raízes dos problemas identificados nos pedidos.

No decorrer dos testes realizados, duas grandes decisões foram tomadas. A primeira delas foi a eliminação das variáveis climáticas, por não apresentarem influência considerável na previsão da entrega.
A segunda constatação levou à inclusão da variável “dia da semana da promessa de entrega”, que foi adicionada para enriquecer o modelo. Esta variável adicional ajudou no tratamento de algumas anomalias quando há impossibilidade de entrega em um determinado dia da semana em determinados clientes.

Por fim, com o descarte das variáveis não significativas, o modelo com melhor performance considerou 125 variáveis classificadas em dimensões, como: parceiro logístico (performance histórica), tempo (até a entrega, dia da semana da entrega, mês da entrega), cliente (dias e horários que recebe mercadorias), Centro de Distribuição (local de expedição e performance histórica de expedição) entre outras.

O método estatístico escolhido foi o Random Forest, que utiliza diversas árvores de decisão construídas a partir de conjuntos aleatórios de variáveis para identificar a possibilidade de ocorrência de um dado evento relacionado à entrega dos pedidos.

Para finalizar o processo, foi realizada a avaliação de performance do modelo para verificar a coerência entre a geração dos resultados do mesmo e a performance real da entrega dos pedidos ocorrida. Após esta avaliação e confirmação da performance do modelo, o mesmo foi apresentado ao cliente e implantado à rotina de gestão do time logístico.

RESULTADO
No caso específico desta empresa, o Modelo Analítico Preditivo apresentou um resultado com 90% de precisão, 5 vezes mais assertividade para as entregas antecipadas e 17 vezes mais assertividade para as entregas atrasadas, em relação à situação inicial sem existência de qualquer modelo preditivo.

A equipe de logística passou a ser capaz de acompanhar a performance futura de entrega através de um painel de gestão atualizado diariamente que identificava os pedidos em risco de não cumprimento do prazo acordado com os clientes.

Com isso, foi possível gerenciar preventivamente os processos internos e negociar com transportadoras e operadores logísticos visando a entrega com maior assertividade e a execução de mecanismos de mitigação para a chegada do produto na data prometida e sem inconvenientes para o cliente.
O modelo desenvolvido resultou em um impacto direto sobre a experiência dos clientes da empresa, aumentando ainda mais o engajamento e fidelidade dos mesmos e, consequentemente, trazendo resultados financeiros importantes em um mercado competitivo como o agronegócio.