O supply chain pode se beneficiar ao máximo da racionalização, uma vez que influencia diretamente a lucratividade e a satisfação do cliente
As indústrias estão investindo agressivamente em projetos de Inteligência Artificial (IA) para gerar eficiência e ter melhor desempenho dos negócios.
A International Data Corporation (IDC) previu que os investimentos em inteligência artificial alcançarão uma taxa de crescimento anual composta (CAGR) de 46,2% a partir de 2016, crescendo para se tornar uma indústria de US$ 52,2 bilhões até 2021.
A AI pode melhorar de forma significativa as operações de negócios aproveitando a enorme quantidade de dados gerados pelos sensores que monitoram a produção e a movimentação de produtos usando a IoT. O resultado final é a AIIoT, que é a fusão da IA e da IoT para gerenciar estoques, logística e fornecedores com um nível mais alto de conscientização e precisão.
A cadeia de suprimentos é uma área que pode se beneficiar ao máximo da racionalização, uma vez que influencia diretamente a lucratividade e a satisfação do cliente. Já existem várias implementações em que a eficiência da cadeia de suprimentos é aprimorada devido a IA e Machine Learning. Aqui estão alguns exemplos:
1. Manutenção preditiva
Utilizando sensores para monitorar as condições operacionais, os técnicos podem ser alertados antecipadamente sobre possíveis problemas de equipamentos e máquinas de serviços com base no desgaste em tempo real, em vez de ter que realizar visitas programadas de revisão com base nas recomendações gerais dos fabricantes. A Siemens implementou com sucesso a manutenção preditiva dos sistemas de resfriamento da NASA na Base da Força Aérea dos EUA Edwards na Califórnia, monitorando o desempenho de ventiladores, bombas, manipuladores de ar e torres de resfriamento para obter insights sobre possíveis reduções de manutenção e custos operacionais. A Deutsche Bahn (DB) e a Siemens lançaram uma aplicação piloto para a manutenção preditiva e a manutenção de trens de alta velocidade.
2. Envios mais inteligentes
Os algoritmos estão sendo usados para gerenciar as alterações de última hora, incluindo a seleção da melhor “porta de saída” alternativa quando a porta original é bloqueada, incluindo a estimativa de horas de entrega e até mesmo a estimativa da probabilidade de uma transportadora cancelar uma reserva. A AI também está sendo usada para calcular a influência do clima extremo nos horários de envio. A IBM e sua subsidiária, The Weather Company, utilizam 100 terabytes de dados meteorológicos por dia para produzir previsões meteorológicas específicas para cada local e que calculam possíveis atrasos devido a tempestades, furacões e tufões.
3. Gestão de armazém
A AI tem a capacidade de identificar padrões de inventário e pedidos para revelar quais itens estão sendo vendidos e que devem ser reabastecidos primeiro. O reconhecimento de voz também pode ser usado para aumentar a eficiência e a precisão da coleta de produtos, permitindo que o Warehouse Management System (WMS) informe aos funcionários por meio de um headset qual item escolher e onde ele está localizado. Quando o item é encontrado, o trabalhador lê o número do item e o sistema reconhece a voz do operador e confirma o item escolhido. Quanto mais usado, o sistema é “treinado” para aprender os padrões de tom e fala do funcionário, permitindo que ele possa trabalhar com as mãos livres e com mais segurança. Além disso, ao implementar a IoT, cada parte de um determinado produto pode ser rastreada desde quando é fabricada pela primeira vez até quando é montada e enviada para um cliente final. A BMW segue uma peça do ponto em que foi fabricada até quando o veículo é vendido de todas as suas 31 instalações de montagem localizadas em mais de 15 países, utilizando o Machine Learning para otimizar a logística.
4. Entrega
A “última milha” é essencial, e as companhias de navegação estão competindo para ter os serviços de entrega mais avançados e eficientes. A DHL está investindo em trabalhadores robóticos inteligentes em seus armazéns e centros de carga aérea, caminhões semi-autônomos que dirigem de forma independente com intervenção humana mínima para percursos longos e robôs “follow-me” que podem transportar cargas para pessoas em locais urbanos. Na UPS, a análise preditiva é usada para planejar rotas de motoristas e cronogramas de entrega em constante mudança, incluindo a previsão de resultados, dado um determinado conjunto de condições de rota. Robôs de seis rodas estão realizando entregas de alimentos em Londres (lançados pela Starship Technologies, uma empresa criada pelos co-fundadores do Skype). As máquinas de auto-condução são embaladas com nove câmeras e GPS e são monitoradas por pessoas reais que podem imediatamente entrar e assumir o controle remotamente quando necessário. Além de serem mais eficientes em termos de custos e mais gentis com o meio ambiente, eles podem monitorar e manter a temperatura adequada para melhorar a satisfação do cliente.
5. Gestão de fornecedores
Os dados coletados e agregados pelo rastreamento da cadeia de suprimentos também são importantes, pois permitem que as empresas adaptem seus próprios cronogramas de produção, bem como identifiquem os fornecedores que podem estar despendendo recursos desnecessários. Segundo a IBM, até 65% do valor dos produtos ou serviços de uma empresa é derivado de seus fornecedores. Essa alta porcentagem dá às empresas um enorme incentivo para gerenciar o relacionamento com mais eficiência. Algoritmos podem garantir que a seleção de fornecedores seja objetiva, incorporando medidas de desempenho qualitativas e quantitativas. Ao criar modelos de decisão baseados em vários fatores diferentes, a AI permite que a área de compras se torne estratégica, indo além do papel tradicional de redutores de preços.
Usar a inteligência artificial para otimizar a cadeia de suprimentos traz muitos benefícios financeiros, mas exige um investimento. Existem certos requisitos práticos para um sistema de AI funcional, incluindo uma infra-estrutura flexível para conformidade com as regulamentações, escalabilidade para gerenciar grandes volumes de dados, bem como uma integração perfeita de dados para alimentar algoritmos de Machine Learning. Para que a IA seja usada de forma eficaz, vários sistemas diferentes precisam ser integrados, incluindo sistemas de Gerenciamento do Ciclo de Vida do Produto (PLM), Planejamento de Recursos Empresariais (ERP) e Gerenciamento do Relacionamento com o Cliente (CRM).
(*) Stephan Romeder é Vice Presidente Global Business Development da Magic Software Enterprises
