Instalações e regras com foco único, projetadas em torno de mercados tradicionais e relacionamentos consistentes, não são mais suficientes
A globalização, a volatilidade econômica e o aumento do e-commerce, juntamente com as constantes mudanças no mix de produtos e nas preferências dos clientes, tornaram o supply chain tradicional uma coisa do passado. O supply chain moderno deve se transformar rapidamente para se tornar mais escalável e mais flexível, a fim de se adaptar às mudanças contínuas do mercado em direção a entregas mais rápidas e lucrativas.
E isso significa tomar decisões de alta qualidade e em tempo real, através de inúmeras restrições, usando modelos matemáticos avançados e aprendizado de máquina. A aplicação de pesquisas e conhecimentos matemáticos em operações do mundo real pode gerar vantagens significativas em redução de custos e nível de serviço.
No complexo ambiente atual de supply chain, as empresas não podem se dar ao luxo de tomar decisões multimilionárias com abordagens históricas limitadas a análises e regras. Modelos matemáticos – cuja sofisticação aumenta com a complexidade da configuração de supply chain – agora são necessários para oferecer suporte a uma abordagem holística de ponta a ponta.
Os desafios de transporte, por exemplo, estão entre os mais complexos que os planejadores e executores de supply chain enfrentarão, cada um com seu próprio resultado em nível de custo e serviço. Embora os planejadores não precisem dominar a matemática (programas inteiros mistos, meta-heurísticas, recozimento simulado, pesquisa de tabus e mais), eles devem entender que qualquer processo de geração de remessa exige a solução de uma variante do VRP (problema de roteamento de veículo).
O VRP é um dos problemas mais estudados no mundo acadêmico e profissional, por matemáticos aplicados, engenheiros industriais e especialistas em pesquisa de operações. Inúmeras variáveis, como custos, disponibilidade de recursos, taxas comuns de operadoras, janelas de tempo, requisitos de nível de serviço tornam quase impossível encontrar uma solução ideal por tentativa e erro. Em vez disso, devemos depender da tomada de decisão automatizada e inteligente baseada em computação.
O supply chain moderno é menos definido pelos ativos do que pelas decisões que determinam os relacionamentos entre os ativos. Decisões como quantos centros de distribuição (CDs) devem operar, qual fornecedor deve fornecer para qual CD, quais lojas atendem a partir de qual CD e como combinar e-commerce, programações de serviços e taxas contratadas, são algumas das conexões críticas que definem todo o supply chain.
Hoje, devemos procurar modelos matemáticos e algoritmos inteligentes para otimizar esses relacionamentos de maneira hierárquica, incluindo localização de instalações, determinação de fontes, janelas de dia / hora de recebimento / entrega e políticas de planejamento e roteamento de território. Modelagem e otimização inteligentes combinam simultaneamente todas essas opções para fornecer a solução mais benéfica.
Os usuários geralmente tratam os sistemas de suporte à decisão como assistentes ou oráculos, esquecendo que a qualidade da saída é diretamente proporcional à qualidade da entrada. Dados melhores e mais abrangentes levam a uma qualidade mais alta e recomendações de saída mais confiáveis.
É claro, algum nível de incerteza é inevitável. Ambiguidade e eventos imprevisíveis sempre comprometem a qualidade dos insumos e, portanto, a tomada de decisões em circunstâncias incertas é compreensivelmente alta nas demandas. A inteligência que pode detectar e corrigir inconsistências de dados e fornecer várias soluções para diferentes situações esperadas pode ser um diferencial poderoso e lucrativo para os remetentes.
Mas é mais fácil falar do que fazer. Além de algoritmos que podem detectar e corrigir inconsistências de dados, é necessário o desenvolvimento de ferramentas que funcionam em ambientes estocásticos (configurações caracterizadas por probabilidade e variáveis aleatórias, combinadas com módulos de simulação) para modelagem de transporte no moderno TMS (Transportation Management Systems – sistemas de gerenciamento de transporte). Essa modelagem permite que planejadores estratégicos de transporte testem vários cenários “e se”, para determinar os efeitos de diferentes opções e selecionar a decisão mais ideal.
Com a ajuda da otimização e modelagem inteligentes, os riscos no supply chain moderno podem ser minimizados. O Manhattan TMS usa aprendizado de máquina e algoritmos inteligentes em seu mecanismo de modelagem de transporte para garantir que a decisão certa seja tomada na primeira vez, em tempo real.
