Uso da análise de dados e Machine Learning aplicado ao processo de separação e expedição em home centers: estudo de caso
Resumo
O processo de separação e atendimento de pedidos na área de expedição de Home Centers apresenta elevada variabilidade operacional, resultando em atrasos no cumprimento das metas internas e impactando diretamente a experiência do cliente. Fatores como peso das mercadorias, quantidade de itens, tipo de entrega e produtividade dos operadores contribuem para oscilações nos tempos de separação e atendimento, dificultando o controle eficiente do fluxo operacional. Diante desse cenário, torna-se necessário compreender quantitativamente os fatores que influenciam os atrasos e propor melhorias baseadas em dados.
Este Trabalho de Conclusão de Curso tem como objetivo analisar o processo de separação e atendimento na expedição, identificando gargalos operacionais e propondo soluções por meio de técnicas de estatística e Inteligência Artificial. Para isso, foi desenvolvida uma base de dados, estruturada de forma realista, contendo 3.000 registros simulados conforme as regras operacionais da empresa. Foram realizadas análises descritivas para identificação de padrões, variabilidade e taxa de cumprimento das metas, além da aplicação de modelos supervisionados de classificação, como Árvore de Decisão e Random Forest, para previsão de atrasos.
Os resultados indicaram que aproximadamente 40% dos pedidos ultrapassam o tempo-meta de atendimento. A análise de importância das variáveis evidenciou que peso total, produtividade do separador e quantidade de itens são os principais fatores associados aos atrasos. Conclui-se que a integração entre engenharia de processos, estatística e Inteligência Artificial é eficaz para apoiar a otimização de operações logísticas.