Análise de padrões de procura para produção de "kits de picking"

Abstract

A otimização das atividades de "picking" e "packing" em armazéns é um desafio crítico devido à elevada intensidade operacional e ao impacto direto na produtividade. Este estudo desenvolve uma metodologia baseada em análise de dados para identificar padrões de procura e propor "kits" logísticos de encomendas pré-preparadas com vista a impactar o tempo de ciclo de encomenda (Order Cycle Time), através da diminuição da distância percorrida pelos colaboradores e do número de linhas preparadas por dia, otimizando simultaneamente a utilização de recursos. Foram analisados produtos alimentares à temperatura ambiente adquiridos por 11 clientes internos em 2024, correspondendo a 1,45 milhões de linhas de encomenda e 2.274 materiais distintos. Aplicou-se o algoritmo "Association Rule Learning" (ARL), com limiares de suporte de 0,5% e confiança de 80%, gerando 196 "kits" logísticos representativos da procura real. Os resultados mostram que a implementação de todos os "kits" poderia reduzir até 23% dos movimentos diários, embora este cenário seja operacionalmente inviável. Num cenário mais realista, a adoção de três "kits", selecionados em colaboração com a empresa, poderia reduzir cerca de 9% dos movimentos diários, com uma diminuição marginal da distância percorrida (0,09%). Este trabalho evidencia uma metodologia replicável e escalável, adequada para adoção gradual e monitorização contínua através de KPI’s definidos. O contributo académico reside na demonstração do potencial das técnicas de "data mining" e "machine learning" como ferramentas de apoio à decisão na gestão logística e otimização da "Supply Chain Management". Investigações futuras poderão explorar algoritmos alternativos de agrupamento e realizar testes piloto em ambiente real para validar e expandir os resultados obtidos.

The optimization of picking and packing activities in warehouses is a critical challenge due to their high operational intensity and direct impact on productivity. This study develops a data-driven methodology to identify demand patterns and propose pre-prepared logistical order kits, aiming to impact the Order Cycle Time (OCT) by reducing the distance traveled by operators and the number of lines prepared per day, while simultaneously optimizing resource utilization. The analysis focused on ambient-temperature food products purchased by 11 internal clients in 2024, representing 1.45 million order lines and 2,274 distinct materials. The Association Rule Learning (ARL) algorithm was applied, with minimum support of 0.5% and confidence of 80%, generating 196 logistical kits representative of actual demand. Results show that implementing all kits could reduce daily picking movements by up to 23%, although this scenario was operationally unfeasible. In a more realistic scenario, adopting three kits, selected in collaboration with the company, could reduce daily movements by around 9%, with only a marginal decrease in distance travelled (0.09%). This work demonstrates a replicable and scalable methodology suitable for gradual adoption and continuous monitoring through predefined KPIs. The academic contribution lies in demonstrating the potential of data mining and machine learning techniques as decision-support tools for logistics management and supply chain optimization. Future research could explore alternative clustering algorithms and conduct pilot tests in real environments to validate and extend the results obtained.