Late Delivery Risk Prediction in Supply Chain: Moving from Reactive to Proactive Delay Management

Imagine o mundo da logística como um jogo gigante e caótico de "Pegue-me se for Capaz", onde os pacotes são os jogadores e os caminhões de entrega são os perseguidores. Às vezes, os pacotes se perdem, os caminhões pegam trânsito ou o tempo fica mal-humorado, e o jogo termina com uma chegada atrasada. Por muito tempo, as empresas jogaram este jogo de forma reativa: elas esperavam até que o pacote estivesse atrasado, então entravam em pânico e tentavam consertar o problema. Mas e se você tivesse uma bola de cristal? Esse é o mundo do Aprendizado de Máquina (Machine Learning), um ramo da ciência da computação onde ensinamos os computadores a identificar padrões no histórico para que possam adivinhar o que acontece a seguir. Pense nisso como um detetive que leu um milhão de romances de mistério; ele sabe que, se um suspeito usa um chapéu vermelho e corre à noite, é provável que ele seja o culpado. Nesta história, os "suspeitos" são as ordens de envio, e o "crime" é o atraso. O artigo que estamos analisando faz uma pergunta simples, mas poderosa: podemos usar esses detetives digitais para prever uma entrega atrasada antes mesmo de ela sair do armazém, para que possamos deter o crime antes que ele aconteça?

---

A Crise das Entregas Atrasadas: Uma História de Promessas Quebradas

A APL Logistics, uma empresa que movimenta centenas de pedidos globais todos os dias, estava enfrentando uma dor de cabeça enorme. Imagine administrar um serviço de entrega de pizza onde metade das suas pizzas chega fria e com uma hora de atraso. Era mais ou menos isso o que estava acontecendo aqui: 54,8% de suas remessas chegavam atrasadas. Isso não era apenas irritante para os clientes; estava custando dinheiro à empresa em penalidades e arruinando sua reputação. A antiga maneira de fazer as coisas era "reativa", o que significa que eles só tentavam corrigir os problemas depois que o dano já havia sido causado. A equipe queria mudar para o modo "proativo", usando uma nova ferramenta para enxergar o futuro.

A Bola de Cristal: Como Eles Construíram o Preditor

Para construir sua "bola de cristal", os pesquisadores tiveram que limpar primeiro um monte de dados bagunçados. Imagine tentar prever o tempo usando um caderno que tem páginas arrancadas, manchas de tinta e notas sobre o que aconteceu depois da tempestade. É assim que os dados brutos costumam parecer.

Primeiro, eles tiveram que impedir o computador de usar informações que não estariam disponíveis na vida real. Nos dados, havia colunas como "Status Real de Entrega" e "Dias Reais para Envio". Se o computador visse essas colas, ele apenas olharia para a chave de respostas para adivinhar o resultado, o que é inútil na vida real. Eles descartaram essas colunas, garantindo que o modelo usasse apenas informações disponíveis antes do envio do pacote.

Em seguida, tiveram que ensinar o computador a entender a linguagem humana. Computadores só falam números, então eles transformaram palavras como "Classe Padrão" ou "Primeira Classe" em códigos (0s e 1s). Eles também preencheram peças faltantes do quebra-cabeça, como códigos postais, para que o computador não ficasse confuso.

Uma parte complicada foi que os dados estavam desequilibrados. Era como tentar aprender a reconhecer leões olhando para um zoológico onde 99% dos animais são zebras. O computador simplesmente adivinharia "zebra" todas as vezes e estaria certo, mas nunca aprenderia a identificar um leão. Como as entregas atrasadas eram, na verdade, bastante comuns (54,8%), a equipe usou um truque inteligente chamado SMOTE. Pense no SMOTE como uma fotocopiadora que cria novos exemplos falsos das entregas "atrasadas" para tornar o treinamento dos dados justo, para que o computador aprenda a identificar pacotes no prazo e atrasados com a mesma eficiência.

Os Ingredientes Secretos: Engenharia de Atributos (Feature Engineering)

Os pesquisadores não apenas alimentaram o computador com números brtos; eles prepararam alguns ingredientes especiais chamados "atributos" para ajudar o modelo a pensar de forma mais inteligente.

1. Índice de Pressão de Envio: Eles calcularam quanta carga de trabalho foi acumulada em um único envio. Se você tem um pedido enorme, mas apenas uma janela minúscula para enviá-lo, isso é alta pressão.
2. Flag de Risco de Modalidade: Eles deram uma "etiqueta de perigo" a certas velocidades de envio. Se um pacote era marcado como "Primeira Classe" ou "Express", o modelo sabia que estes eram de alto risco porque prometiam uma janela de entrega muito apertada e difícil de cumprir.
3. Índice de Congestionamento Regional: Eles analisaram o histórico para ver quais lugares eram sempre engarrafamentos. Algumas regiões eram como um ralo entupido, sempre causando atrasos.
4. Pontuação de Complexidade do Pedido: Eles combinaram o preço do item e a dificuldade de chegar ao local. Itens caros indo para lugares de difícil acesso recebiam uma pontuação de "complexidade" alta, alertando o sistema para ter cuidado extra.

O Que os Dados Revelaram: As Verdades Chocantes

Quando a equipe deixou o computador processar os números, ele encontrou alguns segredos surpreendentes que os gerentes haviam perdido.

• A Armadilha da "Segunda Classe": Os dados mostraram que o envio de "Segunda Classe" era um desastre. A promessa era de 2 dias, mas na realidade, levava quase 4 dias. Era quase sempre 2 dias de atraso. Da mesma forma, a "Primeira Classe" era prometida para 1 dia, mas levava 2. A empresa estava fazendo promessas que não conseguia cumprir, e os clientes estavam ficando irritados.
• As Zonas de Perigo: O mapa do mundo acendeu em vermelho em áreas específicas. África Central, Sul da Ásia e Leste da África eram as zonas de maior risco, com uma probabilidade de entrega atrasada média próxima de 60%. Não era apenas má sorte; essas áreas tinham problemas sistêmicos com alfândegas e parceiros locais.
• Os Vazamentos de Dinheiro: O modelo encontrou produtos e locais específicos onde a empresa estava perdendo dinheiro. Enviar para o estado de Minnesota estava perdendo -$464 por pedido. Um produto específico, o "Total Gym 1400", estava perdendo -$441 toda vez que era encomendado. A empresa estava, essencialmente, pagando para que as pessoas levassem seus produtos embora.

Os Mágicos 72%: Quão Boa é a Bola de Cristal?

A equipe treinou seu modelo de computador em 80% dos dados e o testou nos 20% restantes. O resultado? O modelo Random Forest (um tipo de algoritmo de computador que utiliza muitas árvores de decisão para fazer uma escolha) alcançou 72% de precisão.

Agora, 72% pode parecer uma nota baixa, mas no mundo bagunçado e imprevisível do transporte global — onde engarrafamentos, tempestades e agentes alfandegários podem mudar tudo da noite para o dia — isso é uma grande vitória. O modelo não diz apenas "Sim" ou "Não"; ele fornece uma pontuação de probabilidade, classificando os pedidos em Baixo, Médio e Alto Risco. Isso permite que a equipe de operações foque sua energia nos pedidos de "Alto Risco" que precisam de atenção imediata.

Do Código à Ação: O Painel ao Vivo

Os pesquisadores não deixaram o modelo apenas em um laboratório de informática. Eles construíram um Dashboard Streamlit, uma ferramenta web ao vivo que se parece com um painel de controle de um videogame.

• A Visão Geral: Mostra um panorama de quantos pedidos estão em risco.
• A Verificação de Pedido: Um funcionário pode digitar um novo pedido, e o dashboard instantaneamente diz: "Este é de Alto Risco!".
• O Plano de Ação: Diz à equipe exatamente o que fazer. Para o envio de "Segunda Classe", eles precisam conversar com seus parceiros e ajustar as promessas de entrega. Para o "Total Gym 1400" e os pedidos de Minnesota, eles podem precisar parar de vendê-los ou encontrar uma forma mais barata de enviá-los.

O Futuro do Transporte

Este projeto é uma mudança de reagir a desastres para prever desastres. O autor sugere que, embora o modelo atual seja uma ótima "rede de segurança", o futuro pode ser ainda mais brilhante. Imagine adicionar dados meteorológicos em tempo real ou atualizações de tráfego portuário ao mix. O objetivo é passar de apenas prever atrasos para realmente prescrever a melhor rota para evitá-los.

No fim, este artigo mostra que, ao limpar dados bagunçados, ensinar computadores a identificar padrões e construir ferramentas que humanos possam realmente usar, uma empresa de logística pode estancar a sangria, manter os clientes felizes e transformar um jogo caótico de "pega-pega" em uma máquina bem lubrificada. A bola de cristal não é perfeita, mas é a melhor ferramenta que eles já tiveram para enxergar o futuro.