November 16, 2026
Otimização de Malha Logística de Entregas por meio de Modelagem Matemática e Clusterização
Katia Fan; Igor Pinheiro de Araújo Costa
DOI: 10.22167/2675-6528-202604156
Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.
Resumo
A eficiência na logística de distribuição constitui um diferencial competitivo essencial para a redução de custos operacionais e a sustentabilidade financeira das organizações contemporâneas. O objetivo geral deste trabalho consistiu em otimizar a malha de entregas de uma empresa, visando a redução de custos através da diminuição da quilometragem percorrida. A metodologia empregada baseou-se nos princípios da Pesquisa Operacional e foi estruturada em três fases sequenciais: alocação geográfica de clientes aos depósitos respeitando restrições de Unidade Federativa, clusterização de lojas por meio do algoritmo K-Means e roteirização da frota heterogênea utilizando a formulação matemática do Problema de Roteirização de Veículos. Os principais resultados obtidos demonstraram uma redução na distância total percorrida, o que representou uma economia absoluta de 5.116 km e um ganho percentual de 3,24%. O modelo validou-se como uma ferramenta robusta, capaz de otimizar a ocupação dos veículos e eliminar a subjetividade no planejamento logístico. Concluiu-se que o uso de modelagem matemática avançada permitiu converter restrições operacionais em uma vantagem competitiva mensurável. A solução validou a viabilidade de sistemas de suporte à decisão baseados em dados para a automação e otimização de fluxos logísticos de larga escala.
Palavras-chave: Clusterização; Otimização logística; Pesquisa operacional; Redução de Custos; Roteirização de veículos.
1. Introdução
A logística de distribuição é um pilar estratégico no ambiente corporativo contemporâneo, atuando como elo crucial entre empresas, clientes e fornecedores. Sua eficiência é determinante para a integração de processos, abrangendo desde o planejamento e controle da aquisição de matérias-primas e produção até a entrega final de mercadorias, buscando sempre o menor custo possível (Ballou, 2002).
No âmbito logístico, a área de transportes representa um desafio significativo para as organizações (Teodoro e Cardoso, 2014). Os custos associados ao transporte podem corresponder a uma parcela substancial das despesas logísticas totais, variando de um a dois terços (Ballou, 2006). Essa realidade impulsiona as empresas a desenvolverem estratégias eficazes para otimizar o fluxo de abastecimento (Caplice e Sheffi, 2006), sendo a roteirização de veículos uma atividade central para a redução desses custos (Laporte et al., 2000). Roteirizar, nesse contexto, significa planejar percursos ótimos para uma frota de veículos limitada, visando atender aos clientes com qualidade de serviço e custos minimizados (Ballou, 2006).
A Pesquisa Operacional (PO) emergiu durante a Segunda Guerra Mundial, na Inglaterra, como uma disciplina aplicada para solucionar problemas complexos e de grande escala, como os encontrados em logística, estratégia militar e otimização de recursos (Pessoa e Alves, 2013). Ela se estabeleceu como uma ferramenta indispensável para apoiar a tomada de decisão em cenários complexos, oferecendo um conjunto de técnicas para identificar as condições mais favoráveis, prever e comparar estratégias, e otimizar o uso de recursos diante de restrições econômicas, materiais, humanas e temporais (Oliveira, 2010).
Desde sua origem, a PO tem sido amplamente aplicada em diversos setores, incluindo transporte, e é reconhecida por sua precisão na busca por soluções eficazes que aumentam a competitividade (Hillier e Lieberman, 2013). A PO permite modelar sistemas reais por meio de representações matemáticas, buscando soluções ótimas ou próximas do ótimo, utilizando técnicas como programação linear, algoritmos exatos, heurísticas e metaheurísticas em problemas de logística e transporte (Goldbarg e Luna, 2005). A Programação Linear, em particular, é crucial para a distribuição eficiente de recursos limitados com o objetivo de minimizar custos (Andrade, 2000). Dentro da PO, o Problema de Roteirização de Veículos (VRP) é um dos desafios mais estudados, focado em determinar rotas ótimas para uma frota, atendendo a clientes geograficamente dispersos e minimizando custos operacionais, enquanto respeita restrições de capacidade e atendimento (Toth e Vigo, 2014; Laporte, 2009).
O VRP, proposto inicialmente por Dantzig e Ramser (1959), tem sido amplamente aplicado em situações logísticas reais. Estudos recentes, como os de Lu Liu e Tianxia Wang (2025), Soto-Concha et al. (2025) e Bo Qi e Guangyu Li (2024), demonstram a sua relevância prática na otimização de entregas urbanas, sistemas logísticos com múltiplos níveis de distribuição e logística de cadeia fria, respectivamente, evidenciando ganhos significativos em eficiência e redução de custos. Isso ressalta o VRP como uma ferramenta fundamental para a otimização de sistemas logísticos, sendo diretamente aplicável à problemática de distribuição de mercadorias.
Apesar da importância da logística de distribuição, o planejamento manual frequentemente introduz subjetividade e não otimiza plenamente a ocupação dos veículos e a quilometragem percorrida, resultando em custos operacionais elevados. A lacuna reside na necessidade de um modelo robusto que integre a alocação de clientes, a clusterização de lojas e a roteirização da frota heterogênea, respeitando as restrições operacionais e fiscais para converter essas limitações em vantagem competitiva. Diante desse cenário, este trabalho busca propor e aplicar um modelo de roteirização de veículos, baseado em Pesquisa Operacional, para minimizar o custo logístico da distribuição, respeitando as restrições operacionais da empresa, de forma que minimize o custo total de transporte.
2. Material e Métodos
Este trabalho caracterizou-se como uma pesquisa exploratória, de abordagem quantitativa, realizada por meio de um estudo de caso único. A natureza exploratória buscou aprofundar o conhecimento sobre o tema e identificar novas perspectivas (Gil, 2010). A abordagem quantitativa permitiu a análise numérica e a interpretação de dados (Turrioni e Mello, 2012; Godoy, 1995), enquanto o estudo de caso possibilitou uma análise detalhada do objeto em seu contexto real (Gil, 2017).
Os dados empíricos foram obtidos de uma empresa do setor varejista, referentes às operações logísticas do mês de fevereiro de 2025. Para garantir a confidencialidade das informações estratégicas da organização, os dados foram tratados de forma anonimizada. O conjunto de dados abrangeu 15 pontos de distribuição e 3.579 pontos de entrega, que representam os clientes a serem atendidos.
A coleta de dados envolveu uma pesquisa bibliográfica para fundamentação teórica e um levantamento de dados secundários internos da empresa (Malhotra, 2004). Esses dados secundários incluíram informações sobre pontos de distribuição, pontos de entrega (lojas), demandas associadas em metros cúbicos (m³), e parâmetros operacionais, como a capacidade dos veículos e restrições de atendimento.
Para a modelagem, foram organizadas informações detalhadas dos pontos de entrega, incluindo suas coordenadas geográficas, a Unidade Federativa (UF) de localização, a demanda de faturamento em metros cúbicos e o perfil de veículo necessário para a entrega. Adicionalmente, foram considerados os depósitos de origem, com suas respectivas localizações e capacidade máxima de atendimento, definida pelo número de clientes por período.
Restrições específicas de atendimento foram incorporadas, indicando quais depósitos estavam autorizados a realizar entregas em determinadas UFs, em conformidade com a malha fiscal e particularidades tributárias. Por fim, os perfis de veículos da frota foram caracterizados por suas capacidades volumétricas em metros cúbicos, servindo como restrições de capacidade e circulação no modelo.
O desenvolvimento metodológico seguiu as etapas de um estudo de Pesquisa Operacional, conforme proposto por Andrade (2000). Essas etapas compreendem a definição do problema, a construção do modelo, a solução do modelo, a validação do modelo, a implementação dos resultados e a avaliação, com a experiência sendo um elemento transversal a todo o processo.
A primeira fase do estudo consistiu na alocação geográfica de clientes aos depósitos. O objetivo dessa etapa foi redistribuir a base de atendimento, considerando a proximidade geográfica entre clientes e depósitos, além das restrições operacionais predefinidas. Para a resolução do modelo matemático dessa fase, utilizaram-se as bibliotecas PuLP e NumPy da linguagem Python.
O modelo matemático de alocação foi formulado para minimizar a distância total em linha reta, calculada pela distância de Haversine, entre depósitos e clientes. As restrições incluíram o atendimento único de cada cliente por um depósito, a capacidade máxima de cada depósito em número de lojas e a conformidade com as restrições de Unidade Federativa para o atendimento por depósito.
A segunda fase abordou a clusterização das lojas. Após a alocação, a base de dados foi segmentada por depósito e por perfil de veículo. Para agrupar as lojas geograficamente mais próximas em clusters, visando rotas mais concentradas e evitando sobreposição de trajetos, aplicou-se o algoritmo não supervisionado K-Means, utilizando a biblioteca Machine Learning Scikit-Learn.
A terceira fase, de roteamento, utilizou os clusters gerados anteriormente como entrada para a definição das rotas otimizadas. Nesta etapa, empregou-se a biblioteca Google OR-Tools para aplicar a formulação clássica do Problema de Roteirização de Veículos (VRP). O objetivo foi determinar a sequência exata de visitas que minimizasse o custo total de deslocamento.
O modelo de roteirização foi estruturado para garantir que cada veículo partisse de seu depósito, percorresse um conjunto de lojas sequencialmente e retornasse ao ponto de origem. As restrições consideradas incluíram a conservação de fluxo, o atendimento único de cada cliente por um veículo, a capacidade volumétrica de cada perfil de veículo e a eliminação de sub-rotas isoladas.
Para o desenvolvimento do trabalho, utilizou-se de modelos matemáticos de otimização linear inteira mista. A função objetivo geral buscou minimizar o custo total de transporte, representado pela distância percorrida, assegurando o atendimento de todos os clientes e o respeito às capacidades e restrições operacionais da frota heterogênea.
3. Resultados e Discussão
A aplicação do modelo de otimização na malha logística da empresa revelou impactos significativos, demonstrando ganhos substanciais em relação ao cenário operacional preexistente. A validação do modelo, correspondente à etapa 4 do estudo de Pesquisa Operacional, confirmou que a reestruturação da malha atingiu o objetivo primordial de otimização geográfica. Verificou-se uma notável redistribuição da quantidade de clientes atendidos por cada depósito, com alguns mantendo o volume inalterado, enquanto outros registraram aumentos ou reduções, indicando uma adaptação mais eficiente da malha logística ao espaço geográfico e às restrições operacionais.
A análise da alocação de clientes evidenciou um movimento estratégico de balanceamento na malha de distribuição. Por exemplo, um depósito específico apresentou uma redução de 498 para 460 clientes, ajustando-se à sua capacidade nominal. Em contrapartida, outro depósito absorveu um aumento considerável, passando de 330 para 380 pontos de entrega. Esse rebalanceamento é crucial, pois sinaliza que a malha anterior operava com gargalos e ociosidades geográficas, e a nova alocação permitiu uma distribuição mais equitativa da carga de trabalho, respeitando os limites físicos dos centros de distribuição e garantindo que nenhum depósito operasse acima de sua capacidade máxima de atendimento.
Ao priorizar a alocação das lojas aos depósitos mais próximos, considerando as capacidades operacionais e as restrições de Unidades Federativas, o modelo gerou uma redução direta na quilometragem total percorrida para atender à base de clientes. A comparação entre o cenário atual e o otimizado revelou que a quilometragem total percorrida por ciclo de saída das rotas diminuiu de 157.759,4 km para 152.643,4 km. Essa economia representa uma redução absoluta de 5.116 km, o que se traduz em um ganho percentual de 3,24% na distância total percorrida.
Os resultados da roteirização demonstraram dinâmicas variadas entre os depósitos. Em alguns casos, como o depósito D, a otimização foi duplamente eficaz, resultando na redução do número de rotas de 62 para 57 e na quilometragem percorrida de 13.766 km para 12.442 km. Isso indica uma consolidação superior da carga e um planejamento mais eficiente dos percursos. Essa melhoria na roteirização reflete a capacidade do modelo de agrupar pontos de entrega de forma mais coesa, minimizando os deslocamentos desnecessários e otimizando a utilização da frota.
Em contraste, o depósito M apresentou um aumento no número de rotas, passando de 34 para 40, mas, notavelmente, registrou uma redução drástica na quilometragem total, que caiu de 16.977 km para 14.958 km. Esse fenômeno, embora aparentemente contraintuitivo, indica que, para atender ao aumento da demanda alocada a esse nó, foram necessárias mais saídas. Contudo, as novas rotas geradas pelo modelo são significativamente mais curtas e densas, o que valida a eficácia do algoritmo K-Means na criação de clusters e na otimização dos trajetos, reduzindo o deslocamento médio por loja.
A compacidade dos clusters, gerados pelo algoritmo K-Means, foi um fator determinante para a eficiência alcançada. Mesmo que o número total de rotas não tenha apresentado uma redução estatisticamente significativa em comparação com o cenário atual, a organização espacial das entregas permitiu que os trajetos se tornassem mais curtos e eficientes. Essa abordagem valida a premissa de que a proximidade geográfica entre depósito e cliente é um dos principais fatores de custo variável na logística de distribuição, conforme a literatura da área (Ballou, 2006).
Do ponto de vista financeiro, a redução da distância percorrida (5.116 km) traduz-se diretamente na diminuição do consumo de combustível e dos custos variáveis de manutenção da frota. Essa economia valida a aplicação da Pesquisa Operacional como uma ferramenta estratégica para a competitividade logística, permitindo que a empresa mantenha o mesmo nível de serviço aos clientes com um consumo menor de recursos. A redução de 3,24% na distância total percorrida está em consonância com a literatura de Pesquisa Operacional, que aponta economias entre 3% e 15% em malhas planejadas manualmente (Andrade, 2000).
A etapa 5, referente à implementação dos resultados, consistiu na aplicação prática das diretrizes geradas pelo modelo em uma amostra da operação real da empresa. As alterações estratégicas no desenho das rotas vigentes, promovendo uma redistribuição das lojas entre os veículos da frota, permitiram uma melhor ocupação da capacidade disponível em cada perfil de veículo. Isso resultou na redução da ociosidade e na otimização do aproveitamento do espaço de carga, impactando diretamente o custo variável da operação e demonstrando a agilidade na tomada de decisão proporcionada pela transição para um modelo baseado em Pesquisa Operacional.
A avaliação dos resultados, correspondente à etapa 6, consolidou a eficácia da modelagem proposta, evidenciando uma redução real nos custos operacionais. A reestruturação promoveu um melhor aproveitamento da frota heterogênea, distribuindo as lojas conforme os perfis de veículos (3/4, Toco e Van) e suas capacidades específicas. Essa otimização da ocupação volumétrica e a consequente redução da ociosidade impactam diretamente o custo variável da operação, corroborando a importância da modelagem matemática para a gestão eficiente de recursos logísticos (Toth e Vigo, 2014).
A economia gerada pela redução da quilometragem tem um efeito multiplicador sobre o resultado financeiro da companhia. Além da diminuição do gasto imediato com combustível, a menor distância percorrida implica em maior vida útil para pneus e componentes mecânicos, postergando revisões preventivas e reduzindo o custo de manutenção da frota própria ou o valor do frete pago a terceiros. Esses benefícios financeiros, embora o percentual de economia de quilometragem possa parecer conservador, tornam-se altamente significativos quando projetados para a operação anual.
A análise dos dados também revelou que a otimização foi mais agressiva em regiões com alta densidade de lojas, como a região do depósito D, onde o algoritmo de clusterização conseguiu agrupar pontos com maior precisão. Por outro lado, em regiões periféricas, como as dos depósitos A, E e J, a economia de quilometragem foi menor devido à dispersão geográfica. Isso ocorre porque, em zonas de baixa capilaridade, não há margem para a criação de clusters densos, o que força o veículo a percorrer grandes distâncias fixas entre os pontos de entrega, limitando o potencial de otimização.
É fundamental reconhecer que a metodologia empregou a distância de Haversine para os cálculos, o que constitui uma limitação técnica. O modelo não considerou as sinuosidades reais das vias urbanas ou as restrições temporais de tráfego, o que pode introduzir uma diferença entre a quilometragem calculada e a efetivamente percorrida em condições reais de operação. Apesar dessa limitação, os resultados demonstram que a redistribuição de lojas baseada na proximidade geográfica e a criação de regiões de entrega mais densas via K-Means foram fatores determinantes para a eficiência alcançada.
Em síntese, os achados da pesquisa demonstram que o modelo de otimização proposto, baseado em Pesquisa Operacional, foi eficaz em reestruturar a malha logística da empresa. A integração das fases de alocação, clusterização e roteirização permitiu uma redução mensurável na quilometragem total percorrida e otimizou a ocupação da frota heterogênea. Essa abordagem não apenas minimizou os custos operacionais de transporte, mas também forneceu uma ferramenta robusta para o planejamento logístico, eliminando a subjetividade e convertendo restrições operacionais em uma vantagem competitiva tangível, mesmo considerando as limitações inerentes ao cálculo de distâncias.
4. Conclusão
O presente estudo buscou otimizar a malha de entregas de uma empresa, com o objetivo de reduzir custos operacionais por meio da diminuição da quilometragem percorrida. Para tanto, aplicou-se um modelo de Pesquisa Operacional estruturado em fases de alocação geográfica de clientes, clusterização por K-Means e roteirização de frota heterogênea. Verificou-se uma reestruturação eficaz da malha logística, que resultou em uma redução de 5.116 km na distância total percorrida, representando um ganho percentual de 3,24%. Essa otimização demonstrou a capacidade de balancear a carga de trabalho entre os depósitos e de consolidar as entregas em rotas mais curtas e densas, mesmo em cenários de aumento de demanda em depósitos específicos. A abordagem eliminou a subjetividade do planejamento manual, promovendo uma melhor ocupação da capacidade dos veículos e convertendo restrições operacionais e fiscais em uma vantagem competitiva tangível para a organização.
Apesar dos resultados expressivos, é importante reconhecer que a metodologia empregou a distância de Haversine para os cálculos, o que constitui uma limitação técnica ao não considerar as sinuosidades reais das vias urbanas ou as restrições temporais de tráfego. Contudo, a eficácia do modelo na redistribuição de lojas e na criação de regiões de entrega mais densas validou a premissa de que a proximidade geográfica é um fator crucial na redução de custos variáveis. A economia gerada possui um efeito multiplicador sobre o resultado financeiro da companhia, impactando não apenas o gasto imediato com combustível, mas também os custos de manutenção da frota. Para estudos futuros, recomenda-se a evolução deste modelo para sistemas de roteirização dinâmica que incorporem variações de tráfego em tempo real e janelas de entrega flutuantes, visando ampliar a resiliência e a agilidade da malha logística frente às oscilações do mercado.
Referências Bibliográficas
Ballou, R. H. 2002. Gerenciamento de Cadeia de Suprimentos: Planejamento, Organização e Logística Empresarial. 4ed. Bookman, Porto Alegre, RS, Brasil.
Ballou, R. H. 2006. Gerenciamento da Cadeia de Suprimentos/logística empresarial. 5ed. Bookman, Porto Alegre, RS, Brasil.
Caplice, C.; Sheffi, Y. 2006. Combinatorial auctions for truckload transportation. Combinatorial Auctions. Cambridge, MA, EUA.
Laporte, Gilbert et al. 2000. Classical and modern heuristics for the vehicle routing problem. International Transactions in Operational Research 7 (4/5): 285-300.
Oliveira, R. M. S
Pessoa, L.; Alves, J. M. 2013. Sistema de otimização do balanço de massas para alimentação de alto-fornos: um estudo de caso. Revista Eletrônica Produção & Engenharia 4(1): 355-364.
Teodoro, D. S. D.; Cardoso, M. A. G. 2014. Logística e produção: uma revisão bibliográfica sobre o sistema just in time. In: Simpósio de Engenharia de Produção de Sergipe, 2017, São Cristóvão, SE, Brasil. Anais… p. 1-7.
Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq
Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy