Resumo Executivo

Vinicius Hideo Tanaka; Ana Julia Righetto

Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

A logística é um pilar estratégico para a competitividade empresarial, evoluindo de uma função puramente operacional para uma gestão integrada da cadeia de suprimentos (Maurício et al., 2021). Nesse cenário, a gestão de transportes é um componente crítico, pois, conforme aponta Panesi (2010), a logística visa atender o cliente de forma adequada em custo, tempo, local e quantidade, sendo o transporte o elo que viabiliza essa entrega. A expansão desses sistemas foi impulsionada pela necessidade de reduzir custos e revisar processos organizacionais para enfrentar um mercado cada vez mais competitivo (Souza, 2000). Os sistemas ERP utilizam um banco de dados unificado, garantindo a integridade e a consistência das informações em toda a organização e permitindo o monitoramento de processos como produção, faturamento e distribuição (Padilha e Marins, 2005).

No escopo logístico, o transporte é frequentemente uma das atividades mais onerosas, podendo representar uma parcela substancial dos custos operacionais totais de uma empresa (Ballou, 2007). Decisões sobre modais de transporte, volumes de carga, definição de rotas e programação de entregas são influenciadas por múltiplos fatores, como a distância geográfica entre armazéns e clientes, a infraestrutura viária, as restrições de tráfego e as janelas de entrega (Ballou, 2006). O operador logístico assume a gestão dessas atividades complexas, buscando agregar valor por meio do controle de estoques, da otimização da armazenagem e, crucialmente, da gestão eficiente do transporte (Novaes, 2007). Neste contexto, ferramentas de Business Intelligence (BI) como o Power BI surgem como soluções poderosas para superar as limitações analíticas dos ERPs tradicionais. Elas são projetadas para extrair dados de diversas fontes, transformá-los em um modelo coeso e apresentá-los em visualizações interativas e compreensíveis.

A criação de dashboards que apresentam informações de forma clara e intuitiva facilita a interpretação de padrões, tendências e anomalias, apoiando uma tomada de decisão ágil e baseada em evidências (McKinney, 2017). Ao aplicar essas ferramentas à problemática da roteirização, é possível não apenas traçar rotas mais eficientes, mas também criar um processo de otimização contínua.

A análise visual de dados geográficos, por exemplo, permite identificar clusters de clientes que podem ser atendidos em uma única viagem, algo extremamente difícil de perceber em planilhas ou relatórios tabulares. Isso garante que a gestão logística seja mais transparente, proativa e alinhada aos objetivos estratégicos da organização. A presente pesquisa caracteriza-se como um estudo de caso único, com abordagem quantitativa, de natureza descritiva e aplicada, realizado na empresa X. O formato de estudo de caso foi escolhido por permitir uma investigação aprofundada de um fenômeno contemporâneo em seu contexto real, focando na complexidade e nos detalhes da operação logística da organização. O estudo visa analisar o impacto de uma metodologia de roteirização visual, suportada por uma ferramenta de BI, sobre os custos logísticos, comparando o cenário histórico de entregas pulverizadas com um cenário otimizado de entregas agrupadas geograficamente.

A abordagem é eminentemente aplicada, uma vez que o dashboard gerado não é apenas um artefato acadêmico, mas uma ferramenta diretamente utilizável pela gestão de transportes da empresa, com o objetivo prático de minimizar despesas com fretes e maximizar a eficiência da frota. A metodologia foi estruturada para transformar dados operacionais brutos, dispersos no sistema da empresa, em uma ferramenta de apoio à decisão estratégica. Os dados utilizados na pesquisa são primários, extraídos diretamente do ambiente de produção do banco de dados SQL Server da empresa X. A coleta de informações foi realizada por meio de consultas estruturadas em linguagem SQL, abrangendo um vasto conjunto de registros de ordens de venda, despesas logísticas associadas e custos de transporte terceirizado. O processo de coleta seguiu uma etapa de pré-análise para a organização do material e seleção de conteúdo relevante, conforme preconizado por Mozzato e Grzybovski (2011).

Foram mapeadas as tabelas de vendas (SALESTABLE) e de compras (PURCHTABLE) como fontes de dados principais, pois continham, respectivamente, os dados detalhados de entrega (endereço do cliente, data, volume) e os custos dos fretes contratados de transportadoras terceirizadas. A extração foi deliberadamente delimitada a um período de dois anos para garantir a relevância temporal dos dados, capturando possíveis sazonalidades, e ao mesmo tempo otimizar o desempenho da consulta, evitando sobrecarga no servidor e processamento de dados obsoletos. O desenvolvimento da solução de BI seguiu rigorosamente o processo de ETL (Extract, Transform, Load), que é fundamental para a estruturação e preparação de dados para análise em ambientes de Business Intelligence (Costa et al., 2024). A etapa de extração (Extract) foi realizada utilizando o Power Query, ferramenta integrada ao Microsoft Excel e ao Power BI, para estabelecer uma conexão direta com o banco de dados SQL Server da empresa.

Foram aplicados filtros temporais diretamente na consulta SQL, como a cláusula WHERE ST. SALESLOGISTICDELIVERYDATE > DATEADD(YEAR, -2,GETDATE()), para restringir o volume de dados aos últimos dois anos de vendas. Adicionalmente, outros filtros foram implementados para excluir registros que não correspondiam a vendas diretas, como ordens de devolução, amostras ou transferências internas, garantindo a pureza dos dados para a análise de entregas a clientes. Um JOIN com a tabela de custos de produtos foi realizado para agregar o valor da nota fiscal de cada equipamento. De forma paralela, os dados de fretes terceirizados foram extraídos da tabela de compras (PURCHTABLE), filtrando-se apenas as ordens de compra emitidas pelo setor de logística e vinculadas a serviços de transporte. A etapa de transformação (Transform) foi a mais complexa e crucial para o sucesso do projeto, pois é nela que os dados brutos são limpos, enriquecidos e modelados.

O objetivo primordial do BI é converter dados em informações e, subsequentemente, em conhecimento para suportar decisões (Turban et al., 2009).

Para isso, os dados brutos extraídos das tabelas de vendas e compras foram integrados e harmonizados. A principal tarefa consistiu em vincular os custos de frete, que estavam na tabela de compras, às suas respectivas ordens de venda. Este vínculo foi estabelecido utilizando a função PROCV no Excel, tendo o número da ordem de venda como chave de ligação. Esse procedimento permitiu consolidar todas as informações relevantes — localização geográfica do cliente, dados do pedido, data da entrega e custo do frete associado — em uma única base de dados coesa. Além disso, foram realizadas outras transformações, como a padronização de nomes de cidades e estados para evitar duplicidades, a concatenação de campos de endereço para formar um endereço completo para geocodificação, e a criação de colunas calculadas, como o custo por quilograma transportado.

A padronização dos dados é essencial para que o sistema de BI forneça informações consistentes e confiáveis (Ribeiro e Raksa, 2018). A planilha resultante foi configurada para permitir atualizações automáticas, garantindo que a análise futura reflita os dados mais recentes. Após a extração e transformação, a etapa de carga (Load) consistiu em importar a base de dados final e tratada para o ambiente do Power BI. Esta ferramenta foi selecionada por sua robusta capacidade de criar visualizações de dados interativas, sua integração nativa com outras ferramentas Microsoft e sua flexibilidade na modelagem de dados. A visualização de dados é uma disciplina focada na identificação de padrões, tendências e relações em grandes conjuntos de informações por meio de representações gráficas (Parsaye e Chignell, 1993). Dentro do Power BI, foi construído um modelo de dados relacional, conectando a tabela de fatos (entregas) com tabelas de dimensão (clientes, tempo, produtos).

Foram criadas medidas utilizando a linguagem DAX (Data Analysis Expressions) para calcular KPIs essenciais, como Custo Total de Frete, Custo Médio por Entrega, Número de Entregas por Região e Valor Total Faturado. Essas medidas são dinâmicas e se recalculam automaticamente conforme o usuário interage com os filtros do relatório, proporcionando uma análise flexível e aprofundada. O resultado principal do projeto foi a criação de um dashboard interativo e multifacetado no Power BI, projetado para fornecer uma visão completa e intuitiva da operação de entregas. A tela principal do painel apresenta um mapa geográfico como elemento central, exibindo a localização exata de cada entrega realizada no período selecionado. Pontos no mapa são dimensionados pelo valor do frete ou pelo volume do pedido, permitindo uma identificação visual imediata das áreas de maior custo ou concentração de entregas.

Ao redor do mapa, foram dispostos cartões com os principais KPIs, como o custo total de frete, o número de entregas e o custo médio por entrega. Gráficos de barras complementam a visão, classificando os custos por estado, cidade e transportadora, enquanto um gráfico de linha exibe a evolução dos custos ao longo do tempo. A interatividade é garantida por meio de filtros (slicers) que permitem ao gestor segmentar a análise por período, região, cliente ou status do pedido.

A análise inicial utilizando o dashboard revelou padrões que eram invisíveis nos relatórios tabulares do ERP. A visualização no mapa demonstrou claramente a existência de “entregas pulverizadas”: múltiplas viagens para a mesma cidade ou bairros vizinhos em dias consecutivos ou até no mesmo dia, cada uma com um custo de frete individual. Por exemplo, foi identificado que, em uma única semana, foram despachados cinco caminhões para a cidade de Campinas em dias diferentes, cada um transportando uma ou duas ordens de venda. O custo somado dessas cinco operações foi 40% superior ao custo estimado de uma única viagem com o caminhão em sua capacidade máxima, consolidando todas as entregas. Essa descoberta quantificou o impacto financeiro da falta de planejamento e coordenação nos despachos, expondo uma oportunidade clara de redução de custos.

Para validar o potencial de otimização, foi realizada uma simulação de agrupamento de entregas utilizando os dados históricos. Selecionando um mês específico no dashboard, o gestor logístico pôde filtrar todas as entregas destinadas à região metropolitana de São Paulo. Visualmente, no mapa, foi possível agrupar manualmente os pontos de entrega próximos e redesenhar rotas lógicas. O dashboard permitiu calcular o custo total do cenário real (pulverizado) e compará-lo com o custo simulado de rotas otimizadas; um único caminhão atenderia múltiplos clientes em uma única saída. A simulação demonstrou que a aplicação de uma estratégia de consolidação de cargas, baseada na proximidade geográfica identificada pelo BI, poderia gerar uma economia de até 22% nos custos de frete para aquela região específica, além de reduzir o tempo de trânsito e a pegada de carbono da operação. Além da otimização de rotas, a ferramenta permitiu a detecção de gargalos e ineficiências operacionais.

A análise do custo médio por entrega por transportadora revelou disparidades significativas. Certas transportadoras apresentavam um custo por quilômetro rodado substancialmente maior para rotas semelhantes, indicando a necessidade de renegociação de contratos ou de uma redistribuição mais inteligente das entregas entre os parceiros logísticos. O dashboard também expôs que entregas para localidades mais remotas, embora menos frequentes, representavam um percentual desproporcionalmente alto dos custos totais. Essa informação forneceu subsídios para a gestão reavaliar a política de frete para essas áreas, considerando a possibilidade de estabelecer um valor mínimo de pedido ou agrupar essas entregas em frequências menores, como quinzenais. A ferramenta, portanto, transcendeu a simples roteirização, tornando-se uma plataforma de inteligência para a gestão estratégica de transportes. A implementação do dashboard capacitou a equipe de logística a transitar de uma gestão reativa, baseada na análise de custos passados, para uma abordagem proativa e orientada por dados.

O planejamento semanal de entregas passou a ser feito com o auxílio da ferramenta, permitindo que o gestor visualize as ordens de venda pendentes, agrupe-as geograficamente no mapa e tome decisões informadas sobre qual a melhor forma de alocar os recursos da frota. A capacidade de simular cenários e prever custos antes do despacho efetivo das mercadorias representa uma mudança de paradigma na operação. A transparência gerada pela ferramenta também melhorou a comunicação interdepartamental, permitindo que as equipes de vendas e logística colaborassem para alinhar prazos de entrega e otimizar a programação.

Conclui-se que o objetivo foi atingido, pois a solução de Business Intelligence desenvolvida não apenas identificou rotas mais eficientes, mas também entregou uma ferramenta robusta para a otimização contínua dos processos, resultando em potencial redução de custos e aumento da competitividade da empresa.

Referências:
BALLOU, Ronald H. 2006. Gerenciamento da cadeia de suprimentos: logística empresarial. 1. vol., 5. ed. Bookman, Porto Alegre, RS, Brasil.
BALLOU, Ronald H. 2007. Gerenciamento da Cadeia de Suprimentos: Logística Empresarial. Porto Alegre: Bookman.
COSTA, Dyego Márcio Damasceno et al. 2024. Proposta de critérios de sustentabilidade nas fases preliminares de projetos de business intelligence. Dissertação (Mestrado em Engenharia de Produção) – Universidade Tecnológica Federal do Paraná, Curitiba, PR, Brasil.
MAURÍCIO, João Paulo Melo et al. 2021. A logística dentro da organização: custos, evolução e processos logísticos. Revista Científica Multidisciplinar Núcleo do Conhecimento, Edição 11, v. 13, p. 162–181.
MCKINNEY, W. 2023. Python para análise de dados: tratamento de dados com pandas, NumPy & Jupyter. 3. ed. São Paulo: Novatec.
MOZZATO, Anelise Rebelato; GRZYBOVSKI, Denize. 2011. Análise de conteúdo como técnica de análise de dados qualitativos no campo da administração: potencial e desafios. Revista de Administração Contemporânea, v. 15, p. 731-747.
NOVAES, Antonio Galvão. 2007. Logística e gerenciamento da cadeia de distribuição. 1. vol., 3. ed. Elsevier, Rio de Janeiro, RJ, Brasil.
PADILHA, T. P.; MARINS, F. A. S. 2005. Sistemas ERP: características, custos e tendências. Production, v. 15, n. 1, p. 102-113.
PANESI, Paulo. 2010. Logística para iniciantes. 1. vol., 1. ed. Editora PoD, São Paulo, SP, Brasil.
PARSAYE, Kamran; CHIGNELL, Mark. 1993. Intelligent Database Tools & Applications: Hyperinformation access, data quality, visualization, automatic Discovery. 1. vol., 1. ed. John Wiley & Sons Inc.
RIBEIRO, Annanda Letícia Unicki; RAKSA, Vivian Patricia. 2018. Implantação do business intelligence para gestão da informação em unidades hospitalares. Revista de Saúde Pública do Paraná, v. 1, n. 2, p. 152-160.
SOUZA, Aderson Willian et al. 2016. Aplicação do método de varredura na roteirização de frota em uma empresa de transporte e distribuição de cargas fracionadas. Exacta – EP, São Paulo, v. 14, n. 1, p. 1-10.
SOUZA, Cesar Alexandre de. 2000. Sistemas integrados de gestão empresarial: estudos de casos de implementação de sistemas ERP. Tese (Doutorado em Engenharia de Produção) – Universidade de São Paulo, São Paulo, SP, Brasil.
TURBAN, Efraim et al. 2009. Business Intelligence: Um enfoque gerencial para a inteligência do negócio. 1. vol., 1. ed. Bookman, São Paulo, SP, Brasil.

Resumo executivo oriundo de Trabalho de Conclusão de Curso de Especialização em Data Science e Analytics do MBA USP/Esalq

_{Saiba mais sobre o curso; clique aqui:}