Resumo Executivo

Diego Kalata Farina; Miriam Martin

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

Este trabalho aplicou o método de regressão logística binomial para desenvolver um modelo preditivo que estima a probabilidade de atrasos em pedidos de importação de insumos para uma empresa petroquímica. A partir de dados históricos, o estudo identificou e quantificou a influência de variáveis como região de origem, sazonalidade, tipo de produto, Incoterm e destino. O objetivo foi criar uma ferramenta de gestão de riscos para antecipar problemas, otimizar o planejamento da cadeia de suprimentos e reduzir impactos financeiros e operacionais, oferecendo suporte quantitativo para decisões estratégicas.

A logística internacional marítima, que movimenta aproximadamente 90% das mercadorias globais (Salustiano, 2024), enfrenta instabilidade. A complexidade do setor foi exacerbada por crises como a pandemia de COVID-19, que desorganizou cadeias de suprimentos, e o conflito na Ucrânia, que impôs novas restrições (Scolaro, 2022). Subsequentemente, tensões no Mar Vermelho interromperam uma rota por onde passa um quarto do tráfego mundial (X5 Logistics, 2024), enquanto acidentes como o encalhe do navio Ever Given no Canal de Suez demonstraram a fragilidade de pontos logísticos (SAP, 2023). Adicionalmente, eventos climáticos, como a seca que restringiu a operação do Canal do Panamá, e novas tensões comerciais, como tarifas anunciadas pelos EUA, adicionam camadas de incerteza (Barreto, 2025).

No Brasil, esses desafios são amplificados por vulnerabilidades estruturais, como infraestrutura portuária inadequada e burocracia excessiva (Associação de Comércio Exterior do Brasil [AEB], 2024). Em 2023, o custo logístico total no país atingiu 18,4% do PIB (Lima e Lobo, 2024), valor superior aos 6-7% de economias desenvolvidas (Avelar, 2022). A falta de terminais modernos gera gargalos (ABC Cargas, 2025), e a burocracia resulta em custos adicionais, como os US$ 2,3 bilhões gastos com sobre-estadia de navios em 2024 (Bain & Company, 2025). Essa conjuntura torna a previsibilidade crítica para empresas que dependem de importações.

A imprevisibilidade na cadeia de suprimentos acarreta consequências financeiras e operacionais, como o aumento de estoques de segurança, que imobilizam capital, e a paralisação de linhas de produção, que compromete o atendimento a clientes. Em urgências, a busca por fornecedores alternativos resulta em aquisições a preços mais elevados, impactando a margem de lucro (Veloso et al., 2022). A capacidade de antecipar atrasos é, portanto, uma necessidade estratégica para a rentabilidade no mercado atual.

Este estudo aplica a ciência de dados para mitigar riscos logísticos, transformando um histórico de importações em um modelo preditivo. A pesquisa visa equipar a gestão com uma ferramenta analítica que quantifica a influência dos fatores de risco, promovendo uma gestão proativa baseada em probabilidades estatísticas, alinhada às melhores práticas de planejamento em ambientes de alta incerteza.

A metodologia baseou-se na análise de um banco de dados de 1.228 aquisições de insumos importados por uma empresa petroquímica, cobrindo o período de março de 2024 a julho de 2025. A empresa recebe materiais em portos nas regiões Sul, Sudeste e Nordeste (Santos, Rio de Janeiro, Rio Grande, Salvador e Suape). Os insumos são classificados em quatro subcategorias (solventes, aditivos, catalisadores e químicos), provenientes de mais de 15 países e utilizando dez dos onze Incoterms vigentes. A variável dependente (‘atrasado’) foi dicotômica: ‘1’ para pedidos cuja chegada excedeu em 30 dias ou mais a data do pedido, e ‘0’ caso contrário. As variáveis explicativas qualitativas incluíram subcategoria do insumo, porto de destino, país de origem, Incoterm e mês do pedido.

Incoterms (International Commercial Terms) são normas que definem responsabilidades, custos e riscos entre exportador e importador (Sprenger, 2025). Cada termo especifica o ponto de transferência de risco e quem é responsável pelo frete e seguro. A escolha de um Incoterm, como CPT (Carriage Paid To) ou FOB (Free On Board), altera a estrutura de risco da operação, tornando-se uma variável explicativa relevante para a previsão de atrasos, pois diferentes termos implicam diferentes níveis de controle sobre o processo logístico.

A regressão logística binária foi a técnica central, escolhida devido à natureza dicotômica da variável dependente. Este modelo estatístico prevê a probabilidade de um evento com base em variáveis explicativas (Fávero e Belfiore, 2017). O modelo converte uma combinação linear das variáveis (o logito) em uma probabilidade por meio da função logística. Os parâmetros são estimados pelo método de máxima verossimilhança. A significância global do modelo foi avaliada pelo teste qui-quadrado (χ²), e a de cada coeficiente pela estatística z de Wald (Fávero e Belfiore, 2017).

O modelo foi implementado em Python (v. 3.11.7) com os pacotes “statsmodels” e “statstests”, que aplicou o procedimento “stepwise” para selecionar as variáveis mais relevantes. A performance foi avaliada pela análise de sensibilidade e pela curva ROC (Receiver Operational Characteristic). A análise de sensibilidade, baseada na matriz de confusão, calcula métricas como Eficiência Global do Modelo (EGM), sensitividade e especificidade para um ponto de corte. A curva ROC plota a sensitividade contra (1 – especificidade), e a área sob a curva (AUC) mede o poder discriminatório do modelo, com valores acima de 0,70 considerados aceitáveis (Hosmer et al., 2013).

A análise descritiva mostrou que, dos 1.228 pedidos, 357 (29,1%) sofreram atrasos superiores a 30 dias. Insumos da subcategoria ‘Solventes’ apresentaram uma taxa de atraso de 41,4%. Pedidos com origem na Bélgica (41,5%) e no México (53,8%), bem como aqueles destinados ao porto de Suape (66,7%), mostraram maior propensão a atrasos. A sazonalidade foi relevante, com concentração de atrasos nos pedidos de outubro a fevereiro, enquanto o período de abril a julho apresentou as menores taxas. Em contrapartida, as categorias ‘Aditivos’ e ‘Catalisadores’, o destino ao porto de Santos (19,9% de atraso) e Incoterms como ‘FCA’ e ‘EXW’ tiveram frequência de atrasos inferior à média.

O modelo de regressão logística final, após seleção stepwise (p < 0,05), foi globalmente significativo (χ² = 241,47; p ≈ 4,4×10⁻⁴¹). As razões de chance (odds ratio) quantificaram os impactos: a subcategoria ‘Solventes’ aumentou a chance de atraso em 3,64 vezes e o Incoterm ‘CPT’ em 3,72 vezes. O porto de Santos reduziu a chance (razão de 0,62), enquanto Suape a elevou drasticamente (16,05). Países de origem como Canadá (11,48), Japão (4,03) e Bélgica (3,48) também foram associados a um aumento significativo na probabilidade de atraso, enquanto a Holanda (0,32) foi associada a uma redução.

A análise de sazonalidade foi corroborada pelo modelo, indicando que pedidos realizados entre março e setembro possuem chances significativamente menores de atraso. Por exemplo, um pedido feito em junho tem sua chance de atraso reduzida em aproximadamente 88% (razão de chance de 0,12) em comparação com o período de referência (outubro a fevereiro). Esses resultados fornecem evidências quantitativas para orientar o planejamento de compras e a gestão de estoques.

A avaliação da performance preditiva, com um ponto de corte de 0,5, resultou em uma Eficiência Global do Modelo (EGM) de 77,1%. O modelo demonstrou alta especificidade (90,9%), sendo eficaz em identificar corretamente os pedidos que não sofrerão atraso. No entanto, a sensitividade foi baixa (43,4%), indicando que o modelo falhou em prever a maioria dos atrasos ocorridos. Este desequilíbrio sugere que, embora não seja ideal para prever quais pedidos irão atrasar, o modelo é confiável para identificar operações de baixo risco, permitindo à empresa reduzir estoques de segurança para esses itens com maior confiança.

A exploração de outros pontos de corte mostrou que um cutoff de 0,40 elevou a sensitividade para 54,6%, com uma pequena redução na especificidade (para 86,2%) e na EGM (para 77%). A escolha do cutoff ideal é uma decisão estratégica que depende do custo relativo de um falso negativo versus um falso positivo, e a análise da curva de sensibilidade orienta essa decisão.

A performance geral do modelo foi consolidada pela análise da curva ROC. A área sob a curva (AUC) foi de 76,26%, valor que indica um poder de discriminação aceitável (Hosmer et al., 2013). Este resultado confirma que o modelo, apesar das limitações em sensitividade, possui capacidade preditiva válida e é significativamente melhor que uma previsão aleatória.

Os resultados foram contextualizados com o trabalho de Fruth e Teuteberg (2017) sobre digitalização na logística, que aponta o uso incipiente de modelos preditivos no setor. Este estudo é uma aplicação prática que responde a essa lacuna. A alta especificidade do modelo corrobora o potencial da análise preditiva para apoiar decisões estratégicas, como sugerido pelos autores.

Por outro lado, a baixa sensitividade confirma um desafio apontado por Fruth e Teuteberg (2017): a necessidade de integrar mais variáveis para aprimorar a precisão. A performance sugere que fatores não capturados no banco de dados — como informações sobre o fornecedor, congestionamento portuário em tempo real ou condições climáticas — podem ser cruciais para prever atrasos com maior acurácia. O estudo, portanto, ilumina o caminho para futuras melhorias, alinhando-se à agenda de pesquisa sobre transformação digital na logística.

Este trabalho demonstrou a aplicação de um modelo de regressão logística binária para a previsão de atrasos na importação, identificando como fatores de risco significativos a categoria do material, o porto de destino, o Incoterm, o país de origem e a sazonalidade. O modelo desenvolvido, com baixa sensitividade mas alta especificidade e boa eficiência geral, configura-se como uma ferramenta valiosa para a gestão de riscos. Sua contribuição prática reside na capacidade de prever com alta confiança quando os atrasos não ocorrerão, permitindo uma otimização direcionada dos níveis de estoque e um planejamento mais assertivo da cadeia de suprimentos, o que contribui para a redução de custos operacionais.

Como recomendação para trabalhos futuros, sugere-se a incorporação de variáveis explicativas mais granulares, como características do fornecedor, detalhes do material e dados dinâmicos sobre as rotas logísticas. Adicionalmente, a exploração de modelos mais avançados, como a regressão logística multinomial, poderia permitir a previsão de diferentes níveis de atraso, oferecendo uma visão mais detalhada para a tomada de decisão. Conclui-se que o objetivo foi atingido: demonstrou-se que o modelo de regressão logística binária é capaz de identificar as variáveis-chave que influenciam a probabilidade de atrasos na importação de insumos, fornecendo uma ferramenta de gestão de riscos para a empresa.

Referências:
ABC Cargas. 2025. Fique por dentro dos 6 maiores desafios da logística marítima. Disponível em: <https://blog. abccargas. com/logistica-maritima/>. Acesso em 28 set. 2025.
Associação de Comércio Exterior do Brasil [AEB]. 2024. Produtividade brasileira cai e a infraestrutura logística deficiente tem responsabilidade nesta queda. Disponível em: <https://www. aeb. org. br/assuntos-de-interesse/2024/08/produtividade-brasileira-cai-e-a-infraestrutura-logistica-deficiente-tem-responsabilidade-nesta-queda/>. Acesso em 28 set. 2025.
Avelar, M. 2022. Custo Brasil do setor logístico deve consumir 13,3% do PIB em 2022. Disponível em: <https://www. portosenavios. com. br/noticias/portos-e-logistica/custo-brasil-do-setor-logistico-deve-consumir-13-3-do-pib-em-2022>. Acesso em 28 set. 2025.
Bain & Company. 2025. Brasil gasta mais de US$ 2 bilhões ao ano com ineficiências portuárias no transporte marítimo de carga. Disponível em: < https://www. bain. com/pt-br/about/media-center/press-releases/south-america/2023/brasil-gasta-mais-de-us$-2-bilhoes-ao-ano-com-ineficiencias-portuarias-no-transporte-maritimo-de-carga-revela-bain/>. Acesso em 28 set. 2025.
Barreto, L. 2025. Transporte marítimo: impactos das crises geopolíticas, climáticas e sanitárias. Disponível em: <https://www. portosenavios. com. br/artigos/artigos-de-opiniao/artigo-transporte-maritimo-impactos-das-crises-geopoliticas-climaticas-e-sanitarias>. Acesso em 28 set. 2025.
Fávero, L. P.; Belfiore, P. 2017. Manual de análise de dados: estatística e modelagem multivariada com Excel, SPSS e Stata. Elsevier, Rio de Janeiro, Rio de Janeiro, Brasil.
Fruth, M. ; Teuteberg, F. 2017. Digitization in maritime logistics —What is there and what is missing? Cogent Business & Management, 4:1. Disponível em: <https://doi. org/10.1080/23311975.2017.1411066>. Acesso em 03 jan. 2026.
Hosmer, D. W. Jr.; Lemeschow, S; Sturdivant, R. X. 2013. Applied Logistic Regression. 3ª edição. Wiley, New York, New Jersey, Estados Unidos da América.
Lima, M. ; Lobo, A. 2024. Estoque rouba a cena nos custos logísticos do Brasil em 2023. Disponível em: <https://ilos. com. br/estoque-rouba-a-cena-nos-custos-logisticos-do-brasil-em-2023/>. Acesso em 28 set. 2025.
Salustiano, L. 2025. Do despacho à entrega: logística internacional eficiente. Disponível em <https://www. cobli. co/blog/logistica-internacional/>. Acesso em 28 set. 2025.
SAP. 2023. 10 riscos da cadeia de suprimentos e como mitigá-los. Disponível em: <https://www. sap. com/brazil/resources/supply-chain-risks>. Acesso em 28 set. 2025.
Scolaro, R. 2022. Logística marítima internacional em compasso de espera. Disponível em: <https://www. portosenavios. com. br/artigos/artigos-de-opiniao/artigo-logistica-maritima-internacional-em-compasso-de-espera>. Acesso em 28 set. 2025.
Sprenger, L. 2025. Incoterms – O Guia Definitivo. Disponível em: <https://www. fazcomex. com. br/incoterms/>. Acesso em: 28 set. 2025.
Veloso, G.; Stehmann, J. A.; Vianna, R.; Pacini, S.; Bittencourt, V. S. 2022. Evolução da escassez de insumos e matérias primas durante a pandemia. Disponível em: < https://blogdoibre. fgv. br/posts/evolucao-da-escassez-de-insumos-e-materias-primas-durante-pandemia>. Acesso em: 28 set. 2025.
X5 Logistics. 2024. Impactos dos conflitos no mercado global e na logística. Disponível em: <https://x5logistics. com. br/impactos-dos-conflitos-no-mercado-global-e-na-logistica/>. Acesso em: 28 set. 2025.

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:}