Predição de falhas em processos logísticos: desenvolvimento e validação de um modelo preditivo

Abstract

Na atual configuração de emergência, falhas operacionais na expedição levam a atrasos na entrega de materiais, o que compromete o atendimento ao cliente. Este trabalho explora uma proposta de desenvolvimento de machine learning com abordagem preditiva, destinada a prever falhas em processos logísticos, mais especificamente em expedições emergenciais de material cirúrgico. Utilizou-se a metodologia Design Science Research, o estudo resultou em um artefato preditivo apoiado na técnica de Regressão Linear, aplicado na ferramenta Knime. Para a construção do modelo, foram coletados dados utilizados para treinamento e validação extraídos do sistema de armazém, totalizando 20.368 expedições, das quais 1.697 atenderam a emergências. O modelo desenvolvido foi validado estatisticamente como R² de 97%, o que confirma a precisão do modelo em prever falhas antes que ocorram. Conclui-se, portanto, que a aplicação de modelos de predição aplicados em processos logísticos pode aumentar o índice de atendimento a emergência com a diminuir atrasos, além de fornecer aos gestores.

In the current emergency configuration, operational failures in dispatch lead to delays in material delivery, compromising customer service. This work explores a proposal for the development of a machine learning model with a predictive approach, aimed at forecasting failures in logistical processes, specifically in emergency dispatches of surgical materials. The Design Science Research methodology was employed, resulting in a predictive artifact supported by the Linear Regression technique, applied through the Knime tool. For model construction, data used for training and validation were collected from the warehouse system, totaling 20,368 dispatches, of which 1,697 were for emergencies. The developed model was statistically validated with an R² of 97%, confirming the model's accuracy in predicting failures before they occur. It is concluded, therefore, that the application of predictive models in logistical processes can increase emergency response rates by reducing delays, in addition to providing valuable insights to managers.