Antes de cada alta temporada, os gerentes de armazém fazem a mesma pergunta: a nossa capacidade atual realmente vai aguentar? O planejamento de capacidade de armazém com IA responde a essa pergunta não produzindo um número único e tranquilizador, mas passando as previsões de pedidos, as escalas de trabalho, a alocação de posições e as cargas de equipamentos por um único modelo e observando qual restrição quebra primeiro. O modelo em si não é a parte interessante. O que importa é que ele obriga cada julgamento que antes se baseava apenas na experiência a ser enunciado como uma premissa que pode ser verificada.
Na minha pesquisa dos últimos anos, tenho visto repetidamente o mesmo padrão. Um armazém funciona sem problemas nos meses normais e depois parece falhar em todos os lugares ao mesmo tempo durante uma grande promoção. As revisões pós-temporada geralmente descobrem que nenhuma operação piorou de repente por conta própria. Em vez disso, várias restrições se apertaram ao mesmo tempo. O volume de pedidos dobrou enquanto os trabalhadores temporários ainda estavam aprendendo o armazém, os SKUs de alta rotatividade encheram suas posições antes do previsto, e as filas no embalamento e nas docas de saída cresceram em paralelo. Cada métrica isoladamente permaneceu dentro de uma faixa aceitável. Combinadas, superaram o que o sistema podia absorver. O propósito do planejamento de capacidade é ver esse efeito composto com antecedência, em vez de descobri-lo no dia em que o prédio enche.
O planejamento de capacidade de armazém com IA começa com três linhas
De acordo com revisões operacionais publicadas por vários provedores de armazenagem, as estimativas de capacidade de pico geralmente começam com três linhas. A primeira é a linha de pedidos: volume previsto detalhado por categoria de produto e canal, separando pedidos cotidianos, pedidos de pré-venda e devoluções, porque os três impõem cargas de trabalho bastante diferentes. A segunda é a linha de mão de obra: separação, armazenagem, verificação e embalagem convertidos em produção por hora de trabalho, e depois ajustados pela menor produtividade dos novos contratados em suas duas primeiras semanas. A terceira é a linha de espaço e equipamentos: ocupação de posições para produtos de alta rotatividade, vazão dos corredores e o teto horário dos equipamentos automatizados. Qualquer uma delas que atinja seu limite cria um novo gargalo.
Essas três linhas precisam ser lidas na mesma linha do tempo. Uma previsão que acompanha apenas o volume total esconde a mudança estrutural: quando a participação de pedidos pequenos e com vários itens aumenta, a distância percorrida na separação e o número de verificações crescem mais rápido do que o próprio número de pedidos. Um plano de mão de obra que apenas conta cabeças esconde um problema de proficiência: quando os trabalhadores temporários representam uma parcela grande demais do armazém, o retrabalho causado pelo aumento das taxas de erro consome capacidade com a mesma certeza que um turno vazio. Um modelo não precisa ser preciso até a última unidade. Ele precisa mostrar aos gerentes em qual semana, e em qual etapa, a folga restante se esgota primeiro.
Dois casos ilustrativos: uma alta temporada, dois gargalos diferentes
Considere um exemplo operacional ilustrativo. Um armazém de comércio eletrônico no leste da China viu os pedidos diários subirem de cerca de 8,000 em semanas normais para cerca de 26,000 durante o pico promocional de novembro. A equipe de gestão havia dimensionado a separação com generosidade conforme a previsão, mas não havia modelado a vazão de suas estações de verificação com o mesmo cuidado. Os pacotes separados se acumulavam mais rápido do que podiam ser conferidos, e a fila na verificação passou de cerca de quinze minutos para mais de duas horas. Os níveis de serviço de saída acabaram piores do que teriam sido com menos separadores. O gargalo não era a mão de obra. Era uma única etapa posterior, e a lição da revisão foi direta: uma estimativa de capacidade que omite uma etapa desperdiça a folga incorporada em todas as outras.
Um segundo exemplo ilustrativo vem de um armazém logístico terceirizado no sul da China que atende vários clientes ao mesmo tempo. Em setembro, a temporada de volta às aulas coincidiu com uma promoção de plataforma, e os produtos mais vendidos de três clientes dispararam simultaneamente. As posições de alta rotatividade encheram em duas semanas, e a equipe de reposição passou grande parte de seus turnos movendo estoque para liberar espaço. Ao rodar o modelo ao contrário depois, verificou-se que aproximar os produtos em alta da zona de separação três semanas antes, e elevar a reposição de uma vez por dia para duas vezes por dia, teria aliviado a maior parte do congestionamento dos corredores. Vistos pela lente do planejamento de capacidade de armazém com IA, ambos os casos apontam para a mesma conclusão: os problemas de capacidade em alta temporada raramente são causados por uma única operação que falha. São causados por uma restrição negligenciada que atinge seu limite primeiro e depois arrasta o resto da cadeia junto.
O planejamento de capacidade de armazém com IA como estrutura de decisão: conserte primeiro a tábua mais curta
Em última instância, a saída do modelo precisa se tornar um conjunto de trade-offs. Bem utilizado, o planejamento de capacidade de armazém com IA transforma uma previsão em uma lista priorizada de correções. A tabela abaixo resume uma estrutura de decisão que reuni a partir de revisões do setor. Os números devem ser substituídos pelos dados medidos de cada armazém; a estrutura em si transfere-se diretamente.
| Tipo de gargalo | Sinal de alerta precoce | Primeiro passo | O que não fazer primeiro |
|---|---|---|---|
| Escassez de mão de obra | Temporários acima de 30 por cento, taxas de erro subindo em paralelo | Contratar cedo, treinar em lotes, manter trabalhadores experientes emparelhados com os novatos | Adicionar pessoal sem treinamento ou verificação |
| Posições se esgotando | Ocupação de posições de alta rotatividade subindo por duas semanas consecutivas | Antecipar os produtos em alta, aumentar a frequência de reposição | Alugar espaço excedente antes de usar melhor as posições existentes |
| Teto de equipamentos | Equipamentos automatizados aproximando-se do limite horário | Reprogramar as ondas para distribuir a carga dos equipamentos | Instalar novos equipamentos às pressas logo antes da alta temporada |
| Congestionamento de processos | Filas crescentes na verificação e nas docas de saída | Dividir as ondas, adicionar estações de verificação em paralelo | Simplesmente pressionar os separadores a trabalhar mais rápido |
A lógica é direta: identificar qual linha atinge seu limite primeiro e depois direcionar os recursos para lá. Muitos armazéns investem na ordem inversa, falando de espaço alugado e novos equipamentos assim que a previsão de volume sobe, enquanto a verdadeira restrição acaba sendo o desenho das ondas ou um ritmo de reposição que nunca acompanhou a previsão. Se um modelo não consegue ajudar os gerentes a priorizar, ele é apenas um relatório de previsão mais atraente.
As seis semanas antes da alta temporada, e um julgamento contraintuitivo
Em termos práticos, as seis semanas antes da alta temporada formam uma janela realista de preparação. As duas primeiras semanas são para calibrar as previsões e mapear as restrições, as duas do meio para ajustar a alocação de posições e as escalas, e as duas últimas para testes de estresse e ensaios em pequena escala. Os testes de estresse merecem ênfase: rodar uma onda real com o volume de pico previsto, com o mix de pedidos previsto, expõe problemas que nenhum relatório consegue mostrar. Um gargalo encontrado durante o ensaio ainda pode ser corrigido. Um gargalo encontrado no dia da alta temporada só pode ser suportado.
Eis um julgamento contraintuitivo que os gerentes devem levar a sério: adicionar recursos antes da alta temporada às vezes pode reduzir a capacidade efetiva. Novos trabalhadores temporários precisam de orientação de pessoal experiente, novas posições alongam os deslocamentos da separação, e novos equipamentos que não passaram por uma implantação adequada introduzem novos pontos de falha precisamente quando o sistema está sob carga máxima. Capacidade não é a soma dos recursos disponíveis. É a vazão que um sistema consegue sustentar sob suas restrições determinantes. O valor genuíno de um modelo de IA não está em produzir um número de capacidade maior, mas em mostrar qual melhoria entrega o maior ganho geral sob as restrições existentes, e quais investimentos simplesmente não conseguem se pagar antes da chegada da alta temporada.
Olhando mais adiante, o planejamento de capacidade está passando de um projeto executado algumas vezes por ano para uma parte rotineira das operações de armazém. À medida que os dados de previsão se tornam mais completos, os modelos se tornam mais sensíveis à mudança estrutural, e o julgamento gerencial passa de perguntar se a capacidade será mais ou menos suficiente para perguntar em qual semana e em qual etapa o aperto virá primeiro. Isso não torna a experiência obsoleta. Pelo contrário, cada alerta que um modelo produz ainda precisa de alguém que conheça o armazém para julgar se o sinal reflete uma restrição real ou um artefato de como os dados foram medidos. A tensão entre o que o modelo diz e o que o armazém sabe pode acabar sendo um dos desenvolvimentos mais interessantes na gestão de armazéns nos próximos anos, e vale a pena observar como diferentes operadores a resolvem.
Por Dr. Chen, Pesquisador de cadeia de suprimentos
Traduzido do inglês. Em caso de divergência, prevalece a versão em inglês.
