Uma abordagem de extração de conhecimento de dados para a estimação de cotações de fretes de transporte rodoviário numa empresa de prestação de serviços logísticos

Abstract

Os recentes eventos globais disruptivos têm colocado uma enorme pressão sobre as empresas de prestação de serviços logísticos. A natureza competitiva característica deste setor de atividade aliada ao potencial cenário de estagflação, motivado por eventos disruptivos, acentuaram a dificuldade de tomar boas decisões, em especial, na estimação da margem de lucro a aplicar sob pedidos de cotação de fretes, o que resulta em potenciais impactos negativos financeiros para as empresas. A presente dissertação foi desenvolvida no âmbito do Mestrado em Engenharia e Gestão Industrial, em contexto empresarial, na empresa Rangel Transitários S.A. O objetivo do projeto passa pela estimação da margem de lucro a aplicar sob pedidos de cotação de fretes, em função de padrões históricos, a fim de auxiliar o processo de tomada de decisão dos comerciais internos. Neste sentido, elaboraram-se duas análises da área de Business Analytics, tendo-se desenvolvido análises descritivas sob a forma de dashboards, com recurso à ferramenta de visualização de dados Microsoft Power BI, e análises preditivas recorrendo a técnicas de Machine Learning em linguagem de programação R. Adotou-se a metodologia CRISP-DM para orientar as análises descritivas e preditivas desenvolvidas, pelo que o projeto se estruturou segundo as fases de compreensão do negócio, compreensão dos dados, preparação dos dados, modelação, avaliação e implementação. Desta forma, na primeira fase procurou-se contextualizar o negócio e definir os requisitos do projeto. Na segunda fase estudaram-se os padrões presentes nos dados. Na terceira fase criaram-se os conjuntos de dados a usar. Na quarta fase estudaram-se diversos algoritmos de aprendizagem supervisionada em três abordagens distintas. Na quinta fase analisaram-se os resultados segundo métricas de desempenho. Na sexta fase instruíram se as partes interessadas sobre a operacionalização dos modelos e manutenção dos conjuntos de dados. Os dashboards, desenvolvidos para dar suporte ao projeto, obtiveram feedback positivo das partes interessadas e os modelos preditivos apresentaram uma melhoria de 91,67% face ao histórico de valores de margens negociados. Desta forma, os comerciais poderão tomar decisões orientadas por dados de forma mais rápida, mais eficiente e mais precisa em relação aos valores de margem de lucro a negociar. A médio-longo prazo, pode-se dar um potencial aumento do número de cotações de frete aceites.

Recent disruptive global events have put enormous pressure on logistics service providers. The competitive nature characteristic of this sector of activity, combined with the potential stagflation scenario motivated by disruptive events, has accentuated the difficulty of making good decisions, especially in estimating the profit margin to be applied under freight quotation requests, resulting in potential negative financial impacts for companies. This dissertation project was carried out as part of the conclusion of the Master´sin Industrial Engineering and Management, in a business context, at the company Rangel Transitários S.A. The aim of this project is to estimate the profit margin to be applied to freight quotation requests, according to historical patterns, in order to support the decision-making process of internal salespeople. In this sense, two analyses of the Business Analytics area were elaborated, having developed descriptive analyses in the form of dashboards, using the data visualization tool Microsoft Power BI, and predictive analysis using Machine Learning techniques in R programming language. The CRISP-DM methodology was adopted to guide the descriptive and predictive analyses developed, so the project was structured according to the phases of business understanding, data understanding, data preparation, modeling, evaluation and implementation. The first phase sought to contextualize the business and define the project’s requirements. In the second phase, the patterns present in the data were studied. In the third phase, the datasets to be used were created. In the fourth phase, various supervised learning algorithms were studied in three distinct approaches. In the fifth phase, the results were analyzed according to performance metrics. In the sixth phase, the interested parties were instructed on how to operationalize the models and how to maintain the datasets. The dashboards, developed to support the project, received positive feedback from the interested parties and the predictive models showed an improvement of 91,67% compared to the historical value of negotiated margins. In this way, internal salespeople will be able to make data-driven decisions faster, more efficiently and more accurate in relation to the profit margin values to be negotiated under freight quotation requests. In the medium-long term, there may be a potential increase in the number of accepted freight quotations.