Transformando as Operações de uma Empresa de Tapetes de Luxo com IA

Uma tradicional fabricante de tapetes de luxo sob medida precisava tornar mais eficiente o fluxo de pedidos, desde a solicitação do cliente até a entrega do produto final. Etapas críticas, como a entrada dos designs, a vetorização e o planejamento da produção, dependiam de processos manuais e sistemas desconectados. Isso gerava atritos operacionais, retardava a tomada de decisões e comprometia a capacidade da empresa de cumprir prazos de entrega exigentes.

A solução foi estruturada em três iniciativas principais, que transformaram as operações e a rotina de trabalho da empresa:

1. Estimativa do Tempo de Produção

Na primeira iniciativa, implementamos modelos preditivos para estimar o tempo de produção com maior precisão e visibilidade ao longo de toda a cadeia de valor. Foram treinados três modelos de machine learning com base em dados históricos para prever o tempo total de produção, a cadência de injeção e o esforço de vetorização.

Integração com o ERP: as previsões passaram a ser disponibilizadas diretamente no ERP por meio de modelos reentreinados mensalmente. Além disso, cálculos sob demanda são realizados automaticamente sempre que um novo pedido é criado.

Os modelos de machine learning reduziram o MAPE (Erro Percentual Absoluto Médio) em 10 pontos percentuais, aumentando a precisão das estimativas de 69% para 79% (equivalente à redução do MAPE de 31% para 21%) em relação ao cenário anterior da empresa. Como resultado, as equipes de vendas e planejamento passaram a realizar cotações e negociações com maior confiança, enquanto a produção passou a contar com previsões integradas ao ERP, aprimorando o balanceamento da carga de trabalho e o planejamento da capacidade produtiva.
‍

2. Planejamento Integrado da Produção

Na segunda iniciativa, implementamos um modelo de otimização para tornar o planejamento da produção mais robusto, transparente e orientado por dados. A empresa fabrica tapetes por meio de processos de injeção (tufting), utilizando robôs que se movimentam nos eixos X e Y para injetar fios de acordo com um padrão predefinido.

O modelo distribui os pedidos entre as linhas de produção disponíveis e define a alocação e o sequenciamento de robôs e telas de injeção, respeitando restrições como disponibilidade de fios, compatibilidade entre equipamentos e calendários de produção.

A etapa de alocação dos pedidos determina qual linha de produção ou máquina será responsável por cada pedido de tapete, enquanto a etapa de alocação de robôs e telas define qual robô e qual tela de injeção executarão cada desenho dentro da linha selecionada.

Além disso, a solução permite que os planejadores simulem diferentes cenários e comparem estratégias alternativas, analisando indicadores como eficiência da produção, balanceamento da carga entre as linhas de fabricação e nível de serviço. Em todos os testes realizados, o modelo de otimização igualou ou superou o desempenho do planejamento tradicional.

Os resultados obtidos incluem:

• Aumento de 3,7 pontos percentuais nas entregas concluídas dentro do prazo.
• Geração de planos de produção em aproximadamente 90 minutos, permitindo aos planejadores criar programações diárias ou semanais dentro das restrições operacionais.

Hoje, os planejadores contam com um modelo de otimização capaz de gerar planos de produção orientados por dados e alinhados às restrições operacionais, reduzindo atrasos, aumentando a visibilidade do processo e liberando tempo anteriormente dedicado a ajustes manuais.

3. Validação Automatizada da Vetorização

A vetorização é o processo de preparação dos desenhos para a produção, definindo os caminhos que o tapete seguirá durante a fabricação. Trata-se de uma etapa intensiva em trabalho manual, que depende de revisões detalhadas para identificar problemas como ângulos desalinhados, sobreposições ou camadas ausentes.

Desenvolvemos uma solução que automatiza a identificação de não conformidades nos arquivos de design, executando validações baseadas em regras sobre o código G (G-Code) e gerando sobreposições visuais em tempo real para que os designers possam identificar os problemas à medida que surgem.

A solução oferece recursos como:

• Detecção automática de erros comuns, como ângulos abaixo dos limites definidos, sobreposições e elementos ausentes.
• Configuração personalizada dos parâmetros de validação, permitindo que os usuários definam limites e escolham quais tipos de erro devem ser sinalizados.
• Geração de um arquivo de design com marcações visuais, acompanhado de um resumo das não conformidades identificadas, reduzindo ambiguidades e acelerando os ciclos de correção.

O processamento de um tapete complexo passou a levar, em média, cerca de 30 minutos, um ganho significativo em relação ao processo de revisão manual, que normalmente demandava entre 3 e 4 horas e podia se estender por vários dias em projetos mais complexos.