Orientar o "Case Pack" para o ponto ideal
O nosso cliente, um retalhista alimentar, enfrentava dificuldades na otimização dos níveis de inventário em todo o seu sistema de distribuição. Um fator crítico, mas frequentemente negligenciado, era a definição do Case Pack — a unidade de transporte entre o fornecedor, o centro de distribuição e as lojas. Uma definição inadequada do Case Pack levava a ineficiências, aumento do esforço logístico e, em última instância, impactava negativamente a rentabilidade.
Para determinar o Case Pack ideal, foram modelados diversos componentes de custo, tendo em conta o processamento em armazém, picking, stock de segurança, inventário, quebras e ainda atributos do produto como sazonalidade e tipo de embalagem. A quantidade ótima foi definida através do equilíbrio destes custos ao longo de toda a cadeia de abastecimento.
A metodologia desenvolvida focou-se na otimização do Case Pack com base nos atributos específicos de cada SKU. O modelo de custos foi transformado num serviço de otimização online, permitindo ajustes fiáveis e simples ao processo. Esta abordagem tem vindo a apoiar negociações com fornecedores e a revisão periódica das quantidades de Case Pack, assegurando uma melhoria contínua.
O nosso cliente, uma empresa do setor do retalho alimentar, lida diariamente com centenas de referências SKUs (Stock Keeping Units) nos seus armazéns, camiões e lojas. Apesar dos esforços consideráveis dedicados à otimização dos níveis de inventário em todo o sistema de distribuição, um fator crucial era frequentemente desvalorizado: a definição do Case Pack.
A definição do Case Pack — a unidade de transporte desde o fornecedor até ao centro de distribuição e, posteriormente, até às lojas — é um processo muitas vezes subestimado, mas que pode ter um impacto significativo em toda a cadeia de abastecimento. Uma quantidade mal dimensionada implica esforços adicionais ao longo da cadeia e, como consequência, afeta negativamente os resultados da empresa.
Vários componentes de custo tiveram de ser modelados para se compreender adequadamente o impacto ao longo de toda a cadeia de abastecimento. A quantidade ótima resultou, então, do equilíbrio entre os diferentes custos envolvidos.
A nível de armazém, os custos de processamento e de picking foram modelados com base nas especificações das caixas manuseadas, assim como o stock de segurança necessário. A nível de loja, os custos de inventário e de quebras foram também modelados em conformidade com a quantidade do Case Pack.
Paralelamente, vários atributos dos produtos — como sazonalidade e características da embalagem — foram integrados no modelo desenvolvido.
Numa primeira fase, o foco foi conceber uma metodologia adequada e robusta, ajustada às diferentes características dos vários SKUs.
Esta metodologia traduziu o modelo de custos num serviço de otimização online, permitindo um processo mais fiável e simples para definir o Case Pack ideal.
Atualmente, as principais recomendações servem de apoio na negociação com os fornecedores, orientando o Case Pack para valores ótimos. A robustez e modularidade da metodologia permitiram a implementação de um serviço para revisão periódica das quantidades de Case Pack.
Reforçar a resiliência da cadeia de abastecimento através de Machine Learning: melhores níveis de serviço e decisões mais eficazes no retalho alimentar.
A LTPlabs ajudou um grande fabricante industrial a reduzir o tempo de planeamento da produção de até duas semanas para apenas algumas horas, através da implementação de uma solução de otimização baseada em Programação Linear Inteira Mista (MILP).
Uma empresa do setor alimentar centralizou os dados mestre, digitalizou e automatizou dados anteriormente introduzidos de forma manual e criou, em seis semanas, uma base reutilizável para a governação de dados.
Transformando previsões em planos executáveis de produção e aprovisionamento
A previsão e o planeamento foram aprimorados, conferindo aos gestores a capacidade de antecipar picos de procura.
A automação inteligente reduziu os ciclos de revisão de dias para minutos e melhorou as taxas de entrega no prazo.