A automação inteligente reduziu os ciclos de revisão de dias para minutos e melhorou as taxas de entrega no prazo.
Um fabricante de tapetes de luxo enfrentava ineficiências decorrentes de processos manuais e desconectados nas fases de design, vetorização e planeamento da produção, o que resultava em decisões lentas e dificuldade no cumprimento dos prazos de entrega.
Através de inteligência artificial e optimização, a empresa implementou modelos preditivos de tempos de produção, um optimizador integrado de planeamento produtivo e uma ferramenta automatizada de validação da vetorização, simplificando as operações de ponta a ponta.
As iniciativas melhoraram a precisão das estimativas de tempo de produção em 10 pontos percentuais, aumentaram as conclusões atempadas em 3,7 pontos percentuais, reduziram os ciclos de planeamento para 90 minutos e encurtaram o tempo de revisão da vetorização de horas ou dias para apenas 30 minutos.
Um fabricante de tapetes de luxo personalizados necessitava de otimizar o fluxo das encomendas, desde o pedido do cliente até ao produto final. As etapas críticas — desde a recepção do design e a vetorização até ao agendamento da produção — estavam distribuídas por processos manuais e sistemas desconectados. Esta configuração gerava fricção desnecessária, atrasava a tomada de decisão e limitava a capacidade de cumprir compromissos exigentes em termos de prazos de entrega.
A abordagem estruturou-se em três iniciativas principais que transformaram o funcionamento operacional no dia a dia:
1. Estimativa do tempo de produção
Na primeira iniciativa, foram introduzidos modelos preditivos para estimar os tempos de produção com maior precisão e visibilidade ao longo da cadeia de valor. Foram treinados três modelos de machine learning com dados históricos para prever o tempo total de produção, a cadência de injecção e o esforço de vetorização.
Integração com o ERP: As previsões passaram a estar disponíveis diretamente no ERP, através de modelos re-treinados mensalmente. Estão igualmente disponíveis cálculos sob pedido sempre que é criada uma nova encomenda.
Os modelos de machine learning reduziram o MAPE (Mean Absolute Percentage Error) em 10 pontos percentuais, melhorando a precisão de 31% para 21% face à linha de base da empresa.
Como resultado, as equipas comerciais e de planeamento podem orçamentar e negociar com maior confiança, enquanto a produção beneficia de previsões integradas no ERP que reforçam o equilíbrio de carga e as discussões de planeamento de capacidade.
2. Planeamento integrado da produção
Na segunda iniciativa, foi introduzido um modelo de otimização para conferir maior rigor e transparência ao planeamento produtivo. A empresa fabrica tapetes através de processos de injecção/tufting, guiados por robôs que se deslocam num plano X/Y para injetar fio segundo um padrão pré-definido. O modelo aloca encomendas pelas linhas de produção disponíveis e determina a afectação e sequenciação de robôs e screens, respeitando restrições como disponibilidade de fio, compatibilidade de equipamento e calendários de produção.
A etapa de alocação de encomendas determina que linha ou máquina deve processar cada tapete, enquanto a afetação de robô/screen define qual o robô específico e o respetivo screen de injeção que executará cada design nessa linha.
O sistema permite ainda aos planeadores testar cenários e comparar estratégias alternativas, analisando funções-objectivo como eficiência produtiva, balanceamento de carga entre linhas de fabrico e nível de serviço. A otimização igualou ou superou consistentemente o planeamento de referência.
Atualmente, os planeadores recorrem a este modelo de otimização para gerar planos de produção orientados por dados e sensíveis a restrições, reduzindo atrasos, aumentando a visibilidade e libertando tempo anteriormente dedicado a ajustamentos manuais.
3. Validação automatizada da vetorização
A vetorização consiste na preparação dos trajetos que o tapete seguirá durante a produção, convertendo os designs em instruções executáveis. Trata-se de um processo intensivo em trabalho manual, dependente de revisões para detetar problemas como ângulos desalinhados ou camadas em falta. Foi desenvolvido um sistema que automatiza a identificação de não conformidades em ficheiros de design, executando validações baseadas em regras sobre G-Code e gerando sobreposições visuais contínuas para que os designers visualizem os problemas em tempo real:
O processamento de um tapete complexo demora agora, em média, cerca de 30 minutos, significativamente menos do que o processo manual de revisão, que tipicamente varia entre 3–4 horas e pode prolongar-se por vários dias no caso de designs mais intrincados. Adicionalmente, a ferramenta padroniza o controlo de qualidade na preparação do design, estabelecendo uma base mais consistente para a fiabilidade nas fases subsequentes de planeamento e produção.
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.
Reforçar a resiliência da cadeia de abastecimento através de Machine Learning: melhores níveis de serviço e decisões mais eficazes no retalho alimentar.
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.
Desenvolvimento de uma metodologia assente numa abordagem de simulação-otimização para otimização de múltiplos armazéns com configurações diferenciadas