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.
Melhorar uma unidade de impressão de uma empresa fabricante líder
Uma aplicação web centralizada que utiliza IA Generativa para fornecer aos utilizadores as análises de que precisam.
Orientar o "Case Pack" para o ponto ideal
Usando a aprendizagem automática para apoiar as decisões de remarcação de preço
Otimização da gestão de inventário de produtos perecíveis
Um estudo de caso sobre como melhorar as estratégias de preços