Transformação Logística da Bunge:
Reduzindo Custos com Machine Learning Avançado
O Desafio
A Bunge, uma das líderes globais em agronegócios e alimentos, enfrentava o desafio de aprimorar seus modelos de previsão dos custos de frete para o transporte de grãos.
Anteriormente, a empresa utilizava modelos simples para calcular o preço futuro do frete, que não capturavam de forma eficaz a complexidade e a variabilidade das tarifas, especialmente em rotas críticas no Brasil. Com a crescente necessidade de incorporar um número maior de variáveis e entender as relações não lineares entre elas, a precisão nas previsões se tornou essencial para otimizar a logística, reduzir custos e aumentar a eficiência operacional.
A Solução
Para resolver esses desafios, a Zallpy implementou uma solução abrangente de Machine Learning focada nos seguintes pontos principais:
Gestão e Integração de Dados:
Integração de múltiplas fontes de dados, incluindo dados internos da Bunge e diversos datasets públicos. O estabelecimento de práticas robustas de gestão de dados para garantir a qualidade e a consistência foi fundamental, com a implementação de monitoramento contínuo para resolver prontamente quaisquer discrepâncias ou mudanças nas fontes de dados.
Modelos de Machine Learning:
Utilização de modelos de ML existentes para estabelecer uma linha de base para as previsões de custos de frete. O teste e a implementação contínuos de novos algoritmos melhoraram a precisão das previsões, focando em aprimorar os modelos existentes, incorporando fontes de dados adicionais e refinando os algoritmos.
Previsão e Simulação:
Desenvolvimento de modelos, fornecendo previsões quinzenais dos custos médios de frete para várias rotas. A criação de uma ferramenta de simulação dentro do dashboard permitiu modelar diferentes cenários, como mudanças nos preços dos combustíveis, e entender seu impacto nos custos de frete.
Operacionalização e Implantação:
Automação de todo o pipeline de dados, desde a extração de dados até a implantação do modelo, utilizando ferramentas como Google Cloud, BigQuery, Cloud Run, Cloud Functions e Terraform para a gestão de infraestrutura. O uso do ML Flow para rastrear experimentos e versionar modelos garante reprodutibilidade e confiabilidade.
O Resultado
O projeto de Previsão de Frete trouxe vários benefícios significativos para a Bunge:
Maior Precisão
Os modelos antigos foram substituídos por uma solução mais robusta, que considera um número maior de variáveis e relações não lineares entre elas, resultando em uma maior precisão nas previsões de custos de frete e permitindo um planejamento orçamentário e controle de custos aprimorados.
Eficiência Operacional
Otimizou o processo de gestão de dados e automatizou o pipeline de previsão, reduzindo a intervenção manual e erros.
Decisões Estratégicas
Forneceu insights valiosos através das simulações de cenários, ajudando a Bunge a tomar decisões informadas sobre logística e estratégias de precificação.
A colaboração da Zallpy com a Bunge demonstra o poder do Machine Learning em transformar a logística e a eficiência operacional. Ao integrar práticas avançadas de gestão de dados e aprimorar continuamente os modelos preditivos, a Zallpy entregou uma solução robusta que apoia os objetivos estratégicos da Bunge e melhora sua competitividade no mercado.
DALLAS - TX
Star District - 5 Cowboys Way, Ste. 300 - 71, Frisco, Texas
SÃO PAULO – SP
Alameda Vicente Pinzon, 54 – Cubo Itaú