IA em Supply Chain: Otimização de logística

Nós, profissionais que lidamos diariamente com incontáveis planilhas, scripts e APIs, questionamo-nos constantemente: será que a inteligência artificial na logística é apenas um jargão consultivo, ou podemos realmente aplicar soluções práticas para otimizar entregas e estoques, sem a necessidade de montar uma equipe de cientistas de dados com um exército de doutores? Essa dúvida ressoou profundamente em mim algumas vezes, especialmente quando a demanda se intensificava e a equipe se desdobrava para gerenciar roteirização, antecipar rupturas de estoque ou identificar a causa de um veículo imobilizado.

Atuo na linha de frente, solucionando desafios com Google Sheets, Apps Script, Python e APIs, criando automações que buscam tornar a rotina menos caótica. E, claro, sempre me esforço para incorporar a inteligência artificial de forma aplicada em tudo que faço, visando uma ajuda genuína, não apenas para impressionar em relatórios. Por isso, desejo compartilhar um pouco do que aprendi (e os impasses que enfrentei) sobre como podemos, de fato, utilizar a IA para aprimorar a logística, focando na prática, nos problemas cotidianos e nas estratégias que provaram sua eficácia ou me proporcionaram valiosos aprendizados.

A Base da Nossa Atuação: Google Sheets e Apps Script com um Toque de IA

Sejamos francos: quase toda empresa, de pequeno ou grande porte, possui um volume considerável de dados dispersos em planilhas. E, frequentemente, o principal obstáculo à implementação de qualquer "inteligência" é organizar e automatizar o que já existe. Eu comecei exatamente por aí, no que chamo de "IA de guerrilha" na logística. Não se trata de inteligência artificial no sentido de modelos avançados de machine learning, mas sim de empregar lógica e automação para executar tarefas que antes demandavam intervenção manual repetitiva, proporcionando maior agilidade e precisão.

Automação de Roteirização Simplificada e Previsão de Demanda com Dados Básicos

Um dos primeiros desafios que enfrentei foi a roteirização. Eu recebia uma relação de 50 ou 100 endereços no Google Sheets, e a equipe de logística tentava planejar as rotas manualmente, consultando o Google Maps ponto a ponto, calculando tempo e distância. O processo era exaustivo, e o motorista ainda gastava tempo excessivo no trânsito por uma rota que estava longe de ser otimizada. Ademais, a frustração da equipe operacional, que consumia horas valiosas diariamente apenas com essa tarefa, era palpável.

Minha primeira tentativa foi bastante direta. Desenvolvi um script em Apps Script que interpretava os dados das células da planilha contendo os endereços de entrega. Em seguida, para cada endereço, ele realizava uma requisição à API do Google Maps Directions. O objetivo era simples: obter a distância e a estimativa de tempo de cada ponto para o próximo, e tentar construir uma sequência lógica. Adotei uma heurística básica, baseada no critério de "o mais próximo primeiro". Lembro de um dia em que o script falhou porque o teto diário de requisições da API do Google Maps foi excedido. Passei um tempo considerável tentando compreender a causa. Foi necessário pesquisar, aprender sobre limites de requisição e adaptar o código para implementar um sistema de cache das rotas já consultadas, além de um mecanismo de reenvio com atraso. A solução não era elegante, mas atendia eficazmente a demandas de até 70 ou 80 pontos, e a equipe já percebeu uma melhora substancial no tempo despendido. A IA aqui representava mais uma automação inteligente do que um modelo de aprendizado de máquina, mas o ganho em tempo e a redução de custos eram palpáveis.

Outro aspecto crucial era a previsão de demanda. Estoque parado é capital imobilizado, e a falta de produto significa oportunidade de receita desperdiçada. A previsão era baseada na percepção subjetiva do vendedor mais experiente ou em um cálculo médio rudimentar dos últimos meses. Isso era uma fórmula para problemas sérios, especialmente com produtos sazonais ou aqueles com elevações abruptas nas vendas devido a promoções específicas. Passei a aplicar médias ponderadas e exponenciais no próprio Sheets. Não se tratava de inteligência artificial avançada como um GPT, mas contribuía para um progresso significativo.

Com o Apps Script, avancei um passo. Conectei-me a uma API interna que fornecia o histórico de vendas diárias dos últimos dois anos. O script extraía essas informações, realizava uma higienização rudimentar (como o tratamento de valores zero referentes a feriados, e não à ausência de demanda) e depositava tudo em uma nova aba. Então, usando recursos mais sofisticados do próprio Sheets ou um script que aplicava uma regressão linear simplificada via Apps Script (sim, é possível implementar funcionalidades elementares por lá), eu tentava estimar a demanda para a semana ou quinzena vindoura. A margem de erro era considerável inicialmente, mas já era bem mais precisa do que a mera intuição. E, para minha surpresa, a equipe operacional começou a demonstrar maior confiança nos números, pois percebiam a lógica e os fundamentos de dados subjacentes. Para otimizar o Apps Script, eu utilizava o ChatGPT para sugerir métodos para formatar os endereços e evitar erros na API ou para construir a base da função de chamada. Isso acelerou consideravelmente meu desenvolvimento.

Dando um Passo Além: Python, APIs e Modelos Mais Sérios

Chega um ponto em que o Google Sheets e o Apps Script, por mais que nos esforcemos, atingem seu limite. Especialmente quando a complexidade aumenta. Múltiplos veículos, capacidade de carga, janelas de atendimento, prioridades distintas, otimização de múltiplos armazéns. Nesses casos, meu amigo, é hora de recorrer ao Python.

Otimização Complexa de Rotas e Análise Preditiva de Estoque com Python

A transição para Python para a otimização de rotas foi um marco transformador. Evoluir da heurística básica no Apps Script para o Google OR-Tools representou um desafio e aprendizado significativos. A documentação inicial parecia um tanto complexa; tive que dedicar-me a uma série de tutoriais e pesquisar extensivamente em fóruns. Contudo, quando executei o programa pela primeira vez e observei o algoritmo otimizando 100 entregas com múltiplos veículos, janelas de atendimento, limitações de carga e até restrições específicas de parada em determinados clientes, o empenho foi recompensador. Os benefícios em economia de combustível e otimização do tempo dos condutores eram notórios, e a capacidade de entrega da frota foi ampliada sem a necessidade de novos recursos humanos ou investimentos em frota.

O desafio aqui não se resumia apenas à codificação. Era garantir a qualidade dos dados de entrada. Se a latitude e longitude estavam incorretas no cadastro de cliente, ou se o endereço apresentava erros de digitação, o OR-Tools desviava a entrega para um local inviável. Foi necessário desenvolver um fluxo de trabalho de validação de endereços sólido em Python, muitas vezes utilizando um serviço de geocodificação mais sofisticado para retificar e normalizar os endereços, e lidando com as exceções manualmente nos casos em que a API não conseguia solucionar. Era uma tarefa tediosa, porém fundamental. Usei o Python para criar um script que automatizava a busca de novos endereços e a atualização na base, que, em nosso contexto, ainda era um Google Sheet atuando como a "fonte primária de dados" para o restante do sistema.

Na parte de previsão de demanda, o Python me permitiu superar a limitação das médias simples. Comecei a usar bibliotecas como scikit-learn para modelos de regressão mais elaborados ou Prophet (do Facebook, agora Meta) para séries temporais. Chega uma hora em que a média móvel simplesmente não consegue capturar adequadamente a sazonalidade, os feriados, as promoções ou eventos externos que influenciam a demanda. Com o Python, eu conseguia fornecer ao modelo dados históricos de vendas, informações de marketing, feriados, e até mesmo dados climáticos (obtidos via API, naturalmente). O resultado era uma projeção significativamente mais precisa, mas também demandava maior atenção na validade do modelo e no acompanhamento de sua performance. Quando um modelo apresentava erros significativos, eu precisava revisitar, ajustar os parâmetros ou, se necessário, modificar a estratégia. E o interessante é que eu conseguia enviar essas projeções de volta para um Google Sheet, que era o painel de controle utilizado pela equipe operacional. Integrações via API REST são o elo essencial entre um script Python rodando no servidor e um Google Sheet acessível a todos.

Um projeto que me apresentou consideráveis desafios, mas que compensou cada momento, foi a manutenção preditiva da frota. Tínhamos dados de telemetria dos caminhões (consumo de combustível, RPM do motor, temperatura do óleo, etc.) que eram transmitidos através de uma API de um fornecedor. Eu importava essas informações para o Python e desenvolvia um modelo de classificação elementar (como Random Forest) para tentar antecipar possíveis falhas mecânicas. Não se mostrava infalível, é verdade, mas oferecia insights sobre qual veículo merecia um cuidado adicional na manutenção antes de sofrer uma pane em trânsito, o que geraria custos significativos com reboque e descontentamento do cliente. A maior dificuldade residiu na higienização e pré-processamento dos dados. As APIs às vezes entregavam dados incompletos ou em estruturas incomuns, e eu dedicava horas à normalização dessas inconsistências no Python antes mesmo de pensar em desenvolver o modelo. Às vezes, eu só inseria o erro do Python no Gemini ou no ChatGPT e pedia para me fornecer orientações ou propor uma reestruturação de código. Ele não resolve tudo, mas economiza um tempo considerável em pesquisas online.

Critério	Google Sheets/Apps Script (e APIs leves)	Python (com libs e APIs robustas)
Facilidade de Implementação	Alta. Ferramentas familiares, curva de aprendizado mais branda.	Média a Baixa. Exige conhecimento de programação e ambiente.
Custo Inicial	Baixo. Ferramentas geralmente já disponíveis, custos de API gerenciáveis.	Médio. Pode exigir infraestrutura (servidor, nuvem), custos de APIs mais altos.
Escalabilidade	Restrita para grandes volumes de dados ou cenários altamente complexos.	Alta. Ideal para grandes volumes de dados e sistemas complexos.
Complexidade de Problemas Resolvidos	Adequada para desafios de complexidade moderada, automações e prototipagem ágil.	Excepcional para questões de alta complexidade (VRP com múltiplas restrições, ML avançado).
Curva de Aprendizagem	Mais rápida para quem já usa planilhas.	Mais acentuada, demanda dedicação ao estudo de linguagem, bibliotecas e princípios de ML.
Manutenção	Relativamente simples para pequenos scripts, mas pode tornar-se desorganizada sem a devida estrutura.	Demanda maior disciplina (documentação, controle de versão), porém proporciona maior robustez.

Quando NÃO vale a pena usar isso

Por mais que eu aprecie explorar e implementar inteligência nas coisas, é preciso ser realista. Nem toda circunstância exige uma solução complexa com IA, especialmente na logística. Aqui estão alguns cenários onde eu diria "modere o entusiasmo":

• Quando os dados são inconsistentes ou inexistentes: Esse é o princípio fundamental. Não adianta ter o algoritmo mais sofisticado do mundo se os dados de entrada são inconsistentes ou imprecisos. Se você não tem histórico de vendas confiável, cadastro de clientes preciso, ou se os endereços estão desorganizados, qualquer modelo de IA vai produzir resultados irrelevantes. É apenas dados ruins processados com agilidade. O foco principal deve ser organizar e padronizar os dados primeiro.
• Para problemas excessivamente simples: Roteirizar 5 entregas com um carro só, sem restrições de tempo? Utilize o Google Maps e execute manualmente. Não justifica o esforço adicional de desenvolver, testar e manter um sistema complexo. A relação custo-benefício é desfavorável.
• Falta de suporte interno ou infraestrutura: Se você não tem o apoio mínimo da gestão para experimentação, se nenhum outro membro da equipe compreende a lógica ou pode realizar a manutenção, ou se inexiste ambiente para executar um script Python (mesmo que seja um Google Cloud Function de baixo custo), você vai ter problemas desnecessários. É importante que a solução seja implementada e sustentada.
• Expectativas irrealistas: A IA não é uma panaceia e não soluciona problemas estruturais intrínsecos. Ela pode otimizar as rotas, mas não operará milagres se você tem escassez crônica de motoristas, sua frota está obsoleta ou sua infraestrutura de armazém é desorganizada. Ela otimiza os recursos existentes, mas não cria o que falta.
• Custo vs. Benefício: Às vezes, a solução "manual" ou "semi-manual" é adequada e consideravelmente mais econômica. Uma automação simples em Apps Script pode sanar 80% do desafio com 20% do empenho de uma solução Python robusta. Pense nisso antes de investir cegamente em algo que pode ser um projeto de alto custo e pouca utilidade.

FAQ - Perguntas Comuns na Prática

1. Preciso ser cientista de dados para começar com IA na logística?

Absolutamente não. Eu não sou cientista de dados; sou mais um "solucionador de problemas" por meio de código. Para começar, você necessita de raciocínio lógico, curiosidade e o desejo de automatizar. Comece pequeno, com automações e dados que você já possui em planilhas. A dupla Sheets e Apps Script é um ambiente propício para isso. Com o tempo e a necessidade, você adquirirá conhecimentos sobre modelos de Machine Learning, APIs mais complexas, e então, o Python se torna essencial para a escalabilidade. Contudo, o ponto de partida deve ser sempre o mais fácil de acessar.

2. Qual o maior desafio em implementar essas soluções de IA na prática na logística?

Incontestavelmente, os dados. Higienização, padronização, coleta consistente e validação. É o calcananhar de Aquiles de quase todo projeto de automação ou IA em que estive envolvido. Se os dados de entrada são de má qualidade, o modelo resultará em desempenho insatisfatório. Dediquei horas à higienização, transformação e padronização de endereços, datas, volumes. É uma tarefa entediante, mas que determina o sucesso ou o fracasso de um projeto.

3. E sobre os custos de API? É possível controlá-los para não gastar uma fortuna?

É perfeitamente viável, com a devida atenção. A maioria das APIs oferece um nível gratuito ou de baixo custo para iniciar. Utilize mecanismos de cache: se você já consultou uma rota ou um endereço, armazene a resposta e evite consultas repetidas. Otimize as chamadas à API: evite invocar a API para cada linha da planilha, agrupando requisições sempre que possível. Acompanhe o consumo: o Google Cloud, por exemplo, oferece avisos de custos. Comece testando em pequena escala e só depois expanda com prudência. Já fui surpreendido por faturas de API elevadas, então desenvolvi uma cautela extrema com isso.

Conclusão: Onde eu começaria hoje?

Se eu tivesse que começar tudo de novo hoje, indubitavelmente, eu iniciaria pelo alicerce: Google Sheets e Apps Script, com foco constante na integração com APIs mais acessíveis. Por quê? Porque é a realidade comum. É onde a maioria das empresas, especialmente as que precisam otimizar a logística, já possuem seus dados organizados e a equipe já está familiarizada.

A curva de aprendizado é mais branda, a implantação é ágil e você consegue apresentar resultados concretos (economias de tempo, redução de erros) em curtíssimo prazo. Isso fomenta a confiança na equipe e na gestão, e pavimenta o caminho para projetos mais ambiciosos. Foi assim que consegui transformar a noção de IA de um privilégio de "grandes corporações" para algo que verdadeiramente auxiliava as operações diárias.

O Python é o recurso indispensável para a escalabilidade, para solucionar desafios que o Sheets não comporta, e para desenvolver modelos mais complexos e resilientes. Mas o início deve ser o mais descomplicado e de menor resistência viável. Conquiste vitórias menores inicialmente, demonstre o valor, e então progrida para os desafios maiores com ferramentas mais potentes. A logística apresenta desafios autênticos e intrincados, e a IA, mesmo que seja a abordagem de IA "guerrilha" via Apps Script, pode trazer um benefício considerável se empregada de maneira astuta e prática.