A construção da solução para apoiar o processo de planejamento levou em conta situações externas que não eram consideradas no momento do agendamento, como por exemplo condições climáticas e duração da viagem levando em o tráfego naquele trecho. Inclusive, essas mesmas situações eram as principais ofensoras no atraso da chegada dos caminhões no terminal de descarga.
O modelo preditivo de Machine Learning utilizou os dados da duração da viagem (API Google Maps), condições climáticas (API Clima Tempo), local de saída do caminhão (Sistema HBSA) e dados históricos das viagens (Sistema HBSA) para prever com mais exatidão a chegada ao pátio da Hidrovias. A partir da implementação do modelo, a expectativa será otimizar em até 40% a previsão de chegada dos caminhões ao pátio.
Para suportar todo o processo de Machine Learning, banco de dados e APIs, foi utilizado a Amazon Web Services (AWS – Cloud) como plataforma de serviços. Além disso, foram construídos e disponibilizados dashboards em Tableau para compilar e explorar os dados provenientes das análises mencionadas acima.
A previsão de chegada mais assertiva dos caminhões proporcionará uma visão mais clara da gestão de operação, permitindo um planejamento melhor no recebimento dos caminhões, minimizando filas, dimensionando melhor a capacidade de estoque dos produtos e possibilitando uma gestão mais efetiva dos agendamentos dos clientes.