9 minute read
Otimização da produção e valor de mercado em indústrias de Rendering - Pág
Hone Lundgren,
Co-autores:
Francisco Paredes, M.Sc. Business, Engenheiro, Sócio da AltumLab/Chile Abigail Robles, Engenheira de Processos na AltumLab/Chile Julio Pereira, M.Sc Business, Superintendente de Tecnologia na Toppen/Brasil
OBrasil está entre os maiores produtores de proteína animal do mundo. Entretanto, quanto maior a quantidade de proteína produzida, maior o volume de resíduos animais gerados. Nesse sentido, a reciclagem animal tem papel fundamental, pois proporciona um destino correto a esses resíduos sem prejudicar o meio ambiente. Além disso, através dessa reciclagem é possível ter a geração de novas fontes de rendas e o uso de ferramentas de Inteligência Artificial (AI) permite a otimização dos processos de forma nunca vista.
Em todo o mundo a produção de proteínas animais é um dos principais ativos, geradores de empregos e receitas dos países. Esse tipo de atividade possui muitos fatores exógenos que influenciam diretamente nos três pilares do negócio: i. questões ambientais, ii. questões de processos e iii. questões de mercado-econômico-financeiros. Cabe frisar que a grande variabilidade dos fatores que envolvem esses pilares influencia diretamente a saúde financeira e longevidade mercadológica do negócio. Durante muitos anos a produção industrial era tratada de forma empírica e baseada exclusivamente na experiência adquirida ao longo do tempo. Mas esse tempo passou. Os clientes ficaram mais exigentes, as legislações mais rígidas, a preocupação com a sustentabilidade mais incorporada no “core” do negócio e principalmente o mercado muito mais conectado e competitivo. Com isso, a indústria de “rendering”, cuja atividade consiste em processar resíduos de origem animal, impróprias para consumo humano, e gerar produtos de alto valor agregado (ex. farinhas,
rações), deixou de adotar atividades mecânicas e evoluiu para automação e controles rígidos. Porém a automação trouxe um outro desafio: como a identificação de centenas de variáveis que resultam em milhares de dados, ou até milhões, pudessem ser identificados e analisados pela capacidade limitada do humano para suportar a melhor tomada de decisão?
Tal limitação impediu que os dados resultassem em informações relevantes que apontassem ajustes nos processos para aproveitar as oportunidades de curto prazo e, assim, gerar a confiança nos clientes sobre o fornecimento e a qualidade dos produtos de acordo com o contrato. E o impacto pôde ser observado em todos os setores da indústria, desde a área de suprimentos até a área comercial. Ao adquirir e produzir a matéria-prima, no início da cadeia, existe a necessidade constante em buscar insumos com as características necessárias, dentro do prazo adequado para atender a produção e com o custo compatível com os contratos e o mercado do produto final. Já a área comercial e de garantia de receitas, poderia concretizar uma venda cujos pedidos pudessem ser glosados posteriormente por uma não conformidade contratual ou até mesmo perder um cliente para outro competidor ao ocorrer uma ruptura da cadeia produtiva. Isso sem falar das equipes de logística e produção, que poderiam ter seu desempenho nas linhas produtivas impactadas pela falta ou excesso de determinado insumo.
Para que tais problemas complexos fossem resolvidos, a tecnologia passou a ter maior relevância como o meio para possibilitar a identificação, a captura, o armazenamento e o processamento de inúmeros dados. Com o avanço das ferramentas de Machine Learning e Inteligência Artificial (AI), associado ao aumento da capacidade de processamento, os dados passaram a gerar informação relevante, permitindo que os setores industriais pudessem suportar a tomada de decisão orientada a dados. No caso da indústria em si, a tecnologia possibilitou que o emprego das matérias-primas e os processos fossem constantemente aprimorados para que estivessem, cada vez mais, em conformidade com o mercado tornando-os mais confiáveis e previsíveis. Uma produtora de farinha de peixe, por exemplo, buscou no mercado uma ferramenta que permitisse identificar e operacionalizar algoritmos inteligentes baseados em ferramentas de Machine Learning objetivando a assertividade e previsibilidade de todo o processo. A ferramenta escolhida foi a AIBruna, que permitiu que a empresa extrativista e produtora de farinha de peixe otimizasse suas operações dentro de um custo adequado. Consequentemente, o potencial das plantas foi atingido por meio da captura do valor total da matéria-prima e incorporação de P&D de alto impacto a baixo custo, usando todos os dados a seu favor.
Ao alimentar as ferramentas de Machine Learning com todas as variáveis, grandes volumes de informações passaram a apoiar os times de produção e planejamento resultando em uma melhor gestão da planta. Dentre os resultados obtidos estão: a captura de perdas por excesso de qualidade da farinha de peixe, melhores índices de sustentabilidade, satisfação dos critérios de aceite dos contratos e redução dos custos. Madeleine Valderrama, CEO da AltumLab comenta: “No caso da indústria da farinha de peixe, acontece que não é possível escolher a qualidade e o tamanho do peixe capturado, resultando em um produto final não homogêneo. Sendo assim, torna-se grande a probabilidade de não ser capaz de capturar todo o valor do produto em virtude de que a composição dos lotes nem sempre permite que uma determinada qualidade seja atendida. Esse mesmo tipo de problema se repete na exportação de frutas e na mineração.”
Cada planta de produção lida com seus processos de forma diferente respeitando as particularidades de cada segmento. Por isso, o processo na indústria de rendering depende da espécie utilizada para sua elaboração, do tempo que a matéria-prima esteve fora da água, da temperatura
e dos processos produtivos a que foi submetida, entre outros. Neste exemplo, obtêm-se lotes com parâmetros bioquímicos que representam a frescura e a qualidade do produto acabado. O problema da variabilidade da qualidade do produto final foi resolvido ao combinar séries de lotes para que fosse capturado o valor ótimo do produto. A indústria de farinha de peixe apresentada neste caso, portanto, adotou uma solução baseada em ferramentas de Machine Learning utilizando módulos que permitiram atuar e trazer benefícios no planejamento, otimização, gestão operacional do blending e estratégia comercial, dentre eles:
· Potencializar o valor de estoque do produto final em relação a disponibilidade das matérias-primas estocadas; · Aprimorar a alocação dos contratos de acordo com as necessidades da empresa; · Otimizar o valor do estoque não permitindo o uso de insumos mais nobres onde não existia a necessidade; · Cumprir os contratos comerciais com o menor custo possível considerando variáveis logísticas, produtivas e de mercado.
Neste estudo, a empresa que possui mais 20.000 lotes por ano, cada um com mais de 70 variáveis que os definem, resultou em um desafio que era impossível de resolver manualmente, tornando-se um problema complexo. Graças ao algoritmo e ferramentas de Machine Learning proporcionada pela solução, todas as variáveis foram consideradas para otimizar o processo de mistura da farinha de peixe, incrementando o valor no estoque total em até 37% nas farinhas premium com 95% de assertividade nas previsões.
Os pontos fundamentais para o sucesso obtido e demonstrado pelos resultados, podem ser resumidos em quatro pilares:
Alta capacidade de processamento com segurança de armazenamento de dados; Disponibilidade dos dados com relevância, clareza, tempestividade e rastreabilidade; Equipes de cientistas de dados preparadas nas mais modernas técnicas de AI; Equipe de projeto que teve a capacidade de ter um profundo conhecimento dos processos, mercado e cultura da empresa;
Por fim, ficou evidente que ao desafiar o status quo dos processos tradicionais das empresas, incorporando tecnologia de AI cognitiva de alto impacto, gerou-se informações importantes para a tomada de decisões, melhorando o retorno do investimento.
A Pipefy conta com um robusto ecossistema de parceiros para alinhar sua tecnologia com serviços personalizados e conectar sua plataforma para ir além na entrega ao cliente final e a Viaflowé um desses parceiros. Especializados em hiperautomação e focados na aproximação entre negócios e tecnologia sem esquecer o fator humano, contamos juntos nesse artigo como levar a automação de processos a outro nível quando combinando tecnologias como o Pipefy e um RPA. Atualmente muito se fala de automação de processos e seus benefícios, como: otimização do tempo em atividades operacional, redução de riscos, integração entre áreas, aumento de produtividade, eliminação das tarefas repetitivas, empoderamento de áreas sem a perda de governança por TI e o melhor uso da capacidade intelectual das pessoas. Neste cenário, encontramos diversas ferramentas no mercado que nos proporcionam criar, executar, monitorar e gerenciar as automações. Quando falamos de ferramentas nos tempos atuais precisamos refletir que processos têm uma característica intrinsecamente viva, ou seja, se atualizam com o tempo. Portanto, somente a criação de uma automação e a execução da mesma não são auto-sustentáveis, é necessário uma combinação de plataformas que traga agilidade e autonomia também na atualização de processos e novas demandas de áreas. Em diversas reuniões com clientes, quando falamos de robotização e automação escuto que os mesmos já possuem robôs, no entanto, quando questiono qual ferramenta utilizam, me dizem que nenhuma, ou seja, o que eles possuem na verdade são rotinas automatizados em diversas tecnologias (sql, java, .net, python, etc.)“
Julio Comin, Head de hyper-automation da Viaflow.
Clique aqui
e saiba mais sobre a integração RPA e BPA na transformação digital da sua empresa
O RPA é uma tecnologia de automação via robôs treinados para tarefas específicas, que tenham a característica de tarefas repetitivas e de alto volume, tornando então a capacidade de execução algo escalável e com alto ganho de velocidade.
O Pipefy é a Plataforma de Gerenciamento de Processos que empodera os usuários a modelar, controlar e monitorar seus processos com uma tecnologia no-code/low-code (sem código/baixo-código). Integrando distintas áreas de negócio e diferentes processos em uma única ferramenta, otimizando a comunicação e o fluxo de informação. Assim, é possível estabelecer um controle administrativo mais forte e preciso, maior produtividade, maior agilidade e transparência na comunicação e nas operações. Logo, a interação entre Pipefy + RPA é complementar, onde as automações das tarefas são robotizadas e executadas pelo RPA, enquanto o Pipefy gerencia a automação, monitoramento e controle dos processos de trabalho. A integração entre tecnologias dependerá das características de negócio do processo automatizado, e então abre-se um leque ainda maior de possibilidades em paralelo à união entre Pipefy + RPA, em especial se olharmos para um processo de hiperautomação. A principal mensagem que queremos transmitir é que não importa a tecnologia que você já utiliza, o Pipefy pode ser a estrutura que conecta os processos e a Viaflow tem a inteligência para construir todo seu processo de hiperautomação.
Ferramentas não estruturadas
Sistemas de registro
ERP/CRMs
Vertical Applications
A plataforma Pipefy
Descoberta/Coleta Mining
OCR RPA
Orquestração de ponta a ponta
Integração Plataforma No-Code/Low-Code de Automação e Orquestração de Fluxos de Trabalho
Portais, Formulários & Tracker
Repositório Central do Pipefy
Regras de Automação Fluxos de Aprovação Conexões de processos Gerenciamento de SLAs Trocas de email Gestão de mudanças Governança e controle Visão Kanban Agile Entrega
(Soluções de terceiros)
Resultados/Dashboards
Sistemas de registro
ERP/CRMs
Vertical Applications
